邢跃群1马晶晶1赵丽丽2（1.东北电力大学经济管理学院；2.东北电力大学自动化工程学院）
摘要：随着我国证券市场和资本市场的快速发展，上市公司的数量日益增长，但发生财务危机进而破产的企业也越来越多。因此，建立财务预警系统对企业的财务运营过程进行跟踪、监控，及早发现财务危机信号，预测企业未来的财务状况，具有非常重要的现实意义。本文主要介绍了国内外有关财务预警系统中模型的研究，并对已有的研究成果进行总结和评述。
关键词：财务管理上市公司财务预警财务预警模型
0引言
我国证券市场经历了十多年的发展，上市公司的数量在不断增多，但是每年均有几十家公司由于发生财务危机而沦为ST（股票交易被特别处理），对整个证券市场的信誉和流通造成了极为不良的影响，并给投资者带来了损失。特别是上市公司的财务信息对多方利益相关者都有着重要影响，因此，建立财务预警系统、强化财务管理、避免财务失败和破产，具有重要意义。在理论和实践中需要找到一种切实可行的方法，在上市公司财务危机之前提前警示，从而能够及时采取应对措施以改善公司的财务管理状况，化解财务风险。
所谓企业财务预警，即财务失败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，反映公司的财务状况并对潜在的财务风险实施实时监控和发出预警信号，从而为公司管理者和其他关系人提供决策依据。财务预警中的数学模型就是财务预警模型，它是指借助企业财务指标和非财务指标体系，识别企业财务状况的判别模型。财务预警模型是经济领域正在探索的课题，财务预警模型大致可分为统计类财务预警模型和非统计类财务预警模型。近年来，财务预警模型在上市公司中的研究与应用不断获得成功，本文对一元判别模型、多元线性判别模型、多微区分模型、多元逻辑回归模型、多元概率比回归模型、神经网络模型等在上市公司中的研究及应用状况进行了介绍。
1财务预警模型的研究现状
1.1一元判定模型一元判定模型是有关财务预警模型的最早研究，它始于对净利润/股东权益和股东权益/负债具有高效的辨别能力的单变量破产预测研究，其后，由美国学者Beaver于1966年正式提出了相对成熟的单一变量模型，即一元判别模型。一元判别模型是指将某一项财务指标作为判别标准来判断企业是否处于破产状态的一种预测模型。在一元判定模型中，最为关键的一点就是寻找判别阀值。
1998年陈静以27家ST公司和27家非ST公司为样本，利用其1995年至1997年财务数据进行单变量分析，得出资产负债率和流动比率在宣布ST前一年的误判率最低，而净资产收益率的误判率极不稳定；吴世农，卢贤义以70家ST上市公司和70家非ST上市公司为样本，进行单变量分析，认为净资产报酬率的判定模型误差最小，资产周转率的判定模型误差最大。由于财务预警模型多是定量分析，李秉成从定性角度对财务危机进行了单变量分析，考虑财务困境的形成和困境征兆，提出了财务困境加权分析法和象限分析法两类财务困境综合分析方法，结果表明通过对征兆是否存在的分析可以初步判断公司是否会发生财务困境。
一元判定模型方法简单，但是总体判别精度不高，并且只重视一个指标的判别能力，但是仅用一个财务指标是不能充分反映企业的整体财务特征的；如果多个指标共同判断，又可能会呈现矛盾的结果。因此运用单变量模型，指标的选择至关重要。目前，多变量财务危机判别模型已经是财务风险预警模型中的主流。
1.2多元线性判定模型公司的财务困境往往是多方面的因素造成的，公司在即将发生财务困境时比率并未发生明显变化，而是会引起公司一系列的指标发生变化。美国学者Altman通过长期对财务风险预警模型的研究，于二十世纪60年代提出了著名的Z-Score模型，即多元线性判定模型。这种分析模式是运用多种财务指标加权汇总产生的总判别值来预测财务风险，即建立一个多元线性函数模型，来综合反映企业的财务风险。判别方程的形式可用下式描述：
Z=V1X1+V2X2+…VnXn（1）
根据判别方程可以把单个企业的各种财务比率转换成单一的判别标准，或称为Z值，根据Z值将企业分为“破产”或“非破产”两类。其中，V1、V2…Vn是权数，X1、X2…Xn是各种财务比率。Altman的Z模型预测方程包含五个判别变量(5种财务比率)，分为在上市公司和非上市公司两种情况。其中，上市公司的Z值模型如下：
