企業財務危機預警研究綜述

彭莉 彭嵐

(長沙理工大學 經濟與管理學院，湖南 長沙 410014)

1 財務危機的界定

“財務危機”是由Ross(1999)在總結前人研究成果的基礎上精煉而成的概念：技術失敗，指企業沒有足夠的流動資金按時償還已到履約期的債務合同；會計失敗，指企業的賬面凈資產為負數，資不抵債；企業失敗，指企業依法進行清算后所得的資金仍不足以償還債務；法定破產，指企業無法持續經營，依照破產法向司法機關申請破產。針對我國金融市場實情，上市公司鮮有被破產清算，若將企業破產等狀況界定為“財務危機”作為研究的對象，那么財務危機預警模型的實用意義也就降低了。因此，我國證券市場主要是以上市公司是否被“特別處理(ST)”作為中國特色的企業財務危機判斷標準。

2 財務危機預警模型研究現狀

學術界提出了各種不同的財務危機預警的方法和模型，本文將其歸納為定性預警模型和定量預警模型兩大類。定量預警模型進一步細分為統計類財務危機預警模型和人工智能類財務危機預警模型。

2.1 定性財務危機預警模型

財務危機的定性研究，通過人為經驗主觀識別風險，實現財務危機預警的方法。目前定性研究模型主要分為以下四類：1)標準化調查法：指借助外界因素即通過專業人員或咨詢公司等就公司可能遇到的問題加以詳細的調查和分析，形成報告供公司經營者參考的方法。標準化的問題就是財務預警指標，其對警情的預報則體現在公司對問題的回答中。2)四階段癥狀分析法：公司財務運營情況不佳在各個階段伴隨有特定的癥狀，因此把公司財務運營“病癥”大體分為四個階段：財務危機潛伏期，財務危機發作期，財務危機的惡化期和財務危機爆發期。通過財務分析來確定公司的財務狀況處于哪一個階段，然后再“對癥下藥”，采取不同的風險應對措施以降低企業風險，使企業經營回歸正軌。3)三個月資金周轉表分析法：以三個月作為時間段，通過制定該階段的資金周轉表來分析指標異動原因及合理性。若企業很難在規定的時間段內提供寬松的現金流轉表，則表明企業財務風險正在加劇。4)管理評分法：首先對企業經營管理中出現的問題對比打分，再根據這些項目對破產影響的大小進行加權處理，最終得出加權總分。根據總分落入的分數區間，判定企業面臨的財務風險程度。

定性研究能夠彌補定量研究的不足，對于一些無法或很難量化的指標，我們可以通過定性研究的方法，著重分析事物因果關系。

2.2 定量財務危機預警模型

2.2.1 傳統統計模型

(1)單變量財務危機預警模型

單變量分析是最早用于財務危機預警的模型，Fitzpatrick(1932)提出以單項財務指標比率作為標準來判斷企業財務風險狀態。他采用單變量指標將樣本公司劃分為破產和非破產兩組，最后發現“凈利潤/股東權益”和“股東權益/負債”兩個指標在財務風險判定方面的效果最佳。Beaver(1966)采用財務比率對企業財務危機進行預測，他經過研究證實在排除行業因素和公司資產規模因素的前提下，債務保障率、總資產凈利潤率等財務比率對預測財務危機是有效的。陳靜(1999)對27家ST公司和27家非ST公司1995-1997年三年的財務數據也進行了單變量研究。雖然單變量模型運用廣泛，但也存在許多缺陷：多個單一指標指示結果之間相互矛盾而無法全面地反映企業財務特征，易發生企業管理人員有意地粉飾單變量指標使得財務預警效果失真等。

(2)多元線性判別模型

多元線性判定模型是運用多種財務比率指標構造多元線性函數公式來進行危機預警的模型，其典型代表有Z Score模型和Fisher判別模型。

Z Score模型，最早是由Altman(1968)建立，他從22個財務指標中提取5個公因子分別從企業資產利用率，資產規模，償債能力，財務結構，盈利能力等方面綜合分析預測企業的財務狀況，通過對33組制造性上市企業的研究，綜合分析后建立多元線性Z Score模型。通過統計分析，Altman得出當Z＜1.81時，公司有很高的破產概率；當Z＞2.67時，公司處于安全狀態。向德偉(2002)針對性地選80家上市公司為樣本，采用Z模型對樣本2000-2001年的財務數據進行分析，實驗結果表明Z模型對某些特例可能失效，但總體上有效。麻鵬波(2010)應用Z模型對上市公司進行實證分析，根據計算得出的數據和模型判別標準，判定企業財務狀況并提出相關的財務風險防范措施。嚴碧紅、馬廣奇(2011)選取深市61家房地產上市公司，運用Z模型對其2010-2011年的財務風險進行實證研究，判斷房地產上市公司存在的財務危機。Z模型簡單明了易于理解，根據實證研究表明針對不同財務狀況具有一定判斷能力，故得到較為廣泛的運用，但該模型不適于時間跨度較長的企業危機預警。

Fisher判別分析模型是統計性分析方法，其基本思想是把所有數據的總離差平方和分解為組內差和組間差兩部分，而組間差與組內差的比值大小作為衡量總體差異大小的標志。基于重要性考慮，Fisher判別分析模型的具體算法與運用就不在本文詳述了。

