國內貨幣危機預警及模式

導語：國內貨幣危機預警及模式一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

貨幣危機泛指匯率的變動幅度超出了一國可承受的范圍這一現象，或者是“對貨幣的投機性進攻導致貨幣大幅度貶值或國際儲備大幅度下降的狀態”。貨幣危機預警是與投機性貨幣沖擊理論的發展密切相關的。

貨幣危機預警的主要目的是提早識別危機發生的信號，以便該國能夠及時采取適當的措施，減少危機發生的概率，乃至避免危機的發生，或者減少危機發生的強度和烈度。關于貨幣危機預警理論的研究始于對20世紀六七十年代拉美貨幣危機的研究，隨著金融自由化、國際化進程的不斷加速，貨幣危機的發生頻率及造成的危害隨之增加，1992～1993年歐洲貨幣體系危機、1997～1998年亞洲貨幣危機與金融危機爆發進一步刺激了經濟學界對貨幣危機預警理論的研究。本文將對貨幣危機的主要預警模型進行梳理和歸納。

一、信號分析模型

信號分析模型(KLR)是Kaminsky、Lizondo和REinhart于1998年首先提出的。它以經濟周期轉折的信號理論為基礎，其核心思想是通過研究貨幣危機發生的原因，確定哪些經濟變量可以用于貨幣危機的預測，然后運用歷史上的數據進行統計分析，來確定與貨幣危機有顯著聯系的變量，以此作為貨幣危機發生的先行指標。信號分析模型分四步進行：(1)確定貨幣危機的原因和危機預警時段；(2)運用歷史上的數據進行統計分析，確定與貨幣危機有顯著關系的變量，進而確定先行變量；(3)按照噪聲一信號比的最小化規則，確定閾值；(4)一旦經濟中相應指標變動超過閾值，則將之視為貨幣危機即將在24個月內發生的信號。由于KLR模型中各個變量的分析是單獨進行的，所以它在本質上是一個單變量模型。

為了克服KLR模型的單變量屬性，Kaminsky(1999)進一步對發生貨幣危機信號的指標進行綜合考慮，它提出了4個預測危機的復合指標，1個復合指標是對各預警指標發出信號數的簡單加總，另外3個復合指標則分別考慮了指標分布不均衡、指標時間延續性以及指標不同權重。通過對預測指標的擴展，KLR模型已經能夠較好地處理預警結果輸出的單一化問題，并利用多個復合指標可以更好地發送預警信息，極大地改善了預警效果。

Kaminsky(2003)又進一步提出了多狀態KLP模型。他將貨幣危機分為6種，即經常賬戶惡化型危機、財政赤字型危機、金融過剩型危機、國家外債型危機、國際資本流動突然逆轉型危機和自我實現型危機。研究發現，新興市場國家的貨幣危機通常屬于前4種，其發生與受害國經濟的脆弱性有關；發達國家的貨幣危機通常屬于后兩種，經濟基本面通常良好，多由不利的國際市場形勢所致。這樣一來，KLR模型可以在對貨幣危機預警的同時，進一步將貨幣危機的損失與其類型聯系在一起，厘清對貨幣危機深度的認識。

信號分析模型經過不斷修正完善，已經成為使用最廣泛的貨幣危機預警模型，它可以根據多個變量發出的信號估計危機發生的概率，同時有效提供關于危機根源和廣度的信息，但該模型也存在一些明顯不足：(1)主要以宏觀經濟環境為背景，沒有考慮到政治性事件及一些外生事件對貨幣危機爆發時間選擇的影響；(2)KLR模型的隱含假設是在解釋自變量和因變量之間存在一個特定的函數關系，即階躍函數關系，這一界定使得模型無法對一個變量是剛剛超過閾值，還是大幅超過閾值進行區分，因而使得變量提供的信息未能充分利用；(3)模型指標大多集中在外匯儲備、信貸增長與實際匯率等方面，仍避免不了傾向性；(4)雖然通過加權平均解決了預警指標的單一化問題，但由于各變量之間的相互關系仍未納入考慮，因此，這種匯總是表面的。

二、離散選擇模型

針對信號分析模型的上述缺陷，有學者提出了離散選擇模型，它最重要的突破在于通過納入新的解釋變量來擴展模型，進而同時考慮所有相關變量。其代表性的研究成果包括以下幾種：

Frankel和Rose(1997)構建的貨幣危機發生可能性的面板Probit模型。其研究思路是通過對一系列前述指標的樣本數據進行極大對數似然估計，以確定各個引發因素的參數值，從而根據估計出來的參數，建立用于外推估計某個國家在未來某一年發生貨幣危機可能性的大小。該模型研究發現，金融事件是離散且有限的，貨幣危機的發生則是由多種因素引發的，譬如在FDI流入枯竭、外匯儲備較少、國內信貸增長迅速、實際匯率高估的時期等，貨幣危機發生的概率較大。此后，AndrewBerv和CatherinePattilo(1998)對1997年泰國貨幣危機及墨西哥、阿根廷發生貨幣危機的概率進行預測，但準確度并不高。

BussiOre和Fratzscher(2002)認為二元Probit模型混同了危機前的誘發期和危機后的恢復期，而實際上在這兩個時期危機預警指標的表現具有很大差異，他們將外匯變動分為三種狀態或時期，即貨幣危機平靜期、誘發期和恢復期，并在此基礎上提出使用三元應變量Logit模型進行危機預測。該模型對32個國家1993年12月至2001年9月的月度數據驗證，預測效果還比較理想，在樣本內可正確預測73％的誘發期和85％的平靜期，在樣本外預測亞洲金融危機時，可以正確預測57％的誘發期和83％的平靜期。此后，Kumar等(2003)提出了基于滯后宏觀經濟和金融數據的Logit模型，該模型使用32個發展中國家1985，1999年數據，主要分析了利率調整引起并未預期到的貨幣貶值，以及總貨幣貶值水平超過以往水平的情形。該模型的實證結果表明，外匯儲備和出口的下降以及真實經濟的虛弱是導致危機發生的最重要解釋變量。

