[摘? ? 要] 財(cái)務(wù)風(fēng)險(xiǎn)具有客觀性、發(fā)展性、可預(yù)測(cè)性特征，對(duì)企業(yè)的發(fā)展運(yùn)營(yíng)有重要影響。我國經(jīng)濟(jì)目前面臨重大變革，“中國制造2025”計(jì)劃的提出，深化供給側(cè)改革，人工智能、區(qū)塊鏈、大數(shù)據(jù)科技快速發(fā)展，企業(yè)財(cái)務(wù)預(yù)警的重要性日益突出。文章通過對(duì)財(cái)務(wù)預(yù)警模型的梳理，提出從我國國情出發(fā)，重新選取財(cái)務(wù)指標(biāo)，重新選取樣本數(shù)據(jù)進(jìn)行系數(shù)測(cè)定更新，重視非財(cái)務(wù)因素的影響，針對(duì)具體行業(yè)如制造業(yè)構(gòu)建財(cái)務(wù)預(yù)警模型，利用更準(zhǔn)確、合適的模型對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行判別。

[關(guān)鍵詞] 財(cái)務(wù)風(fēng)險(xiǎn);財(cái)務(wù)困境;預(yù)警模型

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 15. 017

[中圖分類號(hào)] F234? ? [文獻(xiàn)標(biāo)識(shí)碼]? A? ? ? [文章編號(hào)]? 1673 - 0194（2019）15- 0037- 03

1? ? ? 引? ? 言

風(fēng)險(xiǎn)具有不確定性、客觀性、普遍性、發(fā)展性以及可預(yù)測(cè)性的特征。風(fēng)險(xiǎn)不因人的意志而轉(zhuǎn)移，在不斷發(fā)展變化并且沒有辦法將其徹底消滅。從籌資角度對(duì)風(fēng)險(xiǎn)概念進(jìn)行界定，財(cái)務(wù)風(fēng)險(xiǎn)是企業(yè)在進(jìn)行籌集資金過程中，由于不確定的未來收益而導(dǎo)致的風(fēng)險(xiǎn)。

財(cái)務(wù)風(fēng)險(xiǎn)對(duì)企業(yè)運(yùn)營(yíng)、市場(chǎng)穩(wěn)定、國家金融安全均有重要影響。世界范圍內(nèi)每年都有公司因財(cái)務(wù)風(fēng)險(xiǎn)破產(chǎn)，給經(jīng)濟(jì)社會(huì)造成了巨大影響。例如美國安然公司、世通公司，日本山一證券，國內(nèi)企業(yè)東方電子、綠大地、銀廣夏等。由此可見，財(cái)務(wù)風(fēng)險(xiǎn)會(huì)引發(fā)財(cái)務(wù)困境，威脅企業(yè)健康穩(wěn)定運(yùn)營(yíng)，警示猶在。

根據(jù)國家統(tǒng)計(jì)局公布的2018年經(jīng)濟(jì)數(shù)據(jù)顯示，2018年全年國內(nèi)生產(chǎn)總值900 309億元，比上一年增長(zhǎng)6.6%。國務(wù)院發(fā)布的《中國制造2025》中指出，實(shí)現(xiàn)制造強(qiáng)國的戰(zhàn)略目標(biāo)分三步完成，強(qiáng)調(diào)了綜合實(shí)力進(jìn)入世界制造強(qiáng)國前列的重要性。隨著我國社會(huì)主義市場(chǎng)經(jīng)濟(jì)的不斷發(fā)展，深化供給側(cè)改革等改革，企業(yè)面臨更多挑戰(zhàn)，財(cái)務(wù)預(yù)警的重要性日益突出。企業(yè)可以通過財(cái)務(wù)預(yù)警模型識(shí)別和防范風(fēng)險(xiǎn)，助力企業(yè)健康發(fā)展，給予企業(yè)尤其是制造企業(yè)更全面的保障，實(shí)現(xiàn)制造興國，實(shí)業(yè)強(qiáng)國。

