财务预警研究(6篇)

财务预警研究篇1

关键词：财务困境；K均值聚类；Softmax回归

一、引言

上市公司财务状况和经营成果都受到投资者和债权人等多方利益相关者的关注，而公司一旦陷入财务困境会给许多利益相关者带来直接和间接的损失。如果能够及时地识别可能出现财务困境的公司，并在财务状况进一步恶化之前采取必要的措施，那么这些损失是可以避免的。财务困境预警试图识别出可能出现财务困境的公司，揭示财务困境的影响因素，是防范和化解财务困境有效途径。关于财务困境预警已有大量实证研究，但是基于不同的研究思路和方法，不同的学者给出了许多不同的财务困境的界定标准。例如Beaver（1966）[1]将企业失败明确定义为企业不能偿付到期债务；吕长江、徐丽莉和周琳（2004）[2]则认为公司财务困境的表现是公司流动比率长期小于1。这些界定标准都将公司财务状况简单地划分为“好”与“坏”两类。财务状况二分类的思想存在一些问题：公司出现财务困境不是一个一蹴而就的过程，非困境公司的财务状况也可能并不健康[3]；不论以何种标准划分困境与非困境企业，这两类企业的数量都存在巨大差异，导致了其研究很难获取到足够数量的非困境样本[4-5]。所以，财务困境预警首要的问题是公司财务状况的分类。本文将使用聚类分析对上市公司财务状况进行分类，以期得到较为合理的分类结果。将聚类结果作为样本标签，训练并测试多分类预警模型。

二、文献回顾

现有研究多集中在二分类预警模型，例如徐炜（2019）[6]和Chow等（2018）[7]。然而，Amy（1987）[8]认为企业的财务状态具有连续性，不应简单地划分为失败与非失败。Hensher，Jones和Greene（2007）[9]指出，公司彻底破产并不能反映实际中财务困境的全部状态。Chancharat等（2010）[10]考察了不同公司退市的原因，而每种退市方式都可能是不同的影响因素所导致的。KingsleyOpokuAppiah（2017）[11]提到在财务预警实证研究中，依据不同的定义和标准，不同的文献中存在样本选择偏差的问题。吕长江（2004）[12]提出，将上市公司直接划分为“好”与“坏”两种极端的情况是不合理的，并深刻剖析了二分类预警研究存在的弊病。首先，非财务困境公司的财务状况也不一定良好，存在一些处在困境边缘的公司。其次，就是基于历史数据来揭示可能导致公司陷入财务困境的影响因素，而一些偶发性因素不一定能通过分析历史数据进行溯源。最终，使用聚类分析将上市公司财务状态划分为财务闲置、财务充盈、财务均衡、财务困境和财务破产五类。

三、实证研究

（一）研究变量

目前，对上市公司质量进行评价，主要使用财务指标评价和会计信息质量评价。预警指标既要参考以前研究中采用的指标，还需要具有可操作性。财务预警依赖于真实可靠的会计信息，盈余管理程度已是现有研究中衡量会计信息质量的重要指标之一。借鉴现有文献中成熟的预警指标体系，最终选择了如表1所示的14个预警指标。

（二）数据来源与预处理

本文从国泰安数据库，获取了2775家上市公司2016年～2019年的财务指标。为了便于聚类分析，对2019年数据进行标准化处理。而2016年～2017年数据则先以0.25的比例划分测试数据集，然后对该年的训练集和测试集分别进行标准化处理。

（三）聚类结果分析

首先要明确K均值聚类的原型个数k。本文进行了15次聚类实验，将轮廓系数作为实验结果，对三组实验结果采用成对T检验。检验结果显示，k=3时轮廓系数明显低于其他两组，而k=4和k=5两组结果的均值在0.1的水平下不具有显著性差异，P值约为0.1094。但是观察分类结果发现，当k=5时，时常会出现某一簇仅有1个样本，所以最终指定k=4。2019年上市公司的聚类结果如表2所示。通过对比各个簇与样本总体平均值之间以及各簇之间的差异，可以发现：簇1的样本量占总体的58%，ST的比例是各簇中最低的2.2%，除发展能力各项指标平均水平为各簇最高外，财务状况应当属于中等水平。簇2平均公司规模最小，但是资产负债率极低，流动资产充足，偿债能力和盈利能力最强，应是财务健康的公司。簇3偿债能力、发展能力和盈利能力均是最差，且全部样本均为2019年被特别处理的公司，所以应为财务困境的公司。簇4平均资产规模最大，虽然营运能力较强，但其偿债能力和盈利能力都低于样本总体平均水平，会计信息质量较低，其中有许多处于困境边缘的公司。据此，本文利用聚类分析将上市公司样本划分为4类，分别命名为健康、中等、困境边缘和财务困境，在表2中的排序为2、1、4和3。健康公司数量较少，而中等水平的公司占据了样本的大半。财务困境公司数量极少，其财务状况已经严重恶化。而困境边缘公司数量却不在少数，这一部分公司应引起足够的重视。

