企业财务危机预警模型评析

来源:用户上传      作者: 郑　菡

　　提要本文对国内外财务危机预警模型逐一进行评析,旨在为构建符合我国实际并具有可操作性的财务危机预警模型提供借鉴。
　　关键词:财务危机预警;模型
　　中图分类号:F275文献标识码:A
　　
　　企业财务预警,是经过对企业财务报表及相关经营数据的分析,通过设置并观察一些敏感性预警指标的变化,对企业可能或将要面临的财务危机实施的实时监控和预测警报。随着我国市场经济体制改革的不断深化,市场竞争日趋激烈,构建财务预警系统,及时沟通企业有关财务危机预警的信息,有效地防范和化解财务危机,是任何一个企业都亟待解决的问题。近年来,除了沿用传统的经验判别与定性分析方法外,企业利益相关者也开始关注并尝试使用定量分析模型来预测财务危机。财务危机预警模型就是借助企业一系列财务指标和非财务指标来识别企业财务危机的判别模型。其关键就是如何确定预警指标及预警指标的临界值。
　　
　　一、单变量模型
　　
　　最早的单变量预警模型是Beaver(1966)在其《财务比率与失败预测》一文中通过比较研究1954～1964年间的79个失败企业和相同数量、相同资产规模的企业提出的。他认为,预测财务失败的比率有:(1)债务保障率=现金流量/债务总额;(2)资产收益率=净收益/资产总额;(3)资产负债率=负债总额/资产总额;(4)资产安全率=资产变现率-资产负债率;(5)资产变现率=资产变现金额/资产账面价值。
　　Beaver认为,债务保障率能够最好的判定企业的财务状况,其次是资产负债率,并且离失败日越近,误判率越低。所以,按照单变量模式的解释,企业良好的现金流量、净收益和债务状况应该表现为企业长期的、稳定的状况。所以,跟踪考察企业时,应对上述比率的变化趋势予以特别注意。
　　单变量模型利用个别财务比率预测企业财务危机,分析较为简单。但是,企业的生产经营状况受到许多因素的影响,各种因素之间既有联系又有区别。单个比率反映的内容往往有限,无法全面解释企业的财务状况,因此其有效性受到一定的限制。运用这种方法可能出现对于同一公司、不同的预测指标得出不同结论的情况,因此指标选择决定了单变量模型方法运用的成败。正由于单变量模型存在较大的缺陷,因而逐渐被新的财务预警模型所替代。
　　
　　二、多元判别分析模型
　　
　　多元判别分析模型是运用多种财务指标加权汇总产生的总判别值来预测财务危机可能性的模型。它利用会计系统固有的平衡性,将相互联系的多个财务指标有机结合,建立一个多元线型函数模型来综合反映企业财务风险情况,以消除个别指标在评价企业财务状况方面的缺陷。
　　1968年Altman在其《财务比率、判别分析和公司破产预测》一文中认为,企业是一个综合体,各个财务指标之间存在某种相互联系,各个财务指标对企业整体风险的影响和作用也不相同。通过把传统的财务比率和多元判别分析方法结合在一起,他发展了一种财务危机预警模型,即Z计分模型。该模型的具体形式如下:
　　Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5
　　式中,X1=营运资本/总资产,反映资产的流动性与规模特征;X2=留存收益/总资产,反映企业累计盈利状况;X3=息税前收益/总资产,反映企业资产的获利能力;X4=权益的市场价值/总债务账面值,反映企业的偿债能力;X5=销售总额/总资产,反映企业的运营能力。
　　通过统计分析,Altman认为Z值应在1.81～2.99之间,等于2.675时居中。企业的Z值大于2.675,表明企业的财务状况良好;如果Z值小于1.81,则企业存在很大的破产风险;Z值处于1.81～2.675之间,称为“灰色地带”,处在这个区间的企业财务状况极不稳定。
　　Z计分模型的变量是从资产流动性、获利能力、偿债能力和运营能力等指标中各选择一两个最具代表性的指标,模型中的系数则是根据统计结果得到的各指标相对重要性的量度。按照这一模型,通过计算企业连续几年的Z值就可以发现企业发生财务风险的征兆。Altman曾对66家企业进行测算,实证表明该模型的准确率约为95%。
　　Z计分模型简单明了、易于理解,有利于不同财务状况的比较,根据实证研究表明准确率较高,故得到了较为广泛的应用。但它也有缺陷,其运用有一定的局限性,主要表现在:(1)不具有横向可比性,即不能用于对规模、行业不同的企业进行比较;(2)它采用的是按权责发生制原则编制的报表资料,没有考虑较为客观的现金流量指标,往往不能准确地反映企业现实的财务状况。
