前言：尋找寫作靈感？中文期刊網用心挑選的多變量財務預警模型實證的比較分析，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。

摘  要：本文對常見的四種多變量財務預警模型的實證情況進行比較分析，主要通過文獻研究法、對比分析法從樣本和數據、選取指標以及預測精確度等方面來進行比較。從理論上來說，人工神經網絡模型要優于多元線性判別模型、主成分模型和回歸模型，但由于該模型的復雜性，在實務中并未能到廣泛的應用。

關鍵詞：多變量財務預期模型  實證  比較分析

    一、引言

    隨著我國市場經濟體制改革的不斷深化和資本市場的快速發展，現代企業由于外部市場競爭的加劇和內部經營管理的不善，不少公司也出現了財務危機。為了在激烈的市場競爭中求生存謀發展，企業有必要對其自身的財務狀況進行預警分析，以應對各方面的風險，并防范財務危機的發生。

    到目前為止，企業財務預警的研究已經積累了豐富的研究成果，即建立了多種財務預警模型對企業財務危機進行預測，并且已做了大量的實證研究。財務預警模型有單變量財務預警模型和多變量財務預警模型，但由于單變量財務預警模型只對單個財務比率的趨勢分析，沒有哪一個比率能夠概括企業財務的全貌；另外，某些財務比率有可能被公司管理者進行過粉飾，單一的依靠某一比率做出的預測不一定可靠。因此，多變量財務預警模型逐步取代單變量財務預警模型成為廣泛應用的模型。雖然多種多變量財務預警模型為現代企業預測財務狀況提供了多種選擇，但由于每種模型有其各自的前提條件以及模型自身的特點，這使得從眾多模型中挑選出一種最具代表性的模型的可能性大大降低了。基于此，本文就國內外學者對各種多變量財務預警模型的實證研究情況進行總結和比較。通過對多種多變量財務預警模型的實證情況進行比較，一方面可以充分展示我國財務預警實證研究的發展狀況；另一方面對我國財務預警實證研究存在的問題進行總結，就財務預警實證研究的未來發展方向提出建議。此外，也為多變量財務預警模型的相關使用者選擇一種適合自己的預警模型提供了依據。

    二、多變量財務預警模型的基本原理

    國內外常用的多變量財務預警模型主要有以下四類：

    2.1多元線性判定模型

    多元判定模型中最著名的模型是美國 Altman（1968）的Z分數模型：Z=0.12XI+0.14X2+0.033X3+0.006X4+0.001X5，其中x1、x2、x3、x4、x5是五個財務指標。根據判別方程可以把單個企業的各種財務比率轉換成單一的判別標準，或稱為Z值，根據Z值將企業分為“破產”或“非破產”兩類。國內學者周首華等（1996）以Altman的Z分數模型為基礎構建了F分數模型，該模型加入了現金流量預測指標體系。

    2.2主成分模型

    該模型是國內學者張愛民等（2000）借鑒Altman的多元z值判定模型，運用統計學的主成分分析方法建立的。其主要思想是：通過對原始的財務指標相關矩陣內部結構關系的研究，找出影響上市公司的財務狀況的幾個綜合指標，即主成分，使綜合指標為原始指標的線性組合，綜合指標不僅保留了原始指標的主要信息，彼此又完全不相關，同時比原始指標具有某些更優越的性質。該模型的差別方程式為：PS=V1Z1+V2Z2+V3Z3+V4Z4+V5Z5，其中，V1、V2、V3、V4、V5是系數，Z1、Z2、Z3、Z4、Z5是綜合指標。

    2.3多元回歸模型

    多元回歸模型包括Logistic回歸模型和Probit回歸模型。Martin（1977）在財務危機預警研究中首次采用了多元邏輯回歸模型。該模型假設企業破產的概率為P（破產取1，非破產取0），并假設Ln[ P/(1-P)]可以用財務比率線性解釋。假定Ln[P/(1-P)]=a+bx，推導得出P=exp( a+bx)/[ 1+exp(a+bx)]，從而計算出企業破產的概率。判別規則是: 如果 P>0.5，則判定企業為即將破產類型；如果P<0.5，則判定企業財務正常。Probit模型和Logistic模型相似。

