試論企業財務預警模式的構建

王奇姝

[摘 要]企業通過構建財務預警模型，能及時掌握企業財務風險的信息，有效地加以防范和化解，這對于保證企業持續、健康、有效的經營具有重要的作用。在這種背景下，本文首先概述了企業財務預警模式的價值，進而探討了財務預警模式相關變量，并對變量進行了分析，最后給出了變量分析及驗證的結果。

[關鍵詞]財務預警；模式；構建；變量

[DOI]10.13939/j.cnki.zgsc.2015.15.051

1 企業財務預警模式的價值

1997年的亞洲金融危機、2008年的金融海嘯、2010年的歐洲債信危機等事件，都深刻地影響著世界的金融市場、企業、國家與人們的投資信心。近年來，如何建構財務預警模式已經被許多學者廣泛討論，財務預警模式可以幫助投資人對于投資企業體質健全與否進行整體性的評估，可避免投資品質較差的公司，保障自己的投資資產。財務預警模式可以幫助公司決策者對公司經營不確定性的風險提早反應，針對經營策略、重要決策、公司管理決策去改變，以避免公司危機的發生。財務預警模式可以幫助銀行針對企業公司借貸進行審核，評估企業的財務與公司管理狀態。財務預警模式還可以幫助政府或金融機構針對不良企業監測，或作為企業壓力測量的模式，保障投資人與股東權益。

最近許多學者將財務預警模式以混合模式（Hybrid Model）來預測，將統計分析與算法、人工智能分析手法做結合，財務預警模式分為兩階段模式：篩選變量與分類預測。第一階段是篩選變量，利用不同手法篩選出具有貢獻性與相關性的財務與非財務變量；第二階段是分類預測手法，將第一階段所篩選出的變量作為分類預測手法中的輸入變量，獲得分類預測值。

2 財務預警模式的相關變量

早期的研究都只采取財務方面的變量，但近年來許多研究指出公司治理層面對于企業財務危機占有一定的影響性，例如Daily&Dalton研究中結果發現加入公司治理（監理）方面的變量，可以增加模式預測正確率。還有研究發現利用會計信息、公司治理變量及盈余管理這些方面所建構的財務預警模式比單一方面會有更好的模式績效與預測正確率。TCRI信用評級是最近發展的企業風險衡量指標，它是TEJ研發出來的一套評估企業信用風險方案，利用公開信息有效過濾出信用風險較高的企業，許多金融機構都采用該指標作為企業核貸的標準。根據先前研究，可以將財務預警模式的變量分為財務變量、非財務變量。財務變量按照證監會的規定，又可分為財務結構、償債能力、現金流量、經營能力和獲利能力五個方面，共18種財務比率變量，提供投資人及銀行加以參考。而非財務變量包含公司治理、盈余管理、信用評級等方面的變量。

財務變量：財務結構，顯示公司使用資本融資的程度；償債能力，顯示公司的變現力（流動性）；現金流量，顯示公司的現金流動方向及額度；經營能力，顯示衡量公司運用各種資產的效能；獲利能力，顯示公司獲得利益能力。非財務變量：公司治理，顯示防范管理者傷害及強化公司競爭力與管理效能；盈余管理，顯示公司借助合法范圍達到預期盈余目標的管理能力；信用評級，顯示公司的信用程度；其他相關變量。

3 變量分析

本文選擇22個變量作為篩選前變量，包含財務變量、公司治理變量、信用評級變量，前18個變量為財務變量，編號19～21為公司治理變量，編號22為信用評級變量。本研究分開計算健全與危機公司的平均值與標準差，在進行篩選變量階段之前，了解財務預警各方面變量的分布情形。

