【摘要】本文主要论述了国内外有关财务失败预警的相关研究，并分析了这些统计模型的缺陷，最后对我国建立公司财务失败预警模型提出若干建议。

　　【关键词】财务失败预警 多元判别分析 人工神经网络

　　财务失败（financial failure）是指公司无力支付到期债务的经济事项。财务失败分可为技术上无力偿债和破产两种形式。前者是指公司的资产总额大于负债总额，即“资大于债”，但其财务状况不合理，即现有的现金流量小于需要偿付的债务，导致公司不能清偿到期债务，从而有可能发生破产；后者是指公司的资产总额小于负债总额，即“资不抵债”，导致公司不能清偿到期债务而发生破产。引起公司财务失败的风险主要包括经营风险和财务风险两方面。
　　
　　一、国外财务失败预警模型研究
　　
　　最早的财务失败预警研究是fitzpatrick(1932)开展的单变量破产预测研究。他以19家公司作为样本，运用单个财务比率将样本划分为破产和非破产两组，他发现判断能力最高的是净利润/股东权益和股东权益/负债两个比率。beaver(1966)使用由79对公司组成的样本，他发现最好的判断变量是营运资本流/负债(在公司破产的前一年成功地判断了90%的破产公司)和净利润/总资产(在同一阶段的判别成功率是88%)。
　　altman于1968年首先使用了多元线性判别模型研究公司的破产问题。根据行业和资产模型，他为33家破产公司选择了33家非破产配对公司，选用了22个变量作为破产前1～5年的预测备选变量，根据误判率最小的原则，最终选择了5个变量作为判断变量。其模型在破产前一年成功地判断出33家破产公司中的31家，而对于由25家破产公司和56家非破产公司组成的检验样本，模型在公司破产前一年正确地从25家破产公司中判断出24家，从56家非破产公司中判断出52家。
　　ohlson(1980)分析了样本公司在破产概率区间上的分布以及两类判断错误和分割点的关系，他发现至少存在四类显著影响公司破产概率的变量：公司规模、资本结构、业绩和当前的变现能力。
　　随着研究的深入和技术的发展，国外在财务失败预警模型方面突破了传统的统计方法，目前比较成熟的研究方法有：人工智能预测模型、遗传算法（genetic algorithms）、泰勒的logistic 回归拓展应用、混合神经网络模型（hybrid neural network models）、自组织映射预测模型(self-organizing map) 、概率神经网络预测模型等。
　　
　　二、国内财务失败预警模型研究
　　
　　在国内的研究中，吴世农、黄世忠(1986)曾介绍公司的破产分析指标和预测模型；陈静(1999)以1998年的27家st公司和27家非st公司，使用了1995-1997年的财务报表数据，进行了单变量分析和二类线性判定分析，在单变量判定分析中，发现在负债比率、流动比率、总资产收益率、净资产收益率4个财务指标中，流动比率与负债比率的误判率最低；在多元线性判定分析中，发现由负债比率、净资产收益率、流动比率、营运资本/总资产、总资产周转率6个指标构建的模型，在st发生的前3年能较好地预测st。我国在财务失败预警研究方面起步比较晚，更多的还停留在理论研究上。
　　1、多元判别分析方法
　　多元判别分析方法应用最著名的是美国的altman的zeta模型。早在60年代，altman altman经过大量的实证考察和分析研究，选择了5种基本财务比率，根据每一种比率对财务失败的影响程度赋予权值（即各种比率的系数），以此作为预测公司财务失败和破产的基本模型，即所谓的“z-score”模型，其基本表达式为：
　　z=0.012x₁+0.014x₂+0.033x₃+0.006x₄+0.999x₅ （1-1）
　　奥特曼教授通过对z-score模型的研究分析得出：z值越小，该公司遭受财务失败的可能性就越大。奥特曼的研究表明，一般美国公司z值的临界值为1.8。
　　具体判断标准为：z>2.9时，财务失败的可能性很小；1.8≤z≤2.9时，财务失败可能性很大；z<1.8时，财务失败可能性非常大。
　　由于z－score模型没有充分考虑现金流量变动等方面的情况，因而具有一定的局限性。为此，我国学者对z－score模型进行了改造，建立了新的财务失败预测模型——f分数模型。f=-0.1774x₁+1.1091x₂+1.9271x₃+0.0302x₄+0.4961x₅(1-2)
　　其中：x₁=(期末流动资产-期末流动负债)/期末总资产；x₂=期末留存收益/期末总资产;x₃=（税后净收益+折旧）/平均总资产；x4=期末股东权益的市场价值/期末总负债；x5=（税后净收益+利息+折旧）/平均总资产。

