【摘要】企业通过构建财务预警模型，能及时掌握企业的有关财务风险的信息，有效地防范和化解财务风险，对保证企业持续、健康、有效地经营具有重要的作用。本文对财务预警模型进行了规范性研究。首先，概述了财务预警的内涵和作用，并根据财务预警模型是否具有自我学习功能划分为静态预警模型和动态预警模型。其次，通过这两大类财务预警模型和各个具体模型的比较评析，发现财务预警模型的局限性，并针对这些局限性，结合我国具体国情，对如何构建切合企业实际的财务预警模型提出了建议和对策。
【关键词】财务预警；财务风险；模型
一、绪论
公司的财务困境预测研究在国外尤其在资本市场发达的国家是一个被广泛关注的热门研究课题，作为经济和财务预警系统研究的重要组成部分，它不仅具有较高的学术价值，而且有着巨大的社会应用价值。建立切合企业实际的财务困境预警系统，具有降低企业经营风险、投资风险以及防范金融危机的积极作用。早在二十世纪三十年代，以Beaver为首的美国学者就开始通过其财务变量对破产企业的财务状况进行定量分析，以寻求能够提前对企业陷入财务困境发出预警的方法。同时，上市公司财务预警作为公司经营管理的一个重要方面，逐渐受到了不同学者的关注。本文对国内外财务预警模型进行规范性研究，逐一进行评析，旨在为构建符合于我国企业自身特点的企业财务预警模型提出建议。
二、财务预警概述
（一）财务预警的内涵
财务预警是对财务风险的预告和警示，是指通过对企业财务活动运行状态进行监控，预先告知企业财务管理所存在的风险、企业经营活动所出现的警情，并采取一定的措施排除风险和警情，保证企业财务管理和经营活动安全运行的管理行为。
（二）财务预警的作用
现代企业的经营活动面临着激烈的市场竞争，企业财务管理受内外部环境的影响，难免遇到风险。财务预警作为企业预警体系的一个重要组成部分，对预防企业财务风险乃至企业经营失败具有重要作用。企业一旦出现财务风险而没有事先建立发现风险的机制，就无法加以防范，其结果必然会给企业造成巨大损失。因此，有效的财务预警体系对实现企业价值最大化目标具有重大的意义。
（三）财务预警模型的分类及其内容
财务预警模型按照是否具有自我学习功能可以划分为静态预警模型和动态预警模型两大类。静态预警模型包括单变量判定模型、多元线性模型及其派生模型、概率模型等，动态预警模型则主要是基于神经网络分析的各类模型。
1.静态模型
（1）单变量模型
单变量模型是指以财务指标这一判别标准来判断企业是否处于破产状态的预测模型。相关研究发现，最佳的企业危机预警指标是“现金流量/总负债”比率，其次为“总负债/总资产”比率和“净利润/总资产”比率。在企业破产前5年的预测准确率可达70%以上，在企业破产前1年的预测准确率可达87%。Beaver最早运用统计科学研究成果为企业建立预警模型，其预测准确率较高。同时，认为宣告破产、公司债券违约、银行透支、未支付优先股股息均可视为企业危机。这是从企业危机的实质含义来界定企业危机，而非传统的法定破产标准。但由于“现金流量/总负债”指标只考虑了负债规模，而未考虑负债结构及流动性，因而对于由于短期偿债能力不足而出现危机的企业存在较大的误判性。“总资产”这一指标没有结合资产的构成要素，不同资产项目在企业盈利过程中所发挥的作用是不同的。单变量模型虽然方法简单，使用方便，但总体判别精确度不高。对前一年的预测，单变量模型的预测精确度明显低于多元模型。不过，单变量模型在前两年、前三年的预测中也能表现出较强的预测能力，说明一些上市企业的财务困境是从某些指标的恶化开始的。因此，逐渐被多变量方法所替代。
（2）多元线性判定模型
