財務危機警示的對比

導語：財務危機警示的對比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。

一、引言

企業財務危機預警是企業預警體系的一個重要組成部分，屬于微觀經濟預警的范疇。從國內外企業發展來看，企業失敗往往起端于財務環節。建立財務危機預警系統是財務管理制度創新的必然選擇，具有重要的經濟研究價值。

從比弗(Beaver，1966)的單變量研究開始，近40年來，這一研究始終是國際財務、會計和證券投資領域中經久不衰的課題。國外證券市場經歷了上百年的發展，財務預警實證研究在利益相關者對財務危機預測信息需求的推動下，不斷創新和擴展，形成了較為成熟的理論和方法，并在實踐中取得了很好的應用效果。我國證券市場的發展不過短短二十年，財務預警研究處于剛剛起步階段，吳世農、黃世忠從1986年開始介紹企業的破產分析指標和預測模型，這一階段的財務預警大都是利用單一指標來進行判別的。1994年以來，我國陸續出現了以企業財務數據為基礎建立的財務風險預測模型，主要是借鑒國外的財務預警研究方法，利用我國的數據庫資源建立類似的預警模型。

我們在研究與應用中發現，企業建立財務危機預警系統的關鍵問題，就是選擇合適的預警模型。本文對目前已有的企業財務危機預警模型，包括單變量模型預警法、多變量模型預警法等方法進行應用對比與實證分析，根據實證分析的結果分析了每種模型的利與弊，對在我國目前條件下如何綜合使用這些模型提出了建設性的意見。

二、財務危機預警模型綜述

雖然目前財務危機的預警模型很多，根據我們的分析，有些模型已經很成熟，實際應用比較普遍，并且效果比較理想；有些模型剛剛開發不久，理論上不夠成熟，實際應用效果尚不明朗。本文主要介紹目前在中國實際預警工作中常用的幾種財務預警模型。

(一)單變量模型法

財務預警模型是指借助企業財務指標和非財務指標體系，來識別企業財務狀況的判別模型。人們最早采用的預警模型是單變量模型。單變量模型也叫一元判定模型。是將某一項財務指標作為判別標準來判斷企業是處于破產狀態還是非破產狀態的一種預測模型。財務危機預警研究是從單變量模型研究開始的。

最早建立單變量模型進行財務困境研究的是1932年的Fitzpatrick?P?J。他以19家公司作為樣本，運用單個財務比率將樣本企業劃分為破產組和非破產組，結果發現判別能力最高的是資本收益率(凈利潤，股東權益)與債權股權比率(負債/St東權益)這兩個指標。盡管Fitzpatrick?P?J研究的結果很不錯，但一直到30多年后的1966年才有人沿著他的這條思路繼續研究財務預警問題。

1966年，威廉?比弗(WilliamBeaver)沿用同樣的思路，在財務預警研究領域取得了突破性的進展，第一次系統地運用統計方法和財務比率進行企業財務危機研究。他的《財務比率與失敗預警》一文已成為研究企業失敗與財務危機預警模型領域的經典之作，對深化這一領域的研究起到了奠基性作用。在這篇論文中，他以企業失敗預測為主題，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1954～1964年間79家營運失敗企業，并針對79家失敗企業逐一挑選與其產業相同且資產規模相近的79正常企業，再將樣本企業分為學習樣本與測試樣本兩組。先以學習樣本企業失敗破產前5年的30項財務比率進行二分類檢驗，用以找出最具區別能力的財務比率及其分界點，并利用測試樣本預測及驗證選定的財務比率及其分界點的判別能力。

Beaver的研究表明，對于企業失敗最具預測能力的指標是“現金流量/總負債”比率，其次為“總負債，總資產”比率和“凈利潤/總資產”比率。在失敗前5年可達71％的預測能力，失敗前1年其準確率可高達87％。

(二)多變量模型法

為了改進傳統研究中的缺陷，獲得對企業財務危機更好的預測模型，研究人員從20世紀60年代起發展了多種新的模型和方法，預測精度和效率都得到了極大的提高。其中多變量分析(MDA0)是基礎思想方法。最為經典的多變量財務預警模型為Altman(奧特曼)模型，此后又有其他一些研究人員發展了這一方法。

1Alunan的Z記分模型(z-scoremodel)

Airman運用MDA分析技術，在樣本選取上按照美國國家破產法第十章提出的破產申請作為財務失敗的定義，隨機抽取了1946-1965年間33家制造企業的破產公司作為樣本，并且按其行業類型及規模大小分層抽取了33家正常公司作為配對樣本，把22個有可能預示公司發生問題的財務比率變量分為流動性、獲利能力、財務杠桿、償債能力和周轉能力五大指標。然后利用MDA技術在每一類比率中選取一個最具區別和預測能力的指標放人模型中。

選取上述5個變量通過以下步驟進行：(1)觀察各種可供選擇函數的統計意義，包括決定每個獨力變量的相對貢獻；(2)評估相關變量之間的相互關系；(3)觀察各變量預測的準確度；(4)專家進行分析判斷。最終Ahman選出了5個變量組成了z記分模型：

Z=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5

其中：X1=(期末流動資產一期末流動負債)，期末總資產；X2=期末留存收益/期末總資產；X3=息稅前利潤，期末總資產；X4=期末股東權益的市場價值，期末總負債；X3=本期銷售收A/總資產。

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。