【摘要】 財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究是一個(gè)全球范圍的熱點(diǎn)課題，七十多年來(lái)在各國(guó)學(xué)者的努力下取得了可喜成績(jī)。20世紀(jì)末，隨著數(shù)據(jù)挖掘和人工智能技術(shù)的發(fā)展，財(cái)務(wù)危機(jī)預(yù)警研究出現(xiàn)新的高潮。文章回顧了20世紀(jì)90年代前后新興的財(cái)務(wù)危機(jī)預(yù)警研究方法中國(guó)內(nèi)外學(xué)者的經(jīng)典作品，在對(duì)各種方法比較后進(jìn)行了評(píng)析。
　　【關(guān)鍵詞】 財(cái)務(wù)危機(jī)； 預(yù)警； ANN； SVM
　　
　　一、引言
　　
　　財(cái)務(wù)危機(jī)是一種企業(yè)盈利能力實(shí)質(zhì)性地減弱，并伴隨持續(xù)虧損的漸進(jìn)式的積累過(guò)程。財(cái)務(wù)危機(jī)的發(fā)生會(huì)使企業(yè)經(jīng)營(yíng)循環(huán)和財(cái)務(wù)循環(huán)無(wú)法正常持續(xù)或陷于停滯，前期表現(xiàn)為違約、無(wú)償付能力、持續(xù)性虧損等，最終表現(xiàn)形式是企業(yè)破產(chǎn)。自20世紀(jì)30年代，F(xiàn)itzpatrick首先采用一元判別分析法對(duì)公司破產(chǎn)進(jìn)行預(yù)測(cè)以來(lái)，財(cái)務(wù)危機(jī)預(yù)警問(wèn)題逐漸為學(xué)者們所重視。Beaver、Altman、Deakin等人開(kāi)創(chuàng)性的研究推動(dòng)了財(cái)務(wù)危機(jī)預(yù)警探討的不斷深入，使之成為資本結(jié)構(gòu)理論的重要分支。作為一個(gè)熱點(diǎn)領(lǐng)域，每種新方法的開(kāi)創(chuàng)性研究后，后續(xù)研究中學(xué)者們多是進(jìn)行用此種方法的模仿性、改進(jìn)性或比較性研究，哪種方法更為有效目前尚未定論，還有待于預(yù)警理論的進(jìn)一步成熟。筆者在回顧文獻(xiàn)時(shí)，也僅列示影響較大的研究成果。
　　財(cái)務(wù)危機(jī)預(yù)警的實(shí)證研究注重通過(guò)考察界定的危機(jī)公司的財(cái)務(wù)特征，主要利用從公司財(cái)務(wù)報(bào)告中獲得的財(cái)務(wù)數(shù)據(jù)和各種方法來(lái)預(yù)測(cè)公司的財(cái)務(wù)危機(jī)。由于它們能夠提供良好的預(yù)測(cè)能力并幫助決策，實(shí)際上已經(jīng)構(gòu)成了財(cái)務(wù)危機(jī)預(yù)警研究的主體。一般實(shí)證研究方法是：先確定一組陷入財(cái)務(wù)危機(jī)的公司；再根據(jù)一定的標(biāo)準(zhǔn)（公司規(guī)模、上市時(shí)間、行業(yè)特征等等）確定一組未陷入財(cái)務(wù)危機(jī)的公司作為控制樣本；采用一定的方法對(duì)兩組樣本數(shù)據(jù)進(jìn)行分析，從而揭示出哪些財(cái)務(wù)比率或指標(biāo)在兩組中存在一致而顯著的差異；最后運(yùn)用具有顯著差異的比率和指標(biāo)，構(gòu)造出進(jìn)行公司財(cái)務(wù)危機(jī)預(yù)警的基本評(píng)價(jià)模型。
　　
　　二、新興實(shí)證研究方法綜述
　　