    2.4人工神經網絡模型（ANN）

    1990年Odom和Sharda第一次運用神經網絡進行財務困境預測問題的探索。該模型由輸入層、輸出層和隱藏層組成，通過網絡的學習和數據的修正得出期望輸出，然后根據學習得出的判別規則來分類。

    三、多變量財務預警模型的應用

    目前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。Z分數模型主要用于信用政策、信貸評審、貸款定價以及證券化等方面。主成分模型也相對簡單可行，可以在實踐中廣泛運用，但該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準確性，尤其是后者受樣本數據分布的影響很大，從而會影響預測的準確度。Logistic模型與Probit模型的最大優點就是不需要嚴格的假設條件，克服了線性方程受統計假設約束的局限性，因而具有更廣泛的適用范圍。而對于人工神經網絡模型，從理論上來講，該模型應具有廣泛的應用前景和應用價值，但在實際運用中卻存在這樣一些問題，如模型結構定義的復雜性、計算量過于巨大，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訓練樣本以供分析，如果樣本數量積累得不足、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預測結果。

    四、多變量財務預警模型實證比較分析

    4.1前提條件比較分析

    在研究財務預警模型的過程中首先應該考慮各種模型適用的前提條件。多元判定模型和主成分模型通常形成一個線性判定函數式，據此判斷待判企業的歸屬，一般要求數據服從正態分布和兩組樣本間協方差矩陣相等。Logistic模型和Probit模型均是為了克服簡單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樣本協方差矩陣相等的條件，得出的結論直接表示企業發生財務失敗的可能性的大小。人工神經網絡模型則對財務指標的分布沒有特別的要求特別適合于變量服從未知分布，且自變量組間協方差矩陣不相等的情況。

    4.2樣本和數據選取的比較分析

    財務危機預警的國內外研究者由于國情不同、研究目的不同，對財務危機含義的界定有所區別：國外學者大都以提出破產申請的企業作為研究對象；而國內學者則以滬、深兩市因“財務狀況異常”而被ST的上市公司作為研究對象。#p#分頁標題#e#

    國外的研究學者通常采用比較樣本建模，即選擇相同數量的破產企業和非破產企業。Altman（1968）則選取了33家1946～1964年間破產的且資產規模在70～2 590萬美元之間企業和相同數量、同一行業、同等資產規模的非破產企業作為樣本企業，數據來自《Moody的行業手冊》。我國學者則大部分是選擇近幾年的ST公司和相應的非ST公司作為研究樣本，其數據大部分來源于均來自上市公司公布的財務報表。如吳世農、盧賢義（2001）則選擇了1998～2000年期間的70家ST上市公司和相對應的70家非ST公司作為研究樣本。

    4.3財務指標選取的比較分析

    國外學者Altman（1968）選取了5個具有代表的會計比率類財務指標，構建了Z分數模型，他認為這些財務變量是評價企業總體財務狀況的最佳指標。國內學者周首華（1996）的F分數模型是在Z分數模型的基礎上加入了現金流量這一預測指標，證明在短期內許多公司財務危機和現金流斷裂有直接關系。張愛民（2000）的主成分分析模型以及楊淑娥、徐偉剛（2003）運用主成分分析方法構建的Y分數模型中也僅涉及到會計比率類財務指標。直到2004年，張友棠引入了現金盈利值（CFV）與現金增加值（CAV）這兩個現在指標概念，雖然這兩個指標并未得到后來學者們的廣泛使用，但這一思想深刻地影響著后來的學者們。在隨后的絕大多數文獻中就開始出現了現金流量類指標的身影，并且在越來越多的文獻中占據主要地位。

    Marttin（1977）首次構建多元邏輯回歸模型時也只選取了25個財務比率。隨后，Ohlson（1980）采用Logistic回歸模型時，不僅以現金流量指標為基礎，而且加入了非財務類指標，即公司規模、資本結構、業績和當前的變現能力。隨著財務預警研究與應用成果逐漸引入國內，基于非財務指標的財務預警思想也同時傳入國內，非財務指標是在2004年后大量出現的，并且越來越多學者的研究表明非財務類指標與會計比率類指標和現金流量類指標相結合建立的預警指標體系，能夠很大程度地提高預警模型的預測精度。國內學者楊保安（2001）首次應用人工神經網絡模型時，只考慮了會計比率類的財務指標，楊淑娥等學者在研究人工神經網絡模型時則加入了現金流量類指標。

