財務危機預警模型實證研究述評

[摘 要]股票投資者、債權人和政府監(jiān)管機構對財務危機預警的巨大需求使得財務危機預警模型實證研究不斷向前發(fā)展。按時間順序，本文仔細回顧了國內外具有重要影響的文獻，并進行了簡略評析，指出今后財務危機預警模型實證研究發(fā)展的方向。

[關鍵詞]財務危機;預警模型;述評

doi:10.3969/j.issn.1673-0194.2009.14.021

[中圖分類號]F234.4[文獻標識碼]A[文章編號]1673-0194(2009)14-0058-04

一、引 言

在資本市場不斷發(fā)展和完善的同時，企業(yè)發(fā)生財務危機的概率也在不斷提高。有效地發(fā)現財務危機并對其進行規(guī)避，是投資者、債權人等利益相關者都極為關注的問題，也是國內外學者研究的熱點。

財務危機預警模型研究包括規(guī)范研究和實證研究，前者致力于通過演繹推理解釋為什么一部分企業(yè)會出現財務危機;而后者則注重通過分析定性或定量因素，利用各種統計和人工智能手段來預測公司的財務危機。由于能夠提供良好的預警能力并幫助決策，實證研究已成為財務危機預警模型研究的主體。

國內外學者為便于實證研究，各自在符合國情的前提下界定了財務危機的含義。國外學者大都采用破產標準，而且研究已比較成熟，建立的財務危機預警模型有的已經廣泛運用到實踐中。國內在此領域的研究起步較晚，但學者們大膽借鑒國外已有的豐富經驗，結合我國的實際情況，將滬、深兩市部分因“財務狀況異常”而被特別處理的上市公司作為陷入財務危機的公司，靈活運用各種研究方法，也取得了一些研究成果。

二、國外文獻綜述及評析

國外關于財務危機預警模型的研究文獻眾多，本文僅按引入新的研究方法的時間回顧具有重要影響的文獻。

(一) 判別分析法

研究中使用的判別分析法又可細分為一元判別分析法(Univariate Discriminant Analysis Method)和多元判別分析法(Multivariate Discriminant Analysis Method)。

Fitzpatrick(1932)最早使用一元判別分析法研究財務危機模型問題。他以19 家企業(yè)為樣本，運用單個財務比率，將樣本劃分為破產與非破產兩組，研究發(fā)現凈利潤/股東權益和股東權益/負債的判別能力最高。Beaver(1966)對1954-1964年間的79家經營失敗的公司和同行業(yè)同規(guī)模的79家經營未失敗的公司進行一元判定預測，發(fā)現現金流/負債能夠最好地判定公司的財務狀況。一元判別分析法建立的財務危機預警模型雖然簡單易懂，但是僅用一個財務比率不可能充分反映企業(yè)的財務特征，而且對于同一個公司使用不同比率可能預測出不同結果，另外還易受極端值影響，因而隨著統計技術的發(fā)展，一元判別分析法逐漸被多元判別分析法取代。

多元判別分析法(MDA)始于20世紀初，最早由Fisher(1936)提出。多元判別模型主要是利用建立的判別函數模型(Z-Score Model)得到Z-Score值，再以Z-Score值是否超出分界點(Cut-off point)來判定企業(yè)為危機或正常公司。最早將多元判別分析法引入財務危機預警模型研究的是Altman(1968)。他以1945-1965年間提出破產申請的33家公司和同行業(yè)同資產規(guī)模的33家非破產公司作為樣本，建立了Z分數模型。該模型克服了一元判別模型的缺點，在破產前1年的預測準確性比Beaver的模型有較大的提高，但破產前5年的預測準確性卻不如Beaver的模型。由于Z分數模型具有行業(yè)局限性(企業(yè)集中分布于機械行業(yè)，規(guī)模在70萬~2 590萬美元之間)，并且只針對上市公司，Altman、Haldeman和Narayanan于1977年又提出一種能更準確預測企業(yè)財務失敗的新模型——ZETA模型，由于向企業(yè)提供這項服務是有償的，他們并沒有詳細介紹這一模型的具體操作方法。多元判別分析法雖然有良好的判別能力，但必須符合3項統計假設:(1)自變量須符合正態(tài)分布;(2)各總體協方差矩陣相同;(3)自變量間獨立。應用時，若沒有符合這些假設條件，可能會造成研究結果的偏差，因此又有其他統計方法相繼出現。

