摘要：货币危机预警的主要目的是提早识别危机发生的信号，以便该国能够及时采取适当的措施，减少危机发生的概率，乃至避免危机的发生，或者减少危机发生的强度和烈度。20世纪90年代以来的货币危机预警研究。形成了信号分析模型、离散选择模型和马尔可夫状态转移模型等预警模型，但总体而言，现有预警方法的预警能力还不够理想。
　　关键词：货币危机；预警理论；模型
　　　
　　货币危机泛指汇率的变动幅度超出了一国可承受的范围这一现象，或者是“对货币的投机性进攻导致货币大幅度贬值或国际储备大幅度下降的状态”。货币危机预警是与投机性货币冲击理论的发展密切相关的。货币危机预警的主要目的是提早识别危机发生的信号，以便该国能够及时采取适当的措施，减少危机发生的概率，乃至避免危机的发生，或者减少危机发生的强度和烈度。关于货币危机预警理论的研究始于对20世纪六七十年代拉美货币危机的研究，随着金融自由化、国际化进程的不断加速，货币危机的发生频率及造成的危害随之增加，1992～1993年欧洲货币体系危机、1997～1998年亚洲货币危机与金融危机爆发进一步刺激了经济学界对货币危机预警理论的研究。本文将对货币危机的主要预警模型进行梳理和归纳。
　　
　　一、信号分析模型
　　
　　信号分析模型(klr)是kaminsky、lizondo和reinhart于1998年首先提出的。它以经济周期转折的信号理论为基础，其核心思想是通过研究货币危机发生的原因，确定哪些经济变量可以用于货币危机的预测，然后运用历史上的数据进行统计分析，来确定与货币危机有显著联系的变量，以此作为货币危机发生的先行指标。WWw.11665.COM信号分析模型分四步进行：(1)确定货币危机的原因和危机预警时段；(2)运用历史上的数据进行统计分析，确定与货币危机有显著关系的变量，进而确定先行变量；(3)按照噪声一信号比的最小化规则，确定阈值；(4)一旦经济中相应指标变动超过阈值，则将之视为货币危机即将在24个月内发生的信号。由于klr模型中各个变量的分析是单独进行的，所以它在本质上是一个单变量模型。
　　为了克服klr模型的单变量属性，kaminsky(1999)进一步对发生货币危机信号的指标进行综合考虑，它提出了4个预测危机的复合指标，1个复合指标是对各预警指标发出信号数的简单加总，另外3个复合指标则分别考虑了指标分布不均衡、指标时间延续性以及指标不同权重。通过对预测指标的扩展，klr模型已经能够较好地处理预警结果输出的单一化问题，并利用多个复合指标可以更好地发送预警信息，极大地改善了预警效果。
　　kaminsky(2003)又进一步提出了多状态klp模型。他将货币危机分为6种，即经常账户恶化型危机、财政赤字型危机、金融过剩型危机、国家外债型危机、国际资本流动突然逆转型危机和自我实现型危机。研究发现，新兴市场国家的货币危机通常属于前4种，其发生与受害国经济的脆弱性有关；发达国家的货币危机通常属于后两种，经济基本面通常良好，多由不利的国际市场形势所致。这样一来，klr模型可以在对货币危机预警的同时，进一步将货币危机的损失与其类型联系在一起，厘清对货币危机深度的认识。
　　信号分析模型经过不断修正完善，已经成为使用最广泛的货币危机预警模型，它可以根据多个变量发出的信号估计危机发生的概率，同时有效提供关于危机根源和广度的信息，但该模型也存在一些明显不足：(1)主要以宏观经济环境为背景，没有考虑到政治性事件及一些外生事件对货币危机爆发时间选择的影响；(2)klr模型的隐含假设是在解释自变量和因变量之间存在一个特定的函数关系，即阶跃函数关系，这一界定使得模型无法对一个变量是刚刚超过阈值，还是大幅超过阈值进行区分，因而使得变量提供的信息未能充分利用；(3)模型指标大多集中在外汇储备、信贷增长与实际汇率等方面，仍避免不了倾向性；(4)虽然通过加权平均解决了预警指标的单一化问题，但由于各变量之间的相互关系仍未纳入考虑，因此，这种汇总是表面的。
　　
　　二、离散选择模型
　　