Z=1.2X1+l.4X2+3.3X3+0.6X4+0.999X5（2）
其中，
X1=(期末流动资产-期末流动负债)/期末总资产
X2=期末留存收益(未分配利润)/期末资产总额
X3=息税前利润/期末资产总额
X4=期末股东收益的市场价值/期末负债总额
X5=本期销售收入/总资产
Altman的研究表明，一般美国公司Z值的临界值为1.81。具体判断标准为：Z>2.675时，财务失败的可能性很小；1.81>Z>2.675时，称之为“灰色地带”，即进入这一区间的企业财务是极不稳定的；Z<1.81时，财务失败可能性非常大。Altman的Z模型在企业破产前一年的总体判别准确度高达95%。
Altman的模型提出之后，很多专家对它进行进一步的研究和论证，结合本国企业的实际情况建立了适用本地的多元线性判别模型。多元线性判别方法现已成为财务困境预测最常用的方法。杨建仁，何宜庆认为，Z计分模型可以作为我国上市公司的财务预警模型。运用Z计分模型对我国上市公司的财务状况进行预测时，其准确性令人满意，但是必须注意它的时效性，即模型的预测结果表明的只是短期的财务状况，而不是长期的和永久的财务状况。苏虹涛，赵守国建议我国上市公司财务预警系统采用Z模型。他们认为该模型判断企业财务状况的临界值比较合理，各临界值之间跨度不大，警情很容易区分，但同时也认为运用Z计分模型进行预测时，必须注意它的时效性。张文，李海燕从Z计分模型的应用入手分析企业潜在的财务危机可以及早发现，在财务危机的萌芽阶段即采取有效措施予以化解或降低。建立公司财务预警系统，对企业经营者、外部投资者、债权人乃至证券监管部门进行风险控制均具有积极意义。周兴荣，毛开拥，左志勇提出“Z-Score”模型在我国有它使用的空间，但是由于我国的国情不同，Z值一般比较低。所以Altman的Z模型在应用时，应根据我国的实际情况加以修订，才能适应我国的国情。苏亨万对Z模型在我国上市公司财务风险预警中的运用进行分析，针对我国的具体情况提出相关修正意见：下调Z值的临界值；编制现金流量预算，加入现金流量指标；合理计算股东权益的市场价值；财务指标由期末数改为平均数。
Z模型具有较高的判别精度，并且克服了单变量预警模型的缺陷，能反映企业财务状况的多项指标，包含独立变量，有利于不同财务状况的比较，而且模型建立完成之后，运用相对容易。但Z模型也存在一些缺点：第一，多元线性判定模型只对企业破产前一年的预测精度较高。第二，多元判定模型假定自变量是呈正态分布的，两组样本要求等协方差，而现实中的样本数据往往并不能满足这一要求。如果近似地使用多元线性判定模型，也会降低模型的预测精度。第三，由于企业规模、行业等存在诸多差异，该模型不具有横向可比性。
1.3多微区分模型多微区分模型国内也称为F分数模型。该模型是美国学者在使用SPSS-X统计软件多微区分分析（MultipleDiscriminateAnalysis）方法的基础上，统计1977年到1990年62家企业（其中有31家破产企业）的有关资料建立起来的，在Z模型的基础上，增加现金流量指标。其预测企业财务危机数学模型为：
F=1.1091A+0.1074B+1.9271C+0.0302D+0.4961E－0.1774（3）
其中,
F=预测企业财务危机值
A=总资产营运资金率=（期末流动资产－期末流动负债）/期末总资产
B=总资产留存收益比率=期末留存收益/期末总资产
C=负债与现金净流量比率=（税后利润+折旧）/平均总负债
D=负债与净资产价值比率=期末股东权益的市场价值/期末总负债
E=总资产与息前现金净流量比率=（税后净利+利息+折旧）/平均总资产
