上市公司財務風險的預警模型及指標體系研究

(中南林業科技大學商學院 湖南 長沙 410004)

一、國外關于財務風險預警模型的研究

目前研究的主流方向是通過建立財務預警模型，來判斷和區分破產企業和非破產企業或區分能夠實現成功重組的破產企業和只能被清算的破產企業。而使用得最多的模型建立方法，則是多元線性判別分析方法和邏輯回歸方法。總體來說，這類模型的建立經歷了三個發展階段：單變量模型階段、多變量模型階段、對數分析模型階段。

(一)單變量模型

60年代中期，Beaver(1966)改進了前人的單變量預警，他以美國1954到1964年，這十年之中資產相近的79家財務正常公司和79家財務狀況糟糕的公司作為研究樣本，同時選取了上市公司經常用到的29個財務比率。最后發現，現金債務總額比率能夠最好的預測到上市公司的財務風險。

(二)多變量分析模型

在多變量財務風險預警方面，Ohlson(1980)開創了用Logistic回歸模型進行財務風險預警的研究，此后，Zavgren(1985)等人也應用了相似的模型進行了研究。Pavlos Almanidis和Robin C.Sickles(2016)采用了混合風險模型作為預測商業銀行財務風險的工具，并取得了良好的預測效果。

(三)對數分析模型

這種方法在80年代和90年代初期開始代替上述多元線性模型并得到發展。對于企業會否出現財務失敗，多元線性模型得出的是一個分數值，而對數分析法則是提供一個可能性(百分比)，而且該分析法不像多元線性模型分析法——不要求數據顯示出基本的統計特征。Ahmad pour Kasgari(2013)認為破產預測模型是財務決策中最重要的問題。他運用邏輯回歸模型對非破產和破產公司的預測分別為87.9%和90.7%在破產前(兩者均為89.2%)：而運用BP神經網絡對破產和非破產公司已經預測了90.9%和90.7%，表明神經網絡的預測精度高于邏輯回歸模型。

二、國內財務風險預警模型的研究

在我國財務預警模型研究成果中，影響最廣的是周首華、楊濟華(1996)在《論財務危機的預警分析一F分數模式》一文中提出的新的財務預警模型——F分數模型。文章在指標選擇時融入現金流量概念，并通過不同的變量選擇和指標選擇方法，對Z分數模型進行改進。

目前，也有人根據國際上當前較先進的研究方法，如神經網絡體系、期權定價理論、MTS方法等在財務預警方面的應用，結合中國國情和市場實際情況，研究出新的財務預警模型。吳天(2016)收集整理第一次被警示告誡退出股票市場中小板上市公司前3年財務數據，以融入因子分析法的Logistic模型為財務風險預警模型，經檢驗證實其預警效力良好。高惠芬等學者(2017)結合主成分分析法對中小板掛牌企業進行財務風險預警分析，將預警結果與當年樣本公司的營業收入和凈利潤進行對比，證明該方法能如實地預測財務動向。邢嬴文(2015)以財務風險和BP神經網絡模型作為理論支撐，全面考慮22個財務指標和非財務指標，基于正態性檢驗、非參數檢驗及因子分析法，對電子元件行業財務風險預測時引用BP神經網絡模型，結論證明財務狀態可被其正確預測。

三、預警指標體系的研究

(一)財務指標預警

黃世忠等(1986)提出最初理論模型。李芳宇(2013)以上市的16家商業銀行為樣本，參照CAMEL評級體系與《商業銀行監管評級內部指引》設置了預警指標，采用了支持向量機進行了危機預警研究。楊曉雨(2014)從資本充足、管理能力、盈利性、流動性與資產安全五維度構建了上市商業銀行財務風險指標體系。

(二)非財務指標預警的研究

白智慧(2013)首選26個財務指標和14個非財務指標(董事會與總經理品質、企業多角化程度、管理與股權結構)，得出引入非財務指標可以提升危機預警準確度。張博(2014)以我國A股制造業上市公司為樣本，選取了財務指標和非財務指標(公司治理、審計信息)進行研究，發現引入非財務指標可以準確預警財務風險。劉玉敏(2016)將公司治理指標(國家股比例、高管持股比例、流通股比例)和經濟增加值指標(EVA率、總資產EVA率、凈資產EVA率和銷售EVA率)引入到財務預警模型中，相較于只包含財務指標的預警模型而言，擴展預警指標體系后，模型預警效果得到明顯提高。顧曉安等(2018)以2012-2016年A股上市公司為樣本進行的實證研究表明：ST公司與正常經營公司盈余管理行為存在顯著差異。

四、結論

第一，財務預警模型主要包括了以單變量預警模型、多變量預警模型、條件概率預警模型為代表的傳統統計類預警模型以及以神經網絡為代表的非傳統類預警模型。近年來較多的研究都采用以神經網絡為代表的非傳統方法進行財務預警模型的構建，并獲得了較好的預測效果。

第二，將非財務指標引入財務預警模型在以往的研究中較少，主要還是以財務指標為輸入變量構建財務預警模型。