財務預警與風險管理文獻回顧

1、國內(nèi)外財務危機預警研究文獻回顧(徐廣成)研究的意義財務危機預警研究是財務領(lǐng)域研究的前沿和熱點問題之一，一直備受學術(shù)界和實務界關(guān)注。目前我國絕大部分國有企業(yè)負債率居高不下，處在財務危機的威脅之中，嚴重制約了企 業(yè)的經(jīng)營和發(fā)展。因此，對我國財務危機理論研究和應用狀況進行剖析，具有很大的現(xiàn)實意 義。企業(yè)存在的目的和價值就是以其所掌握的經(jīng)濟資源去創(chuàng)造更大的經(jīng)濟財富，實現(xiàn)其資產(chǎn)的不斷增值。但是，企業(yè)經(jīng)營過程中的諸多因素，加之經(jīng)營管理者本身的業(yè)務素質(zhì)和管理經(jīng) 驗等，均可能使企業(yè)陷入財務危機，非但不能使企業(yè)實現(xiàn)資產(chǎn)增值，相反有可能因此而不能 清償?shù)狡趥鶆丈踔疗飘a(chǎn)。“冰凍三尺非一日之寒”，企業(yè)陷入財務危機是一

2、個漸進的過程，完 全有可能在危機發(fā)生之前使用有效的方法預先發(fā)現(xiàn)。在美國、英國等國家有眾多的提供財務危機預測或破產(chǎn)預測服務的機構(gòu)，如美國第一銀行信托分部、英國的 DataStream公司和 Performance Analysis services 公司。企業(yè)產(chǎn)生財務危機的原因是多方面的，既可能是企業(yè)經(jīng)營者決策失誤，也可能是管理失 控，還可能是外部環(huán)境惡化等。但任何財務危機都有一個逐步顯現(xiàn)、不斷惡化的過程，因此,如果對企業(yè)的經(jīng)營管理過程進行跟蹤、監(jiān)控，及早地發(fā)現(xiàn)危機信號，一旦發(fā)現(xiàn)某種異常征兆 就著手實施預控，從而可以有效避免企業(yè)陷入財務危機。建立企業(yè)財務危機預警模型，正確 地預測企業(yè)財務危機，對

3、于經(jīng)營者防范財務危機、對于保護投資者和債權(quán)人的利益、對于政 府管理部門監(jiān)控上市公司質(zhì)量和證券市場風險及相關(guān)利益者都具有重要的理論意義和現(xiàn)實 意義。國內(nèi)外關(guān)于財務危機內(nèi)涵的評述對于“財務危機”的定義國內(nèi)外學者有很多不同的看法，給出了不同的解釋：(一)國外學者對于財務危機的界定.為了使樣本企業(yè)有較明確的標識，便于區(qū)分，很多學者將財務危機企業(yè)定義為已宣告破 產(chǎn)的企業(yè)。如Altman(1968)認為“企業(yè)失敗包括在法律上的破產(chǎn)、被接管和重整等”，實質(zhì) 上是把財務危機基本視同為企業(yè)破產(chǎn)，即法定破產(chǎn)。遵循這條思路，Deakin(1972)認為財務危機企業(yè)是指已經(jīng)破產(chǎn)、無力償債或者為了債權(quán)人的利益已經(jīng)進行清

4、算的企業(yè)。將財務危機 基本等同于法定破產(chǎn)的學者還有Casey&Bartczark(1984) , Gentry et al.(1985), Azizetal.(1988) 和 Gilbert et al.(1990) 等等。.為全面收集財務危機企業(yè)樣本進行財務危機預警的實證研究，很多學者擴大了財務危機 企業(yè)樣本的選擇范圍。如 Beaver(1966)將財務危機企業(yè)定義為：銀行透支、未支付優(yōu)先股 股利、債券違約和宣告破產(chǎn)等幾個狀態(tài)。遵循這條思路，Carmichae1(1972)認為財務危機是企業(yè)由于流動性不足、權(quán)益不足、債務拖欠及資金不足等因素，從而導致履行債務義務受阻。 Scott(1981)

5、、Bahnson&Bartley(1992)均認為以債信不足或債權(quán)到期無法償還本息定義財務 危機比較恰當。Prakash&Karels(1987)給出了一張描述財務失敗定義的表，在表中給出了一系列財務失敗的標準，如不能支付到期債務、銀行賬戶透支、凈現(xiàn)值小于零等。Ross etPlattHarlanD.WhyComPanlesFail:StrateglesforDeteeting.AvodingandProfitingfromBankruPcy.JournalofBankingandFinanee , 1986al.（2000）進一步從四個方面概括了企業(yè)財務危機：技術(shù)失敗，即企業(yè)無法按期履行債務

6、 合約來付息還本；會計失敗，即企業(yè)的賬面凈資產(chǎn)出現(xiàn)負數(shù)，資不抵債；企業(yè)失敗，即 企業(yè)清算后仍無力支付到期債務； 法定破產(chǎn)， 即企業(yè)或者債權(quán)人由于債務人無法履行到期債務合約，并成持續(xù)狀態(tài)時，向法院申請破產(chǎn)。總的來看， 國外學者對財務危機的定義是根據(jù)研究課題的需要而定， 通常在文獻中會明確給出研究樣本選擇特性，其定義和描述財務危機企業(yè)樣本有多種，歸結(jié)起來有變現(xiàn)拍賣、無力支付短期債務、無力支付債券利息、無力支付債券本金、無力支付優(yōu)先股股息、重整及法定破產(chǎn)等。因而， Charles H Gibson&Patricia AFrishkoff 指出，財務失敗有各種各樣的標準，財務失敗這個詞的含義要根據(jù)所設(shè)

7、的標準而定。（二）國內(nèi)學者對于財務危機的界定國內(nèi)學者對于財務危機也沒有統(tǒng)一的定義， 由于在實際的實證研究中， 往往需要用客觀的， 可以觀察到的標志來確定研究樣本， 因此研究人員將企業(yè)是否申請破產(chǎn)作為企業(yè)是否陷入財務危機的標志。 但是破產(chǎn)是一個法律行為 , 除了受經(jīng)濟因素影響外， 還受政治和其他非市場因素影響； 另外陷入財務危機與企業(yè)是否破產(chǎn)并無確定的一一對應關(guān)系， 在我國這一情況尤為突出。因此，無法明確有效地定義財務危機，而只能根據(jù)實證研究的具體內(nèi)容確定。在我國，暫時沒有對財務危機進行深入研究及下一個準確的定義，只是在中華人民共和國破產(chǎn)法（ 試行 ） 第一章第三條對破產(chǎn)提出了一種定義， 即定義

