財務(wù)危機預警模型的比較分析

摘要:財務(wù)危機預警模型可以分為判別分析模型、Logit模型和人工神經(jīng)網(wǎng)絡(luò)模型三大類，已有的模型都存在一定的局限和可以進一步研究的方向。

關(guān)鍵詞:財務(wù)危機;預警模型;財務(wù)風險;Logit模型

中圖分類號:F230文獻標志碼:A文章編號:1673-291X(2010)30-0084-02

財務(wù)危機預警是以財務(wù)會計報表為基礎(chǔ)，通過建立和觀測一些敏感指標的變化，對企業(yè)可能發(fā)生的財務(wù)危機實施評價、預測和預警，此過程中使用的數(shù)學模型即為財務(wù)危機預警模型。在理論和經(jīng)驗檢驗中所使用的財務(wù)危機預警模型可以分為判別分析模型、Logit模型和人工神經(jīng)網(wǎng)絡(luò)模型三大類。其中，判別分析模型又可分為一元判別模型和多元判別模型。本文對幾種主要的財務(wù)危機預警模型進行比較分析，希望能夠為進一步的研究提供一些借鑒。

一、判別分析模型

判別分析是對研究對象所屬類別進行判別的一種統(tǒng)計分析方法。進行判別分析的必要條件是已知觀測對象的分類和若干表明預測對象特征的變量值，然后從中篩選出能提供較多信息量的變量，進而建立判別函數(shù)，使推導出的判別函數(shù)對觀測樣本分類時的錯判率最小。

(一)一元判別模型

一元判別模式是以某一項財務(wù)指標作為判別標準來判斷企業(yè)是否處于財務(wù)危機狀態(tài)的預測模型。通常將樣本分為“估計樣本”和“有效樣本”兩組，首先將估計樣本按某一財務(wù)比率排序，之后最為關(guān)鍵的是尋找臨界值，它可使兩組的錯判率最小，最后依據(jù)此臨界值對有效樣本進行預測。Fitzpatrick(1932)最早運用一元判別模型進行財務(wù)危機預警研究，他選用19家企業(yè)作為樣本，并將其劃分為破產(chǎn)與非破產(chǎn)兩組，運用一項財務(wù)比率進行分析，結(jié)果表明預測能力最強的指標是凈利潤/股東權(quán)益和股東權(quán)益/負債。之后，Beaver(1966)選取美國1954—1964年間79家陷入財務(wù)危機的企業(yè)和79家正常企業(yè)，考察了30個財務(wù)比率，發(fā)現(xiàn)具有良好財務(wù)預測的財務(wù)比率分別是營運現(xiàn)金流/負債，凈利潤/資產(chǎn)和負債/資產(chǎn)。

一元判別模型首次把財務(wù)比率運用于預測財務(wù)危機，并且僅需對單個財務(wù)比率進行分析考察，計算簡便。但它的缺點也較明顯，如果對同一公司使用不同比率進行預測，往往會得出不同的結(jié)果，而且企業(yè)通過粉飾財務(wù)報表掩蓋財務(wù)危機的可能性較大。

(二)多元判別模型

多元判別模型是指通過統(tǒng)計技術(shù)篩選出那些在兩組間差別盡可能大但在兩組內(nèi)部的離散度最小的變量，這樣多個標識變量可在最小信息損失下轉(zhuǎn)換為分類變量。多元判別模型能有效提高預測精度。

1.Z值模型

Edward.Altman(1968)提出了Z值模型(也稱為Altman模型)，其基本原理如下:首先將樣本分為預測樣本和測試樣本，再根據(jù)預測樣本建立多元判別模型:Z=V1X1+V2X2+…+VnXn，其中，V1，V2，…Vn是權(quán)數(shù)，X1，X2，…Xn是各種財務(wù)比率。之后，根據(jù)此模型確定臨界值Z值，然后把測試樣本的數(shù)據(jù)代入此判別方程，并計算測試樣本的Z值，最后依據(jù)判別標準進行判定。

Altman分別選取了33家失敗企業(yè)和33家成功企業(yè)的22個財務(wù)數(shù)據(jù)，使用軟件逐步淘汰區(qū)分能力差的財務(wù)數(shù)據(jù)，最后保留了5個財務(wù)比率:X1=營運資本/資產(chǎn)，X2=留存收益/資產(chǎn)，X3=息稅前利潤/資產(chǎn)，X4=權(quán)益的市場價值/負債的市價，X5=銷售額/資產(chǎn)。其Z值模型為:Z=1.2X1+1.4X2+

