财务危机预警模型
[论文关键词]财务危机预警模型；单变量模型；多元判别分析模型；人工神经网络分析模型
[论文摘要]企业财务危机已成为企业利益相关者需要预测并应对的重要风险之一。企业应构建财务预警机制，及时沟通企业有关财务危机预警的信息，有效地防范和化解财务危机。本文对国内外财务危机预警模型逐一进行评析，旨在为构建符合我国实际并具有可操作性的财务危机预警模型提供借鉴。
随着我国市场经济体制改革的不断深化，经济领域中的复杂性、不确定性日益凸现，企业发生财务危机的情况越来越频繁，因此，财务危机已成为企业利益相关者需要预测并应对的重要风险之一。构建财务预警机制，及时沟通企业有关财务危机预警的信息，有效地防范和化解财务危机，是任何一个企业都必须亟待解决的问题。近年来，除了沿用传统的经验判别与定性分析方法外。企业利益相关者也开始关注并尝试使用财务危机预警模型来定量预测财务危机。财务危机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危机的判别模型。其关键点就是如何确定预警指标及预警指标的临界值。本文对国内外财务危机预警模型逐一进行评析，旨在为构建符合我国实际并具有可操作性的财务危机预警模型提供借鉴。
一、单变量预警模型
单变量预警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。Beaver(1966)在其“财务比率与失败预测”一文中，以财务危机预警为主题，以单一的财务比率指标为基本变量，运用配对样本法。随机挑选了1954年至1964年间79家危机中的企业。并针对这79家企业逐一挑选与其产业相同且资产规模相近的79家正常企业进行比较。得出的结论是，最能对企业危机做出预警的指标是“现金流量/总负债”比率，其次是“净收益/总资产”比率和“总负债/总资产”比率。其中，“现金流量”来自“现金流量表”的3种现金流量之和，除现金外还充分考虑了资产变现力，同时结合了企业销售和利润的实现及生产经营状况的综合分析，这个比率用总负债作为基数，考虑了长期负债与流动负债的转化关系，但是总负债只考虑了负债规模，而没有考虑负债的流动性，即企业的债务结构，因此对一些因短期偿债能力不足而出现危机的企业存在很大的误判性。“总资产”这一指标没有结合资产的构成要素。因为不同的资产项目在企业盈利过程中所发挥的作用是不同的，这不利于预测企业资产的获利能力是否具有良好的增长态势。
Beaver最先在企业危机预警研究中使用非参数统计的二分类检验方法来确定分割点。使其错误分类率降至最低，这一方法为以后的企业财务危机预警研究者广泛采用。此外，Beaver还首创配对抽样的技术以控制因产业类别和企业资产规模不同而引起的混淆。但单变量预警模型只是利用个别财务比率预测企业财务危机。因此其有效性受到一定的限制。一般来说。企业的生产经营状况受到许多因素的影响，各种因素之间既有联系又有区别，单个比率反映的内容往往有限，无法全面解释企业的财务状况。
二、多元判别分析模型
多元判别分析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。Altman(1968)在其“财务比率、判别分析和公司破产预测”一文中认为，企业是一个综合体，各个财务指标之间存在某种相互联系。各个财务指标对企业整体风险的影响和作用也是不一样的。他通过把传统的财务比率和多元判别分析方法结合在一起，发展了一种财务危机预警模型，即Z计分模型。该模型的具体形式如下：
Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5
式中，X1=营运资本/总资产，反映资产的流动性与规模特征；X2=留存收益/总资产，反映企业累计盈利状况；X3=息税前收益/总资产，反映企业资产的获利能力；X4=权益的市场价值/总债务的账面值，反映企业的偿债能力；X5=销售总额/总资产，反映企业的营运能力。
