动态财务危机预警建立论文

摘要：利用Logistic回归分析和主成分分析法，采用我国2011—2013年食品类上市公司的财务报表数据，构建财务危机预警模型。实证结果显示，上市公司财务预警模型具有可操作性，且预测的准确率很高，能够增强上市公司内部财务风险管理的意识，通过更明确地反映财务状况，有效遏制财务危机，提高上市公司的经济效益。今天小编为大家精心挑选了关于《动态财务危机预警建立论文(精选3篇)》，欢迎大家借鉴与参考，希望对大家有所帮助！

动态财务危机预警建立论文 篇1：

基于混合粗糙集与ANN的上市公司财务危机预警研究

[摘要]利用混合粗糙集ANN数据挖掘技术和相关敏感财务及非财务指标构建财务危机预警模型，对30家ST乖90家非ST的A股制造业上市公司的财务数据进行实证检验。结果表明，将混合粗糙集的知识约简理论和神经网络的推理能力相结合构建的混合粗糙ANN预警模型具有较高的财务危机预测准确率和较好的实际应用价值。

[关键词]粗糙集；人工神经网络；上市公司；财务危机；预警

一、研究现状及意义

虽然我国上市公司的数量在不断增长，证券市场在迅速扩大，但很多上市公司都存在经营业绩不佳和抗御风险能力较弱等问题。如何建立有效的财务危机预警系统来预防财务危机，对企业、投资者和政府部门都具有重大意义。

(一)研究现状

国内学者关于上市公司财务危机预警方面的理论研究起步时间不长，实证研究以传统的统计学方式为主，与国外研究相比存在较大的差距，但国内还是有学者结合中国企业的实际情况进行了可贵的探索，也得到了一些重要的研究成果。陈静(1999)是我国第一个对上市公司财务危机进行预警研究的学者，对西方预警模型在我国是否适用进行了实证研究。高培业和张道坤(2000)建立了贝叶斯和Fisher模型、逻辑回归Logitic判别模型和Probit判别模型，并进行了实证比较分析。杨保安(2001)构建了一个基于单隐层的BP神经网络的财务危机预警模型，经过实证检验显示其判别准确率高达90％以上。乔卓(2002)构建了基于Levenberg－Mar－quardt算法的神经网络预测模型。刘洪和何光军(2004)分别采用判别分析法、逻辑回归Logitic和人工神经网络方法进行建模分析。杨淑娥和黄礼(2005)采用BP神经网络技术构建了财务危机预警模型。宁静鞭(2007)分别采用K近邻和逻辑回归Logitic方法进行了建模与实证检验。唐锋和孙凯(2008)构建了基于BP神经网络和主成分分析法的财务危机预警模型。在国外，西方经济学者早在20世纪30年代就开始进行财务危机预警研究，以企业的敏感性财务指标为基础，提出并构建了许多财务危机预警的方式和模型，结合各国上市公司的实际数据和特点，通过实证检验来预测企业是否将会发生财务危机。Odom和Sharda(1990)采用类神经网络构建了企业破产预警模型。Coats和Fant(1993)运用神经网络技术学习审计专家的结论来预测财务失败。Marco和Varetto(1995)将神经网络技术应用到企业财务危机预测中。Luther(1998)构建了遗传算法神经网络模型和多元逻辑回归Logitic模型，通过实证发现神经网络的预测准确率远高于多元逻辑回归Logitie。G Zhang etal(1999)利用神经网络技术对220家配对样本的企业进行财务危机预测，结果表明神经网络的准确性远远高于逻辑回归Logitic分析法。Kyong(2006)建立了混合神经网络和遗传算法理论的动态财务预测模型等。

(二)研究意义

财务危机预警是企业财务管理的重要内容，也是上市公司及时发现隐患危机并加以防范，保护投资者和债权人的利益，协助政府管理部门进行监控的主要手段与机制。因此，通过完善的预测方法和信息技术构建有效的财务预警体系，对上市公司具有重要的应用价值和现实意义。

从宏观角度来看，财务危机预警系统能及时地输出上市公司陷入财务危机的信息，有助于政府实施和制定宏观的经济政策和提供科学化的服务，以保证社会主义市场经济的平稳发展；有助于改善资源的宏观配置，严格控制濒临破产企业的财政拨款，减少国有资产流失。从微观角度上来看，财务危机预警系统的构建有利于管理层加强内部控制，改善经营管理，防患未然；有利于证监会等监管部门对上市公司的监督和管理；有利于利益相关者做出正确及时的决策，维护自身利益；有利于提高审计人员警惕性，降低审计风险。此外，数据挖掘技术在财务危机预警中的应用研究也有利于丰富我国财务预警理论。