　　针对信号分析模型的上述缺陷，有学者提出了离散选择模型，它最重要的突破在于通过纳入新的解释变量来扩展模型，进而同时考虑所有相关变量。其代表性的研究成果包括以下几种：
　　frankel和rose(1997)构建的货币危机发生可能性的面板probit模型。其研究思路是通过对一系列前述指标的样本数据进行极大对数似然估计，以确定各个引发因素的参数值，从而根据估计出来的参数，建立用于外推估计某个国家在未来某一年发生货币危机可能性的大小。该模型研究发现，金融事件是离散且有限的，货币危机的发生则是由多种因素引发的，譬如在fdi流入枯竭、外汇储备较少、国内信贷增长迅速、实际汇率高估的时期等，货币危机发生的概率较大。此后，andrew berv和catherine pattilo(1998)对1997年泰国货币危机及墨西哥、阿根廷发生货币危机的概率进行预测，但准确度并不高。
　　bussiore和fratzscher(2002)认为二元probit模型混同了危机前的诱发期和危机后的恢复期，而实际上在这两个时期危机预警指标的表现具有很大差异，他们将外汇变动分为三种状态或时期，即货币危机平静期、诱发期和恢复期，并在此基础上提出使用三元应变量logit模型进行危机预测。该模型对32个国家1993年12月至2001年9月的月度数据验证，预测效果还比较理想，在样本内可正确预测73％的诱发期和85％的平静期，在样本外预测亚洲金融危机时，可以正确预测57％的诱发期和83％的平静期。此后，kumar等(2003)提出了基于滞后宏观经济和金融数据的logit模型，该模型使用32个发展

　应该说，离散选择模型出现了从二元离散选择模型拓展到多元离散选择模型的方向，且模型的预测值较好解释了危机发生的概率，但也存在一些不足之处，主要表现为：(1)模型中存在将连续变量转换为二元或多元离散变量后信息的损失，而且没有确立一个根据预警危机和避免噪声的能力对变量进行排序的标准；(2)不同指标对于不同国家的重要性不尽相同，所以假设参数恒常的面板模型在货币危机的预警方面通常表现很差(abiad，2003)；(3)由于自变量存在多重共线的可能，这直接限制了更多变量的采用，最终影响对危机预测的准确性。
　　
　　三、马尔可夫状态转移模型

　马尔可夫状态转移模型(markov—switchingmodel)是体制转换模型中最常见的形式。它将结构性的变化视作一种机制向另一种机制的转换，譬如金融运行特征发生的显著变化，包括大幅起落或中断，汇率急剧下降、经济增长趋势逆转等，进而将结构变化内生化进行估计。
　　martinez-peria(2002)提出了一个带有动态转换概率的状态转换模型，该模型采用两种形式：一是汇率转换模型，假设汇率是一个ar(4)过程；二是向量自回归模型，假设内生变量有3个，即汇率、利率和外汇储备，均服从一阶var过程。在此基础上，他直接对投机供给建模，同时加入预期因素，对1979-1993年欧洲货币体系的货币投机性冲击进行研究，研究表明，没有考虑变量状态转换性质的模型可能存在设定偏误问题，经济基本面和预期因素共同决定了危机发生的概率。
　　abiad(2003)也将体制转换模型用于预测货币危机，他首先拓展了预警指标，即宏观经济指标、资本流动指标和金融脆弱性指标三类，而后采用单参数检验显著的预警指标分别对1972～1999年印度尼西亚、韩国、马来西亚、菲律宾和泰国等5国是否发生货币危机进行了预警。研究表明，体制转换模型预测货币危机的准确性比已有的预警方法更高，同时发出的错误信号更少。在abiad研究的基础上，张伟(2004)进一步验证了abiad的结论，他通过扩大研究范围、改变样本区间、选择不同的预警自变量，更为全面客观地评价体制转换模型在建立货币危机预警系统方面的效果，总体而言，该模型的预警能力较强，时效性也较强。
　　应该说maikov-switching模型通过估计过程中将结构变化内生化，充分利用因变量本身的动态信息，有效避免与阈值设置相关的各类问题，以及由此带来的把连续变量转换为离散变量所造成的信息损失。但该模型的一个重要问题是，制度因素在发展