通过统计分析，Altman认为Z值应在1.81-2.99之间，等于2.675时居中。如果企业的Z值大于2.675，表明企业的财务状况良好；如果Z值小于1.81，则企业存在很大的破产风险；如果Z值处于1.81-2.675之间，称为“灰色地带”，处在这个区间，则企业财务状况是极不稳定的。
Z计分模型的变量是从资产流动性、获利能力、偿债能力和营运能力等指标中各选择一两个最具代表性的指标。模型中的系数则是根据统计结果得到的各指标相对重要性的量度。实证表明该模型对企业财务危机有很好的预警功能。但其预测效果也因时间的长短而不一样，预测期越短，预测能力越强，因此该模型较适合企业短期风险的判断。
Z计分模型在企业破产前超过3年的预测正确率大大降低，而且随着时间的推移，经济环境也将出现重大变化，特别是进入20世纪70年代以后，企业财务危机的平均规模急剧增大，原有的Z计分模型已无法解释当时的企业财务危机现象。于是，Altman等人于1977年又提出了一种能更准确地预测企业财务危机的新模型——ZETA模型。在该模型中，Altman等人利用27个初始财务比率进行区别分析，最后选取了7个解释变量，即资产报酬率(息税前利润/总资产)、盈余稳定性(息税前利润，总资产的10年标准误差)、利息保障倍数(息税前利润/利息支出总额)、累计盈余(留存收益/总资产)、流动性(流动比率)、资本比率(5年普通股平均市值/总资本)和资本规模(普通股权益/总资产)。该模型存在的不足是选择比率没有理论可依，选择同一行业中相匹配的危机公司和正常公司也是困难的，而且观察的总是历史事件。但由于该模型简单明了。以后对企业财务危机预警模型的研究都是沿着这一思路进行的。
20世纪70年代，日本开发银行调查部选择了东京证券交易所310家上市公司作为研究对象，使用与Altman相同的研究方法，建立了“利用经营指标进行企业风险评价的破产模型”，进行财务危机预测。其判别函数为：
Z=2.1X1+1.6X2-1.7X3-X4+2.6X5+2.5X6
式中，X1表示销售额增长率；X2表示总资本利润率；X3表示他人资本分配率；X4表示资产负债率；X5表示流动比率；X6表示粗附加值生产率(为折旧费、人工成本、利息及利税之和与销售额之比)。模型中和的系数是负数，表明他人资本分配率和资产负债率越小，风险也越小。该模型Z值的判断标准是：如果Z值大于10，则企业财务状况良好：如果Z值小于0，则企业存在严重的财务危机，破产的概率极大；如果Z值在0与10之间。则表明企业处于“灰色区域”，存在财务隐患。
陈肇荣应用中国台湾地区的企业财务资料建立了多元判别函数，但未给出临界值及警度区间。该模型如下：
Z=0.35X1+0.67X2-0.57X3+0.39X4+0.55X5
式中，X1=速动资产/流动负债；X2=营运资金/资产总额；X3=固定资产/资本净值；X4=应收账款/销售净额；X5=现金流入量/现金流出量。
由于Z计分模型在建立时并没有充分考虑到现金流量的变动等方面的情况，因而具有一定的局限性。为此，中国学者周首华等对Z计分模型加以改造，并建立其财务危机预测的新模型——F分数模式。F分数模式的主要特点是：(1)F分数模型中加入现金流量这一预测自变量。许多专家证实现金流量比率是预测公司破产的有效变量，因而弥补了Z计分模型的不足。(2)考虑了现代化公司财务状况的发展及其有关标准的更新。公司所应有财务比率标准已发生了许多变化，特别是现金管理技术的应用，已使公司所应维持的必要的流动比率大为降低。(3)使用的样本更加扩大。其使用了CompustatPCPlus会计数据库中1990年以来的4160家公司的数据进行了检查；而Z计分模型的样本仅为66家(33家破产公司和33家非破产公司)。
F分数模式如下：
Z=0.1774+1.1091X1+1.1074X2+1.9271X3+0.0302X4+0.4961X5+0，4961X5