8、為企業(yè)因經(jīng)營管理不善造成嚴重虧損，不能清償?shù)狡趥鶆?。由于國?nèi)財務危機預測的研究對象主要針對上市公司 , 故一般將財務危機界定為財務狀況異常而被 “特別處理” 。 1998年深滬證券交易所正式啟用了當上市公司出現(xiàn) “異常狀況”時，對上市公司進行“特別處理”的條款。 “異常狀況”包括“財務狀況異?！焙汀捌渌麪顩r異常” ，其中因“其他狀況異?！倍惶貏e處理具有很大的不確定性，難以從財務角度進行有效預測，而對 “財務狀況異常”情況的界定符合一般認為企業(yè)財務狀況不健康的判斷。所以國內(nèi)研究人員一般將陷入財務危機的公司定義為因財務狀況異常而被特別處理的公司。在國內(nèi)，財務危機預測研究才剛剛起步，由于非上市公司

9、的財務報表比較不規(guī)范，可靠性不高，加之數(shù)據(jù)很難獲得，所以基本上所有的研究都以上市公司作為研究對象；而由于我國證券市場的退市制度建立較晚， 退市的企業(yè)不多， 因而大部分研究又都把上市公司被特別處理作為企業(yè)陷入財務危機的標志， 如陳靜（ 1999） ， 陳曉、 陳治鴻 （ 2000） ， 吳世農(nóng)， 盧賢義 （ 2001） ，李華中（ 2001）等。除此之外，長城課題組（ 2001）將首次出現(xiàn)虧損的公司界定為財務危機公司；高培業(yè)，張道奎（2000）則把企業(yè)能否按時償還銀行貸款作為企業(yè)陷入財務危機與否的界定標準。由于我國正處在經(jīng)濟和社會轉(zhuǎn)型期，金融體系、資本市場、社會信用體系、產(chǎn)權(quán)市場等方面都還很不完

10、善，因此，不能將國外的模型直接應用到國內(nèi)企業(yè)上。雖然有少數(shù)國內(nèi)學者建立了上市公司的財務危機預測模型，但由于樣本太小，而且 ST公司并不等于財務危機公司，因此這些模型更多的只是一種理論上的嘗試，需要更多的理論和實證研究。目前，我國學者對財務危機的研究受到以下幾個方面的限制：資本市場不成熟、破產(chǎn)重組法律體系不健全、市場化債務重組成功的可能性很小，而且相關(guān)數(shù)據(jù)的獲得性、可信度都很低；只有電力、能源等幾個國家壟斷行業(yè)的少數(shù)企業(yè)可以發(fā)行企業(yè)債券，但規(guī)模非常小，也幾乎不存在違約風險問題；企業(yè)融資結(jié)構(gòu)單一，幾乎都是銀行貸款，但因為國有企業(yè)的特殊性，違約貸款的處理與國企改革、金融體制改革聯(lián)系緊密，在很大程度上

11、超出了財務危機的范疇。由于缺乏大量可信的統(tǒng)計數(shù)據(jù)，很難進行實證研究，目前國內(nèi)財務危機的研究主要集中于破產(chǎn)和重組的定性分析、 發(fā)展企業(yè)債券市場的可行性研究等宏觀政策方面， 在財務危機成本的實證研究方面還是空白。三、 國外財務危機預警模型回顧自上個世紀60 年代以來，財務危機預測在歐美得到廣泛發(fā)展，從多元判別分析等線性預測模型，到以神經(jīng)網(wǎng)絡模型為代表的各種非參數(shù)預測模型，相關(guān)的模型、方法層出不窮。在這些模型中，有一個共同的前提假設(shè)，就是可以對公司進行分組（如可以將公司分成財務危機公司和財務健康公司） ，其基本的思想即利用企業(yè)的各種財務指標，建立判別模型，從而根據(jù)企業(yè)的總體財務狀況進行分類。 縱觀國

12、外現(xiàn)有的研究成果， 財務危機預測方法主要有單變量分析、多元判別分析、線性概率模型、 Logistic 模型、遞歸分割算法、生存分析、專家系統(tǒng)和神經(jīng)網(wǎng)絡模型等。（一）國外財務困境預測的線性判別模型1、單變量模型單變量分析是最早應用于財務危機預測的模型， 其主要思想是通過比較財務危機企業(yè)和非財務危機企業(yè)之間各個財務指標的顯著差異， 選定某個指標作為排序變量， 讓樣本數(shù)據(jù)根據(jù)該指標進行排序， 然后根據(jù)最佳判定點對財務危機企業(yè)和財務健康企業(yè)進行分類的一種分析方法。 應用單變量進行破產(chǎn)預測研究在二十世紀六十年代前較為普遍， 其中比較有影響的學者主要為 Beaver 和 Zmijewski 。 Fitzp

13、atrick（1932）最早利用該模型對企業(yè)財務危機進行預測，他以 19 家公司作為樣本，運用單個財務指標進行預測，結(jié)果發(fā)現(xiàn)凈利潤 / 股東權(quán)益、股東權(quán)益 / 負債這兩個財務指標判別能力最高。而Smith 和 Winakor （ 1935）進行了類似的研究,則發(fā)現(xiàn)營運資本/總資產(chǎn)這個指標的預測能力最高。此外， Merwin （1942）發(fā)現(xiàn)營運資本/總資產(chǎn)、股東權(quán)益/負債、流動資產(chǎn) /流動負債這三個指標能提前 6 年對企業(yè)破產(chǎn)作出預測。W H. Bevae 的單一比率模型（Univariate discriminnat model）1966年10月，美國財務分析專家 W H. Baeve在美國

14、會計研究上發(fā)表了作為失敗預測的財務比率一文，根據(jù)其中的介紹，該文的研究目的是通過分析財務比率對失敗的預測能力來驗證財務比率的有用性， 提出了單一比率模型， 即利用單一的財務比率來預測企業(yè)的財務失敗。Bevaer首先根據(jù)Moody的工業(yè)指數(shù)按上述定義選出79家失敗企業(yè)，對所有這些失敗企業(yè)根據(jù)不同的行業(yè)和資產(chǎn)規(guī)模分類，然后按照相應的行業(yè)和資產(chǎn)規(guī)模 （ 失敗前一年的資產(chǎn)規(guī)模 ） 選出 79 家非失敗企業(yè)。全部樣本的時間跨度是1954 一 1964 年，并都有“失敗”前5年的財務數(shù)據(jù)。Baeve所選用的財務比率的原則是：1）具有普遍性2）運用以前研究成果 3）增加現(xiàn)金流量相關(guān)指標。關(guān)于第三個原則，Be

15、vaer 認為：現(xiàn)金儲備越多，企業(yè)失敗的概率越小；營運資本流入越多，企業(yè)失敗的概率越??；債務持有量越大，企業(yè)失敗的概率越大；營運資金開支越大，企業(yè)失敗的概率越大。在進行數(shù)據(jù)分析時，Bevae：首先比較了全部樣本失敗前5 年的 30 個財務比率的等權(quán)均值；然后將上述158 家公司的樣本隨機分為兩組，進行兩分法檢驗，發(fā)現(xiàn)兩組的財務比率均值具有明顯的差異，而且離失敗日越近，財務比率預測錯分類率就越低; 最后篩選出 5 個最能分開失敗企業(yè)和非失敗企業(yè)的比率， 它們是：1）現(xiàn)金流量 / 負債總額； 2）凈收入 /總資產(chǎn)； 3）資產(chǎn)負債率； 4）營運資本 /總資產(chǎn)； 5）現(xiàn)值率 （貼 現(xiàn)率 ） 。 Zmi