二、相关名词概述

(一)财务危机

狭义的财务危机是指企业破产。广义的财务危机指的是企业出现的经济现象，如债券不偿付、不能支付优先股和银行透支等现象。关于财务危机的定义，国内外学术界有不同的观点。国外大多数学者认为企业提出破产申请行为是企业进入财务危机的标志。国内大多数学者认为上市公司中被ST的公司就是财务危机的企业。本文认同国内学者提出的观点，将被ST的企业作为财务危机型企业进行研究。

(二)财务危机预警

财务危机预警是以企业信息为基础，利用上市公司提供的财务报表、经营计划等相关会计资料，借助比率分析、比较分析、因素分析等数理统计和数据挖掘方法，对企业财务即将呈现的问题进行实时预测报警，督促利益相关者采取有效措施，避免潜在的危机演变成损失。

(三)粗糙集

粗糙集理论是一种研究不精确、不完整和不确定性知识的，可用于分类、发现不准确数据或噪声数据内在的结构联系。粗糙集理论由波兰科学家Z.Pawlak于1982年首先提出，具有许多优点：非常严密的分类问题处理的数学方法；将知识定义为不可分辨关系的类，方便用数学方法处理；可混合神经网络、遗传算法等理论，提供鲁棒性强和成本低的解决方案；是应用驱动的，实用性强；无需提供先验知识。

(四)人工神经网络ANN

人工神经网络是模仿大脑神经及网格的结构和功能，仿效生物处理模式来获得智能处理信息的理论。神经网络由大量神经元按一定规律复杂连接起来，采用由底到顶的学习方法，具有自我学习、自我组织和并行式的“集体”工作方式。其优点在于对噪声数据的承受能力较强，可对未经训练的数据分类，可进行分步计算等。

三、混合粗糙ANN预警模型的构建

(一)混合粗糙集与ANN预警系统的基本原理

采用基于粗糙集与ANN的财务危机预警模型时，样本、财务指标以及人员素质对模型的准确率有很大的影响，特别是财务指标的选择。而影响企业财务危机的指标有销售利润率、资本收益率、资产报酬率和营运资金占有率等，其中有一些指标及数据间存在较明显的相关性。如果把预定指标都作为ANN的输入变量，就将增加网络的复杂度和数据运算时间，也会降低计算的精度。为解决上述问题，可运用粗糙集理论中的知识约简方法来减少信息表达的属性指标，去掉冗余指标和信息。利用知识约简方法可以简化ANN的训练集，即减少了ANN系统的复杂性和训练时间。但是，粗糙集理论在知识推理、预测和自我学习上没有优势。人工神经网络ANN有良好的推理能力、分类能力和学习能力，能从海量的数据中发现规则、提取信息，具有强大的动态预测功能。两种方法的相互结合和补充可以取长补短，从而可以增强人工神经网络处理财务危机预警这类非结构化、非线形的复杂问题

的能力，提高模型实证检验的准确率。

(二)混合粗糙集ANN模型的结构设计

根据传统ANN结构，将混合粗糙集与人工神经网络模型结构分为三层，即输入层、隐含层和输出层。

1.网络层数的设计。对于多层神经网络来说，最主要的任务就是确定可加强网络映射精度的隐含层的数目。虽然隐含层能增加网络处理能力，也可实现任意复杂系统的映射，但如设计过多的隐含层则可能导致网络训练难度加大，网络的效率和时效性降低。由于对于小型网络的边界判别问题和二进制分类问题，单隐含层都能进行良好的分类，也能满足财务危机预警模型的构建和研究，因此本文采用单输入层、单隐含层和单输出层。

2.输入层的设计。财务危机预警模型中的输入层就是企业各财务指标数据的样本X_q＝(X_q1，X_q2，X_q3，…，X_qiXX_qn)T，其中X_qi；为样本q的第i个条件属性。选择n个财务指标就构成n维数的输入空间。虽然输入维数对网络的预测准确率有较大的影响，但过多地扩大输入维数将加大网络负担，影响训练效果和时间。为了改善输入层节点设置的盲目性和主观性，本文引入粗糙集的知识约简理论，消除冗余信息和指标，有效降低了输入维数。即全面选取N个财务指标，通过粗糙集属性约简后得到最简属性集，并将这些最具有分类功能的n个财务指标设置为神经网络输入层的节点。

