會計基礎模型在財務危機預測中的應用研究

文/王楠

會計基礎模型在財務危機預測中的應用研究

文/王楠

會計基礎模型在企業財務危機預測中具有十分重要的應用，但其本身也存在一定的不足，在使用上有諸多事項需要注意。在這種背景下，本文首先分析了會計基礎模型在財務危機中的應用理念，進而探討了會計基礎模型應用的不足，最后給出了會計基礎模型在財務危機預測中的應用展望。

會計基礎模型；財務危機；預測；應用

早期財務危機預測模型是針對所有產業，很少專門針對建筑產業研究，其最主要的原因是，集中于單一的行業的研究很難搜集足夠的樣本，尤其是財務危機公司的樣本數與財務正常公司的樣本數相比較更是稀少。然而，Chava和Jarrow指出，不同產業面臨不同的競爭環境，也使用不同的會計原則，即使財務報表數據相同，破產概率仍然是不一樣的。

一、會計基礎模型在財務危機中的應用理念

(一)基本理念

傳統財務危機預測的相關研究，會采用大量的會計信息并以這些信息為基礎而建立模型，被稱作“會計基礎模型”。這些研究多建立在“發生財務危機公司與財務正常公司，在會計報表的信息中應含有一些不同之處”的假設上，并試著應用一些回歸分析或資料探勘技術(Data Mining)來找出這些不同之處。過去研究中學者所用過的方法如：單變量區別分析、多變量區別分析、LPM模型、Logistic模型、機率模型、及CUSUM模型等。

從1980年代后期開始，一些新的人工智能技術，像是“類神經網絡(Artificial Neural Networks, ANN)”成功的被應用在公司財務危機預測模型上。而倒傳遞類神經網絡模型(Back-Propagation Neural Network, BPN)則是ANN中最被廣泛應用的一種。研究指出，相較傳統的回歸模型，ANN模型有著更好的預測能力。到了1990年代晚期，一種更新的技術“支撐向量機制(Support Vector Machine, SVM)”也開始被廣泛的應用在各個領域中。

(二)基本類型

1.單變量區別分析(Univariate Discriminant Analysis)。相關文獻回顧早期研究公司財務危機預測，將焦點放在選定最佳區別指標以分辨財務危機與財務正常公司，最早的做法即為單變量區別分析，以Beaver的研究為代表。Beaver的研究對財務危機預測的影響包含：界定財務危機公司的定義；應用配對抽樣方法；運用二分類檢驗法(Dichotomous Classification Test)來求取最佳預測正確率；采用驗證樣本分類檢驗法(Calibration sample approach)求取最佳的分類點。

2.多變量區別分析(Multivariate Discriminant Analysis)。相關文獻回顧不同于單變量區別分析僅采用單一變量，“多變量區別分析”是利用多個會計變量配合統計的方法去探討公司財務危機的預測。將多種重要的指標變量各賦予一個權數，組成綜合的區別函數，用以評估公司財務狀況。運用多變量區別分析法于財務危機預測的研究以Altman為代表。Altman以1946年至1965年間33家財務危機公司及相似規模33家財務正常公司為樣本，采用二十二個會計變量包含流動性、獲利能力、財物杠桿、償還能力、周轉能力五大類，利用多變量區別分析(MDA)方法取得預測能力最高的會計變量組合構成區別函數。

3.類神經網絡模型(Artificial Neural Network Model)。Rumelhart所提出的倒傳遞類神經(Back Propagation Neural，BPN)為目前應用最廣泛的類神經網絡類型，其學習能力強、精準度高，適用于處理復非線性函數的問題。BPN 網絡的基本結構包含三層：輸入層(input layer)、隱藏層(hidden layer)及輸出層(output layer)。輸入層的神經元個數即為會計變量的數目；輸出層為判斷財務危機或財務正常的0與1二元變量；隱藏層則在描述輸入變量與輸出變量間復雜的非線性關系。

二、會計基礎模型應用的不足

傳統財務危機預測的相關研究，會采用大量的會計信息并以這些信息為基礎而建立模型，被稱作“會計基礎模型”。雖然各種會計基礎模型均具有相當的預測能力，但也因會計報表易受到人為操縱的影響而受到限制，一年公布四次的會計報表也無法立即顯示財務危機實際的狀況。

