導語：如何才能寫好一篇財務預警研究，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公務員之家整理的十篇范文，供你借鑒。

篇1

[關鍵詞] 財務預警 定性分析 定量分析

財務預警是通過對公司財務報表及相關經營資料的分析，利用及時的財務數據和相應的數據化管理方式，將公司所面臨的危險情況預先告知公司經營者和其他利益相關者，并分析公司發生財務危機的原因和財務運營體系隱藏的問題，以提早做好防范措施的財務管理活動。在財務預警分析中，常用的基本方法有定性分析法與定量分析法。定性分析法是依靠人們的主觀分析判斷進行財務預警分析的方法，主要有標準化調查法、“四階段癥狀”分析法、流程圖分析法、管理評分法等；定量分析法是根據過去比較完備的統計資料，應用一定的數學模型或數理統計方法對各種數據資料進行科學的加工處理，主要有一元判定模型、多元線性判定模型、多元邏輯(Logit)模型、多元概率比 (Probit)回歸模型、人工神經網絡(ANN)模型等方法。

一、定性分析方法

1.標準化調查法。又稱風險分析調查法，即通過專業人員、調查公司、協會等，對公司可能遇到的問題進行詳細的調查與分析，并形成報告文件供公司管理者參考的方法。

該方法的優點是在調查過程中所提出的問題對所有公司或組織都有意義，普遍適用;它的缺點是無法針對特定公司的特定問題進行調查分析。另外，調查時沒有對要求回答的每個問題進行解釋，也沒有引導使用者對所問問題之外的相關信息做出正確判斷。

2.“四階段癥狀”分析法。公司財務運營情況不佳，甚至出現財務危機是有特定癥狀的，而且是逐漸加劇的，財務運營病癥大體可以分為四個階段，即財務危機潛伏期、發作期、惡化期、實現期，每個階段都有反映危機輕重程度的典型癥狀。

財務危機潛伏期：盲目擴張；無效市場營銷，銷售額上升，利潤下降；企業資產流動性差，資源分配不當；資本結構不合理，疏于風險管理；財務經營信譽持續降低，缺乏有效的管理制度；無視環境的重大變化。

財務危機發作期:自有資本不足；過分依賴外部資金，利息負擔重；缺乏會計的預警作用；債務拖延償付。

財務危機惡化期:經營者無心經營業務，專心于財務周轉;資金周轉困難;債務到期違約不支付。

財務危機實現期:負債超過資產，喪失償付能力;宣布倒閉。

根據上述癥狀進行綜合分析，公司如有相應癥狀出現，一定要盡快弄清病因，判定公司財務危機的程度，對癥下藥，防止危機的進一步發展，使公司盡快擺脫財務困境，以恢復財務的正常運作。這種方法簡單明了，但實際中很難將這四個階段作截然的劃分，特別是財務危機的表現癥狀，它們可能在各個階段都有相似或互有關聯的表現。

3.流程圖分析法。流程圖分析是一種動態分析方法，對識別公司生產經營和財務活動的關鍵點特別有用，運用這種分析方法可以暴露公司潛在的風險。在公司生產經營流程中，必然存在著一些關鍵點，如果在關鍵點上出現堵塞和發生損失，將會導致公司全部經營活動終止或資金運轉終止。在畫出的流程圖中，每個公司都可以找出一些關鍵點，對公司潛在風險進行判斷和分析，發現問題及時預警，在關鍵點處采取防范的措施，才可能有效降低風險。

4.管理評分法。美國的仁翰?阿吉蒂調查了企業的管理特性及可能導致破產的公司缺陷，按照幾種缺陷、錯誤和征兆進行對比打分，還根據這幾項對破產過程產生影響的大小程度對它們作了加權處理。

用管理評分法對公司經營管理進行評估時，每一項得分要么是零分，要么是滿分，不容許給中間分。所給的分數就表明了管理不善的程度，總分是100分，參照管理評分法中設置的各項目進行打分，分數越高，則公司的處境越差。在理想的公司中，這些分數應當為零；如果評價的分數總計超過25分，就表明公司正面臨失敗的危險；如果評價的分數總計超過35分，公司就處于嚴重的危機之中；公司的安全得分一般小于18分。這種管理評分法試圖把定性分析判斷定量化，這一過程需要進行認真的分析，深入公司及車間，細致的對公司高層管理人員進行調查，全面了解公司管理的各個方面，才能對公司的管理進行客觀的評價。這種方法簡單易懂，行之有效，但其效果還取決于評分者是否對被評分公司及其管理者有直接、相當的了解。

二、定量分析方法

1.一元判定模型。一元判定模型是指以某一項財務指標作為判別標準來判斷公司是否處于破產狀態的預測模型。在一元判定模型中，最為關鍵的一點就是尋找判別臨界值。

一元判定模型雖然方法簡單，使用方便，但總體判別精度不高。對前一年的預測，一元判定模型的預測精度明顯低于多元模型。不過，一元判定模型在前兩年、前三年的預測中也能表現出很強的預測能力，說明一些上市公司的財務危機是從某些財務指標的惡化開始的。

一元判定模型的缺點是:其一，只重視一個指標的分離能力，如果經理人員知道這個指標，就有可能去粉飾這個指標，以使公司表現出良好的財務狀況;其二，如果使用多個指標分別進行判斷，這幾個指標的分類結果之間可能會產生矛盾，以致無法作出正確判斷。也就是說，雖然財務比率是綜合性較高的判別指標，但是僅用一個財務指標不可能充分反映公司的財務特征。

2.多元線性判定模型,又稱ZScore模型,最早是由Altman(1968)開始研究的。他得到的最終預測方程包含五個判別變量，在破產前一年的總體判別準確度高達95%。運用多元線性判別方法判定二元問題時，可以通過降維技術,僅以最終計算的Z值來判定其歸屬,其構造的線性方程簡單易懂,具有很強的實際應用能力。

多元線性判定模型具有較高的判別精度，但也存在一些缺陷。其一，工作量比較大，研究者需要做大量的數據收集和數據分析工作。其二，在前一年的預測中，多元線性判定模型的預測精度比較高，但在前兩年、前三年的預測中，其預測精度都大幅下降，甚至低于一元判別模型。其三，多元線性判定模型有一個很嚴格的假設，即假定自變量是呈正態分布的，兩組樣本要求等協方差，而現實中的樣本數據往往并不能滿足這一要求，這就大大限制了多元線性判定模型的使用范圍。其四，使用多元判別分析技術，要求在財務困境組與控制組之間進行配對，但配對標準如何恰當確定是一個難題。

3.多元邏輯(Logit)模型。多元邏輯模型的目標是尋求觀察對象的條件概率，從而據此判斷觀察對象的財務狀況和經營風險。這一模型建立在累計概率函數的基礎上，不需要自變量服從多元正態分布和兩組間協方差相等的條件。判別方法和其他模型一樣，先是根據多元線性判定模型確定公司破產的Z值，然后推導出公司破產的條件概率。其判別規則是:如果p值大于0.5，表明公司破產的概率比較大，可以判定公司為即將破產類型:如果p值低于0.5，表明公司財務正常的概率比較大，可以判定公司為財務正常。

Logit模型的最大優點是，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，具有了更廣泛的適用范圍。目前，這種模型的使用較為普遍，但其計算過程比較復雜，而且在計算過程中有很多的近似處理,這不可避免地會影響到預測精度。

4.多元概率比(Probit)回歸模型。Probit回歸模型同樣假定公司破產的概率為p，并假設公司樣本服從標準正態分布，其概率函數的p分位數可以用財務指標線性解釋。

Probit模型和Logit模型的思路很相似，但在具體的計算方法和假設前提上又有一定的差異，主要體現在三個方面:一是假設前提不同，Logit不需要嚴格的假設條件，而Probit則假設公司樣本服從標準正態分布，其概率函數的p分位數可以用財務指標線性解釋;二是參數a、b的求解方法不同，Logit采用線性回歸方法求解，而Probit采用極大似然函數求極值的方法求解;三是求破產概率的方法不同,Logit采用取對數方法,而Probit采用積分的方法。

5.人工神經網絡模型(Artificial Neural Network， ANN)是將神經網絡的分類方法應用于財務預警。ANN除具有較好的模式識別能力外，還可以克服統計方法的局限，因為它具有容錯能力和處理資料遺漏或錯誤的能力。最為可貴的是，ANN還具有學習能力，可隨時依據新的數據資料進行自我學習，并調整其內部的儲存權重參數，以應對多變的公司環境。由于ANN具備上述良好的性質與能力，因而可以作為解決分類問題的一個重要工具。

ANN模型通常由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳播和后向學習兩步進行。根據最后的期望輸出，得出公司的期望值，然后根據學習得出的判別規則來對樣本進行分類。然而，由于理論基礎比較薄弱，ANN對人體大腦神經模擬的科學性、準確性還有待進一步提高，因此其適用性也大打折扣。

三、財務預警研究方法評析

1．財務預警研究的定性分析與定量分析，兩者的分析方法不同。定性分析法側重于從事物質的角度分析問題，著重于分析事物的來龍去脈及因果關系，以說理的方式透過事物的表象抓事物的本質；而定量分析法從可量化角度出發，對事物運用數學的、統計的方法進行量化分析，側重于以數據說明問題。

2.財務預警定量模型分析主要基于財務報表數據對公司的財務狀況做出的評價，這種分析是建立在歷史記錄的基礎上的，公開的財務數據與公司的實際財務狀況相比是滯后的，這也是對于公司財務失敗的預測還沒有一種能夠完全令人接受的財務預警分析模型的原因之一。

3.財務預警定量分析模型并沒有綜合考慮公司財務報表以外的因素對其所用指標的影響，特別是與公司日常生產經營關系密切的一些非財務因素，這些因素有可能使公司陷入不可估量的財務失敗危機中去。另外，定量分析靈活性較差，對于特定方法都有統一的模式，較少考慮到公司的個別情況。

4．在實際應用中,定性分析法具有較大的靈活性,可以根據公司的具體情況進行相應的調整, 定性分析法由于無需完整的數據資料，需要憑借人們的經驗對財務風險的趨勢進行定性分析，有時比定量分析更加可靠和有效。但這種方法也有缺點，即容易受到個人主觀意見的影響，個人的偏見往往會給公司帶來巨大的損失。

