财务预警模型综述，本文主要内容关键词为：模型论文,财务论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
财务预警是以财务会计信息为基础，通过设置并观察一些敏感性预警指标的变化，对企业可能或者将要面临的财务危机实施的实时监控和预测警报。财务预警中的数学模型就是财务预警模型，它是指借助企业财务指标和非财务指标体系，识别企业财务状况的判别模型。
财务预警模型的种类很多，常见的有以下六类：一元判定模型(Univariate)、多元判定模型(Multiple Discriminant Anaiysis,MDA)、多元逻辑(Logit)回归模型、多元概率比(Probit)回归模型、人工网络(ANN)模型和联合预测模型。
一、一元判定模型
一元判定模型是指以某一项财务指标作为判别标准来判断企业是否处于破产状态的预测模型。在一元判定模型中，最为关键的一点就是寻找判别阀值。通常需要将样本分为两组：一组是构建预测模型的“预测样本”，也称估计样本(estimation sample)；另一组是测试预测模型的“测试样本”，又称”有效样本”(validation sample)。首先，将预测样本（包括破产企业和非破产企业）按照某一选定的财务比率进行排序，选择判别阀值点，使得两组的误判率达到最小。然后，将选定的阀值作为判别规则，对测试样本进行测试。
最早的财务预警研究是Fitzpatrick(1932)开展的单变量破产预测研究。他以19家企业为样本，运用单个财务比率，将样本划分为破产与非破产两组。Fitzpatrick发现，判别能力最高的是净利润／股东权益和股东权益／负债。Beaver(1966)考察了29个财务比率在企业陷入财务困境前1～5年的预测能力，发现营运资金流／总负债在破产前一年的预测正确率可以达到87%。
一元判定模型的缺点是：其一，只重视一个指针的分离能力，如果经理人员知道这个指针，就有可能去粉饰这个指针，以使企业表现出良好的财务状况；其二，如果使用多个指针分别进行判断，这几个指针的分类结果之间可能会产生矛盾，以致无法作出正确判断。也就是说，虽然财务比率是综合性较高的判别指针，但是仅用一个财务指针不可能充分反映企业的财务特征。
一元判定模型虽然方法简单，使用方便，但总体判别精度不高。对前一年的预测，一元判定模型的预测精度明显低于多元模型。不过，一元判定模型在前两年、前三年的预测中也能表现出很强的预测能力，说明一些上市企业的财务困境是从某些财务指标的恶化开始的。
二、多元线性判定模型
多元线性判定模型，又称Z Score模型，最早是由Altman(1968)开始研究的。他得到的最终预测方程包含五个判别变量，在破产前一年的总体判别准确度高达95%。多元线性判别方法现已成为财务困境预测最常用的方法。多元判别方法的基本原理是，通过统计技术筛选出那些在两组间差别尽可能大而在两组内部的离散度最小的变量，从而将多个标志变量在最小信息损失下转换为分类变量，获得能有效提高预测精度的多元线性判别方程。运用多元线性判别方法判定二元问题时，可以通过降维技术，仅以最终计算的Z值来判定其归属，其构造的线性方程简单易懂，具有很强的实际应用能力。
判别方程的形式为：Z=V1X1+V2X2+…VnXn。根据判别方程可以把单个企业的各种财务比率转换成单一的判别标准，或称为Z值，根据Z值将企业分为“破产”或“非破产”两类。其中，V1、V2…Vn是权数，X1、X2……Xn是各种财务比率。在实际运用时，需要将企业样本分为预测样本和测试样本，先根据预测样本构建多元线性判定模型，确定判别Z值（Z值的大小可以作为判定企业财务状况的综合标准），然后将测试样本的数据代入判别方程，得出企业的Z值，并根据判别标准进行判定。此方法还可以用于债券评级、银行对贷款申请的评估、子公司业绩考核及投资决策等。
多元线性判定模型具有较高的判别精度，但也存在一些缺陷。其一，工作量比较大，研究者需要做大量的数据收集和数据分析工作。其二，在前一年的预测中，多元线性判定模型的预测精度比较高，但在前两年、前三年的预测中，其预测精度都大幅下降，甚至低于一元判别模型。其原因是，很多财务变量只是企业陷入财务困境的征兆，或者说是一种表象，而不是企业陷入财务困境的原因和本质。过多的财务指标，将“因”和“果”混淆在一起，反而增加了模型的判别难度。其三，多元线性判定模型有一个很严格的假设，即假定自变量是呈正态分布的，两组样本要求等协方差，而现实中的样本数据往往并不能满足这一要求，这就大大限制了多元线性判定模型的使用范围。当然，也有一些研究在并不满足这一前提的条件下，近似地使用多元线性判定模型，这无疑会降低模型的预测精度。其四，使用MDA技术，要求在财务困境组与控制组之间进行配对，但配对标准如何恰当确定是一个难题。
