財務風險預警文獻綜述研究

錢興元

摘 要：企業通過建立財務風險預警模型，可以及時有效地發現和防范企業所隱藏的財務風險，從而使企業可以健康持續的發展。然而，由于現有的財務風險預警模型存在種種缺陷，在實際運用中往往效果甚微。本文通過對國內外有關財務風險預警模型進行梳理，并針對模型的局限，對企業構建財務風險預警模型時提出合理的建議。

關鍵詞：財務風險;預警模型;風險預警

一、國外財務風險預警模型綜述

（一）單變量模型

單變量預警模型最早由菲茨帕特里克提出，他選擇19家破產公司與正常公司通過財務比率進行比較分析。從而得出凈利潤/股東權益和股東權益/負債這兩項指標具有較高的預警精度。經過幾年的發展，威廉·比弗在菲茨帕特里克的研究基礎上，對單變量預警模型進行了改進。他選擇1954—1966年間，破產公司與正常公司各79家作為研究對象，研究結果表明，凈利潤/總資產、現金凈流量/總負債這兩項指標對財務風險具有較高的預警精度。

（二）多變量模型

在國外影響力最大的多變量預警模型是由奧特曼所提出的Z-score模型。他選擇1946-1965年間的破產公司和正常公司各33家，通過選擇5個財務指標來計算Z值，并通過Z值的大小來判斷來判斷企業是否具有財務風險。Z-score模型又分為上市公司和非上市公司兩種情形。但是如果預測期越長，那么該模型的預警精度也會隨之降低，失敗前5年的預警精度僅為36%。因此，在隨后的幾年里，奧特曼、霍爾德曼、納拉亞南在Z-score模型的基礎上，對其進行改進，他們選取了58家正常公司和53家破產公司，選擇7個財務指標，構建了ZETA模型。

埃德米斯特也在此研究的基礎上進行了相關的研究，他以小企業為研究對象，通過選取的指標構建Tafler模型。多變量預警模型雖然比單變量預警在預警精度上更準確，但由于其數據獲取和處理比較繁瑣。并且，多變量模型要求變量符合正態分布假設，沒有充分考慮現金流變動的情況。所以，模型使用的范圍比較少。

（三）Logistic預警模型

單變量預警模型和多變量預警模型都由其局限性不能準確的預算出企業患財務風險的概率。因此，馬丁就借助Logistic模型選取了超過5000家的銀行進行分析，并選取了25個財務指標進行構建模型。并且，還采用了Logistic回歸分析方法來對財務指標進行分析。研究結果表明，包括費用/營業收入等六個指標可以有效地預測銀行破產的概率。Logistic模型雖然克服了線性模型需要滿足統計假設的缺陷，但由于其計算結果大多數是采用近似值，計算過程繁瑣，所以，計算的結果與實際結果有所誤差。

（四）人工神經網絡預警模型

奧多姆與沙爾達在研究財務風險預警問題時，首次采用神經網絡模型來預測企業的財務風險。兩位學者通過選取1975-1982年間，破產公司和非破產公司各65家。通過對這些樣本數據進行配對分析。研究結果顯示，采用神經網絡模型對財務風險預警具有較高的精確度。喬治·馬里納科斯根據制藥行業的特點，通過人工神經網絡理論來構建制藥企業的現金流預警模型，從而得出，通過構建人工神經網絡預警模型可以有效地降低醫藥零售企業的財務風險。

（五）現金流量模型

勞森、阿齊澤曼以現金流信息為基礎構建財務風險預警模型。他們通過選取破產企業破產前5年的財務數據，與正常企業同時期的財務數據進行比較，發現破產企業與正常企業的現金流量均值與現金支付所得稅的均值存在很大差異。現金流量模型相對于Z模型與ZBTA模型，預警精度更高。

二、國內財務風險預警模型綜述

國內的學者對財務風險預警模型的研究最早可追溯到20世紀80年代。隨著我國經濟的快速增長，國內的學者對企業財務風險預警模型的研究也在不斷地深入，通過結合各行各業的行業特點，通過定量與定性的分析，構建符合社會主義經濟的財務風向預警模型。

（一）單變量預警模型

陳靜通過把ST公司界定為財務失敗的公司，通過選取27家ST公司，以及處于同行業、同規模的27家非ST公司作為研究樣本。并根據這54家公司1995-1997年的財務數據計算出各公司的資產負債率、流動比率、凈資產收益率、總資產收益率，并對這四個指標進行單變量預警分析，結果顯示，單變量預警模型雖然存在一些局限性，但確是一種較為簡單有效的預測方法。