因此，公司財務預警模型不能單純依靠財務數據，只注重定量分析和指標分析，在運用財務預警定量分析模型的同時應充分考慮能夠影響公司財務狀況的非財務數據。換句話說，既要涉及到定量信息，也要涉及到定性信息，這樣才能更為完整地反映公司全貌。所以，較好的解決方案是同時使用定性分析法與定量分析法, 建立定性分析與定量分析相結合的模型，取長補短，彌補各自的缺陷，這樣既考慮了公司自身的具體情況，又避免了僅用定量分析法的不足，提高防范財務風險的準確性。

參考文獻:

[1]張友棠:財務預警系統管理研究[M].北京:中國人民大學出版社，2004

[2]張鳴張艷程濤:企業財務預警研究前沿[M]．北京:中國財政經濟出版社，2004

篇2

【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”，但其財務狀況不合理，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)開展的單變量破產預測研究。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，他發現判斷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，他發現最好的判斷變量是營運資本流/負債(在公司破產的前一年成功地判斷了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問題。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年的預測備選變量，根據誤判率最小的原則，最終選擇了5個變量作為判斷變量。其模型在破產前一年成功地判斷出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家破產公司中判斷出24家，從56家非破產公司中判斷出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斷錯誤和分割點的關系，他發現至少存在四類顯著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。

隨著研究的深入和技術的發展，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：人工智能預測模型、遺傳算法（genetic algorithms）、泰勒的logistic 回歸拓展應用、混合神經網絡模型（hybrid neural network models）、自組織映射預測模型(self-organizing map) 、概率神經網絡預測模型等。

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)曾介紹公司的破產分析指標和預測模型；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、流動比率、總資產收益率、凈資產收益率4個財務指標中，流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、流動比率、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年能較好地預測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），以此作為預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。

具體判斷標準為：z>2.9時，財務失敗的可能性很小；1.8≤z≤2.9時，財務失敗可能性很大；z<1.8時，財務失敗可能性非常大。

由于z－score模型沒有充分考慮現金流量變動等方面的情況，因而具有一定的局限性。為此，我國學者對z－score模型進行了改造，建立了新的財務失敗預測模型——f分數模型。f=-0.1774x1+1.1091x2+1.9271x3+0.0302x4+0.4961x5(1-2)

其中：x1=(期末流動資產-期末流動負債)/期末總資產；x2=期末留存收益/期末總資產;x3=（稅后凈收益+折舊）/平均總資產；x4=期末股東權益的市場價值/期末總負債；x5=（稅后凈收益+利息+折舊）/平均總資產。

2、bp神經網絡

人工神經網絡（artificial neural network-ann）是一種平行分散處理模式，其建構理念根植于對人類大腦神經運作的模擬。前向三層bp(back propagation)神經網絡通常由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳播和后項學習兩步進行，網絡的學習是一種誤差從輸出層到輸入層后向傳播并修正數值的過程，學習的目的是使網絡的實際輸出逼近某個給定的期望輸出。在前向三層bp網絡算法中，對網絡性能影響較大的是權值修正方法，為改進bp網絡減少訓練時間，并改善收斂特性，通常在權值公式增加一個態勢項，常用的方法是：

wjh(t+1)=wjh(t)-ηαe/αwjh+α(wjh(t)-wjh(t-1) (1-3)

wjh(t+1)=wjh(t)-ηαe/αwjh+α(wjh(t)-wjh(t-1) (1-4)

式中，α為勢態因子，η為學習率，t為迭代次數，e為定義誤差，wjh為輸入層節點與隱藏節點之間的連接權值，whi為隱藏層節點與輸出節點之間的連接權值。

三、統計模型的缺陷

1、技術上的缺陷

①模型建立在一定的假設之上，如多元判別分析假設自變量服從正態分布、協方差矩陣相等、獨立變量之間完全線性補償。雖然二次方判別分析不需要獨立變量之間完全線性補償，提出了一個更普遍的二次函數關系。logistic回歸分析雖然不考慮多元變量的正態分布，但是它要求變量之間的完全線性補償。

②獨立變量選擇有失偏頗。由于變量之間存在著相關性，在建模之前進行被選變量相關性檢驗是非常必要的。如果一些變量具有較高的相關性，他們將對公司的財務狀況具有相同的影響。

2、財務報表信息批露的不足

①財務報表中的數據是分類匯總性數據，它不能直接反映公司財務狀況的詳細情況。

②財務報表存在著虛假信息影響了財務報表分析。目前我國的上市公司存在著捏造虛假利潤欺騙投資者的行為，這為我們通過模型正確預測公司未來發展趨勢帶來了不利的影響。

③財務失敗預測模型沒有考慮財務分析的縱向比較。分析以上提到的預測模型可以發現，這些模型在進行財務失敗預測時，一般選取公司預測前三年的財務數據，然后分別預測，三年內的數據相互之間沒有聯系。

三、對我國財務失敗預警模型研究的建議

為了克服統計模型的缺陷，提高預警的準確度，筆者認為在指標的選取上應該包括盡可能多的財務比率，并且要至少涵蓋以下五大類：償債能力指標、資產負債管理能力指標、盈利能力指標、成長能力指標與現金流量指標。

另外，在進行企業財務失敗預警時還必須考慮非財務因素的影響。因為財務報表只對公司的經營成果做出綜合的反映，僅從財務指標數值上無法看出公司經營的具體情況，這些數值本身的意義有限。

【參考文獻】

[1] 張鳴、張艷：財務困境預測的實證研究與評述.財經研究,2001,(12):29-34

篇3

一、國外財務預蕾研究中的非財務指標選擇綜述

自上世紀80年代以來，越來越多的國外學者開始意識到對企業的財務狀況過分關注、單純以財務指標來預警財務危機難以讓人信服，事實上，非財務因素在財務預警中的作用同樣不可忽視。在引入非財務指標方面，以往文獻主要從基于宏觀經濟和經濟周期方面的考慮、立足于行業差異分析、針對管理水平度量三個方面予以思考。Rose(1982)檢驗了28個經濟周期指標從而論證了宏觀經濟狀況影響著企業失敗進程。Mensah(1983)用參照價格水平進行調整后的數據評估破產預測模型后發現這對于提高預測率作用不大。Lawrence(1983)和Whittred Zimmer(1984)檢驗了上市公司財務狀況延遲披露引起的預測偏差。Goudie(1987)嘗試將英國經濟活力(Dynamic)模型與其開發的破產預測模型進行整合，但因缺乏統計準確性而影響不大。Platt(1990)用行業比率標準化的方法控制行業之間的差異，得出一個穩定的破產模型，證明行業增長對企業失敗影響顯著，隨后又進一步比較了行業比率調整與否對破產模型穩定性與完整性的影響。Sunti’Tirapal(1999)運用PMI、CPE、INT和MS2四個宏觀經濟變量作為因變量對企業股票的月回報進行了多元線性回歸，以得出的回歸系數作為該企業對宏觀經濟的敏感性度量。John Baldwin等(2000)應用行業特征、宏觀經濟和地區變量對加拿大的小企業失敗構建了預測模型，其中行業影響方面的指標有：企業規模，進入行業第一年的平均規模、行業集中度、行業員工流轉率、進入行業第一年平均企業規模，行業平均企業規模，該模型論證了所處地區對小企業成敗影響巨大而行業因素則作用甚微。

二、國內財務預警研究中的非財務指標選擇綜述

中國臺灣學者葉銀華、李存修(2002)在《整合公司治理，會計資訊與總體經濟敏感度之財務危機模型》一文中將公司治理、會計資訊、總體經濟敏感度三方面的變量納入一個Logistic回歸模型并對臺灣上市公司進行分析，結合多方面信息對企業失敗預測作了有益嘗試。還有學者試圖通過公司高層學歷、企業主年齡、企業主婚姻狀況、原料供需配合情形、生產設備現況、產品是否取得驗證、公司與重要客戶銷售情形、營業情形等變量來分辨管理水平的影響。

內地的財務預警研究總體起步較晚。從上個世紀80年代開始，國外的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人國內。90年代我國制定了統一的會計準則后，國內財務預警研究在參考國外研究成果的基礎上逐漸興起，在引入非財務預警指標方面也結合中國獨特的政治、經濟、社會、法律環境開始了系統研究。楊兵、柯佑鵬(2005)基于數據挖掘方法構建了財務危機預警模型，采用了9個非財務指標，如表1所示。譚一可、張玲(2005)構建的Logit財務困境預警模型從宏觀經濟敏感度和公司治理兩個角度引入非財務指標，如表2所示。鄧曉嵐、王宗軍等(2006)在中國上市公司財務困境預警實證研究中，運用Logistic回歸分別檢驗股權結構、公司治理、市場信息等方面的10個非財務變量(如表3所示)對財務困境的解釋力，并應用jack knife method檢驗模型的分類預測能力。結果顯示，年度累積超額收益率與審計師意見的預警效果較好，其他非財務變量均不顯著，納入了非財務因素的模型預測力更強。王克敏、姬美光(2006)在虧損公司財務預警研究中，突破以往財務預警研究基于財務指標或治理指標的單一層面分析，在財務因素分析基礎上，引入公司治理、投資者保護等因素，進而比較分析基于財務指標、非財務指標及綜合指標的預測模型的有效性。其非財務指標如表4所示。陸瑾、張學謙(2006)從財務健康度的角度建立財務預警體系，所采用的健康度指標采用了財務報表以外反映的健康度的2個非財務指標，分別是違規擔保及委托理財現象和會計師事務所變更現象。王海鷗、李建民(2006)所設計的財務預警指標體系中，在企業發展能力中選取了5個非財務指標，包括：企業創新能力、主導產品是否符合國家產業政策、行業受生命周期影響程度、所處行業競爭力、獲得開發新產品及配套投資所需資金情況。萬希寧、王艷(2007)應用多級模糊綜合評判法對財務風險因素進行定量化評價，對定性的非財務指標采用模糊統計的方法，從定量與定性相結合的角度出發，構建了基于非財務指標的財務危機模糊預警模型。其非財務指標如表5所示。