三、多元逻辑(Logit)模型
多元逻辑模型的目标是寻求观察对象的条件概率，从而据此判断观察对象的财务状况和经营风险。这一模型建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的条件。Logit模型假设了企业破产的概率P（破产取1，非破产取0），并假设Ln[p/(1-P)]可以用财务比率线性解释。假定Ln[p/(1-p)]=a+bx，根据推导可以得出p=exp(a+bx)/[1+exp(a+bx)]，从而计算出企业破产的概率。判别方法和其他模型一样，先是根据多元线性判定模型确定企业破产的Z值，然后推导出企业破产的条件概率。其判别规则是：如果p值大于0.5，表明企业破产的概率比较大，可以判定企业为即将破产类型：如果p值低于0.5，表明企业财务正常的概率比较大，可以判定企业为财务正常。
Logit模型的最大优点是，不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，具有了更广泛的适用范围。目前，这种模型的使用较为普遍，但其计算过程比较复杂，而且在计算过程中有很多的近似处理，这不可避免地会影响到预测精度。
四、多元概率比(Probit)回归模型
Probit回归模型同样假定企业破产的概率为p，并假设企业样本服从标准正态分布，其概率函数的p分位数可以用财务指标线性解释。其计算方法和Logit很类似，先是确定企业样本的极大似然函数，通过求似然函数的极大值得到参数a、b，然后利用公式
，求出企业破产的概率。和前面的判别规则一样，如果概率p小于0.5，就判别为财务正常型；如果p大于0.5，则为即将破产型。
Probit模型和logit模型的思路很相似，但在具体的计算方法和假设前提上又有一定的差异，主要体现在三个方面：一是假设前提不同，Logit不需要严格的假设条件，而Probit则假设企业样本服从标准正态分布，其概率函数的p分位数可以用财务指标线性解释；二是参数a、b的求解方法不同，Logit采用线性回归方法求解，而Probit采用极大似然函数求极值的方法求解；三是求破产概率的方法不同，Logit采用取对数方法，而Probit采用积分的方法。
五、人工神经网络(ANN)模型
人工神经网络模型，是将神经网络的分类方法(Classification)应用于财务预警。传统的分类方法大部分属于母参数统计方法，其中以判别分析（Discrimination Analysis，简称DA）和Logic回归等应用最为广泛。母参数统计方法是以选定的独立变量结合历史数据资料建立一个预测模型，并用作未来分类判别之用。传统的统计区分方法由于受制于若干母体分配的假设前提，已不适用于今日复杂多变的企业运作环境，且传统的分类方法对错误资料的输入不具有容错性，无法自我学习与调整，也无法处理资料遗漏的问题。人工神经网络(Artificial NeuraI Network,ANN)作为一种平行分散处理模式，是对人类大脑神经运作的模拟。ANN除具有较好的模式识别能力(Pattern Recognition)外，还可以克服统计方法的局限，因为它具有容错能力和处理资料遗漏或错误的能力。最为可贵的是，ANN还具有学习能力，可随时依据新的数据资料进行自我学习，并调整其内部的储存权重参数，以应对多变的企业环境。由于ANN具备上述良好的性质与能力，因而可以作为解决分类问题的一个重要工具。
ANN模型通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后向学习两步进行。网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程，学习的目的是使网络的实际输出逼近某个给定的期望输出。根据最后的期望输出，得出企业的期望值，然后根据学习得出的判别规则来对样本进行分类。人工神经网络具有较好的纠错能力，从而能够更好地进行预测。然而，由于理论基础比较薄弱，ANN对人体大脑神经模拟的科学性、准确性还有待进一步提高，因此其适用性也大打折扣。
