企業財務危機實證研究文獻綜述

西南財經大學會計學院 彭 博 郝二輝

［本文系西南財經大學“211”工程三期建設項目階段性研究成果］

一、企業財務危機的界定及財務危機預警判定指標

（一）企業財務危機的界定 關于企業財務危機的定義，不同的學者有著不同的看法，但歸結起來可以分為兩大類：一類是從法制層面對企業財務危機進行的定義；另一類是研究學者自己給出的定義。

從法制層面對企業財務危機進行的定義。Beaver（1966）把財務危機定義為破產、拖欠優先股股息、銀行透支和債券不能償付。Ohlson（1971）把企業根據破產法提出破產申請的行為作為確定企業進入財務危機的標志。Altman（1968），Deakin（1972）則認為財務危機公司僅包括已經經歷破產、無力償債或為債權人利益而已經進行清算的公司。Rosset al（1999）則認為可從四個方面定義企業的財務危機：企業失敗，即企業清算后仍無力支付債權人的債務；法定破產，即企業和債權人向法院申請企業破產；技術破產，即企業無法按期履行債務合約付息還本；會計破產，即企業的賬面凈資產出現負數，資不抵債。

學者給出的有關企業財務危機的定義。Karen and Wruck（1990）認為，財務危機是指一個企業處于經營性現金流量不足以抵償現有到期債務（例如商業信用或利息），而被迫采取改正行動的境況。John and Kose（1993）將公司的財務危機定義為，在一個給定的時點上，公司的流動資產不能滿足它的書面合同所需要的現金需要時就是財務危機。Sudmsanam and Lai（2001）使用由Taffer建立的Z值來定義財務危機，如果企業在兩個年度連續的負Z值后有一個最低Z值年度，則企業處于危機之中。

（二）企業財務危機預警判定指標 Fitzpatrick（1932）發現凈利潤/股東權益、股東權益/負債兩個指標判別能力最強。Beaver（1966）發現，現金流量與總負債比率、凈收入與總資產比率、總負債與總資產比率、營運資本與總資產比率等的均值在危機與非危機企業間存在差異。Altman（1968）選擇營運資本/總資產、留存收益/總資產、息稅前收益/總資產、股票市場價值/債務賬而價值、銷售收入/總資產5個財務比率建立判別函數區分財務危機與財務健康公司。Koh and Tan（1999）以六個財務指標：破產公司狀態、速動比率、股東市價對總資產比率、負債比率、稅及息前利益資產報酬率及保留盈余對資產比率為研究變量構建財務危機預警模型。Deakin（1972）選用了14個指標：現金/總負債、總資產收益率、資產負債率、流動資產/總資產比率、速動資產/總資產比率、營運資本/總資產、現金/總資產、流動資產/總收入比率、速動資產/總收入比率、營運資本/收入比率、現金/收入比率，來對財務危機進行預警。Ohlson（1980）發現，用公司規模、資本結構、業績與當前資產變現能力四類顯著影響公司破產概率的變量，進行財務危機的預測準確率達96.12%。Shumway（2001）研究證實，市場相對規模、以及個別股價報酬異常波動對于財務危機預警模型正確率有顯著影響，而過去所使用的財務變量在統計上而言是較不顯著的。Atiya（2001）采取財務比率與總體經濟變量建構財務危機預警模型，發現模型的正確率大致上較傳統使用財務比率的模型要高。

二、企業財務危機預警模型

（一）多變量線性判定模型 Altman（1968）最早運用多變量分析方法探討財務預警問題。他對1946~1965年間提出破產申請的33家公司和同樣數量的非破產公司采取Beaver（1966）的方式進行配對，對22個財務指標進行逐步多元判別分析，通過統計技術篩選出那些在兩組間差別盡可能大而在兩組內部的離散度最小的變量來建立Z值模型，其形式為：

其中X1為營運資金∕總資產，X2為留存收益∕總資產，X3為息稅前利潤∕總資產，X4為股東權益市值∕總負債賬面價值，X5為銷售收入∕總資產。

按照這一模型，Z值越低，企業就越可能破產。當企業的Z值超過2.675，表明企業財務狀況良好，發生破產的可能性較小；如果Z值處于1.81~2.675之間，稱之為“灰色地帶”，處在這個區間的企業財務狀況是極不穩定的；若Z值低于1.81，則企業存在很大的破產風險，需要給予較多關注。

由于1968年的模型在選擇變量時用了市場價值，對沒有股票市價的非上市公司而言并不適用，Altman在1977年對Z值判定模型進行了修正，即Zeta模型，其形式如下：

其中，X4變為權益賬面價值和債務總額賬面價值的比值。

（二）Logit模型 Ohlson（1980）第一個采用Logit方法進行破產預測，他發現，至少有四類顯著影響公司破產概率的變量：公司規模、資本結構、業績和當前資產的變現能力。

Logit模型是一種二元響應模型，假設企業發生財務危機的概率為P（危機公司為1，正常公司為0）。首先對樣本企業采用極大似然估計法計算出模型（1）的系數，然后依據模型（1）推導出模型（2）。根據模型（2）計算出的概率值，去預測其他企業未來發生財務危機的可能性，一般認為當P>0.5時，企業發生財務危機的概率比較大；當P<0.5時，則表明企業財務正常的概率比較大。模型的具體形式如下：

其中，X1、X2…Xn代表影響樣本企業財務危機發生概率大小的變量指標，可以是財務指標，也可能是非財務指標。

（三）Probit模型 Ohlson（1980）首先采用Probit方法進行財務預警研究。他選擇1970~1976年間破產的105家公司和2058家非破產公司組成配對樣本，采用極大似然法，分析了樣本公司在破產概率區間上分布以及兩類錯誤和判別閥值點之間的關系。

