我國房地產企業財務風險預警實證研究方法綜述

李晶

[摘 要] 近年來，房地產企業財務風險預警的實證研究日益增加。本文從基于財務數據及結合非財務數據構建預警指標體系方面對實證研究方法在我國房地產企業財務風險預警研究中的應用情況進行梳理分析。并在分析其局限與不足的基礎上，提出了實證研究方法在房地產企業財務風險預警研究中應用的方向。

[關鍵詞] 房地產企業；財務風險預警；實證研究方法

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 13. 019

[中圖分類號] F275 [文獻標識碼] A [文章編號] 1673 - 0194（2017）13- 0046- 03

0 引 言

科學的財務預警系統對于房地產企業的發展具有戰略性意義。我國學者在借鑒國外研究理論的基礎上采用規范研究、實證研究以及二者相結合的方法，對我國房地產企業財務風險預警進行了系統研究。但是，國內大多數學者僅對一般上市公司財務風險預警研究方法做了探究，而針對房地產企業財務風險預警研究方法進行系統性概括的文獻并未見。本文擬從基于財務指標及結合非財務指標構建房地產企業財務風險預警系統方面對實證研究方法的應用情況及特點進行梳理分析，以期為實證研究方法在我國房地產企業財務風險預警研究領域的應用提供借鑒。

1 在基于財務指標的我國房地產企業財務風險預警研究中的應用

傳統的財務風險預警主要以財務指標為變量，構建一個適合房地產企業運營管理的財務風險預警系統，從而計算財務風險的評價值。

1.1 多變量判別分析法的應用

1.1.1 Logistic回歸分析法

龍勝平 等（2007）以滬深兩市房地產企業2005年財務數據作為樣本，采用主成分分析法，將7個主成分代替原來的11個財務指標，并將其作為Logistic回歸分析的解釋變量，進行邏輯回歸分析，從而構建了房地產企業財務風險預警模型。其構建的預警模型對我國房地產企業起到良好的預警效果。但作者對模型自變量的選取存在一定程度的任意性，并未對自變量進行嚴格統計意義上的篩選。然而，李恩 等（2012）以我國1998-2010年房地產上市公司為研究對象，選取了48家ST公司和48家財務正常公司為樣本，對入選解釋變量進行了逐步篩選，運用主成分分析法，構建了3個Logistic模型進行分析比較，選取預測率較高的模型，對前一年至前四年的財務數據進行返回預測檢驗，結果表明該模型預測的總準確率較高。這可以為銀行、投資者、監管者和房地產企業管理自身的風險提供一定的參考。

1.1.2 多元Z值判定模型

黃碩 等人（2010）利用簡單隨機抽樣的方法，從我國A股上市公司中選取40家房地產上市公司作為研究對象，將樣本公司的數據代入奧爾曼的Z-Score模型得到各家公司的Z值，并按照由大到小的方式將各家公司的Z值進行排序，從而判別出各公司的財務狀況。奧爾曼的Z值模型從整體上來看比較客觀，能夠很好地預測企業財務危機的發生。但是其研究成果是基于美國各行業的經濟財務數據，對于我國房地產企業財務預警有一定的參考價值，但不能機械地搬來運用。然而裴瀟等（2015）運用奧爾曼的Z值模型，檢驗我國房地產上市公司最新財務數據模型的有效性，認為Z模型原有的臨界值并不適合我國國情，并通過分析提出了適合我國房地產公司財務危機預警模型的新臨界值。經檢驗，該臨界值能夠較好地預測我國房地產企業財務危機的發生。

