基于資產負債表的我國上市公司財務風險預測研究

鄧明君，彭 韌

(1.湖南科技大學 大數據與智能決策研究中心，湖南 湘潭 411201；2.湖南科技大學 商學院，湖南 湘潭411201)

一、引言

一家公司的財務穩健對公司自身至關重要。對于投資者而言，財務困境具有負面傳導效應[1]。一旦公司出現財務困境，即意味著在經濟上處于不活躍狀態、擁有負資產賬戶或瀕臨破產，這可能會損害其貸款人、股東和股東貸款人的財務結構，并造成整個公司經濟上的損失。例如，2006年開始的次貸危機不僅讓美國深受其害，并迅速波及全世界。因此，預測一家公司是否將出現財務危機，并采取足夠的措施防止其經營失敗，這些成為分析師的重要工作。

1990年中國A股創立，目前已成為全球第二大資本市場，是全球成長速度最快的資本市場之一。作為典型新興市場的中國資本市場，上市公司的虧損面和虧損額呈逐年遞增的趨勢，每年新增的ST公司數目呈上升趨勢，上市公司存在的經營業績危機及其引發的潛在市場風險不容忽視。2020年新增的ST公司、*ST公司、終止上市公司分別為14家、110家、20家；滬深交易所“史上最嚴”退市新規在2021年落地，這對陷入財務危機和經營不善的公司產生了很大威脅。其中，觸發“1元退市新規”的上市公司有5家、觸發“期末凈資產為負值”的財務類退市風險警示指標的上市公司有24家、觸發“凈利潤為負值且營收低于1億元”的財務類退市指標的上市公司有73家。2021年第一季度至第三季度新增的ST公司、*ST公司、終止上市公司分別為31家、73家、22家①。受各方面因素的影響，世界500強企業恒大集團，在2020年遭遇嚴重的債務危機。恒大集團提交給廣東省政府的《關于懇請支持重大資產重組項目的情況報告》顯示，恒大集團有息負債8 355億元，在128家金融機構借款2 323億元，其中在民生銀行、農業銀行、浙商銀行等的借款金額均超過百億元。根據港股恒大2020年的年報，恒大資產總額達2.3萬億元，其中負債總額為1.95萬億元，負債率為85%。恒大巨額的債務如果出現問題，對國家金融系統的影響無疑是巨大的。因此，作為世界第二大經濟體，從長遠來講，宏觀上我國要建立應對自身金融體系的風險控制系統，以控制未來突發事件帶來的經濟沖擊；微觀上我國更要建立企業財務風險的預警機制，有效促進實體經濟健康發展和資本市場穩定運行。

二、文獻回顧

(一)國外相關研究回顧

一直以來，國外學者對公司財務風險預測研究較多，相關文獻主要采用兩種研究方法：一是基于市場的方法，該方法依賴于投資者對企業的市場估值。在基于市場的方法中，公司的股票價格被用于估計違約概率[2]，即當一家公司的市場價值低于一定的負債賬面價值時，則認為該公司破產，不少學者嘗試應用此方法來估計不同國家不同公司的違約概率[3-5]。二是基于會計的方法，該方法使用從財務報表中獲得的比率來評估企業的穩健程度[6]。本文重點回顧基于會計的公司財務風險預測研究。