　　20世紀(jì)90年代前，以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)的傳統(tǒng)財(cái)務(wù)危機(jī)預(yù)警研究方法占主流地位，主要有以下幾種：一元判別分析法（Univariate Discriminant Analysis，UDA）、多元判別分析法（Multivariate Discriminant Analysis，MDA）、多元邏輯回歸法（Multivariate Logit Regression，MLR）、多元概率比回歸法（Multivariate Probit Regression，MPR）和主成分分析法（Principal Components Analysis，PCA）等。20世紀(jì)90年代前后，隨著計(jì)算機(jī)技術(shù)和信息技術(shù)的發(fā)展，學(xué)者們開(kāi)始將更多的數(shù)據(jù)挖掘技術(shù)（Data Mining，DM）、人工智能技術(shù)（Artificial Intelligence，AI）引入到財(cái)務(wù)危機(jī)預(yù)警模型研究領(lǐng)域。這段時(shí)間比較具有影響的方法有：
　?。ㄒ唬Q策樹(shù)法
　　Frydman，Altman和Kao（1985）利用遞歸劃分算法（RPA），以財(cái)務(wù)變量為判別點(diǎn)建立了決策樹(shù)模型（Classification Tree Analysis），以最低誤判成本為標(biāo)準(zhǔn)對(duì)樣本公司進(jìn)行分類(lèi)，發(fā)現(xiàn)多元判別分析模型樣本期望誤判成本明顯高于決策樹(shù)模型；Boyleetal（1993）研究認(rèn)為，決策樹(shù)方法與多元判別分析法的評(píng)分結(jié)果相近，而且兩種方法可交替使用；Feng Yu Lin和Sally M-coean（2001）將4種獨(dú)立的財(cái)務(wù)預(yù)警研究方法（判別分析法、邏輯回歸法、神經(jīng)網(wǎng)絡(luò)方法及決策樹(shù)方法）進(jìn)行不同的組合，建立了3種混合模式，再對(duì)這些方法進(jìn)行實(shí)證分析，驗(yàn)證結(jié)果表明在同等條件下，混合模式明顯優(yōu)于單個(gè)方法模式。
　　姚靠華（2005）以上市公司為研究對(duì)象，選取了反映盈利能力、償債能力、營(yíng)運(yùn)能力、成長(zhǎng)能力和公司規(guī)模的17個(gè)財(cái)務(wù)變量，應(yīng)用決策樹(shù)建立了我國(guó)上市公司的財(cái)GWu+seINUbzVUXzMmu1Ouqm9h+sCkwF7/BoB4rea7ak=務(wù)危機(jī)預(yù)警模型，實(shí)證結(jié)果表明模型具有較好的預(yù)測(cè)性；閆二梅（2008）也建立了決策樹(shù)模型，并將決策樹(shù)模型預(yù)測(cè)結(jié)果與MLR模型的預(yù)測(cè)結(jié)果進(jìn)行比較，研究表明決策樹(shù)模型的預(yù)測(cè)準(zhǔn)確率高于MLR模型；趙靜嫻（2008）提出一種改進(jìn)了的基于決策樹(shù)的預(yù)警模型，通過(guò)正規(guī)增益標(biāo)準(zhǔn)對(duì)企業(yè)的財(cái)務(wù)變量進(jìn)行排序降維，避免了冗余信息的影響，直接生成最小決策樹(shù)，抽取預(yù)警規(guī)則。
　?。ǘ?zhuān)家系統(tǒng)法
　　Messier和Hansen（1987）首次將專(zhuān)家系統(tǒng)（Expert System，ES）引入到財(cái)務(wù)危機(jī)預(yù)警領(lǐng)域，他們從知識(shí)獲取角度探討比較了專(zhuān)家系統(tǒng)在信用分析領(lǐng)域的應(yīng)用，將該方法與線性判別分析（LDA）、群決策等方法加以比較，結(jié)果證明專(zhuān)家系統(tǒng)分類(lèi)效果最好，檢驗(yàn)樣本的正確分類(lèi)率為87.5%，而LDA的準(zhǔn)確率僅為為57%，并且比群決策的正確率穩(wěn)定；Bryant（1997）驗(yàn)證了案例推理在預(yù)測(cè)企業(yè)破產(chǎn)方面的有用性，對(duì)非破產(chǎn)與破產(chǎn)企業(yè)，他以20：1的比例提取樣本數(shù)據(jù)，這和Ohlson的比例是一致的。1999年，Michaer也做過(guò)類(lèi)似研究。