　x1为营运资本/资产总额，反映了企业资产的折现能力和规模特征。营运资本是企业的劳动对象，具有周转速度快，变现能力强，项目繁多，性质复杂，获利能力高，投资风险小等特点。一个企业营运资本的持续减少，往往预示着企业资金周转不灵或出现短期偿债危机。
　　x2扳映了企业的累积获利能力。期末留存收益是由企业累积税后利润而成，对于上市公司，留存收益是净利润扣除全部股利后的余额。一般说来，新企业资产与收益较少，因此相对于老企业x2较小，而财务失败的风险较大。
　　x1即ebit/资产总额，可称为总资产息税前利润率，而我们通常所用的总资产息税前利润率为ebit/平均资产总额，分母间的区别在于平均资产总额避免了期末大量购进资产时使x3降低，不能客观反映一年中资产的获利能力。ebit是 指扣除债务利息与所得税之前的正常业务利润(包括对外投资收益)，不包括非正常项目、中断营业和特别项目及会计原则变更的累积前期影响而产生的收支净额。原因在于：由负债与资本支持的项目一般属于正常业务范围，因此，计算总资产利润率时以正常业务经营的息税前利润为基础，有利于考核债权人及所有者投入企业资本的使用效益。该指标主要是从企业各种资金来源(包括所有者权益和负债)的角度对企业资产的使用效益进行评价的，通常是反映企业财务失败的最有力依据之一。
　　x4测定的是财务结构，分母为流动负债、长期负债的账面价值之和；分子以股东权益的市场价值取代了账面价值，因而对公认的、影响企业财务状况的产权比率进行了修正，使分子能客观地反映公司价值的大小。对于上市公司，分子应该是：“末流通的股票账面价值+流通股票期末市价”。x4的分子是一个较难确定的参数，尤其对于股权结构较复杂的企业。而目前及在今后相当长的时间内，非上市公司仍占我国公司总数的大部分，要确定非上市公司所有者权益市价，我们可以采用资产评估方法中的预期收益法，具体表示为：企业资产市价=企业预期实现的年利润额/行业业平均资金利润率。x4=(企业资产的市价/负债总额)-1。
　　　x5为总资产周转率，企业总资产的营运能力集中反映在总资产的经营水平上，因此，总资产周转率可以用来分析企业全部资产的使用效率。如果企业总资产周转率高，说明企业利用全部资产进行经营的成果好，效率高；反之，如果总资产周转率低，则说明企业利用全部资产进行经营活动的成果差，效率低，最终将影响企业的获利能力。如果总资产周转率长期处于较低的状态，企业就应当采取措施提高各项资产的利用程度。对那些确实无法提高利用率的多余、闲置资产应当及时进行处理，加快资产周转速度。x5的分子“本期销售收入”应该为销售收入净额，指销售收入扣除销售折扣、销售折让、销售退回等后的余额。
　　z记分模型从企业的资产规模、获利能力、财务结构、偿债能力、资产利用效率等方面综合反映了企业财务状况，进一步推动了财务预警的发展。从这个模型可以看出，增加营运资金、留存收益、息税前利润、销售收入，提高企业价值，或减少负债、节约资产占用，可减少企业破产的可能性。奥特曼教授通过对z记分模型的研究分析得出：z值越小，该企业遭受财务失败的可能性就越大。altman还提出了判断企业破产的临界值：如果企业的z值大于2.675，则表明企业的财务状况良好，发生破产的概率很小；反之，若z值小于1.81，则企业就存在很大的破产危险；如果z值处于1.81～2.675之间，则称之为“灰色地带”，进入这一区间的企业财务状况是极不稳定的。
　　奥特曼教授选择了1968年尚在持续经营的33家美国企业进行预测，其准确率令人满意，而且分析依据的资料越新，准确率越高。如依据临近财务失败的报表资料预测其准确率为96％，依据财务失败前一年的报表预测准确率为72％。但无论怎样，都必须以财务报表的真实性、准确性、完整性为前提。近年来，澳大利亚、巴西、加拿大、法国、德国、爱尔兰、日本和荷兰都进行了类似的分析。尽管z值的判断标准在各国间有相当的差异，但各国“财务失败组”的z值的平均值都低于临界值1.8。
　　2　altman的zeta模型