（四）预警模型

对于样本数据集有k个类别，即yi∈（1，2，…，k），如式（1）所示，softmax回归主要估算样本数据xi归属于每一类的概率。最后，以概率值最高的类别作为该样本的分类结果。将2016年～2018年的数据分别分割为训练集和测试集，训练集用于训练模型，测试集则用于评价模型预测性能。多分类结果的评价比二分类更为复杂，本文利用卡帕系数评价多分类模型的预测结果。卡帕系数是一种衡量分类精度的度量指标，与准确率和召回率一样，都可以根据分类结果的混淆矩阵计算得到。计算得到的真实类别和预测结果的卡帕系数，可以从0到1均匀地划分为五个区间，每个区间表示一个一致性水平，分别是轻微（slight）、一般（fair）、中等（moderate）、基本一致（substanial）和几乎完全一致（almostperfect）。观察基于不同年份数据的预警模型测试结果，能够得到以下结论：卡帕系数显示，基于2018年数据的预警模型，预测性能是三者中最优的，但0.78仍属于中等一致性水平。2016年财务中等的样本的预测结果准确率很低，这是因为有大量误判样本，这些误判样本真实类别为困境边缘。财务困境与困境边缘公司之间存在大量误判，2016年财务困境样本的召回率仅有0.25，被误判的样本有一半被模型识别为困境边缘的样本，另有约一半被分类为财务中等的样本。

（五）模型解释

基于2018年数据训练得到的模型预测性能最优，这符合一般实证研究的结论，即使用t-1期的数据得到的预警模型最为准确。2016年和2017年的预测结果存在许多误判，所以表4仅列示了2018年Softmax回归模型的系数。为了降低过拟合的风险，通常会在损失函数中加入正则化项，本文也使用了L2范数正则化。正则化能够将特征选择和训练过程融为一体，在模型训练过程中自动完成特征选择，会使得模型中不重要的特征的系数更加接近0。公司规模（X1）的系数绝对值均较高，而且对于财务健康和中等公司，公司规模与分类为这两类的概率呈负向关系，而与困境边缘和财务困境公司则是正向的。资产负债率（X5）也呈现出与公司规模类似的情况，资产负债率越高，公司财务状况恶化的可能性越高。发展能力相关的三个指标，总资产增长率（X8）、净利润增长率（X9）、可持续增长率（X10），的系数在Z3中均为负。盈利能力相关指标就显得不那么重要，例如净资产收益率（X11）在Z2中的系数仅为0.006。同时可以发现，总资产净利率（X13）越高，分类为困境边缘的公司的可能性越大而分类为财务中等的公司概率越低，说明该指标在这判断这两类样本是具有误导性。

四、结论

财务预警研究篇2

关键词：制造业上市公司财务困境预警模型

一、引言

财务困境预警(以下简称“财务预警”)的研究在国外尤其在资本市场发达的国家是被广泛关注和研究的前沿性课题，在我国已加入WTO，面对国内外激烈竞争，国内资本市场快速发展及经济制改革不断深化的大背景之下，对上市公司财务预警的研究不仅具有理论意义，更具有重要的现实意义。现有的财务预警研究模型主要有：单变量预测模型、多元线性预测模型、多元逻辑回归模型、]probit模型、人工神经网络模型和联合预测模型。目前国内研究滞后于国外研究，国外文献较多，而国内相对较少；静态模型研究很多，而动态模型研究较少；财务预警理论的基础研究滞后于建模技术本身的发展；定量分析多，定性分析少；财务指标的取舍缺乏一定的依据；缺乏分行业或分部门的预警模型。基于此，本文采用多元线性预测模型，结合定性、定量分析选取财务指标，最终建立制造业上市公司财务预警模型。

二、研究样本选择

2006年深沪证券交易所股票上市规则规定：上市公司出现财务状况或其他状况异常，导致其股票存在终止上市风险，或者投资者难以判断公司前景，其投资权益可能受到损害的，本所对该公司股票交易实行特别处理。特别处理分为警示存在终止上市风险的特别处理和其他特别处理，前者在公司股票简称前冠以“*ST”字样，后者冠以“ST”以区别于其他股票。自1998年，深沪证券交易所正式启动上市公司出现“异常状况”予以“特别处理”以来，ST类公司的数量呈逐年增加的趋势，且地区分布更为广泛。统计数据表明，至2004年深沪两市的ST类公司数累计已达118家，占上市公司总数的10％，而其中大部分是因“财务状况异常”而被特别处理，由此可见，“财务状况异常”是被特别处理的上市公司的主要原因。本文对财务困境界定以上市公司因财务状况异常而被特别处理为标准。

本文将研究样本分为两类：ST类上市公司和良好类上市公司进行配对。配对原则是优先考虑大类相同、资产规模相近的企业，因为不同资产规模的企业对风险抵御的能力是不同的。若不能满足大类相同这一条件，则考虑相近大类资产规模相近者，其次考虑上市日期相近者。根据以上原则，选择2006年新增ST制造业上市公司(16家)，并逐一进行配对，其资产规模根据2005年年报确定，配对表见(表1)。