有別于傳統以會計信息為基礎的財務危機預測模型，Merton(1974)應用了Black and Scholes(1973)的選擇權定價理論，來評估企業財務危機概率。這個模型被稱為選擇權模型或市場基礎模型。市場基礎模型并不需要仰賴龐大的歷史會計信息，而是直接通過選擇權評價方程式，描述公司發生財務危機的物理意義，只需要收集個別公司的股票價格，配合公司債務、無風險利率等信息，就可套用公式計算財務危機概率。在一個有效率的股票市場中，公司的股票價格是一個有力的信息來源，不僅反映了會計和經濟信息，也反映了公司管理和技術等等其它影響公司財務健全與否的因素。因此，近年來已有些學者開始重視市場基礎模型，并以此建立其公司財務危機預測模型。

市場基礎模型在實際應用上有一個較大的限制是，必須應用在一個效率高的股票市場才能得到較準確的預測結果。在我國，股票市場規模較小，股票價格較容易受有心人士操作，較難反應所有真實的信息，其股票市場的效率性并不高。因此市場基礎模型在我國建筑產業財務危機預測上將遇到困難。

三、會計基礎模型在財務危機預測中的應用展望

(一)總體結論

1.選變量提升模型預測能力。一般情況下，在模型建立之中，通過Logistic逐步回歸分析選取變量之后，其財務危機的預測能力均有提升。過多的變量不見得能增加模型的預測能力，有時會因為其中包含的噪聲反而使得預測能力下降，也增加模型的運算時間。而 SVM 模型在較多的輸入變量時仍然能維持一定的預測能力，顯示其容忍噪聲的能力較好。

2.混合型模型具潛力。混合型模型在會計信息及市場信息中擁有截長補短的長處；而在我國的不同產業發展中，由于股票市場信息質量較差，混合型模型并沒有明顯優于會計基礎模型，但仍然具有一定的預測能力。本研究認為混合型模型深具潛力，適合用于產業財務危機預測上使用。

3.重復取樣技術改善分類間不平衡。無論是美國或我國的產業樣本，重復取樣技術均能提升會計基礎模型的預測能力。在加入股票市場信息的混合型模型中亦然。這說明，重復取樣技術能改善分類間不平衡的問題，尤其于 SVM 模型中改善的幅度更大。整體來看，財務危機樣本數量約增加至正常樣本的1/4～1/3，模型即有穩定的預測能力。

(二)應用建議

1.收集培訓財務危機模型所需的歷史財務資料，包括用于Merton模型的公司股價、在外流通股數及無風險利率等以及用于會計基礎模型的財務變量。對我國企業所推薦財務變量包括：保留盈余/銷貨凈額、負債比率、銷貨凈額占股東權益總額比率、ROA資產報酬率；針對跨國企業所推薦的財務變量：固定資產占凈資產比率、負債比率、應收帳款周轉率、ROA 資產報酬率。

2.使用歷史樣本計算其Merton模型的PD。將從Merton模型所求得的PD視成第5個變量，與上述推薦的財務變量整理成正常取樣下的樣本集。

3.搭配重復取樣技術增加培訓組中財務危機樣本數量。本研究推薦財務危機樣本與正常樣本比例為1:3。

4.用重復取樣后的樣本集培訓混合型模型，培訓完成后將欲預測的樣本數據代入模型中，即可得到其估計財務危機機率，可應用于各種需求如營造廠的評鑒或銀行的放款等。

[1]王克勤,曹培.公司財務危機研究[J].西南師范大學學報(人文社會科學版),2005(01).

[2]閆江,馬才華.上市公司財務危機實證研究[J].江蘇科技大學學報(社會科學版), 2006(04).

[3]李月英,周晶晶.我國上市公司財務危機的風險防范研究[J].內蒙古統計,2009(06).

[4]趙秀芳,伍金林.我國上市公司財務危機的階段性研究[J].紹興文理學院學報(哲學社會科學),2014(02).

(作者單位：大連老虎灘海洋公園)