　　黃繼鴻（2003）把案例推理引入財(cái)務(wù)危機(jī)預(yù)警研究領(lǐng)域，這種方法不僅能夠處理定量因素，而且結(jié)合了專(zhuān)家知識(shí)、經(jīng)驗(yàn)處理定性因素的影響；張林（2004）也做過(guò)此類(lèi)研究。不過(guò)，兩人多是從理論介紹，沒(méi)有具體建立預(yù)警模型。瞿天易（2008）采用基于規(guī)則推理和案例推理的專(zhuān)家系統(tǒng)對(duì)財(cái)務(wù)危機(jī)進(jìn)行定量預(yù)警，利用模糊神經(jīng)網(wǎng)絡(luò)對(duì)財(cái)務(wù)危機(jī)進(jìn)行定性預(yù)警，并將二者所得信息有機(jī)地融合在一起，獲得了較為準(zhǔn)確的預(yù)警結(jié)果。
　?。ㄈ┤斯ど窠?jīng)網(wǎng)絡(luò)法
　　Odom和Sharda（1990）開(kāi)拓了用人工神經(jīng)網(wǎng)絡(luò)（Artficial Neural Network，ANN）預(yù)測(cè)財(cái)務(wù)危機(jī)的新方法，他們以1975-1982年間65家失敗公司與64家健全公司為研究對(duì)象，取失敗前1年的資料，使用BP-ANN建立模型，并與用同樣的資料建立的MDA模型進(jìn)行比較研究，結(jié)果發(fā)現(xiàn)，無(wú)論是構(gòu)造樣本的回代預(yù)測(cè)，還是測(cè)試樣本的驗(yàn)證預(yù)測(cè)，BP-ANN模型都獲得了高于MDA模型的正確率，但他們的模型僅僅是神經(jīng)網(wǎng)絡(luò)方法應(yīng)用的展示和Altlnan（1968）研究的重復(fù)；Tam和Kiang（1992）以美國(guó)得克薩斯州1985-1987年間118家銀行（59家破產(chǎn)，59家沒(méi)有破產(chǎn)）為研究對(duì)象，應(yīng)用失敗前2年的19個(gè)財(cái)務(wù)變量作為神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)，隱藏層節(jié)點(diǎn)數(shù)為10個(gè)，輸出節(jié)點(diǎn)為1個(gè)，在應(yīng)用多元判別分析法、回歸法、近鄰法、決策樹(shù)法和神經(jīng)網(wǎng)絡(luò)法分別進(jìn)行建模分析之后，得出的結(jié)果也表明神經(jīng)網(wǎng)絡(luò)法的預(yù)測(cè)精度要高于其他方法；Coats和Fant（1993）運(yùn)用ANN對(duì)47家財(cái)務(wù)危機(jī)公司和47家財(cái)務(wù)健康公司進(jìn)行判別，對(duì)危機(jī)公司的預(yù)測(cè)準(zhǔn)確率達(dá)到了91%，明顯高于MDA模型72%的準(zhǔn)確率；West（2000）將貸款企業(yè)分為兩組：一組是能夠按時(shí)償還貸款的企業(yè)，一組是不能按時(shí)償還貸款的企業(yè)，建立了5種不同的神經(jīng)網(wǎng)絡(luò)模型：多層傳感器、專(zhuān)家雜合系統(tǒng)、徑向基函數(shù)、學(xué)習(xí)向量機(jī)和模糊自適應(yīng)共振，用來(lái)研究商業(yè)銀行信用評(píng)價(jià)的準(zhǔn)確性。
　　但Back、Sere和Van Wezel（1995）不認(rèn)為ANN具有比MDA和MLR明顯更佳的預(yù)測(cè)效果；Altman（1995）在對(duì)ANN和MDA的比較研究中得出結(jié)論：ANN在信用風(fēng)險(xiǎn)識(shí)別和預(yù)測(cè)中的應(yīng)用，并沒(méi)有實(shí)質(zhì)性的優(yōu)于MDA。
　　