三、财务预警指标体系

本文运用财务分析原理，结合定量分析经过两次筛选，最终建立预警指标体系。(1)财务指标选择。根据财务分析原理，从企业偿债能力，营运能力，获利能力，现金流量四个方面共选取16个财务指标。体现偿债能力的指标：流动比率X2、速动比率X2、现金比率X3、资产负债率X4、产权比率X5、已获利息倍数X6。体现营运能力的指标：存货周转率X7、应收帐款周转率X8、流动资产周转率x9、总资产周转率X10。体现获利能力的指标：主营业务利润率X11、净资产收益率X12、资产利润率X13。体现现金流量活动的指标：每股营业现金净流量X14经营现金净流量对净利润的比率X15经营现金净流量对负债比率X16。(2)T显著性检验。选用ST类与健康类企业在ST前三年年报数据，检验其在哪些财务指标上有无显著性差别。如果在某些财务指标上有显著性差别，则说明该指标可能有一定的判别能力，目的是尽可能的将有判别能力的指标挑选出来。通过spss成对样本T检验分析，其结果如(表2)所示。(表2)黑点处标示了该年份存在显著性差异的财务指标，表中指标均通过了5％的T显著性检验，其它指标均未通过，由此可将16个财务指标简化为10个。(3)因子分析。利用spss分析时首先设定因子个数为10，采用主成分分析方法，得到其特征值、贡献率及累计贡献率见(表3)。由(表3)可看出前五个因子的累计贡献率已达94％以上，故取主成分因子个数为5。为了对这5个因子进行解释，使用方差最大旋转法，采用ST类企业ST前一年(2005年)数据，经因子旋转后得到因子载荷矩阵如(表4)所示。主成分1主要支配变量(表中灰色阴影处)为：X14，X15，X16，主要体现了企业的现金流量能力。主成分2主要支配变量为：X4，X12，X13，主要体现了企业的资产效用能力。主成分3主要支配变量为：X7，X9，X10，主要体现了企业的资产周转能力。主成分5主要支配变量为：X11，主要体现了企业的获利能力。而主成分4不易解释予以剔除。选取各主成分中因子载荷大者为备择指标，综合考虑得到最终预警指标为：X4，X9，X11，X12，X14，X15。

四、预警模型建立及分析

(一)模型建立对两类样本企业ST前一年(2005年)数据，根据上文选定的6个财务指标，运用fisher二类线性判别法，建立预警模型，对ST类企业，ST前一年判别模型为：

Zt=36.269*X4+0.972*X9+25.349*X11+5.926*X12+0.3950*X14-0222*X15-12.455

对良好类企业，ST前一年判别模型为：

Z2=39.063*X4+5.174*X9+37.637*X11+12.137*X12+2.056*X14+0.054*X15-20.374

判别标准为：将要预测的企业各变量值代入上面两个判别函数中，选择函数值大的为该观测量的值。

(二)模型测试模型测试的结果分别如下：(1)回代测试。用spss分析得到分类结果如(表5)所示。(表5)中type=1表示为ST类企业，type=2表示为良好类企业。表中给出了全部样本建立判别方程的分类结果为：ST类企业分类正确率100％，良好类企业分类正确率100％，分类总正确率100％。交叉验证建立判别方程的分类结果为：ST类企业分类正确率93.8％，良好类企业分类正确率100％，分类总正确率96.9％。(2)随机测试。随机抽取2004年、2005年制造业ST企业12家，2005年制造业良好企业24家，共36家。前者分别采用2003年、2004年年报数据，后者采用2005年年报数据，运用上文fisher二类判别模型进行判别。12家ST企业有1家被误判，误判率为8.3％，24家良好企业有3家被误判，误判率为12.5％，总误判率为11.1％，模型总正确率达88.9％。

财务预警研究篇3

摘要随着我国市场经济体制改革的深化和资本市场的快速发展，企业发生财务危机乃至破产的情形越来越多，因此有效地预防财务危机的出现成为一个重要的研究课题。本文回顾了国内外财务预警研究理论，并对现有的理论文献进行了详细的梳理和评价。

关键词证券市场上市公司财务预警

一、引言

自改革开放以来，我国市场经济体制改革不断深化，市场竞争日趋激烈，财务危机成为导致企业生存危机的重要因素。因此及时沟通企业有关财务信息，构建财务预警系统，有效地防范和化解财务危机，是每个企业亟待解决的问题。同时随着我国证券市场信息披露制度的不断完善，根据这些信息构造合理的财务风险预警模型已经具备了现实的可能性。

财务预警理论是随着证券市场不断发展而产生和不断深入的。“危机预警”思想源于20世纪初的欧美，在20世纪50年代取得了显著成果，进入90年代，由于企业危机爆发的频率越来越高，尤其是自2007年以来由美国次贷危机引发的全球金融危机，使得人们更加重视危机预警管理。与此同时，财务预警的研究也相应展开。根据研究方法的差异，一般可将这些理论大致分为定性预警分析和定量预警分析两类。