多元線性判定模型具有較高的判別精度，但也存在一些缺陷：第一，是數據收集和分析的工作量龐大；第二，時間跨度越長，其精確度越低；第三，多元線性判定模型具有兩個很嚴格的前提假設，一是假定自變量是呈正態分布的，另一個是要求解釋變量之間完全獨立；第四，要求在財務危機組與控制組之間進行配對，但配對標準如何恰當確定是一個難題。為了克服這些局限性，自20世紀70年代末以來，財務危機研究人員引進了Logistic和Probit回歸方法，人工神經網絡等技術。

(3)Logistic財務危機預警模型

多元邏輯回歸模型主要目標在于尋求所觀察數據的條件概率，根據其條件概率來判斷觀察對象是否存在財務風險。Martin(1977)首次嘗試將Logistic模型應用于企業財務危機預警模型的構建，以1969-1974上市公司作為研究對象，選取25個財務指標來預測兩年后樣本公司的破產概率。實證結果顯示“凈利潤/總資產”等六個財務比率具有顯著的預測效果。Ohlson(1980)設計的Logistic模型使用了9個自變量，選取1970-1976年間105家破產公司和2058家非破產公司為樣本，分析了樣本公司在破產概率區間[0-1]上的分布，他發現了四類顯著影響破產概率的變量：公司規模、資本結構、業績和資產變現能力。Lau(1987)選用了10個自變量，使用多元邏輯模型構建了財務危機的五階段預警模型。姜國華(2004)利用Logistic回歸模型分析了影響公司ST的因素，結果發現模型具有良好的預測能力且得出影響公司財務危機兩個主要因素是主營業務利潤和大股東持股比例。浦軍(2009)選取40家ST公司和103家非ST公司作為研究樣本，選取資產負債率、每股收益、股權集中度等8個變量指標作為建模指標，運用Logistic回歸模型建立相應的財務危機預警模型，取得了良好的預測效果。

(4)Probit財務危機預警模型

Z.mijewski(1989)提出的Probit回歸模型，其假定公司破產的概率為p，并假設公司樣本服從標準正態分布，其概率p可以用財務指標線性解釋。其計算方法和Logistic模型相似，先是確定公司樣本的極大似然函數，通過求似然函數的極大值得到參數a和b，然后利用公式求出公司破產的概率。

2.2.2 人工智能財務危機模型

(1)神經網絡模型

Odom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的。Tam和Kiang(1992)以Texas的1985-1987年118家銀行(59家破產59家未破產)為樣本，建立了一個三層神經網絡財務危機預警模型，該篇以神經網絡技術為核心的文獻為財務危機預警帶來了巨大貢獻。黃小原和肖四漢(1995)提出了神經網絡預警系統的構建。楊寶安等(2001)應用前饋神經網絡進行了示范性設計和驗證。楊淑娥和黃禮(2005)選用深交所180家上市公司的財務資料，其中選用120家上市公司作為訓練樣本，應用BP神經網絡建立預測模型預測上市公司是否面臨財務危機，又以60家上市公司作為檢驗樣本，對BP神經網絡模型的預測結果進行檢驗，分別取得了建模樣本90.8%和檢驗樣本90%的判斷正確率。朱燕妮(2008)選取了44家中國房地產上市公司的1998-2006年的數據作為樣本從償債能力、盈利能力、經營發展能力以及公司治理等8個方面選擇了能夠全面反映出公司經營與管理各個方面的63個指標采用BP神經網絡方法構建了中國房地產上市公司分警度財務危機預警模型，在進行仿真檢驗時獲得了92.38%的正確率。

(2)基于支持向量機的財務危機預警模型

為了有效解決傳統模型存在的小樣本、高維數、非線性等問題，張在旭(2006)基于支持向量機方法(SVM)建立了一種新的公司財務危機預測模型。此后，閻娟娟、孫紅梅和劉金花(2006)，邱玉蓮和朱琴(2006)也對支持向量機在財務危機預警模型的構建上做了深入研究，也都得出該方法運用于財務危機預警中是有效的，為財務危機預警提供了一條新的研究思路。

3 財務危機預警模型述評

從研究現狀來看，國內外學者不斷將最新的統計技術和人工智能方法引入財務危機預警研究領域，并注重將新方法的預測效果與已有研究進行比較，取得了開創性成果，但同時也存在些許不足：

一些學者已經嘗試引入非財務指標和定性因素進行分析，但目前為止定性預警方法一般情況下仍是作為定量預警模型的輔助工具，并沒有獨立運用。靜態預警研究中，單變量分析開創了財務危機預警實證研究的先河，緊隨其后的多元線性判別模型，Logistic回歸模型以及Probit模型等傳統統計模型大大豐富了企業財務危機預警領域的研究，但是這些模型自身都存在局限性——單變量判定方法總體精度不夠，但就我國目前的宏觀環境和企業狀況而言，這種方法的使用和推廣的可能性依然較大；多變量研究方法具有較高的判別精度，但是工作量較大，存在嚴格的假設，對樣本數據的要求較高，降低了其適用性；目前運用最多的方法是多元線性判別分析方法和邏輯回歸方法；神經網絡模型，具有一些其他方法無法比擬的優點，但該模型缺點也同樣顯著，那就是可操作性差計算不簡便，對于非專業人士應用起來具有一定的難度。對于動態預警研究，由于需要進行時間序列分析，而從我國目前的資本市場的數據來看，做時間序列分析還存在差距，從事動態研究工作的幾乎是一片空白。在構建財務危機預警體系時，大多數的財務預警模型都是針對所有行業的，并沒有考慮到不同行業之間的差異，而不同行業的企業通常會具備不同的財務特征。因此，在國內外研究成果的基礎上，有必要充分考慮不同行業之間的差異，結合我國資本市場的現狀，有針對性的構建財務危機預警模型。