目前財(cái)務(wù)預(yù)警模型在碩博士畢業(yè)論文中應(yīng)用較多，相關(guān)文獻(xiàn)綜述數(shù)量少且較為久遠(yuǎn)，預(yù)警模型也有待進(jìn)一步研究和完善。本文通過對(duì)財(cái)務(wù)預(yù)警模型文獻(xiàn)的梳理，概述了各模型的特點(diǎn)和作用，針對(duì)預(yù)警模型的不足提出改進(jìn)建議，為以后的深入研究和完善預(yù)警模型提供思考方向。

2? ? ? 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型發(fā)展歷程

20世紀(jì)60年代至20世紀(jì)末，財(cái)務(wù)預(yù)警模型被不斷建立和改進(jìn)，這個(gè)時(shí)期學(xué)者主要利用線性判別分析技術(shù)。線性判別又分為單變量線性分析和多變量線性分析。只依靠單一變量，預(yù)測(cè)分析往往出現(xiàn)偏差。Beaver（1966）在《可以預(yù)測(cè)失敗的幾種會(huì)計(jì)手段》中以158家公司為分析樣本運(yùn)用單個(gè)財(cái)務(wù)比率將樣本劃分為失敗與非失敗兩個(gè)對(duì)比組進(jìn)行分析，得出越臨近破產(chǎn)日判別成功率越高，財(cái)務(wù)指標(biāo)中債務(wù)保障率和資產(chǎn)負(fù)債率判別效果最好[1]。

Altman（1968）首次將多元判別分析方法引入財(cái)務(wù)困境預(yù)警領(lǐng)域。研究選取了10年間經(jīng)法院宣告破產(chǎn)的33家公司作為失敗樣本，33家產(chǎn)業(yè)類別和規(guī)模相似未破產(chǎn)公司作為對(duì)比樣本，22個(gè)財(cái)務(wù)指標(biāo)為解釋變量。該模型確定了以運(yùn)營(yíng)資本/總資產(chǎn)、留存收益/總資產(chǎn)、息稅前利潤(rùn)/總資產(chǎn)、股票價(jià)值/債務(wù)面值、銷售收入/總資產(chǎn)這五個(gè)變量作為判別變量，總的概率值來判別公司財(cái)務(wù)惡化程度，公式為Z=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5。根據(jù)統(tǒng)計(jì)數(shù)據(jù)分析，Altman將Z=3作為經(jīng)驗(yàn)性臨界數(shù)據(jù)值，被預(yù)測(cè)企業(yè)的Z值與臨界值對(duì)比可知企業(yè)財(cái)務(wù)危機(jī)的嚴(yán)重程度。臨界值的具體說明如表1所示[2]。

周首華（1996）在Z-Score模型的基礎(chǔ)上，增加了現(xiàn)金流量指標(biāo)，進(jìn)行大量樣本采集，提出了F分?jǐn)?shù)模型。判別的5個(gè)變量分別為：營(yíng)運(yùn)資本/資產(chǎn)總計(jì)、留存收益/資產(chǎn)總計(jì)、息稅前利潤(rùn)/資產(chǎn)總計(jì)、總市值/負(fù)債合計(jì)、（稅后凈利潤(rùn)+利息+折舊）/平均總資產(chǎn)。其優(yōu)勢(shì)在于引進(jìn)現(xiàn)金流量指標(biāo)，缺陷在于沒有考慮到不同行業(yè)間指標(biāo)的差異[2]。

吳世農(nóng)，盧賢義（2001）選取70家ST公司作為財(cái)務(wù)危機(jī)公司和70家非ST公司作為配對(duì)研究樣本，選擇剖面分析、單變量判定分析、多元線性判定模型變量分析、Logistic回歸分析多種方法進(jìn)行實(shí)證研究，篩選出16個(gè)財(cái)務(wù)指標(biāo)在公司陷入財(cái)務(wù)困境前1～2年中具有判定和預(yù)測(cè)效果。相比之下，Logistic回歸分析誤判率最低，財(cái)務(wù)困境發(fā)生前一年誤判率僅為6.74%[2]。