1.2 BP人工神經網絡方法的應用

朱燕妮（2008）選取44家中國房地產上市公司1998-2006年的數據作為樣本，選擇63個財務指標，先后采用Kruskal-walis H檢驗和因子分析對指標進行篩選和優化，構建了房地產上市公司財務危機預警指標體系。運用BP神經網絡方法使用提前一年的樣本數據建立了預測期為一年的分警度財務危機預警模型，對“海泰發展”一年的財務狀況進行仿真預測，預測結果表明，財務危機年份的預測完全正確，僅出現了對健康年份的誤判。證明了本模型對財務危機的識別能力及應用價值較大。但是因為受到樣本數量的限制，其僅僅考察了財務指標提前一年的預示能力，時效性較差。趙莉（2010）選取了盈利能力、償債能力、成長能力和擴張能力等相關財務指標，運用典型3層前饋型BP網絡模型，構建我國房地產上市公司的財務危機預警模型，將10年的樣本數據作為神經網絡辨識模型的訓練樣本，預測2009 年企業的財務狀況，得出2009年企業的財務數據處于健康狀態。其研究結果表明：基于財務指標信息的BP人工神經網絡方法是預測企業是否會發生財務危機的有效方法。可以看出，運用財務數據對房地產企業財務風險預警建立BP人工神經網絡模型，有利于提高模型預測的準確性。

1.3 支持向量機方法的應用

董雅麗（2013）運用支持向量機的方法，結合20家上市房地產公司的財務數據展開研究，充分考慮財務危機問題的復雜性和非線性本質，將原低維空間非線性問題轉化為高維空間中的線性問題，體現了在小樣本數據條件下高精度預警的優越性，取得了很好的效果。杜晶（2014）通過因子分析對指標體系提取主因子，然后利用支持向量機理論，構建基于支持向量機的財務危機預警模型，同時將模型與判別分析、二元回歸這兩種預警模型進行比較，發現該模型預測的準確率要明顯高于后兩種模型預測的準確率。實踐證明，該方法比以往傳統統計學方法和神經網絡方法更加方便，克服了傳統方法的固有缺陷，為房地產企業財務風險在智能預警領域的研究中提供了新思路。

由以上分析可見，該方面研究中，采用的主要研究方法是多變量判別分析法、BP人工神經網絡方法及支持向量機方法，集中研究財務數據對我國房地產企業財務危機的影響。但房地產企業的財務風險具有模糊性和復雜性，受到財務和非財務等多種因素的影響，難以用精確的數字來度量，無法全面預測房地產企業的財務狀況。

2 在基于財務與非財務指標的我國房地產企業財務風險預警研究中的應用

為提高財務預警系統的有效性，我國學者將非財務指標引入房地產企業財務預警系統的構建中，運用灰色預測法、多級模糊綜合評價法等方法展開研究。

2.1 多變量判別分析法的應用

2.1.1 ZETA模型評價法

杜俊娟（2013）選擇將房地產企業的短期償債能力、發展能力等6個方面的數據作為財務指標，將企業潛在發展能力、內部控制、學習與成長、顧客滿意度等作為非財務指標，在奧爾曼Z值模型的基礎上，利用改進的ZETA模型對房地產企業財務風險預警分析進行風險評判。結果發現，ZETA模型用于預測五年和一年財務危機的企業精度分別為70%和91%，而且越接近財務危機發生的時間，預測精度越高。結果表明在改進的Z值模型的基礎上引入非財務指標會提高預警的準確性。

2.1.2 Fisher判別分析法

尚洪濤（2011）選取滬深兩市A股房地產2009年及2010年的15家ST公司和45家非ST公司作為研究樣本，在29個財務指標基礎上加入了審計意見、公司股權結構、公司治理結構和市場信息等8個非財務指標為研究變量，使用Fisher判別法建立了ST發生前兩年和前三年的危機預警模型。實證結果表明，在Fisher判別法下加入非財務指標可以顯著提高ST危機預警的準確率，且預測的準確性較高。

2.2 灰色預測法的應用

楊剛（2010）將灰色關聯分析法和灰色預測法應用到指標篩選和模型的建立中，針對房地產企業的財務指標和非財務指標，建立了房地產公司的財務風險預警模型，結果顯示面對房地產企業的財務風險，運用灰色預測構建的模型有較高的精準度，并且短期預測功能良好。張曉燕（2016）以某房地產公司為例，選取該公司2012-2015年財務數據及非財務數據，構建灰色預測模型，對其2016年財務風險進行分析和預警，發現該公司2016年財務風險處于“重度預警”狀態，并對該公司的財務風險發出預警。可見，當信息數量少、完整性較差時，可利用灰色模型對房地產企業的財務風險做長期模糊預測。

