钱兴元

摘 要：企业通过建立财务风险预警模型，可以及时有效地发现和防范企业所隐藏的财务风险，从而使企业可以健康持续的发展。然而，由于现有的财务风险预警模型存在种种缺陷，在实际运用中往往效果甚微。本文通过对国内外有关财务风险预警模型进行梳理，并针对模型的局限，对企业构建财务风险预警模型时提出合理的建议。

关键词：财务风险;预警模型;风险预警

一、国外财务风险预警模型综述

（一）单变量模型

单变量预警模型最早由菲茨帕特里克提出，他选择19家破产公司与正常公司通过财务比率进行比较分析。从而得出净利润/股东权益和股东权益/负债这两项指标具有较高的预警精度。经过几年的发展，威廉·比弗在菲茨帕特里克的研究基础上，对单变量预警模型进行了改进。他选择1954—1966年间，破产公司与正常公司各79家作为研究对象，研究结果表明，净利润/总资产、现金净流量/总负债这两项指标对财务风险具有较高的预警精度。

（二）多变量模型

在国外影响力最大的多变量预警模型是由奥特曼所提出的Z-score模型。他选择1946-1965年间的破产公司和正常公司各33家，通过选择5个财务指标来计算Z值，并通过Z值的大小来判断来判断企业是否具有财务风险。Z-score模型又分为上市公司和非上市公司两种情形。但是如果预测期越长，那么该模型的预警精度也会随之降低，失败前5年的预警精度仅为36%。因此，在随后的几年里，奥特曼、霍尔德曼、纳拉亚南在Z-score模型的基础上，对其进行改进，他们选取了58家正常公司和53家破产公司，选择7个财务指标，构建了ZETA模型。

埃德米斯特也在此研究的基础上进行了相关的研究，他以小企业为研究对象，通过选取的指标构建Tafler模型。多变量预警模型虽然比单变量预警在预警精度上更准确，但由于其数据获取和处理比较繁琐。并且，多变量模型要求变量符合正态分布假设，没有充分考虑现金流变动的情况。所以，模型使用的范围比较少。

（三）Logistic预警模型

单变量预警模型和多变量预警模型都由其局限性不能准确的预算出企业患财务风险的概率。因此，马丁就借助Logistic模型选取了超过5000家的银行进行分析，并选取了25个财务指标进行构建模型。并且，还采用了Logistic回归分析方法来对财务指标进行分析。研究结果表明，包括费用/营业收入等六个指标可以有效地预测银行破产的概率。Logistic模型虽然克服了线性模型需要满足统计假设的缺陷，但由于其计算结果大多数是采用近似值，计算过程繁琐，所以，计算的结果与实际结果有所误差。

（四）人工神经网络预警模型

奥多姆与沙尔达在研究财务风险预警问题时，首次采用神经网络模型来预测企业的财务风险。两位学者通过选取1975-1982年间，破产公司和非破产公司各65家。通过对这些样本数据进行配对分析。研究结果显示，采用神经网络模型对财务风险预警具有较高的精确度。乔治·马里纳科斯根据制药行业的特点，通过人工神经网络理论来构建制药企业的现金流预警模型，从而得出，通过构建人工神经网络预警模型可以有效地降低医药零售企业的财务风险。

（五）现金流量模型

劳森、阿齐泽曼以现金流信息为基础构建财务风险预警模型。他们通过选取破产企业破产前5年的财务数据，与正常企业同时期的财务数据进行比较，发现破产企业与正常企业的现金流量均值与现金支付所得税的均值存在很大差异。现金流量模型相对于Z模型与ZBTA模型，预警精度更高。

二、国内财务风险预警模型综述

国内的学者对财务风险预警模型的研究最早可追溯到20世纪80年代。随着我国经济的快速增长，国内的学者对企业财务风险预警模型的研究也在不断地深入，通过结合各行各业的行业特点，通过定量与定性的分析，构建符合社会主义经济的财务风向预警模型。

（一）单变量预警模型

陈静通过把ST公司界定为财务失败的公司，通过选取27家ST公司，以及处于同行业、同规模的27家非ST公司作为研究样本。并根据这54家公司1995-1997年的财务数据计算出各公司的资产负债率、流动比率、净资产收益率、总资产收益率，并对这四个指标进行单变量预警分析，结果显示，单变量预警模型虽然存在一些局限性，但确是一种较为简单有效的预测方法。