基于會計的方法。20世紀初，國外學者們采用單變量衡量標準來區分財務困境公司和有償付能力的公司[7]。1968年，Altman開創性地構建了用于綜合評估公司財務風險水平和違約概率的綜合指數，并通過引入多元判別分析(Multivariate discriminant analysis，MDA)，從財務報表中獲得幾個財務比率，使用統計技術對各種單變量比率進行加權，將其轉換為一個分數(Altman-Z值)，用于表示公司違約可能性的大小，并運用該方法將1946年至1965年在紐約證券交易所上市的33家破產公司與33家有償付能力的公司區分開來[8-10]。Altman-Z值也由此成為企業破產文獻中最常用的統計工具。隨后多年，眾多學者應用Altman-Z值對美國上市公司財務風險進行評估，例如：Deakin[9]評估了1962年至1966年紐約證交所上市的32家破產公司和32家有償付能力的公司；Moyer[11]評估了1965年至1975年上市的54家公司；Blum[12]評估了1954年至1968年上市的115家公司；Dambolena和Khoury[13]評估了1969年至1975年上市的68家公司 。也有不少國外學者使用Altman-Z值預測美國以外其他發達國家和發展中國家上市公司的財務風險[14-17]。盡管Altman-Z值在不同國家的公司文獻中被廣泛使用，但Altman-Z值是從紐約證券交易所(NYSE)上市的美國制造業公司中得出的。那么，Altman-Z值是否可以有效地用于其他國家或行業的公司違約分析[18-19]，這是一個值得商榷的問題，因為不同國家的公司，特別是新興市場的公司與美國公司的行為不同，原始的Altman-Z值可能無法充分反映這些經濟體公司的獨特特征[20-21]。目前，也有幾十篇論文修改了Altman-Z值模型來研究發展中國家。這些文章使用了相同的變量，但重新計算了系數或使用新的代表性變量和相關系數，例如：Pascale[22]采用了不同資產負債表比率的MDA，該模型預測烏拉圭制造業企業財務風險的成功率接近90%；Rashid和Abbas[23]使用MDA開發了一個新的財務風險模型，從巴基斯坦非金融公司的24個比率中選擇了3個新的資產負債表比率，模型在預測1996年至2006年52家公司的財務風險方面達到了76.9%的準確率；Pervan等[24]將MDA應用于3個資產負債表比率，使用其模型預測克羅地亞78家破產公司的準確率達到79.5%；Thai等[25]使用馬來西亞證券交易所30家公司的新系數重新估算了Altman-Z值模型，準確率為76.7%。為了有效衡量反映在新興市場公司資產負債表上的財務風險，Olak[26]構建了一個多元企業評估(Multivariate Firm Assessment，MFA)分數模型，其評分通過應用MDA于土耳其伊斯坦布爾交易所(BIST)上市的非金融公司的7個選定的資產負債表比率而產生，能夠有效地分析土耳其公司的總體財務風險，其公司財務風險預測準確率較定制的Altman-Z值提高了3%。

除了MDA方法以外，邏輯回歸方法(Logistic)在基于財務報表的企業財務危機預測模型的研究中也得到了廣泛的應用。在這種方法中，公司財務風險是基于公司的會計數據和其他幾種控制措施來進行評估的[27-29]。近年來國外使用Logistic回歸的研究已經深入到對跨國或全球破產預警模型的構建，他們試圖建立一個通用模型，不局限于計算單個國家企業債務違約的概率，而將眼光投向了整合多個國家計算地區性的財務風險，例如：Alaminos等[30]開發了適用于世界各地公司的全球財務風險模型，以及適用于亞洲、歐洲和美洲公司的區域財務模式，發現全球模型在財務風險預測準確性方面優于區域模型，原因在于公司財務特征日益全球化，財務風險指標已在全球范圍內趨同。除了全球模型外，Fernández-Gámez等[31]還調查了特定國家因素在解釋歐盟企業違約中的作用，結果表明特定國家的宏觀經濟因素和監管因素，如通貨膨脹、風險溢價和政府規模等，顯著提高了財務危機預測的準確率。

(二)國內相關研究回顧

國內對多元財務危機預測模型的應用研究起步較晚。周首華等[32]認為Altman-Z值模型在構建時沒有充分考慮到現金流量變動等方面的問題，他們運用MDA方法在Altman-Z值模型的基礎上建立了F分數模型。針對中國房地產上市公司，Wang和Campbell[19]測試了Altman原始模型，使用Altman比率重新估計模型、使用新比率修正模型的預測精度，發現修正后的模型比其他模型準確得多。針對中國科技型上市公司，張蔚虹和朱海霞[33]以2011年的20家ST公司，以及與其同行業、資產總額基本相同的20家非ST公司為樣本，基于ST公司宣布特別處理前三年及非ST公司相對應年度的財務數據計算得出Altman-Z值，認為Altman-Z值模型對這些公司的財務風險預警有效。近年來國內不少學者綜合考慮影響企業財務危機的各項財務因素和非財務因素，構建了基于TEI@I方法論的企業財務風險預警模型、面向特征因果分析的CFW-Boost企業財務風險預警模型，并利用其他預警模型進行對比測試，測試準確率為69%～86%[34-35]。

國內學者基于Logistic回歸的財務風險預警研究也在不斷深入。楊青龍等[36]對企業財務危機預測指標進行篩選后，分別利用傳統的Logistic回歸和機器學習方法建立了企業財務危機預警模型。楊貴軍等[37]將Benford引入財務預警Logistic模型，提出Benford因子的一種構造方法，建立企業財務風險預警Benford-Logistic模型，提高了財務風險預警Logistic模型的預測準確性。吳靜和袁芳英[38]應用Logistic財務風險預警模型對2016—2018年A股非金融上市公司進行實證研究，發現引入公司治理和股權質押率變量能有效提高預警模型的預測準確率。