三、國內外財務預警研究中的非財務指標選擇評價

通過對國內外財務預警研究中非財務指標選擇的探討，不難發現非財務指標是對單純依靠財務指標進行財務預警的重要和有效補充，既有研究也證明了非財務指標在財務預警準確性上更有優勢。已有的研究文獻財務預警研究中的非財務指標選擇具有以下特點：一是非財務指標涉及的類型比較少，主要從宏觀經濟方面、行業差異方面、企業內部治理、股權結構、股票價格和收益、財務報告的表外信息等方面選擇。這是因為與財務指標不同，非財務指標數據的收集難度較大、成本較高，特別是定性指標要靠實驗研究(如問卷調查)方法取得。因此，現階段以上市公司為研究樣本的非財務指標主要來源于財務報告中除財務報表以外的披露信息，如表外的其他信息、市場交易信息、公司其他公告、中介機構相關公告等。二是國外研究對于非財務指標的選擇偏重宏觀經濟層面和中觀行業層面，國內研究則偏重企業微觀層面。這主要是因為國外的市場經濟歷史悠久且已經發展完善，宏觀經濟的統計數據容易獲得，且企業受宏觀經濟影響較大；我國的市場經濟歷史較短且尚處于發展完善過程中，影響了統計數據的有效性。三是已有研究中的股票價格和收益、資產規模等方面的非財務指標，數據依然來源于財務指標，其實是一種“準財務指標”。其他類型的則可視為標準的非財務指標。四是非財務指標選擇的理論依據普遍不足。現有研究中非財務指標的選擇往往取決于研究者的直觀判斷以及資料的可獲性。由于缺乏理論指導，研究者在選擇指標時，會受到自身價值判斷的影響。財務預警中，警情的出現和危機的發生往往在事前存在著一定的征兆，這就是財務預警的警兆，而警兆的識別需要基于一定的財務理論，迄今為止尚無一個公認的理論能全面說明財務預警的警兆因素。

隨著財務預警研究的逐步深入，我國財務預警研究也應在借鑒國外研究理論和方法的基礎上更多地采用宏觀經濟和中觀行業的非財務指標，作為企業微觀層面指標的重要補充。同時，在理論方面注重指標選擇的理論依據研究；在實證研究中引入非財務指標，以使財務預警結果更加準確、科學、可信。

參考文獻：

[1]張鳴、張艷：《企業財務預警研究前沿》，中國財政經濟出版社2004年版。

[2]鄧曉嵐、王宗軍等：《非財務視角下的財務困境預警》，《管理科學》2006年第3期。

[3]王克敏、姬美光：《基于財務與非財務指標的虧損公司財務預警研究》，《財經研究》2006年第7期。

[4]萬希寧、王艷：《基于非財務指標的企業財務危機模糊預警模型研究》，《管理學報》2007年第3期。

篇4

摘 要 隨著我國市場經濟體制改革的深化和資本市場的快速發展，企業發生財務危機乃至破產的情形越來越多，因此有效地預防財務危機的出現成為一個重要的研究課題。本文回顧了國內外財務預警研究理論，并對現有的理論文獻進行了詳細的梳理和評價。

關鍵詞 證券市場 上市公司 財務預警

一、引 言

自改革開放以來，我國市場經濟體制改革不斷深化，市場競爭日趨激烈，財務危機成為導致企業生存危機的重要因素。因此及時溝通企業有關財務信息，構建財務預警系統，有效地防范和化解財務危機，是每個企業亟待解決的問題。同時隨著我國證券市場信息披露制度的不斷完善，根據這些信息構造合理的財務風險預警模型已經具備了現實的可能性。

財務預警理論是隨著證券市場不斷發展而產生和不斷深入的。“危機預警”思想源于20世紀初的歐美，在20世紀50年代取得了顯著成果，進入90年代，由于企業危機爆發的頻率越來越高，尤其是自2007年以來由美國次貸危機引發的全球金融危機，使得人們更加重視危機預警管理。與此同時，財務預警的研究也相應展開。根據研究方法的差異，一般可將這些理論大致分為定性預警分析和定量預警分析兩類。

二、定性預警方面的研究

財務預警的定性分析方法主要包括以下幾種方法：標準化調查法是通過專業人員、咨詢公司、協會等，通過直觀的歸納對企業可能遇到的問題加以詳細調查和分析，對企業未來的發展趨勢作出判斷。

“死階段癥狀”分析法認為：企業財務運營病癥大體分為四個階段：財務危機潛伏期；財務危機發作期；財務危機惡化期；財務危機實現期，而且每個階段都有其典型癥狀。

管理評分法是美國學者仁翰•阿吉蒂在對企業的管理特性和破產企業存在的缺陷進行調查中，對集中缺陷、錯誤和征兆進行了對比打分，還根據對破產過程產生影響的大小程度對他們進行加權處理。

我國學者李秉成從上市公司財務困境形成角度、困境征兆角度探討了上市公司財務困境預警分析方法。提出了財務困境加權分析法和象限分析法兩類財務困境綜合分析方法。

三、定量預警方面的研究

最早的財務預警研究是菲茨帕特里克（1932）開展的單變量破產預測研究。他最早發現陷于財務困境的公司的財務比率和正常公司相比有顯著不同，從而認為財務比率能夠反應企業的財務狀況，并對企業未來具有預測作用。美國學者比弗（1996）最早運用統計方法研究了公司財務失敗的問題，提出了較為成熟的單變量判定模型。但是單變量模型具有明顯的局限性，很難做出正確的判斷。

美國學者阿特曼（1968）最早運用主成分分析方法提煉最具有代表性的財務比率，將多個標志變量在最小的信息損失下轉換為分類變量，獲得能有效提高預測精度的多元線性判別方程，被稱為Z分數模型。我國學者周首華等 （1996）提出了F分數預測模型，通過更新指標和擴大樣本數對Z分數模型進行了修正。多元線性判定模型具有較高的判別精度，但存在一些缺陷。其一，模型假定比較嚴格，現實中的樣本數據往往不能滿足其自變量呈正態分布的假定前提。使得結論必然存在令人質疑的成分。其二，在前一年的預測中多元線性判定模型的預測精度較高，但在前兩年、前三年中其預測精度都大幅下降。

奧爾森（1980）第一個采用Logit方法進行破產預測。其模型使用了9個自變量估計了三個模型，分析樣本公司在破產概率區間上的分布以及兩類錯誤判別錯誤和分割點的關系。我國學者陳曉等（2000）以38家ST公司為研究對象，運用Logit回歸方法進行實證研究，發現負債權益比率、應收賬款周轉主營業務利潤/總資產、留存收益/總資產具有較強的預測能力。其后多位國內學者也采用類似方法對上市公司財務預警進行了研究。

類神經網絡模型一般是利用一組案例建立系統模型，該模型接受一組輸入信息并產生反應，然后與預期反應相比。如果錯誤率超過可以接受的水平，需要對權重作出修改或增加隱藏層數目并開始新的學習過程。經過反復循環，直至錯誤率降低到可以接受的水平，這時學習過程結束并鎖定權重，類神經網絡就可以發揮預測功能。奧多姆和沙爾達（1990）開拓了用BP神經網絡預測財務困境的新方法，我國學者楊保安等（2002）采用ANN模型進行財務危機預警研究，結果表明樣本的實際輸出和期望輸出較為接近。現實中神經網絡具有較好的糾錯能力，從而能夠更好的進行預測，但由于理論基礎較薄弱，其對人體大腦神經模擬的科學性、準確性還有待進一步提高，因此適用性也大打折扣。

四、淺議國內外現有文獻

在財務預警的定性研究方面，國內外學者對引起企業危機發生發展的內外各種因素進行了深入探討，但結論能夠直接和定量模型結合起來的還不多。從財務預警的定量研究方面看，國內外學者結合各種量化技術，出現了眾多的預警模型，但應用性和可操作性較差。而筆者認為模型的最根本作用還是得應用到實際中解決不同財務信息使用者的認知需要。

由于財務預警模型的局限性、模型變量的選擇方法問題、財務信息失真問題以及非財務變量對財務預警的影響，使得財務預警理論的實際應用一時很難得到解決。而只有解決當前存在的這些問題，才能為正確解決上市公司財務預警課題奠定基礎。

參考文獻：

[1]彭韶兵.財務風險機理與控制分析.西南財經大學.2001博士學位論文.

篇5

【關鍵詞】 財務預警； 財務危機； 追溯重述； Logistic模型

中圖分類號：F275.5 文獻標識碼：A 文章編號：1004-5937（2014）07-0075-04

一、引言

對于處于市場經濟環境中的每個企業而言，風險無處不在、無時不有。信息技術的飛速發展在給企業帶來巨大機遇的同時，也將企業的風險進一步放大。財務風險作為企業風險的一個重要組成部分，受到越來越多的關注。為了適應變化的組織結構、管理模式和市場環境，迫切需要企業研究與時俱進的現代財務管理手段。財務預警模型以其客觀性、科學性和較高的精度與效度，為方便客觀地評價企業財務狀況、預測企業未來發展趨勢提供了重要方法。

建立和運用正確的企業財務預警模型，具有重要的理論意義和現實意義。一方面，通過建立模型對風險的形成機制進行研究，有助于豐富企業管理理論；另一方面，風險預警模型的正確運用對于經營者正確把握企業自身財務健康狀況、保護投資者和債權人的利益、提高政府對企業的宏觀監控質量及規范證券市場，都將起到重要作用。

目前，我國理論界對財務危機預警模型的實證研究一般都是采用以“ST公司”為主的單一兩分法識別危機樣本，沒有考慮管理層可能的利潤操縱行為，無法提高預警模型的預警效率，從而無法有效保護投資者。2012年7月7日上海證券交易所《上海證券交易所股票上市規則（2012年修訂）》（簡稱“上市規則”）①，經過第七次修訂的股票上市規則，在對股票交易實施退市風險警示時首次引入了追溯重述，表明了監管機構對財務重述的重視。本文通過引入財務重述對滬深兩市2009—2010年的“危機樣本”進行重新界定，以檢驗引入財務重述后的財務預警模型的預警效率。

二、文獻評述

自Fitzpatrick（1932）率先使用單變量破產預測模型開創財務危機預警模型研究先河以來，國內外學術界對財務危機預警的研究主要集中在以下幾個方面：

（一）財務危機預警的模型

目前，學術界關于財務危機的預警模型主要有：單變量模型（Fitzpatrick，1932；Beaver，1966）；Z模型（Altman，1968）；ZETA模型（Altman、Haldeman & Narayanan，1977）；F分數模型（周首華等，1996）；LOGIT回歸模型（Martin，1977；Ohison，1980）；PROBIT回歸模型（Ohison，1980）；決策樹模型（Frydman、Altman & Kao，1985）；神經網絡模型（Coats & Fant，1991）等。根據2008—2011年在會計類核心期刊發表的相關文章，經過整理分析，上述幾種計量模型在實證研究中的應用情況見表1。表1列示的是各種財務危機預警模型的使用次數。由表1可見，LOGIT回歸模型在實證研究中應用最為廣泛，其次是神經網絡模型和Z-score模型，其他計量模型的使用頻率較低。