16、jewksi 的單變量模型1983 年 Zmijewksi 應用 75 個變量進行的預測研究也引起了人們的關(guān)注。 Zmijewksi 從 100多個變量中選出了 75 個并分成十類，選用 1972 一 1978 年的 72 家破產(chǎn)企業(yè)和 3573 家非破產(chǎn)企業(yè)作為樣本。 zmijewski 首先計算了兩類企業(yè)破產(chǎn)前一年的各個財務比率的均值; 然后對兩類企業(yè)的數(shù)據(jù)進行F 檢驗 ; 最后用單變量分析計算每一個變量的判別正確率。 Zmijewksi研究表明，破產(chǎn)與非破產(chǎn)企業(yè)之間有四類財務比率有明顯的差別，分別為：回報率、財務杠桿、固定收入保障和股票回報率。單變量分析是最早應用于企業(yè)財務危機預測的實證

17、模型，雖然其開創(chuàng)了財務危機預測實證研究的先河，但是其具有以下的局限性： （ 1）相關(guān)的指標給出令人混淆的判別信號，根據(jù)不同的財務指標進行判斷有可能得出相反的結(jié)論。如盈利能力差的企業(yè)有可能因為流動性稍好而被判為財務健康企業(yè)， 但是如果根據(jù)盈利能力判斷則很可能被判為財務危機企業(yè)。（ 2）實證結(jié)果表明，從總體上看單變量分析分辨非財務危機企業(yè)的能力高于分辨財務危機企業(yè)的能力。 （ 3） 單個變量所包含的信息不足以反映企業(yè)的整個財務狀況。這些缺陷嚴重影響了單變量模型的適用性和股票回報率。多變量模型Atlmna的多元Z值判定模型為了克服單變量分析的局限性，Altman （1968）首次將多元判別分析（MD

18、A的方法引入到財務危機預測領(lǐng)域。 此后， 這種方法在企業(yè)財務危機預測的實踐和研究中都得到了廣泛的應用。 1968 年，美國的 Altmna 就采用多元判別分析（MultipleDiseriminnatAnalysi MDA） 來預測企業(yè)財務失敗或破產(chǎn)。 這就是著名的 Z 一 Socer 模型， 這個模型的的是預測企業(yè)的潛在失敗性。該方法假設(shè)任一家公司 i ，其特征可以用 n 個獨立的財務變量x 組成的向量 X 來表示。那么對兩組公司（財務危機與財務健康公司） ，假設(shè)兩組中的自變量分布服從多元正態(tài)分布，協(xié)方差矩陣相等，但均值不同。其目的在于獲得自變量的線性組合，使得組間方差與組內(nèi)方差之比達到最大

19、化。用這個方法估計出判別函數(shù)，其系數(shù)向量為 A （ a1,a2,.,an ）, 常數(shù)項為 a0 。由這一變量的線性組合可以得出每一家公司的 Z 值：Zi a0 a1xi1 a2xi2 a3xi3 . anxin ，（1.1 ）其中， Zi 是 i 公司的 Z 分值，xi1,xi2,.,xin 是 i 公司的 n 個自變量。然后， 根據(jù)組內(nèi)公司數(shù)目和錯誤分類成本的先驗概率計算出臨界值。 通過將各公司計算出的Z值和臨界值進行比較，可以知道公司屬于財務危機或是財務健康企業(yè)。Alntlna選用1946至 1965 年期間提出破產(chǎn)申請的 33 家破產(chǎn)生產(chǎn)企業(yè)和規(guī)模相當及行業(yè)的對應的 33 家非破產(chǎn)生產(chǎn)企

20、業(yè)作為樣本，在經(jīng)過大量的實證考察和分析研究基礎(chǔ)上，從最初的 22 個財務比率選擇了 5 個，使用破產(chǎn)企業(yè)破產(chǎn)前一年的數(shù)據(jù)和非破產(chǎn)企業(yè)在相應時段的數(shù)據(jù)，運用 Fisher判別分析法估計出一個多元線性函數(shù)，即 Z 一 Socer 模型，其基本表達式為 :Z=0.12X、 +0.014X2+0.033X3+0.006X4+0.999X5式中 :Z 判別函數(shù)值X1一營運資金/資產(chǎn)總額;X:X2H保留利潤/資產(chǎn)總額x3XJ息稅前利潤/資產(chǎn)總額X4X4普通股、優(yōu)先月市場價值總額/負債帳面價值總額；X5-銷售收入/資產(chǎn)總額在Z Socer模型中，AhmnO!出了判斷企業(yè)財務失敗或破產(chǎn)臨界值：Z -Score

21、,如果企業(yè) 的 Z 一 Socer 大于 2.765 ，表明企業(yè)財務狀況良好，發(fā)生財務失敗或破產(chǎn)的可能性比較小 ; 如果企業(yè)的“Z-score小于2.765,則表明企業(yè)存在財務失敗的危機，也就是說，企業(yè) 的“ Z 一 Socer ”越低，發(fā)生財務失敗或破產(chǎn)的可能性就越大，反之則說明企業(yè)財務狀況越好。1977年Atimna對這個模型進行了改進和發(fā)展，又提出了著名的ZETA模型。該模型采用了 7 個變量 : 整體收益率、總資產(chǎn)、償債能力、資產(chǎn)折現(xiàn)率、累積收益率、市場資本化和收入穩(wěn)定性。這是一個適合長期預測的模型，財務困境前一年的預測正確率為%， 5年前的正確率可達70%但由于Ig模型被ZEAT服務

22、有限公司作為商品出售，因此，這 7個比率的 權(quán)重大小一直以來都是商業(yè)機密，不為公眾所知。多元判別分析雖然得到廣泛的應用， 但是該方法也存在著一些問題， 主要是其對預測變量的分布性質(zhì)施加了一些統(tǒng)計上的限制。比如說，對于破產(chǎn)組和非破產(chǎn)組，預測變量的方差協(xié)方差矩陣必須是相等的， 預測變量必須遵循正態(tài)分布等。 這使多元判別分析遭到諸多學者的批評。雖然Alntlna的Z Socer模型也存在一些不足，但是這種綜合分析的觀念，對財務困境預測研究的影響極為深遠。事實上，其后的大多數(shù)研究雖然具體方法各異，但都沿用了多元線性判別分析，只是在個別之處加以改進，如 ohlsno 的條件概率模型、 Zmijewksi