　　楊保安（2001）最早在國(guó)內(nèi)使用BP-ANN研究財(cái)務(wù)危機(jī)預(yù)警問(wèn)題，但只是進(jìn)行示范性設(shè)計(jì)和檢驗(yàn)，并未建立適用于我國(guó)的模型；劉洪（2004）從償債能力、營(yíng)運(yùn)能力、盈利能力和成長(zhǎng)能力等4個(gè)方面選取財(cái)務(wù)變量建立了針對(duì)我國(guó)上市公司的BP-ANN模型，但是選取樣本的時(shí)間較短，僅使用了2002-2003兩年的首次ST公司，而且未考慮非財(cái)務(wù)變量在財(cái)務(wù)危機(jī)預(yù)警模型中的作用；端木正（2004）、楊淑娥（2005）、張淑靜（2007）等人也都進(jìn)行過(guò)基于神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警研究。
　　隨著人工神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，目前已經(jīng)發(fā)展出眾多模型，如多層感知器MLP（如I. Poddig、龐素琳等），概率神經(jīng)網(wǎng)絡(luò)PNN（如Z. R. YANG、吳德勝），自組織映射神經(jīng)網(wǎng)絡(luò)SOM（如Kimmo Kiviluoto、牛強(qiáng)等），玻爾茲曼機(jī)理論神經(jīng)網(wǎng)絡(luò)（如L. Kryzanowski等）。
　?。ㄋ模┥娣治龇?br/>　　1986年，Lane等首次將生存分析法（Survival Analysis）運(yùn)用于企業(yè)失敗分類(lèi)，對(duì)130家失敗銀行與334家營(yíng)運(yùn)正常的銀行進(jìn)行分析，發(fā)現(xiàn)生存分析的分類(lèi)準(zhǔn)確率接近判別分析；Chen和Lee（1993）利用生存分析法研究了20世紀(jì)80年代的石油天然氣行業(yè)，結(jié)果證明：流動(dòng)性比率、財(cái)務(wù)杠桿比率、營(yíng)業(yè)現(xiàn)金流、開(kāi)采成功率、企業(yè)歷史和規(guī)模對(duì)企業(yè)能否存活影響巨大。
　　鄧曉嵐等（2007）運(yùn)用生存分析法，對(duì)上市公司隨公司年齡而變化的財(cái)務(wù)困境風(fēng)險(xiǎn)進(jìn)行了評(píng)價(jià)。結(jié)果表明，財(cái)務(wù)困境風(fēng)險(xiǎn)生存率動(dòng)態(tài)變化依行業(yè)的差異呈現(xiàn)不同的特征；在兩種公司年齡計(jì)算方式下，各行業(yè)的財(cái)務(wù)困境風(fēng)險(xiǎn)生存率曲線出現(xiàn)了不同程度的變化，說(shuō)明上市前與上市后的失敗路徑發(fā)生改變；六大行業(yè)中，綜合類(lèi)上市公司的財(cái)務(wù)困境危險(xiǎn)性較低，說(shuō)明綜合類(lèi)公司的多元化經(jīng)營(yíng)可能有助于分散經(jīng)營(yíng)風(fēng)險(xiǎn)。王曉鵬等（2007）以我國(guó)上市公司為研究對(duì)象，借助于上市公司的財(cái)務(wù)樣本數(shù)據(jù)，采用生存分析法，對(duì)企業(yè)財(cái)務(wù)困境進(jìn)行預(yù)警，研究結(jié)果表明：該模型具有可以使用時(shí)間序列、無(wú)需樣本配對(duì)、連續(xù)預(yù)測(cè)的特點(diǎn)，能夠?yàn)槠髽I(yè)提供更為有效的財(cái)務(wù)困境預(yù)測(cè)。
　?。ㄎ澹┲С窒蛄繖C(jī)法