多元线性判定模型，又称Z-score模型，最早是由Altman开始研究的。他得到的最终预测方程包含五个判别变量在破产前一年的总体判别准确度高达95%。判别方程为：Z=V1X1+V2X2+…VnXn。根据判别方程可以把单个企业的各种财务比率转换成单一的判别标准，或称为Z值，根据Z值将企业分为“破产”或“非破产”两类。其中，V1、V2…Vn是权数，X1…Xn是各种财务比率。在实际运用时，得出企业的Z值，并根据判别标准进行判定。此方法还可以用于债券评级、银行对贷款申请的评估、子公司业绩考核及投资决策等。多元线性函数模型的判别精度较高，而且体现了综合分析的观念，使得以后的财务预警研究开始采用多元分析的方法。但其存在局限性。首先，工作量比较大，研究者需要做大量的数据收集和数据分析工作。其次，在前一年的预测中，多元线性判定模型的精确度比较高，但在前两年、前三年的预测中，其预测精度都大幅下降，甚至低于一元判别模型。再次，多元线性判定模型有一个很严格的假设，即假设自变量是呈正态分布的，两组样本要求等协方差，而现实中的样本数据往往并不能满足这一要求，这就大大限制了多元线性判定模型的适用范围。
（3）多元逻辑（Logit）模型
随着数理统计的发展和应用，又有一些研究者提出了logit回归模型，它是一种条件概率模型，该模型是建立在累计概率函数的基础上的，一般运用最大似然估计的方法。Logit回归模型假设企业破产的概率为p，同时假设Ln[(P(/1-P))可以用财务比率解释。它首先假定Ln([P(/1-P)]=a+bx，然后推导出P=e(a+bx)/[1+e(a+bx)]，从而计算出企业破产的概率。如果P>0.5，则企业破产的概率比较大；如果P （1）人工神经网络（ANN）模型
人工神经网络（Artificial Neural Network，ANN）作为一种平行分散处理模式，是对人类大脑神经运作的模拟。Coats和Fant(1993)利用神经网络理论(Neural Net-works)来建立财务预警模型，该模型是模仿生物大脑神经网络的学习过程，不需考虑变量是否符合正态分布的假设，而且可以处理非量化的变量，该模型通常由输入层、输出层和隐藏层组成，其信息处理分为前向传播和后向学习两步进行。网络的学习是一种误差从输出层到输入层向后传播并修正数值的过程学习的目的是使网络的实际输出逼近某个给定的期望输出。根据最后的期望输出，得出企业的期望值，然后根据学习得出的期望值，然后根据学习得出的判别规则来对样本进行分类。因此具有更广的应用范围。Coats和Fant利用Altman(1968)研究中的5个财务比率建立模型，以1970年至1989年间，94家失败公司与188家正常公司为样本。研究结果发现，从危机发生的前三年起，失败公司的财务比率逐年恶化，且与正常公司的财务比率有明显差距。
（2）联合预测模型
联合预测模型是运用企业模型（Corporate Mode）来模拟企业的运作过程，动态地描述财务正常也和财务困境企业的特征，然后根据不同特征和判别规则，对企业样本进行分类。这一模型运作的关键是准确模拟企业的运作过程，因此它要求有一个基本的理论框架，通过这一框架来有效模拟企业的运作过程，从而能够有效反映和识别不同企业的行为特征、财务特征，并据此区分企业样本。联合预测模型的最大优点是克服了财务预测模型只运用财务指标的片面性，动态模拟和反映企业经营过程中的方方面面。只用财务指标预测企业财务状况有很大的局限性，它只能计量企业运营的财务结果，遗漏了很多重要的非财务信息。
三、财务预警模型的比较
（一）建立模型的方法上的区别
静态模型建立的一般是线性模型，是在利用统计数理和分析的基础上建立起来的。这些模型的建立涉及到判定区间的确定和误判率的估计问题，均有一定的统计理论依据。而动态非统计模型是自然的非线性模型，不是依据统计理论，而是利用人工智能中归纳学习的方法建立起来的，整个分析及预测过程就好像是人类学习及思考一样。
（二）建立模型的假设条件不同
