李莉

【摘要】財務預警是企業(yè)財務管理中的重要組成部分，本文將企業(yè)財務預警中的定量模型分為判別分析模型、條件概率模型、人工智能模型和集成優(yōu)化模型四大類進行研究現狀評述，并提出應該注重集成優(yōu)化模型的開發(fā)與應用。

【關鍵詞】財務危機；財務預警；定量模型

【中圖分類號】F275

企業(yè)財務預警即財務危機預警，指的是以企業(yè)的日常財務運行情況為依據，通過選取合適的財務指標來構建數理模型對其財務危機發(fā)生的可能性進行研究的過程。有效的財務預警能夠及時發(fā)現企業(yè)存在潛在風險，從而為企業(yè)管理者提供決策依據，及時規(guī)避財務風險。財務預警的靈敏度越高，就能夠越早地發(fā)現并解決存在的問題，財務預警模型研究已經成為企業(yè)財務管理中不可或缺的一部分。

從形成機理來看，企業(yè)財務危機的產生是一個累積變化的動態(tài)過程，因此，建立財務預警模型是可行的。預警過程是將預警樣本進行識別并分類的一個過程，構建財務預警模型的關鍵在于建立合適的指標體系和選擇恰當的模型方法。企業(yè)財務預警的模型方法可以分為定性方法和定量方法，定性分析方法主要有財務風險分析調查法、財務危機四階段分析法和管理評分法三種。定性分析方法客觀、易懂，但也存在準確性不足的問題，目前大多數實證研究都是基于定量分析方法進行的。對于企業(yè)財務預警定量模型方法分類，本文分為判別分析模型、條件概率模型、人工智能模型和集成優(yōu)化模型四大類，模型方法具體細分結果見圖1。

本文對企業(yè)財務預警定量模型研究現狀進行評述，對財務預警定量模型進行較為準確的分類，旨在更清晰地呈現出其研究的演變過程，加深對研究框架結構的理解，并在此基礎上充分挖掘今后的研究擴展方向，推動企業(yè)財務預警定量模型的理論及應用研究。

一、判別分析模型

判別分析模型是一種對研究對象屬性進行判別的分析方法，首先根據已知樣本數據建立判別函數，然后檢驗新樣本指標數據與已知樣本的差異性，由此確定新樣本屬于哪種樣本類別。其中，判別分析模型可以分為單變量和多變量兩種。

（一）單變量判別模型

P. Fitzpatrick是最早研究財務預警的學者之一，其在1932年發(fā)表的一篇論文中首次運用單一財務比率指標進行判別分析，研究發(fā)現，破產企業(yè)與正常企業(yè)之間的財務比率數據具有明顯的差異，并指出凈利潤/股東權益和股東權益/負債這兩個財務比率指標能夠在一定程度上預測企業(yè)的發(fā)展未來。之后，美國學者威廉比弗使用單變量判別模型對企業(yè)財務預警進行的研究最具影響力。威廉比弗（1966）首先隨機選取危機企業(yè)和與其所屬行業(yè)、資產規(guī)模類似的正常企業(yè)，共得到158個樣本企業(yè)；然后，選取30個財務比率指標作為模型的基本變量；最后，運用配對樣本法分析建立模型的判別能力。研究結果表明，對企業(yè)危機判別能力最好的財務比率指標是債務現金保障率，其表示現金流量與總負債的比值；其次為資產負債率指標，表示的是總負債與總資產的比值。

威廉比弗的研究簡單易懂且具有不錯的預測能力，為財務預警實證研究提供了理論基礎，也為后續(xù)的研究提供了拓展思路。不過在比弗提出財務預警的單變量判別模型后，運用該種方法進行實證研究的成果并不多，主要在于該種方法存在一定的缺陷。第一，單一財務比率指標無法全面描述整體情況，不能完全掌握企業(yè)的財務狀況；第二，不同的財務比率指標用于同一企業(yè)可能會出現相互矛盾的結果，造成結論的判斷困難；第三，該模型只考慮到變量的集中趨勢程度而忽略了離散變異程度，同時還未考察變量之間的相關關系。

（二）多變量判別模型

鑒于單變量判別模型存在的種種缺陷，為了提出更好的財務預警模型，20世紀60年代起多變量判別模型便得到了迅猛發(fā)展，其中以美國紐約大學Edward Altman教授的研究成果最為突出。