（二）評價指標體系的選取

Fitzpatrick（1932）通過對19家企業的研究發現凈利潤與股東權益的比率和股東權益與負債總額的比率對財務風險具有較強的識別能力，Beaver（1966）在此基礎上擴充了評價指標體系，提出債務保障率、資產收益率、資產負債率三個財務指標能有效地預測財務危機狀況，其中債務保障率指標預測的準確率最高（吳英娟，2005）。此后，評價指標體系不斷擴充，逐步形成了財務指標和非財務指標兩大體系。其中，財務指標主要包括償債能力指標、盈利能力指標、股東獲利能力指標和營運能力指標等；非財務指標主要引入了公司治理（劉孫蕓和邱重植，2010）、股權結構（袁康來和李繼志，2009）、經濟附加值EVA（苗洛濤等，2008；梁杰等，2011）等因素。此外，國內學者還分行業和地區對評價指標進行了研究，試圖建立適合不同行業和地區的評價指標體系（趙蘭，2010；劉宏洲，2011；蔣太才和韓信，2011；顏哲等，2012；辛磊和高建來，2012）。

三、研究設計

（一）“危機”樣本界定

目前我國理論界對財務危機公司大都界定為被實施“風險警示”（即被“ST”）的企業，然而針對我國資本市場尚未完善和財務信息時常失真的現實，很多面臨財務危機的上市公司會因資本市場壓力和高管薪酬契約等方面的動機進行盈余操縱，這些經過粉飾的企業往往也埋藏著財務失敗的種子。

2012年7月實施的股票上市規則首次引入了追溯重述，將退市風險預警定義為上市公司出現以下情形之一的，本所對其股票實施退市風險警示：（1）最近兩個會計年度經審計的凈利潤連續為負值或者被追溯重述后連續為負值；（2）最近一個會計年度經審計的期末凈資產為負值或者被追溯重述后為負值；（3）最近一個會計年度經審計的營業收入低于1 000萬元或者被追溯重述后低于1 000萬元；（4）最近一個會計年度的財務會計報告被會計師事務所出具無法表示意見或者否定意見的審計報告；（5）因財務會計報告存在重大會計差錯或者虛假記載，被中國證監會責令改正但未在規定期限內改正，且公司股票已停牌兩個月；（6）未在法定期限內披露年度報告或者中期報告，且公司股票已停牌兩個月；（7）公司可能被解散；（8）法院依法受理公司重整、和解或者破產清算申請；（9）因第12.14條股權分布不具備上市條件，公司在規定的一個月內向本所提交解決股權分布問題的方案，并獲得本所同意；（10）本所認定的其他情形。②

為了使財務危機預警模型提高預警效率，并切實保護投資者，必須對隱藏的危機公司進行深入挖掘。但是，通過對2008—2011年的財務重述報告進行分析，難以發現符合追溯重述后被ST的公司。由于信息不對稱等方面的原因，公司的盈余操縱行為很難被發現，即使被發現，這樣的公司就一定存在財務危機嗎？有一點可以確定，為避免被“ST”巨虧后微利的企業——類似于“洗大澡（Big Bath）”的企業——肯定是有問題的。因此，本文對危機公司的界定不僅包含傳統的“ST”企業，也加入了被證監會或主流媒體披露存在虛增利潤進行財務重述的企業。本文通過對財務失敗企業的重新界定，試圖將財務失敗和財務信息質量聯系起來，通過挖掘隱藏的危機公司，構建引入財務信息重述的財務危機預警模型。

（二）樣本選取與數據來源

按照本文對危機樣本的界定，在滬深兩市A股市場上市的制造業企業中選取2009—2010年度被ST處理的37家上市公司和巨虧后微利同時進行財務重述的13家上市公司作為財務危機公司樣本，另外在財務危機公司樣本確定后相應地選擇與之配對的50家不存在財務危機的公司作為對比樣本，共100個樣本觀測值，其中不考慮財務重述時有74個觀測值。對比樣本的選取原則為：（1）配比企業行業相同；（2）配比企業資產規模相當；（3）配比企業上市時間接近。

“預”——財務危機預警的生命力所在（吳星澤，2011）。根據我國上市公司年報披露制度，上市公司公布其年報的截止日期為下一年的4月30日，所以上市公司（t-1）年的年報和其在第t年是否被特別處理這兩件事幾乎是同時發生的，用t-1年的數據預測第t年是否被特別處理是沒有實際意義的（劉克濤，2010）。因此本文采用公司第（t-2）年的財務數據建立預警模型來預測公司在第t年是否存在財務危機。比如：世紀光華2010年3月5日起實行“退市風險警示”特別處理，所以選取2008年（t-2）末的財務數據。對于巨虧后微利同時進行財務重述的公司的微利年份視為虧損，因此采用公司巨虧年份的財務數據建立預警模型。

本文使用的相關財務數據來源于國泰安（CSMAR）數據庫中的上市公司財務指標子庫，財務公告信息來源于上海證券交易所網站、深圳證券交易所網站和巨潮資訊網；本文主要通過STATA對所有數據進行處理和統計分析。

（三）假設發展

在對財務危機預警的實證研究中，最具挑戰性的問題是關于財務危機預警模型的計量問題，但最根本、最基礎的問題是對“危機樣本”的界定問題。在對這些方法的使用價值和精確度進行衡量之前，如果不能很好地解決對“危機樣本”界定這一最根本、最基礎的問題，就難以得出有效的實證研究結果。

假設1：引入財務重述的財務危機預警模型能夠提高模型的預警效率。

四、實證研究

（一）財務預警指標選取

表2列示了構建財務預警模型的指標，該指標體系從盈利能力、股東獲利能力、現金流量能力、營運能力、發展能力和償債能力六個維度列示了樣本公司的財務信息。

表3列示了不考慮財務重述時危機樣本和非危機樣本的均值T檢驗。檢驗結果表明，危機樣本的銷售凈利率（ROS）、資產報酬率（ROA）、每股收益（EPS）、資本保值增值率（RAA）和總資產保值率（TA）顯著高于非危機樣本公司，且均在1%的統計水平下顯著，而其他變量在分組樣本間的差別則不顯著。

（二）預測模型與臨界區域的建立及分析

表5列示了將考慮財務重述的分組樣本帶入模型公式（1）進行檢驗的結果。由表5可以看出在不考慮財務重述時模型的預測率是比較高的，但在考慮財務重述時模型的預測率明顯降低，尤其是對于巨虧后微利同時進行財務重述的企業。預測結果間接表明了假設1的推斷：引入財務重述的財務危機預警模型能夠提高模型的預警效率。

五、研究結論

將財務重述引入上市公司特殊處理的判定是上海證券交易所和深圳證券交易所上市規則的重心之舉，通過對以往經驗數據的分析可以看出，考慮財務重述的特別處理能夠提高財務預警的效率，表明了監管部門對資本市場監管力度的加大，表明新的上市規則具有較強的現實意義。

【主要參考文獻】

[1] 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）：46-55.

[2] 劉克濤.高科技產業財務困境預警的實證研究[J].財會研究，2010（20）：50-54.

[3] 盧興杰.我國上市公司財務預警的實證研究[J]. 財會月刊（綜合），2006（1）：3-4.

[4] 陳靜.上市公司財務惡化預測的實證分析[J]. 會計研究，1999（4）：31-38.

[5] 陸建橋.中國虧損上市公司盈余管理實證研究[J].會計研究.1999（9）：31-36.

[6] 崔學剛，王立彥，許紅.企業增長與財務危機關系研究[J].會計研究，2007（12）：55-62.

[7] 谷祺，劉淑蓮.財務危機企業投資行為分析與對策[J].會計研究，1999（10）：28-31.

[8] 李心合.財務失敗及其預警[J].財務與會計（理財版），2007（12）：57-59.

[9] 李心合.利益相關者財務論[J].會計研究，2003（10）：10-15.

[10] （德）馬克斯·韋伯.社會科學方法論[M].北京：中央編譯出版社，1999：17-18.

[11] 彭韶兵，邢精平.公司財務危機論[M].北京：清華大學出版社，2005：50-51.

[12] 吳星澤.財務預警的非財務觀[J].當代財經，2010（4）：122-127.

[13] 袁淳，荊新，廖冠民.國有公司的信貸優惠：信貸干預還是隱性擔保？——基于信用貸款的實證檢驗[J].會計研究，2010（8）：49-54.

[14] 朱家安，陳志斌.我國財務困境預測實證研究文獻綜述和分析[J].會計之友（上），2007（4）.

[15] CraigG. Johnson. Ratio Analysis and the Prediction of Firm Failure.[J] The Journal of Finance，1970，25 （Dec）：1166-1168.

[16] D. B. Deakin. A Discriminant Analysis of Predictors of Business Failure[J]. Journal of Accounting Research，1972（spring）：167-169.

[17] E. I. Altman. Financial Ratios，Discriminant Ana-lysis，and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968（September）：589-609.