應該說，離散選擇模型出現了從二元離散選擇模型拓展到多元離散選擇模型的方向，且模型的預測值較好解釋了危機發生的概率，但也存在一些不足之處，主要表現為：(1)模型中存在將連續變量轉換為二元或多元離散變量后信息的損失，而且沒有確立一個根據預警危機和避免噪聲的能力對變量進行排序的標準；(2)不同指標對于不同國家的重要性不盡相同，所以假設參數恒常的面板模型在貨幣危機的預警方面通常表現很差(Abiad，2003)；(3)由于自變量存在多重共線的可能，這直接限制了更多變量的采用，最終影響對危機預測的準確性。

三、馬爾可夫狀態轉移模型

馬爾可夫狀態轉移模型(Markov—switchingModel)是體制轉換模型中最常見的形式。它將結構性的變化視作一種機制向另一種機制的轉換，譬如金融運行特征發生的顯著變化，包括大幅起落或中斷，匯率急劇下降、經濟增長趨勢逆轉等，進而將結構變化內生化進行估計。

Martinez-Peria(2002)提出了一個帶有動態轉換概率的狀態轉換模型，該模型采用兩種形式：一是匯率轉換模型，假設匯率是一個AR(4)過程；二是向量自回歸模型，假設內生變量有3個，即匯率、利率和外匯儲備，均服從一階Var過程。在此基礎上，他直接對投機供給建模，同時加入預期因素，對1979-1993年歐洲貨幣體系的貨幣投機性沖擊進行研究，研究表明，沒有考慮變量狀態轉換性質的模型可能存在設定偏誤問題，經濟基本面和預期因素共同決定了危機發生的概率。

Abiad(2003)也將體制轉換模型用于預測貨幣危機，他首先拓展了預警指標，即宏觀經濟指標、資本流動指標和金融脆弱性指標三類，而后采用單參數檢驗顯著的預警指標分別對1972～1999年印度尼西亞、韓國、馬來西亞、菲律賓和泰國等5國是否發生貨幣危機進行了預警。研究表明，體制轉換模型預測貨幣危機的準確性比已有的預警方法更高，同時發出的錯誤信號更少。在Abiad研究的基礎上，張偉(2004)進一步驗證了Abiad的結論，他通過擴大研究范圍、改變樣本區間、選擇不同的預警自變量，更為全面客觀地評價體制轉換模型在建立貨幣危機預警系統方面的效果，總體而言，該模型的預警能力較強，時效性也較強。

應該說Maikov-switching模型通過估計過程中將結構變化內生化，充分利用因變量本身的動態信息，有效避免與閾值設置相關的各類問題，以及由此帶來的把連續變量轉換為離散變量所造成的信息損失。但該模型的一個重要問題是，制度因素在發展中國家貨幣危機預警的形成中扮演了重要角色，要引入制度變量，及將時間序列模型擴展為組合模型，這都需要根據具體的國家和數據頻率進行相應的調整，增加了研究的復雜性。

四、人工神經網絡模型

人工神經網絡模型(ArtificialNeuralNetwork-ANN)，是一種基于連接學說構造的通信生物模型，它在一定程度上保存了人腦的思維特征，通過合理的樣本訓練、學習專家的經驗、模擬專家的行為，并通過引入非線性轉換函數來求解各種復雜的非線性問題，從而使它具有很強的模式識別能力和高速信息處理的能力。近年來，ANN在貨幣危機預警的應用程度不斷提高，極大促進了預警建模和估計動態系統的發展。

Fratzscher(2002)提出一個多層感知器ANN模型，以克服困擾貨幣危機預警模型的數據開采和樣本外預警效果差的問題。他對1990～2000年歐洲5個主要發達國家進行了預測，模型的網絡輸入采用時間序列數據和技術指標，而且在預測前，他應用R/S分析方法對上述幾個貨幣市場的有效性進行了分析。研究表明多層感知器ANN模型的預測結果優于其他模型，多層感知器ANN模型70％的方向預測準確率大大超過了KLR模型50％的準確率。

Click等人(2005)提出了一個應用廣義回歸神經網絡(GRNN)進行貨幣危機預警的模型。他們利用1998～1999年的日度數據以測度市場情緒，變量包括匯率(以美元度量)、股票價格指數、銀行間利率、儲蓄利率，其結果在預測精度上和統計性質上優于其他模型，尤其是作為比較基準的隨機游動模型。

Lin等(2006)進一步引入了模糊邏輯的推理功能，提出了數據導向的神經模糊模型(NFM)來對貨幣危機進行預警。NFM的理論基礎是，一個經濟體在貨幣危機爆發前后的表現有明顯差異，且這種反常行為具有再發性。該文在KaminskyandREinhart(1999)的基礎上，使用了1970～1998年20個國家的數據，研究表明，與Probit模型相比，NFM不但具有更好的樣本外預警能力，該模型還提供了變量之間相互關系的信息。

但是，用神經網絡組合模型進行貨幣危機預警也存在一些難以解決的問題。首先是神經網絡自身的優化問題。如隱藏層數及隱藏層結點數的確定、激活函數的確定、局部最優等。神經網絡的結構直接影響著預測效果。此外，神經網絡可以根據殘差最小的原則不斷地調整參數來改變預測效果，但是它不能改變輸入數據，而貨幣等金融數據往往是波動的。存在噪音的。因此，如何對數據進行除噪，優化神經網絡的輸入數據是另一個值得研究的問題。