楊淑娥（2005）采用BP人工神經(jīng)網(wǎng)絡(luò)工具對(duì)企業(yè)財(cái)務(wù)預(yù)警方法精度進(jìn)行比較研究。選取120家上市公司財(cái)務(wù)數(shù)據(jù)作為建模樣本，同期60家公司作為檢測(cè)樣本構(gòu)建預(yù)警模型。從償債能力、盈利能力、資產(chǎn)管理能力、主營(yíng)業(yè)務(wù)鮮明度等方面篩選10出個(gè)財(cái)務(wù)指標(biāo)作為建模的原始變量，判別正確率高達(dá)90%。其優(yōu)點(diǎn)在于數(shù)據(jù)呈非線性變化和不全的情況下仍可得到較滿意結(jié)果，適用范圍更廣[3]。

邸紅娜（2006）選取2002-2005年制造業(yè)上市公司為研究對(duì)象，運(yùn)用T檢驗(yàn)選出了12個(gè)判別能力較顯著的財(cái)務(wù)指標(biāo)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行完善，預(yù)警模型準(zhǔn)確率達(dá)92.5%，預(yù)測(cè)判別準(zhǔn)確率高[3]。

俄召娣，陳紅（2009）以我國滬深兩市高新技術(shù)企業(yè)財(cái)務(wù)數(shù)據(jù)作為樣本，從財(cái)務(wù)預(yù)警角度出發(fā)，在Z模型的基礎(chǔ)上，增添引入“因素模糊評(píng)價(jià)法”和專家評(píng)分法，構(gòu)建適用于高新企業(yè)財(cái)務(wù)預(yù)警判別的模型[4]。

毛天棋（2018）以計(jì)算機(jī)、通信企業(yè)為樣本，從經(jīng)營(yíng)、投資和籌資三個(gè)維度選取財(cái)務(wù)風(fēng)險(xiǎn)三維預(yù)警指標(biāo)，構(gòu)建、合成三維預(yù)警指數(shù)，構(gòu)建財(cái)務(wù)預(yù)警定位模型[5]。

鄧旭東，張瑜，徐文平（2019）從完整的現(xiàn)金流指標(biāo)體系出發(fā)，對(duì)財(cái)務(wù)危機(jī)樣本進(jìn)行重新定義，研究2002-2017年滬深兩市A股房地產(chǎn)行業(yè)上市公司，運(yùn)用Logistic回歸構(gòu)建財(cái)務(wù)預(yù)警模型。模型對(duì)危機(jī)企業(yè)預(yù)測(cè)準(zhǔn)確率達(dá)96.8%，總體預(yù)測(cè)正確率為87.1%[6]。

3? ? ? 不足與展望

從文獻(xiàn)綜述中可以窺見，財(cái)務(wù)預(yù)警模型理論更新速度較緩慢，傳統(tǒng)Z分析模型、F模型、Logistic回歸模型、神經(jīng)網(wǎng)絡(luò)模型距今已有一定時(shí)間，模型的系數(shù)、分析的樣本數(shù)據(jù)、選取的財(cái)務(wù)指標(biāo)等都需要更新和重新測(cè)定。此外，應(yīng)用最廣泛的Z模型是選取美國上市公司測(cè)定得出，與我國國情有很大出入，直接運(yùn)用模型不能得到正確結(jié)論，并且缺少針對(duì)具體行業(yè)應(yīng)用的預(yù)警模型。

面臨第四次工業(yè)革命等一系列變革之際，人工智能、大數(shù)據(jù)、區(qū)塊鏈等快速發(fā)展，在不斷變化局勢(shì)中，財(cái)務(wù)困境預(yù)警模型對(duì)企業(yè)的發(fā)展有重要預(yù)測(cè)作用，可以幫助企業(yè)提前規(guī)劃、提前預(yù)防。改進(jìn)財(cái)務(wù)預(yù)警模型應(yīng)首先從我國市場(chǎng)實(shí)際情況出發(fā)，不一樣的時(shí)代背景模型也應(yīng)及時(shí)更新，對(duì)于模型財(cái)務(wù)指標(biāo)的選擇進(jìn)行重新測(cè)定，對(duì)于模型中的樣本數(shù)據(jù)予以更新，重新思考模型構(gòu)建思路，并且應(yīng)專門設(shè)定針對(duì)具體領(lǐng)域的預(yù)警模型，例如針對(duì)制造企業(yè)的情況進(jìn)行模型的構(gòu)建，可以助力制造企業(yè)健康穩(wěn)定發(fā)展，實(shí)現(xiàn)“中國制造2025”目標(biāo)。

