- 相关推荐
财务失败预警模型研究综述
【摘要】本文主要论述了国内外有关财务失败预警的相关研究，并分析了这些统计模型的缺陷，最后对我国建立公司财务失败预警模型提出若干建议。 【关键词】财务失败预警 多元判别分析 人工神经网络财务失败（Financial Failure）是指公司无力支付到期债务的经济事项。财务失败分可为技术上无力偿债和破产两种形式。前者是指公司的资产总额大于负债总额，即“资大于债”，但其财务状况不公道，即现有的现金流量小于需要偿付的债务，导致公司不能清偿到期债务，从而有可能发生破产；后者是指公司的资产总额小于负债总额，即“资不抵债”，导致公司不能清偿到期债务而发生破产。引起公司财务失败的风险主要包括经营风险和财务风险两方面。
一、国外财务失败预警模型研究
最早的财务失败预警研究是Fitzpatrick(1932)开展的单变量破产猜测研究。他以19家公司作为样本，运用单个财务比率将样本划分为破产和非破产两组，他发现判定能力最高的是净利润/股东权益和股东权益/负债两个比率。Beaver(1966)使用由79对公司组成的样本，他发现最好的判定变量是营运资本流/负债(在公司破产的前一年景功地判定了90%的破产公司)和净利润/总资产(在同一阶段的判别成功率是88%)。
Altman于1968年首先使用了多元线性判别模型研究公司的破产题目。根据行业和资产模型，他为33家破产公司选择了33家非破产配对公司，选用了22个变量作为破产前1～5年的猜测备选变量，根据误判率最小的原则，终极选择了5个变量作为判定变量。其模型在破产前一年景功地判定出33家破产公司中的31家，而对于由25家破产公司和56家非破产公司组成的检验样本，模型在公司破产前一年正确地从25家破产公司中判定出24家，从56家非破产公司中判定出52家。
Ohlson(1980)分析了样本公司在破产概率区间上的分布以及两类判定错误和分割点的关系，他发现至少存在四类明显影响公司破产概率的变量：公司规模、资本结构、业绩和当前的变现能力。
随着研究的深进和技术的发展，国外在财务失败预警模型方面突破了传统的统计方法，目前比较成熟的研究方法有：人工智能猜测模型、遗传算法（Genetic Algorithms）、泰勒的Logistic 回回拓展应用、混合神经网络模型（Hybrid neural network models）、自组织映射猜测模型(self-organizing map) 、概率神经网络猜测模型等。
二、国内财务失败预警模型研究
在国内的研究中，吴世农、黄世忠(1986)曾先容公司的破产分析指标和猜测模型；陈静(1999)以1998年的27家ST公司和27家非ST公司，使用了1995-1997年的财务报表数据，进行了单变量分析和二类线性判定分析，在单变量判定分析中，发现在负债比率、活动比率、总资产收益率、净资产收益率4个财务指标中，活动比率与负债比率的误判率最低；在多元线性判定分析中，发现由负债比率、净资产收益率、活动比率、营运资本/总资产、总资产周转率6个指标构建的模型，在ST发生的前3年能较好地猜测ST。我国在财务失败预警研究方面起步比较晚，更多的还停留在理论研究上。
1、多元判别分析方法
多元判别分析方法应用最著名的是美国的Altman的Zeta模型。早在60年代，Altman Altman经过大量的实证考察和分析研究，选择了5种基本财务比率，根据每一种比率对财务失败的影响程度赋予权值（即各种比率的系数），以此作为猜测公司财务失败和破产的基本模型，即所谓的“Z-Score”模型，其基本表达式为：
Z=0.012X1 0.014X2 0.033X3 0.006X4 0.999X5 （1-1）
奥特曼教授通过对Z-score模型的研究分析得出：Z值越小，该公司遭受财务失败的可能性就越大。奥特曼的研究表明，一般美国公司Z值的临界值为1.8。
具体判定标准为：Z
【财务失败预警模型研究综述】相关文章：
财务风险预警模型构建实证分析12-08
企业财务预警模型的比较分析03-21
浅谈我国企业财务预警模型的建立03-22
财务战略管理研究文献综述06-11
我国宏观财务经济监测与预警问题研究03-18
企业财务危机预警体系研究03-18
我国宏观财务经济监测与预警题目研究03-22
微电影研究综述05-17