3.隐含层的设计。隐含层节点数的选择对网络的性能有很大影响，选择多少单元和多少层都是复杂的问题。隐含层每个节点可确定一个判决面，节点也把N维输入空间分为两个部分，同时，又将第一隐含节点形成的多个判决面组成判决域或判决空间。这些节点数有些用来提取图形特征，有些则用来完成特殊的功能。常用的改进BP神经网络动态调整学习算法是将隐含层节点设置多些，让网络自行调整学习来获得大小适合的隐含层节点数。公式为L＝√O.43ran＋0.12n²＋2.54m＋0.77n＋0.35＋0.51.其中，L为隐含层单元数，m为输入层单元数，n为输出层单元数。

4.输出层的设计。通过神经网络模型将定性转化为定量的输出，用输出向量(0)和(1)来表示企业的财务危机状态：危机和安全。采用单节点输出层将大大简化网络结构并提高鉴别危机企业的预测准确率。

(三)混合粗糙集ANN财务危机预警模型的构建步骤

基于混合粗糙集ANN的预警模型具有并行计算能力强、无需处理数据外的其他先验知识、具有较好的鲁棒性和低成本等优点，特别适合处理财务危机这类非线性的复杂数据。模型构建步骤如下：首先，选取上市公司作为研究样本并建立决策表，将上市公司财务指标作为财务指标体系，公司是否出现“ST”作为企业财务特征的判别，样本公司T－3年的财务数据作为决策表，各财务指标作为决策表的条件属性，当年是否“ST”对应决策属性。由于预警模型的属性较多，本文应用粗糙集的属性约简理论，通过粗糙集应用软件ROSETTA进行区分矩阵和区分函数对属性进行约简。再通过粗糙集的知识约简理论对决策表进行约简，除去信息表达的属性数量，减少冗余信息，简化训练集，降低系统的复杂性和缩短训练时间。最后，在ANN模型中设计好参数自适应学习算法对网络进行训练，确定网络权值矩阵和其他相关参数，利用样本数据和ANN强大的并行计算能力来处理财务危机预警这类非线性的复杂系统，并通过实证来检验模型的实际应用价值。

(四)样本的选择

1.样本公司范围确定。本文选择在沪深交易所上市的制造业A股上市公司作为研究样本范围，有以下原因：第一，根据相关规定，B股、H股上市公司是由外资会计师事务所审计，采用的也是国际会计准则。而A股上市公司是由我国会计师事务所审计，执行的是我国的会计制度和会计准则。本文研究的是我国上市公司的财务危机预警模型，所以选择了A股上市公司。第二，由于我国上市公司中制造类公司较多，占比例最大，其公司业务流程完整、财务状况、经营成果和盈利状况比较典型。

2.样本公司数量及分组的确定。本文将总样本分为估计样本组和检验样本组，其中估计样本组的数据用于构建预警模型，检验样本用来检测模型实际运用的预测准确率。参考肖远文、石晓军等学者的研究成果，本文采用ST与非ST为1：3配对比例，选取ST上市公司为30家，非ST上市公司为90家。选择配对的非ST上市公司要满足以下几个基本原则：行业相同，消除公司样本的行业差异；年份相同，减少时间因素造成的干扰；规模相近，增强资产以外其他指标间的可比性。

3.选取ST公司的基本原则。本文选取并认定为ST公司对必须满足以下至少一个基本条件：因注册会计师意见而特别处理的公司；“近两个会计年度的审计结果的净利润均为负值”，包括因“财务报告调整导致连续两年亏损的公司；一年亏损，但“股东权益低于注册资本”的巨额亏损公司。同时，在选取并认定为ST公司时，将有以下情况的sT公司排除在外：2次以上被ST的公司、非财务状况异常而被sT的公司、数据不完整的公司、上市3年就被sT的公司、无法进行配对的公司。

4.样本数据会计年度的选取。企业出现财务危机并非“一日之寒”，而是一个连续的渐进的经营管理状况的动态恶化过程。本文选择企业2008－2010年3年的财务指标作为样本数据构建预警模型。

5.样本数据的来源。120家上市公司近3年的所有财务及非财务数据均来自国泰君安公司CSMAR数据库。

(五)财务指标选取

本文在借鉴前人研究成果的基础上，最终确定了具有代表性和可操作性的43个预警指标，其中财务指标29个，非财务指标14个(如下表所示)。

四、预酱模型的实证检验

(一)选取估计和检验数据集。估计样本由15家ST公司和45家非ST公司组成，这组数据是用于构建财务危机预警模型。而用于检验财务预警模型准确率的检验样本由剩下的15家ST公司和45家非ST公司组成。

