關于ST風險預警模型文獻綜述

李欣麗

摘要：縱觀國內外研究狀況，關于財務風險預警模型的研究主要有兩類：傳統統計類模型構建和人工智能型模型構建。傳統統計類模型包括一元判別模型、多元判別模型、條件概率模型、生存分析模型等。人工智能型模型包括神經網絡模型、遺傳算法模型、支持向量機模型等。

關鍵詞：財務風險；預警

一、一元判別分析模型

國外關于財務預警模型的研究始于Fitzpatrick所提的單變量破產預測模型，他基于某一個財務比率將19個樣本公司劃分破產與非破產兩組，最后發現在所用的財務比率中，凈利潤/股東權益和股東權益/負債這兩個比率判別能力最高，該模型便是最早的一元判別分析模型。繼Fitzpatrick之后，Beaver正式提出一元判別分析模型，他比較79家失敗企業和79家同行業同規模的成功企業的30個指標，發現最具有預測能力的三個指標依次為現金流量負債比、資產報酬率以及資產負債率。國內相關研究起步比較晚，徐鹿以制造業2001-2002年戴帽的15家ST公司和15家配對正常公司為樣本，對其財務報告的23個指標進行單變量分析，發現每股收益、ROE和凈利潤增長率判別的錯分率較低。一元判別模型是通過單一指標來預測財務風險，比較簡單方便，但因研究指標的單一性，容易被企業粉飾預測結果，而且不同的指標可能預測出相反的結果。

二、多元判別模型

為克服一元判別分析模型的缺陷，多元判別模型應運而生。美國學者Edward-Altman將22個財務比率合并入一個函數方程，即著名的Z分數模型，這個模型在公司失敗前兩年的預測效果比較好，但在失敗前第5年的預測準確率低于50%，因此Altman又提出了修正版“ZETA”模型，這一模型在失敗前第五年仍有80%的判別準確率。國內學者張方方、卿平樂以218家制造業上市公司（其中ST公司109家）為樣本，對這些樣本公司28個財務指標進行多元判別分析，結果顯示現金流量指標有較強的預測能力。王文紅、楊惠琳以我國汽車制造業的59家上市公司（其中ST公司3家）為研究對象，考察Z分數模型的實用性，研究結果表明Z分數模型有一定的應用性，但也存在一定的局限性如：沒有考慮異常值的存在、長期預測能力不夠理想。多元判別模型雖然準確度比較高，但其假設變量服從聯合正態分布，并且兩組變量的協方差相等，這些前提條件在現實中很難滿足；此外，多元判別模型指標過多，工作量過大，容易造成模型因果混亂的不良后果。

三、條件概率模型

為克服多元判別模型的局限性，學者們引進了條件概率分析法，主要包括logistic回歸和probit回歸兩種。

最早將logistic回歸應用于破產預測的是OhlSon，他將財務危機模型簡化成一個已知財務指標數據計算企業陷入財務困境的概率問題，當概率大于某個設定的臨界值時，則認為該公司很可能陷入財務困境。OhlSon研究沒有要求樣本間的配對，而是通過105家破產公司和2058家正常公司的9個財務指標數據建立logistic回歸模型，實證結果表明，模型判斷的準確率為85%。不少西方學者都將logistic回歸用于財務預警，如 Gilbert用11個應計項目比率和3個現金流量指標構建了logistic預測模型，發現現金流量比率指標變量能夠增加模型預測的解釋力度。Zmijewski，他以宣布破產的76家公司為困境樣本，另選取3880家正常公司為非困境樣本，采用未加權probit模型和加權最大似然probit模型來研究樣本的基礎偏差和樣本選擇偏差，結果證明雙變量probit模型更具有降低偏差的效果。

國內近些年運用logistic回歸模型做財務預警模型構建的研究很多，如：王克敏、姬美光以2000-2003年滬深市場的128家ST公司為困境樣本，分別對財務指標和公司治理等非財務指標建立Logit模型，結果表明早期非財務指標比財務指標更具有預測能力。陶志坤以2011年50家ST上市公司和50家配對公司為樣本建立Logit模型，結果表明越接近被特別處理的時間，模型預測越準確。黃億紅等以EVA和董事會治理為視角，建立了加入EVA的Logit預警模型和同時加入EVA和董事會治理變量的Logit風險預警模型。朱洪婷以機械行業的財務數據為研究樣本，構建了Logit模型，并以某機械公司為實例進一步對所構建模型在實務中的應用進行了具體分析。

四、神經網絡模型

首次將神經網絡模型用于財務困境預測的是Odom&Sharda;，他以65家破產公司為困境樣本，64家正常公司為健康樣本，并把這些樣本分成訓練樣本和檢驗樣本，選用Z分數模型最顯著的5個變量為自變量，利用破產前一年的數據建立神經網絡模型，結果證明此模型對訓練樣本的判斷準確率達到100%，對檢驗樣本的預測準確率在80%左右。國內學者也開始用神經網絡模型來做財務困境預測。如：劉洪、何光軍用100多家ST公司的財務數據分別構建了多元判別模型、logistic回歸模型和人工神經網絡模型，結果證明人工神經網絡模型的判斷準確度優于前二者。符剛將企業被特別處理劃分為重度財務危機，將其ST前5年劃分為輕度財務危機，將凈利潤連續10年大于0劃分為良好，對這三個階段構建神經網絡判別模型，預測準確率為73.3%。

參考文獻：

[1]陳遠志，羅淑貞.我國農業上市企業的財務預警實證研究[J].經濟與管理研究，2008（3）.

（作者單位：福州三強混凝土有限公司）