篇6

關鍵詞：行業環境；風險識別；財務預警控制系統

一、企業財務風險管理

（1）營銷體系中財務風險管理。與傳統營銷理念、方式不同，現代企業營銷活動并未盲目追求市場經濟利潤，而是越發重視推動企業可持續發展。在企業各項經營活動過程中，企業銷售作為各項活動進行的基礎，要重點考察企業產品危機征兆，如果市場容量提高了，企業相應增長率卻沒有提高，就需要高度注重。（2）生產活動中財務風險管理。現代企業的生產實現了自動化、智能化、科技化，對應的材料、工本、費用的比例出現變化，導致生產過程中財務管理也有很大變化。企業生產的主要任務就是要深入研發，根據市場變動情況，提出項目建設的具體意見，并分析意見的可行性，與研發設計相符的方案，公司高層決策人員開展審批，然后科研部門實施研發及試生產，并鑒定首批生產出來的產品，在鑒定符合質量要求后再進行生產。在生產過程中，要根據客戶具體要求制定相應銷售計劃，結合實際計劃從材料倉庫中領取材料，在各個車間生產中分配每一種材料，并形成半產品入庫到產成品倉庫之中，財務部門負責核算費用。在這一系列過程中，若是有生產流程不完善、勞動生產率低下等問題，就會嚴重影響著財務管理的順利進行。（3）企業籌集資金活動中財務風險管理。對于企業而言，資金是其發展的根本，然而資金都是有限的，這就需要各大企業實施籌集資金，最大限度上滿足企業擴大生產與產品開發的現實需要。一旦中斷了資金鏈，企業就會遭受巨大的資金風險，各大銀行和供應商都會不再信任企業。企業有多種方式來籌集資金，包括權益性籌集資金、債務性籌集資金等。權益性籌資一般都是企業建立的第一筆資金，而債務性集資通常是企業主要的資金來源，有其獨有的特征，籌集資金在時間上有所限制，需要支付企業債券、融資租賃等固定利息。（4）投資運作中財務風險機制。在信息時代的今天，很多企業越發注重對外投資，而在投資中如何規避風險是需要慎重考慮的問題。投資也需要遵守相應原則，在投資項目選擇中，先應咨詢調查各個項目，項目部分在立項調查投資方案后，投資委員會對項目實施的可行性和可操作性進行審批，在這個過程中財務部應支付投資款，企業投資從項目立項到成功投資需要經過很長一段時間，這樣就很難及時評價投資效果，也就會隨之增加具體的財務風險，因此應對風險認真分析，強化分析投資預警，并構建健全的內部投資預警機制。

二、分析企業財務預警管理中風險的成因

（1）分析企業面臨的外部經營風險。企業外部環境包括很多方面，如政治因素、國家政策、消費者偏好等，每個方面都很有可能引發企業外部環境面臨的經營風險。政治風險是一項與我國政策有關的風險；法律風險指的是在變更法律后使企業政策也需做具體調整的一項風險。可以說，我國各大中小型企業都面臨著外部經營風險，因此，減少外部經營風險因素是提高企業發展能力的強有力對策。（2）分析財務管理風險的形成。企業形成財務管理風險是有很多種原因的。在組織結構上，很多企業都沒有設置合理的財務機構，造成功能性不完善，很難提供出完善的財務方案，即便構建了組織結構，也會出現權責不清的狀況，財務信息不及時縱向流動后，就會出現各種內部矛盾。會計工作人員作為一名財務管理者，應具備較強的會計知識，進而為科學準確決策奠定基礎。（3）分析道德風險的成因。賒銷、賒購情況會考驗著現代企業信用度，很多企業在實際運用中都會出現欠債、拖欠狀況，造成企業面臨巨大財務風險。同時，在社會競爭日益激烈下，很多人或者企業團體都出現了“搭便車”的情況，在并未付出成本的狀況下，獲得了很多利益，嚴重影響了企業健康發展。

三、結合行業環境識別的企業財務預警控制機制

（1）不確定環境下風險的形成。根據分類標準可將環境分為外部環境、微觀環境、行業環境、內部環境等，在處于一個大環境體系中，任何企業所面臨的環境都是快速變化的，企業應結合這些實際變化做出相應的調整。通過研究發現，行業環境會影響企業盈利能力。結合自適應理論而言，個體、組織和集團時時刻刻都在交換信息，這種交換是以相對穩定的方式進行的，但在現實情況下，是無法預知外部環境的，其阻礙著信息的順利交換，個體與組織若是不能適應好外部環境，企業就很難順利發展。在外部環境有所變化后，企業資源就很難充分運用，企業運作質量也就無法提高。（2）企業財務風險預警控制機制。要重視起識別行業環境風險：應對企業財務預警控制動因進行了解，財務預警控制以控制企業經營風險為主，通過分析預設指標后，警告超出規范值的部分，并追本溯源，既需要了解問題的所在，也要對產生問題的原因進行分析，并促使企業管理者采用具體完善的應對措施；應構建模型預測企業經營風險，以前的傳統預測模型只是簡單實施財務預警，很難體現財務風險形成路徑，造成企業處于被動經營狀態中，只能發現問題，卻很難解決問題，而系統動力學模型既能夠完美解釋財務系統變量間關系，并在了解財務風險傳導路徑后，找到問題出現的根本原因，還能在仿真模擬下，提供更為合理有效的變量參數，為企業制定完善合理的風險控制措施打下良好基礎。

四、預警控制系統的實際內容

建立健全的檢測系統，在對市場宏觀經濟情況全面分析下，對外部行業環境走勢進行預測，分析我國各大企業財務狀況。同時，在面臨的外部環境風險下，還需要適時檢測企業內部財務情況，構建完善的檢測系統，對現金流量指標進行監控，監管資金流轉狀況。為了及時追蹤市場以及行業環境變化情況，構建信息預警系統，交易和處理外部環境信息，需有效識別行業環境中的風險。上述所講的都是與收集外部信息有關的工作，財務預警控制系統在獲取數據后要進行深度研究，需要構建合理的預警指標系統，各大行業企業應結合自身實際情況，構建相應的指標體系，確保指標體系可以對企業面臨的財務狀況與發展狀況進行充分了解，在準備好各項工作后，預警對策系統是控制系統最為重要的一項內容，能有效分析財務風險性質，并做出相應的應急措施，這也是確保企業能夠識別經營風險的有效對策。另外，有關調查結果顯示，我國很多企業雖然表面看起來擁有雄厚的運作資金，其實現金流量并不多，而很多企業常常陷入發展困境，但卻能憑借充足的運作資金走出困境。由此可見，企業想要取得更好的發展，并不是僅僅靠經濟利潤，而需要借助現金流的作用。因此，我國各大企業應有效管理自身現金流，做好市場調研有關工作，加強企業整體發展能力。

綜上所述，在企業經營與發展運作過程中，面臨著諸多風險因素，而構建完善的企業財務預警控制系統，能夠有效分析行業環境，篩選出影響企業發展的風險因素，并及時制定解決風險的對策，進而將企業風險扼殺在萌芽狀態中，提高企業整體發展實力，以便企業能在競爭激烈的市場上站穩腳跟，并成為行業的佼佼者。另外，在我國企業構建財務預警控制系統中，我國可借鑒其他國家的經驗和做法，進而來彌補企業在控制風險中的不足，大大強化企業發展實力。

參考文獻

1.羅寧.淺談我國企業財務風險的預防、預警與控制.經濟研究導刊，2015（15）.

2.王愛群，王藝霖，余雙江.基于全面風險管理的企業預警指標體系構建研究.社會科學戰線，2013（09）.

3.陳仲華.淺析金融危機下企業財務預警體系的構建與拓展.商場現代化，2011（04）.

篇7

工業企業從事的是工業性生產或勞務的經營活動，在國家的生產、流通、服務等經濟活動中起到了重要作用，但在知識經濟迅猛發展的時代，高新技術企業和第三企業的崛起，使得工業企業在投資融資甚至生產經營上都受到了較大的財務威脅，因此要加強對工業企業的財務預警，從而為企業的信息使用者提供及時有效的財務信息，預防企業可能出現的風險，保障股東的權益和市場穩定。

首先在財務風險預警領域樹立里程碑的是Beaver（1966），他利用單變量對企業破產進行預測，局限性是對同一企業的風險進行預測時，選擇的比率不同，得到的結果也可能有所不同。美國學者Edward Altman在1968年提出了多元變量Z-score模型，突破了單變量的研究。之后學者們紛紛利用多變量財務預警模型進行研究，但在1980年學者Ohlson首次采用Logistic方法預測財務風險。進入20世紀90年代，出現了基于神經網絡的財務風險預警模型，得到的結果比較理想。隨后一些新的方法如：支持向量機、期權定價模型也被運用到財務風險預警的分析中。我國的財務風險預警研究起步較晚，周首華、楊濟華（1996）把現金流量指標引入到Z分數模型中，提出了新的模型―― F分數模型。陳瑜（2000）運用二元線性回歸和主成分分析對上市公司財務預警模型的構建進行實證研究。姜秀華、孫錚（2001）則運用Logistic建立回歸判別模型。隨后的財務風險預警研究采用了新的方法――神經網絡，如： BP神經網絡（楊淑娥、黃禮，2005），模糊神經網絡混合模型（梁杰，2006），遺傳神經網絡（蔡志岳、吳世農，2006），RBF神經網絡對物流企業財務風險預警的評價（劉磊、郭巖，2012）等。隨著多學科的交流融合，也出現了其他的模型，如2015年藍莎運用系統動力學對財務系統進行結構―功能模擬，建立了財務風險預警體系。

總體來看，多元判別分析、Logistic和人工神經網絡是主要的預測方法，三者之中預測度最高的是人工神經網絡，最差的是多元判別模型。目前文獻對工業企業的財務風險預警研究較少，本文選取北京市工業企業與財務風險有關的財務與非財務數據，并引入人工神經網絡中相對完善、易于操作的多層次感知器，構建財務風險預警體系。

二、數據樣本的確定

（一）樣本預警指標選取

本文研究對象是北京市45家在上海證券交易所上市的A股工業企業，并通過csmar數據庫收集2012―2014年這些公司的相關指標。選取的指標既包括了反映企業償債能力、盈利能力、經營能力和發展能力四個方面的財務指標，也涵蓋了相關非財務指標，如股權集中度和獨立董事比例，總計18項預警指標，如表1所示。

（二）財務風險劃分

由于45家北京市工業企業被ST特殊處理的情況較少，且標記為ST發生在出現財務危機之后，很難對企業風險預警產生前瞻性影響，而且財務風險的發生是一個漸進的過程，上市公司的財務狀況在不加以控制的情況下會由輕度財務危機轉換為重度財務危機。所以本文將財務風險按照以下標準將其細分為低風險、中等風險和重大風險。如果當年的凈利潤不為負時，表明上市公司的財務風險為低風險;當年首次出現凈利潤為負，則表明上市公司為中等財務風險水平;當年為第二次出現凈利潤為負時，則表明財務風險水平很高，歸類為重大風險。根據上述標準，將2012―2014年45家公司共135個樣本劃分為三類，其中：低風險有120個，中等風險為10個，重大風險為5個。

三、實證檢驗

（一）KMO檢驗與Bartlett球度檢驗

在收集到以上45家工業上市公司近三年18項指標數據后，對原始數據進行標準化處理，以消除不同指標間的量綱差異。在此基礎上為判斷135個樣本數據是否能進行主成分分析，首先對標準化后的數據進行KMO檢驗與Bartlett球度檢驗，如表2所示，其中KMO值為0.678，大于0.6，適合做主成分分析;Bartlett球度檢驗的顯著性概率為0，說明變量具有統計學意義，而且表現出高度的相關性和顯著性。

