前言：本站為你精心整理了財務危機預警模型范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

[論文關鍵詞]財務危機預警模型；單變量模型；多元判別分析模型；人工神經網絡分析模型

[論文摘要]企業財務危機已成為企業利益相關者需要預測并應對的重要風險之一。企業應構建財務預警機制，及時溝通企業有關財務危機預警的信息，有效地防范和化解財務危機。本文對國內外財務危機預警模型逐一進行評析，旨在為構建符合我國實際并具有可操作性的財務危機預警模型提供借鑒。

隨著我國市場經濟體制改革的不斷深化，經濟領域中的復雜性、不確定性日益凸現，企業發生財務危機的情況越來越頻繁，因此，財務危機已成為企業利益相關者需要預測并應對的重要風險之一。構建財務預警機制，及時溝通企業有關財務危機預警的信息，有效地防范和化解財務危機，是任何一個企業都必須亟待解決的問題。近年來，除了沿用傳統的經驗判別與定性分析方法外。企業利益相關者也開始關注并嘗試使用財務危機預警模型來定量預測財務危機。財務危機預警模型就是借助企業一系列財務指標和非財務指標來識別企業財務危機的判別模型。其關鍵點就是如何確定預警指標及預警指標的臨界值。本文對國內外財務危機預警模型逐一進行評析，旨在為構建符合我國實際并具有可操作性的財務危機預警模型提供借鑒。

一、單變量預警模型

單變量預警模型是指利用單個財務比率來進行財務預警，以判斷企業是否發生財務危機的一種預測模型。Beaver(1966)在其“財務比率與失敗預測”一文中，以財務危機預警為主題，以單一的財務比率指標為基本變量，運用配對樣本法。隨機挑選了1954年至1964年間79家危機中的企業。并針對這79家企業逐一挑選與其產業相同且資產規模相近的79家正常企業進行比較。得出的結論是，最能對企業危機做出預警的指標是“現金流量/總負債”比率，其次是“凈收益/總資產”比率和“總負債/總資產”比率。其中，“現金流量”來自“現金流量表”的3種現金流量之和，除現金外還充分考慮了資產變現力，同時結合了企業銷售和利潤的實現及生產經營狀況的綜合分析，這個比率用總負債作為基數，考慮了長期負債與流動負債的轉化關系，但是總負債只考慮了負債規模，而沒有考慮負債的流動性，即企業的債務結構，因此對一些因短期償債能力不足而出現危機的企業存在很大的誤判性。“總資產”這一指標沒有結合資產的構成要素。因為不同的資產項目在企業盈利過程中所發揮的作用是不同的，這不利于預測企業資產的獲利能力是否具有良好的增長態勢。

Beaver最先在企業危機預警研究中使用非參數統計的二分類檢驗方法來確定分割點。使其錯誤分類率降至最低，這一方法為以后的企業財務危機預警研究者廣泛采用。此外，Beaver還首創配對抽樣的技術以控制因產業類別和企業資產規模不同而引起的混淆。但單變量預警模型只是利用個別財務比率預測企業財務危機。因此其有效性受到一定的限制。一般來說。企業的生產經營狀況受到許多因素的影響，各種因素之間既有聯系又有區別，單個比率反映的內容往往有限，無法全面解釋企業的財務狀況。

二、多元判別分析模型

多元判別分析模型是對企業多個財務比率進行匯總，求出一個總判別分值來預測企業財務危機的模型。Altman(1968)在其“財務比率、判別分析和公司破產預測”一文中認為，企業是一個綜合體，各個財務指標之間存在某種相互聯系。各個財務指標對企業整體風險的影響和作用也是不一樣的。他通過把傳統的財務比率和多元判別分析方法結合在一起，發展了一種財務危機預警模型，即Z計分模型。該模型的具體形式如下：

Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5

式中，X1=營運資本/總資產，反映資產的流動性與規模特征；X2=留存收益/總資產，反映企業累計盈利狀況；X3=息稅前收益/總資產，反映企業資產的獲利能力；X4=權益的市場價值/總債務的賬面值，反映企業的償債能力；X5=銷售總額/總資產，反映企業的營運能力。

通過統計分析，Altman認為Z值應在1.81-2.99之間，等于2.675時居中。如果企業的Z值大于2.675，表明企業的財務狀況良好；如果Z值小于1.81，則企業存在很大的破產風險；如果Z值處于1.81-2.675之間，稱為“灰色地帶”，處在這個區間，則企業財務狀況是極不穩定的。

