有關財務危機預警研究的文獻綜述

隋永帥 董程程

【摘要】有關財務危機預警研究一直是國內外研究的熱點和重點，有關財務預警研究的方法有許多，并且隨著模型的不斷改進，預測的準確率也不斷提高。本文主要根據國內外的文獻，對財務危機的預警方法進行綜述。

【關鍵詞】財務危機；預測方法

財務困境預測方法是指借助數學和計算機技術構建預測模型，通過對企業財務指標的系統分析來預測企業出現財務困境的可能性。從國內外的研究現狀來看，財務困境預測模型主要有兩類：傳統統計類預測模型和人工智能型預測模型。

一、傳統統計類預測模型

傳統統計類預測模型包括：一元判別分析模型、多元判別分析模型、線性概率分析模型以及累積求和模型等。

（一）一元判別分析模型（UDA）

比弗率先提出了一元判別分析模型，也叫做單變量分析模型，它是通過單個財務指標來預測財務風險的。他比較了1954—1964年期間的79家失敗企業和79家相同資產規模的成功企業的30個財務指標的差異，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。而且離財務失敗日越近，判別的效果更好。

雖然比弗的單變量判別模型能夠取得較好的預測準確性，但它的缺點在于：只重視一個指標的分析能力，如果使用多個財務指標分別進行判斷，單個指標的分類結果之間可能產生沖突，導致無法做出正確的判斷。但是單變量判別模型為后來的多變量分析模型在破產分析中的應用奠定了基礎。

國內學者陳靜在1999年以公司被ST的前1年、前2年、前3年的財務數據為基礎，用一元判別分析模型做了實證研究，得出在宣布被ST前1年總的準確率為85%。

（二）多元判別分析模型（MDA）

美國學者奧特曼（1968）最早將MDA模型應用到財務危機預警模型中，他在1968年對美國破產和非破產企業進行觀察，對22個財務比率經過梳理統計篩選得到五個變量，建立了著名的Z分數模型，以及在此基礎上改進的”Zeta”模型。根據判別分值，以確定的臨界值對研究對象進行信貸風險的定位。由于模型簡便、成本低、效果佳，日本、德國、法國、英國等許多發達國家的金融機構都紛紛研制了各自的判別模型。

國內學者張玲（2000）選取了滬、深兩市涉及14個行業共計120家上市公司為樣本，選取了四個反應償債能力、盈利能力、資本結構和運營能力的財務指標構建判別模型。

楊淑娥、徐偉剛（2003）等學者采用主成分分析法對財務指標進行篩選后建立了MDA模型。

MDA模型的應用也存在諸多局限，比如它要求研究樣本的財務比率呈近似正態分布、兩組的協方差矩陣相等，這在現實中較難實現。

（三）線性概率分析模型（LPA）

LPA模型主要有Logit和Probit兩種。

Edmister（1972）用線性回歸建立了包含7個財務比率的財務困境預測模型，預測精度在90%以上。

Qhlson（1980）首次將Logit模型應用到破產預測。

國內學者張后奇在所做的《上市公司財務危機預警系統：理論研究與實證分析》報告中，運用了LR線性回歸模型。

LR模型的優點是不要求數據呈正態分布、兩組的協方差矩陣相等的假設，在不滿足正太分布的條件下，LR模型的預測效果要好于MDA模型，缺點是樣本的數量不宜少于200個，否則存在參數估計的有偏性。

（四）累積求和模型（CS）

西奧達西奧與1993年提出了預測企業失敗的CS模型，該模型能探測財務狀況由好變壞的拐點，對財務狀況惡化敏感并具有記憶性，能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引起。

二、人工智能型預測模型

人工智能型預測模型主要包括：人工神經網絡模型、遺傳算法模型、粗集理論模型、遞歸劃分分析模型以及支持向量機模型。現分述如下：

（一）人工神經網絡模型（ANN）

奧多姆（1990）第一次把ANN模型應用于財務困境預測研究，他使用了三層前饋神經網絡，并與傳統的MDA模型進行了比較研究。

奧特曼（1994）對意大利的1000家公司利用其發生困境前1年的數據進行預測，結果發現，MDA比ANN的預測效果還稍微好一點。

ANN相對于傳統統計類模型的優勢在于它能夠同時處理定性變量和定量變量，而且無需考慮變量之間的統計關系。但它也存在一些問題，如模型的拓撲定義較難實現、模型計算量較大以及判別能力不強等。

