財(cái)務(wù)預(yù)警模型的分類

1、企業(yè)財(cái)務(wù)預(yù)警模型的比較分析財(cái)務(wù)預(yù)警模型是診斷企業(yè)財(cái)務(wù)狀況 、提供財(cái)務(wù)危機(jī)信號(hào)的得力幫手，研究它無疑具有積極的意義。本文試圖對(duì)目前國(guó)外多種財(cái)務(wù)預(yù)警模型進(jìn)行比較分析 ，以為構(gòu)建適合我國(guó)企業(yè)財(cái)務(wù)預(yù)警模型提供一些思路和方法。一、財(cái)務(wù)預(yù)警模型的分類簡(jiǎn)介（一）單變量模型單變量模型是指運(yùn)用單一變數(shù) ，用個(gè)別財(cái)務(wù)比率或現(xiàn)金流量指標(biāo)來預(yù)測(cè)財(cái)務(wù)危機(jī)的方法。最早研究發(fā)現(xiàn)，出現(xiàn)財(cái)務(wù)困境的公司其財(cái)務(wù)比率和正常公司相比有顯著的不同，從而認(rèn)為企業(yè)的財(cái)務(wù)比率能夠反映企業(yè)的財(cái)務(wù)狀況 ，并指出財(cái)務(wù)比率分別對(duì)企業(yè)未來具有預(yù)測(cè)作用 。在此基礎(chǔ)上用統(tǒng)計(jì)方法建立了單變量財(cái)務(wù)預(yù)警模型 ，發(fā)現(xiàn)債務(wù)保障比率對(duì)公司的預(yù)測(cè)效果較好，其次是資產(chǎn)收益

2、率和資產(chǎn)負(fù)債率的預(yù)測(cè)效果。另外，日本的田邊升一提出了利息及票據(jù)貼現(xiàn)費(fèi)用的單變量判別分析方法，以利息及票據(jù)貼現(xiàn)費(fèi)用的大小來判斷企業(yè)正常與否 ，從而也可對(duì)企業(yè)起預(yù)測(cè)作用。（二）多變量模型多變量模型就是運(yùn)用多個(gè)財(cái)務(wù)指標(biāo)或現(xiàn)金流量指標(biāo)來綜合反映企業(yè)的財(cái)務(wù)狀況，并在此基礎(chǔ)上建立預(yù)警模型，進(jìn)行財(cái)務(wù)預(yù)測(cè)。按所建模型是否具有動(dòng)態(tài)預(yù)警能力、財(cái)務(wù)預(yù)警系統(tǒng)是否易于修改和擴(kuò)充，多變量模型又可以分為靜態(tài)統(tǒng)計(jì)模型和動(dòng)態(tài)非統(tǒng)計(jì)模型。靜態(tài)統(tǒng)計(jì)模型。 線性判別模型。多元線性判別模型是運(yùn)用多元統(tǒng)計(jì)分析方法中的判別分析建立起來的 ，它是根據(jù)一定的樣本資料，建立判別函數(shù)、確定判定區(qū)域，以對(duì)企業(yè)財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)。這種模型以美國(guó)教授的模

3、型最具代表性 。 主成分預(yù)測(cè)模型。該模型也形成一個(gè)線性判定函數(shù)式，其形式類似判別分析模型。不過該模型是運(yùn)用多元統(tǒng)計(jì)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(guó)學(xué)者愛民、淑娥等分別運(yùn)用主成分分析方法對(duì)我國(guó)上市公司的財(cái)務(wù)預(yù)警模型進(jìn)行過研究。 簡(jiǎn)單線性概率模型。該模型是利用多元線性回歸方法建立起來的，其形式是：。其中：、為系數(shù)；、為個(gè)預(yù)測(cè)變量，即財(cái)務(wù)指標(biāo)；為企業(yè)財(cái)務(wù)失敗的概率。該模型以為危機(jī)分界點(diǎn)，值越大，企業(yè)發(fā)生財(cái)務(wù)失敗的可能性越大，值越接近于，說明企業(yè)財(cái)務(wù)越安全。 模型和模型 。它們也分別叫作對(duì)數(shù)比率模型和概率單位模型，都屬于概率模型，是在克服簡(jiǎn)單的線性概率模