　　2、bp神经网络
　　人工神经网络（artificial neural network-ann）是一种平行分散处理模式，其建构理念根植于对人类大脑神经运作的模拟。前向三层bp(back propagation)神经网络通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后项学习两步进行，网络的学习是一种误差从输出层到输入层后向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。在前向三层bp网络算法中，对网络性能影响较大的是权值修正方法，为改进bp网络减少训练时间，并改善收敛特性，通常在权值公式增加一个态势项，常用的方法是：
　　w_jh(t+1)=w_jh(t)-ηαe/αw_jh+α(w_jh(t)-w_jh(t-1) (1-3)
　　w_jh(t+1)=w_jh(t)-ηαe/αw_jh+α(w_jh(t)-w_jh(t-1) (1-4)
　　式中，α为势态因子，η为学习率，t为迭代次数，e为定义误差，w_jh为输入层节点与隐藏节点之间的连接权值，w_hi为隐藏层节点与输出节点之间的连接权值。
　　
　　三、统计模型的缺陷
　　
　　1、技术上的缺陷
　　①模型建立在一定的假设之上，如多元判别分析假设自变量服从正态分布、协方差矩阵相等、独立变量之间完全线性补偿。虽然二次方判别分析不需要独立变量之间完全线性补偿，提出了一个更普遍的二次函数关系。logistic回归分析虽然不考虑多元变量的正态分布，但是它要求变量之间的完全线性补偿。
　　②独立变量选择有失偏颇。由于变量之间存在着相关性，在建模之前进行被选变量相关性检验是非常必要的。如果一些变量具有较高的相关性，他们将对公司的财务状况具有相同的影响。
　　2、财务报表信息批露的不足
　　①财务报表中的数据是分类汇总性数据，它不能直接反映公司财务状况的详细情况。
　　②财务报表存在着虚假信息影响了财务报表分析。目前我国的上市公司存在着捏造虚假利润欺骗投资者的行为，这为我们通过模型正确预测公司未来发展趋势带来了不利的影响。
　　③财务失败预测模型没有考虑财务分析的纵向比较。分析以上提到的预测模型可以发现，这些模型在进行财务失败预测时，一般选取公司预测前三年的财务数据，然后分别预测，三年内的数据相互之间没有联系。
　　
　　三、对我国财务失败预警模型研究的建议
　　
　　为了克服统计模型的缺陷，提高预警的准确度，笔者认为在指标的选取上应该包括尽可能多的财务比率，并且要至少涵盖以下五大类：偿债能力指标、资产负债管理能力指标、盈利能力指标、成长能力指标与现金流量指标。
　　另外，在进行企业财务失败预警时还必须考虑非财务因素的影响。因为财务报表只对公司的经营成果做出综合的反映，仅从财务指标数值上无法看出公司经营的具体情况，这些数值本身的意义有限。
　　
　　【参考文献】
　　[1] 张鸣、张艳：财务困境预测的实证研究与评述.财经研究,2001,(12):29-34
　　[2] 陈静：上市公司财务恶化预测的实证分析,会计研究,1999,(4): 31-38
　　[3] 杨保安、季海等：bp神经网络在公司财务危机预警之应用.预测,2001,(2): 9-54