企業財務預警模型的比較分析

企業財務預警模型的比較分析

財務預警模型是診斷財務狀況、提供財務危機信號的得力幫手，它無疑具有積極的意義。本文試圖對國內外多種財務預警模型進行比較，以為構建適合我國企業財務預警模型提供一些思路和。
一、財務預警模型的分類簡介
（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猜測財務危機的方法。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明顯的不同，從而以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猜測作用。Ｂｅａｖｅｒ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猜測效果較好，其次是資產收益率和資產負債率的猜測效果。另外，日本的田邊升一提出了利息及票據貼現用度的單變量判別分析方法，以利息及票據貼現用度的大小來判定企業正常與否，從而也可對企業起猜測作用。
（二）多變量模型
多變量模型就是運用多個財務指標或現金流量指標來綜合反映企業的財務狀況，并在此基礎上建立預警模型，進行財務猜測。按所建模型是否具有動態預警能力、財務預警系統是否易于修改和擴充，多變量模型又可以分為靜態統計模型和動態非統計模型。
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猜測。這種模型以美國Ａｔｌｍａｎ教授的Ｚ模型最具代表性。②主成分猜測模型。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。我國學者張愛民、楊淑娥等分別運用主成分分析方法對我國上市公司的財務預警模型進行過研究。③簡單線性概率模型。該模型是利用多元線性回回方法建立起來的，其形式是：ｙ＝ｃ＋β１ｘ１＋β２ｘ２＋…＋βｋｘｋ。其中：ｃ、β１、β２、…、βｋ為系數；ｘ１、ｘ２、…、ｘｋ為ｋ個猜測變量，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。④ｌｏｇｉｔ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ｌｏｇｉｔ和ｐｒｏｂｉｔ概率函數建立起來的。ｌｏｇｉｔ模型的形式為：ｌｎ［ｐ÷（１－ｐ）］＝α０＋β１ｘ１＋β２ｘ２＋…＋βｋｘｋ。其中：ｐ取值為０、１；ｐ為概率；ｘ１，ｘ２，…，ｘｋ為ｋ個猜測變量，即財務指標；α０、β１、β２、…、βｋ為系數。ｐｒｏｂｉｔ概率模型的猜測效果一般與ｌｏｇｉｔ模型猜測的效果相差不大，在此未幾加先容。
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回納式的方法于財務危機猜測。目前，這種方法中最常用的是神經猜測模型。在神經網絡模型中，當輸進一些資料后，網絡會以目前的權重出相對應的猜測值以及誤差，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，從而使猜測值漸漸地逼近真實值。當應用此網絡到新的案例時，只要輸進新案例的相關數值，神經網絡就可以根據當時的權重得出輸出值即猜測值。神經網絡分析是一種并行分布模式處理系統，具有高度的計算能力、自學能力和容錯能力。該模型由一個輸進層、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嘗試應用于財務危機猜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，就是以過往發生的案例為主要的經驗依據來判定未來可能發生的，是一種典型的“上一次當，學一次乖”的推理方法。當輸進一個新的題目到案例推理法系統，該系統會在從現有的案例庫中搜尋相似的案例，判定新案例的類型。案例推理法的關鍵步驟就是根據相似性演算法測算出案例之間間隔，再轉變為案例之間的相似度，由相似度選取最相近的案例，據此進行推理判定。
二、各類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，觀察企業變化趨勢，據此來判定企業財務狀況，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，操縱比較復雜。
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不同的財務比率的猜測目標和能力經常有較大的差距，輕易產生對于同一公司使用不同比率猜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，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，輕易受治理職員粉飾報表、修飾財務指標、掩蓋財務危機的主觀行為的影響，以致模型判定失效。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明顯的差別。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中的回回分析等。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題目，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回納式學習的方法建立起來的，整個分析及猜測過程就似乎是人類學習及思考一樣。它是一種的非線性模型。