　　Fan和Palaniswami（2000）利用支持向量機(jī)（SVM）對(duì)企業(yè)破產(chǎn)進(jìn)行預(yù)測(cè)；Min和Lee2005）使用支持向量機(jī)（Support Vector Machines，SVM），應(yīng)用2000-2002年間韓國(guó)中小企業(yè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。他們選擇破產(chǎn)樣本和非破產(chǎn)樣本各944個(gè)，通過(guò)選擇最優(yōu)的核函數(shù)，發(fā)現(xiàn)：SVM與BNN（Back propagation Neural Networks，反傳神經(jīng)網(wǎng)絡(luò)）、MDA和MLR相比，具有最高的預(yù)測(cè)精度。
　　李波（2004）以1998-2002年為研究期間，選取10個(gè)變量，對(duì)MDA模型、BP-ANN模型和SVM模型進(jìn)行實(shí)證對(duì)比分析，研究表明：SVM模型全面優(yōu)于前兩種方法，不管是訓(xùn)練集還是測(cè)試集，誤差都比前兩個(gè)模型小得多；惠守博（2006）利用上市公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行訓(xùn)練和評(píng)估，證明了SVM模型的可行性和實(shí)用性。國(guó)內(nèi)采用SVM進(jìn)行預(yù)警研究的學(xué)者還有：李賀（2006）、邱玉蓮（2006）、張根明（2007）等。研究均表明：SVM模型具有分類(lèi)面簡(jiǎn)單、泛化能力強(qiáng)、擬合精度高、魯棒性強(qiáng)等特點(diǎn)，在小樣本、高維條件下，預(yù)測(cè)精確度遠(yuǎn)遠(yuǎn)高于其他方法。
　　
　　三、新興研究方法評(píng)析
　　
　　新興財(cái)務(wù)危機(jī)預(yù)警研究方法普遍具有以下兩個(gè)特點(diǎn)：
　?。ㄒ唬┗谌斯ぶ悄芊椒?br/>　　新興預(yù)警法不是依據(jù)統(tǒng)計(jì)理論，而是利用數(shù)據(jù)挖掘、人工智能中的方法建立，整個(gè)分析及預(yù)測(cè)過(guò)程就好像是人類(lèi)學(xué)習(xí)及思考一樣，是一種自然的非線性模型；新興方法一般沒(méi)有數(shù)據(jù)的分布、結(jié)構(gòu)等方面的要求，適用于非線性關(guān)系的數(shù)據(jù)并對(duì)數(shù)據(jù)的缺失具有相當(dāng)?shù)娜菰S性，基本上能處理任意類(lèi)型的數(shù)據(jù)。
　　（二）具有動(dòng)態(tài)預(yù)警能力
　　新興預(yù)警方法具備隨著不斷變化的環(huán)境進(jìn)行自我學(xué)習(xí)的能力，隨著樣本資料的積累，可以定期更新知識(shí)，從而實(shí)現(xiàn)對(duì)企業(yè)危機(jī)的動(dòng)態(tài)預(yù)警；各個(gè)模型具有高度的自我學(xué)習(xí)能力，對(duì)錯(cuò)誤資料的輸入具有很強(qiáng)的容錯(cuò)性，因而更具有實(shí)用價(jià)值。
　　當(dāng)然，各研究方法也具備自己的特色：決策樹(shù)模型符合推理原則，但需要大樣本；專(zhuān)家系統(tǒng)法能運(yùn)用專(zhuān)家的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷，不斷地增長(zhǎng)知識(shí)，修改原有知識(shí)，但是該方法費(fèi)時(shí)費(fèi)力，而且如何選取專(zhuān)家的方法會(huì)直接影響結(jié)果；人工神經(jīng)網(wǎng)絡(luò)法具有較好的學(xué)習(xí)能力和預(yù)測(cè)能力，但可能陷入局部最優(yōu)，實(shí)用性較差；生存分析法主要的優(yōu)勢(shì)是能夠處理隨時(shí)間變化的變量和審查后的觀測(cè)值，但該方法的實(shí)用性有待進(jìn)一步檢驗(yàn)；支持向量機(jī)法充分考慮了財(cái)務(wù)危機(jī)問(wèn)題的復(fù)雜性和非線性本質(zhì)，其精度和泛化能力都是比較優(yōu)良的，但其主要缺陷在于難以進(jìn)行海量的數(shù)據(jù)處理。
　　
　　四、結(jié)束語(yǔ)