（二）主成分因子的提取

為了對財務風險預警進行更加有效的分析，需要減少變量的個數，分析2012―2014年共135個樣本數據的18項預警指標，利用SPSS軟件進行因子分析，提取主成分因子，如表3所示。在特征值大于1時，共提取7個主成分因子，這7個主成分因子的累計方差貢獻率達到75.9%，能反映18個變量四分之三的信息。設主成分因子為Fi（i=1，2， …，7），做成分矩陣（如表4所示），可以進一步分析主成分Fi所代表的能力和它反映的有關上市公司的財務信息。

主成分因子F1中資產報酬率、每股收益、營業凈利率的比重較大，說明F1主要反映公司的盈利能力;F2中所有者權益增長率和凈利潤增長率所占的比重大，代表公司的發展能力;F3中反映償債能力的指標比重較大，說明F3主要變現為償債能力;F4中非財務指標的獨立董事比例比重最大，則把公共因子看成股權結構因子;F5中總資產周轉率的比重最大，代表整體營運能力;F6中綜合杠桿的比重最大，反映了風險水平能力;F7中營運能力的應收賬款周轉率和存貨周轉率指標所占的比重大，F7代表日常營運能力因子。這7個因子涉及到財務和非財務的相關信息，比較全面地反映出財務風險的各種因素。

（三） MLP風險預警模型的構建及實證結果

多層感知器（MLP）是一種多層前饋網絡模型，具有高度的非線性映射能力，它由三部分組成：一層為感知單元組成的輸入層;一層為（或多層）計算節點的隱藏層;一層為計算節點的輸出層。

本文運用SPSS軟件，首先將七個主成分因子代表初始的18項指標，代入神經網絡的多層感知器，作為協變量，風險程度作為因變量。其次在分區中，按照七比三的比例隨機分配個案，即135個樣本中70%作為訓練變量，30%作為測試變量。其中訓練變量中重大風險的樣本為3個，中等風險的樣本數為8個，低風險的樣本數為86個;測試變量中包含重大風險的樣本2個，中等風險的樣本數為2個，低風險的樣本數為34個。然后在體系結構中，設置最低的隱藏層數為1，分批進行培訓操作時，選擇調整的共軛梯度對算法進行優化。最后可以輸出ROC曲線分析準確性和特異性，判斷對財務風險的預警能力。

MLP對財務風險預警識別結果如表5所示，已預測與已觀測的樣本相比，在訓練變量中，有三個樣本其實屬于重大風險，卻預測為中等風險，準確率為0，中等風險和低風險全部預測準確，總體來看，訓練變量的正確率為96.9%;在測試變量中，重大風險有2個在預測的中等風險水平中，總計的測試變量的準確率為94.7%。由此得出綜合正確率為95.8%，其中低風險預測準確率為100%，說明多層感知器對低風險能較好的預測;誤判均發生在將重大風險歸類到中等風險，究其原因可能是重大風險與中等風險劃分不明確，且在第一年出現凈利潤為負時，第二年要想轉虧為盈的難度也很大，或者即使利潤為正，為彌補去年差異最后的凈利潤數額也較小，這樣造成重度風險和中度風險的差異不大，利用多層感知器預測時會產生偏差。

四、結論

為了使工業企業對財務風險進行預先的測定和防范，減少風險到來時企業的損失，本文根據45家北京市工業企業的財務數據，運用多層感知器神經網絡對工業企業財務風險展開評價研究。

篇8

【關鍵詞】高新技術企業 財務風險 財務預警理論

在目前高新技術企業的發展中，財務風險是經營管理過程中不可避免的風險之一，同時也是對企業經營影響最大的風險，為了保證高新技術企業能夠在發展過程中處于有利的競爭地位，我們必須對企業所面臨的財務風險有足夠的認識。從當前的研究成果來看，企業應對財務風險有效的辦法是根據財務預警理論，建立有效的財務預警機制，提高企業應對財務風險的能力，使企業能夠在財務風險形成之前有所預知，并采取積極的方法進行干預，減少財務風險的發生，保證企業的經營效果。基于這種認識，我們應該對財務預警理論有深入的了解。

一、高新技術企業財務危機和財務預警的概念與描述

（一）財務危機又稱財務困境，國內外學術界并沒有給出財務危機的統一定義，通常公認有兩種確定的方法：一是法律對企業破產的定義，二是以證券交易所對持續虧損、有重大潛在損失或者股價持續低于一定水平的上市公司給予特別處理或退市作為標準。根據中外學者的研究，財務危機至少有以下幾種表現形式：第一，從企業的運營情況看，表現為產銷嚴重脫節，企業銷售額和銷售利潤明顯下降，多項績效評價指標嚴重惡化;第二，從企業的資產結構看，表現為應收賬款大幅增長，產品庫存迅速上升;第三，從企業的償債能力看，表現為喪失償還到期債務的能力，流動資產不足以償還流動負債，總資產低于總負債。

（二）所謂企業財務預警，即財務失敗預警，是指借助企業提供的財務 報表、經營計劃及其他相關會計資料，利用財會、統計、金融、企業管理、市場營銷理論，采用比率分析、比較分析、因素分析及多種分析方法，對企業的經營活動、財務活動等進行分析預測，以發現企業在經營管理活動中潛在的經營風險和財務風險，并在危機發生之前向企業經營者發出警告督促企業管理當局采取有效措施，避免潛在的風險演變成損失。

二、目前財務預警理論和財務預警方法分析

目前的財務預警理論主要是研究企業如何能夠利用正確的財務行為，避免財務危機的發生。從企業所面臨的財務危機來看，財務預警理論將研究重點放在了如何對財務危機進行預先判斷和分析上，旨在通過對企業財務行為的分析，達到對企業財務風險的預警。

目前來看，企業財務預警主要采取了以下方法：首先，通過對基礎的財務數據材料進行分析得出企業財務風險的判斷，并以此理論為指導，推動企業采取具體措施對風險進行干預。其次，通過采用多種分析方法，對企業面臨的財務風險進行判斷，主要方法為比率分析法、比較分析發、因素分析發等，保證分析的準確性。再次，通過對企業面臨的潛在風險進行預警，避免企業財務危機的出現，一旦發現企業存在潛在風險，應立即采取措施，對風險進行干預和消除。

三、目前財務預警理論和方法存在的問題和局限性

從目前財務預警理論和預警方法來看，主要表現為三個層面，首先為基礎數據分析層面，其次為專業分析方法層面，再次為潛在風險預知層面。雖然這幾種方法在企業的財務風險預警中取得了積極效果，但是由于高新技術企業所面臨的經營形勢和市場環境不斷發生著變化，為此現有的財務預警理論和方法還存在一定的問題和局限性。

（一）高新技術企業的財務預警方法過于單一

對于高新技術企業而言，在經營管理過程中，雖然對財務預警理論非常重視，但是在實際運行中財務預警的方法采用的比較單一，沒有取得預期的管理效果，沒有完全消除企業遇到的財務危機。

（二）高新技術企業面臨的財務形勢日趨復雜

由于高新技術企業面臨的市場競爭非常激烈，自身的財務形勢也比較復雜，企業的多數資金都用于產品研發，導致了資金配置不合理，存在一定的風險，同時受到市場競爭的影響，日趨復雜的財務形勢制約了財務預警理論的發展。

（三）高新技術企業的財務結構制約了財務預警理論作用的發揮

考慮到高新技術企業的特點，高新技術企業在財務結構方面將資金投入重點放在了產品研發上，客觀上導致了資金傾斜過于明顯，使企業的財務面臨一定的風險。也正是這種財務結構，制約了財務預警理論作用的發揮。

四、高新技術企業財務預警研究的理論框架分析

通過對高新技術企業財務管理制度的研究，高新技術企業要想取得良好的財務風險預警效果，就要根據企業自身發展特點提出財務預警研究的理論框架，指導企業財務預警實踐。以下以哈爾濱高新技術企業為例，重點探討高新技術企業財務預警研究理論框架的形成。

（一）哈爾濱高新技術企業偏向于新產品的研發，需要成熟的財務預警理論來有效的預防財務風險。從目前哈爾濱高新技術企業的產品定位和企業結構設置來看，天然存在的風險對財務預警理論提出了具體的要求。

（二）哈爾濱高新技術企業的貸款存量較高。需要完整的財務預警理論來支持整個企業財務發展。因此在財務風險上處于高風險的狀態，這一現狀決定了企業需要完整的財務預警理論。

篇9

一、財務預警概述

財務預警是指以公司的財務報表及相關的會計資料為依據，通過對財務指標的綜合分析，對公司財務狀況進行預測研究，及時發現企業生產經營過程中潛在的財務風險，并在危機爆發前提前向公司的管理當局發出警告，督促公司管理當局對此做出相應的改變，避免財務危機的發生，較好地起到了未雨綢繆的作用。根據警情界定程度的不同，可將其分為狹義和廣義的財務預警。狹義的財務預警偏重于研究財務危機，實際上就是財務危機預警。廣義的財務預警是對所有可能引起企業財務活動波動的因素進行研究，只要引起企業財務活動產生不利因素就進行預警。財務預警系統就是合理保證企業財務活動不偏離企業的正常生產經營活動，對財務周期活動中出現的不確定和不穩定現象進行預測，判斷企業目前是處于“正常狀態”還是“危險狀態”。減少造成企業出現危機的各種因素，避免出現管理波動或管理失誤的重復出現。本文從財務預警理論出發，利用ST公司與非ST公司的財務狀況中的財務指標進行對比，根據比較的結果預警上市公司可能出現的財務風險狀況。

二、上市公司施行財務預警系統現狀

我國資本市場作為新興的半強勢半弱勢市場，進行財務預警方面的研究起步很晚，大部分上市公司建立的財務預警系統都是借鑒西方的成熟模型，而且也應用到農業、林業、工業、交通等各個領域。但作為我國特色資本市場基礎上建立的財務預警系統，還是比較年輕的研究領域，證券市場以及上市公司還不是很成熟，雖然我國上市公司的監管部門就上市公司運用財務預警系統做出相應的規定，但由于我國上市公司在運用財務預警系統進行財務風險預警方面缺乏一定的主動性，直到很多上市公司出現了大量的ST或PT現象，給廣大投資者帶來巨大損失的現象發生以后，才引起管理當局對財務預警的重視，財務預警系統逐漸被運用。常用的預警模型有Z分數模型、線性概率模型、F分數模型等。