(三) 文獻述評

建立財務風險預警模型的歷史由來已久，在Altman之后有眾多學者試圖建立更加完善的預警系統。公司財務風險預測的方法更加多樣化，甚至加入了人工智能模型和大數據挖掘，在財務風險預警模型的建立過程中也加入了大量非財務指標，這雖然提升了公司財務風險預測的精確度，但方法過于復雜，以及一些非財務指標數據難以獲取，從而導致這些模型難以被推廣應用。到目前為止，國外已經建立了比較完善且可以被廣泛應用的財務風險預警模型。我國研究起步較晚，模型的指標體系還在日益完善，樣本擬合度越來越高，預測精度也在不斷提高，但還有提升的空間。鑒于此，本文提出應用Olak[26]定制的Altman-Z值模型和MFA分數模型，對我國上市公司財務風險進行預測，比較兩者預測性能的差異。同時，本文還將進一步探究MFA分數模型與宏觀經濟因素之間的關系。

三、研究設計

(一)樣本選取與數據來源

上市公司負有財務披露的義務。本文以上市公司作為研究對象，以2011—2020年中國滬深兩所A股非金融上市公司年度財務數據為原始研究樣本，共4 025家公司。為了檢測Altman-Z值模型和MFA分數模型的性能，我們需要一組有財務困境的公司名單和一組財務穩健的公司名單作為配對樣本。對于有財務困境的樣本選取，我們從上述樣本中隨機選取了2020年被歸類為ST的49家公司。對于第二組財務穩健的公司，我們相應選取了擁有相似資產、同一行業的公司，它們唯一的顯著區別在于是否陷入了財務困境。

(二)模型介紹

1. Altman-Z值模型

Altman[8]在22項財務指標中篩選出5個財務風險相關變量：營運資本和總資產比率；股票的市值與總負債比率；留存收益和總資產比率；息稅前利潤和總資產比率；總銷售額和總資產比率。并通過計算出的Z值對公司是否陷入財務危機進行預測，其線性函數如下：

AltmanZ-score=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5，其中：

X1=營運資本/總資產；

X2=留存收益/總資產；

X3=息稅前利潤/總資產；

X4=股票的市場價值/總負債；

X5=銷售收入/總資產。

如果一家公司的Z值低于1.81，則該公司將被歸類為陷入財務危機的企業，并且有可能在未來一段時間內面臨破產。如果Z值大于2.675，則表明該公司經營狀況較好、財務健康，未來幾年破產概率較小；而當1.81≤Z≤2.675時，則表明企業處于運營狀況的灰色區域，表明企業的經營狀況不穩定，需要格外注意。

在1946—1965年間Altman用該模型預測了66家紐交所上市公司的破產情況，準確率為91%。但對于不同的經濟體如發展中國家，Altman-Z值模型的預測精度并沒有這么高。其主要原因在于該模型主要反映的是發達國家的企業行為，股票的市場價值與總負債之比(X4)完全取決于公司的股票價格。但大多數發展中國家的股票價格通常不能完全反映一個公司的財務狀況，相反它們主要反映了投資者的投機傾向。此外，留存收益與總資產之比(X2)代表了公司在一段時間內的累計利潤或虧損，并體現了有關企業年齡的信息。由于發展中國家的企業一般壽命較短，其累計的收益波動性更大，因此這個指標也不能充分體現發展中國家企業的財務狀況。

由此得出，Altman-Z值模型對于我國企業的預測精度不高，因此我們引入優化模型MFA分數模型。

2.MFA分數模型

基于Altman-Z值模型，我們引入了MFA分數模型，其建立原則如下：①流動性、盈利能力、杠桿率等指標中至少包括一個，以確保模型的全面性；②所選擇的變量應該是能夠區分財務困境和有償付能力的公司，如果兩組比值的均值之間彼此沒有顯著差異，則將此比值剔除；③兩個指標不應共線，如果任何指標兩兩之間的相關性大于0.2，則剔除與其他變量相關性較高的一個。在上述原則下，最后在MFA分數模型中使用的指標為：

X1=(現金及現金等價物+應收賬款+短期投資)/流動負債。該比率被稱為“速動比率”，也稱為“酸性測試比率”，是衡量企業流動資產中可以立即變現用于償還流動負債的能力；