（二）多变量预警模型

周首华，杨济华，王平在Z-score模型的基础上，加入能够预测出企业破产的财务指标：现金流量比率指标，从而构建了F分数模式。在进行模型的实证中，他们选取了4160家的公司作为研究对象，其准确度高达70%。研究结果表明，F-分数模式是一种更加准确的财务风险预警模型。

张玲选取深沪两交易所120家的上市公司作为研究样本，这120家公司设计各行各业。把这些公司分成两组，第一组包括30家ST公司和30家非ST公司，作为原始样本。第二组包括21家ST公司和39家非ST公司，作为预测样本。通过多元判别函数来构建财务风险预警系统，该研究结果表明，此模型能够对ST公司的财务风险进行提前预警。

聂保平通过采用Z-score模型对57家零售业上市公司进行分析，其研究结果表明，如果企业的财务状况比较好或者是财务状况比较差时，那么对财务风险的预警精确度就高，对于财务在好与差之间的，预警精确度就比较低。

（三）Logistic模型

黄杨通过选取2015年12家ST公司和12家正常公司作为研究样本，并使用T检验对样本财务指标进行检验，并基于二项Logistic回归分析方法，建立财务风险预警模型。研究结果表明，该模型对财务风险具有较高的预测精度李长山通过选取2016年23家制造业上市公司，和30家非制造上市公司作为对比，对财务数据进行主成分分析，运用Logistic回归方法，建立财务风险预警模型。研究结果表明，上市公司通过构建财务风险预警模型能够有效地降低企業发生财务危机的可能性。

（四）人工神经网络模型

李晓青、洪怡恬通过专家调查法获得了15个样本企业的物流外包风险指标评价值。基于BP神经网络理论，建立符合物流企业的财务风险预警模型，其研究结果表明，该结果对物流企业具有较高的预警精度。

邢瑞雪、贾炜莹通过选取78家上市公司作为研究对象，分别采用逻辑回归、多元判断、支持向量机和BP神经网络建立模型。研究结果表明，人工智能方法所构建的财务风险预警模型要比传统的财务财务风险预警模型具有更高的预警精度。

孙新宪、李夏琳通过选取2004—2016年四大航空公司共49家研究樣本，其中38家训练样本，11家为检测样本。利用主成分分析法对预警指标进行降维优化，最后基于BP神经网络模型构建财务风险预警体系。研究结果表明，BP神经网络模型能够有效地预测航空公司的财务风险。

（五）现金流量模型

周守华、王平和杨济华改良了Z-score模型，各选取31家破产公司与正常公司作为研究样本，在充分考虑现金流量变动情况的基础上，构建了现金流量模型：F=-0.1774+1.1091X1+0.1704X2+1.9271X3+0.0302X4+0.4961X5。

其中，X1，X2，X4与Z值模型中的一致，X3，X5与之不同。X3=（税后净收益+折旧）/平均总负债，X5=（税后净收益+利息+折旧）/平均总资产，其判别临界点为0.0274，他们最后选取了4160家公司的数据以检验改良后的模型，结果发现改良后的模型对财务风险的预测准确度更高。

三、文献综述评价

通过对国内外有关财务风险预警的研究分析后，我们可以了解到，国外学者对财务风险预警的研究要比国内早，因此所取得成果也比中国大。而我国由于起步晚，且早期的研究都是基于国外学者的理论基础上进行改进与优化。但经过学者的努力，我国近几年在这一方面也取得了十足的进展，但仍有许多地方需要改进，具体如下：

第一，由于我国的研究大多数是基于国外的理论研究基础上进行改进与优化，并没有结合我国的实际国情与经济状况进行研究，所以，有可能得出的数据结果有所偏差。

第二，大多数现有的财务风险预警模型在理论上具有实用性，但是在实际的操作中，由于计算过于烦琐，对一些专业能力不强的小公司而言，即使预警精度在高，也很难对企业起到指导作用。

第三，由于各行各业所面临的市场环境和经济环境的不同，所以，我们在建立财务风险预警模型时，要结合现有企业行业的特点进行研究。但现有的预警模型无法覆盖整个行业，并且由于现有的模型大多数是以上市公司作为研究对象，而对于非上市公司则少有涉及。

（作者单位：青海民族大学）

参考文献：

[1]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.

[2]李长山.基于Logistic回归法的企业财务风险预警模型构建[J].统计与决策，2018（6）：185-188.

[3] 邢瑞雪，贾炜莹.上市公司财务危机预警模性比较研究[J].商业会计，2013（17）：46-48.