(二)利用SPSS统计分析软件提供的独立样本T检验进行指标的初次筛选，剔除T检验总体方差值大于等于0.08那些显著性差异不大的指标，筛选后从43个指标中得到11个指标：X1、X3、X5、X10、X14、X17、X18、X21、X22、X25、K13。

(三)由于粗糙集只能处理离散化的数据，所以本文使用Maflab的竞争性学习网络工具箱中的函数进行聚类，将决策表中每个属性的各个连续值组成的向量作为网络的输入，设定参数Kohonen learning rare＝0.02、Conscience learning rate＝1.001和Number of neurons＝3，得到神经网络输出的数据。

(四)利用Rosetta粗糙集工程软件的RSESGeneni－eRedueer遗传运算规则对作为输入的离散化数据进行属性约简，最终对本文初选的11个财务指标约简后得到6个财务指标。

(五)确定神经网络各层的节点数，对模型进行初始化设置并估计样本的仿真训练。利用知识约简将科学地降低神经网络输入端的维数。最终确定输入层单元节点确定为6个，输出层元个数为1个，隐含层元个数为12个。利用Mat.1ab进行混合神经网络财务危机预警模型的初始化设置和网络仿真训练，基于快速BP算法的前向反馈型神经网络模型采用Sigmoid函数，学习规则上选取动量因子算法规则，学习速率采用自适应学习速率。训练参数设置如下：目标误差为0.0001，学习速率增加的比率1.2，学习速率减少的比率为0.8，动量因子为0.96。在Matlab软件对估计样本的6个财务指标作为神经网络的输入端，采用基于快速BP的前向型神经网络进行网络训练。在经过2186次迭代生成权值矩阵后，神经网络训练结束并获得用于对估计样本组进行仿真的权值矩阵和相关阀值。经过Matlab软件对估计样本组上市公司财务数据的处理，得到的基于混合粗糙集ANN的财务危机预警模型的回判仿真准确率为100％。

(六)将训练好的神经网络对检测样本进行仿真，以判断模型的预测能力。经过Maflab软件对检测样本组的上市公司财务数据进行实证检验，其准确率为86.3％，说明该模型具有良好的预测效果。

五、总结

基于粗糙集ANN的财务预酱模型是利用粗糙集的知识约简优化神经网络模型的输入端，可降低网络的复杂性，也可提高网络训练速度，提高神经网络学习能力、推理能力和分类能力，能较好地帮助企业管理者、投资者和债权人等利益相关者对企业财务危机状态进行动态测定和预警。与传统的单元、多元统计分析方法及单一的神经网络相比，本方法具有较高的预测准确率和实际应用价值。

作者：周喜 吴可夫

动态财务危机预警建立论文 篇2：

基于Logistic模型和主成分分析的上市公司财务预警分析

摘 要：利用Logistic回归分析和主成分分析法，采用我国2011—2013年食品类上市公司的财务报表数据，构建财务危机预警模型。实证结果显示，上市公司财务预警模型具有可操作性，且预测的准确率很高，能够增强上市公司内部财务风险管理的意识，通过更明确地反映财务状况，有效遏制财务危机，提高上市公司的经济效益。

关键词：主成分；Logistic模型；财务预警分析

引言

随着全球经济一体化进程，我国市场经济不断发展完善，上市公司之间的竞争也愈演愈烈，市场的复杂性和不可预见性使得企业一旦经营不善就可能陷入财务困境之中。从20世纪开始，全球经济出现了许多复杂情况，很多企业包括上市公司陷入了财务危机，甚至因此而导致破产。

财务危机，也称财务困境或财务失败，财务危机分为经营失败、无偿付能力、违约、破产四种情形，最终可能会导致公司破产。财务危机预警就是利用企业财务信息和相关资料，选取一些敏感性较高、有针对性的财务指标，通过建立数学模型，及时监控和预测可能出现或已经出现的财务危机。随着由于财务危机而导致破产的企业增多，财务风险管理的重要性愈发显著。财务危机预警既满足企业在日趋激烈的竞争中维持生存最基本的需要，也符合市场竞争机制的动态要求。如何做到防患于未然，预测财务风险是上市公司需要考虑的重要问题。

