財務困境預測

財務困境預測是指對企業財務的運用出現的困境所做出的具體推測。它是一個企業發展立於不敗之地的根本，在西方又普遍被稱為破產預測，西方的研究人員從20世紀40年代開始研究這一問題，取得了相對比較成熟的研究成果。

單變數判別分析法

（1）（Univariate Discriminant Approach，UDA）

最早的財務困境預測研究是Fitzpatrick(1932)開展的單變數破產預測研究。1932年Fitzpatrick的相關文章“A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms”。 他發現在所有指標中判別能力最高的是淨利潤/股東權益和股東權益/負債這兩個指標。由於當時缺乏先進的統計和計算工具，因此主要的研究方法是對失敗企業和正常企業的一系列財務比率進行經驗分析和比較。這種狀況一直延續到1960年代初期，之後財務風險判別研究才真正進入系統化階段。

1966年，William Beaver(1966) 在其論文“Financial Ratios as Predictors of Failure”中率先提出了單變數分析法，提出了單一比率模型，即利用單一的財務比率來預測企業的財務困境。他發現最好的判別變數是營運資本流/負債(在公司破產的前一年成功地判別了90%的破產公司)和淨利潤/總資產(在同一階段的判別成功率是88%)。

多變數判別分析法

（2）（Multivariate Discriminant Approach，MDA）

美國財務專家Altman(1968) 首先使用了多元線性判別模型研究公司的破產問題。他根據行業和資產規模，為33家破產公司選擇了33家非破產配對公司，確定了資產營運資本率、資產留存收益率、資產報酬率、債務權益市價率和總資產周轉率這5個變數作為判別變數，產生了一個總的判別企業財務狀況惡化程度的機率值即Z值。之後，Altman等 (1977)又提出了一種能更準確預測企業財務困境的新模型?ZETA模型，由於向企業提供這項服務是有償的，他們並沒詳細介紹這一模型的具體操作方法

邏輯和機率比回歸

多元判別分析模型存在嚴格的假設條件：如多元變數多元常態分配、多元變數的等協方差以及多元指標變數的平均向量、協方差、先驗機率及錯分成本必須為已知。但實證發現大多數財務比率並不滿足這一要求。且一旦出現虛擬變數，聯合常態分配的假設就完全不成立，而且產生的Z 值沒有明確的含義。為克服這些局限性，據烽//火獵頭相關資料顯示：自20世紀70年代末以來，財務困境研究人員引進了邏輯(1ogit)和機率比(probit)回歸方法。從而將問題簡化為已知一個公司具有某些性質(由財務比率指標加以呈現),計算它在一段時間裡陷入財務困境的條件機率有多大。如果算出的機率大於設定的分割點，則判定該公司在這段時間內會陷入財務困境。

Ohlson (1980)使用logit方法分析了選用的非配對樣本在破產機率區間上的分布以及兩類判別錯誤和分割點的關係,認為以前根據行業和資產規模來進行樣本配對的選樣方法過於武斷,將資產規模變數直接放入模型中。用1970-1976年間105家破產公司及2058家正常公司為研究對象。採取9個財務變數來估計模型，實證結果表明，其中4項財務資料對評估破產機率具有統計顯著性，依次是規模（總資產/GNP物價指數後取對數）；資本結構（總負債/總資產）；資產報酬率或來自經營的資金/總負債；短期流動性（營運資金/總資產、流動負債/流動資產），判別正確率也高達92%以上。他構造了兩個虛擬變數, OPNEG和INTWO,前者當企業總資產超過總負債時值為1,否則為0;後者當企業破產前兩年的淨利潤負時值為1,否則為0。其研究結果表明這兩個虛擬變數對模型的解釋能力甚至不低於某些常用的財務比率。他指出採用破產之後獲得的信息來預測破產會高估破產模型的預測能力。