五、其他預警模型

對貨幣危機使用的其他預警模型還有：

1DCSD模型。DCSD預警系統是由Andrew和Pattillo(1999)在FR回歸預警模型與KLR信號預警模型的基礎上開發而成。該模型通過實證分析發現，絕大多數指標與危機發生概率之間存在線性關系，這一線性關系在臨界值處有一個跳動，隨后將繼續以更大的傾斜度線性相關。因此，它采用一般到特殊的方法來簡化分段線性模型的形式，直至得出最終最簡化的模型形式。具體而言，就是先按顯著性遞增的次序對所有的預測變量(解釋變量)進行排序，通常用每個預測解釋變量所對應三項的顯著性的檢驗統計量來進行排序，將顯著性不強的變量從模型中去除，最終可獲得最簡化的模型形式。

2費舍爾判別分析(FDA)模型。FDA模型是一種單模態分析方法。它借助方差分析的思想，選擇一個最優的投影向量w，同時使得在投影空間中的類與類之間的差異盡可能的大，確保投影到一維空間上的樣本具有較好的可分離性。Bardos(1998)指出，FDA的優勢在于其穩健性、易解釋性，技術上簡單，容易維持。Burkart和Coudert(2002)認為，已有預警模型繁多的一個主要原因是無法區別類似的變量，也無法決定其各自的權重。有鑒于此，作者利用15個新興國家1980～1998年間的季度數據，構建了FDA預警模型。但結果顯示，FDA與Logit和IProbit模型的結果無顯著差別，盡管受到多重共線性的困擾，后者的預警功能還是要I：gFDA更強。

3Duration模型。Tudela(2004)考察了20個OECD(經合組織)國家在1970～1997年間的貨幣危機。文章通過引入釘住匯率的連續維持期及其久期，分析了貨幣危機的時間依賴問題，結果顯示，維持期與貨幣危機的發生存在顯著的負相關。這表明，匯率調整的政治成本是隨著釘住匯率維持期的長短而變化的，旨在保護匯率的穩定政策的可信度的提高會減少放棄釘住的概率。

4極值理論中的POT模型。極值理論是一門用來分析和預測異常現象或者小概率事件風險的模型技術，其最重要的意義在于評估極端事件的風險。近年發展起來的POrrg型(PeaksOverThreshold)是對觀察值中所有超過某一較大閾值的數據建模，由于POT模型有效地使用了有限的極端觀察值，因此通常被認為在實踐中是最有用的。Schardax(2002)把極值理論用于貨幣危機預警當中，通過對1998年俄羅斯金融危機前后東歐8個國家的數據進行實證分析，從模擬結果可以看出POT模型對貨幣危機有良好的適用性，樣本內的解釋力能達到70.81％，并且它對樣本外的預測能力也非常高。但是，極值理論應用于貨幣危機預警尚處于探索階段，目前數據的不足也是這種方法運用的一個制約因素。盡管可以通過模擬方法來解決數據不足的問題，但成本相對較高。

六、結論及建議

縱觀20世紀90年代以來人們對貨幣危機預警的研究，不難發現具有以下鮮明特點：

1偏重研究模型的改進，對有關風險預警的定性研究不夠深入。現有研究更偏重數據模型的使用，但考慮到具體國別不同，特別是政治制度、經濟環境、開放程度和金融體制等的不同，因此還需要根據具體實際選擇模型，特別是還應該注重專家的綜合評估意見及審慎分析，來加強預警指標體系建立的研究工作。

2風險預警仍然局限在宏觀和行業層面，目的是幫助潛在的受害國能夠及時采取措施，避免危機的全面爆發，鮮有關注企業遭受貨幣及外匯風險預警要求的研究。

3已有模型幾乎都是以美元作為基準貨幣的，然而美元本身渡動就是問題，以美元作為基準的預警研究，顯然忽略了外匯風險的一個重要來源，即美元本身的波動。

4現有預警方法的預警能力總體而言不夠理想。這涉及到所謂的預警悖論，即如果發出了預警信號，那么在風險事件顯性化或全面惡化之前就應該采取管理措施。在這種情況下，風險事件最終未失控，可能源于管理措施的及時施行，但最終又會影響對預警系統的有效性的評價。

X1為營運資本/資產總額，反映了企業資產的折現能力和規模特征。營運資本是企業的勞動對象，具有周轉速度快，變現能力強，項目繁多，性質復雜，獲利能力高，投資風險小等特點。一個企業營運資本的持續減少，往往預示著企業資金周轉不靈或出現短期償債危機。

X2扳映了企業的累積獲利能力。期末留存收益是由企業累積稅后利潤而成，對于上市公司，留存收益是凈利潤扣除全部股利后的余額。一般說來，新企業資產與收益較少，因此相對于老企業X2較小，而財務失敗的風險較大。

X1即EBIT/資產總額，可稱為總資產息稅前利潤率，而我們通常所用的總資產息稅前利潤率為EBIT/平均資產總額，分母間的區別在于平均資產總額避免了期末大量購進資產時使X3降低，不能客觀反映一年中資產的獲利能力。EBIT是指扣除債務利息與所得稅之前的正常業務利潤(包括對外投資收益)，不包括非正常項目、中斷營業和特別項目及會計原則變更的累積前期影響而產生的收支凈額。原因在于：由負債與資本支持的項目一般屬于正常業務范圍，因此，計算總資產利潤率時以正常業務經營的息稅前利潤為基礎，有利于考核債權人及所有者投入企業資本的使用效益。該指標主要是從企業各種資金來源(包括所有者權益和負債)的角度對企業資產的使用效益進行評價的，通常是反映企業財務失敗的最有力依據之一。

