财务预警模型——分析、比较、评价

基金项目：本文系作者主持的浙江省商业经济学会2005年度立项课题(SJH0507)阶段性研究成果

【摘要】财务预警模型的构建方法是多种多样的，本文对企业财务预警模型进行了比较深入的分析与比较，并在此基础上，给出了财务预警模型进一步研究的内容和方向。

财务预警是通过对企业财务报表及相关经营资料的分析，利用及时的财务数据和相应的数据化管理方式，将企业所面临的危险情况预先告知企业经营者和其他利益关系人，并分析企业发生财务危机的原因和企业财务运营体系隐藏的问题，以提早做好防范措旋的财务管理活动。相应地，财务预警模型就是借助企业一系列财务指标和非财务指标来识别企业财务状况的判别模型。

一、财务预警模型的分析与比较

(一)一元判定模型

一元判定模型是指利用单个财务比率来进行财务预警，以判断企业是否发生财务危机的一种预测模型。当模型中所涉及的几个财务比率趋向恶化时，通常是企业发生财务危机的先兆。1932年，Fitzpatrick最先进行了单变量破产预测研究。他以19家公司作为样本，运用单个财务比率将样本划分为破产和非破产两组，发现判别能力最高的是净利润／股东权益和股东权益／负债两个比率。1966年，Beaver以单变量分析法发展出财务危机预测模型。他使用5个财务比率分别作为变量对79家经营未失败公司和79家经营失败公司进行一元判定预测，发现现金流量／负债总额财务预测的效果最好，净利润／资产总额次之，其模型在失败前5年可达70％以上的预测能力，失败前一年可达87％的正确率。

一元判定模型方法简单，但总体判别精度不高。在财务失败前一年的预测中，该模型的预测精度明显低于多变量模型。其局限性主要体现在：1对于哪些是最重要的预测指标，分析者得出了不同的结论。2尽管对较长一段时期进行的单变量比率分析可能说明公司正处于困境或未来可能处境困难，但这不能具体证明公司可能破产以及何时会破产。3单变量比率分析得出的结论可能会受到企业外部经济环境(如通货膨胀或紧缩)的影响。4它只重视某个指标的分析能力，若企业管理人员知道了这个指标，就会尽可能地去粉饰这个指标，掩盖企业的财务危机。5．单变量分析法虽然简单．但却因不同财务比率的预测方向与能力经常有相当大的差距，有时会产生对于同一公司使用不同比率预测出不同结果的现象，因此招致许多批评，而逐渐被多变量方法所取代。

(二)多元线性函数模型

多元线性函数模型是对企业多个财务比率进行汇总，求出一个总判别分值来预测企业财务危机的模型。它从总体的、综合的角度来检查企业的财务状况，未雨绸缪，做好财务危机的规避或延缓财务危机的发生。多元线性函数模型中应用最广的是Z分数模型。z分数模型最早是由美国学者Altman于1968年开始研究的。他选定了5个指标，从企业的资产规模和折现力、获利能力、财务结构、偿债能力、资产利用效率等方面综合反映了企业财务状况。最终的预警模型如下：

Z=O．12X,+0．014X2+0．033X3

+O．006X4+0．999Xs：

上式中Z为判别函数值，×1是营运资本／总资产；×2是留存收益／总资产：×3是息税前收益／总资产：×4是权益市值／账面总负债：x5是销售收入／总资产。根据Altman的实证研究表明，z值如果低于1．81，表明企业破产可能性很高；Z值如果高于2．99，则意味着破产可能性极小：处于1．81和2．99之间的Z值为不明确指数，但这些公司的破产可能较Z值小于1．81的公司小。利用Z模型和它的判别标准，Altman判别出破产前一年原始样本中33家破产公司中的31家和33家非破产公司的32家，总体正确率为95．45％。