六、联合预测模型
联合预测模型是运用企业模型(Corporate Model)来模拟企业的运作过程，动态地描述财务正常企业和财务困境企业的特征，然后根据不同特征和判别规则，对企业样本进行分类。这一模型运作的关键是准确模拟企业的运作过程，因此它要求有一个基本的理论框架，通过这一框架来有效模拟企业的运作过程，从而能够有效反映和识别不同企业的行为特征、财务特征，并据此区分企业样本。
联合模型的最大优点是，克服了财务预测模型只运用财务指标的片面性，能够动态模拟和反映企业经营过程中的方方面面。只用财务指标有很大的局限性，它只能计量企业运营的财务结果，遗漏了很多事关重大但未能在财务中得到体现的非财务信息，如人力资源状况、企业发展战略、企业地理位置等等。表1将详细、直观地比较、分析各种模型的前提条件、适用范围和优缺点。
七、财务预警模型评价
各种财务预警模型有一个共同点，即在模型中都运用了会计数据和财务比率。其原因是，债务契约、贷款协议、信用评级等都采用这些数据和比率来评价企业的偿债能力，并限制管理人员的行动。如果企业违反协议，会使企业承受极高的违约成本，甚至会导致企业破产。不过，需要指出的是，违反契约和企业破产并没有必然的联系，破产也不是会计数据和财务比率恶化的必然结果。
表1 不同财务预警模型的比较分析
客观地讲，上述这些模型都存在着一定的局限性。
首先，这些模型缺乏理论上的依据，因为迄今为止，尚无一个重要的理论能够说明财务比率在破产前的预测能力。这些模型都是通过实证研究得到的，由于缺乏理论指导，研究人员在选择变量时，会受到自身价值判断的影响。事实上，上述诸多模型中指标的选取都存在显著的差异，因而无法判断哪一个模型在长期中更为有效。即使是同一类型的财务指标，不同的研究者选取的指标差异也很大。比如，对于反映盈利能力的指标，有些模型选用资产报酬率和流动资产收益率，而有些模型选用销售利润率和税前利润／销售总额。目前选取的这些预测变量，仅能表明企业陷入财务困境的征兆，而非其陷入财务困境的根本原因。从这个角度来看，大多数财务预警模型只能给财务分析人员提供一些表面上的信息，而不能从根本上防止企业陷入财务困境。
其次，财务预警模型会受到样本选取范围和样本时间区间的限制。研究发现，从不同的样本选取范围和不同的时间区间所得出的预警模型存在很大的差异。在样本的选取范围上，会受到不同国家、地区以及不同行业的限制。在样本的选取时间上，也会受到数据的完整性和研究区间的影响。所以，对不同国家而言，由于其经济环境的差异，财务预警模型可能不同。同样地，对于不同的时间区间，得出的模型也会存在显著差异。其原因在于：不同行业要求的财务比率经验值可能不同，甚至有很大的差异。以流动比率为例，工业企业的流动比率为2:1比较合理，而商业企业的流动比率合理值则应低于该值。这样一来，模型的适用范围就会因不同的经济环境、不同行业以及不同的时间区间而产生局限性。
再次，这些模型的变量只涉及到会计数据和财务比率，没有考虑到非量化因素。事实上，非量化因素在披露企业财务状况方面要比财务指标更为可靠、有效。比如，企业出现过度扩张、过度依赖银行贷款、企业人力资源匮乏、企业市场定位不清等状况，都预示着企业存在潜在的危机，而这些是财务比率所不能反映的。因此，企业财务预警模型不能单纯依靠财务数据，至少要在预警系统中涉及到非财务数据。换句话说，既要涉及到定量信息，也要涉及到定性信息，这样才能更为完整地反映企业全貌。由于定性信息不能在预警模型中体现，所以我们可以采用评分的方法，将评分的结果作为企业预警系统的一个组成部分。
第四，由于不同的模型需要不同的前提条件，如自变量要服从正态分布，样本要求等协方差等，而事实上很多时候这些条件并不能得到满足，很多研究者是直接假定样本和自变量符合条件，从这一角度来讲，所建模型大多是在近似条件下成立的，这必然影响到模型的正确性和预测精度。Logit和Probit模型虽然对假设前提要求不太严格，但由于其计算与分析较为复杂，也难以得到广泛的应用。
综上所述，通过对财务预警模型进行回顾和评述，使我们的研究视野有了极大的拓展，便于我们在借鉴前人思路和方法的基础上进行更深入的研究，也便于我们选用最为恰当的数学模型去研究我国的财务预警问题。
标签：财务预警论文; 预测模型论文; 判别分析论文; 线性模型论文; 概率计算论文; 能力模型论文; 财务预测论文; 线性回归模型论文;