　　ahman的z己分模型主要适用于上市公司。为了便于为非上市公司评分，1977年altman等人又对原始的z记分模型进行扩展，建立了，第二代模型——zeta模型。这一次的模型选取了自1962～1975年间的53家破产企业和58家配对的正常公司，样本公司平均资产规模在1亿美元左右，而且包括了相当数量的零售类企业，因而zeta模型的适用性有所提高。
　　此次研究利用27个初始财务比率进行区别分析，最后模型选取了7个解释变量，包括：
　　x1——资产报酬率，采用息税前利润与总资产之比衡量。在以前的多变量研究中该变量在评估公司业绩方面相当有效。
　　x2——盈余的稳定性，采用对x1在5～10年估计值的标准误差指标作为这个变量的度量。收入上的变动会影响到公司风险。
　　x3——债务保障，可以用所常用的利息保障倍数，即息税前利润与总利息偿付之比来度量。这是固定收益证券分析者债券评级机村所采用的主要变量之一。
　　x4——累计盈余，可以用公司留存收益/总资产来度量。该比率对于z证分模型尤其有效，它需要考虑以下因素：公司年龄、公司股和政策，以及不同时期的获利记录。不管是单变量还是多变量法，该比率都是最重要的。在非上市公司的该比率计算中，分子部分用公司净资产的账面价值代替权益市场价值，因为非上市公司没有市场价值指标。
　　x5——流动性，可以用人们所熟悉的流动比率衡量。
　　x6——资本化率，可以用普通股权益与总资本之比衡量。在分子和分母中，普通股权益可以用公司5年的股票平均市值衡量，而不是账面值。5年平均市值可排除可能出现严重、暂时性的市场波动，同时在模型中纳入了趋势的成分。
　　x7——规模，可以用公司总资产的对数形式来衡量。该变量可以根据财务报告的变动进行相应的调整。
　　实证研究表明，zeta模型的分类正确率高于原始的z记分模型，特别是在破产前较长时间的预测准确率较高，其中灰色区域为－1.45～+0.87之间，z值大于0.87以上为非破产组，z值小于－1.45区域为破产组。
　　
　　(三)周首华的f分数模型
　　由于z记分模型在建立时并没有充分考虑到现金流量的变动等方面的情况，因而具有一定的局限性。1996年北京化工大学会计系周首华、美国夏威夷大学会计学院杨济华和

这一预测变量。许多专家证实现金流量比率是预测公司破产的有效变量，因而它弥补了z记分模型的不足。(2)该模型考虑到了现代公司财务状况的发展及其有关标准的更新。比如公司所应有财务比率标准已发生了许多变化，特别是现金管理技术的应用，已使公司所应维持的必要的流动比率大为降低。(3)该模式使用的样本更加扩大。其使用了compost at pcplus会计数据库中1990年以来的4160家公司的数据为样本；而z记分模型的样本仅为66家(33家破产公司及33家非破产公司)。
　　f分数模型中的5个自变量的选择是基于财务理论，其临界点为0.0274。若某一特定企业的f分数低于0.0274，则将被预测为破产公司；反之，若f分数高于0.0274，则公司将被预测为继续生存公司。
　　
　　三、财务危机预警模型应用的实证过程
　　
　　(一)财务危机预警模型应用实证研究说明
　　1　研究对象的选择依据
　　本文在财务危机预警模型的应用研究中，均以在深圳证券交易所挂牌交易的“st广厦”这家公司为例来进行实证分析。之所以选择这家企业，主要出于三个方面的考虑：一是因为它是上市公司，资料容易搜集；二是因为银广厦曾因造假丑闻而遭遇财务危机；三是因为它出现的财务危机情况比较典型，代表了

　从计算结果可以看出，银广厦2001年f值为-0.6246，远远低于模型的预警临界点0.0274，按照f分数模型的判别标准，公司将被判别为财务危机类公司。判别结果正确，与事实相吻合。而从2000年的情况来看，公司f值远远高于判别值。将把公司判别为财务正常类公司。可见，改进后的f分数模型同样对于虚假财务信息也无法甄别。深入分析其原因，我们会发现，虽然f分数模型中加入了现金流量类指标，但是由于现金流量类指标采用间接法计算，同样依赖公司盈利状况。而且，在f分数模型中同样采用了公司股价指标，而2000年内正是公司造假登峰造极之时，股价明显偏高，以此为基础计算 的预警模型结果显然也偏高。