现金流量指标是衡量一个企业能否持续经营和预测企业财务危机的有效变量,它是衡量一个企业可用于偿还企业债务能力的重要指标。我国学者周首华、杨济华、王平使用CompustatPCPlus会计资料库中1990年以来的4160家公司的数据作为检验样本对该模型进行了验证。该模型五个自变量的选定是基于财务理论，模型以0.0274为临界点，若某一特定的F分数低于0.0274，则将被预测为破产公司；反之，若F分数高于0.0274，则公司将被预测为可以继续生存的公司。F分数模型的数值在其临界点上下0.0775内为所谓的不确定区域，在此区域内有可能把财务危机公司预测为继续生存公司，也有可能将继续生存公司预测为财务危机公司。张斌以亚星客车公司为例，得出F分数模型增加了现金流量这一预测公司破产的有效变量，可以使预测更具可靠性，是企业建立财务预警体系的一个比较理想的选择。李丹，孙长江认为该模型在评价上市公司财务风险方面具有更强的指导意义，同时指出其仍然存在缺陷。F模型没有考虑到不同行业之间的财务指标差异。虽然F分数模型是建立在较大样本基础上的，但是具体到某行业来说，财务模型的具体运用上还需要做一定的改进。另外，F模型是面对上市公司而建立的，对于非上市企业来说，期末股东权益的市场价值很难确定。
1.4多元逻辑（Logit）模型多元逻辑模型的目标是寻求观察对象的条件概率，据此判断观察对象的财务状况和经营风险。这一模型建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的条件。
Ohlson是第一个采用Logit方法进行破产预测的。他用多元逻辑回归方法分析了1970-1976年间破产的105家公司和2058家公司组成的非配对样本，发现利用公司规模、当前的变现能力进行财务危机的预测准确率达到96.12%。他发现公司规模、资本结构、业绩和当前的融资能力是对公司破产概率的影响非常大的变量。
其判别规则是：如果p值大于0.5，表明企业破产的概率比较大，可以判定企业为即将破产类型；如果p值低于0.5，表明企业财务正常的概率比较大，可以判定企业为财务正常。继Ohlson之后，很多学者也采用了类似的方法进行研究。Logit模型的最大优点是，不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，具有了更广泛的适用范围。目前，这种模型的使用较为普遍，但其计算过程比较复杂，而且在计算过程中有很多的近似处理，会影响到预测精度。
陈晓等运用多元Logit回归，通过1260种变量组合，研究结果表明：负债权益比率、应收账款周转率、主营业务利润/总资产、留存收益/总资产具有较强的预测能力。龙胜平，郑立琴以主成分分析和Logistic回归分析相结合建立预警模型，对房地产上市公司进行检验。得出结论，该预警模型能够对我国房地产企业起到很好的预警效果，其解释性强。吕继英选取制造业上市公司最近三年的时务指标数据创建预警系统模型，进行财务风险预警研究。认为离企业陷入财务困境的时间越近，判别的准确率越高。不同行业的财务指标之间不具有可比性，而企业财务指标又有一定时效性。李康将信用风险模型中的违约距离（DistancetoDefault）及预期违约频率(ExpectedDefaultFrequency)变量引入Logit模型中，实证结果显示预测能力没有得到显著的提高。希望在不断规范的市场中，基于信用风险的财务预警模型会有改善的空间。
1.5多元概率比(Probit)回归模型Probit模型计算方法和Logit很类似，均为二元选择模型中最为常用的两种模型，且二者都适用于非线性情况。所不同的是，probit模型假设条件概率分布服从累计标准正态分布函数，而Logic模型不需要严格的假设条件，实际上，这两个分布函数曲线除了在极尾段外其余部分几乎完全一样，如果没有极端值，理论上两种方法得出的结论非常相似。
Probit回归模型同样的假设企业破产的概率为p，通过确定企业样本的极大似然函数，并求似然函数的极大值得到参数a、b
求出企业破产的概率。和Logit模型的判别规则一样，如果概率p小于0.5，就判别为财务正常型；如果p大于0.5，则为即将破产型。目前，这种模型的使用较为普遍，但其计算过程比较复杂，而且在计算过程中有很多的近似处理，多次近似之后，数据的准确程度会受到影响。刘杰等运用prohit等模型对重庆市某商业银行的461个样本企业2002-2005年的违约特征进行实证检验和预测，认为prohit模型比DA模型有显著的更强的解释力，异方差的prohit模型有最佳的预测效果。在运用模型进行财务预警研究时，必须对模型的假设进行严格的统计和计量经济学检验。