(二) 回歸分析法

回歸分析法是采用因變量為數值變量的分析方法，首先提出的方法為線性概率模型(LPM)。Meyer和Pifer(1970)最早將LPM運用于銀行業(yè)的財務困境預測，以39家倒閉銀行為樣本，同時選取同一地區(qū)、設立年數相近的正常營運的銀行與之配對，對前2年的預測準確率達到80%。但由于此模型會發(fā)生概率估計值出現在(0，1)之外的問題，于是學者們以累積概率函數取代線性概率函數，發(fā)展出Logit與Probit回歸模型。

1977年，Martin在財務危機預警模型研究中首次采用了多元Logit回歸法。他從1970-1977年間大約5 700家美聯儲成員銀行中界定出58家財務危機銀行，從25個財務指標中選取了總資產凈利潤率等8個變量，在Z模型、ZETA模型、Logit模型之間進行比較研究。經過和前面兩種模型的比較，發(fā)現Logit模型預測效果良好，財務危機前一年的誤判率為11.41%。Ohlson(1980)選擇1970-1976年間破產的105家公司和2058家非破產公司組成配對樣本，采用9個變量建立了預測一年內失敗、兩年內失敗和一或兩年內失敗的3個Logit模型，預測準確率分別為96.12%、95.55%、92.84%。Ohlson認為，以前根據行業(yè)和資產規(guī)模來進行樣本配比的選樣方法顯得有些武斷，還不如將資產規(guī)模變量直接放在模型中考慮。他還分析了樣本公司在破產概率區(qū)間上的分布以及兩類錯誤和分割點之間的關系，發(fā)現至少存在4類影響公司破產概率的變量:公司規(guī)模、資本結構、業(yè)績和當前的融資能力。

Ohlson(1980)還使用上述樣本，最先采用極大似然估計法，通過每個樣本個體的破產與非破產的聯合概率最大構造了Probit回歸模型。Zmijewski(1984)也在研究中采用了Probit回歸法建立預警模型。他提出因樣本選取及資料搜集程序可能引起選擇基礎偏差及樣本選擇偏差。研究以1972-1978年間76家失敗公司與3 880家正常公司為樣本，分別為2種偏差建立模型。對選擇基礎偏差采用未加權Probit及加權最大似然估計Probit模式，他究認為未調整Probit模式會產生偏差，應以調整程序消除偏差;而對樣本選擇偏差則使用簡單Probit及雙變量Probit模式，研究顯示雙變量Probit模式其降低偏差的效果較佳。雖然Probit與Logit均屬回歸分析，但是Probit模型假設事件發(fā)生的概率符合標準正態(tài)分布，因而多數學者選擇采用Logit模型。

(三) 遞歸分割法

Frydman(1985)用遞歸分割法(RPA)，以財務比率為判別點建立二叉分類樹，以最低誤判成本為標準對樣本公司進行破產/非破產分類，發(fā)現隨Ⅱ類錯誤(將實際非ST公司誤測為ST公司)與Ⅰ類錯誤(將實際ST公司誤測為非ST公司)比增加，多元判別分析模型樣本期望誤判成本明顯高于RPA模型。在RPA模型中可以選用非財務指標和定性指標，但復雜的分類樹結構可能引起樣本的過度適應，預測風險高，因此分類樹結構宜簡不宜繁，應便于靈活應用。

(四) 人工神經網絡

Odom和Sharda(1990)開拓了用人工神經網絡(ANN)預測財務危機的新方法。他們選用1975-1982年間65家失敗公司與64家健全公司為研究對象，分為訓練樣本與測試樣本兩組，以Altman 所構建的5個財務比率為研究變量，取公司失敗前1年的資料，使用前向三層BP神經網絡，并與傳統的多元判別分析進行比較研究。結果發(fā)現:在訓練樣本方面，人工神經網絡與判別分析模型的正確率分別為100%、86.84%;保留樣本的驗證方面，人工神經網絡模型在正常與失敗比率分別為8∶2與9∶1的情況下，正確率分別為78.18%與81.75%，充分顯示出人工神經網絡具有較佳的預測能力。

