財務危機預警理論研究述評

[摘 要] 財務危機預警屬于微觀經濟預警的范疇，具有重要的研究價值。本文對國外財務危機預警模型的研究進行了綜述，對國外財務危機預警模型進行分析比較，并對財務危機預警模型研究的發展趨勢進行了展望。

[關鍵詞] 財務危機 預警模型

隨著資本市場的不斷完善，財務危機預警的研究一直是實務界和學術界關注的熱點問題。財務危機預警是以財務會計信息為基礎，通過設置并觀察一些敏感性預警指標的變化，對公司可能或者將要面臨的財務危機實施的實時監控和預測警報。

一、前言

財務預警中的數學模型就是財務預警模型，它是指借助公司財務指標和非財務指標體系，識別公司財務狀況的判別模型。

按照研究方法可分為定性研究和定量研究。定性分析包括：標準化調查法；“四階段癥狀”分析法；“三個月資金周轉表”分析法；流程圖分析法；管理評分法(王玲玲等，2005)。定量分析已取得了比較成熟的研究成果，可以劃分為兩個階段：20世紀60年代～80年代，形成了一些以統計方法為分析工具的傳統的財務危機預警模型，主要包括：單變量判定模型(Univariate)；多元線性判定模型(Multiple discriminate analysis，MDA)－Altman的Z值判定模型（Z-score 模型、Zeta模型、Z*值模型）、Edmisterd(1972)的小公司財務預警模型、英國的Taffler(1977)的多變量模式、日本開發銀行建立的“利用經營指標進行公司風險評價的破產模型”；概率模型(Logistic regression model)－多元邏輯(Logit)回歸模型、多元概率比(Probit)回歸模型，這些模型的發展已趨于成熟，但存在著難以克服的缺陷。

20世紀90年代后，學者們開始探索使用新的方法，主要是非統計方法來創建的新興的財務危機預警模型，它們從不同方面克服了傳統模型的缺陷。但新興的財務困境預警模型的探討與應用研究較為分散，還沒有形成完善的綜合研究格局。本文綜合述評了新興的財務危機預警模型，并對未來的研究方向進行展望。

二、新興的財務危機預模型

由于傳統的財務危機預警模型所采用的統計方法一般都受制于母體分布的假設前提，存在著難以克服的缺陷，因此，20世紀90年代后，主要是基于非統計方法的新興的財務危機預警模型。

1.建模技術的發展

(1)粗糙集分析(Rough set analysis，RST)。Slowinski和Zopoudinis(1995)率先將粗糙集分析方法用于企業失敗風險的評估。粗糙集方法包含了知識發現及分類決策法則的推導。它善于用不完善的信息進行分類，被證明是用一組多價值屬性的財務比率描述失敗與非失敗公司的有效工具。(2)神經網絡模型(Artificial neural network，ANN)。Odour和Sharda(1990)是最早把BP神經網絡技術應用于財務危機預測研究中，結果顯示神經網絡要優于當時的判別分析模型。(3)混沌模型(Chaos theory model)。Lindsay和Campbell(1996)將公司視為具有混沌行為的系統，建立了公司失敗預測模型。它是對企業財務健康狀況的非線性動態分析，能測度出企業在不同時期混沌量的差異。(4)自組織映射模型(Self organizing map model)。Kiviluoto Bergius(1998)在運用SOM技術時考慮了動態性，他們建立了雙層自組織映射模型，可分析連續幾年的財務信息，對破產與非破產公司進行可視化的區分，并勾畫出隨時間演變的失敗路徑。(5)多維標度模型(Multi dimensional scaling model，MDS)。Bishop、Mar-Molinero和Turner(2003)利用MDS在行業背景下對一家公司財務狀況的演變過程進行了案例研究，它是一種圖像化的聚類方法，它的獨特之處是把公司當作變量，而將屬性(如財務比率)作為案例。(6)累積和模型(Cumulative sum model，CUSUM)。Kahya和Theodossiou運用累積和模型對公司失敗進行預測，認為模型還應包含財務狀況惡化的動態過程信息，于2000年提出了預測公司失敗的CUSUM模型，該方法能探測財務狀況由好轉壞的拐點，對財務狀況惡化敏感并具有記憶力，區分財務指標變化是由序列相關引起的還是由于財務情況惡化造成的。除了以上介紹的財務危機預警模型之外，還包括基于模糊法則的分類模型、動態事件歷史分析、機器學習決策樹法、線性目標規劃法、專家系統等。

2.建模變量的發展

(1)加入期權變量。Charitou和Trigeorgis(2000)使用B-S期權定價模型中的相關變量構建了財務危機判別模型，對1983年到1994年期間的139對美國公司進行了對比檢驗，結果發現到期債務面值、公司資產的當期市價、公司價值變化的標準差等期權變量在預測破產方面作用顯著。(2)利用市場收益率。Aharony等提出了基于市場收益率方差的破產預測模型。發現在正式的破產公告日之前的4年內，破產公司股票的市場收益率方差與一般公司存在差異。Altman和Brenner發現，破產公司的股票在破產前至少１年內在資本市場上表現欠佳。Clark等發現破產公司股票在破產前至少3年內存在負的市場收益率。（3)加入公司股權結構、治理結構變量。有學者研究發現，公司的股權結構、治理模式等會對業績產生重要影響。Simpson等研究了銀行企業董事會結構、所有權和財務困境。Gilson研究了處于財務困境中的企業中高級管理人員的更替問題。除了以上介紹的財務危機預警模型之外，還包括運用現金流量指標、加入參考審計意見、加入違約距離、基于平衡計分卡等的模型。