4、型的基礎(chǔ)上并分別用和概率函數(shù)建立起來的。模型的形式為：（） 。其中：取值為、；為概率；，為個(gè)預(yù)測(cè)變量，即財(cái)務(wù)指標(biāo)；、為系數(shù)。概率模型的預(yù)測(cè)效果一般與模型預(yù)測(cè)的效果相差不大，在此不多加介紹。動(dòng)態(tài)非統(tǒng)計(jì)模型。動(dòng)態(tài)財(cái)務(wù)預(yù)警模型主要是把人工智能中的歸納式學(xué)習(xí)的方法應(yīng)用于財(cái)務(wù)危機(jī)預(yù)測(cè)。目前，這種方法中最常用的是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。在神經(jīng)網(wǎng)絡(luò)模型中，當(dāng)輸入一些資料后，網(wǎng)絡(luò)會(huì)以目前的權(quán)重計(jì)算出相對(duì)應(yīng)的預(yù)測(cè)值以及誤差 ，而再將誤差值回饋到網(wǎng)絡(luò)中調(diào)整權(quán)重，經(jīng)過不斷地重復(fù)調(diào)整，從而使預(yù)測(cè)值漸漸地逼近真實(shí)值。當(dāng)應(yīng)用此網(wǎng)絡(luò)到新的案例時(shí)，只要輸入新案例的相關(guān)數(shù)值，神經(jīng)網(wǎng)絡(luò)就可以根據(jù)當(dāng)時(shí)的權(quán)重得出輸出值即預(yù)測(cè)值。神經(jīng)網(wǎng)絡(luò)分

5、析是一種并行分布模式處理系統(tǒng)，具有高度的計(jì)算能力、自學(xué)能力和容錯(cuò)能力。該模型由一個(gè)輸入層、若干個(gè)中間層和一個(gè)輸出層構(gòu)成 。案例推理法是近年來才被嘗試應(yīng)用于財(cái)務(wù)危機(jī)預(yù)測(cè)上的一種動(dòng)態(tài)非統(tǒng)計(jì)模型方法。它是一種依循經(jīng)驗(yàn)來推理的方法，就是以過去發(fā)生的案例為主要的經(jīng)驗(yàn)依據(jù)來判斷未來可能發(fā)生的問題，是一種典型的“上一次當(dāng)，學(xué)一次乖”的推理方法。當(dāng)輸入一個(gè)新的問題到案例推理法系統(tǒng) ，該系統(tǒng)會(huì)在從現(xiàn)有的案例庫中搜尋相似的案例，判斷新案例的類型。案例推理法的關(guān)鍵步驟就是根據(jù)相似性演算法測(cè)算出案例之間距離，再轉(zhuǎn)變?yōu)榘咐g的相似度，由相似度選取最相近的案例，據(jù)此進(jìn)行推理判斷。二、各類財(cái)務(wù)預(yù)警模型的比較（一）單變量模

6、型和多變量模型的比較單變量模型方法簡(jiǎn)單，多變量模型方法較為復(fù)雜。單變量模型只對(duì)單個(gè)財(cái)務(wù)比率進(jìn)行分析考察，觀察企業(yè)發(fā)展變化趨勢(shì)，據(jù)此來判斷企業(yè)財(cái)務(wù)狀況，不需要進(jìn)行復(fù)雜的計(jì)算。而多變量模型均同時(shí)選取多個(gè)財(cái)務(wù)指標(biāo)或現(xiàn)金流量指標(biāo)，再通過一定的方法進(jìn)行綜合分析，模型的構(gòu)建涉及多種方法和理論，操作比較復(fù)雜。和多變量模型相比，單變量模型分析存在較多的局限性。 不同的財(cái)務(wù)比率的預(yù)測(cè)目標(biāo)和能力經(jīng)常有較大的差距，容易產(chǎn)生對(duì)于同一公司使用不同比率預(yù)測(cè)出不同結(jié)果的現(xiàn)象 。 單個(gè)指標(biāo)分析得出的結(jié)論可能會(huì)受到一些客觀因素的影響，如通貨膨脹等的影響。 它只重視對(duì)個(gè)別指標(biāo)影響力的分析 ，容易受管理人員粉飾會(huì)計(jì)報(bào)表、修飾財(cái)務(wù)指

7、標(biāo)、掩蓋財(cái)務(wù)危機(jī)的主觀行為的影響，以致模型判斷失效。而多變量模型由于綜合考慮了反映公司財(cái)務(wù)環(huán)境包括財(cái)務(wù)危機(jī)狀況的多個(gè)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(fā)生。（二）靜態(tài)統(tǒng)計(jì)模型和動(dòng)態(tài)非統(tǒng)計(jì)模型的比較建立模型的方法。兩者在建立模型的方法上存在著顯著的差別。靜態(tài)統(tǒng)計(jì)模型均是在利用統(tǒng)計(jì)數(shù)理和分析的基礎(chǔ)上建立起來，如多元統(tǒng)計(jì)分析方法中的判別分析 、主成分分析以及計(jì)量經(jīng)濟(jì)中的回歸分析等。這些模型的建立均有一定的統(tǒng)計(jì)理論依據(jù)，均涉及到判定區(qū)間的確定和誤判率的估計(jì)問題，并且建立的一般是線性模型。而動(dòng)態(tài)非統(tǒng)計(jì)模型不是依據(jù)統(tǒng)計(jì)理論，而是利用人工智能中歸納式學(xué)習(xí)的方