Z計分模型的變量是從資產流動性、獲利能力、償債能力和營運能力等指標中各選擇一兩個最具代表性的指標。模型中的系數則是根據統計結果得到的各指標相對重要性的量度。實證表明該模型對企業財務危機有很好的預警功能。但其預測效果也因時間的長短而不一樣，預測期越短，預測能力越強，因此該模型較適合企業短期風險的判斷。

Z計分模型在企業破產前超過3年的預測正確率大大降低，而且隨著時間的推移，經濟環境也將出現重大變化，特別是進入20世紀70年代以后，企業財務危機的平均規模急劇增大，原有的Z計分模型已無法解釋當時的企業財務危機現象。于是，Altman等人于1977年又提出了一種能更準確地預測企業財務危機的新模型——ZETA模型。在該模型中，Altman等人利用27個初始財務比率進行區別分析，最后選取了7個解釋變量，即資產報酬率(息稅前利潤/總資產)、盈余穩定性(息稅前利潤，總資產的10年標準誤差)、利息保障倍數(息稅前利潤/利息支出總額)、累計盈余(留存收益/總資產)、流動性(流動比率)、資本比率(5年普通股平均市值/總資本)和資本規模(普通股權益/總資產)。該模型存在的不足是選擇比率沒有理論可依，選擇同一行業中相匹配的危機公司和正常公司也是困難的，而且觀察的總是歷史事件。但由于該模型簡單明了。以后對企業財務危機預警模型的研究都是沿著這一思路進行的。

20世紀70年代，日本開發銀行調查部選擇了東京證券交易所310家上市公司作為研究對象，使用與Altman相同的研究方法，建立了“利用經營指標進行企業風險評價的破產模型”，進行財務危機預測。其判別函數為：

Z=2.1X1+1.6X2-1.7X3-X4+2.6X5+2.5X6

式中，X1表示銷售額增長率；X2表示總資本利潤率；X3表示他人資本分配率；X4表示資產負債率；X5表示流動比率；X6表示粗附加值生產率(為折舊費、人工成本、利息及利稅之和與銷售額之比)。模型中和的系數是負數，表明他人資本分配率和資產負債率越小，風險也越小。該模型Z值的判斷標準是：如果Z值大于10，則企業財務狀況良好：如果Z值小于0，則企業存在嚴重的財務危機，破產的概率極大；如果Z值在0與10之間。則表明企業處于“灰色區域”，存在財務隱患。

陳肇榮應用中國臺灣地區的企業財務資料建立了多元判別函數，但未給出臨界值及警度區間。該模型如下：

Z=0.35X1+0.67X2-0.57X3+0.39X4+0.55X5

式中，X1=速動資產/流動負債；X2=營運資金/資產總額；X3=固定資產/資本凈值；X4=應收賬款/銷售凈額；X5=現金流入量/現金流出量。

由于Z計分模型在建立時并沒有充分考慮到現金流量的變動等方面的情況，因而具有一定的局限性。為此，中國學者周首華等對Z計分模型加以改造，并建立其財務危機預測的新模型——F分數模式。F分數模式的主要特點是：(1)F分數模型中加入現金流量這一預測自變量。許多專家證實現金流量比率是預測公司破產的有效變量，因而彌補了Z計分模型的不足。(2)考慮了現代化公司財務狀況的發展及其有關標準的更新。公司所應有財務比率標準已發生了許多變化，特別是現金管理技術的應用，已使公司所應維持的必要的流動比率大為降低。(3)使用的樣本更加擴大。其使用了CompustatPCPlus會計數據庫中1990年以來的4160家公司的數據進行了檢查；而Z計分模型的樣本僅為66家(33家破產公司和33家非破產公司)。

F分數模式如下：

Z=0.1774+1.1091X1+1.1074X2+1.9271X3+0.0302X4+0.4961X5+0，4961X5

式中，X1、X2及X4與Z計分模型中的X1，X2及X4相同，這里不再進行分析；X3=(稅后純收益+折舊)/平均總負債；X3=(稅后純收益+利息+折舊)/平均總資產。F分數模式與Z計分數模型中各比率的區別就在于其X3，X5的比率不同。X3是一個現金流量變量，它是衡量企業所產生的全部現金流量可用于償還企業債務能力的重要指標。一般來講，企業提取的折舊費用，也是企業創造的現金流入，必要時可將這部分資金用來償還債務。X5測定的是企業總資產在創造現金流量方面的能力。相對于Z計分模型，它可以更準確地預測出企業是否存在財務危機。F分數模式的F分數臨界點為0.0274；若某一特定的F分數低于0.0274，則將被預測為破產公司；反之，若F分數高于0.0274，則公司將被預測為繼續生存公司。