三、財務危機預模型的評析

1.財務危機預警模型缺乏經濟理論的指導

目前財務危機研究集中于預警模型的構建之上，并未深入到對引起公司財務危機的內部機理的探析。被引入模型的變量（財務指標）只是公司陷入財務危機的征兆，而不是公司陷入財務危機的原因和本質。用財務變量建立預測模型對公司財務危機進行預測只是一種基于樣本的相關性分析，而不是因果關系。大多數財務預警模型只能給財務分析人員提供一些表面上的信息，而不能從根本上防止公司陷入財務危機。

2.預警變量選擇缺乏理論支持

目前還沒有形成有說服力的優選預警變量的理論框架，影響了模型預測的可靠性。預警變量（財務指標）的選取不能在理論指導下有系統性的進行，而只能靠研究者經驗判斷、對前人研究成果借鑒和統計篩選。研究者的經驗判斷會因主觀因素影響模型預警效果。事實上，諸多模型中變量的選擇都存在顯著差異，即使是同一類型的財務指標，不同的研究者選取的指標差異也很大。

3.預警模型考慮定性變量和非財務指標有限

財務危機預警型主要以財務會計報表數據為基礎，以各種財務指標為變量來建立預警模型，對定性變量和非財務指標使用有限。不可否認財務報表數據是公司經營狀況的一個綜合反映，但財務報表數據披露不足，時效性較差，缺乏對風險信息和不確定信息的披露。非財務指標和非定量因素在披露公司財務狀況方面要比財務指標更為可靠、有效，公司的生存和發展會產生許多有利或不利的影響，有時可能是本質原因，比如，公司出現過度依賴銀行貸款、公司人力資源匱乏、公司市場定位不清等狀況，都預示著公司存在潛在的危機，而這些是財務比率所不能反映的。

4.非平穩問題的處理重視不足

很多方法在運用中對數據的非平穩性問題重視不足。由于商業周期的階段性、市場環境的變化及技術變革等原因，檢驗時段與預測時段的自變量平均結構可能發生變化，變量間的關系也隨之改變。很多研究沒有對這一問題加以重視，可能導致模型的預測力與魯棒性受到影響。因此有必要對數據進行一些處理，如使用行業相對比率、扣除數據中的通脹因素等，使變量的平均結構及變量間關系從檢驗期向預測期跨越時保持相對平穩。

四、財務危機預模型研究的展望

1.深入研究基于經濟、財務及管理的理論

要深入研究基于經濟、財務及管理理論，系統揭示公司陷入財務危機的內部機理和規律，建立宏觀層次要素和公司財務危機微觀層次間的聯系，以提高模型的可信度和解釋能力。

2.預測變量的選擇多樣化

財務危機預警模型不能單純依靠財務指標，至少要在預警系統中涉及到非財務指標和定性變量，這樣才能更為完整地反映公司全貌。如：考慮宏觀經濟波動指標、產業指標、管理指標、市場收益類和市場收益方差類指標、行業差異的指標等；考慮定量方法和定性方法的有機結合。因此，未來的發展趨勢應當是以財務指標為主，兼顧其他幾類指標和定性變量，構建更為全面的備選指標組，然后進一步通過現代分析方法對備選指標進行相關性分析，保留主要指標進行建模，以起到信息互補、提高預測精確度、提高模型的判別能力、拓展模型的適用性的作用。

3.預測方法轉向實時動態預測

隨著網絡技術和計算機技術的高速發展，特別是以Internet為主的現代信息技術的發展，為危機預警帶來了新的機遇和新的挑戰。如何利用現代信息技術的強大功能將危機預警系統與公司其他信息系統相融合，建立網絡環境下的危機預警系統，動態、實時地從內部信息網絡和Internet上獲取最新數據，不斷修正完善預警模型，使得預警模型成為一個動態學習的模型，將是今后研究的熱點。

五、結束語

通過對財務困境預警模型進行回顧和評析，使我們的研究視野有了極大的拓展，便于我們在借鑒前人思路和方法的基礎上進行更深入的研究，也便于我們選用最為恰當的財務困境預警模型去研究我國的財務困境預警問題。

參考文獻：

[1]王玲玲 曾繁榮:財務預警模型評述[J].市場論壇，2005(12)

[2]Slowinski R， Zopudinis C. Application of the rough set approach to evaluation of bankruptcy risk[J].Intelligent Systems in Accounting， Finance and Management，1995，4:27～41

[3]Odour M D， Sharda R.A neural network model for bankruptcy prediction[J].Conference on Neural Networks，1990(6):136～138

[4]Lindsay D H， Campbell A. A chaos approach to bankruptcy prediction[J].Journal of Applied Business Research，1996，12(4):1～9

[5]Kiviluoto K， Bergius P. Exploring corporate bank-ruptcy with two-level self-organising map[A].Paper published in the Proceedings of the Fifth International Conference on Computational Finance[C].London Business School， Boston， Massachusetts，USA:Kluwer Academic Publishers，1998:373～380