23、 的 多變量模型。 線性概率模型無法估計出企業(yè)破產(chǎn)的風險。 為了估計企業(yè)破產(chǎn)LPM） 。線性概率模型其實是普通最小二乘回歸模型的一種特例，其因變量只能取兩個值， 1 或者0。其模型的回歸形式如下：1.2)Pi01Xi1 2 Xi2 . mXim i其中，自變量Xi1, Xi2Xim是反映企業(yè)財務狀況的指標。首先，從估計樣本中利用最小二乘法（OLS）估計出系數(shù)0， 。 2，- m,然后利用估計出的系數(shù)算出企業(yè)破產(chǎn)的概率， 當它大于某個臨界值yc 時則認為企業(yè)屬于財務危機企業(yè)，反之亦然。模型（ 1.2 ）中的回歸系數(shù)除了截距外，都與多變量判別系數(shù)成固定比例，也就是說線 性概率模型只是多變量判別分析

24、（MDA的一個特例。因此，上面所算出的 LPM身分也只是 判別得分的一個線性轉(zhuǎn)換。所以雖然MDAt LPM的模型假設(shè)不同，但是分類的結(jié)果卻是相同 的。但相對于 MDA LPMffi于企業(yè)財務危機預測更方便（Theodossiou , 1991）。LPM的應用存在兩個主要的統(tǒng)計問題：（1）如果采用普通最小二乘法來估計式（1.2）的系 數(shù)，那么就必須假設(shè)殘差項方差相同，如果出現(xiàn)異方差，那么OLS的系數(shù)估計雖是無偏但卻是無效的。而且，如果殘差項不是正態(tài)分布的，那么傳統(tǒng)的顯著性檢驗將沒法用。不幸的是這兩種情況在LPM勺應用中都可能存在。（2）根據(jù)LPM算出的概率有可能落在區(qū)間（0, 1）之外，這很難加

25、以解釋。Meyer和Pifer （1970）最早將LPM運用于銀行業(yè)的財務危機預測，而Laitinen (1993)也曾作過相似的研究，將 LPMS!用于企業(yè)財務危機預測。LOGISTIC和PPOBITM歸模型(條件概率模型)由于MD刖LPMTB受到統(tǒng)計假設(shè)的限制，為了克服這一局限性，引入了多元條件概率模型，并采用極大似然估計法進行參數(shù)估計。多元條件概率模型包括Logistic模型和Probit模型, 兩者的區(qū)別只在于累積概率函數(shù)不同。其主要優(yōu)點是對破產(chǎn)的先驗概率或預測變量的分布不 需要作任何假設(shè)，基本的估計問題為：給定一家公司屬于某個特定的總體，那么在某一特定假設(shè)Xi是第i個公司的預測變量，

26、a和B為待估計參數(shù),(1.3)期間內(nèi)，公司破產(chǎn)的概率是多大？ 公司i破產(chǎn)的概率可以由下式給出: P(Xi, ) F( Xi)(1.4)F( X) 在Logistic 模型中，ln或者上Xi假設(shè)第1組樣本為(1)(1)X1 ,Xm(2)(2),第2組樣本為X1 ,Xn則似然函數(shù)為:L(,)m1i 111 exp(Xi(1) -(X(2)i 1 1 exp i，,從而算出公司破產(chǎn)的最大化對數(shù)似然函數(shù)1nL(，)就可以估計出式(1.5)中的參數(shù) 概率P(Xi,),基于這一概率公司可以被劃分為財務危機公司與財務健康公司。Martin (1977)首次運用Logistic 模型來進行銀行破產(chǎn)預測。這一方

27、法后來被Ohlson (1980)用于預測企業(yè)的財務危機在Probit模型中，采用的概率函數(shù)則是累積標準正態(tài)分布函數(shù):P(Xi，) F( X。Xi11 (2 )2t2e2 dt(1.7)雖然Probit模型與Logistic 模型相似，但應用并不象后者那么廣泛。關(guān)于 Probit模 型研究的文獻很少，這可能是因為該模型包括了非線性估計，所以計算量較 Logistic模型 大。遞歸分割算法遞歸分割算法RPA1一種基于模式識別的非參數(shù)的計算機分類技術(shù)， 它同時具有傳統(tǒng)單變量 分類法和多變量分析法的特點。由RPA得到的模型呈現(xiàn)出分類二叉樹的形式， 該二叉樹能夠 把對象分到特定的組中。RPA勺輸入包才

28、S一個由N個對象的觀測數(shù)據(jù)組成的原樣本，還有它們實際的類別以及先驗概 率和誤判成本。我們用，表示某對象屬于組i的先驗概率，用cij表示將屬于組i的對象被誤 判為組j的成本。如圖1所示，我們給出了一個實際的樹，該樹是 RPA基于一定的先驗概率 和誤判成本，從200家破產(chǎn)公司(組1)和非破產(chǎn)公司(組2)中構(gòu)建出的。該樹共有5個 最終節(jié)點(terminal node),如圖1中的圓圈所示。這些圓圈代表所有公司最后的分類。模 型根據(jù)各個公司的財務特征將其逐級往下分到各個最終節(jié)點。RPA1型的構(gòu)建分兩步，第一步是構(gòu)建預期誤判成本較小的樹，第二步是通過交叉檢驗來選有可能出現(xiàn)過200家公司130913096

29、8家公司總負債/總資產(chǎn)14S3現(xiàn)金/總銷售45家公司該樹誤(1.8)(1.9),最左邊的最終節(jié)點有 的節(jié)點在圓圈內(nèi)記為的分類方法 度擬和現(xiàn)象 進行對比。)時5家種前向選擇方法，當它引入新的分類規(guī)則時并沒有考慮前面1.1 RPA132 Firms Totil Debt/Total Aesetft1構(gòu)建而成。當某個公司的判別變量值大于判別點(cutoff存收益/總資產(chǎn) 132家公司以及誤判的成本c12 50,c21朝右邊移動。最終節(jié)點是圓港 屬于組2。屬于組1 (破產(chǎn))T時間后公司就會破產(chǎn)，那么生存函數(shù) S (t)就代表Tt概率判了 5家破產(chǎn)公司和15家非破產(chǎn)公司。生存分析模型(survival

30、analysis)上述模型均運用企業(yè)破產(chǎn)前的數(shù)據(jù)進行預測，但并不能預測出企業(yè)破產(chǎn)的確切時間。Lane et al. (1986)運用一個比例危害模型對銀行破產(chǎn)進行預測，稱為生存分析。生存分 析假定財務健康和財務危機的公司都來自同樣的總體。公司破產(chǎn)的風險是通過計算每家公司擇樹合理的復雜度。RPA真型的缺點是：(1)公司在t時間前破產(chǎn)的概率可以用F (t)F(t) 1 S(t)h(t)黑第200家公司的財務數(shù)據(jù)、破產(chǎn)組和非破產(chǎn)組的先驗概率(1, 2)0.02,0.98并且，h(t x) h0exp(x )(1.10)其中，x代表公司一系列財務比率的向量，代表系數(shù)向量，是用最大似然法進行估計的,h0

