財務預警系統風險評價模型評價

[摘 要] 預警系統是度量某種狀態偏離預警線強弱程度、發出預警信號并采取防范措施的系統，企業必須建立風險評估體系以便進行風險控制。本文對財務預警系統風險評價模型進行了總結和評價。

[關鍵詞] 財務預警系統；風險評價模型；風險控制

［中圖分類號］F275；F270.7［文獻標識碼］A［文章編號］1673-0194（2007）02-0047-02

預警系統是度量某種狀態偏離預警線強弱程度、發出預警信號并采取防范措施的系統，隨著市場經濟體制改革的不斷深化，市場競爭日趨激烈，企業在經營過程中隨時會遇到各種風險，企業必須通過對風險的識別，建立風險評估體系和進行風險控制，來預防或化解風險的發生，將風險造成的損失降到最小。

企業應運用一定方法對風險進行評估，以量化風險。風險評估是以企業財務報表為依據，用各種財務比率或數學模型，對企業的償債能力和收益能力等方面進行分析，從而預測企業財務危機的可能性。評估財務風險的關鍵在于如何確定預警指標及預警指標的臨界值，對于每一個具體的預警指標，企業應根據實際情況確定相應的臨界值，以判斷企業的財務狀況是否正常、財務風險是否存在。在企業日常財務風險管理中，企業應定期或動態地將預警指標與臨界值進行比較，若預警指標臨近或突破臨界值，則根據具體情況發出警報。以下收集了大部分的風險評估模型，并進行了簡要評價。

一、單變量預警模型

單變量預警模型是威廉·比弗通過比較研究1954—1964年期間的79個失敗企業和相同數量、相同資產規模的成功企業提出的。他認為預測財務失敗的比率有：（1）債務保障率=現金流量/債務總額；（2）資產收益率=凈收益/資產總額；（3）資產負債率=負債總額/資產總額；（4）資產安全率=資產變現率-資產負債率；（5）資產變現率=資產變現金額/資產賬面價值。

比弗認為債務保障率能夠最好地判定企業的財務狀況（誤判率最低），其次是資產負債率，并且離失敗日越近，誤判率越低，所以，按照單變量模式的解釋，企業良好的現金流量、凈收益和債務狀況應該表現為企業長期的、穩定的狀況，所以跟蹤考察企業時，應對上述比率的變化趨勢予以特別注意。一般地，失敗企業有較少的現金而有較多的應收賬款，或者表現為極不穩定的財務狀況。單變量模型分析較為簡單，但不能綜合說明公司整體財務狀況，運用這種方法可能出現對于同一公司、不同的預測指標得出不同結論的情況，因此指標選擇決定單變量模型方法運用的成敗。

二、多元線性判別模型

典型的多元線性判別模型是美國奧特曼教授的Z分數模型。這種分析模式是運用多種財務指標加權匯總產生的總判別值來預測財務風險，即建立一個多元線性函數模型，來綜合反映企業的財務風險。奧特曼認為企業是個綜合體，各個財務指標之間存在某種相互聯系，對企業整體的風險影響作用也是不一樣的。他所提出的Z系列模型從20多個財務指標中綜合出5個模型變量，即營運資本/總資產、留存收益/總資產、息稅前收益/總資產、股東權益市場價值/總負債和本期銷售收入/總資產，在分析這些變量相關性的基礎上，進行綜合分析后建立多元線性Z分數預測模型。公式為：Z=0.012Ｗ₁+0.014Ｗ₂+0.33Ｗ₃+0.006Ｗ₄+0.999Ｗ₅。式中， Ｗ₁表示營運資金/總資產，反映資產的流動性；Ｗ₂表示留存收益/總資產，反映累計盈利情況；Ｗ₃表示稅前利潤/總資產，反映資產的營運效率；Ｗ₄表示股票市價/總負債面值，反映償債能力；Ｗ₅表示銷售總額/總資產，反映資產周轉速度。

通過統計分析，他認為當Z<1.81時，企業有很高的破產概率；當Z>2.67時，企業處于安全狀態；當1.81

按照奧特曼的思路，許多學者通過實證研究建立了自己的模型，較具代表性的模型如1972年埃德米斯特建立的小企業財務危機預警分析模型和1977年英國的塔夫勒提出的財務風險預警模型，塔夫勒的模型形式如下：Ｚ=0.53Ｗ₁+0.13Ｗ₂+0.18Ｗ₃+0.15Ｗ₄。式中Ｗ₁表示稅前利潤/流動負債;Ｗ₂表示流動資產/負債總額;Ｗ₃表示流動負債/資產總額;Ｗ₄表示（流動資產-流動負債）/（經營費用-折舊）。20世紀70年代，日本開發銀行調查部綜合了更廣的財務數據，建立了如下預警模型：Ｚ=2.1Ｗ₁+1.6Ｗ₂-1.7Ｗ₃-Ｗ₄+2.3Ｗ₅+2.5Ｗ₆。其中，Ｗ₁表示銷售額增長率;Ｗ₂表示總資本利潤率；Ｗ₃表示他人資本分配率；Ｗ₄表示資產負債率；Ｗ₅表示流動比率;Ｗ₆表示粗附加值生產率（即折舊費、人工成本、利息與利稅之和與銷售額之比）。