1984年Zmijewski 使用probit分析模型，用邏輯比分析的方法對財務困境的預測進行了新的探索。他研究了兩組間樣本個體數量分配的問題,認為一一配對會使樣本中兩類公司的比例嚴重偏離兩類公司在實際總體中的比例,從而高估模型的預測能力,特別會高估對破產公司的預測能力。他的研究結果表明這種過度選樣所帶來的模型偏差的確存在,但並未顯著影響統計參數和模型的總體預測精度。

現代分析方法

隨著計算機技術和信息技術的發展, 西方研究人員還將人工神經元網路、專家系統、遺傳算法等技術引入對財務困境的預測研究。

人工神經網路分析方法

（1）（ANN）

在1980年代末期，神經網路理論（NN）開始興起，其影響也及於財務危機預測研究領域。雖然神經網路判別模型可謂是研究方法上的重大創新，但實際效果卻很不穩定。例如，Coats 和Fant（1991）對47家財務危機公司和47家正常公司運用神經網路模型進行判別時，對財務危機公司的預測準確率達到了91%，明顯高於多元判別法72%的準確率。然而，Back等人在1994年所做的一項研究卻並不認為神經網路模型具有比多元判別分析（MDA）和Logistic分析明顯更佳的預測效果。Altman, Marco和Varetto(1995)對義大利公司財務危機預測中套用了神經網路分析法。Coats, Fant(1993)、Trippi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)採用了神經網路分析法分別對美國公司和銀行財務危機進行了預測，取得了一定的效果。Altman(1995)在對神經網路法和判別分析法的比較研究中得出結論“神經網路分析方法在信用風險識別和預測中的套用,並沒有實質性的優於線性判別模型”。

期權定價理論

（2）

Charitou 和Trigeorgis（2000）使用B-S期權定價模型中的相關變數構建了財務危機判別模型，對1983年到1994年期間的139對美國企業進行了對比檢驗，結果發現到期債務面值、企業資產的當期市價、企業價值變化的標準差等期權變數在預測破產方面作用顯著。不過，該研究的基礎方法仍然建立於 Logistic回歸檢驗之上，僅僅在變數設計方面引入了期權因子，因此實際的理論貢獻不大。

專家系統方法套用

（3）（ES）

1988年Messier和Hansen將專家系統首次引入到財務困境預測領域，他們從知識獲取角度探討比較了專家系統(Expert System, ES)在信用分析領域的套用。通過對71家公司的數據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，結果證明專家系統分類效果最好，ES對檢驗樣本的正確分類率為87.5，而DA為57，並且比群決策的正確率穩定。

研究

周首華等利用Compustat Pc Plus會計資料庫中1990年以來4160家公司，使用Spss-X統計軟體建立了F分 數模式(周首華等，1996)。但他們的研究對象卻不是中國的證券市場。

1999年陳靜以1998年27家ST公司和27家非ST公司為對象，使用1995～1997年的財務報表數據，進行了單變數和二類線性判別分析，總體正確率為 92.6%（陳靜，1999）。但是由於文章用於檢驗模型判別正確率的樣本就是用於估計模型參數的樣本，所以上述的判別正確率有高估的傾向。而且，根據中國上市公司的年報披露制度，上市公司t－1年度的財務報表的公開披露和上市公司在t年是否會被特別處理這兩個信息幾乎是同時得到的，因此，使用1997年度報表數據來預測1998年上市公司是否會被ST，就預測目的而言沒有太多的實際意義。

2000年張玲以120家上市公司為對象，使用其中60家公司的財務數據估計二類線性判別模型，並使用另外60家公司進行模型檢驗，發現模型具有超前4年的預測結果。2000年陳曉等將多元邏輯回歸模型引入上市公司的財務困境預測。2001年黃岩等則採用了費歇爾判別分析建立了中國工業類上市公司財務困境預測模型，並給出了所研究上市公司的值範圍。2001年吳世農等則以140家上市公司為樣本比較了費歇爾判別、多元線性回歸分析和多元邏輯回歸分析的預測效果，發現多元邏輯回歸模型的判定能力最好。楊保全（2001）薛鋒（2002）探討了基於BP算法和LM算法的神經網路在企業財務危機預測上的套用