(五) 混合研究法

McGurr和DeVaney(1998)的實證研究表明，混合模型與其中包括的單個方法模型相比，有著更高的準確性。Feng Yu Lin和Sally McClea(2001)以4種獨立的財務危機預警研究方法(判別分析法、Logit回歸法、神經網絡法及決策樹法)為基礎，將這幾種方法進行不同的組合，建立了3種混合模式，再對這些方法進行實證分析，驗證結果表明:在同等條件下，混合模式明顯優(yōu)于單個方法模式。

總之，國外學者不時地將最新的統計技術和人工智能方法引入財務危機預警模型研究領域，并注重將新方法的預測效果與已有研究進行比較，取得了眾多開創(chuàng)性成果。隨著財務危機預警模型研究的不斷深化，一些學者開始挖掘引發(fā)財務危機的更深層次原因，引入非財務指標和定性因素進行分析。如Hopwood(1989)利用3種審計保留意見及6個財務比率，以一元判別分析法及MLR法構建財務危機預警模型。他的研究首次考慮到審計意見對財務危機的影響，并得出審計意見對企業(yè)財務危機有顯著性影響的結論。Wilkins(1997)的研究也發(fā)現，對于技術上違約(Technical Default)的企業(yè)而言，審計師的意見可以在一定程度上反映公司將來是否會陷入財務困境;Elloumi和Gueyié(2001)研究1994-1998年間92家加拿大公司時發(fā)現，除財務指標以外，董事會的構成與結構也可以解釋財務危機。

三、國內文獻綜述及評析

起初我國學者是在國外已有研究的基礎上，沿用已被證明具有顯著預測效果的財務指標和模型。隨著對該領域研究的深入，學者們大膽結合各種各樣的研究方法，形成了眾多符合我國實際情況的預警模型。近年來，學者們又借鑒國外相關研究，探索將非財務指標和定性因素引入財務危機預警，并已取得了許多研究成果。

(一) 引入或修正國外模型的文獻

周首華 等(1996)最早借鑒Altman的Z分數模型，并加入了現金流量比率，提出了“一種供管理當局使用而又區(qū)別于傳統的公司償付能力分析的新的預測模式——F分數模式”，其預測準確率近70%，但研究樣本卻不是取自中國證券市場。

我國上市公司財務危機預警實證研究真正始于陳靜(1999)。作者借鑒Beaver、Altman的模型，進行了均值比較立面分析、一元判別分析和多元判別分析。使用多元判別分析建立的模型對ST公司和非ST公司有較好的判別率，但由于樣本量的限制，在研究中未對上市公司ST的原因加以區(qū)分。

陳曉、陳治鴻(2000)率先采用多元Logit回歸模型對我國上市公司的財務困境進行預測。他們建立的最優(yōu)模型的預測準確率為73.7%，但他們只是進行一次性的預測，也沒有說明判別ST公司的概率臨界值。

借助主成分分析能夠提煉綜合因子形成主成分的優(yōu)點，許多學者將主成分分析與多元判別分析或多元Logit回歸結合使用。張愛民、祝春山(2001)將主成分分析與Z分數模型相結合建立預警模型，實證檢驗表明，通過此法處理研究變量后建立的模型具有較好的預測能力。吳應宇、袁陵(2004)結合主成分分析和Logit回歸建立的模型的預測精度達到了85%，回代預測和新樣本預測的總正確率都達到80%以上。

在國內，楊保安、季海 等(2001)最早使用人工神經網絡方法解決判別分析在實際財務危機預警應用中存在的問題。與統計分析類方法相比，人工神經網絡方法的預測準確率大大提高，但作者未具體建立預警模型，只是運用財務指標進行示范性設計和檢驗。劉洪、何光軍(2004)以上市公司被ST作為經營失敗的界定標準，采用上市公司(t-3)年的財務數據來預測t年是否會被ST。在用傳統的判別分析法和Logit回歸法對公司經營失敗建立預警模型的基礎上，應用人工神經網絡方法對該問題進行比較研究。結果表明，人工神經網絡方法的預測精度遠高于兩種傳統的統計方法。