31、是令x=0計算得到的。(1.11)(1.12 )這也使之免于很多對參數(shù)方生存函數(shù)St|x&(t)expxt其中So(t)exp( 0ho(u)du)由于沒有限制h0(t)的分布，所以生存分析是一種半?yún)?shù)的方法, 法的攻擊，而且，用這種方法處理破產(chǎn)預測問題顯得更為現(xiàn)實。生存分析方法可以得出期望破產(chǎn)時間，這給決策者提供了重要的信息。雖然相對傳統(tǒng)的 統(tǒng)計方法而言，生存分析方法的確是很好的替代方法，但是到目前為止，它仍然得不到非常 廣泛的應用。(二)國外財務困境預測的非線性判別模型1、專家系統(tǒng)(案例推理法、歸納推理法)人工智能的發(fā)展和應用使得研究者開始采用專家系統(tǒng)來解決破產(chǎn)問題。專家系統(tǒng)一般是 采用歸

32、納推理(Inductive inference )方法，該方法是通過分析與所要解決的問題相關(guān)的 一系列案例，從而發(fā)現(xiàn)規(guī)律。歸納推理方法又有兩種途徑：一是模型驅(qū)動型(model-driven ), 利用先驗模型指導來發(fā)現(xiàn)規(guī)律；二是信息驅(qū)動型(data-driven ),利用一系列案例信息來發(fā) 現(xiàn)規(guī)律。在模型驅(qū)動型方法中，規(guī)律是建立在先驗模型基礎(chǔ)上的，然后用一系列的案例來檢 驗。信息驅(qū)動型方法首先對所有公司進行審查，然后尋找最為方便的程序系統(tǒng)來對這些公司 進行分類，當加入新公司時就必須對所得出的規(guī)律進行修改。具體地說該方法先是把公司分成破產(chǎn)組和非破產(chǎn)組，把這些公司用一系列財務狀況屬性來描述，然后歸

33、納出一個流程系統(tǒng)來正確分類樣本公司。其中，優(yōu)先用于分類的屬性必須使得分類后嫡(entropy )最小，假設(shè)有某家公司可能被分 入n種不同的組Ci，C2,品，該公司被分入組G的概率是p(Ci),那么分類的嫡E(C)為n(1.13 )E(C)p(Ci)log2 p(G),i 1歸納推理方法的局限性表現(xiàn)在以下幾個方面：(1)該方法很難應用于解決較大的問題， 因為可以得到的樣本畢竟有限，這可能可以通過把大問題分割成小的問題單元來加以解決， 但這只是個設(shè)想，仍需進一步研究。(2)方法的應用中如果忽視了重要的案例(公司)或是 分類屬性，那么將會使得該方法的預測能力大為減弱。(3)方法的應用中經(jīng)常會出現(xiàn)相互

34、矛盾的案例，比如說兩個案例(公司)屬于不同類，但是具有相同的屬性，從而難于加以區(qū)分。1988年Messier和Hansen將專家系統(tǒng)首次引入到財務危機預測領(lǐng)域，他們從知識獲取角度探討比較了專家系統(tǒng)(Expert System, ES)在信用分析領(lǐng)域的應用。通過對 71家公司的 數(shù)據(jù)條件下將該方法與線性判別分析(LDA、群決策等方法加以比較，結(jié)果證明專家系統(tǒng)分 類效果最好，ES對檢驗樣本的正確分類率為 87.5,而DA為57,并且比群決策的正確率穩(wěn)2、人工神經(jīng)網(wǎng)絡系統(tǒng)模型在線性判別模型和條件概率模型之后，1990年代初期，人工神經(jīng)網(wǎng)絡技術(shù)被引入到財務困境的預測分析中，其中，比較著名的有ChriS

35、Charalambous等一些學者建立了人工神經(jīng)網(wǎng)絡 系統(tǒng)模型(AtrifieialNeuralNetworkssystemsModel)ANN一種平行分散處理模式，其構(gòu)建理念基于人類大腦神經(jīng)運作的模擬。這方面的研究者認為，ANN一種對數(shù)據(jù)的分布無任何要求的非線性技術(shù)，它能有效解決非正態(tài)分布、非線性的預測評估問題。且具有較好的模式識別能力、容錯能力、 處理資料遺漏或錯誤的能力以及自學習能力。因而，人工神經(jīng)網(wǎng)絡系統(tǒng)能夠在所提供信息雜亂無章或不完整時，對既定問題做出正確反應。而進行財 務困境預測正是要對大量不完整或無序信息進行分析。ChrisCharalmabous利用ANN真型對19821992

36、年間的174個樣本企業(yè)進行實證研究的結(jié) 果為預測正確率達到87%神經(jīng)網(wǎng)絡模型是由大量的簡單處理單元相互聯(lián)結(jié)組成的復雜網(wǎng)絡 系統(tǒng)。它的許多功能和特性是對人腦神經(jīng)網(wǎng)絡系統(tǒng)的模擬，是一種自然的非線性建模過程， 也被稱為人工神經(jīng)網(wǎng)絡(Artificial Neural Network)。作為非參數(shù)的預測模型，它克服了 選擇模型函數(shù)形式的困難，同時對樣本及變量的分布特征沒有限制。其主要分析模型如下： 圖1.2 神經(jīng)網(wǎng)絡模型它的神經(jīng)輸T股軸封三種處理單立 神經(jīng)元Q輸入神經(jīng)元接受送到外神經(jīng)Layer)。處入神經(jīng)元的信息，經(jīng)過多層次的de)：輸入神經(jīng)元，隱層神經(jīng)元和輸出 元Lay辭過神經(jīng)網(wǎng)絡處理后的信息 環(huán)境

37、發(fā)生聯(lián)系，它接受輸 輸由aye尢。隱層神經(jīng)元的樣本集(xi,yi), i= 1,yi(w?xi) b 1 0,i = 1,2 ,n.(1)總體來說，神經(jīng)網(wǎng)絡具有一些其他方法無法比擬的優(yōu)點，體現(xiàn)在：(1)它根據(jù)所提供的數(shù)據(jù)進行學習和訓練，找出輸入與輸出之間的內(nèi)在聯(lián)系，通過改變 每個節(jié)點上的加權(quán)系數(shù)來求取問題的解，從而具有自適應的功能；(2)能夠處理那些有噪聲或不完全的數(shù)據(jù)，具有泛化功能和很強的容錯能力；(3)神經(jīng)網(wǎng)絡對于非獨立因素組成的總體依然適用，并能夠處理其中復雜的非線性關(guān)系。目前，主要采用的神經(jīng)網(wǎng)絡模型有反向傳播(Back- Propagation )算法、用級相關(guān)(Cascade Cor