X2=流動負債/流動資產。也稱為“流動比率”，體現企業用短期資產償還短期負債的能力；

X3=總負債/所有者權益。也稱為“負債權益比率”，體現企業的股票價值是否足以償還債務；

X4=息稅前利潤/總資產。同Altman-Z值模型中的X3，也稱為“總資產報酬率”，可以體現出公司主要活動的盈利能力；

X5=財務費用/營業收入。也稱為“財務費用率”，體現公司支付其債務產生的外匯和利息費用的能力；

X6=凈利潤(虧損)/營業收入。也稱為“營業凈利率”，是反映企業盈利能力的一個指標，該指標越高，則代表企業盈利能力越好；

X7=留存收益/總資產。表示過去各時期的累計損益，同時顯示有關公司年齡的信息。

MFA分數模型的計算公式為：

MFAscore=0.24X1-0.14X2-0.03X3+3.76X4-0.72X5+0.20X6+1.14X7

Olak[26]通過ROC分析確定了MFA分數模型的第一個閾值為-0.02，以此區分有償債能力的公司和陷入困境的公司。然后根據Olak的研究樣本中財務狀況較好公司的MFA分數的中位數得到第二個閾值為0.56。如果一家企業的MFA分數小于-0.02，則認為該公司財務狀況不佳，可能會在一年內陷入財務困境。但若一家企業的MFA分數大于0.56，則該公司被認定為財務狀況良好；若一家企業處于-0.02和0.56(灰色區域)之間，則該公司陷入財務困境的概率較低。

四、實證結果分析

(一)描述性統計

本文選取的樣本沒有局限于從事制造業的企業，檢測樣本及配對樣本都來自除金融業之外的各個行業。從表1和表2可以看出，MFA分數模型在49家無償付能力的公司陷入財務危機的前一年，對其中的39家公司做出了正確的分類。而對應的49家有償付能力的公司中準確檢測出44家。模型檢出率達到84.7%，對于陷入財務危機的企業預測率為79.59%，財務健康公司的準確預測率為89.80%。而Altman-Z值模型對于企業是否陷入財務危機的檢出率僅有75.51%，MFA分數模型超出同等條件下Altman-Z值模型預測能力的9.2%，預測精度明顯提高，從客觀上說明了MFA分數模型相較于Altman-Z值模型更加適用于我國企業。

表1 模型表現情況(Altman-Z分數模型)

表2 模型表現情況(MFA分數模型)

(二)相關性分析

為了驗證本文的假設，我們將財務健康和陷入財務危機的兩組合并進行了t檢驗和相關性檢驗。表3如同我們假設的一樣，財務健康組與財務危機組的均值之間具有顯著差異。與陷入財務危機的公司相比，財務健康的公司具有更高的總資產報酬率、營業凈利率、留存收益和總資產比率。而其他指標如財務費用率越高，則說明該公司債務水平越高，利息費用、外匯支出越多，我國企業財務費用負擔越重，同時陷入財務危機的公司在該指標上普遍也比財務健康的公司高。表4為指標之間的相關性矩陣，從表中可以看出，MFA分數模型的指標兩兩之間的相關性較低。其中，流動比率與財務費用率相關性最高。

表3 MFA分數的組均值和均數差異的t檢驗

表4 MFA分數模型變量的兩兩相關性

(三)MFA分數模型與宏觀經濟

大量研究表示宏觀經濟的變化會影響企業的財務狀況，例如，有研究認為低GDP增長率和高貸款利率會增加企業的財務困境風險[39-40]。Mare[41]在過去的實證檢驗中也發現通貨膨脹與企業的違約概率呈現出顯著的正相關關系。這是因為經濟環境的疲弱會影響企業的生存狀況，因此我們認為宏觀經濟變化對MFA分數也有影響。為了驗證這一論點，本文基于2016—2020年中國滬深兩所非金融上市公司半年度財務報表計算出的MFA分數、GDP季度增長率和美元與歐元對人民幣的月度匯率加權(權重為0.6和0.4)進行了趨勢分析，其觀察結果如圖1、圖2所示。