1.6人工神经网络模型人工神经网络（ANN）模型就是将神经网络的分类方法应用于财务预警。ANN模型通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后向学习两步进行。网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程，学习的目的是使网络的实际输出逼近某个给定的期望输出。根据最后的期望输出，得出企业的期望值，然后根据学习得出的判别规则来对样本进行分类。
财务状态与其众多影响因素间的关系是一种时变性、高度非线性的关系，影响因素集或指标集到财务预警状态集之间是复杂的非线性映射，不存在确定的函数关系表达式，由于传统的财务危机预警模型常常需要预先设定各个指标的权重，而权重的设定需要很多专家来进行，这些方法因而具有很大的人为因素参杂在内，而且，组织专家进行评价本身也是一件很困难的事情，并且各指标权重的确定也相当复杂。基于人工神经网络的财务预警模型，能够充分利用样本财务的有关信息，通过高度的非线性映射，揭示企业财务状态与其相关影响因素之间的内在作用机制，从而从根本上克服了财务预警中建模及求解的困难。
杨淑娥，黄礼通过将BP神经网络和主成分分析法进行比较，不仅体现了BP神经网络模型对数据信息的学习比较充分，容错能力强，而且预测精度高，证明了其有效性和可行性。苗洛涛，汤亚莉等采用BP神经网络构建了整合EVA指标的财务危机预警模型，并以2003-2005年我国沪深两市A股上市公司作为研究对象进行了实证研究，结果证明了整合EVA指标的BP神经网络模型较Logistic模型具有更高的预测精度。郑丕谔，刘颖将BP神经网络预警模型的结果和选取的财务指标一起作为解释变量，建立一个基于神经网络的Logistic回归财务预警模型。同时引入因子分析方法解决了Logistic回归模型的多重共线性问题，该模型较BP神经网络模型预测精度大大提高，同时较大地降低了犯第II类错误(即将破产企业判断为正常企业)的概率。为了提高网络的泛化能力，杨锦明采用贝叶斯分析方法，建立了贝叶斯正则化BP神经网络，有效的克服了传统神经网络容易过拟合、泛化能力不强的缺点，且通过实验表明其预测效果优于传统BP神经网络。另外，针对BP网络有可能陷入局部最小值问题，考虑到LVQ(learningvectorquantization,学习矢量量化)神经网络模型具有很好的模式识别特性，董妍慧构建了财务危机预警的LVQ神经网络模型，成功的对财务危机进行有效的预测，且具有较高的预测精度。
神经网络具有非线性映射和较强容错性的特点，特别是它的自学习能力，可随时依据新的数据资料进行自我学习，调整其内部的储存权重参数，更好的逼近期望输出。近年来，神经网络在模式识别、风险评价、证券分级等方面得到了广泛的应用。神经网络作为非统计类方法，没有严格的前提条件，可以实现任意形式的映射，为财务预警提供了一种新的思路。
1.7其他模型Frydman等提出的递归划分算法属于非参数研究方法，能够避免参数类研究方法的诸多缺陷，并且兼具多变量模型的信息容量大和单变量模型简洁的优点。相对流动性指标(DRL)模型通过预计潜在现金与预计正常现金支出的比例可以较准确地判断出企业资金的流动性，从而评估企业的财务风险。联合预测模型是运用企业模型(CorporateModel)来模拟企业的运作过程，动态地描述财务正常企业和财务困境企业的特征，然后根据不同特征和判别规则，对企业样本进行分类。它克服了财务预测模型只运用财务指标的片面性，能够动态模拟和反映企业经营过程中的方方面面。
2结束语
公司财务预警的实证研究在资本市场发达的国家是一个被广泛关注的研究课题,国内研究相对国外较晚，且其成果大多注重从企业的财务状况方面进行研究，研究人员在变量选择时受到主观判断的影响，不同研究者选取的指标的差异也很大。另外，由于企业所处的环境不断变化，模型的预测精度也需要做出调整，具有自动更新推理能力的神经网络预警模型在判断准确率方面具有较强的优越性，所以神经网络理论所代表的动态预警模型仍将成为今后的主要研究方向。我们应当立足本国实际建立适合我国国情的财务预警理论,在借鉴前人思路和方法的基础上以推动更适合我国财务预警模型的研究与应用。
参考文献：
[1]张丽清，白建新.增强企业风险控制能力建立财务预警机制[J].内蒙古科技与经济.2007.(19):63-64.