鉴于此，本文以食品类上市公司为例，试图通过选取能够全面反映食品上市公司经营状况和财务状况的指标（包括反映其盈利能力、营运能力、获取现金的能力、偿债能力以及发展能力）构建其财务危机预警指标体系，针对食品上市公司被实施ST前三年的财务数据，分别运用Logistic回归分析和主成分分析方法来建立财务危机预警模型，并对其判别效果进行比较分析，以期为上市公司的财务危机预警起到一定的参考作用。

一、文献综述

（一）国外的财务危机预警研究

财务危机预警研究源于 20世纪30年代，美国学者Fitzpatrick（1932）首次采用以财务比率作为预测财务危机的单变量分析方法，比较分析了健康和危机企业的财务指标。20世纪60年代，学者Beaver et al.采用统计方法，首次建立了单变量财务危机预警模型。最早的多元判别预警模型是 Altman的Z-Score模型。Sevim et al.重点对比分析了一元判断分析模型、多元判断分析模型及Logistic模型的优缺点，最终选取Logistic模型对土耳其国内的制造业上市公司的财务状况进行了动态预测。Ohlson采用多元 Logistic回归方法构造财务危机预警模型，并发现了企业当前的变现能力、资本结构、规模、业绩四个指标有明显的预测效果。后来的研究学者用人工神经网络模型以及多元概率比回归模型，也取得了较好的预测结果。

（二）国内的财务危机预警研究

国内对财务预警的研究相较国外起步比较晚。周首华、杨济华、王平利用Compustat PC Plus建立了 F 分数模型。学者于文华等收集了ST、非ST两类制造业上市公司财务数据，通过构建Logistic回归模型处理财务危机预警指标，探析了财务危机爆发主要影响指标。何妮选取非参数检验、显著性检验及因子分析等方法，构建了Logistic回归模型发现财务危机预警模型具有可实施性。章早立、何沛俐在采用Logistic 回归分析之前使用全局主成分分析，并建立了以时序立体数据空间为基础的财务危机判别模型。刘静以34家正常公司为例，利用F分数模型对财务数据进行了分析，认为F分数模型在制造业上市公司财务危机预判上精度较高。王世兰通过对现阶段的财务危机预警模型进行归纳总结，认为目前所应用的制造业上市公司财务危机预警模型可归纳为传统统计方法和人工智能两类。张健基于Logistic回归法建立了EVA财务危机预警模型，对52家上市公司的财务状况进行实证检验，但研究发现该方法只适用于短期预测。

通过上面的文献综述，可以发现财务危机预警模型还存在一些不足：一是没有考虑到财务指标之间具有的较强相关性，可能导致信息重叠，影响预警模型的稳健性。二是选取财务指标没有考虑财务信息失真的影响。上述国内外研究文献在预警方法与模型方面，多集中于Logistic或因子分析等单一预测模型的构建与使用，而对不同方法间财务危机预警精度差异的研究较少，缺乏针对制造业财务危机预警方法的探讨。

二、研究设计

（一）选择研究样本

本文中选取2011—2013年首次被实施ST的43家A股食品上市公司作为研究对象，并按照合适的比例选取同行业上市公司被实施ST资产规模相近的43家非ST公司作为配对样本。将这86家公司分为建模组和检验组： 选取2011—2012年被实施ST的32家食品上市公司和相对应的32家非ST公司作为建模组，利用Logistic回归分析和主成分分析方法建立财务危机预警模型；选取2013年被实施ST的11家食品上市公司和与之对应的11家非ST公司作为检验组，验证模型的准确度。

（二）选取财务指标

选取合适的样本之后，指标的选取成为模型预测的关键。企业在选择财务危机预警指标时，首先，应该考虑企业的实际状况选取合适财务危机预警指标。其次，选择的财务指标通常要包含能够全面反映企业财务状况和经营状况的信息，以及能否很好地反映该公司的财务危机。鉴于此，选取了包括盈利能力、营运能力、获取现金的能力、偿债能力以及发展能力几个方面的22个财务指标作为研究变量（如下表所示）。

另外，选取的反映盈余管理程度的财务指标主要有：应收账款占销售收入比率、其他应收款与流动资产比率和应收账款与流动资产比率，以及非经常性损益占利润总额比率。

（三）研究的方法

1.提取主成分。鉴于财务指标之间较强的相关性，可能导致信息重复，不利于分析和构建后续预警模型，因此克服财务指标之间的多重重复性，保留财务信息，建立有效的财务预警模型尤为重要。这里采用主成分分析方法将众多具有相关关系的财务指标变量转变为彼此不相关的较少的的综合指标。如下公式：

fi=a1x1+a2x2+…+aixi（i=1，2，…n）

2.选择模型。Logistic回归分析方法不要求因变量服从正态分布，与多元线性回归相比，这种判别分析方法更加稳健，在实际运用中也更加简便。因此，Logistic回归分析方法是处理模型中变量的常用统计分析方法，也是研究财务危机的主流方法。公式如下：