圖1 MFA分數和GDP增長率表現

圖2 MFA分數和匯率表現

可以看出，MFA中值普遍大于MFA平均值，這意味著MFA分數分布向左傾斜。從圖中可以看出，MFA分數與GDP增長率的增長趨勢基本一致，但與匯率加權數的增長趨勢大致相反。在近五年內即便是受疫情影響，GDP增長率降為負數，MFA分數也沒有突破-0.02的閾值，但始終處于灰色地帶。同時GDP增長率在2020年降到最低點，出現了自改革開放以來的最低增幅，同時MFA分數在這一時期也保持在最低位。這是因為疫情對我國經濟，特別是對第三產業的影響。旅游、文娛、餐飲等行業均受到重大沖擊甚至陷入停滯，非制造業商務活動指數從54.1驟降至29.6。

中國政府及時采取了一系列的財務政策和貨幣政策以恢復國民經濟，如提高地方政府的債務限額和減稅降費的力度，中國人民銀行通過逆回購增加貨幣流動性等。從圖中可以看出，這一系列措施的作用是顯著的，GDP增長率在2020年底恢復為正，MFA分數也隨之上升。

為了進一步驗證本文的觀點，我們進行了豪斯曼檢驗，得到P值小于0.05。因此本文使用固定效應，對非金融上市公司年度的MFA分數在幾個宏觀經濟變量上進行了回歸。目前主要的宏觀經濟變量有國民生產總值、國內生產總值、通貨膨脹率、利率、失業率以及匯率等。由于我國的利率相對穩定，本文選擇了GDP年增長率、年度的通貨膨脹率、城鎮登記失業率、匯率為美元與歐元匯率的加權平均，權重為0.6和0.4。本文建立實證模型如下：

MFAi，t=β1Macrot-1+β2Controlsi，t+∑Year+λi，t+εi，t

Macrot-1表示四個宏觀經濟變量，分別為國民生產總值年增長率、美元與歐元匯率的加權平均年增長率、通貨膨脹率和失業率。MFAi，t為計算出的企業MFA分數，該值越大，說明企業的財務狀況越穩定。我們還對企業的審計質量(Big4)、成長性(Growth)、股權集中度(Top)、控股股東性質(SOE)、兩職合一(Dual)、董事會規模(Board)以及獨立董事占比(Independent)進行了控制，變量定義如表5所示。

表5 變量定義

表6為上述假設的多元回歸分析結果，在控制了企業個體、企業特征和年度固定效應后各個宏觀經濟變量對MFA分數的影響均通過了1%的顯著性水平檢驗。而GDP增長率對MFA分數的影響顯著為正，回歸系數為0.064；通貨膨脹率、匯率和失業率對MFA分數的影響顯著為負，回歸系數分別為-0.205、-1.280和-1.303。這說明高的GDP增長率會對企業的經營狀況產生正向影響，而高的匯率、通貨膨脹率和失業率均會惡化企業的財務狀況。這與實際情況一致，匯率和通貨膨脹率較高均會導致人民幣貶值，而失業率較高則說明現在的經濟環境較差，因此影響到企業的財務狀況。而當GDP增長率較高時，說明我國當前的經濟環境較好，企業的經營狀況也能隨之改善。而在各種宏觀經濟變量中，資產負債表對GDP增長率的變化最為敏感。具體來說，GDP增長率每增加1%，對企業MFA分數提升效果將增加0.064個百分比。綜上，我們認為，MFA分數可以用來考察宏觀經濟發展對企業資產負債表的影響。

表6 宏觀經濟變量對MFA分數的影響

五、預測應用

經過一系列檢測，我們可以推斷MFA分數模型的預測精度高于Altman-Z值模型。由于MFA分數可以預測出公司的財務狀態，我們認為MFA分數模型也可以用來判斷我國A股非金融上市公司的財務健康變化趨勢，這一點在上文得到驗證。因此，本文運用MFA分數模型對2016—2020年滬深兩所A股上市的非金融公司的財務情況進行預測應用。本文在預測之前剔除了主要變量缺失的樣本，各個年度非金融上市公司樣本數分別為3 174、3 587、3 665、3 860和4 306。2020年和2019年上市公司數量相差較大的原因是2019年科創版的開市，導致2019—2020年IPO的公司急劇增加。