二、定性预警方面的研究

财务预警的定性分析方法主要包括以下几种方法：标准化调查法是通过专业人员、咨询公司、协会等，通过直观的归纳对企业可能遇到的问题加以详细调查和分析，对企业未来的发展趋势作出判断。

“死阶段症状”分析法认为：企业财务运营病症大体分为四个阶段：财务危机潜伏期；财务危机发作期；财务危机恶化期；财务危机实现期，而且每个阶段都有其典型症状。

管理评分法是美国学者仁翰•阿吉蒂在对企业的管理特性和破产企业存在的缺陷进行调查中，对集中缺陷、错误和征兆进行了对比打分，还根据对破产过程产生影响的大小程度对他们进行加权处理。

我国学者李秉成从上市公司财务困境形成角度、困境征兆角度探讨了上市公司财务困境预警分析方法。提出了财务困境加权分析法和象限分析法两类财务困境综合分析方法。

三、定量预警方面的研究

最早的财务预警研究是菲茨帕特里克（1932）开展的单变量破产预测研究。他最早发现陷于财务困境的公司的财务比率和正常公司相比有显著不同，从而认为财务比率能够反应企业的财务状况，并对企业未来具有预测作用。美国学者比弗（1996）最早运用统计方法研究了公司财务失败的问题，提出了较为成熟的单变量判定模型。但是单变量模型具有明显的局限性，很难做出正确的判断。

美国学者阿特曼（1968）最早运用主成分分析方法提炼最具有代表性的财务比率，将多个标志变量在最小的信息损失下转换为分类变量，获得能有效提高预测精度的多元线性判别方程，被称为Z分数模型。我国学者周首华等（1996）提出了F分数预测模型，通过更新指标和扩大样本数对Z分数模型进行了修正。多元线性判定模型具有较高的判别精度，但存在一些缺陷。其一，模型假定比较严格，现实中的样本数据往往不能满足其自变量呈正态分布的假定前提。使得结论必然存在令人质疑的成分。其二，在前一年的预测中多元线性判定模型的预测精度较高，但在前两年、前三年中其预测精度都大幅下降。

奥尔森（1980）第一个采用Logit方法进行破产预测。其模型使用了9个自变量估计了三个模型，分析样本公司在破产概率区间上的分布以及两类错误判别错误和分割点的关系。我国学者陈晓等（2000）以38家ST公司为研究对象，运用Logit回归方法进行实证研究，发现负债权益比率、应收账款周转主营业务利润/总资产、留存收益/总资产具有较强的预测能力。其后多位国内学者也采用类似方法对上市公司财务预警进行了研究。

类神经网络模型一般是利用一组案例建立系统模型，该模型接受一组输入信息并产生反应，然后与预期反应相比。如果错误率超过可以接受的水平，需要对权重作出修改或增加隐藏层数目并开始新的学习过程。经过反复循环，直至错误率降低到可以接受的水平，这时学习过程结束并锁定权重，类神经网络就可以发挥预测功能。奥多姆和沙尔达（1990）开拓了用BP神经网络预测财务困境的新方法，我国学者杨保安等（2002）采用ANN模型进行财务危机预警研究，结果表明样本的实际输出和期望输出较为接近。现实中神经网络具有较好的纠错能力，从而能够更好的进行预测，但由于理论基础较薄弱，其对人体大脑神经模拟的科学性、准确性还有待进一步提高，因此适用性也大打折扣。

四、浅议国内外现有文献

在财务预警的定性研究方面，国内外学者对引起企业危机发生发展的内外各种因素进行了深入探讨，但结论能够直接和定量模型结合起来的还不多。从财务预警的定量研究方面看，国内外学者结合各种量化技术，出现了众多的预警模型，但应用性和可操作性较差。而笔者认为模型的最根本作用还是得应用到实际中解决不同财务信息使用者的认知需要。

由于财务预警模型的局限性、模型变量的选择方法问题、财务信息失真问题以及非财务变量对财务预警的影响，使得财务预警理论的实际应用一时很难得到解决。而只有解决当前存在的这些问题，才能为正确解决上市公司财务预警课题奠定基础。

参考文献：

[1]彭韶兵.财务风险机理与控制分析.西南财经大学.2001博士学位论文.