38、relation )算法和遺傳算法(Genetic Algorithm )等。3、支持向量機預測模型支持向量機基于統(tǒng)計學習理論和結(jié)構(gòu)風險最小化原則，其基本思想是把輸入空間的樣本通 過非線性變換映射到高維特征空間，然后在特征空間中求取把樣本線性分開的最優(yōu)分類面。算法使用分類間隔控制線性學習機器的容量，從而使結(jié)構(gòu)風險最小，也使其在有限樣本下具有了 較強的泛化能力。不同的核函數(shù)即變換到不同的特征空間，使用核函數(shù)也避免了在高維的特征 空間中直接計算。1.1支持向量機的分類算法支持向量機是從線性可分情況下的最優(yōu)分類面發(fā)展而來的，所謂最優(yōu)分類面就是要求分類面不但能將兩類正確分開，而且使分類間隔最大。設(shè)分類

39、面的方程為x?w+b=0,使得對線性可分，n, x CRd , y C + 1,-1,滿足:此時分類間隔等于=2/ II wll ,使間隔最大等價于使II wll 2最小。使(1)式等號成立niyi 0i 1和 i 0 ( i的樣本叫做支持向量，滿足條件(1)且使2 II wll 2最小的分類面就叫做最優(yōu)分類面。使用Lagrange乘子方法解決這個約束最優(yōu)問題，即在約束條件 為Lagrange乘子,i=1,2,n)下求解下列目標函數(shù) Q()的最大值。i jyiyj( xi ? xj) TOC o 1-5 h z 1 j1, (2)這是一個不等式約束下二次函數(shù)尋優(yōu)的問題，存在唯一解。，不為零的解

40、所對應的樣n *f (x) sgn( i yi(xi? x) b )本就是支持向量。解上述問題后得到的最優(yōu)決策函數(shù)是：i 1在線性不可分的情況下，可以在條件(1)中增加一個松弛項0,yi( w?xi)b 180, i = 1,2,，n.(4)將目標改為求:12(w- ) 2 w | C(na)i 1的最小且0 i C , 得到廣義最優(yōu)分類面。 對于非線性問題,這樣就其中，C是懲罰因子，即綜合考慮最少錯分樣本和最大分類間隔 只需要將輸入向量非線性映射到一個更高維的特征空間，然后再構(gòu)造 最優(yōu)分類超平面。我們不必知道具體的映射函數(shù)6(Xi)的表達式，因為在這個高維空間中只涉 及到內(nèi)積運算，若K(Xi

41、,Xj)=6(Xi)?(i)(Xj)則稱K(Xi,Xj)為內(nèi)核函數(shù)，一個函數(shù)是核函數(shù)的條件 由Mercer定理給出4。而相應的最優(yōu)決策函數(shù)變?yōu)椋簄*、f (X) sgn( i yiK(xi, x) b )i1,(6)MinnadLee(2005)使用支持向量機(SupportVectorMachines , SVM預測，應用韓國最大信用 擔保公司的2000 2002年中小型制造企業(yè)數(shù)據(jù)。破產(chǎn)樣本和非破產(chǎn)樣本各944個，通過選 擇最優(yōu)的核函數(shù)得到的結(jié)果如表1.2所示。由于支持向量機堅實的理論基礎(chǔ)和它在很多領(lǐng)域 表現(xiàn)出的良好的推廣性能，目前國際上正在廣泛開展對支持向量機的研究。以下是其中主要的研究

42、熱點。(1)標準的SVMJT法都是針對兩類問題的，因此，如何將兩類分類問題推廣到多類問題上， 是目前研究的一個熱點。有研究認為，將支持向量機擴展到多類問題，本質(zhì)上是求解多個兩 類問題。(2)在支持向量機中有許多參數(shù)需要事先給定，比如懲罰系數(shù)G核參數(shù)等。核函數(shù)的形式以及涉及參數(shù)的確定將直接影響分類器的類型和復雜程度。最常用的模型選擇方法是“交叉驗證(cross validation) ” 和“網(wǎng)格搜索” (grid search)。(3)支持向量機在理論上有突出優(yōu)勢，但與理論研究相比，應用研究尚比較滯后。將支持 向量機運用到特定領(lǐng)域解決特定問題無疑也是今后的一個研究熱點。甚至有人預測，支持向量機

43、將成為繼神經(jīng)網(wǎng)絡后的又一重要應用研究熱點?，F(xiàn)在在模式識別，包括字符識別、文本 自動分類、人臉檢測、頭的姿態(tài)識別，以及函數(shù)逼近、數(shù)據(jù)挖掘和非線性系統(tǒng)控制中均有很 好的應用4、灰色預測模型灰色預測模型是一種針對少數(shù)據(jù)、灰因果條件的信息不完全條件下的預測方 法。灰色系統(tǒng)理論指出，一般可以用離散的隨機數(shù)經(jīng)過數(shù)的生成這一過程，變成 隨機性明顯削弱的較有規(guī)律的生成數(shù)列。那么，在得到的有規(guī)律的生成數(shù)列的基 礎(chǔ)上，就可以對變化過程做較長時間的描述，甚至可以確定微分方程的系數(shù)，從 而建立微分方程模型，即GM真型?；疑A測包含兩個過程，第一是建立 GM真型，第二是利 用GM模型作外推預測.基于GM(1, 1)的灰

44、色預測稱為單變量預測，基于 GM(1, ND和 GM(1, 1)的灰色預測稱為系統(tǒng)預測.系統(tǒng)預測是指系統(tǒng)中各種因素相互影響協(xié)調(diào)發(fā)展變化 的預測。系統(tǒng)中具有獨立發(fā)展能力的因素稱為主導因素，受許多種因素影響，而無某個因素 占主要地位的因素，在系統(tǒng)預測中往往視其為具有獨立發(fā)展能力。對主導因素，在系統(tǒng)預測 中建立GM(1, 1)模型，非主導因素建立 GM(1,刖 模型，從而得到系統(tǒng)的狀態(tài)方程，冉 按狀態(tài)模型對整個系統(tǒng)作動態(tài)預測。dx(1)(t)0)bx (t) b若已建立GM(1,1)模型 dt(即已知b1,b2),則可求得通解(1)父(t) ce b1t b2/b1如果要積分曲線(12.10)通過點

45、(1, x(1) (1)(即(1, x(0)(1),則求得c x(0)(1) (b2/b1)eb1,將這個c的值代入(11.10)式得特解?(1)(t) (x(0)(1) (t1) bbibi更合理的辦法是采用誤差平方和最小原則來確定積分常數(shù)c的值.由(12.10)知5?(1)(k)ce b1k(b2/b1)(3)nQ(c) ?(0)(k) x(0)(k) 2設(shè) k 1，令 Q (c) 0, q e b1 ,得n(q 1) x(0)(1) (b2/b1)(q2 1)x(0)(k)qk 2 TOC o 1-5 h z -k 2cz ,、 2n 1-(q 1)q 2q(4)nP(c) 如果設(shè)b1k

