企业财务预警模型初探
来源:用户上传
作者: 陈海山
【摘要】企业财务预警系统是为了化解企业财务危机而建立起来的一种机制。文章分析了企业财务预警系统模型的种类，并提出相关建议。
【关键词】企业 财务预警模型 种类
一、企业财务预警模型的种类
财务预警系统是以企业财务数据为基础，以财务指标为中心，通过对财务指标的综合分析及预测，及时反映企业经营情况和财务状况变化，对企业各环节发生或将可能发生的经营风险发出预警信号，为公司管理当局提供决策支持的监控系统。企业财务预警系统的模型有以下几种。
1、单变量模型
单变量模型是指运用单一变数，用个别财务比率或现金流量指标来预测财务危机的方法。出现财务困境的公司其财务比率与正常公司有显著的不同，从而可以反映企业财务状况，揭示企业财务危机。单变量模型中的财务指标主要包括：现金盈利值、现金增加值、债务保障比率、资产收益率、资产负债率、资产安全率和资产变现率。这些财务指标的计算公式及意义如下：
现金盈利值=经营活动现金净流量+分得股利和利润收现+债券利息收现+处置长期资产收现-利息及筹资费用付现。该指标反映企业现金净收益。
现金增加值=现金盈利值-分配股利付现。该指标反映企业支付了各项现金分配后的留存现金收益。
债务保障率=现金流量/债务总额。该指标反映公司现有的现金支付债务能力。
资产收益率=净收益/资产总额。该指标反映股东权益的收益水平。
资产负债率=负债总额/资产总额。该指标反映总资产中有多大比例是通过借债来的。
资产安全率=资产变现率-资产负债率。该指标反映资产变现后偿还负债还有多少剩余。
资产变现率=资产变现金额/资产账面价值。该指标反映资产可变现的比率。
对单个财务指标进行分析得出的结论可能会受到一些客观因素的影响，如通货膨胀等的影响。单变量模型分析较为简单，但不能综合说明公司整体财务状况，运用这种方法可能出现对于同一公司的不同预测指标得出不同结论的情况。因此，运用单变量模型时指标的选择非常重要。
2、多变量模型
多变量模型就是运用多个财务指标或现金流量指标来综合反映企业的财务状况，并在此基础上建立预警模型，进行财务预测。多变量模型主要包括：线性判别模型、主成分预测模型、简单线性概率模型、logit模型和probit模型。
（1）线性判别模型。多元线性判别模型是运用多元统计分析方法中的判别分析建立起来的。该模型根据一定的样本资料建立判别函数、确定判定区域，以对企业财务状况进行预测。这种模型典型的有1968年美国学者Altman提出的“Z―计分法”。该模型是基于会计数据和市场价值的信用风险模型，用以计量企业破产的可能性。其判别函数为：
Z＝0.012X1+0.014X2+0.033X3+0.006X4+0.999X5
其中：X1=运营资本/资产总额；X2=留存收益/资产总额；X3=息税前收益/总资产总额；X4=权益的市场价值/负债的价值总额；X5=销售额/资产总额。
奥特曼提出的判断标准是：如果Z值大于2.675，则企业发生破产的可能性较小；如果Z值小于1.81，则企业存在很大的破产危险；如果Z值处于1.81到2.675之间，企业的财务状况是极不稳定的，称为“灰色地带”。
（2）主成分预测模型。该方法是由Hotelling于1933年首先提出的。其主要思想是：通过对财务指标内部结构分析，找出影响企业财务状况的几个综合指标，综合指标不仅反映了主要信息且彼此完全不相关，通过提炼财务指标形成主成分，并利用主成分进行预测分析。实质是单变量模型的综合运用。
（3）简单线性概率模型。该模型是利用多元线性回归方法建立起来的，其形式是：
y＝c＋β1X1＋β2X2＋…＋βkXk
其中：c、β1、β2、…、βk为系数；X1、X2、…、Xk为k个预测变量，即财务指标；y为企业财务失败的概率。
该模型以0.5为危机分界点，y值越大，企业发生财务失败的可能性越大；y值越接近于0，说明企业财务越安全。
（4）logit模型和probit模型。也叫对数比率模型和概率单位模型，都属于概率模型，是在克服简单线性概率模型的基础上分别用logit和probit概率函数建立起来的。logit模型的形式为：
1n［p÷（1-p）］＝α0＋β1X1＋β2X2＋…＋βkXk
其中：p取值为0、1；p为概率；x1，x2，…，Xk为k个预测变量，即财务指标；α0、β1、β2、…、βｋ为系数。
probit概率模型的预测效果一般与logit模型预测的效果相差不大。
多变量模型均同时选取多个财务指标或现金流量指标，通过一定的方法进行综合分析，模型的构建涉及多种方法和理论，操作比较复杂。多变量模型综合考虑了公司财务环境，包括引起公司财务危机状况的多个方面，预测范围比较全面，因此比单变量模型能更好地起到财务预警的作用。
3、动态模型
动态财务预警模型主要是把人工智能中的归纳式学习方法应用于财务危机预测。动态财务预警模型主要包括神经网络预测模型和案例推理法。
（1）神经网络预测模型。当向模型中输入一些资料后，网络会以目前的权重计算出相对应的预测值以及误差，而再将误差值回馈到网络中调整权重，经过不断地重复调整，从而使预测值渐渐地逼近真实值。当应用此网络到新的案例时，只要输入新案例的相关数值，神经网络就可以根据当时的权重得出输出值即预测值。神经网络分析是一种并行分布模式处理系统，具有高度的计算能力、自学能力和容错能力。该模型由一个输入层、若干个中间层和一个输出层构成。
（2）案例推理法。这是近年才被尝试应用于财务危机预测的一种动态非统计模型方法。案例推理法是一种依循经验来推理的方法，就是以过去发生的案例为主要经验依据来判断未来可能发生的问题。当输入一个新的问题到案例推理法系统，该系统会从现有的案例库中搜寻相似的案例，以判断新案例的类型。案例推理法的关键步骤就是根据相似性演算法测算出案例之间距离，再转变为案例之间的相似度，由相似度选取最相近的案例，据此进行推理判断。
动态模型的分布是自由的，当变量和协方差结构不相等时，神经网络能够提供准确的分类。但是它在实际运用中还存在一些问题，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等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，而且其决策过程不易理解，以致对它的接受和应用都较困难。另外，这种模型要求拥有大量的学习训练样本以供分析，如果样本数量积累得不足，没有足够的代表性和广泛的覆盖面，则会影响系统的分析和预测的结果。
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，应用也较为广泛。目前在财务预警模型方面仍然以传统的统计方法为主，动态模型尚不够成熟，对它的应用仍处于探索阶段。
二、使用财务预警模型的注意事项
一是确保录入的信息真实有效。财务预警系统必须以大量的信息为基础，这些信息本身要真实和有效，否则将产生“垃圾进、垃圾出”的情况，达不到财务预警的作用。
二是协调好企业内部各部门之间的关系。企业是一个有机整体，财务预警系统应该得到企业内部各个部门的支持和配合。
三是多模型结合使用。无论是单变量模型、多变量模型还是动态模型都存在优点和不足，在实际使用中多模型结合使用预警效果更佳。
转载注明来源:https://www.xzbu.com/2/view-448878.htm