Altman（1968）基于差異分析方法，對選取的33家破產公司和33家正常公司的財務數據進行配對抽樣，建立了5個變量的多變量財務預警模型，模型表達式為：

該模型被稱為Z計分模型。其中，模型變量依次代表企業(yè)的流動能力、獲利能力、財務杠桿、償債能力和資產周轉能力。Altman研究指出，模型Z值越小，那么企業(yè)出現財務危機的可能性就越高；當Z值小于1.81時，表明企業(yè)財務狀況糟糕，破產的可能性很大；當Z值大于2.99時，表明企業(yè)財務狀況良好，破產的可能性較??；當Z值在兩者之間時，表明企業(yè)財務狀況不穩(wěn)定，處于灰色地帶。

Z計分模型適用于上市公司的財務預警研究，為了擴展Z計分模型的應用領域，Altman（1977）基于Z計分模型先后提出了針對非上市公司的Z′財務預警模型和跨行業(yè)的ZETA財務預警模型。我國學者周首華等（1996）考慮到Z計分模型沒有充分考慮現金流量變動等情況，提出了F分數模型。楊淑娥等（2003）在Z計分模型的基礎上，運用主成分分析方法，提出了適用于我國的企業(yè)財務預警模型Y分數模型。

從相關的理論及實證研究中可以看出，多變量判別模型較單變量模型更為科學準確，同時客觀性、綜合性較強，因此在財務預警研究中應用較為廣泛。不過，在應用多變量判別模型時對數據的統計分布具有很高的要求，樣本指標數據需滿足多元正態(tài)分布，且兩樣本的協方差矩陣要相等，這在很大程度上會限制模型的準確性和適用性。

二、條件概率模型

由于多變量判別模型存在數據的強限制性，而條件概率模型的建模條件較為寬松，在二十世紀八十年代后，條件概率模型逐漸取代多元判別模型成為財務預警研究的主流模型，其主要包括Logistic回歸模型和Probit回歸模型。

（一）Logistic回歸預警模型

Logistic回歸模型是一種非線性的回歸模型，其最早始于生物學中果蠅的繁殖研究，如今被廣泛應用到經濟等領域中。相比于線性概率模型，Logistic回歸模型的概率分布在0～1之間，而不再是0或者1的確定值，其模型的數學表達式為：

其中，a為待解參數，x為財務指標，p為發(fā)生財務危機的概率。

Martin（1997）首次在財務危機研究領域引進Logistic回歸模型，通過選擇6個財務比率指標和58個研究樣本，構建了銀行財務危機預測的Logistic回歸模型。研究發(fā)現，Logistic回歸模型比Z計分模型和ZETA模型預警性能更好。1980年由Ohlson提出的Logistic回歸財務預警模型引用最為廣泛，通過選取工業(yè)上市公司作為樣本進行研究。結果表明，Logistic回歸模型對財務預警的預測準確度達到了96.12%，同時證明了虛擬指標的適用性。在此之后，諸多學者利用Logistic回歸模型研究財務預警問題。宋鵬等（2009）為了增強研究的適用性，基于Logistic模型對我國A股上市公司財務危機預警進行研究。劉秀琴等（2016）則利用Logistic模型對中小板上市公司的財務預警進行了預測分析。

（二）Probit回歸預警模型

Probit回歸模型形式與Logistic回歸相似，都適用于研究二分變量的回歸問題，因此被廣泛運用到財務危機預警研究中。

Zmijewski于1984年首次將Probit回歸模型應用到企業(yè)財務危機預測研究中，用于分析研究樣本的不同對結果的影響，結果表明，雙變量Probit回歸模型能有效降低偏差效果。白承彪（2010）為了對滬深兩市制造業(yè)的企業(yè)財務狀況進行研究，分別構建了Logistic和Probit回歸模型進行了研究，通過對比發(fā)現，Logistic模型效果優(yōu)于Probit模型。張妍妍等（2011）選取7個財務指標，運用Probit模型對我國上市公司的退市風險進行預警研究。蔣亞奇（2014）構建了最有效的多元Probit回歸模型對旅游行業(yè)上市公司財務預警進行分析，結果表明預警分析是正確有效的。由于Probit回歸模型用于財務預警研究時性能并未得到很好地改善，且使用過程相對復雜，因此在財務預警中的理論及應用研究相對有限。

