企業(yè)財(cái)務(wù)預(yù)警方法的發(fā)展與展望

文/唐智高，國(guó)網(wǎng)重慶市電力公司財(cái)務(wù)資產(chǎn)部

關(guān)鍵字：財(cái)務(wù)預(yù)警；研究方法

經(jīng)濟(jì)全球化為企業(yè)帶來(lái)機(jī)遇的同時(shí)也帶給企業(yè)帶來(lái)了危機(jī)，尤其是十八大后，我國(guó)經(jīng)濟(jì)在增長(zhǎng)速度、發(fā)展方式、結(jié)構(gòu)、發(fā)展動(dòng)力等方面呈現(xiàn)出一系列的轉(zhuǎn)變，如何在日益激烈的市場(chǎng)競(jìng)爭(zhēng)及瞬息萬(wàn)變的復(fù)雜的環(huán)境中生存與發(fā)展，已成為政府、社會(huì)與企業(yè)亟待解決的問(wèn)題，對(duì)危機(jī)進(jìn)行預(yù)警也是多年來(lái)學(xué)術(shù)界研究的熱點(diǎn)。

1 財(cái)務(wù)危機(jī)概念的界定

財(cái)務(wù)危機(jī)又稱為“財(cái)務(wù)困境”或“財(cái)務(wù)問(wèn)題”，包括嚴(yán)重的 “財(cái)務(wù)失敗”或“破產(chǎn)”的財(cái)務(wù)危機(jī)，也包括由于資金短期周轉(zhuǎn)不暢造成的財(cái)務(wù)危機(jī)，同時(shí)還包括介于輕微和嚴(yán)重之間還存在不同程度的財(cái)務(wù)危機(jī)類型。在實(shí)證研究中，國(guó)內(nèi)學(xué)者普遍將財(cái)務(wù)狀況異常而被“特別處理（ST）”作為上市公司陷入財(cái)務(wù)困境的判定標(biāo)準(zhǔn)。

2 財(cái)務(wù)預(yù)警的方法

20世紀(jì)30年代美國(guó)首次研究財(cái)務(wù)預(yù)警，到現(xiàn)在國(guó)內(nèi)外已有眾多學(xué)者對(duì)該領(lǐng)域進(jìn)行研究，本文將按照財(cái)務(wù)預(yù)警方法出現(xiàn)的時(shí)間順序?qū)ω?cái)務(wù)風(fēng)險(xiǎn)預(yù)警模式進(jìn)行梳理。

2.1 傳統(tǒng)統(tǒng)計(jì)方法

1）單變量預(yù)警模型

單變量預(yù)警模型由Beaver(1966)率先提出，即通過(guò)對(duì)變量營(yíng)運(yùn)資本流/負(fù)債和凈利潤(rùn)/總資產(chǎn)指標(biāo)來(lái)辨別破產(chǎn)公司，研究結(jié)果能夠判定公司的財(cái)務(wù)狀況的指標(biāo)最好的是營(yíng)運(yùn)資本流/負(fù)債變量，其次是凈利潤(rùn)/總資產(chǎn)，并且距離經(jīng)營(yíng)失敗日期越近，誤判率越低，預(yù)見(jiàn)性越強(qiáng)。

單變量預(yù)警模型優(yōu)點(diǎn)是簡(jiǎn)單易懂，缺點(diǎn)是僅通過(guò)一個(gè)變量對(duì)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警則會(huì)讓經(jīng)營(yíng)者忽視其他變量只對(duì)這一個(gè)變量重視甚至是粉飾。除此之外，若使用多個(gè)指標(biāo)分別進(jìn)行單變量判別分析，其結(jié)果會(huì)出現(xiàn)不一致的情況，從而無(wú)法辨別企業(yè)危機(jī)是否發(fā)生。

2）多變量預(yù)警模型

多變量預(yù)警模型能夠很好的克服單變量分析的缺陷，Altman(1968)指出多變量預(yù)警是對(duì)研究對(duì)象所屬類別進(jìn)行判別，并從觀察對(duì)象的諸多財(cái)務(wù)比率中遴選出能夠提供信息較多的變量，然后建立判別函數(shù)，使得該函數(shù)對(duì)觀察樣本進(jìn)行分類時(shí)錯(cuò)判率最小。吳世農(nóng)和黃世忠（1986）是我國(guó)最早運(yùn)用該方法對(duì)財(cái)務(wù)預(yù)警進(jìn)行研究，周首華、楊濟(jì)華基于前人研究的基礎(chǔ)上提出F分?jǐn)?shù)模型對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)警。

多變量預(yù)警模型雖然在克服了單變量模型的缺陷，但因其要求多變量呈正態(tài)分布、財(cái)務(wù)健康樣本組和財(cái)務(wù)危機(jī)樣本組協(xié)方差矩陣，從而導(dǎo)致其應(yīng)用范圍比較有限。

3）Logistic回歸模型

為了克服線性多元判別模型的局限性，Martin（1977） 創(chuàng)新性的將 logistic 回歸引入銀行破產(chǎn)預(yù)測(cè)領(lǐng)域，并選出具有很強(qiáng)的預(yù)測(cè)能力的六個(gè)指標(biāo)作為財(cái)務(wù)預(yù)警的測(cè)量。這六個(gè)指標(biāo)分別是總資產(chǎn)凈利率、費(fèi)用 / 營(yíng)業(yè)收入、商業(yè)貸款 / 總貸款量、壞賬/營(yíng)業(yè)凈利、總資產(chǎn)/風(fēng)險(xiǎn)性。