46、(1)2，令P(c)ce(b2 /b1) x (k)k 12bi1 e2bi2nbi、e 1 (1 e ) k ix(k)e kb1b2b1b11 ebi nt)1、e (1e)(5)首先用(1),或用(2)和(3),或用(2)和(4)計算出姆(k),k 1,2,，然后，用公式 計算x(0)(k)的模擬值X(0)(k),并用M)(k)又tx()(k)進行預測.灰色系統(tǒng)理論是研究少數(shù)據(jù)不確定性的理論?；依碚撛诜治錾贁?shù)據(jù)的特征、了解少數(shù)據(jù)的行 為表現(xiàn)、探討少數(shù)據(jù)的潛在機制、綜合少數(shù)據(jù)的現(xiàn)象基礎(chǔ)上，揭示少數(shù)據(jù)、少信息背景下事 物的演化規(guī)律。具體來說，在少數(shù)據(jù)不確定性背景下，數(shù)據(jù)的處理、現(xiàn)象的分析、模

47、型的建 立、發(fā)展趨勢的預測、事物的決策、系統(tǒng)的控制與狀態(tài)的評估，是灰色理論的技術(shù)內(nèi)容?；疑Ｐ徒５木容^高，可保持原系統(tǒng)的特征，能較好地反映系統(tǒng)的實際狀況?；貧w 分析的最大缺點就是不能避免可能出現(xiàn)的反常情況，因為回歸分析的計算主要是數(shù)據(jù)幕和四 則運算，即平方和，全和等，運算過程由于計算誤差容易導致計算結(jié)果出現(xiàn)極性差錯，從而 使正相關(guān)變?yōu)樨撓嚓P(guān)，以致正確現(xiàn)象受到歪曲和顛倒。財務風險的影響因素繁多，企業(yè)內(nèi)部 和外部的各種可控和不可控的因素都對其產(chǎn)生作用，因而很難找到對其進行準確預測的歷史 信息。其次，企業(yè)財務風險往往呈現(xiàn)出無規(guī)律的概率分布，因而要弄清這些原始數(shù)據(jù)分布的 統(tǒng)計特征也是困難的。止匕外

48、，對財務風險的預測直接影響到投資者的投資決策，關(guān)系到投資 者的經(jīng)濟利益。因而對預測的準確性要求比較高。基于這些分析，認為GM真型比較適合對企業(yè)財務風險的預測。5、混合模型混合模型是指在進行預警研究時，同時采用兩種或兩種以上的方法來建立模 型，以實現(xiàn)企業(yè)財務危機預警的目的。建立混合預警模型的目的，是基于同時采 用兩種方法，有利于克服各個方法自身的缺陷，揚長避短。很多國內(nèi)外學者也以 此作為突破口，對現(xiàn)有模型進行修正，提高模型的判斷準確率。相關(guān)實證研究也 表明，混合模型與其包括的單個方法模型相比，具有其特有的優(yōu)勢。6、其他預測理論及方法(1)期權(quán)定價理論： Charitou和Trigeorgis (

49、2000)使用B-S期權(quán)定價模型 中 的相關(guān)變量構(gòu)建了財務危機判別模型， 對1983年到1994年期間的139對美國企業(yè)進行了對 比檢驗，結(jié)果發(fā)現(xiàn)到期債務面值、企業(yè)資產(chǎn)的當期市價、 企業(yè)價值變化的標準差等期權(quán)變 量在預測破產(chǎn)方面作用顯著。不過，該研究的基礎(chǔ)方法仍然建立于 Logistic 回歸檢驗之上， 僅僅在變量設(shè)計方面引入了期權(quán)因子，因此實際的理論貢獻不大。(2) K-近鄰法由于財務困境預測實際上是一個分類問題，因此可用于分類的非參數(shù)方法K-近鄰法也被應用到財務困境預測中。值得一提的是，有一些研究在財務狀態(tài)的劃分上也進行了嘗試。Barniv等人還將財務狀態(tài)劃分為三狀態(tài)，利用神經(jīng)網(wǎng)絡進行了財

50、務困境預測。Lau首先采用 將財務狀態(tài)分為 5個，采用財務健康分類表替代傳統(tǒng)的兩分支模型。止匕外，Gregory和Henderson(1991)43l對公司破產(chǎn)運用災害理論進行闡釋，并對此做實驗研究，結(jié)果表明， 在一定的經(jīng)常發(fā)生條件下，災害理論能在公司發(fā)布公告時預測公司股票收益率的結(jié)構(gòu)性漂 移，可見災害理論能夠描述公司破產(chǎn)。Lindsay和camPbeu(1994)J運用應用混沌系統(tǒng)進行破產(chǎn)公司與非破產(chǎn)公司的判別分類，實證研究顯示健康公司比非健康公司顯現(xiàn)出更多的混沌現(xiàn)象，但該方法判別的穩(wěn)定性稍顯欠缺。 charitou 和 Trigeorgis（2000） 發(fā)現(xiàn)公司價值與期權(quán)價值的相似處， 并

51、運用期權(quán)定價模型對139 家美國上市公司進行了實證研究， 從新角度對公司困境進行解釋預警。四、 國內(nèi)財務危機預警研究回顧在國內(nèi)對公司財務危機預測的研究才剛剛起步，其主要原因是1993 年 7 月 1 日之前我國并沒有實施統(tǒng)一的會計準則，缺乏可靠的規(guī)范的研究數(shù)據(jù)。因此，研究如何利用國外現(xiàn)有的研究成果， 結(jié)合中國的實際對企業(yè)破產(chǎn)作出準確的預測， 是擺在我們面前迫切需要解決的問題。中國證券市場歷經(jīng)十三年的發(fā)展，規(guī)模日益壯大。面對這么龐大的市場，如果能借助財務危機預測模型對上市公司的財務危機提前作出預測，不管對于監(jiān)管者、銀行、上市公司或者投資者來說，都具有重要的意義。（ 一 ） 我國財務預警研究的現(xiàn)狀

52、及特點1、我國財務預警研究主要借鑒國外的研究成果。我國市場經(jīng)濟體制的建立和資本市場的發(fā)展歷史相對較短， 證券法規(guī)體系不健全以及破產(chǎn)機制不完善阻礙了實證研究的步伐， 財務預警實證研究的起步較晚， 在研究方法上主要借鑒國外的成果利用我國的數(shù)據(jù)構(gòu)建類似的模型。如陳靜于 1999 年利用一元判定分析方法以1998年底的27家ST公司與同行業(yè)同規(guī)模的非ST公司作為樣本進行研究；張玲于 2000年利用多元線形判定方法以深滬交易所120 家上市公司作為樣本進行研究；吳世農(nóng)于 2001 年利用邏輯回歸和多元概率化回歸方法進行研究；楊保安于 2002 年利用人工神經(jīng)網(wǎng)絡模型方法進行研究。2、我國財務預警研究對象