　　f分数模型的预测结果与z记分模型的预测结论是一致的，盼数模型的预测精度并无明显改善。
　　
　　四、财务危机预警模型应用结果比较分析
　　
　　(一)单变量模型法应用实证研究结论
　　1　比较分析
　　运用beaver的单变量模型法对银广厦进行预警分析，从现金流量/总负债的预测结果来看，负债的现金保障程度很低，应引起注意；从总负债/总资产和净利润/总资产的预测结果来看，企业盈利能力在不断增强，经营状况良好。采用不同的预测指标得出了相互矛盾的预测结果。这一方面是因为于该公司财务信息失真，某些财务指标被操纵，从而影响了预测精度；另一方面是因为单变量分析法本身具有严重缺陷。
　　单变量分析法的优点是简便易行，没有前提假设条件限制，适用范围广。但是在beaven采用单变量分析进行企业失败预警研究之后，很少有研究人员沿用单变量方法进行危机预测，原因在于单变量分析有以下严重缺陷：第一，单变量模型只重视一个指标的反映能力，如果经理人员知道这个指标，就有可能去粉饰这个指标。以期表现出良好的财务状况。达不到预警的目的；第二，使用任何单个财务指标将在很大程度上排斥其他指标的作用；第三。如果使用多个指标分别进行判断，这几个指标的判断结果可能会产生矛盾，如银广厦的情况就是如此，导致无法做出正确的判断。第四，虽然财务比率是综合性较强的指标，但是仅用一个财务指标不能充分反映企业的财务特征，预警结果难免会有误差。
　　2　改进单变量模型法的建议
　　首先，单变量模型法虽然简单易行，工作量小，但是总体判别精度不高。在前一年的预测中，一元判定模型的预测精度明显低于多元判定模型。银广厦的判别结果就是如此。不过，众多的实证研究表明，一元判定模型在危机发生的前两年、前3年的预测中表现出了很强的预测能力。这也说明有些企业的财务困境是从某些财务指标的恶化开始的。如果能设置一些适合企业自身特点的单变量指标进行财务危机的监测，就有可能做到早知道早预防。因此可以利用单变量分析法进行企业财务危机的远期预测，作为财务预测的一种辅助方法来使用，不失为一种理想的选择。
　　其次，由于我国企业财务信息失真现象比较普遍，建立单变量预警指标监测企业财务危机时，应更多地使用基于现金流量基础上的财务指标。银广厦的单变量模型预测中，现金流量，总负债指标的预测效果好于总负债，总资产和净利润，总资产两个指标。众所周知，建立在权责发生制基础上利润指标经常受到经营者的控制，经营者可通过调整会计政策，控制相关费用等手段来调节会计净利润的高低。这种利润操纵行为，在西方被称为“会计戏法”。“会计戏法”演示的结果，导致财务信息失真，造成决策信息混乱。它会演绎成一种非常奇特、非常矛盾的状况：一方面企业账面有会计利润；另一方面，企业的现金支付能力极差，而这种企业现金流量和现金支付能力的危机，正是1997年亚洲金融风暴形成的基础。
　　
　　(二)多变量模型法实证应用研究结论
　　1　比较分析
　　从上述多元判别模型的应用结果来看，z记分模型和f分数模型在危机全面爆发的前一年(银广厦被戴上“st”的帽子)的预测结果都是准确的，即2001年的模型预警结果还是准确的。这说明我们可以借助财务预警模型早日发现企业经营活动中存在的潜在风险和危机，不管是z记分模型还是f分数模型至今仍具有强大的生命力，而且距离危机发生期越近预测结果越准确。但是也应该看到，不管是z模型还是f模型，都是以财务信息的真实性为前提条件的。一旦会计信息失真，预警结果就会不准确。由此可见，经典的财务预警模型具有很好的“财务判断功能”，而在“财务识别功能”上略显不足，从而总体预测精度会受影响。f分数模型虽然加进了现金流量因素，但是仍然没有实质性的改进。
　　从模型的建立方法来看，z记分模型和f分数模型都属于多元判别模型。多元判别模型在很大程度上克服了一元判别分析的缺陷，该方法的优点表现在：(1)能够包容反映企业财务状况的多个指标，因此在财务危机预测中适用范围较广；(2)能够包含独立变量；(3)一旦完成模型构建，运用相对容易；(4)预测精度比较高，特别是在危机发生的前一年，不管是z记分模型还是f分数模型，都具有较高的判别精度。