[2]BeaverWH.FinancialRatiosasPredictorsofFailure[J].JournalofAccountingResearch.1966.4:71-111.
[3]陈静.上市公司财务恶化预测的实证分析[J].会计研究.1999.(4):31-38.
[4]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):46-55.
[5]李秉成，刘芬芳.财务困境预警分析方法评析[J].武汉科技大学学报(社会科学版).2004.6(1):6-10.
[6]AltmanEL.Financialrations,discriminateanalysisandthepredictionofcorporatebankruptcy[J].JournalofFinance,1968,23(4):76-79
[7]杨建仁，何宜庆.我国上市公司财务风险预警的实证分析[J].江西教育学院学报.2004.25(3):104-106.
[8]苏虹涛，赵守国.我国上市公司财务风险预警的实证分析—以陕西省上市公司为例[J].西安邮电学院学报.2007.12(4):29-31.
[9]张文，李海燕.企业财务风险预警模型应用研究[J].财会月刊.2007.54-55.
[10]周兴荣,毛开拥,左志勇.“Z-Score”模型在企业财务风险监测与危机预警中的应用[J].石家庄经济学院学报.2003.26(3):280-283.
[11]苏亨万.上市公司财务风险预警模型分析[J].北方经贸.2007.(5):62-65.
[12]李丹，孙长江.F分数模型在上市公司财务风险预警中的分析与应用[J].管理实践.2007.(2):38-40.
[13]周首华，杨济华，王平.论财务危机的预警分析—F分数模式[J].会计研究.1996.8-10.
[14]张斌.财务危机预警分析的Z分数模型和F分数模型应用研究—以亚星客车为例[J].现代管理科学.2008(5):51-53.
[15]JamesAOhlson.Financialratiosandtheprobabilisticpredictionofbankruptcy.JournalofAccountingResearch.1980.(18):109-131.
[16]陈晓，陈治鸿.中国上市公司的财务困境预测[J].中国会计与财务研究.2000.(9)：55-72.
[17]龙胜平，郑立琴.我国房地产企业财务风险预警模型研究[J].求索.2007.(6):18-20.
[18]吕继英.制造业上市公司财务风险预警系统模型的构建[J].财务探索.2007.(7):43-44.
[19]李康.基于信用风险的财务预警模型研究[J].经济研究导刊.2006(5):116-118.
[20]刘杰，袁韵锋，黄媛梅.企业财务风险预测模型实证比较分析[J].统计与信息论坛.2007.22(5):97-100.
[21]杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践.2005(1):12-18.
[22]苗洛涛，汤亚莉，王杏芬.财务危机预警工具:基于EVA的BP神经网络模型[J].财会月刊.2008.（2）：57-59.
[23]郑丕谔，刘颖.基于改进BP神经网络的企业财务预警模型及应用[J].内蒙古农业大学学报(社会科学版).2007.9(35):99-101.
[24]杨锦明.基于贝叶斯正则化即神经网络的上市公司财务困境预警模型:[硕士学位论文].长沙:湖南大学.2007.20-25.
[25]董妍慧.基于LVQ神经网络模型的企业财务危机预警[J].大连海事大学学报(社会科学版.2008.7(1):92-94.
[26]门玉峰.信用风险度量方法与模型述评[J].现代管理.2007.(12):226-228.