3.3X3+0.6X4+0.999X5。Z值越低，企業(yè)發(fā)生財務(wù)危機的概率越高，當Z<1.8時，企業(yè)很有可能陷入財務(wù)危機;當1.82.675時，企業(yè)的財務(wù)狀況良好。

Z值模型簡單易懂，數(shù)據(jù)易于獲取，計算簡便，不僅有利于企業(yè)管理當局進行財務(wù)分析，也為投資人、債權(quán)人作出有效的投資決策提供了依據(jù)。但使用Z值模型時必須注意時間性，Z值模型只適應(yīng)于對企業(yè)短期風險的判斷。而且，Z值模型沒有充分考慮現(xiàn)金流量等方面的影響。此外，由于該模型只適用于上市公司，Altman后來對該模型進行了修訂，建立了非上市公司財務(wù)危機預警的Z′模型和跨行業(yè)的Zeta模型。

2.F分數(shù)模型

為了克服Z值模型的局限性，周首華、楊濟華和王平(1996)對Z值模型進行改進，建立了F分數(shù)模型。F分數(shù)模型擴大了Z值模型的樣本容量，使用了Compustat PC Plus會計數(shù)據(jù)庫中的4 160家企業(yè)的數(shù)據(jù)。F分數(shù)模型中加入了現(xiàn)金流量這一自變量，現(xiàn)金流量的計算是長期投資決策中所用到的營業(yè)現(xiàn)金流量，等于稅后凈利潤加上折舊，這里暗含非付現(xiàn)費用只有折舊。基于Donalson理論，F(xiàn)分數(shù)模型同樣選取了5個財務(wù)比率，與Z值模型不同的是X3和X5這兩個變量，其中X3是一個現(xiàn)金流量變量，X3=(稅后凈利潤+折舊)/平均負債，它用來衡量企業(yè)使用全部現(xiàn)金流償還債務(wù)的能力;X5=(稅后凈利潤+利息+折舊)/平均資產(chǎn)，它測量了企業(yè)的資產(chǎn)創(chuàng)造現(xiàn)金流的能力。F分數(shù)模型為:F=-0.1774+

1.1091X1+0.1074 X2+1.9271X3+0.0302X4+0.4961X5。F分數(shù)模型測算的臨界值為0.0274，如果F<0.0274，則表明企業(yè)發(fā)生財務(wù)危機的可能性極大，反之，企業(yè)為繼續(xù)生存企業(yè)。

二、Logit模型

Logit模型又被稱為評定模型、分類評定模型和邏輯回歸模型，建立的基礎(chǔ)是累計概率函數(shù)，目標是尋找觀察對象的條件概率，據(jù)此判斷觀察對象的財務(wù)狀況和經(jīng)營風險。Logit模型是一個非線性模型，曲線呈S型或倒S型，模型公式為:

lnP/1-P=αβiXi，其中，P是在因素(X1，X2，…，Xm)的影響下企業(yè)發(fā)生財務(wù)危機的概率，0≤P≤1;1-P是企業(yè)不發(fā)生財務(wù)危機的概率;Xi(i=1，2，…，m)是影響財務(wù)危機的第i個因素;αi，βi(i=1，2…，m)是待估計參數(shù)。然后利用最大似然估計法估計參數(shù)。判別規(guī)則是:取0.5作為概率的臨界值，將樣本數(shù)據(jù)代入回歸方程后，如果P>0.5，表明其也發(fā)生財務(wù)危機的概率較大，否則，判斷企業(yè)財務(wù)正常。

Ohlson(1980)第一個采用Logit方法進行破產(chǎn)預測，使用9個自變量，估計了三個模型，分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類判別錯誤和分割點的關(guān)系。他發(fā)現(xiàn)至少有四類顯著影響公司破產(chǎn)概率的變量:公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當前資產(chǎn)的變現(xiàn)能力。繼Ohlson之后，Gentry，Newbold and Whitford(1985);Casey and Bartczak(1985);Zavgren(1985)也采用類似的方法進行研究。程濤(2002)以1998—2000年被ST的A股上市公司為研究樣本，運用時間序列回歸和Logit回歸方法，從財務(wù)指標角度和現(xiàn)金流量角度分別構(gòu)建預警模型，并在此基礎(chǔ)上構(gòu)建綜合預警模型。姜秀華(2001)、吳世農(nóng)、盧賢義(2001)、李華中(2001)等也采用類似的方法進行了研究。