多元线性函数模型的判别精度较高，而且体现了综合分析的观念，使得以后的财务预警研究开始采用多元分析的方法。其局限性主要体现在：1该模型较为复杂，需要的基础资料较多，要花费大量的时间做数据的收集和分析工作。2该模型对财务失败前一、两年的预测精度较高，而在两年以上时间的预测中，该模型的预测精度大幅下降，原因可能是某些财务比率的恶化只是一种表象，而不是企业陷入财务危机的原因和本质。3．多元线性函数模型的使用是建立在统计和数学技术的基础上的(要使误判率最低)，因此其要求有一个很严格的假设条件，即假设预测变量是呈联合正态分布，而且两组样本要求等协方差，而一般的样本数据是无法满足这一要求的。所以我们的一些研究在不满足这一假设时，都是近似地使用该模型，这无疑会降低他的预测精度。

(三)对数比率(Iogit)回归模型

随着数理统计的发展和应用，又有一些研究者提出了Iogit回归模型，它是一种条件概率模型，该模型是建立在累计概率函数的基础上的，一般运用最大似然估计的方法。Iogit回归模型假设企业破产的概率为p，同时假设Ln［(P／(1－p)］可以用财务比率解释。它首先假定Ln［(P／(1－p)]=a+bx，然后推导出P=e(a+bx)／[1+e(a+bx)]，从而计算出企业破产的概率(其中：e是自然常数2．718282；用最大化对数似然函数可以求得参数a,b)。如果P>0．5，则企业破产的概率比较大；如果P

Iogit回归模型的优点主要是预测变量不需要服从多元正态分布和两个样本组的协方差矩阵相等的条件，从而使它的适用范围较为广泛。其局限性主要体现在：1由于模型中对参数的估计将运用到最大似然估计法，使得计算程序相对复杂。2．分界点的决定也会影响到模型的预测能力。3．计算过程中有很多近似处理，所以预测精度会有所降低。

(四)概率单位(probit)回归模型

Probit模型与Logit模型在目的及基本思想方面有很大的相似之处，都采用极大化似然函数求参数，它们之间最大的不同之处在于：1．Logit模型不需要严格的假设条件。Probit则需假设企业样本服从标准正态分布；2．Logit模型是用取对数的方式求解，而Probit模型是采用积分处理的方式求解。该模型的表达式为：其判别规则与Logit模型一样，即如果P>0．5，则企业破产的概率比较大；如果P<0．5，

则表示企业财务正常的概率比较大。最早使用Probit模型来建立财务危机预警模型的学者是Zmijewski，他对1972年至1978年间76家破产企业和3880正常企业进行了分析。台湾的陈明贤在1986年也运用了Probit模型对企业失败进行了预警，其利用逐步回归分析的方法从9个财务比率中选出了3个自变量建立了Probit模型，其模型的正确区别率在前一年至五年分别是93．33％、83．33％、83．33％、83 33％和80％。

该模型的优点是假设不算很严格，预测精度也比Logit模型更高；所存在的缺点与Logit模型基本相似，这里不再赘述。

(五)人工神经网络(ANN)模型

人工神经网络模型是一种平行分散处理模型，其构建理念是基于对人类大脑神经运作的模拟。神经网络模型的原理是：把用来衡量上市公司的财务状况的建模变量作为神经网络的输入向量，将代表分类结果的量作为神经网络的输出，用训练样本来训练这个网络，使训练样本中的财务困境公司和财务正常公司的输入向量得出区分两类不同公司的输出向量，一旦训练完毕，便可作为上市公司财务困境预测的有效工具。Coats和Fant在1993年利用ANN理论来建立财务预警模型，利用Altman研究中的5个财务比率建立模型，以1970年至1989年间94家失败公司与188家正常公司为样本。研究结果发现，从危机发生的前三年起，失败公司的财务比率逐年恶化，且与正常公司的财务比率有明显差距。对财务危机公司的预测准确率达到了91％，高于多元判别法的准确率。

ANN除具有较好的模式识别能力外，还可以克服统计等方法的限制，因它具有容错能力，对数据的分布要求不严格。不需要考虑是否符合正态分布的假设，具备处理资料遗漏或是错误的能力，而且可以处理非量化的变量，最可贵的一点是ANN具有学习能力，可随时依据新准备数据资料进行自我学习、训练，调整其内部的储存权重参数以对应多变的企业运作环境。而传统的统计方法却不具备此学习能力。其局限性主要体现在：1虽然ANN判别模型可谓是研究方法上的重大创新，但实际效果却很不稳定。2 ANN模型的理论基础比较抽象，对人体大脑神经模拟的科学性、准确性还有待进一步加强，所以其适用性不是很强。