静态模型的建立一般都对样本数据的分布作一定的假设，并以假设作为前提条件。如数据正态分布假设、协方差和矩阵等假设、简单线性概率模型的二项分布假设等。一般来说，只有在这些假设条件基本得到满足的情况下，才能保证静态模型预测的准确性。另外，静态模型的建立以对数据之间的关系已有清醒的认识为基础的，一般假设个变量之间为简单的线性关系，并且比较注重数据本身的完整性及一致性。而动态模型一般没有数据的分布、结构等方面的要求，适用于非线性关系的数据并对数据的缺失具有相当的容许性，基本上能处理任意类型的数据。
（三）模型所选择的样本资料不同
静态模型只是根据以前的样本资料建立起来的，样本资料一旦确定，便难以再予以调整，除非重新建立模型。随着财务状况的发展和财务标准的更新，这种按照以前的资料、标准建立起来的模型难以对已经变化了的财务状况做出标准的预测和判断，即这种模型不具有动态预警能力，不易修改和扩充。并且，静态模型对错误资料的输入不具有容错性，无法自我学习和调整。而动态模型具备随着不断变化的环境进行自我学习的能力，随着样本的积累，可以定期更新知识，从而实现对企业危机的动态预警。并且，由于动态预警模型具有高度的自我学习能力。对错误资料的输入具有很强的容错性，因而更具有实用价值。
（四）在实际应用中不同
动态模型如神经网络模型等的分布是自由的，当变量从未知分布取出和协方差结构不相等（企业失败样本中的常态）时，神经网络能够提供准确的分类。但是，它在实际运用存在一些问题，如模型的拓扑定义、网络架构的决定、学习参数以及转换公式的选择比较复杂和难以确定，其工作的随机性较强，非常耗费人力与时间。另外，这种模要求要拥有大量的学习训练样本以供分析，如果样本数量积累的不足、没有足够的代表性和广泛的覆盖面，则会大大地影响系统的分析和预测的结果。Altman（1995）在对神经网络和判别方法的比较研究中得出结论：“神经网络分析方法在风险识别和预测中的应用并没有实质性地优于线性判别模型”。而传统的统计模型发展得比较成熟，计算也相对简单，应用也比较广泛。某些统计方法，如，Logit、Probit模型对数据是否具备正态分布、两组协方差是否相等也没有要求，常用的判别分析中的距离判别方法也可以在两总体协方差矩阵不相等的情况下使用。因此，目前在财务预警模型方面仍然以传统的统计方法为主，而动态模型还不够成熟。在实际应用中存在一定的困难。
四、财务预警模型综合评析
（一）财务预警模型的局限分析
1.理论依据的局限
缺乏系统的经济理论指导，在目前的文献中，能够系统解释企业失败和破产的经济和管理理论较少。尽管研究从交易费用和产权关系等企业制度环境和制度安排方面作了大量阐述，并借助于企业生命周期理论、企业进化理论等对企业失败现象进行解释。但这些仍不足以系统地解释企业失败的原因，难以准确确定财务预警模型中应包括的预测变量。
2.指标选择的局限
财务预警模型都是采用了财务指标来反映企业的财务状况，非财务指标往往被忽略。非财务指标在披露企业财务状况方面要比财务指标更为可靠、有效。比如，企业出现过度扩张、过度依赖银行贷款、企业人力资源所匮乏、企业市场定位不清等状况，都预示着企业存在潜在的危机，而这些财务比率所不能反映的。因此，企业财务预警模型不能单纯依靠财务数据，至少要在预警系统中涉及到非财务数据。换句话说，既要涉及到定量信息，也要涉及到定性信息，这样才能更为完整地反映企业全貌。由于定性信息能在预警模型中体现，所以我们可以采用评分的方法，将评分的结果作为企业财务预警系统的一个组成部分。
3.样本选取范围和样本时间的局限