其中，p为在给定自变量xn的值的条件下事件发生的概率，ai为回归系数，a0为截距。

3.构建模型。对提取的10个财务预警指标主成分，应用 SPSS 统计分析软件进行Logistic回归分析，并剔除判别作用不显著的财务预警指标主成分F2、F6和F9，最后得到包含F1、F3和F5等7个财务预警指标主成分的预警模型。分别采用K 独立样本非参数检验和T 检验来检验因变量的均值是否具有明显差异性。检验结果显示，在α=0.05显著性水平下，有X1、X2等预警指标变量有显著性差异。

4.检验模型预测能力。由于上述样本中正常公司与出现财务危机公司比例为2∶1，所以选取 0.67 作为判别点。P≥0.67时，为正常公司，反之则为财务危机公司。利用财务危机预警模型对检验和建模样本分别进行检验，结果显示，Ⅰ类误判率（财务危机公司误判为正常公司的比率）低于15%，模型前后两次检验的准确率也均超过85%。这也证实了基于Logistic回归和主成分分析的财务危机预警模型的稳定性较强，预测能力较高，同时又可以降低误判成本。

结论

本文对食品类上市公司的财务数据和指标进行分析，利用Logistic回归方法建立了财务危机预警模型，并与利用主成分建立的财务危机预警模型分析结果进行分析比较，发现Logistic回归分析法更加适用于食品类上市公司的财务危机预警。

参考文献：

[1] Fitzpatrick P.J.A comparison of ratios of successful industrial enterprise with those of failed firms[J].Certified PublicAccountant，1932，（10）.

[2] Beaver W.H.Market price，financial ratios and the prediction of failure[J].Journal of Accounting Research，1968，（2）.

[3] Sevim C.，Oztekin A.，Bali O.et al..Developing an early warning system to predict currency crises[J].European Journal of Operational Research，2014，（3）.

[4] Tennant D.Factors impacting on whether and how businesses respond to early warning signs of financial and economic turmoil：Jamaican firms in the global crisis[J].Journal of Economics and Business，2011，（5）.

[5] Koyuncugil S.，Ozgulbas N..Financial early warning system model and data mining application for risk detection[J].Expert Systemswith Applications，2012，（6）.

[6] 周首华，杨济华，王平.论财务危机的预警分析——F分数[J].会计研究，1996，（8）.

[7] 陈静.上市公司财务恶化预测的实证研究[J].会计研究，1999，（4）.

[8] 吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）.

[责任编辑 陈丹丹]

作者：罗宁

动态财务危机预警建立论文 篇3：

财务危机预警理论研究述评

[摘 要] 财务危机预警属于微观经济预警的范畴，具有重要的研究价值。本文对国外财务危机预警模型的研究进行了综述，对国外财务危机预警模型进行分析比较，并对财务危机预警模型研究的发展趋势进行了展望。

[关键词] 财务危机 预警模型

随着资本市场的不断完善，财务危机预警的研究一直是实务界和学术界关注的热点问题。财务危机预警是以财务会计信息为基础,通过设置并观察一些敏感性预警指标的变化，对公司可能或者将要面临的财务危机实施的实时监控和预测警报。

一、前言

财务预警中的数学模型就是财务预警模型，它是指借助公司财务指标和非财务指标体系，识别公司财务状况的判别模型。

按照研究方法可分为定性研究和定量研究。定性分析包括：标准化调查法；“四阶段症状”分析法；“三个月资金周转表”分析法；流程图分析法；管理评分法(王玲玲等，2005)。定量分析已取得了比较成熟的研究成果，可以划分为两个阶段：20世纪60年代～80年代，形成了一些以统计方法为分析工具的传统的财务危机预警模型，主要包括：单变量判定模型(Univariate)；多元线性判定模型(Multiple discriminate analysis，MDA)－Altman的Z值判定模型（Z-score 模型、Zeta模型、Z*值模型）、Edmisterd(1972)的小公司财务预警模型、英国的Taffler(1977)的多变量模式、日本开发银行建立的“利用经营指标进行公司风险评价的破产模型”；概率模型(Logistic regression model)－多元逻辑(Logit)回归模型、多元概率比(Probit)回归模型，这些模型的发展已趋于成熟，但存在着难以克服的缺陷。