财务预警研究篇4

关键词：高新技术企业；财务风险；财务预警理论

中图分类号：F275文献标识码：A文章编号：1001-828X（2013）03-0-01

一、前言

在目前高新技术企业的发展中，财务风险是经营管理过程中不可避免的风险之一，同时也是对企业经营影响最大的风险，为了保证高新技术企业能够在发展过程中处于有利的竞争地位，我们必须对企业所面临的财务风险有足够的认识。从当前的研究成果来看，企业应对财务风险有效的办法是根据财务预警理论，建立有效的财务预警机制，提高企业应对财务风险的能力，使企业能够在财务风险形成之前有所预知，并采取积极的方法进行干预，减少财务风险的发生，保证企业的经营效果。基于这种认识，我们应该对财务预警理论有深入的了解。

二、高新技术企业财务危机和财务预警的概念与描述

1.财务危机又称财务困境，国内外学术界并没有给出财务危机的统一定义，通常公认有两种确定的方法：一是法律对企业破产的定义，二是以证券交易所对持续亏损、有重大潜在损失或者股价持续低于一定水平的上市公司给予特别处理或退市作为标准。根据中外学者的研究，财务危机至少有以下几种表现形式：第一，从企业的运营情况看，表现为产销严重脱节，企业销售额和销售利润明显下降，多项绩效评价指标严重恶化；第二，从企业的资产结构看，表现为应收账款大幅增长，产品库存迅速上升；第三，从企业的偿债能力看，表现为丧失偿还到期债务的能力，流动资产不足以偿还流动负债，总资产低于总负债。

2.所谓企业财务预警，即财务失败预警，是指借助企业提供的财务报表、经营计划及其他相关会计资料，利用财会、统计、金融、企业管理、市场营销理论，采用比率分析、比较分析、因素分析及多种分析方法，对企业的经营活动、财务活动等进行分析预测，以发现企业在经营管理活动中潜在的经营风险和财务风险，并在危机发生之前向企业经营者发出警告督促企业管理当局采取有效措施，避免潜在的风险演变成损失。

三、目前财务预警理论和财务预警方法分析

目前的财务预警理论主要是研究企业如何能够利用正确的财务行为，避免财务危机的发生。从企业所面临的财务危机来看，财务预警理论将研究重点放在了如何对财务危机进行预先判断和分析上，旨在通过对企业财务行为的分析，达到对企业财务风险的预警。目前来看，企业财务预警主要采取了以下方法：

首先，通过对基础的财务数据材料进行分析得出企业财务风险的判断，并以此理论为指导，推动企业采取具体措施对风险进行干预。

其次，通过采用多种分析方法，对企业面临的财务风险进行判断，主要方法为比率分析法、比较分析发、因素分析发等，保证分析的准确性。

再次，通过对企业面临的潜在风险进行预警，避免企业财务危机的出现，一旦发现企业存在潜在风险，应立即采取措施，对风险进行干预和消除。

四、目前财务预警理论和方法存在的问题和局限性

从目前财务预警理论和预警方法来看，主要表现为三个层面，首先为基础数据分析层面，其次为专业分析方法层面，再次为潜在风险预知层面。虽然这几种方法在企业的财务风险预警中取得了积极效果，但是由于高新技术企业所面临的经营形势和市场环境不断发生着变化，为此现有的财务预警理论和方法还存在一定的问题和局限性。

1.高新技术企业的财务预警方法过于单一

对于高新技术企业而言，在经营管理过程中，虽然对财务预警理论非常重视，但是在实际运行中财务预警的方法采用的比较单一，没有取得预期的管理效果，没有完全消除企业遇到的财务危机。

2.高新技术企业面临的财务形势日趋复杂

由于高新技术企业面临的市场竞争非常激烈，自身的财务形势也比较复杂，企业的多数资金都用于产品研发，导致了资金配置不合理，存在一定的风险，同时受到市场竞争的影响，日趋复杂的财务形势制约了财务预警理论的发展。

3.高新技术企业的财务结构制约了财务预警理论作用的发挥

考虑到高新技术企业的特点，高新技术企业在财务结构方面将资金投入重点放在了产品研发上，客观上导致了资金倾斜过于明显，使企业的财务面临一定的风险。也正是这种财务结构，制约了财务预警理论作用的发挥。

五、高新技术企业财务预警研究的理论框架分析

通过对高新技术企业财务管理制度的研究，高新技术企业要想取得良好的财务风险预警效果，就要根据企业自身发展特点提出财务预警研究的理论框架，指导企业财务预警实践。以下以哈尔滨高新技术企业为例，重点探讨高新技术企业财务预警研究理论框架的形成。

1.哈尔滨高新技术企业偏向于新产品的研发，需要成熟的财务预警理论来有效预防财务风险。从目前哈尔滨高新技术企业的产品定位和企业结构设置来看，天然存在的风险对财务预警理论提出了具体的要求。

2.哈尔滨高新技术企业的贷款存量较高，需要完整的财务预警理论来支持整个企业财务发展。由于哈尔滨高新技术企业在发展中吸引了一定数量的贷款和民间资金，因此在财务风险上处于高风险的状态，这一现状决定了企业需要完整的财务预警理论。

3.哈尔滨高新技术企业的发展速度较快，需要根据财务预警理论构建有效的财务预警体系。考虑到高新技术企业高速发展的现状，只有有效的财务预警体系才能实现对企业财务风险的干预。

参考文献：

[1]卢声，任若恩，李清.中国上市公司财务困境模型的研究[J].北京航空航天大学学报（社会科学版），2001（01）.

[2]李荣.西北地区上市公司财务危机预警模型问题研究[J].商业研究，2007（06）.