式中，X1、X2及X4与Z计分模型中的X1，X2及X4相同，这里不再进行分析；X3=(税后纯收益+折旧)/平均总负债；X3=(税后纯收益+利息+折旧)/平均总资产。F分数模式与Z计分数模型中各比率的区别就在于其X3，X5的比率不同。X3是一个现金流量变量，它是衡量企业所产生的全部现金流量可用于偿还企业债务能力的重要指标。一般来讲，企业提取的折旧费用，也是企业创造的现金流入，必要时可将这部分资金用来偿还债务。X5测定的是企业总资产在创造现金流量方面的能力。相对于Z计分模型，它可以更准确地预测出企业是否存在财务危机。F分数模式的F分数临界点为0.0274；若某一特定的F分数低于0.0274，则将被预测为破产公司；反之，若F分数高于0.0274，则公司将被预测为继续生存公司。
多元判别分析模型是根据特定样本建立起来的判别模型，因而根据一个地区(或时期)样本企业建立的判别分析模型可能无法有效地对另一个地区(或时期)的企业进行预测。此外，多元判别分析模型的有用性差，导致理论研究热而实际应用冷的尴尬局面。
三、线性概率模型
线性概率模型是多元判别分析模型的一种替代选择。该模型为：
P=c0+c1x1+c2x2+…+cnxn
该模型可以解释为，在给定财务比率xn的情况下，P为该企业发生财务危机的概率的估计值。该模型计算虽然简单，但存在明显的缺陷：(1)该模型表示企业发生财务危机的可能性，则P值只能在(0，1)区间之中，然而线性回归方程无法做到这一点，采用该模型进行预测时，P值可能在(0，1)区间之外；(2)线性概率的假设往往与实际情况不吻合。现实生活中的经济变量是不确定的，而在该模型中，自变量c却是一个常数。基于以上原因，该模型在企业财务危机预测的实际研究中鲜有采用。
四、Logistic模型
尽管多元判别分析模型有较好的预测性，但存在假设上的局限性，即要求各自变量(财务比率)服从多元正态分布的假设和两组变量(发生财务危机与未发生财务危机企业)具有同样方差一协方差矩阵的假设，显然，这些假设与现实相去甚远。此外。样本的抽取往往也会影响评价模型的预测准确性。因此。为服务于对定性因变量的多元非线性分析，Ohlson率先在财务危机预警研究中应用了二元概率函数来计算危机事件发生的概率，由此产生了Logistic模型。在企业财务危机判定与预测中，Logistic模型如下：
Yi=β0+β1xli+…+βkxki
Pi=1/(1+e-yx)
式中，Yi代表第i家企业是否发生财务危机，i=0或1，0代表正常企业，1代表财务危机企业，xki代表第i家企业的第k个财务比率，Pi代表根据Logistic模型所估计出来的第i家企业可能发生财务危机的概率。
该模型是一个用来测度企业是否会发生财务危机的二元选择模型。对这个模型的参数估计只能采用最大似然估计法。Logistic模型的一个重要优点是它把在(0，1)区间预测一个企业是否发生财务危机的概率的问题转化为在实数轴上预测一个企业是否发生财务危机的机会比的问题，这与线性概率有着本质上的不同和进步。
五、人工神经网络分析模型
运用线性概率分析、逻辑回归方法来建立财务危机判别函数都是直接或者间接地依赖于线性函数来建立模型。存在的只是理论上的优越性。往往并不能很好地拟合复杂的实际数据。1987年，Lapedes和Fayber首次应用人工神经网络分析模型进行预测，开创了人工神经网络预警的先河。该模型是一种平行分散处理模型，其构建理念基于对人类大脑神经运作的模拟。它除具有较好的模式识别能力外，还可以克服传统统计方法的局限，具有容错能力。更难能可贵的是，该模型具有随不断变化的复杂环境进行自我学习的能力，因而使企业财务危机动态预警成为可能。
该模型摆脱了多元判别分析模型和Logistic模型的局限，突破了依赖线性函数来建立统计模型的限制，用非线性函数更好地拟合实际资料数据，实现了方法上的创新。此外，人工神经网络分析模型的预测准确度也远高于其他方法。但其局限性在于理论基础比较抽象，对人类大脑神经模拟的科学性、准确性还有待进一步加强，因此其实际运用效果不够理想。
本文对上述财务危机预警模型进行评析，旨在为构建符合我国实际并具有可操作性的财务危机预警模型提供借鉴：第一，建立分行业、分企业甚至分部门的预警模型。拓宽数据的收集渠道和研究的范围；第二，更多地运用动态指标和非量化指标，构建更为全面的备选变量组；第三，扩展财务预警模型的功能，使财务预警模型不仅具备判别预警临界点，还能对财务信息的真伪做出辨别。