20世纪90年代后，学者们开始探索使用新的方法，主要是非统计方法来创建的新兴的财务危机预警模型，它们从不同方面克服了传统模型的缺陷。但新兴的财务困境预警模型的探讨与应用研究较为分散，还没有形成完善的综合研究格局。本文综合述评了新兴的财务危机预警模型，并对未来的研究方向进行展望。

二、新兴的财务危机预模型

由于传统的財务危机预警模型所采用的统计方法一般都受制于母体分布的假设前提，存在着难以克服的缺陷，因此，20世纪90年代后，主要是基于非统计方法的新兴的财务危机预警模型。

1.建模技术的发展

(1)粗糙集分析(Rough set analysis，RST)。Slowinski和Zopoudinis(1995)率先将粗糙集分析方法用于企业失败风险的评估。粗糙集方法包含了知识发现及分类决策法则的推导。它善于用不完善的信息进行分类，被证明是用一组多价值属性的财务比率描述失败与非失败公司的有效工具。(2)神经网络模型(Artificial neural network，ANN)。Odour和Sharda(1990)是最早把BP神经网络技术应用于财务危机预测研究中，结果显示神经网络要优于当时的判别分析模型。(3)混沌模型(Chaos theory model)。Lindsay和Campbell(1996)将公司视为具有混沌行为的系统，建立了公司失败预测模型。它是对企业财务健康状况的非线性动态分析，能测度出企业在不同时期混沌量的差异。(4)自组织映射模型(Self organizing map model)。Kiviluoto & Bergius(1998)在运用SOM技术时考虑了动态性，他们建立了双层自组织映射模型，可分析连续几年的财务信息，对破产与非破产公司进行可视化的区分，并勾画出随时间演变的失败路径。(5)多维标度模型(Multi dimensional scaling model，MDS)。Bishop、Mar-Molinero和Turner(2003)利用MDS在行业背景下对一家公司财务状况的演变过程进行了案例研究，它是一种图像化的聚类方法，它的独特之处是把公司当作变量，而将属性(如财务比率)作为案例。(6)累积和模型(Cumulative sum model，CUSUM)。Kahya和Theodossiou运用累积和模型对公司失败进行预测，认为模型还应包含财务状况恶化的动态过程信息，于2000年提出了预测公司失败的CUSUM模型，该方法能探测财务状况由好转坏的拐点，对财务状况恶化敏感并具有记忆力，区分财务指标变化是由序列相关引起的还是由于财务情况恶化造成的。除了以上介绍的财务危机预警模型之外，还包括基于模糊法则的分类模型、动态事件历史分析、机器学习决策树法、线性目标规划法、专家系统等。

2.建模变量的发展

(1)加入期权变量。Charitou和Trigeorgis(2000)使用B-S期权定价模型中的相关变量构建了财务危机判别模型，对1983年到1994年期间的139对美国公司进行了对比检验，结果发现到期债务面值、公司资产的当期市价、公司价值变化的标准差等期权变量在预测破产方面作用显著。(2)利用市场收益率。Aharony等提出了基于市场收益率方差的破产预测模型。发现在正式的破产公告日之前的4年内，破产公司股票的市场收益率方差与一般公司存在差异。Altman和Brenner发现，破产公司的股票在破产前至少１年内在资本市场上表现欠佳。Clark等发现破产公司股票在破产前至少3年内存在负的市场收益率。（3)加入公司股权结构、治理结构变量。有学者研究发现，公司的股权结构、治理模式等会对业绩产生重要影响。Simpson等研究了银行企业董事会结构、所有权和财务困境。Gilson研究了处于财务困境中的企业中高级管理人员的更替问题。除了以上介绍的财务危机预警模型之外，还包括运用现金流量指标、加入参考审计意见、加入违约距离、基于平衡计分卡等的模型。

三、财务危机预模型的评析

1.财务危机预警模型缺乏经济理论的指导

目前财务危机研究集中于预警模型的构建之上，并未深入到对引起公司财务危机的内部机理的探析。被引入模型的变量（财务指标）只是公司陷入财务危机的征兆，而不是公司陷入财务危机的原因和本质。用财务变量建立预测模型对公司财务危机进行预测只是一种基于样本的相关性分析，而不是因果关系。大多数财务预警模型只能给财务分析人员提供一些表面上的信息，而不能从根本上防止公司陷入财务危机。

