傳統“Z- Score”模型與人工智能視角下的財務風險預警比較

葉文濤

一、前言

作為多元線性決策方法的典型模型，具有較高的預測精度的“Z-Score”模型被廣泛應用于各個領域。國內外學者為了提高模型的適應性及精度，提出很多改進模型，這些模型現在依然活躍在財務風險預警研究中。

人工智能一問世就掀起了軒然大波，2017 年德勤財務機器人正式上崗，機器人處理基礎會計問題效率之高，是人類不可及。人工智能與會計行業的融合并沒有停止在基礎領域，在財務管理方面也進行著深度融合，人工神經網絡模型為復雜多變的企業環境提供了有效的預警手段。

傳統“Z-Score”模型在人工智能時代在財務風險預警方面是否還有用武之地，跟人工智能模型相比傳統模型又存在哪些局限性，這些問題在本文都會得到解答。

二、財務困境界定

財務風險預警研究中如何判定企業處于財務困境是首要解決的問題。國內外學者對這一問題進行了廣泛的討論，雖然沒有統一的概念，但通常認為：第一，公司破產，公司申請破產是最容易定量分析的；第二，投資者、債券人等認為一旦破產，會給他們帶來重大財務損失的公司，一旦有公司露出破產跡象會立刻引起他們的高度警覺。

但以上觀點在中國資本市場適用性卻值得商榷，因為宣布破產的公司多數為初創公司，這些公司對公眾利益影響并不重大，且這些公司數據信息難以獲取。相反，切實影響公眾利益的上市公司卻極少出現主動申請破產的，即便陷入極其嚴重的財務問題，依舊能堅持不退市、不破產。因此，在中國財務困境需要采用更加適合中國資本市場特點的界定。第一，上市公司被冠上ST 或者ST*；第二，公司資金鏈繃緊，隨時存在現金流斷裂的風險。ST或者ST*公司持續虧損，盈利能力堪憂，這類公司發展前景不容樂觀，它們雖然面臨著各種各樣的問題，但其中財務問題無疑是最棘手的，深陷財務困境可能是壓死它們的最后一根稻草。所以，把ST 或者ST*作為財務困境的界定具有實際意義。另外，有一部分上市公司熱衷于多元化，不斷涉足其他領域，常常一輪投資接著一輪投資，想打造自己的生態圈。這些公司的主業往往支撐不了快速的擴張，它們需要采取貸款、股權融資、股權質押等方法注入資金，但是最終債臺高筑加上消化不良，導致公司資金鏈斷鏈。所以，以現金流斷鏈風險為依據界定財務困境也是可行的。

本文以康美藥業為例，判定它面臨財務困境也是以上面兩條為依據。康美藥業發布300 億“會計差錯”，這些“會計差錯”多數都是銀行存款，因而公司償債能力備受質疑，現金流斷裂風險很大，加上公司主動申請ST，所以判定康美藥業處于財務困境的條件是成立的。

三、“Z-Score”模型

（一）模型概述

1968 年，多元線性決策方法被阿特曼首先應用于財務風險管理，阿特曼從22 個備選財務指標中選取了5 個財務指標，以33 家非破產公司和33 家破產公司為樣本，建立了可以預測財務風險的財務預警模型“Z-Score”模型。在國內外學者多次實踐后，“Z-Score”模型被認為能夠較為準確的預測企業破產水平。

為了提高模型預測精度，包括阿特曼在內的國內外學者，不斷提出新的改進模型。這些模型多數依然以“Z-Score”模型為基礎，但調整了其中個別指標，使改進后的模型能夠更加適應行業。現在，“Z-Score”模型已經應用于多個領域，在我國上市公司財務風險管理應用過程中也得到了高度認可。

本文也同樣使用阿特曼提出的“Z-Score”模型，對康美藥業財務風險進行定量分析。

（二）“Z-Score”模型評分方法

阿特曼根據公司股權結構及所處行業特點等，運用數理統計對案例進行統計分析，建立了財務風險預測模型，模型中參數不同，評價標準也不同。見表1。

Z=1.2X1+1.4X2+3.3X2+0.6X4+0.999X5

Z 計分模型能夠有效評估企業違約風險，“Z-Score”模型評分標準是，當“Z≤1.81”時，企業會被認為很可能資不抵債，有極大的違約風險；“Z≥2.99”時，企業償債能力較好，違約風險較低；“1.81＜Z＜2.99”時，“Z-Score”模型無法評價企業違約水平。