多元判別分析模型是根據特定樣本建立起來的判別模型，因而根據一個地區(或時期)樣本企業建立的判別分析模型可能無法有效地對另一個地區(或時期)的企業進行預測。此外，多元判別分析模型的有用性差，導致理論研究熱而實際應用冷的尷尬局面。

三、線性概率模型

線性概率模型是多元判別分析模型的一種替代選擇。該模型為：

P=c0+c1x1+c2x2+…+cnxn

該模型可以解釋為，在給定財務比率xn的情況下，P為該企業發生財務危機的概率的估計值。該模型計算雖然簡單，但存在明顯的缺陷：(1)該模型表示企業發生財務危機的可能性，則P值只能在(0，1)區間之中，然而線性回歸方程無法做到這一點，采用該模型進行預測時，P值可能在(0，1)區間之外；(2)線性概率的假設往往與實際情況不吻合。現實生活中的經濟變量是不確定的，而在該模型中，自變量c卻是一個常數。基于以上原因，該模型在企業財務危機預測的實際研究中鮮有采用。

四、Logistic模型

盡管多元判別分析模型有較好的預測性，但存在假設上的局限性，即要求各自變量(財務比率)服從多元正態分布的假設和兩組變量(發生財務危機與未發生財務危機企業)具有同樣方差一協方差矩陣的假設，顯然，這些假設與現實相去甚遠。此外。樣本的抽取往往也會影響評價模型的預測準確性。因此。為服務于對定性因變量的多元非線性分析，Ohlson率先在財務危機預警研究中應用了二元概率函數來計算危機事件發生的概率，由此產生了Logistic模型。在企業財務危機判定與預測中，Logistic模型如下：

Yi=β0+β1xli+…+βkxki

Pi=1/(1+e-yx)

式中，Yi代表第i家企業是否發生財務危機，i=0或1，0代表正常企業，1代表財務危機企業，xki代表第i家企業的第k個財務比率，Pi代表根據Logistic模型所估計出來的第i家企業可能發生財務危機的概率。

該模型是一個用來測度企業是否會發生財務危機的二元選擇模型。對這個模型的參數估計只能采用最大似然估計法。Logistic模型的一個重要優點是它把在(0，1)區間預測一個企業是否發生財務危機的概率的問題轉化為在實數軸上預測一個企業是否發生財務危機的機會比的問題，這與線性概率有著本質上的不同和進步。

五、人工神經網絡分析模型

運用線性概率分析、邏輯回歸方法來建立財務危機判別函數都是直接或者間接地依賴于線性函數來建立模型。存在的只是理論上的優越性。往往并不能很好地擬合復雜的實際數據。1987年，Lapedes和Fayber首次應用人工神經網絡分析模型進行預測，開創了人工神經網絡預警的先河。該模型是一種平行分散處理模型，其構建理念基于對人類大腦神經運作的模擬。它除具有較好的模式識別能力外，還可以克服傳統統計方法的局限，具有容錯能力。更難能可貴的是，該模型具有隨不斷變化的復雜環境進行自我學習的能力，因而使企業財務危機動態預警成為可能。

該模型擺脫了多元判別分析模型和Logistic模型的局限，突破了依賴線性函數來建立統計模型的限制，用非線性函數更好地擬合實際資料數據，實現了方法上的創新。此外，人工神經網絡分析模型的預測準確度也遠高于其他方法。但其局限性在于理論基礎比較抽象，對人類大腦神經模擬的科學性、準確性還有待進一步加強，因此其實際運用效果不夠理想。

本文對上述財務危機預警模型進行評析，旨在為構建符合我國實際并具有可操作性的財務危機預警模型提供借鑒：第一，建立分行業、分企業甚至分部門的預警模型。拓寬數據的收集渠道和研究的范圍；第二，更多地運用動態指標和非量化指標，構建更為全面的備選變量組；第三，擴展財務預警模型的功能，使財務預警模型不僅具備判別預警臨界點，還能對財務信息的真偽做出辨別。