8、法建立起來的 ，整個(gè)分析及預(yù)測(cè)過程就好像是人類學(xué)習(xí)及思考一樣。它是一種自然的非線性模型。模型建立的假定條件。靜態(tài)統(tǒng)計(jì)模型的建立一般都對(duì)樣本數(shù)據(jù)的分布作一定的假設(shè)，并以假設(shè)作為前提條件。如，多元統(tǒng)計(jì)分析中的數(shù)據(jù)正態(tài)分布假設(shè)、協(xié)方差矩陣相等假設(shè)、簡(jiǎn)單線性概率模型的二項(xiàng)分布假設(shè)等。一般來說，只有在這些假設(shè)條件基本得到滿足的情況下，才能保證靜態(tài)統(tǒng)計(jì)模型預(yù)測(cè)的準(zhǔn)確性。另外，靜態(tài)統(tǒng)計(jì)模型的建立是以對(duì)數(shù)據(jù)之間的關(guān)系已有清醒的認(rèn)識(shí)為基礎(chǔ)的 ，一般假定各變量之間為簡(jiǎn)單的線性關(guān)系 ，并且比較注重?cái)?shù)據(jù)本身的完整性及一致性。而動(dòng)態(tài)非統(tǒng)計(jì)模型一般沒有數(shù)據(jù)的分布、結(jié)構(gòu)等方面的要求，適用于非線性關(guān)系的數(shù)據(jù)并對(duì)數(shù)據(jù)的缺失具有

9、相當(dāng)?shù)娜菰S性，基本上能處理任意類型的數(shù)據(jù)。是否具有動(dòng)態(tài)預(yù)警功能和容錯(cuò)性。靜態(tài)統(tǒng)計(jì)模型只是根據(jù)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(diào)整，除非重新建立模型。隨著財(cái)務(wù)狀況的發(fā)展和財(cái)務(wù)標(biāo)準(zhǔn)的更新，這種按照以前的資料 、標(biāo)準(zhǔn)建立起來的模型難以對(duì)已經(jīng)變化了的財(cái)務(wù)狀況作出準(zhǔn)確的預(yù)測(cè)和判斷，即這種模型不具有動(dòng)態(tài)預(yù)警能力，不易修改和擴(kuò)充。并且，靜態(tài)統(tǒng)計(jì)模型對(duì)錯(cuò)誤資料的輸入不具有容錯(cuò)性，無法自我學(xué)習(xí)和調(diào)整 。而動(dòng)態(tài)非統(tǒng)計(jì)模型具備隨著不斷變化的環(huán)境進(jìn)行自我學(xué)習(xí)的能力，隨著樣本資料的積累，可以定期更新知識(shí)，從而實(shí)現(xiàn)對(duì)企業(yè)危機(jī)的動(dòng)態(tài)預(yù)警。并且，由于動(dòng)態(tài)預(yù)警模型具有高度的自我學(xué)習(xí)能力，對(duì)錯(cuò)誤資料的輸入具

10、有很強(qiáng)的容錯(cuò)性，因而更具有實(shí)用價(jià)值。實(shí)際應(yīng)用。動(dòng)態(tài)模型如神經(jīng)網(wǎng)絡(luò)模型等的分布是自由的，當(dāng)變量從未知分布取出和協(xié)方差結(jié)構(gòu)不相等（企業(yè)失敗樣本中的常態(tài)）時(shí)，神經(jīng)網(wǎng)絡(luò)能夠提供準(zhǔn)確的分類。但是，它在實(shí)際運(yùn)用中還存在一些問題，如模型的拓?fù)涠x、網(wǎng)絡(luò)架構(gòu)的決定、學(xué)習(xí)參數(shù)以及轉(zhuǎn)換公式的選擇等比較復(fù)雜和難以確定，其工作的隨機(jī)性較強(qiáng)，非常耗費(fèi)人力與時(shí)間，而且其在決策方法中表現(xiàn)得像一個(gè)黑匣子，以致對(duì)它的接受和應(yīng)用都較困難。另外，這種模型要求擁有大量的學(xué)習(xí)訓(xùn)練樣本以供分析，如果樣本數(shù)量積累得不足、沒有足夠的代表性和廣泛的覆蓋面，則會(huì)大影響系統(tǒng)的分析和預(yù)測(cè)的結(jié)果。（） 在對(duì)神經(jīng)網(wǎng)絡(luò)法和判別分析法的比較研究中得出結(jié)論：