2.预警变量选择缺乏理论支持

目前还没有形成有说服力的优选预警变量的理论框架，影响了模型预测的可靠性。预警变量（财务指标）的选取不能在理论指导下有系统性的进行，而只能靠研究者经验判断、对前人研究成果借鉴和统计筛选。研究者的经验判断会因主观因素影响模型预警效果。事实上，诸多模型中变量的选择都存在显著差异，即使是同一类型的财务指标，不同的研究者选取的指标差异也很大。

3.预警模型考虑定性变量和非财务指标有限

财务危机预警型主要以财务会计报表数据为基础，以各种财务指标为变量来建立预警模型，对定性变量和非财务指标使用有限。不可否认财务报表数据是公司经营状况的一个综合反映，但财务报表数据披露不足，时效性较差，缺乏对风险信息和不确定信息的披露。非财务指标和非定量因素在披露公司财务状况方面要比财务指标更为可靠、有效，公司的生存和发展会产生许多有利或不利的影响，有时可能是本质原因，比如，公司出现过度依赖银行贷款、公司人力资源匮乏、公司市场定位不清等状况，都预示着公司存在潜在的危机，而这些是财务比率所不能反映的。

4.非平穩问题的处理重视不足

很多方法在运用中对数据的非平稳性问题重视不足。由于商业周期的阶段性、市场环境的变化及技术变革等原因，检验时段与预测时段的自变量平均结构可能发生变化，变量间的关系也随之改变。很多研究没有对这一问题加以重视，可能导致模型的预测力与鲁棒性受到影响。因此有必要对数据进行一些处理，如使用行业相对比率、扣除数据中的通胀因素等，使变量的平均结构及变量间关系从检验期向预测期跨越时保持相对平稳。

四、财务危机预模型研究的展望

1.深入研究基于经济、财务及管理的理论

要深入研究基于经济、财务及管理理论，系统揭示公司陷入财务危机的内部机理和规律，建立宏观层次要素和公司财务危机微观层次间的联系，以提高模型的可信度和解释能力。

2.预测变量的选择多样化

财务危机预警模型不能单纯依靠财务指标，至少要在预警系统中涉及到非财务指标和定性变量，这样才能更为完整地反映公司全貌。如：考虑宏观经济波动指标、产业指标、管理指标、市场收益类和市场收益方差类指标、行业差异的指标等；考虑定量方法和定性方法的有机结合。因此，未来的发展趋势应当是以财务指标为主，兼顾其他几类指标和定性变量，构建更为全面的备选指标组，然后进一步通过现代分析方法对备选指标进行相关性分析，保留主要指标进行建模，以起到信息互补、提高预测精确度、提高模型的判别能力、拓展模型的适用性的作用。

3.预测方法转向实时动态预测

随着网络技术和计算机技术的高速发展，特别是以Internet为主的现代信息技术的发展，为危机预警带来了新的机遇和新的挑战。如何利用现代信息技术的强大功能将危机预警系统与公司其他信息系统相融合，建立网络环境下的危机预警系统，动态、实时地从内部信息网络和Internet上获取最新数据，不断修正完善预警模型，使得预警模型成为一个动态学习的模型，将是今后研究的热点。

五、结束语

通过对财务困境预警模型进行回顾和评析，使我们的研究视野有了极大的拓展，便于我们在借鉴前人思路和方法的基础上进行更深入的研究，也便于我们选用最为恰当的财务困境预警模型去研究我国的财务困境预警问题。

参考文献：

[1]王玲玲 曾繁荣:财务预警模型评述[J].市场论坛,2005(12)

[2]Slowinski R, Zopudinis C. Application of the rough set approach to evaluation of bankruptcy risk[J].Intelligent Systems in Accounting, Finance and Management,1995,4:27～41

[3]Odour M D, Sharda R.A neural network model for bankruptcy prediction[J].Conference on Neural Networks,1990(6):136～138

[4]Lindsay D H, Campbell A. A chaos approach to bankruptcy prediction[J].Journal of Applied Business Research,1996,12(4):1～9

[5]Kiviluoto K, Bergius P. Exploring corporate bank-ruptcy with two-level self-organising map[A].Paper published in the Proceedings of the Fifth International Conference on Computational Finance[C].London Business School, Boston, Massachusetts,USA:Kluwer Academic Publishers,1998:373～380

作者：邓　敏　韩玉启