X4測定的是財務結構，分母為流動負債、長期負債的賬面價值之和；分子以股東權益的市場價值取代了賬面價值，因而對公認的、影響企業財務狀況的產權比率進行了修正，使分子能客觀地反映公司價值的大小。對于上市公司，分子應該是：“末流通的股票賬面價值+流通股票期末市價”。X4的分子是一個較難確定的參數，尤其對于股權結構較復雜的企業。而目前及在今后相當長的時間內，非上市公司仍占我國公司總數的大部分，要確定非上市公司所有者權益市價，我們可以采用資產評估方法中的預期收益法，具體表示為：企業資產市價=企業預期實現的年利潤額/行業業平均資金利潤率。X4=(企業資產的市價/負債總額)-1。

X5為總資產周轉率，企業總資產的營運能力集中反映在總資產的經營水平上，因此，總資產周轉率可以用來分析企業全部資產的使用效率。如果企業總資產周轉率高，說明企業利用全部資產進行經營的成果好，效率高；反之，如果總資產周轉率低，則說明企業利用全部資產進行經營活動的成果差，效率低，最終將影響企業的獲利能力。如果總資產周轉率長期處于較低的狀態，企業就應當采取措施提高各項資產的利用程度。對那些確實無法提高利用率的多余、閑置資產應當及時進行處理，加快資產周轉速度。X5的分子“本期銷售收入”應該為銷售收入凈額，指銷售收入扣除銷售折扣、銷售折讓、銷售退回等后的余額。

Z記分模型從企業的資產規模、獲利能力、財務結構、償債能力、資產利用效率等方面綜合反映了企業財務狀況，進一步推動了財務預警的發展。從這個模型可以看出，增加營運資金、留存收益、息稅前利潤、銷售收入，提高企業價值，或減少負債、節約資產占用，可減少企業破產的可能性。奧特曼教授通過對z記分模型的研究分析得出：z值越小，該企業遭受財務失敗的可能性就越大。Altman還提出了判斷企業破產的臨界值：如果企業的z值大于2.675，則表明企業的財務狀況良好，發生破產的概率很小；反之，若z值小于1.81，則企業就存在很大的破產危險；如果z值處于1.81～2.675之間，則稱之為“灰色地帶”，進入這一區間的企業財務狀況是極不穩定的。

奧特曼教授選擇了1968年尚在持續經營的33家美國企業進行預測，其準確率令人滿意，而且分析依據的資料越新，準確率越高。如依據臨近財務失敗的報表資料預測其準確率為96％，依據財務失敗前一年的報表預測準確率為72％。但無論怎樣，都必須以財務報表的真實性、準確性、完整性為前提。近年來，澳大利亞、巴西、加拿大、法國、德國、愛爾蘭、日本和荷蘭都進行了類似的分析。盡管z值的判斷標準在各國間有相當的差異，但各國“財務失敗組”的z值的平均值都低于臨界值1.8。

2Altman的ZETA模型

Ahman的z己分模型主要適用于上市公司。為了便于為非上市公司評分，1977年Altman等人又對原始的z記分模型進行擴展，建立了，第二代模型——ZETA模型。這一次的模型選取了自1962～1975年間的53家破產企業和58家配對的正常公司，樣本公司平均資產規模在1億美元左右，而且包括了相當數量的零售類企業，因而ZETA模型的適用性有所提高。

此次研究利用27個初始財務比率進行區別分析，最后模型選取了7個解釋變量，包括：

X1——資產報酬率，采用息稅前利潤與總資產之比衡量。在以前的多變量研究中該變量在評估公司業績方面相當有效。

X2——盈余的穩定性，采用對X1在5～10年估計值的標準誤差指標作為這個變量的度量。收入上的變動會影響到公司風險。

X3——債務保障，可以用所常用的利息保障倍數，即息稅前利潤與總利息償付之比來度量。這是固定收益證券分析者債券評級機村所采用的主要變量之一。

X4——累計盈余，可以用公司留存收益/總資產來度量。該比率對于z證分模型尤其有效，它需要考慮以下因素：公司年齡、公司股和政策，以及不同時期的獲利記錄。不管是單變量還是多變量法，該比率都是最重要的。在非上市公司的該比率計算中，分子部分用公司凈資產的賬面價值代替權益市場價值，因為非上市公司沒有市場價值指標。

X5——流動性，可以用人們所熟悉的流動比率衡量。

X6——資本化率，可以用普通股權益與總資本之比衡量。在分子和分母中，普通股權益可以用公司5年的股票平均市值衡量，而不是賬面值。5年平均市值可排除可能出現嚴重、暫時性的市場波動，同時在模型中納入了趨勢的成分。

X7——規模，可以用公司總資產的對數形式來衡量。該變量可以根據財務報告的變動進行相應的調整。

實證研究表明，ZETA模型的分類正確率高于原始的z記分模型，特別是在破產前較長時間的預測準確率較高，其中灰色區域為－1.45～+0.87之間，z值大于0.87以上為非破產組，Z值小于－1.45區域為破產組。

(三)周首華的F分數模型

由于z記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。1996年北京化工大學會計系周首華、美國夏威夷大學會計學院楊濟華和中國人民大學王平3人在Altman研究的基礎上，并考慮了現金流量對企業破產的影響，對z記分模型加以改造，并建立了財務危機預測的新模型——F分數模型(FailureScoreModel)：

F=－0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5

其中：X1=(期末流動資產-期末流動負債)/期末末總資產；X2=期末留存收益，期末總資產；X3=(稅后純收益+折舊)/平均總負債；)(4=期末股東權益的市場價值/期末總負債；Xs=(稅后純收益+利息+折舊)，平均總資產。

F分數模型中X1、X2及X4與z記分模型中的X1、X2及X4相同，兩個模型中各比率的區別就在于其X3、X5不同。

F分數模型中X3提一個現金流量指標，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則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記分模型，它可以更準確地預測出企業是否存在財務危機(其中的利息是指企業利息收入減去利息支出后的余額)。