（二）多變量預警模型

周首華，楊濟華，王平在Z-score模型的基礎上，加入能夠預測出企業破產的財務指標：現金流量比率指標，從而構建了F分數模式。在進行模型的實證中，他們選取了4160家的公司作為研究對象，其準確度高達70%。研究結果表明，F-分數模式是一種更加準確的財務風險預警模型。

張玲選取深滬兩交易所120家的上市公司作為研究樣本，這120家公司設計各行各業。把這些公司分成兩組，第一組包括30家ST公司和30家非ST公司，作為原始樣本。第二組包括21家ST公司和39家非ST公司，作為預測樣本。通過多元判別函數來構建財務風險預警系統，該研究結果表明，此模型能夠對ST公司的財務風險進行提前預警。

聶保平通過采用Z-score模型對57家零售業上市公司進行分析，其研究結果表明，如果企業的財務狀況比較好或者是財務狀況比較差時，那么對財務風險的預警精確度就高，對于財務在好與差之間的，預警精確度就比較低。

（三）Logistic模型

黃楊通過選取2015年12家ST公司和12家正常公司作為研究樣本，并使用T檢驗對樣本財務指標進行檢驗，并基于二項Logistic回歸分析方法，建立財務風險預警模型。研究結果表明，該模型對財務風險具有較高的預測精度李長山通過選取2016年23家制造業上市公司，和30家非制造上市公司作為對比，對財務數據進行主成分分析，運用Logistic回歸方法，建立財務風險預警模型。研究結果表明，上市公司通過構建財務風險預警模型能夠有效地降低企業發生財務危機的可能性。

（四）人工神經網絡模型

李曉青、洪怡恬通過專家調查法獲得了15個樣本企業的物流外包風險指標評價值。基于BP神經網絡理論，建立符合物流企業的財務風險預警模型，其研究結果表明，該結果對物流企業具有較高的預警精度。

邢瑞雪、賈煒瑩通過選取78家上市公司作為研究對象，分別采用邏輯回歸、多元判斷、支持向量機和BP神經網絡建立模型。研究結果表明，人工智能方法所構建的財務風險預警模型要比傳統的財務財務風險預警模型具有更高的預警精度。

孫新憲、李夏琳通過選取2004—2016年四大航空公司共49家研究樣本，其中38家訓練樣本，11家為檢測樣本。利用主成分分析法對預警指標進行降維優化，最后基于BP神經網絡模型構建財務風險預警體系。研究結果表明，BP神經網絡模型能夠有效地預測航空公司的財務風險。

（五）現金流量模型

周守華、王平和楊濟華改良了Z-score模型，各選取31家破產公司與正常公司作為研究樣本，在充分考慮現金流量變動情況的基礎上，構建了現金流量模型：F=-0.1774+1.1091X1+0.1704X2+1.9271X3+0.0302X4+0.4961X5。

其中，X1，X2，X4與Z值模型中的一致，X3，X5與之不同。X3=（稅后凈收益+折舊）/平均總負債，X5=（稅后凈收益+利息+折舊）/平均總資產，其判別臨界點為0.0274，他們最后選取了4160家公司的數據以檢驗改良后的模型，結果發現改良后的模型對財務風險的預測準確度更高。

三、文獻綜述評價

通過對國內外有關財務風險預警的研究分析后，我們可以了解到，國外學者對財務風險預警的研究要比國內早，因此所取得成果也比中國大。而我國由于起步晚，且早期的研究都是基于國外學者的理論基礎上進行改進與優化。但經過學者的努力，我國近幾年在這一方面也取得了十足的進展，但仍有許多地方需要改進，具體如下：

第一，由于我國的研究大多數是基于國外的理論研究基礎上進行改進與優化，并沒有結合我國的實際國情與經濟狀況進行研究，所以，有可能得出的數據結果有所偏差。

第二，大多數現有的財務風險預警模型在理論上具有實用性，但是在實際的操作中，由于計算過于煩瑣，對一些專業能力不強的小公司而言，即使預警精度在高，也很難對企業起到指導作用。

第三，由于各行各業所面臨的市場環境和經濟環境的不同，所以，我們在建立財務風險預警模型時，要結合現有企業行業的特點進行研究。但現有的預警模型無法覆蓋整個行業，并且由于現有的模型大多數是以上市公司作為研究對象，而對于非上市公司則少有涉及。

（作者單位：青海民族大學）

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]李長山.基于Logistic回歸法的企業財務風險預警模型構建[J].統計與決策，2018（6）：185-188.

[3] 邢瑞雪，賈煒瑩.上市公司財務危機預警模性比較研究[J].商業會計，2013（17）：46-48.