53、的界定是以財務狀況是否異常為標準。如何界定財務預警研究的對象是進行實證研究的前提， 它涉及到研究樣本的選擇及模型的構(gòu)造。在國外的大多數(shù)研究中，將企業(yè)根據(jù)破產(chǎn)法提出破產(chǎn)申請的行為作為界限，這主要是因為企業(yè)提出破產(chǎn)申請這一行為是客觀發(fā)生的， 具有高度的可度量性， 容易確定研究樣本。只有極少數(shù)研究如 Beaver 認為界定標準不應僅僅定為企業(yè)破產(chǎn)，還包括債券不償付，銀行透支，不能支付優(yōu)先股。而我國上市公司破產(chǎn)機制不健全，到目前為止尚不存在實際破產(chǎn)的案例， 所以我國實證研究對象的界定是以財務狀況是否異常為標準， 這符合我國的國情及上市公司的特點。3、我國財務預警模型指標的選取受到財務業(yè)績評價指標體系的

54、影響。財務業(yè)績評價指標體系主要由反映企業(yè)基本財務狀況的指標組成，包括財務效益狀況、資產(chǎn)營運狀況、償債能力狀況、發(fā)展能力狀況指標，是對企業(yè)經(jīng)營成果的事后評價，是主要用于衡量企業(yè)經(jīng)營績效的一種手段。 而財務預警模型指標是由對企業(yè)財務狀況異常反映最敏感的指標組成， 其目的是通過指標的綜合加權(quán)值來預測企業(yè)未來的財務危機， 是一種事前的預測?？梢?，財務預警指標的選取不同于財務業(yè)績指標，如果用反映事后的指標代替必需具有警示作用的先兆指標，必然使財務預警模型的適用性與預測精度大大降低。（二）回顧主要文獻資料如下：1996 年，周首華、楊濟華提出了 F 分數(shù)模型，它是在充分考慮了企業(yè)現(xiàn)金流量的變動等方面的情況

55、后，通過調(diào)整和更新指標對Z 模型進行了修正，也取得了一定的效果。2000年，張玲選取了深滬兩市涉及14個行業(yè)共計120 家上市公司為樣本，并將樣本公司分為兩組: 第一組樣本作為推導判別函數(shù)的開發(fā)樣本，由 60 家公司組成，其中有 30 家是1998年或1999年戴帽的ST公司，配對的30家為1998年排名前30名的績優(yōu)公司；第二組 也由60家公司組成，其中有21家ST公司和隨機選擇的39家非ST公司。作者從償債能力、 盈利能力、 資本結(jié)構(gòu)狀況和營運狀況等四個方面共計巧個相關(guān)財務比率篩選出 4 個變量構(gòu)建 判別模型。研究結(jié)果顯示，模型對開發(fā)樣本30家ST公司前1年至前5年的判斷準確率分別 為 1

56、00%， 87%， 70%， 60%和 22%。據(jù)此認為，二分類線性判定模型具有超前4 年的預測能力，即模型可在ST公司戴帽前4年或ST公司開始虧損的前2年預知公司的未來前景。張愛民等 (2001) 借鑒 Altman 的多元 Z 值判定模型， 運用統(tǒng)計學的主成分分析方法， 建立了主成分預測模型， 選取 1 更珍 eeZ 儀舊年間的 40 家被特別處理的公司與40 家沒有被特別處理的公司作為研究樣本進行實證檢驗。 結(jié)果顯示了一定的有效性 : 在 ST 宣布年前判別正 確率達92.5%，前2 年為87.5%，前3 年為77.5%。國內(nèi)研究應用邏輯回歸模型的， 以陳曉、 陳治鴻的研究為代表。 其研

57、究以 1998 一 1999 年的 38 家被特別處理的公司作為初始樣本，并以同年度的所有凈資產(chǎn)收益率低于5%的沒有被處理的公司 132家作為配比樣本， 構(gòu)成含有 170 家公司的總樣本。 采用公司被特別處理前 (t 一 2)年的財務報表數(shù)據(jù)，選取8組共 27個財務比率，作為各選變量，做了 1260種變量組合后， 選出具有最小誤判率的變量組合放入模型之中， 并根據(jù)不同的篩選原則構(gòu)建了四個 模型， 比較得到最優(yōu)的模型， 同時對誤判率和期望成本進行了詳細分析， 成為其突出的特點。楊保安等利用BP神經(jīng)網(wǎng)絡，對中信實業(yè)銀行的30個企業(yè)客戶的財務風險狀況進行了判 別分類，認為BP神經(jīng)網(wǎng)絡方法是企業(yè)財務危

58、機預警中較好的應用工具，并能為銀行貸款授 信、預警提供有效決策。而楊怡光則認為，人工神經(jīng)網(wǎng)絡、混沌分析等新的數(shù)學分析方法，由于方法的復雜性以及可操作性等方面的問題，在實踐中不便使用。同時，顧曉安 l 到還從 企業(yè)長短期發(fā)展的角度建立企業(yè)財務預警系統(tǒng)。1998 年，陳靜 1201 以 27 家被特別處理的公司和沒有被特別處理的公司為對象，使用了 1995一 1997年的財務報表數(shù)據(jù)， 進行了單變量分析和多元線性判定分析， 并進行了兩種方法的比較。 這項研究作為國內(nèi)最早的實證財務困境預測研究， 但由于受樣本與數(shù)據(jù)的限制， 樣本量小，結(jié)果難有廣泛適用性。劉洪、 何光軍 (2004) 選取 2002

59、年和 2 加 3 年首次被 ST 的 80 家上市公司作為樣本， 取 這些公司前三年即 1999 年和 2000 年的財務數(shù)據(jù)作為研究依據(jù)，并選定648 家非 ST 公司，其中 1999年83家， 2000年 565家， 分別取它們 1999年和 2000年的財務數(shù)據(jù)， 建立了 logistic 回歸模型、Fisher判別模型和BP神經(jīng)網(wǎng)絡模型。實證結(jié)果表明，三種判別模型的準確率分 別為:56.6%, 54.4%, 90.1%,最后得出BP神經(jīng)網(wǎng)絡方法的預測精度遠高于其他兩種方法。吳世農(nóng)、盧賢義(2001) 以我國上市公司為研究對象，應用 Fisher 線性判定分析、多元線性回歸分析和 log

60、istic ?；貧w分析三種方法，分別建立三種預測財務危機的模型。研究 結(jié)果表明 : 三種模型都能在財務困境發(fā)生前發(fā)出相對準確的預測。張延波、彭淑雄(2002) 認為，在建立風險監(jiān)測與危機預警指標體系中，可考慮加入現(xiàn)金流量指標: 現(xiàn)金流量比率和債務期限結(jié)構(gòu)比率。這兩個指標只是在探討之中，并沒有實證建模，因此哪個財務指標具有顯著監(jiān)測和預警能力還必須進一步探討。近年來我國學者通過深入研究，借鑒和運用其他學科的新理論和新技術(shù)，提出了多種財務預警模型，如決策樹法（ 姚靠華、蔣艷輝， 2005） 、熵值法 （ 王平心、楊冬花，2005） 、狀態(tài)空間模型（ 胡挺、廖愛清， 2005）、雷達圖法（舒曉惠等，2