Logistic回歸模型與Probit回歸模型都是基于概率函數建立的，模型是利用最大似然估計求解出參數。其優(yōu)點在于克服了傳統判別分析對數據的強限制性，使得實用性大大提升。不過，此類模型也存在一定的局限性，首先模型樣本數一般要求200個以上為宜，另外模型自變量的多重共線性較為敏感。

三、人工智能模型

國內外諸多學者應用判別分析模型和條件概率模型對企業(yè)財務預警進行應用研究，但是這些模型有時在面對復雜的現實情況時預測效果并不理想，且無法進行自學習過程。隨著經濟的迅速發(fā)展以及計算機運行速度的提升，越來越多的研究不再局限于傳統方法，而紛紛引進人工模型用于風險預警預測研究，這些方法主要包括神經網絡模型和智能信息處理模型等。

（一）神經網絡模型

神經網絡是一種新型智能計算方法，是由大量簡單的神經元廣泛地互相連接而形成的復雜網絡系統。神經網絡模型具有優(yōu)良的非線性映射能力，能夠避開復雜的參數估計過程而通過自學習過程自動擬合樣本數據的發(fā)展規(guī)律函數，因此能夠處理一系列無法用精確函數表達出的分類及預測問題。大量的研究及實踐表明，在建立的模型合理的情況下，神經網絡模型的預測性能會優(yōu)于其他一些的傳統預測方法。鑒于神經網絡模型強大的非線性擬合和自我學習能力，許多財務預警研究嘗試采用神經網絡技術，常用有BP神經網絡、支持向量機（SVM）、Hopfield神經網絡等。

Odom于1990年首次將BP神經網絡應用到財務預警中，利用Altman構建的5個財務比率指標作為模型的輸入變量，并分析分成學習與測試樣本兩部分進行研究。仿真結果表明，神經網絡模型的精準度達到了81.18%，優(yōu)于判別分析模型?；菔夭┑龋?006）提出了一種基于支持向量機（SVM）神經網絡的財務預警模型，研究結果發(fā)現，該模型的預測精度為87%，較BP神經網絡及判別分析模型有很大提升。楊旸（2016）以滬深A股企業(yè)為研究樣本，對離散Hopfield神經網絡用于財務預警的步驟進行了詳細介紹，并表明了模型預測的穩(wěn)健性。

神經網絡模型無須考慮指標數據的統計分布情況及多重共線性問題，通過樣本訓練學習便能夠進行很好的應用。不過，在利用神經網絡模型研究財務預警時，要選取大量的訓練樣本數據，同時還需注意模型的參數設置、過擬合等問題。

（二）智能信息處理模型

智能信息處理模型隨著計算機技術的發(fā)展在財務預警研究中也得到了廣泛應用，主要應用有案例推理模型和粗糙集理論等。

案例推理（CBR）是人工智能領域中一種有效的信息化推理模型，其實質上是一種動態(tài)非統計的類比推理方法，能夠在復雜環(huán)境中尋找解決方法并進行決策。應用到財務預警研究中主要分為表示與組織案例、索引與檢索案例、調整案例和案例的學習幾個步驟，Bryant在1997年首次對案例推理模型在財務預警中的應用進行了介紹。粗糙集理論是一種處理信息不完備性和不確定性的數學方法，該方法僅根據數據本身進行處理得到知識約簡，而無需其他先驗信息便可在模糊信息中挖掘出隱含知識，研究出其內在發(fā)展規(guī)律。劉新允（2007）將財務指標作為模型的條件屬性，企業(yè)狀態(tài)作為模型決策屬性，構建了基于粗糙集的財務預警模型。

四、集成優(yōu)化模型

為了改善已有模型在企業(yè)財務預警中的預測精度，二十一世紀以來，諸多專家學者都相繼提出一些集成優(yōu)化財務預警模型，以期解決現有單一模型方法的某種應用上的局限。目前，主要對邏輯回歸模型和神經網絡模型的優(yōu)化改善研究最多。