　　但是利用多元判别模型进行财务危机预警的缺陷也是不容忽视的。多元判别模型本身存在的缺陷有：(1)预测工作量比较大，研究者需要做大量的数据收集和数据分析工作。(2)在前一年的预测中，多变量判定模型的预测精度比较高，但在前两年、前三年的预测中，其预测精度则大幅下降。甚至低于一元判别模型。可能的原因就是很多财务变量只是企业陷入财务困境的征兆，或者说是一种表象，而不是陷入财务困境的原因和本质。过多的财务指标，将“因”和“果”混淆在一起。反而增加了模型的噪音。(3)多元线性判定模型有严格的假设条件。从模型的建立方法来看，不管是z记分模型，还是盼数模型的建立，实际上都有这样三个假设条件：一是样本财务资料要服从多元正态分布；二是每一个变量都不是其他变量的线性组合；三是两样本群体的协方差矩阵相等。但是在企业财务危机研究的实务中，财务资料大多不符合常态概率分布的基本假设，当这个假设条件破坏时，计算的概率将非常不准确，最终影响预警精度。同时，由于多在近似状态下使用，适用范围受到了限制。
　　通过上述单变量与多变量判别模型的优缺点分析，可以清楚地比较两者的区别。主要方面的区别如表7所示。

　五、改进多变量模型的建议
　　
　　(一)考虑采用其他方法建立多变量预警模型
　　为了克服多元判定模型严格的假设条件，可以采用以下几种方法建立多变量财务危机预警模型。
　　1　多元逻辑模型
　　ohlson(1980)提出了多元逻辑模型(logit)的建立方法。多元逻辑模型的目标在于寻求观察对象的条件概率，从而据以判断观察对象的财务状况和经营风险。它是建立在累计概率函数的基础上，不需自变量服从多元正态分布和两组间协方差相等的假设条件，logit模型假设破产企业的概率p(破产取1，非破产取o)，并假设hl[p/(1-p)]可以用财务比率线性解释。首先假定ln(p/(1-p)]=a+bx，然后根据推导可以得出p=exp(a+bx)，[1+exp(a+bx)]，从而计算出破产企业的概率。其判别规则是：如果p值大于0.5，则表明企业破产的概率比较大，那么则判定企业为即将破产类型；如果p值低于0.5。则表明企业财务正常的概率比较大，判定企业为财务正常类型。
　　2　多元概率比模型(probit)
　　zmijewski(1984)提出了多元概率比模型(probit)。多元概率比模型同样假定企业破产的概率为p，并假设企业样本服从标准正态分布，其概率函数的p值可以用财务指标线性解释。其计算方法和logit很类似，先是确定企业样本的极大 似然函数，然后通过求似然函数的极大值就可以得到参数a、b，接下来就可以利用下面的公式求出企业破产的概率。如果概率p小于0.5，就判定为财务正常型，如果p大于0.5，则为即将破产型。
　　p=∫(1/2π)edt
　　probil模型与logit模型的思路很相像，但是在具体的itgt方法和假设前提上又有一定的差异，主要体现在三个方面：一是假设前提不同，logit不需要严格的假设条件，而probit则假设企业样本服从标准正态分布，其概率函数的p值可以用财务指标线性解释；二是关于参数a、b的求解方法略有不同，虽然两者都采用极大似然法，但是，logit采用的是极大化对数似然函数求解，而probit采用极大化积分似然函数求解；三是求破产概率的方法不同，logit采用相对数方法，而probit采用积分处理的方法。
　　3　人工神经网络(ann)模型
