財務預警模型的發展和演變

錢毅

[摘 要]財務預警研究具有巨大的應用價值,企業的利益相關者的經濟決策與企業的財務狀況息息相關,對財務預警模型的深入研究,可以為企業的眾多利益相關者帶來巨大的收益或者避免巨大的損失。因此,它成為了公司金融領域的研究熱點之一。本文將對財務預警的發展和演變過程進行介紹,重點介紹用途廣泛的多元判定模型。

[關鍵詞]財務預警 判定模型

財務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,對企業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。財務預警研究具有巨大的實際應用價值,公司的利益相關者做出的經濟決策與企業的財務狀況息息相關,如果能夠提前預測到企業是否會陷入財務困境,可以為企業的眾多利益相關者帶來巨大的收益或者避免巨大的損失。

一、一元判定模型

一元判定模型是指以某一項財務指標作為判別標準,來判斷企業是否處于破產狀態的預測模型。最早的財務預警研究是Fitzpatrick(1932)開展的單變量破產預測研究開始的。他以19家企業為樣本,運用單個財務比率,將樣本劃分為破產與非破產兩組。經研究他發現,判別能力最高的是凈利潤∕股東權益和股東權益∕負債兩個比率。

此后,Beaver首先運用統計方法建立了單變量財務預警模型。他選取美國了1954-1964年間資產規模相同的79家經營失敗企業和79家正常經營的企業進行對比研究,使用了30個財務比率進行分析,發現具有良好預測性的財務比率依次為現金流量∕負債總額,資產收益率和資產負債率。1966年Beaver考察了29個財務比率在企業陷入財務困境前1-5年的預測能力,發現營運資金流∕總負債在破產前一年的預測正確率可以達到87%。研究得出,某些財務比率是對于公司的經營狀況有解釋能力的。

它的缺陷很明顯,只重視一個財務比率的判斷能力,如果管理者了解這個比率,就有可能去粉飾這個比率,增加了可操作性;其次,雖然財務比率是綜合性較高的判別量,但是僅用一個財務指標不可能充分反映企業的財務特征。一元判定模型雖然方法簡單,但總體判別精度不高。

二、多元線性判定模型

最著名的模型稱為Zscore模型,判別方程的形式為:Z = V1X2 + V2X2 + … + VnXn。其中,V1、V2 … Vn是權數,X2、X2 … Xn 是各種財務比率。Altman的研究最具有代表性。Altman利用多元判別分析法對1945-1965年間的33家破產企業和33家正常經營的企業進行了研究。其研究結論形成了著名的Z值模型。

Z = 0.012X1 +0.0l4X2 + 0.033X3 + 0.006X4 + 0.999X5

其中,X1 = 營運資金∕資產總額;X2 = 留存收益(未分配利潤)∕資產總額;X3 = 息稅前利潤∕資產總額;X4 = 普通股和優先股市值總額∕負債賬面價值總額;X5 = 銷售額∕資產總額

如果企業的Z值大于2.675則表明企業的財務狀況良好,發生破產的可能性較小;反之,若Z值小于1.81,則企業存在很大的破產危險;如果Z值處于1.81-2.675之間,為灰色地帶,這個區間的企業財務是極不穩定。

但多元判定模型也存在一些缺點。第一,實踐檢驗的結果證明,在前一年的預測中,預測精度比較高,但在前兩年、前三年的預測中,其預測精度都大幅下降,多個比率之間有勾稽關系,而且作用可能相互疊加或者抵消;第二,工作量大,需要做大量的數據收集和分析工作。第三,多元判定模型有一個很嚴格的假設,即假定自變量是呈正態分布的,兩組樣本要求等協方差,而現實中的樣本數據往往并不能滿足這一要求,這就大大限制了多元線性判定模型的使用范圍。

三、多元邏輯(Logit)模型

多元邏輯模型的目標是尋求觀察對象的條件概率,從而據此判斷觀察對象的財務狀況和經營風險。這一模型建立在累計概率函數的基礎上,不需要自變量服從多元正態分布和兩組間協方差相等的條件。Logit模型假設了企業破產的概率p(破產取1 ,非破產取0),并假Ln[p∕(1 - p)]可以用財務比率線性解釋。假定Ln[p∕(1 - p)] = a + bx ,根據推導可以得出p = exp(a +bx)∕[1+exp (a + bx)] ,從而計算出企業破產的概率,判別方法和其他模型一樣,先是根據多元線性判定模型確定企業破產的Z值,然后推導出企業破產的條件概率。

其判別規則是:如果p值大于0.5,表明企業破產的概率比較大,可以判定企業為即將破產類型;如果p值低于0.5,表明企業財務正常的概率比較大,可以判定企業為財務正常。

Logit模型的最大優點是,不需要嚴格的假設條件,克服了線性方程受統計假設約束的局限性,具有了更廣泛的應用范圍,但是計算和收集信息的過程都很復雜,需要大量的精力和時間。

四、財務預警模型在我國的應用與展望

在國內的研究中吳世農、黃世忠(1986)曾介紹公司的破產分析指標和預測模型;陳靜(1999)以1998年的27家ST公司和27家非ST公司,使用了1995-1997年的財務報表數據,進行了單變量分析和二類線性判定分析,在單變量判定分析中,發現在負債比率、流動比率、總資產收益率、凈資產收益率4個財務指標中,流動比率與負債比率的誤判率最低;在多元線性判定分析中,發現由負債比率、凈資產收益率、流動比率、營運資本/總資產、總資產周轉率6個指標構建的模型,在ST發生的前3年能較好地預測ST出現的可能性。我國在財務失敗預警研究方面起步比較晚,更多的還停留在理論研究上。

為了克服統計模型的缺陷、提高預警的準確度,筆者認為在指標的選取上應該包括盡可能多的財務比率,至少涵蓋以下五大類:償債能力指標、資產負債管理能力指標、盈利能力指標、成長能力指標與現金流量指標。其次,在進行企業財務失敗預警時還必須考慮非財務因素的影響。因為財務報表只對公司的經營成果做出綜合的反映,僅從財務指標數值上無法看出公司經營的具體情況、這些數值本身的意義有限。

參考文獻

[1]田宇松、王慶凱、朱青、杜蘭英:財務失敗預警模型研究綜述。當代經濟2006(10)97-98

[2]郝其友、傅冠男、辛萬光:財務預警模型實證研究綜述。山東經濟2006(03)110-114

[3]張祥、陳榮秋: 財務預警的模型分析。科技與管理2003(05)

[4]汪強:關于上市公司財務預警的實證分析。天津市職工現代企業管理學院學報2004(06)

[5]楊淑、娥黃禮:基于BP神經網絡的上市公司財務預警模型。系統工程理論與實踐2005(01)

[6]劉發明:對企業財務危機預警理論研究綜述。法制與社會2007(04)363-364

[7]萬希寧、蘇秋根:關于上市公司財務失敗預警的實證分析。商業研究2003(12)

[8]巢劍雄:企業財務困境預警模型。 湖南大學學報(自然科學版)2005(02)