F分數模型的主要特點是：(1)F分數模型加入現金流量

這一預測變量。許多專家證實現金流量比率是預測公司破產的有效變量，因而它彌補了z記分模型的不足。(2)該模型考慮到了現代公司財務狀況的發展及其有關標準的更新。比如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)該模式使用的樣本更加擴大。其使用了CompostatPcPlus會計數據庫中1990年以來的4160家公司的數據為樣本；而z記分模型的樣本僅為66家(33家破產公司及33家非破產公司)。

F分數模型中的5個自變量的選擇是基于財務理論，其臨界點為0.0274。若某一特定企業的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。

三、財務危機預警模型應用的實證過程

(一)財務危機預警模型應用實證研究說明

1研究對象的選擇依據

本文在財務危機預警模型的應用研究中，均以在深圳證券交易所掛牌交易的“ST廣廈”這家公司為例來進行實證分析。之所以選擇這家企業，主要出于三個方面的考慮：一是因為它是上市公司，資料容易搜集；二是因為銀廣廈曾因造假丑聞而遭遇財務危機；三是因為它出現的財務危機情況比較典型，代表了中國企業會計信息失真的普遍現象。實證分析的目的，不但要驗證財務預警模型的有效性及其利弊得失，更重要的是驗證在中國目前財務信息嚴重失真的大環境下，什么樣的方法效果更好。怎樣有效整合現有的財務預警模型。為了達到上述目的，最終選擇了銀廣廈這家公司的資料進行企業財務危機預警的實證研究。

2研究對象的基本情況

“銀廣廈”的全稱為“銀川廣廈實業股份有限公司”，它是在廣廈(銀川)磁技術有限公司的基礎上經過增資、擴股、股份制改造而成立的。1993年5月開始進行股份制改組，1994年1月28日“廣廈(銀川)實業股份有限公司”宣告成立，同年6月17日，“銀廣廈A”在深圳證券交易所上市交易，股票代碼為000557。最初的經營范圍是高新技術產品的開發、生產、銷售，天然物產的開發、加工和銷售，動植物飼養、種植、加工和銷售。后來逐漸轉向葡萄酒和房地產的開發、加工和銷售。公司上市之卡初業績尚可，有穩步上升的跡象。以后便不停轉換主業，投資失敗。造成主業缺失，業績平平，對投資者缺乏吸引力。后終因寂寞難耐引發造假，公司業績飚升，股價在兩年內上漲440％，創造了股市神話。

2000年8月該公司因銀廣廈全資子公司天津廣廈(集團)有限公司造假，中國證監會對銀廣廈正式立案稽查。2001年公司凈資產低于股票面值，自2002年5月8日起公司股票實行特別處理，股票簡稱變為“ST廣廈”。2002年6月5日起股票暫停上市，后進行重組，2002年12月6日“ST廣廈”復牌。

3研究方法的選擇

盡管目前財務危機預警方法層出不窮，但主流的分析方法只有兩大類。特別是在我國主要采用財務危機預警模型和財務報表分析法進行財務危機預測，簡稱模型預警法和指標預警法。其中模型預警法主要采用單變量模型法和多變量模型法。因為研究對象銀廣廈是上市公司，所以本文在預警方法的選擇上主要采用前面所介紹的Beaver的單變量模型預警法、奧特曼的z記分模型預警法、周首華的F分數模型法和財務報表分析法(即財務指標預警法)這四種方法，同時以個案分析的思路貫穿始終，通過實證分析的方法來驗證上述各種方法的預警效果并進行比較分析，以期找到在我國進行財務危機預警的正確思路和最佳方法。

(二)單變量模型法應用的實證研究

如前所述，Beaver的單變量模型表明最具預測能力的3個指標分別為現金流量，總負債、總負債，總資產、凈利潤，總資產指標。因此，結合銀廣廈的資料分別計算這3個指標進行對比分析。銀廣廈在危機發生的前3年有關數據計算如下

單變量分析表明，銀廣廈1998年和1999年現金流量為負值，導致該公司債務保障率為負數，說明該公司現金流量嚴重不足，需要引起足夠的重視；雖然該公司的資產負債率稍有偏高，但從整體來看，資產負債結構還是比較合理的；該公司的資產報酬率指標除了在1999年出現了大的波動之外，其他年度指標值呈現平穩上升趨勢，超過了上市公司的平均水平，表明該企業的盈利能力在不斷增強。

(三)多變量模型法應用的實證研究

1Z記分模型應用研究

因為銀廣廈自2002年5月8日起公司股票實行特別處理(改稱“ST廣廈”)，所以我們應該選取公司2001年的數據進行模型預警分析。事實上，銀廣廈有其特殊性，如果銀廣廈1998～2000年度不是因為造假，或許早就被戴上“ST”的帽子了。我們可以收集該公司2001年度和2000年度的有關數據代人Z記分模型來進行前景預測。

根據計算結果可以看出，2001年該公司Z值為-3.73，遠遠小于模型判別值的下限1.81，即將陷入財務危機。判別結果正確。這一方面說明了z模型具有很強的生命力，不僅能夠應用于我國股市，而且還具有較高的準確性；另一方面從判別結果也說明了銀廣廈經營狀況極為糟糕，財務指標惡化明顯，極有可能會陷入財務危機。事實上。2001年它在股市的丑惡行徑已經敗露，股價一落千丈，已經是一家資不抵債、虧損嚴重的“空殼”。所以上述判別結果也是情理之中的事情。

公司2000年z值為3.34，顯著高于判別值的上限2.675，僅從模型本身判別結果來看，公司財務狀況良好，財務指標正常。如果模型僅僅是判斷下一年是否會陷入財務困境，那么這一判別結果也是正確的。而事實上，2000年銀廣廈正處于造假的巔峰。股價因此飆升，單純從財務指標來判斷，絕對屬于典型的“績優”公司，所以據此計算的z值明顯偏高。