我國學者舒惠好也按照行業差異對該模型進行了修正，其修正方法有如下3種思路：第一，在模型整體上加上行業修正值；第二，針對每個財務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。通過修正以期使財務預警模型更精確更有針對性，在實際運用中可以根據客觀情況進行調整。

三、線性概率分析

線性概率分析是多元線性判別模型的一種替代選擇。由于了解企業陷入財務困境的概率對防范財務困境具有很大的幫助，所以研究人員開發出了預測財務困境的線性概率模型。該類模型是對二項因變量（0-1）的普通最小二乘回歸的一種特例，其原理是假設變量Y是公司I的n個特點的線性組合，通過轉換，該公司陷入財務困境的概率Pi為:

P_i=a₀+a₁X_i1+a₂X_i2+…+a_nX_in

其中: a₀，a₁，…，a_n是最小二乘的估計系數，X_i1，X_i2，…，X_in是公司I的n個自變量。由于存在可替代性，并且證明了線性概率分析和多元線性判別分析的誤判率是一致的、分類結果是相同的，所以這種方法應用的不是很多。

四、邏輯回歸分析

上述的多元線性判別模型雖然經實證研究有較好的預測性，但存在假設上的局限性，即要求自變量呈正態分布，并滿足兩組變量的斜方差矩陣相等。因此，美國學者Ohlson率先在財務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，提出了條件概率模型，主要有對數成敗比率模型（Logit）和概率單位模型（ Profit）兩種統計方法。它們都是建立在累計概率函數的基礎上，一般運用最大似然估計，從而克服了線性判別模型假設局限性（ 即不需要滿足自變量服從多元正態分布和兩組間協方差相等的假設）。實證研究表明Logit和Profit方法得出的結論非常相似，而且都比線性判別模型略好一點。

五、相對流動性指標（DRL）模型

通常認為導致企業破產清算的原因有兩個，一個是企業經營困難，長期虧損，導致資不抵債，破產清算；再就是企業雖然可能盈利，甚至盈利豐厚，但由于不能按時償還到期債務，由債權人宣布企業破產清算。 這種倒閉的危險使得企業必須重視資產的流動性。DRL模型就是以預計潛在現金與預計正常現金支出的比例來評估企業財務風險的。其模型為：DRL=潛在現金/潛在支出。潛在現金可以從期初營運資本中獲得，也可以從正常經營過程的創收中獲得。在建立該模型時，沒有考慮下列活動引起的現金收支：（1）資本性收支；（2）股票的發行和清償；（3）有價證券的投資和收回；（4）長期借款的取得和償還。

DRL=TCP/E=[WC+OT+SVI]/[NSV-(NI+NON)-WCC]

其中TCP=總潛在現金；E=正常經營的現金支出；WC=期初營運現金；OT=銷售收入/[應收賬款+庫存產成品×（銷售收入/ 銷售成本）]，反映在經營期內以售價計算的庫存產成品和應收賬款轉換成現金的次數；SVI=庫存產成品×（銷售收入/ 銷售成本），將以成本計價的產成品轉換成以售價計價；NSV=銷售收入；NI=凈利潤；NON=非付現費用（主要指折舊+攤銷等）；WCC=期末營運現金-期初營運現金。

如果DRL＞1，表明企業財務狀況良好，有足夠的現金償還到期流動負債，近期不會發生財務危機；如果DRL＜1，表明企業財務狀況不穩定，DRL值越小，財務狀況越差，如無法取得外部資金，企業前景堪憂。 通過連續幾年資料計算DRL，可以準確地判斷出企業資金流動狀況的好轉或惡化，為進一步分析提供依據。

六、神經網絡分析模型

神經網絡分析是一種并行分布模式處理系統，具有高度并行計算能力、自學習能力和容錯能力。這種分析的一個優點是使企業財務動態預警成為可能，并使模型具備隨不斷變化的復雜環境自學習的能力。這意味著隨著樣本數的積累，這種模型可以定期更新推理知識，從而對企業危機動態預警。神經網絡分析在財務預警模型中的應用始于20世紀90年代，包括Fletcher、Coss和Altman等國外研究者。國內學者 周敏、王新宇在2002年通過實證分析認為神經網絡分析在判定正確率方面比線性模型和Logistic回歸模型更加有效，并且不受變量分布特征影響，不需要主觀定性地判斷企業財務危機狀態，因而能夠更加合理地預測企業財務危機。這種方法由于客觀條件的限制，到目前為止很少有人進行實證研究，而且由于方法過于復雜，其應用范圍也極其有限。

總之，各企業在選擇財務預警系統的風險度量模式時，還應從自身情況出發，考慮其可操作性，選擇出適合自己的方法。

主要參考文獻

［1］ 江少華. 企業財務風險的預警預報系統研究［J］. 財會研究，2005，（1）.

［2］ 杜蘭英，余道先. 中小企業財務風險預警系統研究［J］. 商業研究，2005，（17）.

［3］ 舒惠好. 財務預警系統研究：行業差異變量模型假說［J］. 財會通訊，2005，（8）.

［4］ 高民杰，袁興林.企業危機預警［M］. 北京：中國經濟出版社，2001.

［5］ 邱玉興.我國企業集團財務預警系統探析［J］. 經濟師，2004，（12）.