- 相關推薦
財務失敗預警模型研究綜述
【摘要】本文主要論述了國內外有關財務失敗預警的相關研究，并分析了這些統計模型的缺陷，最后對我國建立公司財務失敗預警模型提出若干建議。 【關鍵詞】財務失敗預警 多元判別分析 人工神經網絡財務失敗（Financial Failure）是指公司無力支付到期債務的經濟事項。財務失敗分可為技術上無力償債和破產兩種形式。前者是指公司的資產總額大于負債總額，即“資大于債”，但其財務狀況不公道，即現有的現金流量小于需要償付的債務，導致公司不能清償到期債務，從而有可能發生破產；后者是指公司的資產總額小于負債總額，即“資不抵債”，導致公司不能清償到期債務而發生破產。引起公司財務失敗的風險主要包括經營風險和財務風險兩方面。
一、國外財務失敗預警模型研究
最早的財務失敗預警研究是Fitzpatrick(1932)開展的單變量破產猜測研究。他以19家公司作為樣本，運用單個財務比率將樣本劃分為破產和非破產兩組，他發現判定能力最高的是凈利潤/股東權益和股東權益/負債兩個比率。Beaver(1966)使用由79對公司組成的樣本，他發現最好的判定變量是營運資本流/負債(在公司破產的前一年景功地判定了90%的破產公司)和凈利潤/總資產(在同一階段的判別成功率是88%)。
Altman于1968年首先使用了多元線性判別模型研究公司的破產題目。根據行業和資產模型，他為33家破產公司選擇了33家非破產配對公司，選用了22個變量作為破產前1～5年的猜測備選變量，根據誤判率最小的原則，終極選擇了5個變量作為判定變量。其模型在破產前一年景功地判定出33家破產公司中的31家，而對于由25家破產公司和56家非破產公司組成的檢驗樣本，模型在公司破產前一年正確地從25家破產公司中判定出24家，從56家非破產公司中判定出52家。
Ohlson(1980)分析了樣本公司在破產概率區間上的分布以及兩類判定錯誤和分割點的關系，他發現至少存在四類明顯影響公司破產概率的變量：公司規模、資本結構、業績和當前的變現能力。
隨著研究的深進和技術的發展，國外在財務失敗預警模型方面突破了傳統的統計方法，目前比較成熟的研究方法有：人工智能猜測模型、遺傳算法（Genetic Algorithms）、泰勒的Logistic 回回拓展應用、混合神經網絡模型（Hybrid neural network models）、自組織映射猜測模型(self-organizing map) 、概率神經網絡猜測模型等。
二、國內財務失敗預警模型研究
在國內的研究中，吳世農、黃世忠(1986)曾先容公司的破產分析指標和猜測模型；陳靜(1999)以1998年的27家ST公司和27家非ST公司，使用了1995-1997年的財務報表數據，進行了單變量分析和二類線性判定分析，在單變量判定分析中，發現在負債比率、活動比率、總資產收益率、凈資產收益率4個財務指標中，活動比率與負債比率的誤判率最低；在多元線性判定分析中，發現由負債比率、凈資產收益率、活動比率、營運資本/總資產、總資產周轉率6個指標構建的模型，在ST發生的前3年能較好地猜測ST。我國在財務失敗預警研究方面起步比較晚，更多的還停留在理論研究上。
1、多元判別分析方法
多元判別分析方法應用最著名的是美國的Altman的Zeta模型。早在60年代，Altman Altman經過大量的實證考察和分析研究，選擇了5種基本財務比率，根據每一種比率對財務失敗的影響程度賦予權值（即各種比率的系數），以此作為猜測公司財務失敗和破產的基本模型，即所謂的“Z-Score”模型，其基本表達式為：
Z=0.012X1 0.014X2 0.033X3 0.006X4 0.999X5 （1-1）
奧特曼教授通過對Z-score模型的研究分析得出：Z值越小，該公司遭受財務失敗的可能性就越大。奧特曼的研究表明，一般美國公司Z值的臨界值為1.8。
具體判定標準為：Z
【財務失敗預警模型研究綜述】相關文章：
財務風險預警模型構建實證分析12-08
企業財務預警模型的比較分析03-21
淺談我國企業財務預警模型的建立03-22
財務戰略管理研究文獻綜述06-11
我國宏觀財務經濟監測與預警問題研究03-18
企業財務危機預警體系研究03-18
我國宏觀財務經濟監測與預警題目研究03-22
微電影研究綜述05-17