[3]张鸣，张艳.财务困境预测的实证研究与评述[J].财经研究，2001（12）.

[4]徐勇.上市公司财务困境预测模型实证研究—基于制造业的实例[J].财会通讯（学术版），2007（01）.

财务预警研究篇5

【关键词】财务失败预警多元判别分析人工神经网络

财务失败（financialfailure）是指公司无力支付到期债务的经济事项。财务失败分可为技术上无力偿债和破产两种形式。前者是指公司的资产总额大于负债总额，即“资大于债”，但其财务状况不合理，即现有的现金流量小于需要偿付的债务，导致公司不能清偿到期债务，从而有可能发生破产；后者是指公司的资产总额小于负债总额，即“资不抵债”，导致公司不能清偿到期债务而发生破产。引起公司财务失败的风险主要包括经营风险和财务风险两方面。

一、国外财务失败预警模型研究

最早的财务失败预警研究是fitzpatrick(1932)开展的单变量破产预测研究。他以19家公司作为样本，运用单个财务比率将样本划分为破产和非破产两组，他发现判断能力最高的是净利润/股东权益和股东权益/负债两个比率。beaver(1966)使用由79对公司组成的样本，他发现最好的判断变量是营运资本流/负债(在公司破产的前一年成功地判断了90%的破产公司)和净利润/总资产(在同一阶段的判别成功率是88%)。

altman于1968年首先使用了多元线性判别模型研究公司的破产问题。根据行业和资产模型，他为33家破产公司选择了33家非破产配对公司，选用了22个变量作为破产前1～5年的预测备选变量，根据误判率最小的原则，最终选择了5个变量作为判断变量。其模型在破产前一年成功地判断出33家破产公司中的31家，而对于由25家破产公司和56家非破产公司组成的检验样本，模型在公司破产前一年正确地从25家破产公司中判断出24家，从56家非破产公司中判断出52家。

ohlson(1980)分析了样本公司在破产概率区间上的分布以及两类判断错误和分割点的关系，他发现至少存在四类显著影响公司破产概率的变量：公司规模、资本结构、业绩和当前的变现能力。

随着研究的深入和技术的发展，国外在财务失败预警模型方面突破了传统的统计方法，目前比较成熟的研究方法有：人工智能预测模型、遗传算法（geneticalgorithms）、泰勒的logistic回归拓展应用、混合神经网络模型（hybridneuralnetworkmodels）、自组织映射预测模型(self-organizingmap)、概率神经网络预测模型等。

二、国内财务失败预警模型研究

在国内的研究中，吴世农、黄世忠(1986)曾介绍公司的破产分析指标和预测模型；陈静(1999)以1998年的27家st公司和27家非st公司，使用了1995-1997年的财务报表数据，进行了单变量分析和二类线性判定分析，在单变量判定分析中，发现在负债比率、流动比率、总资产收益率、净资产收益率4个财务指标中，流动比率与负债比率的误判率最低；在多元线性判定分析中，发现由负债比率、净资产收益率、流动比率、营运资本/总资产、总资产周转率6个指标构建的模型，在st发生的前3年能较好地预测st。我国在财务失败预警研究方面起步比较晚，更多的还停留在理论研究上。

1、多元判别分析方法

多元判别分析方法应用最著名的是美国的altman的zeta模型。早在60年代，altmanaltman经过大量的实证考察和分析研究，选择了5种基本财务比率，根据每一种比率对财务失败的影响程度赋予权值（即各种比率的系数），以此作为预测公司财务失败和破产的基本模型，即所谓的“z-score”模型，其基本表达式为：

z=0.012x1+0.014x2+0.033x3+0.006x4+0.999x5（1-1）

奥特曼教授通过对z-score模型的研究分析得出：z值越小，该公司遭受财务失败的可能性就越大。奥特曼的研究表明，一般美国公司z值的临界值为1.8。

具体判断标准为：z>2.9时，财务失败的可能性很小；1.8≤z≤2.9时，财务失败可能性很大；z<1.8时，财务失败可能性非常大。

由于z－score模型没有充分考虑现金流量变动等方面的情况，因而具有一定的局限性。为此，我国学者对z－score模型进行了改造，建立了新的财务失败预测模型——f分数模型。f=-0.1774x1+1.1091x2+1.9271x3+0.0302x4+0.4961x5(1-2)

其中：x1=(期末流动资产-期末流动负债)/期末总资产；x2=期末留存收益/期末总资产;x3=（税后净收益+折旧）/平均总资产；x4=期末股东权益的市场价值/期末总负债；x5=（税后净收益+利息+折旧）/平均总资产。

