企業財務預警模型的比較分析

【摘要】財務預警模型是診斷企業財務狀況、提供財務危機信號的得力幫手，研究它無疑具有積極的意義。本文試圖對多種財務預警模型進行比較分析，以為構建適合企業財務預警模型提供一些思路和方法。

【關鍵詞】財務管理 ?財務預警模型 ?比較分析

一、財務預警模型的分類

（一）單變量模型

單變量模型是指運用單一變數，用個別財務比率或現金流量指標來預測財務危機的方法。Fitzpatrick最早研究發現，出現財務困境的公司其財務比率和正常公司相比有顯著的不同，從而認為企業的財務比率能夠反映企業的財務狀況，并指出財務比率分別對企業未來具有預測作用。Βeaver在此基礎上用統計方法建立了單變量財務預警模型，發現債務保障比率對公司的預測效果較好，其次是資產收益率和資產負債率的預測效果。

（二）多變量模型

（1）靜態統計模型。①線性判別模型。多元線性判別模型是運用多元統計分析方法中的判別分析建立起來的，它是根據一定的樣本資料，建立判別函數確定判定區域，以對企業財務狀況進行預測。②主要成分預測模型。該模型也形成一個線性判定函數式，其形式類似判別分析模型。不過該模型是運用多元統計分析中的主成分分析方法，通過提煉綜合因子形成主成分，并利用主成分建立起來的。③簡單線性概率模型。該模型是利用多元線性回歸方法建立起來的，其形式是：y=c+β1x1+β2x2+…+βxk。其中：c、β1、β2、…、β為系數：x1、x2、…、x為k個預測變量，即財務指標：y為企業財務失敗的概率。該模型以0.5為危機分界點，y值越大，企業發生財務失敗的可能性越大，y值越接近于0，說明企業財務越安全。④ logit模型和 probit模型。它們也分別叫作對數比率模型和概率單位模型，都屬于概率模型，是在克服簡單的線性概率模型的基礎上并分別用logt和 probit概率函數建立起來的。

（2）動態非統計模型。動態財務預警模型主要是把人工智能中的歸納式學習的方法應用于財務危機預測。目前，這種方法中最常用的是神經網絡預測模型。在神經網絡模型中，當輸入一些資料后，網絡會以目前的權重計算出相應的預測值以及誤差，而再將誤差值回饋到網絡中調整權重，經過不斷地重復調整，從而使預測值漸漸地逼近真實值。神經網絡分析是一種并行分布模式處理系統，有高度的計算能力、自學能力和容錯能力。該模型由一個輸入層、若干個中間層和一個輸出層構成。案例推理法是近年來才被應用于財務危機預測上的一種動態非統計模型方法。它是一種依循經驗來推理的方法，就是以過去發生的案例為主要的經驗依據來判斷未來可能發生的問題。

二、財務預警模型的比較

（一）單變量模型和多變量模型的比較

（1）單變量模型方法簡單，多變量模型方法較為復雜。單變量模型只對單個財務比率進行分析考察，觀察企業發展變化趨勢，據此來判斷企業財務狀況，不需要進行復雜的計算。而多變量模型均同時選取多個財務指標或現金流量指標，再通過一定的方法進行綜合分析，模型的構建涉及多種方法和理論，操作比較復雜。

（2）和多變量模型相比，單變量模型分析存在較多的局限性。①不同的財務比率的預測目標和能力經常有較大的差 ?距，容易產生對于同一公司使用不同比率預測出不同結果的現象。②單個指標分析得出的結論可能會受到一些客觀因素的影響，如通貨膨脹等的影響。③它只重視對個別指標影響力的分析，容易受管理人員粉飾會計報表、修飾財務指標、掩蓋財務危機等主觀行為的影響，以致模型判斷失效。而多變量模型由于綜合考慮了反映公司財務環境包括財務危機狀況的多個方面的因素，反映的是基本的和整體、全局的狀況，因此能比單變量模型更好地避免上述情況的發生。

（二）靜態統計模型和動態非統計模型的比較

（1）建立模型的方法。兩者在建立模型的方法上存在著顯著的差別。靜態統計模型均是在利用統計數理和分析的基礎上建立起來，如多元統計分析方法中的判別分析、主成分分析以及計量經濟中的回歸分析等。這些模型的建立均有一定的統計理論依據，均涉及到判定區間的確定和誤判率的估計問題，并且建立的一般是線性模型。而動態非統計模型不是依據統計理論，而是利用人工智能中歸納式學習的方法建立起來的，整個分析及預測過程就好像是人類學習及思考一樣。它是一種自然的非線性模型。

（2）模型建立的假定條件。靜態統計模型的建立一般都對樣本數據的分布作一定的假設，并以假設作為前提條件。如，多元統計分析中的數據正態分布假設、協方差矩陣相等假設、簡單線性概率模型的二項分布假設等。一般來說，只有在這些假設條件基本得到滿足的情況下，才能保證靜態統計模型預測的準確性。另外，靜態統計模型的建立是以對數據之間的關系已有清醒的認識為基礎的，一般假定各變量之間為簡單的線性關系，并且比較注重數據本身的完整性及一致性。而動態非統計模型一般沒有數據的分布、結構等方面的要求，適用于非線性關系的數據并對數據的缺失具有相當的容許性，基本上能處理任意類型的數據。

（3）是否具有動態預警功能和容錯性。靜態統計模型只是根據以前的樣本資料建立起來的，樣本資料一旦確定，便難以再予調整，除非重新建立模型。隨著財務狀況的發展和財務標準的更新，這種按照以前的資料標準建立起來的模型難以對已經變化了的財務狀況作出準確的預測和判斷。并且，靜態統計模型對錯誤資料的輸入不具有容錯性，無法自我學習和調整。而動態非統計模型具備隨著不斷變化的環境進行自我學習的能力，隨著樣本資料的積累，可以定期更新知識，從而實現對企業危機的動態預警。并且，由于動態預警模型具有高度的自我學習能力，對錯誤資料的輸入具有很強的容錯性，因而更具有實用價值。

（4）實際應用。動態模型如神經網絡模型等的分布是自由的，當變量從未知分布取出和協方差結構不相等（企業失敗樣本中的常態）時，神經網絡能夠提供準確的分類。但是，它在實際運用中還存在一些問題，如模型的拓撲定義、網絡架構的決定、學習參數以及轉換公式的選擇等比較復雜和難以確定，其工作的隨機性較強，非常耗費人力與時間，而且其在決策方法中表現得像一個黑匣子，以致對它的接受和應用都較困難。“神經網絡分析方法在風險識別和預測中的應用并沒有實質性地優于線性判別模型”。而傳統的統計模型發展得比較成熟，計算也相對簡單，應用也較為廣泛。并且某些統計方法，如; logit、 proβit模型對數據是否具備正態分布、兩組協方差是否相等也沒有要求，常用的判別分析中的距離判別方法也可以在兩總體協方差矩陣不相等的情況下使用。

作者簡介：周佑琴（1967—），女，重慶市巴南區人，大學本科，會計師。