　　人工神经网络(ann)模型就是将神经网络的分类方法应用于财务预警。传统的分类方法大部分属于母参数统计方法，其中以判别分析(discfimination analysis，简称da)和log-it回归分析等最为广泛。母参数统计方法均以选定的独立变量结合历史数据资料建立一个预测模型，并作为未来分类判别之用。传统的统计区分方法须受制于若干母体分配的假设前提，已经很不适用当今复杂多变的企业运作环境。而且它对错误资料的输入不具有容错性，无法自我学习与调整，也无法处理资料遗漏的状况。而人工神经网络是一种平行分散处理模式，其构建原理是基于对人类大脑神经运作的模拟。ann除具有较好的模式识别能力外，而且还可以克服统计方法的限制。因为它具有容错能力和处理资料遗漏或错误的能力，最为可贵的是，ann还具有学习能力，可以随时依据新数据资料进行自我学习、训练，并调整其内部的储存权重参数以应对多变的企业环境，这是传统统计方法所无法比拟的。
　　它通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后向学习两步进行。网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程，学习的目的是使网络的实际输出逼近某个给定的期望输出。根据最后的期望输出，得出企业的期望值，然后根据学习得出的判别规则来对样本进行分类。考特斯特(coats)和范特(fant)1993年开始利用神经网络理论建立财务预警模型，由于该模型是模仿生物大脑神经网络学习过程，不需要考虑研究变量是否符合正态分布，并且可以有效处理非量化因素，同时具有较好的纠错能力，从而能够更好地进行预测。
　　4　联合预测模型
　　联合预测模型是运用企业模型来模拟企业的运作过程，从而动态地描述财务正常企业和财务困境企业的特征，然后根据不同特征和判别规则，对企业样本进行分类。其运用的关键是如何准确模拟企业的运作过程。因此它要求能够有一个基本的理论框架，通过这一框架来有效模拟企业的运作过程，从而能够有效反映和识别不同企业的行为特征、财务特征，并据以区分企业样本。
　　联合模型最大的优点就是克服了财务预测模型只运用财务指标的片面性，它能动态模拟和反映企业经营过程中的方方面面。因为财务指标有其先天的局限性，它只能计量企业运营的财务结果，遗漏了很多事关重大但未能在财务指标中得到体现的非财务信息，如人力资源状况、企业发展战略、企业地理位置等等。
　　
　　(二)在预警模型中加入非量化信息
　　财务危机的预警模型是利用财务信息对危机进行的定量分析，在操作中还应当结合非量化信息，对企业财务状况进行定性分析。事实上，非量化因素在披露企业财务状况方面要比财务指标更为可靠、有效。如企业财务报表不能及时公开，或者管理层集体辞职、企业出现过度扩张、过度依赖银行贷款、企业人力资源匮乏、企业市场定位不清等非财务信息，都可能预示着企业存在潜在的危机，而这些是财务比率等量化信息所不能涵盖的。因此，企业财务预警模型不能单纯依靠财务数据，至少要在预警系统中涉及到非财务数据。既要涉及定量信息，也要涉及定性信息，只有这样才能更完整地反映企业全貌。例如把注册会计师的审计意见、行业与产业因素、总体经济因素、股权结构、公司治理结构、战略、内控等非量化因素。采取适当的方式进行量化处理后加入预警模型中，比如可以参照国有企业绩效评价中对非量化因素采用评分的方法，将评分的结果作为财务预警模型的一个组成部分。
　　
　　(三)财务预警模型与企业实际相结合，分行业建立预警模型
　　虽然传统的财务预警模型可以用于监测企业的财务情况和经营活动，并具有很强的生命力。但由于各企业的行业性质，经营规模、所处国别和地域等方面都存在许多差异，因此在实际运用中，不宜直接照搬国外的财务预警模型，企业应根据自身的实际情况，因地制宜，设计、构建符合企业要求和特点的创新型财务预警模型。预测模型使用的技术问题，包括影响模型拟合效果的实效性问题和行业因素问题，会随着经济环境的变化越来越突出。因此对国外的预警模型研究其变化并适当进行微调是十分必要的。考虑行业因素的影响，对z模型的修正可以按以下三种思路来进行：第一，在模型整体上加上行业修正值；第二，针对模型中的每个变量设定行业修正值；第三，使模型中所选取的财务变量呈现行业性差异，即不同行业选用的指标不同。通过修正可以使财务预警模型更精确更有针对性。
　　
　　(三)在预警模型中加大现金流量指标的权重
　　目前