2、bp神经网络

人工神经网络（artificialneuralnetwork-ann）是一种平行分散处理模式，其建构理念根植于对人类大脑神经运作的模拟。前向三层bp(backpropagation)神经网络通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后项学习两步进行，网络的学习是一种误差从输出层到输入层后向传播并修正数值的过程，学习的目的是使网络的实际输出逼近某个给定的期望输出。在前向三层bp网络算法中，对网络性能影响较大的是权值修正方法，为改进bp网络减少训练时间，并改善收敛特性，通常在权值公式增加一个态势项，常用的方法是：

wjh(t+1)=wjh(t)-ηαe/αwjh+α(wjh(t)-wjh(t-1)(1-3)

wjh(t+1)=wjh(t)-ηαe/αwjh+α(wjh(t)-wjh(t-1)(1-4)

式中，α为势态因子，η为学习率，t为迭代次数，e为定义误差，wjh为输入层节点与隐藏节点之间的连接权值，whi为隐藏层节点与输出节点之间的连接权值。

三、统计模型的缺陷

1、技术上的缺陷

①模型建立在一定的假设之上，如多元判别分析假设自变量服从正态分布、协方差矩阵相等、独立变量之间完全线性补偿。虽然二次方判别分析不需要独立变量之间完全线性补偿，提出了一个更普遍的二次函数关系。logistic回归分析虽然不考虑多元变量的正态分布，但是它要求变量之间的完全线性补偿。

②独立变量选择有失偏颇。由于变量之间存在着相关性，在建模之前进行被选变量相关性检验是非常必要的。如果一些变量具有较高的相关性，他们将对公司的财务状况具有相同的影响。

2、财务报表信息批露的不足

①财务报表中的数据是分类汇总性数据，它不能直接反映公司财务状况的详细情况。

②财务报表存在着虚假信息影响了财务报表分析。目前我国的上市公司存在着捏造虚假利润欺骗投资者的行为，这为我们通过模型正确预测公司未来发展趋势带来了不利的影响。

③财务失败预测模型没有考虑财务分析的纵向比较。分析以上提到的预测模型可以发现，这些模型在进行财务失败预测时，一般选取公司预测前三年的财务数据，然后分别预测，三年内的数据相互之间没有联系。

三、对我国财务失败预警模型研究的建议

为了克服统计模型的缺陷，提高预警的准确度，笔者认为在指标的选取上应该包括尽可能多的财务比率，并且要至少涵盖以下五大类：偿债能力指标、资产负债管理能力指标、盈利能力指标、成长能力指标与现金流量指标。

另外，在进行企业财务失败预警时还必须考虑非财务因素的影响。因为财务报表只对公司的经营成果做出综合的反映，仅从财务指标数值上无法看出公司经营的具体情况，这些数值本身的意义有限。

【参考文献】

[1]张鸣、张艳：财务困境预测的实证研究与评述.财经研究,2001,(12):29-34

财务预警研究篇6

【关键词】财务风险预警风险控制

一、企业内部财务风险形成原因

企业产生财务风险的原因很多,不同的财务风险形成的具体原因也不尽相同,既有企业外部的原因,也有企业自身的原因。而财务管理因决策失误、管理不善及缺乏风险意识等原因造成内部财务风险,存在于财务管理工作的各个环节。

1、企业管理者盲目追求规模扩张,决策缺乏科学性。在现实工作中,许多企业的管理人员缺乏风险意识,认为只要做大做强,企业就会有发展前途,风险意识淡薄,从而导致决策失误,这是财务风险产生的重要原因之一。成功的企业总是追求更大的成功,不断扩张是每个企业内在的冲动。然而没有明确目标和科学决策的盲目扩张,会使一个本来健全的企业陷入混乱。这种增长不仅会给企业带来财务风险和经营亏损,甚至会使企业彻底崩溃或破产。

2、企业筹资方式不当,资本结构不合理。由于筹资决策失误等原因,企业资本结构不合理的现象普遍存在。企业盲目追求利益最大化,过于追求成本最低的筹资方式是错误的。目前,可供企业选择的筹资方式主要有银行贷款、发行股票、发行债券、融资租赁和商业信用。不同的筹资方式在不同的时期会有各自的优点与弊端,如果选择不当,就会增加企业的额外费用,从而减少企业的应得利益,影响企业的资金周转最终产生财务风险。

3、企业财务关系混乱,内部管理不完善。企业内部财务关系混乱,内部管理不完善,是企业目前存在的通病,企业与内部各部门之间及企业与上级企业之间,在资金管理及使用、利益分配等方面存在权责不明、管理混乱的现象,造成资金使用效率低下,资金流失严重,资金的安全性、完整性无法得到保证。

由于上述原因的存在,如果企业对其不快速做出相应的反映或处理,这些原因都将会在一定程度上,或直接或间接地促使企业走向破产,或引发企业的财务危机的产生,财务预警恰好起到了对财务危机进行事前预报并防患于未然的作用。

二、财务预警模型研究的简要评述

我国有关财务风险预警分析的研究起步较晚,而国外开始相关领域的研究比较早,已经有企业将财务风险预警模型投入实际运用当中。下面将对一些常见的预警模型进行介绍。非量化分析主要包括:标准化调查法、“四阶段症状”分析法、“三个月资金周转表”分析法、流程图分析法、管理评分法等;量化分析分为单变量判定模型和多变量判定模型。本文主要介绍量化分析。