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，并以假設作為條件條件。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猜測的正確性。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熟悉為基礎的，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正確的猜測和判定，即這種模型不具有動態預警能力，不易修改和擴充。并且，靜態統計模型對錯誤資料的輸進不具有容錯性，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，對錯誤資料的輸進具有很強的容錯性，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，神經網絡能夠提供正確的分類。但是，它在實際運用中還存在一些題目，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。另外，這種模型要求擁有大量的學習練習樣本以供分析，假如樣本數目積累得不足、沒有足夠的代表性和廣泛的覆蓋面，則會大大地影響系統的分析和猜測的結果。Ａｌｔｍａｎ（１９９５）在對神經網絡法和判別分析法的比較研究中得出結論：“神經網絡分析方法在風險識別和猜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、ｐｒｏｂｉｔ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間隔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。因此，目前在財務預警模型方面仍然以傳統的統計方法為主，而動態模型尚不夠成熟，對它的應用仍處于探索、實驗階段。（三）各種統計模型之間的比較
１．各種統計本身功能的比較。判別和主成分分析方法屬于多元統計分析，其中，判別分析方法主要在已知研究對象分成若干類型并已取得各類樣品觀測數據的基礎上，如何判別一個新樣品的回類，即判別分析的宗旨就是判定新的案例的種別。主成分分析方法的主要功能是為了解決樣本數據中指標個數太多以及指標間信息存在重復的題目，其作用有兩個：一是降維，二是減少信息的重復，從而使分析簡化。簡單的線性概率模型和ｌｏｇｉｔ概率模型都屬于回回分析方法，其目的是研究模型中各解釋變量與被解釋變量之間的特定的關系，尤其是數值關系。所以，若只從各種方法的主要功能來說，利用判別分析方法建立財務預警模型是最適當的，由于這種方法就是研究種別回屬題目。
２．各種統計方法建立財務預警模型的比較。判別分析方法的核心就是根據間隔的遠近來判定樣品的回屬，通常形成一個線性判定函數式，據此判定待判的回屬。一般要求數據服從正態分布和兩組總體間協方差矩陣相等。主成分分析方法主要是對***財務指標進行綜合、降維，然后給各綜合指標賦予一定的權值再進行綜合分析，形成一個判分式，根據財務正常企業和財務失敗企業各自得分情況形成判定區間，出待判企業的得分，據此加以判定。
利用主成分分析方法建立財務預警模型有一個明顯的缺陷：即綜合評分式權重的確定以及判定區間的確定都具有較大的主觀性和不正確性，尤其是后者受樣本數據分布的很大。簡單線性概率模型就是以各財務指標作為解釋變量，以財務狀況作為被解釋變量，將財務狀況分為正常和失敗，分別�。昂停保�利用樣本資料建立回回方程，把待判企業財務指標數據代進方程，求得的值即為猜測值，代表該企業發生財務失敗的可能性。簡單線性概率模型有四個缺陷：①殘差不滿足正態分布，而是二項分布；②具有異方差；③一般樣本決定系數太小，回回方程擬合程度低；④難以保證回回值在［０，１］區間，因此，用此方法建立的財務預警模型，其預警判別能力不如其他方法。Ｌｏｇｉｔ和ｐｒｏｂｉｔ模型均是為了克服簡單的線性概率模型的缺陷而建立起來的，一般采用最大似然估計方法進行估計，不需要滿足正態分布和兩組協方差矩陣相等的條件，得出的結果直接表示企業發生財務失敗的可能性大小，操縱簡單，結果明了。此方法被廣泛運用。
根占有關學者對多種統計模型判別正確率的比較研究，得知判別分析方法是２０世紀８０年代以前主要的建模方法，其猜測的正確率一直較高，并且是到目前為止被運用的主要方法之一。Ａｌｔｍａｎ２０００年用判別分析方法建立的預警模型，其猜測精度仍高達９６％。ｌｏｇｉｔ猜測模型近年來也被廣泛地運用，其猜測精度也相對較高。我國學者吳世農、盧賢義建立的財務預警模型具有樣本新、容量大的特點，他們在２００１年對經過嚴格檢驗的同一套樣本指標分別用判別分析方法和ｌｏｇｉｔ方法進行財務猜測，結果發現ｌｏｇｉｔ模型的猜測精度（９３．６％）要明顯優于判別分析方法的猜測精度（８９．９％）。

【企業財務預警模型的比較分析】相關文章：

財務風險預警模型構建實證分析12-08

淺談我國企業財務預警模型的建立03-22

企業財務危機預警分析03-20

剩余收益模型與傳統DCF模型的比較研究03-23

幾種信息檢索模型比較03-05

財務失敗預警模型研究綜述03-22

成本分析中“因素分析模型”的研究03-22

學習型組織理論模型的比較研究03-21

企業財務安全的預警與風險防范03-22