（一）多元線性判定模式 多元線性判定模式，又稱Z-Score方法，其基本原理是通過統計技術篩選出那些在兩組間差別盡可能大而在兩組內部的離散度最小的變量，從而將多個標志變量在最小信息損失下轉換為分類變量，獲得能有效提高預測精度的多元線性判別方程。Z分數模型的判別函數如下：

Z=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5

其中，X1=（期末流動資產一期末流動負債）/期末總資產X2=期末留存收益/期末總資產X3=息稅前利潤/期末總資產X4=期末股東權益的市場價值/期末總負債X5=本期銷售收入/總資產

Z分數模型的判斷標準如下：Z>2.675，表示財務狀況良好，發生破產的概率小；1.81≤Z≤2.675，表示財務狀況不穩定，為灰色地帶；Z

多元線性判定法從企業的資產規模、獲利能力、財務結構、資產利用效率以及償債能力等方面綜合分析預測企業的財務狀況，準確率較高，進一步推動了財務預警的發展。

Z-Score模型的局限性：一是工作量比較大，費時費力。二是在前一兩年的預測中，多元線性判定方法的預測精度比較高，但再往前，其預測精度會大幅下降，甚至可能低于單變量模型。三是多元線性判定方法有一個很嚴格的假設，這就大大限制了多元線性判定方法的使用范圍。

（二）EVA判別方法 經濟增加值（EVA）的英文簡稱，是一種評價公司經營業績的新指標，其定義為EVA=NOPAT-KW（NA）。其中，NOPAT為稅后凈經營利潤；KW為公司資本加權平均成本；NA為經過調整的期初公司凈資產價值。EVA判別法相對于傳統財務指標相比具有以下優勢：（1）真實性。由于EVA針對現行的會計政策進行了一系列的調整，減少了上市公司管理層通過各種途徑改變資本結構，從而進行盈余管理。這相對于傳統的會計指標，能更加真實地反映上市公司的經營狀況。（2）可靠性。EVA作為一種創值指標，它不僅考慮了公司使用的全部資本，充分利用了公司提供的全部公開信息，而且考慮了風險，同時含有企業外部的市場信息，而傳統的財務指標則完全利用公司內部的信息。所以，這相對于傳統的財務指標具有明顯的可靠性。

EVA判別法的局限性：由于EVA涉及對傳統利潤指標復雜的調整計算，其實用性遭到國內學者的質疑，所以有關EVA在預測財務困境方面的研究目前在國內尚屬空白。

（三）F分數模型 F分數模型的判別函數如下：

F=-0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5

其中，X1=（期末流動資產一期末流動負債）/期末總資產；X2=期末留存收益/期末總資產；X3=（稅后純收益+折舊）/平均總負債；X4=期末股東權益的市場價值/期末總負債；X5=（稅后純收益+利息+折舊）/平均總資產。

F分數模型的臨界點為0.0274，若F分數低于0.0274，則將被預測為破產公司；反之，若F分數高于0.0274，則公司將被預測為繼續生存公司。此數值上下0.0775內為不確定區域，區間為[-0 0501，0.1049]，若落入此區域中，管理決策者應該進一步分析，因為F分數模型只能輔助管理者，警告可能會發生財務危機。即F分數模型的判斷標準可如下表示：F>0.0274，表示被預測為繼續生存公司；F

F分數模型中的5個自變量的選擇是基于財務分析理論，因此，它可以較為準確地預測出企業是否存在財務危機，降低了單變量的誤判率；及時預警上市公司的財務危機并尋求發生財務危機的根源，同時還能加強公司對于財務危機的防范措施，分析和判斷上市公司未來的發展趨勢，在一定程度上，可以幫助利益相關者做出相應的決策。

雖然已經建立了系統的財務預警模型，但目前很多上市公司并沒有廣泛采用，這是因為一方面很多上市公司的管理當局缺乏建立系統的財務預警模型的意識，另外上市公司建立的科學的財務預警系統要在真實合法的資料基礎上，但是由于中國的資本市場不完善，上市公司造假的現象屢見不鮮，使得建立出來的系統并沒有發揮應有的作用，上市公司的會計失真現象極大地影響到財務預警系統的有效性，使其失去應有的效果，財務預警系統也就形同虛設了。

三、上市公司財務預警系統實證分析――以制造業為例

本文針對我國滬、深兩市所有被ST的制造業上市公司進行隨機抽樣，從中隨機抽取10家ST上市公司以及10家非ST的制造業上市公司作為本次的研究樣本。本文的樣本數據均取自各年上市公司公開披露在網上（和訊、證券之星、巨潮資訊等）的各年年報和有關財務指標，主要選取2008～2010年的相關財務數據進行研究。

（一）Z-Score模型實證分析 按照Z-Score模型的要求收集整理財務數據，計算得到不同年份制造業上市公司的Z值得分，見表1～6。

Z-Score模型預警方法分析：（1）對非ST上市公司的預測。從上述的表格中可以看出，Z-Score模型對非ST企業的預測結果為：非ST上市公司的Z值大于2.675（即處于安全地帶）的平均比例為63.33%；Z值在1.81～2.675之間（即處于灰色地帶）的平均比例為26.33%；Z值小于1.81的（即處于危險地帶）的平均比例為10.34%。這說明我國非ST制造業上市公司財務狀況基本良好，有一定的抵御風險的能力。（2）對ST上市公司的預測。從上述的表格中可以看出，在被“特別處理”前幾年，上市公司的財務狀況已經出現明顯的惡化。Z-Score模型對ST企業的預測結果為：Z值小于1.81（即處于危險地帶）的平均比例為60%；Z值在1.81～2.675之間（即處于灰色地帶）的平均比例為16.67%；Z值大于2.675（即處于安全地帶）的平均比例為23.33%。這說明我國ST制造業上市公司財務狀況大部分處于破產邊緣，它們需要及時調整本身存在的問題，如果不及時進行調整或者是調整力度不夠，就極易走向破產的深淵。（3）ST上市公司在被列入“特別處理”的前兩年（即2008、2009年），他們的Z值平均值為-2.432；而同期非ST的上市公司我Z值平均值為4.3918。很顯然，ST上市公司的財務狀況遠遠差于非ST上市公司，ST上市公司的財務危機已經相當嚴重了，已經在破產的邊緣了。

（二）EVA判別法實證分析 按照EVA判別法的要求收集整理財務數據，計算得到不同年份制造業上市公司的EVA值，見表7～9。

EVA判別法的分析：（1）對非ST上市公司的分析。從上述表格中可以看出，非ST上市公司的EVA為正數的平均比例為73.33%，這說明我國上市公司的創值能力還是比較強的。同時，非ST上市公司的EVA平均值呈現逐年遞增的現象，這說明我國非ST上市公司的財務狀況普遍較為良好。分析如圖1所示。

（2）對ST上市公司的分析。從上述表格中可以看出，ST上市公司的EVA為負數的比例比較高，尤其是在前兩年（即2008、2009年），達到了70%。同時，2008、2009年兩年的企業EVA值持續走低，說明這些企業的財務狀況更加惡化了，急需做出調整。而到了2010年，ST上市公司的EVA值大部分都為正數，只有兩家企業為負數，這說明各ST企業經過了一系列的調整，并取得了一定的成效。ST上市公司這三年的EVA值走勢如圖2所示

（3）對比ST上市公司和非ST上市公司，不難發現，雖然ST企業在2010年的財務狀況稍微得到了一點改善，但是其財務危機還是明顯地比非ST上市公司惡化，必須進行及時有效的調整措施，要不然就難逃被破產厄運。同時，非ST企業也有不穩定的，也必須進行相應的調整，切勿置之不理，否則，等到風險積壓到一定程度的時候就會演變成財務危機，直至破產。

（三）F分數模型實證分析 按照F分數模型的要求收集整理財務數據，計算得到不同年份制造業上市公司的F值得分，見表10～15。

F分數模型預警方法的判定結果及分析：（1）對非ST上市公司的預測。從上述的表格中可以看出，F分數模型對非ST企業的預測結果為：非ST上市公司的F值大于0.1049（即處于安全地帶）的平均比例為80%；F值在-0.0501～0.1049之間（即處于不穩定地帶）的平均比例為20%；Z值小于-0.0501的（即處于危險地帶）的為0。（2）對ST上市公司的預測。從表10～15中可以看出，在被“特別處理”前幾年，上市公司的財務狀況已經出現明顯的惡化。F分數模型對ST企業的預測結果為：F值小于-0.0501（即處于危險地帶）的平均比例為50%；F值在-0.0501～0.1049之間（即處于不穩定地帶）的平均比例為20%；Z值大于0.1049（即處于安全地帶）的平均比例為30%。（3）ST上市公司在被列入“特別處理”的前兩年（即2008、2009年），其F值小于-0.0501的平均比例為70%，其F值遠遠低于非ST上市公司。但是ST公司于2010年的F值小于-0.0501為0家，說明ST上市公司經過了兩年的調整逐漸走出了金融危機帶來的影響，并逐漸走出財務危機。

（四）制造類上市公司財務預警模型實證結果比較 針對以上研究結果，并對其進行匯總，得到表16。

從表16可以看出：（1）三種預警模型在特別處理前一年，EVA判別法的準確率為70%，而Z-Score模型以及F分數模型的準確率則為75%，高于EVA判別法。（2）三種預警模型在特別處理前兩年，Z-Score模型以及EVA判別法的準確率都為75%，而F分數模型的準確率則為80%，高于另外兩種判別方法。（3）綜合比較，三種方法的準確率都比較高，但是F分數模型的準確率最高，高于EVA判別法和Z-Score模型。

（五）F分數模型優勢 從上述的財務分析情況來看，利用F分數模型可以有效監測公司的運營情況。F分數模型中的5個自變量的選擇是基于財務分析理論，因此，它可以較為準確地預測出企業是否存在財務危機，降低了單變量的誤判率；還能及時預警上市公司的財務危機情況，尋求發生財務危機的根源；同時加強公司對于財務危機的防范措施，分析和判斷上市公司未來的發展趨勢，在一定程度上，可以幫助利益相關者做出相應的決策，有利于公司的健康長遠發展。通過Execl等軟件進行數據處理工作，有目的、有計劃地進行了我國制造業上市公司財務預警模型的研究，得出以下結論：