從以上分析可以看出，z模型在企業危機前一年的預測中顯示了較強的預測能力，但同時也應該看到。對于虛假的財務信息，z記分模型顯得無能為力，如2000年就是如此。

2盼數模型應用研究

與z記分模型相比，F分數模型引入了現金流量因素。這一模型對虛假的財務信息目前能否發揮更大的作用呢?因此我們也將該公司2001年和2000年的財務數據代人F分數模型進行檢驗。

從計算結果可以看出，銀廣廈2001年F值為-0.6246，遠遠低于模型的預警臨界點0.0274，按照F分數模型的判別標準，公司將被判別為財務危機類公司。判別結果正確，與事實相吻合。而從2000年的情況來看，公司F值遠遠高于判別值。將把公司判別為財務正常類公司。可見，改進后的F分數模型同樣對于虛假財務信息也無法甄別。深入分析其原因，我們會發現，雖然F分數模型中加入了現金流量類指標，但是由于現金流量類指標采用間接法計算，同樣依賴公司盈利狀況。而且，在F分數模型中同樣采用了公司股價指標，而2000年內正是公司造假登峰造極之時，股價明顯偏高，以此為基礎計算的預警模型結果顯然也偏高。

F分數模型的預測結果與z記分模型的預測結論是一致的，盼數模型的預測精度并無明顯改善。

四、財務危機預警模型應用結果比較分析

(一)單變量模型法應用實證研究結論

1比較分析

運用Beaver的單變量模型法對銀廣廈進行預警分析，從現金流量/總負債的預測結果來看，負債的現金保障程度很低，應引起注意；從總負債/總資產和凈利潤/總資產的預測結果來看，企業盈利能力在不斷增強，經營狀況良好。采用不同的預測指標得出了相互矛盾的預測結果。這一方面是因為于該公司財務信息失真，某些財務指標被操縱，從而影響了預測精度；另一方面是因為單變量分析法本身具有嚴重缺陷。

單變量分析法的優點是簡便易行，沒有前提假設條件限制，適用范圍廣。但是在Beaven采用單變量分析進行企業失敗預警研究之后，很少有研究人員沿用單變量方法進行危機預測，原因在于單變量分析有以下嚴重缺陷：第一，單變量模型只重視一個指標的反映能力，如果經理人員知道這個指標，就有可能去粉飾這個指標。以期表現出良好的財務狀況。達不到預警的目的；第二，使用任何單個財務指標將在很大程度上排斥其他指標的作用；第三。如果使用多個指標分別進行判斷，這幾個指標的判斷結果可能會產生矛盾，如銀廣廈的情況就是如此，導致無法做出正確的判斷。第四，雖然財務比率是綜合性較強的指標，但是僅用一個財務指標不能充分反映企業的財務特征，預警結果難免會有誤差。

2改進單變量模型法的建議

首先，單變量模型法雖然簡單易行，工作量小，但是總體判別精度不高。在前一年的預測中，一元判定模型的預測精度明顯低于多元判定模型。銀廣廈的判別結果就是如此。不過，眾多的實證研究表明，一元判定模型在危機發生的前兩年、前3年的預測中表現出了很強的預測能力。這也說明有些企業的財務困境是從某些財務指標的惡化開始的。如果能設置一些適合企業自身特點的單變量指標進行財務危機的監測，就有可能做到早知道早預防。因此可以利用單變量分析法進行企業財務危機的遠期預測，作為財務預測的一種輔助方法來使用，不失為一種理想的選擇。

其次，由于我國企業財務信息失真現象比較普遍，建立單變量預警指標監測企業財務危機時，應更多地使用基于現金流量基礎上的財務指標。銀廣廈的單變量模型預測中，現金流量，總負債指標的預測效果好于總負債，總資產和凈利潤，總資產兩個指標。眾所周知，建立在權責發生制基礎上利潤指標經常受到經營者的控制，經營者可通過調整會計政策，控制相關費用等手段來調節會計凈利潤的高低。這種利潤操縱行為，在西方被稱為“會計戲法”。“會計戲法”演示的結果，導致財務信息失真，造成決策信息混亂。它會演繹成一種非常奇特、非常矛盾的狀況：一方面企業賬面有會計利潤；另一方面，企業的現金支付能力極差，而這種企業現金流量和現金支付能力的危機，正是1997年亞洲金融風暴形成的基礎。

(二)多變量模型法實證應用研究結論

1比較分析

從上述多元判別模型的應用結果來看，z記分模型和F分數模型在危機全面爆發的前一年(銀廣廈被戴上“ST”的帽子)的預測結果都是準確的，即2001年的模型預警結果還是準確的。這說明我們可以借助財務預警模型早日發現企業經營活動中存在的潛在風險和危機，不管是z記分模型還是F分數模型至今仍具有強大的生命力，而且距離危機發生期越近預測結果越準確。但是也應該看到，不管是z模型還是F模型，都是以財務信息的真實性為前提條件的。一旦會計信息失真，預警結果就會不準確。由此可見，經典的財務預警模型具有很好的“財務判斷功能”，而在“財務識別功能”上略顯不足，從而總體預測精度會受影響。F分數模型雖然加進了現金流量因素，但是仍然沒有實質性的改進。

從模型的建立方法來看，z記分模型和F分數模型都屬于多元判別模型。多元判別模型在很大程度上克服了一元判別分析的缺陷，該方法的優點表現在：(1)能夠包容反映企業財務狀況的多個指標，因此在財務危機預測中適用范圍較廣；(2)能夠包含獨立變量；(3)一旦完成模型構建，運用相對容易；(4)預測精度比較高，特別是在危機發生的前一年，不管是z記分模型還是F分數模型，都具有較高的判別精度。