（二）遺傳算法模型（GA）

遺傳算法是模仿自然界生物遺傳進化規律在大量復雜概念空間內的隨機搜索技術，尤其適合目標函數的多參數優化問題，并運用于證券選擇、證券組合選擇、預算分配以及信用評價等金融、財務領域。瓦雷托·弗朗哥采用遺傳算法提取了線性函數和判別規則。研究結果表明，遺傳算法可以獲得不受統計約束的最優線性方程，提取的線性函數與MDA相比，省時并且受分析人員的主觀影響較小，但結果不如MDA。

（三）粗集理論模型（RST）

RST模型被證明是能夠運用一組多價值屬性變量描述多個對象的有效工具，可以用來揭示相互關聯的財務特征與企業失敗風險之間的關系。弗朗西斯研究表明，RST能夠發現隱藏在數據中的重要事實，并能用自然語言表達成一組決策規則，每個決策規則都有案例支持，能夠結合使用定性變量和定量變量，無需統計約束和模糊隸屬度評能夠價，節省決策形成的成本和時間，工程透明，可以考慮決策者的知識背景，并可用于集成決策支持系統。迪米特拉正式，由于不同樣本與決策者知識會產生不同的決策規則組，因此研究結果并不具有通用性。

（四）遞歸劃分分析模型（BPA）

弗里德曼首次采用BPA建立預警模型，他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企業進行分類預測。結果發現犯第一類錯誤的概率高于犯第二類錯誤的概率，MDA模型對研究樣本的期望誤判成本明顯高于BPA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，因此分類樹結構宜不宜繁，便于靈活運用。

（五）支持向量機模型（SVM）

范·格斯特等將SVM應用到財務困境預測模型中，采用最小二乘法作為SVM的線性學習器，構建LS—SVM財務困境預測模型，預測模型的判別準確率高達89.91%。

李英昌采用表格搜索技術對SVM核參數進行優化后，建立了SVM模型，預測效果優于MDA、LR和BP—ANN模型。

申慶植等采用SVM建立了財務困境預測模型，他通過對韓國中型制造企業的實證研究結果表明：SVM模型的預測性能優于BP—ANN模型。

沃爾夫岡·哈德勒嘗試著將SVM應用到財務困境預測研究中，通過對美國2001-2002年間84家企業的實證分析，結果表明SVM具有很好的分類效果。

國內學者李賀、馮天謹（2005）通過對我國煙酒行業50家上市企業連續3年的公開數據的實證研究表明：SVM模型的預測性能優于ANN模型；徐曉燕（2006）提出了一種將Logit回歸與SVM集成的預測方法。即LR—SVM。該方法通過修改支持向量機的輸出而改進其預測精度，即先對支持向量機的訓練數據用Logit回歸進行分析，再用支持向量機進行預測。如果Logit回歸的結果支持SVM的結果，則不對SVM的輸出結果進行修改，否則修改SVM的輸出結果。實證結果表明，該方法的預測精度明顯優于一般的支持向量機。

SVM的主要優勢表現在：專門針對小樣本，具有較好的推廣能力；巧妙地解決了維數問題，算法的復雜度與樣本維數無關；無需對變量作任何特殊假設；變量間是否存在共線性對數據處理和模型估計影響不大。它的局限性是特征集和核參數對模型性能具有重要影響。

綜上所述，國內學者對傳統統計類預測模型之間、統計類模型與ANN之間做比較研究的較多，而對SVM與其他模型之間進行比較研究的很少，尤其是SVM改進算法以及核參數優化對財務困境影響的研究就更少。

參考文獻

[1]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.

[2]張玲.財務危機預警分析判別模型[J].數量經濟技術經濟研究，2000，3：49-51.

[3]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001.6.

[4]趙冠華.企業財務困境分析與預測方法研究[D].天津大學博士論文，2009.