　　随着经济环境出现变化,特别是进入20世纪七十年代以后,企业财务危机的平均规模急剧增大,原有的Z计分模型已无法解释当时的企业财务危机现象。于是,Altman、Haldeman等人于1977年又提出了一种能更准确地预测企业财务危机的新模型――ZETA模型。该模型在对27个初始财务比率进行区别分析后,选取了7个解释变量,即资产报酬率(息税前利润/总资产)、盈余稳定性(息税前利润/总资产的10年标准误差)、利息保障倍数(息税前利润/利息支出总额)、累计盈余(留存收益/总资产)、流动性(流动比率)、资本比率(5年普通股平均市值/总资本)和资本规模(普通股权益/总资产)。该模型分类正确率在破产前1年高达91%,前4年可到80%,即使前5年亦可达70%。但该模型存在的不足是选择比率没有理论可依,选择同一行业中相匹配的危机公司和正常公司也是困难的,而且观察的总是历史事件。但由于该模型简单明了,以后对企业财务危机预警模型的研究都是沿着这一思路进行。
　　20世纪七十年代,日本开发银行调查部选择了东京证券交易所310家上市公司作为研究对象,使用与Altman相同的研究方法,建立了“利用经营指标进行企业风险评价的破产模型”。其判别函数为:
　　Z=2.1W1+1.6W2-1.7W3-W4+2.3W5+2.5W6
　　式中,W1表示销售额增长率;W2表示总资本利润率;W3表示他人资本分配率;W4表示资产负债率;W5表示流动比率;W6表示粗附加值生产率(即折旧费、人工成本、利息及利税之和与销售额之比)。模型中和的系数是负数,表明他人资本分配率和资产负债率越小,风险也越小。该模型Z值的判断标准是:如果Z值大于10,则企业财务状况良好;如果Z值小于0,则企业存在严重的财务危机,破产的概率极大;如果Z值在0与10之间,则表明企业处于“灰色区域”,存在财务隐患。
　　此外,还有学者在对Z值模型进行改进的基础上,建立了其他多变量模型――F分数模型、巴萨利模型等,这些预警模型各具特色,有一定的适用性。
　　多元判别分析模型都有着计算简便、准确率高的优势,它能包括反映企业财务状况的多项指标,也能包括独立变量。但是,该类型模型也存在一系列缺点:(1)多元判别分析模型是根据特定样本建立起来的判别模型,因而根据一个地区(或时期)样本企业建立的判别分析模型可能无法有效地对另一个地区(或时期)的企业进行预测;(2)有用性差。该模型是建立在组内分布为近似正态分布,并且两组的协方差矩阵相等的假设之上的,而实际很难满足这一假设;(3)财务困境组与控制组之间配对标准的确定是一个很大的难题。
　　
　　三、多元逻辑模型
　　
　　尽管多元判别分析模型有较好的预测性,但存在假设上的局限性,与现实相去甚远。1980年美国学者Ohlsen率先在财务预警研究中应用了二元概率函数来计算危机事件发生的概率,采用9项财务变量来估计Logistic回归模型。这一模型建立在累计概率函数的基础上,不需要自变量服从多元正态分布和两组间协方差相等的条件。

　　Logistic模型假设企业破产的概率为p(破产取1,非破产取0值),并假设Ln[p/(1-p)]可以用财务比率线性解释。假设Ln[p/(1-p)]=a+bx,根据推导可以得出p=exp(a+bx)/[1+exp(a+bx)],从而计算出企业破产的概率。其判别方法和其他模型一样,先是根据多元线性判定模型确定企业破产的Z值,然后推导出企业破产的条件概率。其判别规则是:如果P值大于0.5,表明企业破产的概率较大,判定企业为即将破产类型;如果P值低于0.5,表明企业财务正常的概率比较大,可以判定为财务正常。
　　Logistic模型的最大优点是,它把在(0,1)区间预测一个企业是否发生财务危机的概率,转化为在实数轴上预测一个企业是否发生财务危机的机会比的问题,这与线性概率有着本质上的进步。由于不需要严格的假设条件,克服了线性方程受统计假设约束的局限性,Logistic模型具有更广泛的适用范围。实证结果显示,资产规模、资本结构、资产报酬率和短期流动性4项财务指标对预测企业破产概率具有统计显著性,判别正确率高达96.12%。目前,这种模型的使用较为普遍,但其计算过程比较复杂,而且在计算过程中有很多的近似处理,这不可避免地会影响到预测精度。
　　
　　四、神经网络预警模型
　　
　　运用线性概率分析、逻辑回归方法来建立财务危机判别函数都是直接或者间接地依赖于线性函数来建立模型,存在的只是理论上的优越性,往往并不能很好地拟合复杂的实际数据。1987年Lapedes和Fayber首次应用神经网络对财务预警进行研究,开创了神经网络预警的先河。该模型是一种平行分散处理模型,具有预测误差小、运行高速、存贮分散、信息联想、自我学习以及自我组织的特点,适合于对复杂性、时变性和模糊性的系统进行预测。