2016年我國全面推行“營改增”以實現結構性減稅，這在一定程度上激發了經濟活力，同時這一時期我國經濟持續穩中向好。清華大學國情研究院院長胡鞍鋼指出，從國際的角度來看，我國仍屬于世界上經濟增長率最高的國家之一，6.7%左右的增速明顯高于美國、日本及歐盟等經濟體的經濟增速。而在2019年底受疫情的影響，市場環境日益變得復雜，企業在經營發展過程中的財務風險增加。疫情增加了公司運營成本的負擔，如為了做好疫情防控工作，公司必須專門采購一些防疫防控物品以及定期開展工作人員健康檢測，這些都給公司增加了運營成本。同時由于金融機構的信貸壓縮，一些公司不得不選擇民間融資，但民間融資利率較高，這會導致公司融資成本的增加。由表7可知，2018—2020年，我國存在財務隱患(MFA≤-0.02)的公司數量在逐年上升，2018年具有財務危機的公司占比為15.58%，2020年具有財務危機的公司占比上升至17.16%。這個結果也符合近幾年整體經濟發展的趨勢，反映了我國A股非金融上市公司在2018—2020年的財務指標下降。雖然疫情打亂了資本市場的節奏，但根據安永發布的《中國內地和香港IPO市場調研》，隨著新股發行注冊制改革的推進，2020年我國通過IPO融資近4 707億元，創十年來新高。而如表7所示，2020年超過半數的上市公司財務狀況保持健康(MFA≥0.56)，這也證明我國經濟發展大體良好。

表7 MFA分數模型預測應用結果

六、研究結論及相關建議

(一) 研究結論

全球疫情蔓延使得企業經營環境的不確定性增強，大批企業陷入財務危機甚至破產。建立一個適合我國國情的財務危機預警模型可以在財務危機發生前警示管理者，以保證股東及其他利益相關者的權益和企業的健康可持續發展。本文引入一種適合新興市場的財務預警模型——MFA分數模型。以2016—2020年中國滬深兩所A股上市公司為樣本，比較Altman-Z值模型和MFA分數模型的預測性能并對我國上市公司財務風險進行評估。主要研究結論如下。

首先，與最初的Altman-Z值模型相比，MFA分數模型顯著提高了對企業償付能力和破產概率的預測性能，預測準確率提高了9.2%。Altman-Z值模型中的X4對分數大小的影響較大，這反映了市場預期過高。而我國的股市運行時間尚短，股價易受人為操控，不能真實反映出企業的市場價值。MFA分數模型是在Altman-Z值模型的基礎上優化得來，剔除了影響預測效果的X4指標。這都使得MFA分數模型相對Altman-Z值模型預測能力更強。

其次，我們認為MFA分數模型可以檢測宏觀經濟指標對資產負債表的影響。我們發現經濟增速加快會促進上市公司MFA平均分數提高，但匯率變化會對MFA平均分數的變動產生抑制作用。實證結果也與我們預計的一樣，MFA分數與主要宏觀經濟變量之間具有顯著相關性。

最后，本文運用MFA分數模型從宏觀的角度判斷我國經濟趨勢變化。結果表示，2016—2017年經濟狀況轉好，2018—2020年陷入財務危機的公司數量皆有所上升，但大部分公司的經營狀態穩定，結果符合預期。綜上，我們可以利用MFA分數模型作為我國陷入財務困境的早期預警指標，量化宏觀沖擊或政策對公司資產負債表的影響。

(二) 相關建議

基于上述研究結論，為預防上市公司財務危機，本文提出如下政策建議。

第一，根據不同行業的特點建立不同的財務危機預警模型。各個行業都有不同的特點，如房地產行業上市公司具有較高的負債比率，制造業上市公司則需要穩定的現金流。研究者可以根據不同行業的特點選擇不同的財務指標來建立財務預警模型，甚至同一政策對于不同行業的影響也不相同。未來的研究者可以根據不同行業建立更加精確的財務預警模型，構建模型遵循全面性原則，謹慎考慮與行業相關的財務指標與非財務指標，以提升模型的準確率。

第二，公司管理者應該加強內部控制，做好危機預案。企業管理者應該樹立財務危機防范意識，完善財務信息內部監控制度。同時注重企業外部環境的變化，并加強企業內部的橫向和縱向溝通，從全局把握公司的財務狀況。管理者還應考慮到不同情況的變化，做好危機預備方案，防患于未然。

第三，無論是Altman-Z值模型還是MFA分數模型，它們都是基于企業的財務報表建立的，企業財務報表的真實性和客觀性也會在一定程度上影響其結果的有效性。因此，MFA分數模型對于評估企業財務狀況是有效的，但管理者和投資者亦不能忽視財務報表之外的信息和其他財務指標。

注釋：

① 退市新規中的凈利潤以扣除非經常性損益前后孰低為準，營業收入則需要扣除與主營業務無關的業務收入和不具備商業實質的收入。