从不同的样本选取和不同的时间区间所得出的预警模型存在很大的差异。在样本的选取范围上，会受到不同国家、地区以及不同行业的限制。在样本的选取时间上，也会受到数据的完整性和研究区间的影响。所以，对不同国家而言，由于其经济环境的差异。财务预警模型可能不同。同样地，对于不同时间区间，得出的模型也会存在显著的差异。其原因在于：不同行业要求的财务比率经验值可能不同，甚至有很大的差异。以流动比率为例，工业企业的流动比率为2：1比较合理，而商业企业的流动比率合理值则应低于该值。这样以来，模型的适用范围就会因不同的经济环境、不同行业以及不同时间区间而产生局限性。
4.应用效果的局限
不同的模型需要不同的前提条件，如自变量要求服从正态分布，样本要求等协方差等，在实证研究中，这些条件很难得到满足。很多研究者就直接假设样本和自变量符合条件进行计算，所构建的模型大多是在近似条件下成立的，这就会影响到财务预警模型的预测精度和正确性。有的模型虽然对假设条件前提要求是很严格，但其计算和分析较为复杂，也很难得到广泛的应用。
（二）构建财务预警模型的建议
1.选取关键的财务指标
根据上述预警模型的比较我们可以发现它们的一个共同点，即在模型中都运用了会计数据和财务比率。国外的研究是以破产为标准来界定财务危机的，国外学者纷纷选取债务契约和贷款协议中经常用来限制管理人员行为的那些数据和比率作为破产可能性的计量指标。因此他们认为，虽然违反契约并不必然导致破产，破产也不是那些数据和比率恶化的必然结果，但那些数据和比率恶化，将会导致违反债务契约，债权人就有权迫使企业破产。以上经验告诉我们，在进行财务预警研究时，应选取对财务危机非常敏感的会计数据和财务指标，并以适当的标准来衡量财务危机。
2.单变量模型与多变量模型结合
通过对比单变量模型和多变量模型，发现它们各有优势。运用单变量模型分析比较简单，而且可以同时选取多个适当的指标进行分析。多变量模型能比较全面地反映企业的财务状况，其预测系统也是建立在对统计学和数量经济学运用的基础上。因此，我们在借鉴、研究运用财务预警模型时，应该注意把单变量模型与多变量模型结合起来。
3.财务指标和非财务指标相结合
财务预警模型大都是根据财务信息对企业财务安全状况进行预警的，非财务信息的辅助预警考虑的不多，使预警涵盖范围不够广泛，因此有必要将非财务信息纳入考察范围。非财务信息是指与公司财务状况无直接关联，但与公司生产经营密切相关的各种信息。非财务信息大都不能加以量化，适用于定性分析，其揭示的内容和揭示方式具有较大的灵活性和选择性。一些财务指标如企所属行业的生命周期、市场竞争力，行业因素等，对分析企业的财务状况起着重要的作用，因此将非财务指标和财务指标结合，才对企业的财务状况和风险进行准确地预测。
4.充分考虑我国国情
国外的财务预警模型是在外国的证券市场和上市公司的背景下建立的。因此，我们在借鉴国外先进财务预警研究的基础上，还要充分考虑本国的实际情况。目前我国的证券和股票市场还不是很健全，会计环境和国外也存在很大差异。因此，在构建企业财务预警时应结合我国市场经济条件下和会计环境下企业特点，包括企业的组织形式、经营理念、管理水平、产品性能等，建立适合我国企业的财务预警模型。
参考文献
[1]宋慧斌.企业财务预警系统的设计与实施[J].财务通讯,2001(9):26-27.
[2]周首华,杨济华,王平.论财务危机的预警分析―Ｆ分数模式[J].会计研究,1996(8):9-11.
[3]陈静.上市公司财务恶化预测的实证分析[J].会计研究,1999(4):31-38.
[4]张玲.财务危机预警分析判别模型[J].数量经济技术经济研究,2000(3):49-51.
[5]高培业,张道奎.企业失败判别模型实证研究[J].统计研究,2000(10):46-51.
[6]吴世农,卢贤义.我国上市公司财务困境的预警模型研究[J].经济研究,2001(6):22-26.
[7]杨保安,季海,徐晶等.BP神经网络在企业财务预警之应用[J].预测,2001(20):25-32.
[8]程涛.财务预警模型综述[J].财务与会计,2003(5):104-107.