　　BP模型是神经网络方法中较常用的模型,该模型将系统看作一个黑箱,考虑其输入和输出之间的非线性映射,输入过程用输入节点表示,输出过程用输出节点表示。假定系统内部结构未知,用隐节点表示内部机制,从而形成一种用人脑神经元突触行为模拟节点机制的人工神经网络。通过不断地输入和输出,以及对有限多个样本的学习来达到对所研究系统内部的模拟。神经网络模型是自由分布的,其非线性形态较为通用、灵活,在变量从未知分布取得和协方差矩阵不相等时能提供良好的准确性。
　　这种模型的优点是使企业财务动态预警成为可能,并使模型具备随不断变化的复杂环境自学习的能力。这意味着随着样本数的积累,这种模型可以定期更新推理,从而对企业危机动态作出预警。国内学者周敏、王新宇在2002年通过实证分析认为,神经网络分析在判定正确率方面比线性模型和Logistic回归模型更加有效,并且不受变量分布特征影响,不需要主观定性地判断企业财务危急状态,因而能够更加合理地预测企业财务危机。但由于该模型结构难以确认、计算量较大和表述判别力较难等,其在财务领域应用不多。
　　现有的财务预警模型大多是发达国家的学者在研究本国上市公司的基础上建立起来的,虽具有一定的有效性,但发达国家的管理比较先进,企业内部控制比较健全,这些模型并不完全适用于评估我国企业的经营状况和进行财务预警分析。鉴于我国企业的实际情况,ST公司及*ST公司绝大部分具有陷入财务困境的基本特征,我国目前的财务预警模型也基本上基于这两类公司建立,但由于我国的理论研究相对滞后,市场体制还不完善,目前企业财务预警模型构建存在的问题有如下几点:
　　第一,预警变量选择缺乏理论支持。目前支持财务危机研究的系统规范理论比较薄弱,预警变量(财务指标)的选取还处于探索阶段,不能在理论指导下系统地进行,而只能靠研究者经验判断、对前人研究成果借鉴和统计筛选。研究者的经验判断会因主观因素影响模型预警效果,而以数据为向导的统计筛选,依赖样本数据间的统计关系,虽受主观因素影响较小,但理论解释力相对较弱。
　　第二,样本选取范围和样本时间区间存在局限。研究发现,不同的样本选取范围和不同的时间区间所得出的预警模型存在很大差异。在样本的选取时间上会受到数据的完整性和研究区间的影响。国外的研究绝大部分选择的是破产或失败前一年的数据,其判定效果良好的一个主要原因是所有指标在破产前一年两组公司之间的差异是最大的,时效性最强。国内研究则多用ST当年或前一年数据来构建预警模型。另外,在样本选取范围上也会受到不同地区和行业的限制。不同行业要求的财务比率经验值可能不同,有些甚至有很大差异。譬如,以流动比率为例,工业企业的流动比率大多在2:1比较合理,而商业企业的流动比率合理值则低于该值。
　　第三,预警模型缺乏非财务因素支持。绝大部分的研究都以财务会计报表数据为基础,以各种财务指标为变量来建立预警模型。运用财务指标建立的财务预警模型虽然能较直观地反映企业的综合财务状况,但从我国企业的情况来看,不能仅采用财务指标作为判别依据。比如,存在某些上市公司操纵利润、弄虚作假而致使财务指标含有“水分”的问题。更重要的是,一些非财务指标如企业所属行业的生命周期、市场竞争力、审计意见、行业因素、主导产品受国家产业政策的影响等,对分析企业的财务状况、预测企业的经营前景能起到重要作用。
　　综上所述,财务预警模型为企业在经营中提供了风险防范和控制的有效方法,在我国由于受到多种现实条件的限制,财务预警系统没有很好地发挥作用,为企业利益相关者提供必要和有效的预警信息。笔者针对上述问题提出以下几点建议:第一,建立分行业、分企业、甚至分部门的预警模型,拓宽数据的收集渠道和研究的范围;第二,将非财务变量纳入模型,非财务变量与财务指标相结合将会有助于提高模型的预测精度;第三,健全企业内部控制制度,建立和完善管理信息系统,保证财务预警模型中各种指标、财务比率计算的真实性。
　　(作者单位:安徽大学工商管理学院)
　　
　　主要参考文献:
　　
　　[1]William H.Baever.Financial as Predictors of Failure[J].Journal of Accounting Research,1966.5.
　　[2]王跃旗.财务预警系统风险评价模型评价[J].中国管理信息化,2007.2.
　　[3]熊燕.财务危机预警模型评析[J].中国管理信息化,2008.4.
　　[4]杨海平.企业财务预警系统探析[J].企业科技与发展,2008.10.
　　[5]戴传刚.国内外企业财务预警系统发展现状及问题分析[J].科技广场,2007.6.

转载注明来源:https://www.xzbu.com/2/view-409143.htm