3.1 財務變量方面

一是財務結構：負債比率越高代表負債金額越高，該危機公司在負債比率是穩定公司的兩倍。二是償債能力：流動比率與速動比率越高，代表公司流動性越高，短期內發生財務危機概率越低。若利息保障倍數為負，代表此公司虧損。三是現金流量：現金流量比率若跌且有明顯跌幅，代表公司資金操作已惡化，代表公司呈現危機概率升高，負值代表營業活動凈現金流量為負，代表營業活動凈現金流量流出大于流入。四是經營能力：凈值周轉率在表示自有資本在一年期間內從營業收入收回的次數多少，凈值周轉率太高表示自有資本少，穩定性較弱，太低則表示自有資本太多或營業額太少。因此，凈值周轉率指標并無法明顯看出該數值與公司健全或危機狀態有明顯的相關，太高或太低都不好。應收賬款周轉率（次），衡量企業在特定期間內，收回賒銷賬款的能力。數值越高，表示公司從客戶端的收款能力越好。存貨周轉率（次）若越高，代表公司的營運狀況、流動性較好。總資產周轉率（次）綜合評價企業全部資產經營質量和利用效率的指針，次數越多，周轉速度越快，營運能力也就越大。總資產成長率、凈值成長率、營收成長率都是關于成長的指標，這三個指標越高代表公司的經營能力是肯定的。五是獲利能力：總資產報酬率、營業毛利率、稅后凈利率、每股盈余、營業利益率這些指標都是有關于獲利能力高低，因此指標越高代表獲利能力高。

3.2 非財務變量方面

一是公司治理方面：董監持股比率、董監持（質）押股比率、經理人持股比率這三個持股比率指標，是關于公司內部高層所持股的情形，不宜比例太重或偏向某方，因此穩定公司在這3個指標上都低于危機公司。二是信用評級方面：由于TCRI信用評級為1到10級，等級越低代表企業信用評級越好，而本研究數據危機公司大概呈現在8，穩定公司為5.5。

4 研究結論

早期的財務預警模式考慮的變量較少且大多采用過去文獻中的變量，并沒有進行篩選變量階段，直接利用統計方法去建構財務預警模式，預測企業公司的健全或危機。1990年之后隨著人工智能方法流行，許多財務預警模式采用人工智能方法去建構，雖然許多研究指出人工智能方法的預測績效比過去傳統方法要好，但很多應用性的研究多以培訓資料的準確率作為結論基礎，是否納入類神經方法的過度訓練的問題，有待商榷。本研究的實證數據顯示，類神經方法在訓練數據往往呈現高準確率，但以測量數據檢驗其類神經訓練模式，不一定有相對高的準確率，無法排除類神經方法過度訓練的問題，因此本研究在模式績效比較上，評估包含類神經模式的方法是以訓練績效為主，測量績效為輔。

在財務類神經預警模式上，近年來許多研究嘗試以兩階段混合模式來處理，本研究在兩階段中先分別進行Eta Square與Stepwise LR篩選變量階段，再利用BPNN與GRNN做分類預測階段，形成4個混合模式，探討這4個混合模式績效高低，并且另外進行不經過篩選變量階段直接利用3個方法（Stepwise LR，BPNN，GRNN）建構單一方法模式，實證研究采用我國電子產業作為研究對象。整體來說，本研究所實驗的7個模式中，結果呈現兩階段混合模式在準確率上，測試數據混合模式的平均績效優于單一類神經模式。在預測平均準確率方面，其中Eta Square+GRNN（先以Eta Square作變量篩選，再以GRNN作分類預測）有最高的平均準確度86.9%。研究也顯示，雖然逐步羅吉斯回歸所得的平均準確率81.6%不是所有模式最高的，但其績效具有相當穩定的效果。篩選變量階段模式對于績效分別有平均5.6%（準確率）和9.1%（檢驗水平）的正面提升。至于在篩選階段的兩種變量篩選方法與類神經的搭配方面，根據本研究數據顯示，BPNN搭配Stepwise LR和GRNN搭配Eta Square有較高的績效。在篩選階段中，兩種方法的篩選后變量相同部分為負債比率與TCRI信用評級。負債比率呈現公司的負債數值，TCRI信用評級則是銀行常用的評級企業是否核貸或放款的重要指標，這兩項指標與企業是否危機有重要的相關程度。

參考文獻：

[1]任忠奇，梁水源.財務預警模型的局限及財務預警的實施途徑[J].財會通訊（理財版），2006（11）.

[2]劉毅滿.上市公司財務預警模型的對比研究——以A公司為例[J].企業科技與發展，2008（6）.