　　
　　經(jīng)過(guò)近七十年的發(fā)展，關(guān)于財(cái)務(wù)危機(jī)預(yù)警的實(shí)證研究文獻(xiàn)可謂數(shù)不勝數(shù)。但是，從傳統(tǒng)統(tǒng)計(jì)研究方法到新興人工智能研究方法，它們的區(qū)別在于預(yù)測(cè)準(zhǔn)確率的上升和預(yù)警方法的先進(jìn)性與智能化，但是它們都存在著一個(gè)顯著的邏輯性缺陷，即沒(méi)有考慮到財(cái)務(wù)狀況的時(shí)間延續(xù)性，因而研究結(jié)果普遍存在著預(yù)測(cè)準(zhǔn)確率不理想的情況，特別是存在多期財(cái)務(wù)危機(jī)預(yù)警準(zhǔn)確率較低的情況。
　　此外，新興財(cái)務(wù)危機(jī)預(yù)警方法由于理解和具體操作上過(guò)于復(fù)雜以及并沒(méi)有顯著改善模型的預(yù)測(cè)能力，因而學(xué)者們廣泛采用的仍是傳統(tǒng)的MDA和MLR。這就意味著如果還是僅僅停留在預(yù)測(cè)方法的改善上，則這一領(lǐng)域的研究將很難繼續(xù)向前推進(jìn)。也許正是基于這一點(diǎn)，近年來(lái)，一些學(xué)者如Elloumi和Gueyié（2001）、Faccio and Lang（2002）、Wang Zhen（2004）等開(kāi)始從構(gòu)建模型的指標(biāo)上進(jìn)行深入思考，他們不再局限于僅僅利用財(cái)務(wù)數(shù)據(jù)來(lái)構(gòu)建模型，而是單獨(dú)或同時(shí)利用公司治理信息、宏觀經(jīng)濟(jì)因素、審計(jì)因素等來(lái)構(gòu)建模型，從而為財(cái)務(wù)危機(jī)預(yù)警研究開(kāi)辟了一個(gè)新的局面?！?br/>　　
　　【參考文獻(xiàn)】
　　［1］ Frydman H.，Altman EI.，Kao Duen
　　-Li.，Introducing Recursive Partitioning for Financial Classification：the Case of Financial Distress［J］，The Journal of Finance，1985，1，269-291.
　?。?］ William F Messier Jr. James V. Hansen，Expert Systems In Auditing-The State Of The Art，1987.
　?。?］ Odom M. D.and Sharda R. A.，Neural network for bankruptcy prediction［C］，International Joint conference on Neural Network，1990，6，17-70.
　　［4］ 王今.西方企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)方法評(píng)析［J］.中國(guó)軟科學(xué)，2002（6）：109-112.
　?。?］ 王今.企業(yè)財(cái)務(wù)危機(jī)問(wèn)題研究［D］，天津大學(xué)，2002.
　?。?］ Lane W R，Looney S W，Wansley J W. An application of the Cox proportional hazards model to bank failure［J］，Journal of Banking and Finance，1986，10，511-531.
　?。?］ A．Fan， M．Palaniswami．， Selecting
　　Bankruptcy Preditors Using A Support
　　Vector Machine Approach［M］，Proceedings of the International Joint Conference on Neural Network，
　　2000，345-352.