1、单变量预警模型。单变量预警模型即是运用个别的财务比率来预测财务危机的模型。美国学者WilliamBeaver通过对1954-1964年期间的79个失败企业和相同数量、相同资产规模的成功企业的比较研究提出了单变量预警模型。他认为预测财务失败的比率有:(1)现金保障率=现金流量/债务总额;(2)资产收益率=净收益/资产总额;(3)资产负债率=负债总额/资产总额;(4)资产安全率=资产变现率-资产负债率,其中资产变现率=资产变现金额/资产账面金额。他的研究认为现金保障率能够最好地判定企业的财务状况。其次是资产负债率,并且离失败日越近,误判率越低。

单变量预测模型法简单易懂,但其缺点也较明显。(1)由于单个比率不像多个财务比率能够反映企业的整体财务状况,所以要求企业在建立模型时要选择最能反映企业财务运行核心特征的财务比率作为预测指标。(2)企业的核心管理层为了掩盖真实财务状况往往会对某些财务比率进行粉饰,故由这些不真实的财务比率所作出的预警信息就失去了可靠性。(3)对同一家公司,预测者可能会因使用比率的不同而得出不同的预测结果。

2、多变量预警模型。多变量预警模型即是运用多种财务比率加权汇总而构成线性函数公式来预测财务危机的一种模型。多变量预警模型中当属美国纽约大学教授Altman的Z-Score五变量模型的应用最为广泛。它是根据1946-1965年期间,在相当规模及行业里,提出破产申请的33家破产企业和33家非破产企业作为样本,在经过大量的实证考察和分析研究的基础上,从最初的22个财务比率中选择了5个,使用破产企业破产前一年的数据和非破产企业在相应时段的数据,用统计方法对5个财务比率分别给出一定权数,进而计算其加权平均值(即Z值)。Z-Score五变量模型的差别函数表示如下:

Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5(式中:Z-差别函数值)

X1-营运资金A资产总额;

X2-留存收益A资产总额;

X3-息税前利润A资产总额;

X4-普通股和优先股市场价值总额÷负债账面价值总额;

X5-销售收入A资产总额;

由于该模型来自于对上市公司的研究,应用范围不广,故此后Altman重新评估变量X4将其确定为:股票账面价值(所有者权益)/总债务账面价值,新的模型被Altman称之为Z模型,其基本表达式为:

Z=0.717X1+0.847X2+3.107X3+0.42X4+0.998X5

当z≥2.99时,陷入财务困境的可能性很小;当2.7≤Z<2.99时,有陷入财务困境可能;当1.81≤z<2.7时,陷入财务困境可能性很大;当z<1.81时,陷入财务困境的可能性非常大。

Z模型克服了单变量预警模型的缺陷,几乎包括了所有预测能力很强的指标。它除了可预测本企业的财务发展状况外,还可以分析企业的竞争对手、供应商、客户及利益相关公司的情况。

但其局限性在于:(1)不具有横向可比性,即不可用于规模、行业不同的公司之间的比较。(2)采用的是按权责发生制编制的报表资料,没有考虑到较为客观的现金流量指标,可能不能真实反映企业现实的财务质量。

为了解决权责发生制原则所带来的人为操纵财务比率的问题,增加了两个有关现金流量分析的指标:现金盈利质量率和现金增值质量率。现金盈利质量率=现金盈利值/净利润。其中,现金盈利值是根据现金流量表提供的财务信息计算出来的企业现金净收益。现金增值质量率=现金增加值/留存收益。其中,现金增加值是企业支付了各项现金分配后的留存现金收益。

3、其他预警模型。目前,还有其他一些比较常见的财务预警的分析方法,如人工神经网络分析法、F分数模型、近邻法、分类树方法等。可见,财务预警模型是随着实际运用的发展而不断完善、更新的。

三、构建财务预警模型的建议

基于上述分析,笔者认为应依托现代计算机技术、网络通信技术、数据库技术以及管理学、财务学、统计学和各种优化技术,尽快构建起科学有效的现代企业财务预警系统。构建现代企业财务预警系统注意以下问题:

首先,建立适合本企业的财务预警模型,并使其具有动态发展性特点、行业特点、企业规模等许多因素均会影响财务预警模型的预测精度。应积极借鉴美国、日本等国业已成功开发并应用的预警模型,来建立和完善适合我国企业的财务预警模型。

其次,管理信息系统的建立和完善是财务预警系统有效运行的基础和前提,财务预警系统的有效运行依赖于管理信息系统的建立和完善。财务预警系统是为企业管理信息系统服务的,离开了管理信息系统,财务预警系统也就失去了存在的价值。因此,企业必须建立和完善管理信息系统。

再次,定性方法与定量方法相结合,财务指标与非财务指标兼顾选择哪些财务指标作为建立财务预警模型的变量,对模型的预警精确性和可靠性将产生较大的影响。

【参考文献】

[1]江少华:企业财务风险的预警预报系统研究,财会研究,2005,(1)。