但是利用多元判別模型進行財務危機預警的缺陷也是不容忽視的。多元判別模型本身存在的缺陷有：(1)預測工作量比較大，研究者需要做大量的數據收集和數據分析工作。(2)在前一年的預測中，多變量判定模型的預測精度比較高，但在前兩年、前三年的預測中，其預測精度則大幅下降。甚至低于一元判別模型。可能的原因就是很多財務變量只是企業陷入財務困境的征兆，或者說是一種表象，而不是陷入財務困境的原因和本質。過多的財務指標，將“因”和“果”混淆在一起。反而增加了模型的噪音。(3)多元線性判定模型有嚴格的假設條件。從模型的建立方法來看，不管是z記分模型，還是盼數模型的建立，實際上都有這樣三個假設條件：一是樣本財務資料要服從多元正態分布；二是每一個變量都不是其他變量的線性組合；三是兩樣本群體的協方差矩陣相等。但是在企業財務危機研究的實務中，財務資料大多不符合常態概率分布的基本假設，當這個假設條件破壞時，計算的概率將非常不準確，最終影響預警精度。同時，由于多在近似狀態下使用，適用范圍受到了限制。

通過上述單變量與多變量判別模型的優缺點分析，可以清楚地比較兩者的區別。主要方面的區別如表7所示。

五、改進多變量模型的建議

(一)考慮采用其他方法建立多變量預警模型

為了克服多元判定模型嚴格的假設條件，可以采用以下幾種方法建立多變量財務危機預警模型。

1多元邏輯模型

Ohlson(1980)提出了多元邏輯模型(Logit)的建立方法。多元邏輯模型的目標在于尋求觀察對象的條件概率，從而據以判斷觀察對象的財務狀況和經營風險。它是建立在累計概率函數的基礎上，不需自變量服從多元正態分布和兩組間協方差相等的假設條件，Logit模型假設破產企業的概率P(破產取1，非破產取O)，并假設hl[p/(1-p)]可以用財務比率線性解釋。首先假定Ln(p/(1-p)]=a+bx，然后根據推導可以得出P=exp(a+bx)，[1+exp(a+bx)]，從而計算出破產企業的概率。其判別規則是：如果P值大于0.5，則表明企業破產的概率比較大，那么則判定企業為即將破產類型；如果P值低于0.5。則表明企業財務正常的概率比較大，判定企業為財務正常類型。

2多元概率比模型(Probit)

Zmijewski(1984)提出了多元概率比模型(Probit)。多元概率比模型同樣假定企業破產的概率為P，并假設企業樣本服從標準正態分布，其概率函數的P值可以用財務指標線性解釋。其計算方法和Logit很類似，先是確定企業樣本的極大似然函數，然后通過求似然函數的極大值就可以得到參數a、b，接下來就可以利用下面的公式求出企業破產的概率。如果概率P小于0.5，就判定為財務正常型，如果P大于0.5，則為即將破產型。

P=∫(1/2π)edt

Probil模型與Logit模型的思路很相像，但是在具體的itgt方法和假設前提上又有一定的差異，主要體現在三個方面：一是假設前提不同，Logit不需要嚴格的假設條件，而Probit則假設企業樣本服從標準正態分布，其概率函數的P值可以用財務指標線性解釋；二是關于參數a、b的求解方法略有不同，雖然兩者都采用極大似然法，但是，Logit采用的是極大化對數似然函數求解，而Probit采用極大化積分似然函數求解；三是求破產概率的方法不同，Logit采用相對數方法，而Probit采用積分處理的方法。

3人工神經網絡(ANN)模型

人工神經網絡(ANN)模型就是將神經網絡的分類方法應用于財務預警。傳統的分類方法大部分屬于母參數統計方法，其中以判別分析(DiscfiminationAnalysis，簡稱DA)和Log-it回歸分析等最為廣泛。母參數統計方法均以選定的獨立變量結合歷史數據資料建立一個預測模型，并作為未來分類判別之用。傳統的統計區分方法須受制于若干母體分配的假設前提，已經很不適用當今復雜多變的企業運作環境。而且它對錯誤資料的輸入不具有容錯性，無法自我學習與調整，也無法處理資料遺漏的狀況。而人工神經網絡是一種平行分散處理模式，其構建原理是基于對人類大腦神經運作的模擬。ANN除具有較好的模式識別能力外，而且還可以克服統計方法的限制。因為它具有容錯能力和處理資料遺漏或錯誤的能力，最為可貴的是，ANN還具有學習能力，可以隨時依據新數據資料進行自我學習、訓練，并調整其內部的儲存權重參數以應對多變的企業環境，這是傳統統計方法所無法比擬的。

它通常由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳播和后向學習兩步進行。網絡的學習是一種誤差從輸出層到輸入層向后傳播并修正數值的過程，學習的目的是使網絡的實際輸出逼近某個給定的期望輸出。根據最后的期望輸出，得出企業的期望值，然后根據學習得出的判別規則來對樣本進行分類。考特斯特(coats)和范特(Fant)1993年開始利用神經網絡理論建立財務預警模型，由于該模型是模仿生物大腦神經網絡學習過程，不需要考慮研究變量是否符合正態分布，并且可以有效處理非量化因素，同時具有較好的糾錯能力，從而能夠更好地進行預測。

4聯合預測模型

聯合預測模型是運用企業模型來模擬企業的運作過程，從而動態地描述財務正常企業和財務困境企業的特征，然后根據不同特征和判別規則，對企業樣本進行分類。其運用的關鍵是如何準確模擬企業的運作過程。因此它要求能夠有一個基本的理論框架，通過這一框架來有效模擬企業的運作過程，從而能夠有效反映和識別不同企業的行為特征、財務特征，并據以區分企業樣本。