2.3 多級模糊綜合評價法的應用

宋銳林 等（2011）選用了包括內部風險及外部風險的7個指標，將模糊評價與層次分析法結合起來，建立了基于模糊層次分析的企業財務風險評價模型，并對CS公司的財務風險進行綜合評價進一步驗證模型，最后提出了房地產企業控制財務風險的建議。但作者并未對模型進行定性分析，使得模型的可信度不高，而孫艷春 等（2012）以吉林省長春市的房地產上市公司A為例，在以財務指標為主體的財務預警系統基礎上，結合房地產企業的特征選取獲利能力、償債能力等5個方面的非財務指標，對影響房地產企業財務預警的非財務指標進行分層研究，運用多級模糊綜合評價法構建房地產企業的財務預警模型。最終經過對財務指標的定量分析和非財務指標的定性分析，發現得出的結論會使評價結果更加真實合理。不難發現，將房地產企業復雜的財務風險因素進行層次分解后，可以使難以量化的復雜對象分解為若干個小范圍的比較判斷，從而增加房地產企業非財務指標的預警模型的可操作性。

不難看出，我國學者將非財務指標引入房地產企業財務風險預警指標中，采用多變量判別分析法、灰色預測法及多級模糊綜合評價法構建財務風險預警系統后，能夠更加合理精確地預測房地產企業財務風險。可見非財務指標在風險預測的某些方面比財務指標更為可靠有效。

3 結 語

綜上所述，我國學者在房地產企業財務風險預警研究方法中綜合使用了多變量判別分析法、BP人工神經網絡方法、多級模糊綜合評價法、灰色預測法及支持向量機法等。但是，由于資產負債表反映的是某一時點的財務狀況，損益表反映的是一定期間的經營成果，即便將非財務指標引入財務危機預警系統中，預警系統也不能反映財務危機量變的過程及其產生危機的直接因素，從而限制了指標體系的可靠性和說服力，不利于內部管理者提出應對風險的防范措施。而且目前國內房地產上市企業財務報表的真實性也有待考察。所以未來房地產企業的財務風險預警模型應能夠在現有財務風險預警指標的基礎上稍做修改，建立一套企業內部管理者適用的財務風險預警子系統——資產風險預警系統，主要用于企業年度內各月份的風險監控。另外，還應能夠對上市公司所提供的財務數據的真偽做出一定鑒別，從而更加精確地進行公司財務困境預測。

主要參考文獻

[1]龍勝平，鄭立琴.我國房地產企業財務風險預警模型研究[J].求索，2007（6）：18-20.

[2]李恩，劉立新.我國房地產上市公司財務預警研究[J].華東經濟管理，2012，26（8）：156-160.

[3]黃碩，張紅，周鵬，等.基于Z-Score模型的我國房地產上市公司財務預警研究[J].中國房地產，2010（11）：60-62.

[4]裴瀟，黃玲，陳華.基于Z值模型的房地產企業財務預警研究[J].財會通訊，2015（4）：42-45.

[5]朱燕妮.基于BP神經網絡的中國房地產上市公司財務危機預警研究[D].杭州：浙江大學，2008.

[6]趙莉.基于BP神經網絡的房地產上市公司財務危機預警[J].價值工程，2010，29（8）：51.

[7]董雅麗.房地產企業財務風險智能預警研究[J].價值工程，2013（7）：147-148.

[8]杜晶.基于支持向量機的房地產上市公司財務危機預警研究[D].成都：西南財經大學，2014.

[9]杜俊娟.我國房地產企業財務風險的預警與防范[J].會計之友，2013（10）：44-47.

[10]尚洪濤.基于Fisher判別法的房地產上市公司ST危機預警研究[J].經濟與管理研究，2011（11）：77-82.

[11]楊剛.房地產企業財務風險預警模型研究[J].荊楚理工學院學報，2010，25（11）：62-64.

[12]張曉燕.基于灰色預測模型的房地產公司財務風險預警[J].財會月刊，2016（8）：53-54.

[13]宋銳林，崔曲.基于模糊-層次分析法的房地產企業財務風險評價[J].中國集體經濟，2011（31）：69-70.

[14]孫艷春，郭繼秋.基于多級模糊綜合評價法的房地產企業財務預警研究[J].企業經濟，2012（8）：93-95.