（一）邏輯回歸優(yōu)化模型

劉彥文等（2007）認為傳統研究將上市公司分為財務困境和非財務困境僅兩種情況是不合理的，文章提出將公司分為財務困境、財務狀況不穩(wěn)定以及財務良好的三類分法，并構建了三元Logistic的財務困境預警模型。李建中（2010）考慮到Logistic模型用于財務預警時，財務指標非常多而且之間會存在多重共線性，而自變量的多重共線性會造成回歸模型的估計產生偏差。因此，文章首先利用因子分析消除指標的共線性，再在此基礎上建立房地產上市公司財務預警的Logistic模型。劉遵雄等（2012）為了解決邏輯回歸模型存在的過擬合情況，提出利用平滑削邊絕對偏離懲罰邏輯回歸模型并構建財務預警模型。通過實證表明，所建優(yōu)化模型具有很高的分類預測能力，模型解釋性能好。梁琪等（2014）認為Logistic模型是財務預警研究的主流方法，但是該方法采用極大似然估計使得模型之外的因素對財務狀況的影響作用無法進行控制。為此，作者提出了截面數據的隨機效應Logistic模型對滬深兩市中小上市企業(yè)的財務風險進行實證分析，結果表明此模型具有一定的參考價值。

根據以上對邏輯回歸模型進行的優(yōu)化研究可以知道，Logistic模型在財務預警研究中應用廣泛，不過也存在一定的應用局限性，這需要我們根據實際研究問題對Logistic模型進行進一步的優(yōu)化研究。

（二）神經網絡優(yōu)化模型

李賀等（2006）提出將主成分分析（PCA）與支持向量機（SVM）進行結合，實現企業(yè)的財務危機預警研究。在利用SVM模型進行模式識別前，利用PCA方法解決財務指標的冗余與共線問題實現指標結構優(yōu)化。此模型能夠很好地適用于小樣本數據，同時對企業(yè)財務狀況的預測精度也遠高于BP神經網絡模型等。趙冠華等（2011）指出SVM模型用于財務預警時，模型的參數求解過程十分繁瑣，因此引進更易求解、判別效果更好的最小二乘支持向量機（LS-SVM）模型，再進一步利用遺傳算法對LS-SVM模型進行參數優(yōu)化。王新利等（2011）構建了基于偏最小二乘BP神經網絡的農業(yè)上市公司財務預警模型，文章利用偏最小二乘法對模型中的財務指標數據進行篩選使數據降低維度。將偏最小二乘與神經網絡進行結合，能夠克服指標間的多重共線性，同時可以改善神經網絡的預測效果。倪志偉等（2014）認為，在進行企業(yè)財務預警時應該選取足夠多的指標來呈現出企業(yè)財務狀況，但是過多的指標形成的高維數據會使模型變得復雜化。文章嘗試引進流形學習算法將財務高維數據映射到低維空間中，再利用多核SVM能夠處理不平坦數據的特點，建立了流形學習算法多核SVM的財務預警模型。

綜上所述，神經網絡模型作為目前財務預警研究領域中最為主流的模型，具有強大的自學習、自適應能力以及良好的容錯性，不過也易出現陷入局部最小、泛化能力差等問題。在用于財務預警研究時，應該從多方面考慮優(yōu)化神經網絡模型，實現預測效果的最優(yōu)化。

五、結論

財務預警研究已經成為企業(yè)財務管理中不可或缺的一部分，通過對企業(yè)財務預警定量模型的研究進行回歸和評述，我們發(fā)現各類定量模型均具優(yōu)缺點。判別分析模型計算簡便易操作，但是對數據的統計分布要求嚴格；條件概率模型雖然對數據分布不再有要求，不過模型對指標的多重共線性頗為敏感；人工智能模型對數據分布無要求且模型容錯性好，但也存在樣本量不足、泛化能力差等問題；而集成優(yōu)化模型則能夠取長補短，綜合多種模型方法的優(yōu)勢，組成新的預測效果更好、性能更優(yōu)的財務預警模型。在今后的財務預警定量模型研究中，應該更加注重集成優(yōu)化模型的開發(fā)與應用。

主要參考文獻：

[1]萬如榮，張莉芳，蔣琰.財務分析[M].人民郵電出版社，2014.

[2]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001（6）：46-55.