聯合模型最大的優點就是克服了財務預測模型只運用財務指標的片面性，它能動態模擬和反映企業經營過程中的方方面面。因為財務指標有其先天的局限性，它只能計量企業運營的財務結果，遺漏了很多事關重大但未能在財務指標中得到體現的非財務信息，如人力資源狀況、企業發展戰略、企業地理位置等等。

(二)在預警模型中加入非量化信息

財務危機的預警模型是利用財務信息對危機進行的定量分析，在操作中還應當結合非量化信息，對企業財務狀況進行定性分析。事實上，非量化因素在披露企業財務狀況方面要比財務指標更為可靠、有效。如企業財務報表不能及時公開，或者管理層集體辭職、企業出現過度擴張、過度依賴銀行貸款、企業人力資源匱乏、企業市場定位不清等非財務信息，都可能預示著企業存在潛在的危機，而這些是財務比率等量化信息所不能涵蓋的。因此，企業財務預警模型不能單純依靠財務數據，至少要在預警系統中涉及到非財務數據。既要涉及定量信息，也要涉及定性信息，只有這樣才能更完整地反映企業全貌。例如把注冊會計師的審計意見、行業與產業因素、總體經濟因素、股權結構、公司治理結構、戰略、內控等非量化因素。采取適當的方式進行量化處理后加入預警模型中，比如可以參照國有企業績效評價中對非量化因素采用評分的方法，將評分的結果作為財務預警模型的一個組成部分。

(三)財務預警模型與企業實際相結合，分行業建立預警模型

雖然傳統的財務預警模型可以用于監測企業的財務情況和經營活動，并具有很強的生命力。但由于各企業的行業性質，經營規模、所處國別和地域等方面都存在許多差異，因此在實際運用中，不宜直接照搬國外的財務預警模型，企業應根據自身的實際情況，因地制宜，設計、構建符合企業要求和特點的創新型財務預警模型。預測模型使用的技術問題，包括影響模型擬合效果的實效性問題和行業因素問題，會隨著經濟環境的變化越來越突出。因此對國外的預警模型研究其變化并適當進行微調是十分必要的。考慮行業因素的影響，對z模型的修正可以按以下三種思路來進行：第一，在模型整體上加上行業修正值；第二，針對模型中的每個變量設定行業修正值；第三，使模型中所選取的財務變量呈現行業性差異，即不同行業選用的指標不同。通過修正可以使財務預警模型更精確更有針對性。

(三)在預警模型中加大現金流量指標的權重

目前中國公司法中規定實行ST制度以及暫停上市和終止上市制度，上市公司的管理層及有關部門為了保留殼資源，避免出現虧損或連續3年虧損，往往會竭盡全力采用盈余操縱手段。財務預警模型的構成指標主要是取自資產負債表和損益表的數據，以權責發生制為基礎，容易受到盈余管理的影響，其與財務狀況的相關性大打折扣。現金流量表是上市公司的重要會計報表之一，其編制原則和方法具有統一的規定，其主要作用是提供現金流量方面的信息，以實收實付制為基礎，能較客觀地反映企業真實的財務狀況。以現金流量表中的數據為基礎構成的現金流量指標也減少了盈余管理的影響，將其納入模型并提高該類指標的權重能夠使模型更客觀地反映企業的財務狀況，更好地起到預警作用。研究人員在這方面也進行了大量有益的探討。事實證明確實能提高模型預警的精度。

(四)在預警模型中引入經濟增加值變量

我國實證研究的數據取自公司會計報表上公布的財務指標，然而傳統會計指標只考慮債務資本的成本，不考慮股權資本的成本，并不能說明股東價值是否保值增值，并且會計利潤指標的使用對管理者產生誤導，傾向于盈利操縱和短期行為，不利于企業的長期發展。經濟增加值是從稅后凈營業利潤中扣除包括股權和債權的所有資本成本后的經營利潤，它不受公認會計準則的限制。通過對財務會計報表進行適當的調整，它消除了會計報表對企業利潤的扭曲，真正成為股東所定義的利潤。因此，在預警模型中如果能用經濟增加值指標代替會計利潤在很大程度上能夠克服傳統利潤指標的缺陷，尋找經濟增加值與財務危機之間的相關關系，在理論上也是一種創新和突破。

需要說明的是，我們遵循以上思路對預警模型進行改進，并不是要求預警模型必須對虛假的財務信息具有識別功能。而是使之與我國的實際情況相符，發揮其應有的作用而已。因為我們不能苛求財務預警模型僅僅依靠若干財務指標之間的勾稽關系，就能發現公司存在的漏洞，尤其是在公司極力掩飾之時，這一任務就變得更加艱巨。因為財務預警畢竟是建立在真實財務信息的基礎之上的。改變這一基礎就偏離了財務危機預警的初衷。要想識別企業財務信息的真實與否，還得另辟蹊徑。

六、結論

綜上所述。每一種財務危機預警模型都有利也有弊。只有充分發揮每一種方法的長處，把各種方法結合使用，才能取得理想的預警效果。對于企業來說，最重要的也許并不是怎樣開發新的預警模型或預警方法，更重要的是如何整合已有的財務危機預警方法，達到財務危機預警的目的。

進行企業財務危機預警應堅持遠期監測與近期預警相結合。單變量模型的遠期監測效果比較理想，因此為了減輕工作量，可以設置適合企業自身業務特點的單變量模型進行遠期監測。發現危機動向及時反饋信息，以加強近期的實時監測預報工作。而財務危機的近期預警應使用多變量模型法來進行。實踐證明，多變量預警模型的近期預警精度比較高。但是由于多變量模型只能預測財務危機而不能解釋財務危機產生的原因。因此，通過近期預警一旦發現了財務危機的動向，就應該對其進行修正，加入其他變量，對其進行必要的整合，或與企業的實際情況相結合，運用財務報表分析法查找企業發生危機的原因，以便有針對性地采取有效措施，將危機化解在萌芽階段。