表：1“Z-Score”模型指標及意義

（三）康美藥業財務風險評分

表2：康美藥業“Z-Score”模型評分

由表2 可以看出，康美藥業在2015 年、2016 年的Z值都大于2.99，公司違約風險較低，2017 年公司Z 值為2.08，此時“Z-Score”模型評分失效，說明公司經營處于不確定狀況，此時應引起投資者、債權人等的關注。在2018年公司Z 值快速下降，時隔一年，公司債務違約風險就極大增加。綜上可以看出2019 年公司面臨極大財務風險。

通過康美藥業財務風險評分可以看出，“Z-Score”模型評分指標簡單易懂，相關財務數據也能夠從公開渠道獲取，Z 值結果也可以很直接評價企業財務風險，只要具備一定財務知識就能快速理解“Z-Score”模型。

四、人工智能視角

財務數據是公司發展的晴雨表，財務指標更是通過深入挖掘財務數據信息，建立了能夠較為準確評估企業效益優劣的綜合評價體系。以財務指標為基礎建立不同的模型，并用這些模型對企業進行財務風險管理是當下的主流，但隨著“大智移云”時代的到來，人工智能為公司財務風險預警開闊了新思路。

（一）人工智能模型優勢

人工智能模型涵蓋面更廣。人工智能模型與“Z-Score”模型一樣仍需選取基礎財務指標，但不同的是，人工智能模型還可以添加非財務信息，作為評價指標，比如管理層薪酬、管理層人員變動、審計報告類型等。這些非財務信息都是公眾所關心的，但在“Z-Score”模型中卻無法體現，也無法參與評分。兩種模型相比較，很容易就能看出，人工智能模型評價范圍更廣。

此外，人工智模型的預測精度也更高。人工智能模型一般都采用多種方法相互驗證，以降低單一模型帶來的弊端。有學者在研究中小企業財務危機預警體系中就同時使用了C4.5、Bayesnet、RF、ANN 等人工智能模型，建立了較為穩健的預測體系。

（二）人工智能視角下的信息披露

2019 年5 月上交所下發了對康美藥業的詢問函，一共12 個問題劍指資金主要去向、信息披露違規等。其中有一部分情況無法僅通過財務分析就能了解，需要數據與附注、審計報告等綜合評估才能全面掌握。

康美藥業2018 年財務報表被出具保留意見的審計報告，同時，也提出公司內部控制可能存在重大缺陷。審計報告上的信息不像財務數據可以直接定量評價，而在人工智能模型下，把審計報告是標準無保留意見的標記為0，其他審計意見標記為1，再通過相應算法的得出定量結果，并據此反映審計報告對財務風險預警程度。

從人工智能的角度看，無論是財務信息還是非財務信息，都可以在選取指標階段通過先設條件將它轉化為程序可識別的條件，最后通過人工智能模型評價指標可預警程度。但人工智能模型也并非是絕對的完美，很多模型應用范圍并不廣泛，不能實現全行業通用。此外，人工智能模型依然以傳統模型為基礎進行改進，雖然可以逐漸適應復雜多變的企業環境，但依然有很大的發展空間。

五、結語

“Z-Score”模型憑借良好的適應性以及較高的預測精度，在人工智能時代下依然可以為企業財務風險預警做出更多貢獻。而人工智能模型雖然在精度、評價指標范圍方面能夠勝過傳統模型，但人工智能還處于發展階段，在應用范圍、實用性等方面還存在缺陷。本文以康美藥業案例，對傳統“Z-Score”模型和人工智能模型在企業財務預警方面的表現進行了簡單比較。兩種模型都有各自優勢，未來人工智能還會繼續給財務風險預警研究帶來新思路，傳統模型也依然會發揮余熱。