姚靠華、蔣艷輝(2005)應用SQL Server 2000的數據挖掘工具Analysis Services建立決策樹模型。其中以(t-1)、(t-2)、(t-3)年數據建立的決策樹都是進行了一次分差的兩節(jié)點決策樹，且分組變量都是總資產收益率，說明總資產收益率在預測企業(yè)財務失敗中含有很高的信息量。而以(t-4)年的數據建立的決策樹只有根節(jié)點，沒有進行分叉，實證說明了財務危機預警有效期限為3年。

劉旻、羅惠(2004)以我國上市公司為研究對象，選取了1999-2001年被ST的公司和正常公司各73家作為訓練樣本，2002年被ST的公司和正常公司各43家作為檢驗樣本，分析了它們在財務危機出現前2年內的15個財務指標。運用判別分析、Logit回歸和神經網絡這3種獨立的方法進行數據挖掘，結果發(fā)現神經網絡預測的效果要優(yōu)于其他兩種方法。最后，結合這3種方法的優(yōu)點，建立了一種預測正確性高于每種單獨方法的混合模型。

(二) 加入非財務指標和定性因素的文獻

姜秀華、任強(2002)運用多元Logit回歸，加入了反映公司治理結構的變量——股權集中系數建立了財務危機預警模型，并進一步討論了閾值。模型預測正確率較陳曉的研究有所提高，回判準確率為84.52%，對新增ST公司的判別準確率則達到了95.45%。

肖艷(2004)把傳統財務指標與現金流指標結合起來，利用Logit方法構建了一個上市公司財務困境預警模型，建模樣本的預測準確率為98.1%，檢驗樣本的預測準確率為91.1%。

宋力(2004)為消除盈余管理因素對財務指標的影響，分別用未作調整的財務指標和剔除盈余管理影響后的財務指標建立Logit預警模型，研究表明調整失真的財務數據在一定程度上提高了模型預測的正確率。

陳良華(2005)采用Logit回歸對滬市公司進行研究，發(fā)現獨立董事比例、第一大股東持股比例、現金流量權與表決權的偏離等治理結構變量確實與財務困境存在相關性，引入這些指標的模型能夠達到較高的預測精度。

曹德芳(2005)運用主成分分析法，結合財務指標，將股權結構變量引入到財務危機預警研究中，發(fā)現法人股比例、流通股比例、控股模式和前10位大股東持股比例的平方和等4個股權結構變量對財務危機有著顯著的影響。

譚一可(2005)分析了近20年來國內外在引進非財務變量進行企業(yè)破產預測方面的一些創(chuàng)新及其發(fā)展趨勢，提出可將宏觀經濟因素、行業(yè)差異、公司治理等定性因素引入財務危機預警。

龔凱頌(2005)的研究表明我國上市公司對外擔保的財務效應為負，擔保不僅不會提高企業(yè)財務質量，反而可能會引致財務困境，對外擔保與財務困境具有顯著相關性。

楊兵(2005)研究了樣本的選取對于研究結果的影響以及非財務指標在預測財務危機中的作用后，發(fā)現非財務指標的引入可以大幅度提高上市公司財務危機預測的準確程度，特別是在上市公司被ST 前的2~3年會起到良好的預測效果。

萬希寧(2005)認為財務危機具有模糊性和復雜性，為克服純量化因素建立預警模型的不足，結合財務指標和非財務指標體系，運用專家評分法和模糊優(yōu)先關系排序決策法進行了指標的有效選擇，最后借助模糊數學構建了綜合模糊預測模型。

李秉成(2005)利用歸納法總結了上市公司財務困境形成原因，通過管理記分法(A記分法)，將定性因素定量化，建立了上市公司財務困境“A記分法”分析模型。

呂峻(2006)的研究表明，以非財務指標構建的財務困境預測模型的預測精度不會隨時間的向前推移而降低，非財務指標可以更好地反映財務困境公司的本質特征，并可以在一定程度

上解釋財務困境發(fā)生的原因。

四、綜合評析與研究展望

國內外學者的大量有益探索，為今后的研究提供了可貴的經驗，更指明了今后研究發(fā)展的方向。通過對國內外財務危機預警模型實證研究的回顧，可以看出:

1.將學者們建立的模型運用到實踐中，可以產生巨大的作用，幫助資本市場上各方利益相關者維護自身利益，避免不必要的損失。但由于缺乏理論的指導，用于構建財務危機預警模型的變量的選取帶有很大的隨意性，且這些變量只是企業(yè)陷入財務危機的征兆，而不是根本原因。因而在今后的預警研究中，在注重模型預測準確率提高的同時，還應進一步完善財務危機的相關理論，從而挖掘企業(yè)陷入財務危機的更深層次的原因，使預警變量的選取更具有科學性。

2.目前研究建立的財務危機預警模型大都是使用歷史的財務數據來預測公司未來的財務狀況，如多元判別分析法和多元Logit回歸法等統計類的分析方法。但公司的歷史情況并不能完全反映出公司未來的發(fā)展情況，因而未來的財務危機預警模型還應該具備一定的自我學習能力。隨著數據挖掘技術的發(fā)展，人工神經網絡、模糊綜合評價等方法會更加成熟，更能滿足研究的需要。

3.現有的預警研究多以建立定量模型為主，主要是由于定性研究受專家的主觀判斷的影響較大，即使采用量化方式，也不能完全取代定量研究方法。但隨著投資規(guī)模的擴張和競爭程度的加劇，企業(yè)面臨的風險和危機與日俱增，越來越多的不可量化因素使純量化模型無法全面預測企業(yè)的財務危機。鑒于此，非常有必要結合兩種研究方法的優(yōu)點，以定量研究為主，輔以量化的定性研究，這也將會是今后研究的趨勢所在。

4.盡管新的財務危機預警方法不斷出現，但多元判別分析法和多元Logit回歸法仍受到學者們的青睞，特別是與主成分分析法結合使用后，預測準確性有了更顯著的提高。與多元Logit回歸法相比，多元判別分析法具有嚴格的前提假設，如果在不滿足假設的條件下使用該方法，就會對模型的預測準確性產生影響。隨著非財務指標的引入，不受前提假設限制、可以處理虛擬變量的多元Logit回歸法的應用會更為廣泛。

5. 財務指標雖然可以綜合反映企業(yè)現狀，但其應用受不同企業(yè)所處客觀環(huán)境的差異、評價標準的客觀性及獲取數據的難度等限制，難以全面滿足上市公司的需要。因此，除以財務指標為主外，還應該關注影響公司可持續(xù)發(fā)展能力和未來財務狀況的非財務指標和定性因素，對細節(jié)即具體過程進行控制，以彌補財務指標的不足。只有將財務指標與非財務指標、定性因素有機結合起來，才能使財務危機預警模型更加完備，真正提高上市公司財務危機預警模型的效用。

6.現有的財務危機預警模型多為通用型的，沒有考慮到行業(yè)間的差異。但在實際工作中，各個行業(yè)都有自身的一些經營特點，具體表現為財務數據上存在差異，這就降低了各個行業(yè)之間財務數據的可比性，從而降低了通用財務危機預警模型預測的準確性。這就需要考慮行業(yè)差異，建立分行業(yè)、分企業(yè)甚至分部門的預警模型，拓寬數據的渠道和研究的范圍，更及時地注意到企業(yè)財務狀況的變化。

總之，隨著現代科學技術的發(fā)展和財務危機預警理論的不斷完善，財務危機預警實證研究建立的模型會更真實地體現企業(yè)的財務狀況，及時告知各利益相關者潛在的風險和危機，使其及早采取有效的防范措施，避免或削弱危機事件的不良后果。

主要參考文獻

[1] 周首華， 楊濟華， 王平. 論財務危機的預警分析——F分數模式[J] . 會計研究， 1996(8): 54-58.

[2] 陳靜. 上市公司財務惡化預測的實證分析[J] . 會計研究， 1999(4): 31-38.

[3] 陳曉， 陳治鴻. 中國上市公司的財務困境[J] . 中國會計與財務研究， 2000(3): 25-32.

[4] 張愛民， 祝春山， 許丹健. 上市公司財務失敗的主成分預警模型及其實證研究[J] . 金融研究， 2001(3): 10-25.

[5] 姜秀華， 任強， 孫錚. 上市公司財務危機預警模型研究[J] . 預測， 2002(3): 56-61.