二、财务预警模型的总体评价

综观上述各种财务预警模型，可以说各有其优缺点，不管是在理论上还是在实践上都有待改进和完善。下面，笔者将对财务预警模型作一总体评价。

(一)财务预警模型缺乏经济理论的指导。在目前的文献中，尚没有一个理论能完全解释财务指标和财务危机之间的关系。由于缺乏理论上的指导，所以各模型在财务指标的选择上显得比较随意。另一方面，各模型所选取的财务指标还可能仅仅是企业陷入财务危机的征兆，而不是根本原因。

(二)财务预警模型的功能有待进一步扩展。作为完整的财务预警系统，除了能判别某些指标是否超越了预警界限，还应该能说明这种危机产生的原因、发展的过程、目前的状态及未来变化的趋势，这样才能为管理层提供真正有用的预警信息。另外，财务预警模型还应该具备一定的判断功能，比如能对上市公司提供数据的真假做出辨别。由于存在公司治理不完善，对上市公司的监管不到位及会计制度存在漏洞等原因，许多公司管理层出于自身利益的种种考虑，对外提供虚假的财务报告和数据。如果预警模型不能对这些信息和数据做出辨别，就会导致建立在这些信息和数据基础上的预警模型参数不可靠，最终降低预测结果的准确性。

(三)财务预警模型没有考虑非量化因素。现有财务预警模型主要侧重于财务指标的利用，而很少考虑社会经济环境和企业自身的情况(如企业的战略、人力资源、信用)等非量化因素。这些非量化因素对企业的生存和发展会产生许多有利或不利的影响，有时可能是本质原因。

(四)财务预警模型的作用会受到财务指标和样本选取的限制。各种模型都有其财务指标选择的侧重点，从某种程度来讲．这种侧重因为忽视了其他方面的财务指标而存在着一定的片面性。比如现有的财务预警模型大多比较重视对上市公司提供的资产负债表和利润表中数据指标的运用，而容易忽视对现金流量表和上市公司提供的其他数据的运用。另一方面，不同的样本选取(包括时间和空间)也会对财务预警模型的适用性有很大的影响。比如不同的国家和地区、不同行业以及不同的研究区间的选取等。

(五)财务预警模型应用的条件不能完全得到满足。各种财务预警模型都有其假设条件，在实践中这些假设条件并不能得到完全的满足。我们的很多研究都是在近似条件下完成的，这无疑会降低模型的稳定性及预测精度。

三、财务预警模型研究的启示及展望

通过以上分析和评述。笔者对财务预警模型进一步研究的内容与方向作一展望。

(一)建立分行业、分企业甚至分部门的预警模型，拓宽数据的渠道和研究的范围。随着研究的深入，在实际工作中，各企业需要根据自身的实际情况，因地制宜地构建适合企业要求和特点的财务预警模型。所以，除了研究普遍适用的通用模型外，还要研究适合行业及企业自身特点甚至是企业内某个管理部门的模型。

(二)要在预测模型中更多地引入动态指标(如现金流量指标)和非量化指标(如审计结论、内控制度、宏观经济环境等)，构建更为全面的备选变量组。

(三)构建具备一定自我学习能力的预警模型。由于预警模型都是使用历史的财务数据来预测公司未来的财务状况，但公司的历史情况并不能完全反映出公司未来的发展趋势，所以应积极尝试构建动态学习的财务预警模型，以提高其适用性。

(四)建立定性分析与定量分析相结合的模型。目前的定性分析方法主要有专家调查法和“四阶段症状”分析法、“三个月资金周转表”分析法等。在实际应用中，定性分析法具有较大的灵活性，可以根据企业的具体情况进行相应的调整，这是定性分析法的优点，却也由此产生了这种方法的缺点，即容易受到执行人个人主观意见的影响，执行人个人的偏见往往会给企业带来巨大的损失。所以．较好的解决方案是同时使用定性分析法与定量分析法，取长补短，弥补各自的缺陷，这样，既考虑了企业自身的具体情况，又避免了仅用定量分析法一锤定音的武断。

推荐访问:预警 模型 评价 财务 分析