11、“神經(jīng)網(wǎng)絡(luò)分析方法在風(fēng)險(xiǎn)識(shí)別和預(yù)測(cè)中的應(yīng)用并沒有實(shí)質(zhì)性地優(yōu)于線性判別模型”。而傳統(tǒng)的統(tǒng)計(jì)模型發(fā)展得比較成熟，計(jì)算也相對(duì)簡(jiǎn)單，應(yīng)用也較為廣泛。并且某些統(tǒng)計(jì)方法，如：、模型對(duì)數(shù)據(jù)是否具備正態(tài)分布、兩組協(xié)方差是否相等也沒有要求 ，常用的判別分析中的距離判別方法也可以在兩總體協(xié)方差矩陣不相等的情況下使用。因此，目前在財(cái)務(wù)預(yù)警模型方面仍然以傳統(tǒng)的統(tǒng)計(jì)方法為主，而動(dòng)態(tài)模型尚不夠成熟，對(duì)它的應(yīng)用仍處于探索、實(shí)驗(yàn)階段。（三）各種統(tǒng)計(jì)模型之間的比較各種統(tǒng)計(jì)方法本身功能的比較。判別分析和主成分分析方法屬于多元統(tǒng)計(jì)分析，其中，判別分析方法主要研究在已知研究對(duì)象分成若干類型并已取得各類樣品觀測(cè)數(shù)據(jù)的基礎(chǔ)上 ，如何判別

12、一個(gè)新樣品的歸類問題，即判別分析的宗旨就是判斷新的案例的類別。主成分分析方法的主要功能是為了解決樣本數(shù)據(jù)中指標(biāo)個(gè)數(shù)太多以及指標(biāo)間信息存在重復(fù)的問題，其作用有兩個(gè)：一是降維，二是減少信息的重復(fù)，從而使分析簡(jiǎn)化。簡(jiǎn)單的線性概率模型和概率模型都屬于回歸分析方法 ，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(guān)系，尤其是數(shù)值關(guān)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(cái)務(wù)預(yù)警模型是最適當(dāng)?shù)?，因?yàn)檫@種方法就是研究類別歸屬問題。各種統(tǒng)計(jì)方法建立財(cái)務(wù)預(yù)警模型的比較。判別分析方法的核心就是根據(jù)距離的遠(yuǎn)近來判斷樣品的歸屬，通常形成一個(gè)線性判定函數(shù)式，據(jù)此判斷待判企業(yè)的歸屬。一般要求數(shù)

13、據(jù)服從正態(tài)分布和兩組總體間協(xié)方差矩陣相等 。主成分分析方法主要是對(duì)多維財(cái)務(wù)指標(biāo)進(jìn)行綜合、降維，然后給各綜合指標(biāo)賦予一定的權(quán)值再進(jìn)行綜合分析，形成一個(gè)判分式，根據(jù)財(cái)務(wù)正常企業(yè)和財(cái)務(wù)失敗企業(yè)各自得分情況形成判定區(qū)間，計(jì)算出待判企業(yè)的得分，據(jù)此加以判斷。利用主成分分析方法建立財(cái)務(wù)預(yù)警模型有一個(gè)明顯的缺陷：即綜合評(píng)分式權(quán)重的確定以及判定區(qū)間的確定都具有較大的主觀性和不準(zhǔn)確性，尤其是后者受樣本數(shù)據(jù)分布的影響很大。簡(jiǎn)單線性概率模型就是以各財(cái)務(wù)指標(biāo)作為解釋變量，以財(cái)務(wù)狀況作為被解釋變量，將財(cái)務(wù)狀況分為正常和失敗，分別取和，利用樣本資料建立回歸方程，把待判企業(yè)財(cái)務(wù)指標(biāo)數(shù)據(jù)代入方程，求得的值即為預(yù)測(cè)值，代表該企業(yè)發(fā)生財(cái)務(wù)失敗的可能性。簡(jiǎn)單線性概率模型有四個(gè)缺陷： 殘差不滿足正態(tài)分布，而是二項(xiàng)分布； 具有異方差； 一般樣本決定系數(shù)太小，回歸方程擬合程度低； 難以保證回歸值在，區(qū)間，因此，用此方法建立的財(cái)務(wù)預(yù)警模型，其預(yù)警判別能力不如其他方法 。和模型均是為了克服簡(jiǎn)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(jì)方法進(jìn)行估計(jì) ，不需要滿足正態(tài)分布和兩組協(xié)方差矩陣相等的條件，得出的結(jié)果直接表示企業(yè)發(fā)生財(cái)務(wù)失敗的可能性大小，操作簡(jiǎn)單，結(jié)果明了。此方法目前被廣泛運(yùn)用。根據(jù)有關(guān)學(xué)者對(duì)多種統(tǒng)計(jì)模型判