    從上述文獻來看，在研究初期，學者們都只注重會計比率類的財務指標，但指標選取并非與模型是匹配的，而是隨著研究的發展指標選取也在不斷的進行完善，加進了現金流量類指標和非財務類指標，使模型能夠更加準確預測現代企業的財務狀況。

    4.4模型預測準確度的比較分析

    Altman（1994）以意大利工業企業為樣本，比較了神經網絡方法與線性判別方法，發現有時神經網絡方法要優于線性判別方法，但由于神經網絡有時過度訓練產生了不合理的權重，從總體上看線性判別方法要優于神經網絡方法。陳瑜（2000）對運用主成分分析、回歸分析與判別分析對證券市場ST公司進行財務危機預測，結果表明：主成分分析方法的預測效果最好，回歸分析法的預測效果次之，判別分析法的預測能力則隨著年份的臨近，正確性逐步提高。吳世農、盧賢義（2001）通過應用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預測財務困境的模型，并比較三種判定模型的效果，表明Logistic模型的判定準確性最高。喬卓等（2002）通過對Fisher判別模型、Logistic回歸模型以及神經網絡模型在財務困境預測中的比較研究，發現提前2年和提前3年神經網絡模型的預測精度明顯高于Logistic模型和Fisher判別分析模型。楊淑娥、黃禮（2005）分別采用BP人工神經網絡工具和主成分分析法建立財務預警模型，并且對同一建模樣本和檢驗樣本進行預測，BP人工神經網絡模型的預測精確度相比主成分分析模型的精確度有很大的提高。呂長江等（2005）分別運用多元判別分析、邏輯線性回歸和人工神經網絡對財務狀況處于困境的公司進行預測比較分析。結果表明：三個主流模型均能在公司發生財務困境前1年和前2—3年較好地進行預測。其中，多元判別分析要遜色于邏輯線性回歸，人工神經網絡的預測準確率最高。

    通過以上的比較，人工神經網絡模型的預測能力要優于統計模型的預測能力，而要統計模型中，主成分模型的預測能力最優，回歸模型次之，多元線性判別模型相對較差。然而，財務預警模型的優劣不能光憑預測能力的高低來判定，因為各種模型的適用的前提條件是有差異的。

    五、結論與啟示

    綜觀國內外文獻，財務預警研究對多變量財務預警模型的運用主要集中在以上幾種模型上，其中人工神經網絡模型在理論上是預測能力最強的模型，但在實務中應用卻有諸多的問題，相比之下，統計模型簡單可行，有更廣泛的適用性。多變量財務預警模型只是為相關使用者提供一種預測財務風險并歸避風險的方法，而不是強調模型本身的精妙性。加之，財務預警模型只是用財務報表進行財務預警，而不能對財務報告的真偽進行鑒別，很有可能對失真的財務報告進行預警，進而使預測結果發生偏差。因此，對財務預警的研究應該與財務失真的研究相結合，以提高財務預警預測的精確度。

參考文獻：

[1]Altman E.I. Financial Ratio, Discriminate Analysis and the Prediction of Corporate Bankruptcy [J].Journal of Finance，1968，23(9).

[2]周首華. 論財務危機的預警分析—F分數模式[J]. 會計研究,1996,8.

[3]張愛民,祝春山,許丹健.上市公司財務失敗的主成分預測模型及其實證研究[J]．金融研究,2001(3)．

[4]Martin D. Early Warning of Bank Failure:A Logistic Regression Approach [J]. Journal of Banking and Finance,1977(7).

[5]Odom M.D and Sharda R. A Neural Network Model for Bankruptcy Prediction. In Proceedings of the International Joint Conference on Neural Network Tool [J]. Financial Management，1990，2(6).

[6]吳世農、盧賢義. 我國上市公司財務困境的預測模型研究[J].經濟研究，2001(6).

[7]楊淑娥,徐偉剛.上市公司財務預警模型——Y分數模型的實證研究[J].中國軟科學,2003(1).

[8]楊保安,季海,徐晶等．BP神經網絡在企業財務危機預警之應用[J]．預測,2001(2)．#p#分頁標題#e#

[9]楊淑娥,黃禮.基于BP神經網絡的上市公司財務預警模型[J].系統工程理論與實踐,2005(1).

[10]Ohlson J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy [J]. Journal of Accounting Research,1980(9).