此外，以往財(cái)務(wù)預(yù)警模型功能較為單一且不夠連貫，應(yīng)收集必要的、連貫的財(cái)務(wù)信息，而非某一時(shí)段、某一業(yè)務(wù)領(lǐng)域的財(cái)務(wù)信息，運(yùn)用會(huì)計(jì)人工智能、信息化等增加會(huì)計(jì)信息準(zhǔn)確性，從而提高預(yù)警模型預(yù)判的準(zhǔn)確性。

第三，在模型構(gòu)建過程中，應(yīng)考慮非財(cái)務(wù)因素對(duì)于公司財(cái)務(wù)風(fēng)險(xiǎn)的影響。在以往的研究中，著重考慮的均是財(cái)務(wù)因素，但從實(shí)際中可以發(fā)現(xiàn)，公司爆發(fā)負(fù)面新聞可以直接導(dǎo)致公司破產(chǎn)倒閉，而從之前的財(cái)務(wù)指標(biāo)中并不易發(fā)現(xiàn)端倪，如2018年長(zhǎng)生生物疫苗安全問題事件。

最后，應(yīng)當(dāng)重視財(cái)務(wù)預(yù)警模型在企業(yè)中的應(yīng)用，部分上市公司的財(cái)務(wù)預(yù)警體系的審核流程、方式、預(yù)警方法相對(duì)繁雜，實(shí)際操作性不強(qiáng)，選擇非量化指標(biāo)時(shí)缺少合理性。企業(yè)應(yīng)當(dāng)選擇專業(yè)能力過關(guān)人員組成財(cái)務(wù)預(yù)警管理機(jī)構(gòu)，樹立風(fēng)險(xiǎn)意識(shí)，加強(qiáng)內(nèi)部控制與預(yù)警模型的結(jié)合應(yīng)用，規(guī)范企業(yè)財(cái)務(wù)管理流程和模式。

4? ? ? 結(jié)? ? 語

財(cái)務(wù)預(yù)警模型在財(cái)務(wù)管理領(lǐng)域研究較為成熟，但以往預(yù)警模型在今日仍需完善，例如財(cái)務(wù)指標(biāo)的選取，模型系數(shù)須更新，根據(jù)國情重選樣本數(shù)據(jù)，構(gòu)建模型思路，加入非財(cái)務(wù)指標(biāo)等。在接下來的財(cái)務(wù)預(yù)警模型研究中，應(yīng)著重研究上述問題，構(gòu)建出更合理、預(yù)測(cè)準(zhǔn)確率更高、針對(duì)我國具體行業(yè)企業(yè)的財(cái)務(wù)預(yù)警模型，讓其更好為企業(yè)服務(wù)，實(shí)現(xiàn)制造強(qiáng)國，實(shí)業(yè)強(qiáng)國的中國夢(mèng)。

主要參考文獻(xiàn)

[1]王艷玲， 王漢保. 上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究的文獻(xiàn)綜述[J]. 中國集體經(jīng)濟(jì)，2011（24）：72-73.

[2]陶思奇.我國企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別與防范研究——以*ST川化為例[D]. 南京：南京財(cái)經(jīng)大學(xué)，2017.

[3]劉澄， 趙可.企業(yè)財(cái)務(wù)困境預(yù)警：方法與應(yīng)用[M].北京：經(jīng)濟(jì)管理出版社， 2015.

[4]俄召娣， 陳紅. 高科技企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建[J]. 生產(chǎn)力研究， 2009（13）：175-176.

[5]毛天棋. 基于行業(yè)視閾的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)三維預(yù)警指數(shù)構(gòu)建[J].財(cái)會(huì)通訊，2018（23）：114-117.

[6]鄧旭東， 張瑜， 徐文平. 基于現(xiàn)金流量角度的財(cái)務(wù)預(yù)警模型研究——以房地產(chǎn)行業(yè)為例[J].會(huì)計(jì)之友.2018（23）：89-93.