Logistic 回歸模型優(yōu)點(diǎn)是具有比多遠(yuǎn)判別模型更廣泛的適用性，但缺點(diǎn)也是顯而易見(jiàn)的即只能使用于兩分類模型，且該模型在使用前必須經(jīng)過(guò)數(shù)據(jù)轉(zhuǎn)換，計(jì)算程序較復(fù)雜。

2.2 人工智能方法

隨著電腦技術(shù)的不斷發(fā)展與推廣，學(xué)者們紛紛開(kāi)始將人工智能方法運(yùn)用到財(cái)務(wù)困境預(yù)測(cè)模型的構(gòu)建中，財(cái)務(wù)預(yù)警進(jìn)入人工智能技術(shù)時(shí)代。在這段時(shí)期，財(cái)務(wù)預(yù)測(cè)模型主要包括案例推理、人工神經(jīng)網(wǎng)絡(luò)、遺傳算法和支持向量機(jī)等方法。

1）案例推理

案例推理是在因果關(guān)系不明確的復(fù)雜且多變的環(huán)境中解決問(wèn)題并作出決策的一種動(dòng)態(tài)的非統(tǒng)計(jì)方法，該方法對(duì)于因果關(guān)系不明確但有豐富案例的研究問(wèn)題具有廣泛的應(yīng)用前景。Bryant(1997)基于案例的表示和索引及案例庫(kù)，研究了如何將案例推理技術(shù)應(yīng)用到企業(yè)財(cái)務(wù)困境預(yù)警領(lǐng)域。

案例推理方法的優(yōu)點(diǎn)是運(yùn)用前景廣泛，但它是對(duì)以往案例進(jìn)行推理，而很難對(duì)問(wèn)題的因果關(guān)系進(jìn)行解釋，動(dòng)態(tài)問(wèn)題處理能力不足。

2）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)在1990年首次被Odom 和Sharda引入到財(cái)務(wù)困境預(yù)測(cè)領(lǐng)域中，他們通過(guò)研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型對(duì)檢驗(yàn)樣本的預(yù)測(cè)準(zhǔn)確率達(dá)到79.5%，遠(yuǎn)高于單變量或多變量模型的預(yù)測(cè)。Tam和Kiang(1992)通過(guò)加入解釋變量權(quán)重影響值，極大地提高了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性。國(guó)內(nèi)最早將該方法運(yùn)用于財(cái)務(wù)預(yù)警的學(xué)者是楊保安等（2001），之后有諸多學(xué)者也投入該項(xiàng)研究中。

人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行財(cái)務(wù)預(yù)警的優(yōu)點(diǎn)具有較強(qiáng)的容錯(cuò)能力和自學(xué)習(xí)能力等特點(diǎn)，缺點(diǎn)是在實(shí)際中由于需要海量數(shù)據(jù)支持，單個(gè)企業(yè)很難單獨(dú)使用。

2.3 傳統(tǒng)方法的改進(jìn)及前沿技術(shù)的使用

隨著時(shí)代的發(fā)展，越來(lái)越多的學(xué)者開(kāi)始對(duì)傳統(tǒng)的風(fēng)險(xiǎn)預(yù)警模型改進(jìn)，以期能更好的提高企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警效果。

1）遺傳算法

Franco(1998)采取遺傳算法分別提取線性函數(shù)和判別規(guī)則對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警，研究結(jié)果表明用與多變量判別法相比遺傳算法預(yù)測(cè)的結(jié)果要差。國(guó)內(nèi)學(xué)者葉煥停等（2013）采用遺傳算法正向推理預(yù)警財(cái)務(wù)風(fēng)險(xiǎn)和逆向推理分析財(cái)務(wù)危機(jī)原因，規(guī)避傳統(tǒng)統(tǒng)計(jì)方法的局限性和避免了神經(jīng)網(wǎng)絡(luò)分析法的缺陷之處。

遺傳算法的有點(diǎn)是服從大量軟或硬約束的多參數(shù)優(yōu)化問(wèn)題，缺點(diǎn)是預(yù)測(cè)結(jié)果不固定，存在著收斂性問(wèn)題，通用性差。

2）支持向量機(jī)

Vapnik提出了支持向量機(jī)法，該法能夠很好的解決了高維特征空間的＂維數(shù)災(zāi)難＂問(wèn)題.國(guó)內(nèi)學(xué)者姚宏善（2006）通過(guò)研究對(duì)比多變量判別法和支持向量機(jī)法的在財(cái)務(wù)預(yù)警的準(zhǔn)確性和穩(wěn)健性，結(jié)果發(fā)現(xiàn)支持向量機(jī)法要優(yōu)于多變量判別法。

通過(guò)對(duì)財(cái)務(wù)預(yù)警方法的回顧，本文發(fā)現(xiàn)在大智移云時(shí)代，未來(lái)企業(yè)財(cái)務(wù)預(yù)警以動(dòng)態(tài)性為以后發(fā)展趨勢(shì)。