[3]Fitzpatrick P J.A Comparison of the Ratios of Successful Industrial Enterprises with those of Failed Companies [J].Certified Public Accountant，1932：598-605.

[4]Beaver W H.Financial Ratios As Predictors of Failure[J].Journal of Accounting Research，1966，4（1）： 71-111.

[5]李帆，杜志濤，李玲娟.企業(yè)財務預警模型：理論回顧及其評論[J].管理評論，2011，23（9）：144-151.

[6]Altman.E.I.Financial Ratios： Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[7]Altman E I，Haldeman R G，Narayanan P.ZETA Analysis：A new model to identify bankruptcy risk of corporations [J].Journal of Banking & Finance，1977，1（1）：29-54.

[8]周首華，楊濟華，王平.論財務危機的預警分析——F分數模式[J].會計研究，1996（08）：8-11.

[9]楊淑娥，徐偉剛.上市公司財務預警模型——Y分數模型的實證研究[J].中國軟科學，2003（01）：56-60.

[10]Martin D.Early warning of bank failure：A logit regression approach[J].Journal of Banking & Finance，1977，1（3）：249-276.

[11]Ohlson J A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）：109-131.

[12]宋鵬，張信東.基于Logistic模型的上市公司財務危機預警研究[J].經濟問題，2009（08）：50-52.

[13]劉秀琴，陳藝城，羅軍.基于logistic模型的中小板上市公司財務預警模型構建[J].財會月刊，2016（36）：85-88.

[14]Zmijewski M E.Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research，1984，22（1）：59-82.

[15]白承彪.Logistic模型與Probit模型用于上市公司財務預警的比較[J].財會月刊，2010（33）：65-67.

[16]張妍妍，吳喬.基于Probit模型的中國上市公司退市風險預警研究[J].貴州財經學院學報，2011（01）：46-50.

[17]蔣亞奇.基于多元Probit模型的上市旅游公司的財務預警[J].統計與決策，2014（3）：181-183.

[18]鮑新中，何思婧.企業(yè)財務預警的研究方法及其改進——基于文獻綜述[J].南京審計大學學報，2012，9（5）：60-70.

[19]Odom M，Sharda R.A neural networks model for bankruptcy prediction[R].Proceedings of the IEEE International Conference on Neural Network，1990： 163-168.

[20]惠守博，王文杰.基于支持向量機的財務預警模型與應用研究[J].計算機工程與設計，2006，27（7）：1183-1186.

[21]楊旸，林輝.基于離散Hopfield網絡的上市公司財務困境預警研究[J].華東經濟管理，2016，30（12）：156-162.

[22]Bryant S M.A case-based reasoning approach to bankruptcy prediction modeling[J].International Journal of Intelligent Systems in Accounting，Finance and Management，1997，6（3）： 195-214.

[23]劉新允.基于粗糙集理論的財務危機預警研究[J].中國管理信息化（會計版），2007（10）： 59-61.

[24]劉彥文，戴紅軍.基于三元Logistic的財務困境預警模型實證研究[J].大連理工大學學報（社會科學版），2007，28（2）：60-66.

[25]李建中，武鐵梅.基于因子—logistic模型的房地產業(yè)上市公司財務預警分析[J].哈爾濱商業(yè)大學學報（社會科學版），2010（5）：89-93.

[26]劉遵雄，黃志強，孫清等.SCAD懲罰邏輯回歸的財務預警模型[J].統計與信息論壇，2012，27（12）：21-26.

[27]梁琪，過新偉，石寧.基于隨機效應logistic模型的中小企業(yè)財務失敗預警研究[J].管理工程學報，2014，28（3）：126-134.

[28]李賀，馮天瑾，丁香乾等.企業(yè)財務預警PCA-SVM模型研究[J].計算機工程，2006，32（9）：233-235.

[29]趙冠華，李玥，趙娟.基于遺傳算法參數優(yōu)化的最小二乘支持向量機財務困境預測[J].科學與管理，2011（5）：56-63.

[30]王新利，陳敏.基于偏最小二乘BP神經網絡的財務預警研究——以農業(yè)上市公司為例[J].農業(yè)技術經濟，2011（11）：122-128.

[31]倪志偉，薛永堅，倪麗萍等.基于流形學習的多核SVM財務預警方法研究[J].系統工程理論與實踐，2014，34（10）：2666-2674.