Probit模型和Logit模型的思路很相似，同樣假定企業破產的概率為P，采用的概率函數則是累積標準正態分布函數：

其計算方法和Logit模型類似，先是確定企業樣本的極大似然函數，通過求似然函數的極大值得到參數β1、β2…βn，然后求出企業破產的概率。如果概率P值低于0.5就判別為財務正常型；如果P值大于0.5，為財務危機型。

（四）COX模型 Cox（1972）提出了一個半參數模型，該模型可研究多個變量對危險率的影響，且對生存時間分布無任何要求，這就是在生物統計學中得到廣泛應用的COX比例危險模型。在比例危險模型中，假設在時點t個體出現觀察結局的危險大小可以分解為兩個部分，除了有一個基本危險量h0（t）外，第i個影響變量使得該危險量從h0（t）增加eβixi倍而成為h0（t）eβixi，因此，如果在k個因素同時作用影響生存過程的情況下，在時點t的危險率函數為：

其中，h0（t）只與時間t有關，類似于線性回歸中的常數項。

（五）倒傳遞類神經網絡模型 Odom and Sharda（1990）開拓了用類神經網絡進行財務預警研究的新方法。倒傳遞類神經網絡模型（簡稱BPN）是目前類神經網絡學習模型中最具代表性一種。BPN為一種監督式的學習網絡，進行網絡運算要輸入足夠的學習范例與目標輸出范例，以為訓練網絡之用。等到網絡訓練完畢后再輸入新的測試范例來測試網絡的預測與解釋能力。其運作方式是個別人工神經元將自外界環境或其他人工神經元接收到信息，依據信息的相對重要性給予不同的權重，在加總后經由人工神經元中的數學函數轉換，之后將結果輸出到外界或其他人工神經元當中。

BPN網絡基本結構包含三層：分別為輸入層、隱藏層及輸出層。輸入層的個數即為研究變量的個數；輸出層的個數為所求的結果，一般為判斷企業為營運正常公司或危機公司的0與1二元變量；隱藏層的角色則在描繪輸入變量與輸出變量間復雜的非線性關系，使得類神經得以偵測數據的特征與型態。有關隱藏層所含的神經元個數方面，并無理論的基礎，由于較少的過度配置問題，因此一般建議采用較少的神經元個數。

圖1 類神經網絡模型基本架構圖

在訓練方法上，BPN運算基本原理是運用最陡坡降法，輸入層將數據傳給隱藏層，經過計算之后，再將數據傳至輸出層，在計算網絡輸出值與目標實際值的差距后，再回傳給隱藏層去修正連接鍵的權數，透過調整權數變動的幅度（ΔWij），不斷重復進行此程序，直到誤差收斂至默認值為止。調整ΔWij的方程式如下：

E為誤差函數；Tj為目標輸出值；Aj為網絡實際輸出值；ΔWij為權數變動的幅度，此調整幅度與誤差函數對權值的偏微分成正比，亦即調整幅度與誤差函數對權值的敏感度成正比；η為學習率，學習率值的大小會影響誤差的收斂與否或收斂速度的快慢，通常較大的學習率會使網絡的振幅過大，造成數值震蕩難以收斂，而較小的學習率則會使得學習訓練時間過長，一般將學習率值的范圍定在0.05~0.25間。

三、當前研究不足及未來研究展望

（一）當前研究不足 一是危機預警指標的選取不太合理。在預警指標的選取上，現有文獻多采用財務報表數據，把各種財務比率作為危機預警的判定指標，其中有些文獻也選用了反映公司治理的一些指標，但卻很少選用反映宏觀經濟特征和行業特征方面的指標，至于反映管理層特征的指標基本上還未曾被采納。把宏觀經濟特征指標、行業特征指標、內部治理特征指標、管理層特征指標結合在一起的標準化、系統化的危機預警指標體系更未出現。二是模型的構建缺乏實用性和系統性。當前，危機預警模型在實用性方面還需要加以改進，原因是許多模型在構建時并沒有把行業性因素考慮在內，但是財務指標卻呈現出明顯的行業性差異，因此若不考慮行業特征，所建立的危機預警模型在實用性上一定不會太高。另外，我國至今尚未構建一套系統的完全適合自己國情的分行業財務危機預警模型體系。

（二）未來研究展望 在指標選取上，今后應加強對財務指標選取的理論研究工作，將宏觀經濟特征、行業特征、企業內部治理特征、管理層特征結合在一起進行研究，構建全方位的分層、分級、分行業、標準化的指標體系。在預警模型的構建上，應依據企業的行業特征，建立適用于各行業的專門的財務危機預警模型，并最終形成一整套符合我國國情的，既有區別又相互聯系的分行業的企業財務危機預警模型體系。

［1］吳世農、盧賢義：《我國上市公司財務困境的預測模型研究》，《經濟研究》2001年第6期。

［2］姜付秀、張敏、陸正飛：《管理者過度自信、企業擴張與財務困境》，《經濟研究》2009年第1期。

［3］呂長江、徐麗莉、周琳：《上市公司財務困境與財務破產的比較分析》，《經濟研究》2004年第8期。

［4］周首華：《論財務危機的預警分析——F分數模式》，《會計研究》1996年第8期。

［5］陳靜：《上市公司財務惡化預測的實證分析》，《會計研究》1999年第4期。

［6］Altman，E.Financial Ratios，Discrim inate Analysis and the Prediction ofCorporate Bankruptcy.Journalof Finance23，1968.

［7］Fitzpatrick，P.J.，A Comparis on of Ratios of Successful Industrial Enterprises w ith Those of Failed Firms，Certified Public Accountant，No.2，1932.