同一元判別模型相比，Logit模型信息含量大，解釋能力強，并且不容易發(fā)生沖突。此模型最大的優(yōu)點在于克服了多元判別模型要求變量服從正態(tài)分布并且分組樣本間的協(xié)方差相等的局限性。但是，Logit模型是建立在累計概率函數(shù)的基礎(chǔ)之上，同樣要求各個自變量之間不存在多重共線性。而且，運用Logit模型在計算過程中有許多的近似處理，這會影響預測精度。

三、人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)建構(gòu)理念植根于人類對大腦神經(jīng)網(wǎng)絡(luò)認識，人工構(gòu)造一種神經(jīng)網(wǎng)絡(luò)以實現(xiàn)某種功能，最為廣泛使用的是反向傳播人工神經(jīng)網(wǎng)絡(luò)，即BP網(wǎng)絡(luò)。

Odom and Sharda(1990)是用BP神經(jīng)網(wǎng)絡(luò)預測財務(wù)困境這一方法的開拓者，其研究是以Altman所構(gòu)建的五個財務(wù)比率為研究變量，使用類神經(jīng)網(wǎng)絡(luò)與判別分析作驗證比較，結(jié)果發(fā)現(xiàn)類神經(jīng)網(wǎng)絡(luò)具有更佳的預測能力。Tam(1991)通過對人工神經(jīng)網(wǎng)絡(luò)(ANN)的模擬，得出神經(jīng)網(wǎng)絡(luò)可以應(yīng)用于財務(wù)預警，而且具有較高的預測精度。Koh and Tan在1999年以6個財務(wù)指標為研究變量作了類似的研究，認為類神經(jīng)網(wǎng)絡(luò)模型的預測效果優(yōu)于Probit模型。楊保安等(2002)采用ANN模型進行財務(wù)危機預警研究，結(jié)果表明:樣本的實際輸出和期望輸出較為接近，顯示出神經(jīng)網(wǎng)絡(luò)是進行財務(wù)評估的一種很好的應(yīng)用工具。柳炳祥、盛昭翰(2002)分析了評價財務(wù)危機的指標體系、財務(wù)危機等級的劃分和基于粗神經(jīng)網(wǎng)絡(luò)的財務(wù)預警方法，并用一個預警實例進行了驗證。

已有的研究表明，人工神經(jīng)網(wǎng)絡(luò)具有較好的模式識別能力，而且它具有容錯能力，對數(shù)據(jù)的分布不做嚴格要求，能夠處理有噪聲和不完全的數(shù)據(jù)，誤差小，建模更科學，克服了傳統(tǒng)統(tǒng)計方法的限制。更為重要的是人工神經(jīng)網(wǎng)絡(luò)具有學習能力，可依據(jù)新的數(shù)據(jù)資料自我學習、訓練，調(diào)整內(nèi)部的儲存權(quán)重參數(shù)以應(yīng)對多變的企業(yè)運作環(huán)境。

四、對已有模型的述評

可以看出，已有的很多模型構(gòu)筑精巧，使用了很多量化技術(shù)，但也產(chǎn)生了一個問題，模型的應(yīng)用性和可操作性較差，模型在使用中受到樣本選擇范圍和選擇時間的限制，模型成立的前提條件也較苛刻，模型中所涉及變量的選擇也缺乏理論支持，更多的是憑“通用性”和經(jīng)驗。因此，我們認為，財務(wù)危機預警分析需要考慮諸多方面的因素，除了關(guān)注模型的設(shè)計外，還應(yīng)該加強財務(wù)比率的設(shè)計和選擇，積極探索將非量化因素引入財務(wù)危機預警指標體系。同時，財務(wù)危機預警模型必須以大量的真實信息為基礎(chǔ)，因此，應(yīng)加強信息管理，建立使用信息和分析信息的合理機制，進一步增強財務(wù)信息的有用性。

參考文獻:

[1]A1tman E.I，“Financial Ratios，Discriminant Analysis，and the Prediction of Bankruptcy”，Journal of Finance[J].September 1968.

[2]Tam and Kiang，“Predicting Bank Failures:A Neural Network Approach”，Management Science[J].1992，8:926-947.

[3]李志強.上市公司財務(wù)預警研究述評[J].金融理論與實踐，2009，(3).

[4]袁業(yè)虎，張燕.中外財務(wù)預警實證研究述評[J].審計與理財，2005，(9).[責任編輯 陳丹丹]