我國制造業非ST上市公司普遍具有良好的財務狀況，具有較好的風險抵御能力。但是，也有的非ST企業處于不穩定甚至危險地帶，這些企業必須及時而有效的做出相應的調整措施，如果調整不力或者是效果不明顯，則這些財務風險必將演變成財務危機，進一步威脅著企業的生產發展；Z-Score模型能提供給投資者更多的預測性，投資者能早期得到企業陷入困境的警告，及早做出決策，規避風險，還可以幫助企業做出信用決策等；EVA作為一種長期的財務指標，其對企業財務困境的預測具有相關性，且相對其他財務指標其預測準確程度較高，這說明運用EVA對中國上市公司財務狀況進行評價與分析具有一定的可行性；F分數模型可以更準確地預測出企業是否存在財務危機；降低了單變量的誤判率；預警上市公司的財務危機；及時尋求發生財務危機的根源；加強公司對于財務危機的防范措施；分析和判斷上市公司未來的發展趨勢；在一定程度上，可以幫助利益相關者做出相應的決策。通過對比可以發現，在三種預警模型中，F分數模型的準確率最高，高于其他兩種模型。

參考文獻：

[1]寧靜鞭：《基于KNN和logistic回歸方法的財務預警模型比較》，《商業時代》2008年第13期。

[2]馮月平：《Logistic財務預警回歸模型的構建與檢驗》，青島理工大學2010年碩士學位論文。

篇10

[關鍵詞] 財務預警模型 主成分分析 SPSS軟件平臺的二次開發

一、引言

本文首次引入多元邏輯回歸法的主成分分析法SPSS軟件二次開發平臺,研究構建財務預警模型。以德光公司連續10年的財務數據為樣本，以實際業績波動為判斷依據，作一次主成分法財務預警方法的實證研究，并期望對財務預警方法的普遍推廣帶來新的方法。

二、研究設計

縱觀目前所有以財務指標為數據樣本來建立財務預警模型的研究，始終以奧特曼(Altman)教授的多變量模型為藍本 Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 （式一）

按這一思路。為獲得德光公司特有財務預警模型，計劃按下列框架進行研究。

1.以主成分分析法得到的特征方程根貢獻率作為模型系數（上文公式中系數）。為準確且快速有效獲得結果，研究中使用著名商業軟件SPSS和最新主成分分析法二次開發成果來演繹數據。

2.借鑒以已有的主成分法對我國上市公司的研究結果（2006年），同時結合自身公司的實際獲取德光公司的財務指標主成分（上文公式中變量X）。

3.用主成分分析法推導獲得的德光公司特有的財務預警模型。為檢驗該預警模型的準確性，用理論近似的F值模型法檢驗比較結果有效性。

4.選用ST大唐上市公司過去10年（1998~2007）的財務數據為樣本重復研究，進一步驗證本文方法的正確性和普遍適用性。

三、財務預警模型的建立及預警效果分析

1.SPSS的主成分法二次開發平臺的運行環境與調試。

SPSS的主成分法二次開發平臺 ，需要安裝在Window XP操作系的電腦上。本研究選用統計運用軟件SPSS(v13)和netframework2.0，再通過SPSS的功能編輯器導入二次開發的主成分法。軟件安裝成功后，通過運行測試數據檢查了計算平臺的正確有效性。

2.財務指標的選擇和財務警情的判斷值定義

在已有主成分分析法對我國幾十家上市公司的財務預警模型的研究基礎 ，結合實際決定采用下列9個財務指標和預警值Z的評價區域判斷依據表（表1）：

財務指標定義:1應收賬款周轉率=銷售收入/應收賬款平均占用額；2速動比率=（流動資產-存貨）/流動負債；3總資產周轉率=銷售收入/平均總資產;4主營毛利率=(銷售收入-銷售收入)/銷售收入;5主營業務收入增長率=(本年主營收入-上年主營收入)/上年主營收入；6總資產凈利潤率=凈利潤/總資產平均余額；7股東權益比=凈資產/總資產；8利息保障倍數=息稅前利潤總額/利息費用；9主營業務現金比率=銷售收入的現金回收總數/銷售收入

3.主成分法數據計算和結果

(1)主成分法財務預警方法在德光公司實證研究

德光公司是一家中德合資企業，一直擔當國內光學顯微鏡行業的龍頭企業。從1999年進行了股份重組由合資變為德方90%控股及新聘總經理。為公司引來了新一輪發展機遇。為研究公司財務預警可顯示性，本文正是選用了這樣一段歷史階段（1998年到2007年）。

在SPSS軟件平臺輸入德光公司的10年財務指標，獲得以下主成分分析法的主要結果：

按數學模型合并主成分的貢獻率后得到以下主成分法財務預警方程模型：

Z=0.286X1+0.196X2+0.259X3+0.099X3-0.183X4+0.218X5+0.251X6+

0.249X7+0.187X8（式二）

由主成分方程模型計算得到德光公司10年的預警值Z值(見表5，A部分）

(2)選用F 值模型對以上結果的準確性做驗證

將德光公司的10年的財務指標，輸入F 值模型法 ，計算運行獲F值(見表5，B部分).

當F

(3)選取ST大唐公司做重復檢驗研究

為進一步驗證本文所選實證研究方法的正確性和普及性，以相同的主成分法模型和運算平臺，隨機選取了一家ST上市作為檢驗對象， ST大唐全稱為大唐電信科技股份有限公司。是一家從事各類通信網絡系統等網絡建設為主要業務的通信制造企業。研究選用從“中國上市公司資訊網”，獲得的ST大唐上市公司過去10年（1998~2007）的財務數據為樣本。

在SPSS平臺運行主成分分析法，合并主成分的貢獻率后得到以下財務預警方程模型：

Z=0.240X1+0.212X2+0.287X2+0.144X3+0.207X4+0.185X5 +0.188X6+0.249X7+-0.091X8（式三）

用ST大唐公司財務指標在以上方程式計算得到ST大唐上市公司10年的預警值如下：

四、模型的預警效果檢驗及研究結論

1.對德光2種不同方法獲得的不同結果的比較分析。

為方便比較研究，將德光2種不同方法獲得的結果匯總如(表5)

由主成分方程模型計算獲得德光公司10年的預警值和用F模型計算獲取結果的分析比較，得到以下分析：

第一，兩種方法預警值變化趨勢相同。從2種不同法方得到的結果都顯示出相同的公司發展趨勢，按財務預警值模型理論2種方法的預警值都趨向逐漸變大，都反映了預警結果和公司實際發展相一致的狀況，那就是公司在向好的財務狀態發展。

第二，兩種方法前3年的財務預警預測結果一致。由表4我們可以看出，公司前三年連續虧損。但虧損趨勢由大變小。2種不同方法都如實反映出這一事實。略有差異是2種方法的精確度或是系統內在的統計原理導致理解的差異。F模型由于對警情程度沒有定量的逐級細分所以不能看出企業在第三年的發展趨勢。而主成分法，模型建立在大量實際案例的統計判斷分析，并設定細致的警情判斷值，能深一步告知我們當前企業的發展趨勢。其結果更準確和有指導性。

第三，除了第五年，以后警情結果一致。由F值模型中公式中有關自變量定義得知，由于直接引用了凈利潤，所以凈利潤的盈虧對F模型的影響會突出的明顯。而主成分法通過數學提煉把原來多個財務指標統一歸納，獲得即能代表原來因素的趨勢但不同于原來指標的主成分指標，故而反映出更全面深入的企業發展動態和趨勢。主要導致F模型對第五年的財務狀況有警情的原因是在第五年公司為提升現有和將來發展建立了先進的但昂貴的ERP(企業資源管理軟件SAP)軟件。由于會計處理的規定當年費用化所有與軟件無關的費用，制使當年的管理費用比往年翻倍利潤大幅下降。而由于主成分法的方法更科學，預警結果放映了公司發展本質而沒有報警。

驗證結論：通過以上3點分析，可以得到由本研究方法獲得的主成分法財務預警模型方程（式二）用于德光公司的財務預警是有效可行的。

2.本文實證方法在ST大唐上市公司的結果分析

用主成分分析法的SPSS二次開發平臺計算獲得如表4的ST大唐上市公司10年的預警值。并通過與該公司同期的每股盈利水平的分析比較，筆者得到以下分析，

第一，預警結果100%反映公司實際盈虧。采用主成分分析預警模型計算得到大唐公司的10年預警結果，與公司實際每股收益做分析對比，并按該預警警情判斷值表（表1），預警值能正確反映出該公司當年度的盈利變化的方向是好是壞。

第二，由輕到重的警情指標能正確反映出公司業績的變化趨勢。對表8中，對大唐公司10年業績的觀測，我們發現每當預警模型做出警情預報后公司業績也隨之變差，而一旦警情消失，業績也馬上會提升。

第三，通過已獲得主成法預警方程成功實現對該公司2007年的預警預測。由于筆者在做本研究時該公司07年度公司業績尚未發表。所以只用第三季度報表數據。結果由預警值出現由06年的“巨警”變為當前的“無警”。在事后對其業績檢查，大唐公司果然在07年實現扭虧為盈。

驗證結論：通過以上3點分析，可以得到由本研究方法在大唐公司獲得的主成分法財務預警模型方程（式三）用于ST大唐公司的財務預警是有效可行的。

五、結論

本文選取主成分法財務預警模型的已有預警研究成果并結合最新計算機軟件開發平臺，經過以上的運用研究，我們得出了以下結論：

第一 ，通過將以上2種方法在同一家公司的計較和同一種方法在不同公司的分析結果可以看出，本文所進行的財務預警方法研究而獲得的基于正確的公司財務數據的財務預警模型對公司經營趨勢具有較強的預測能力。

第二，對主成分法財務預警模型方程的系數研究分析發現，由于該系數時基于企業自身業務領域的特殊性統計得到的不同權重系數，所以能為企業經營管理人客觀的提供提高業績的經營重點領域。如提高總資產周轉率等。

第三，在對樣本數據的準備和試驗中，發現由于該理論方法的內在需求，采用主成分法財務預警模型要獲得正確預測方程，其樣本數據的取樣年限有一定要求建議在實際操作中，樣本每年疊加，方程每年更新，但以KMO檢驗及球形檢驗的檢驗值不斷提高，使之趨向于1為前提。

參考文獻:

[1]Altman E. Financial ratios discriminated analysis and prediction of corporate bankruptcy[J].Journal of Finance，1968，(11):588～609