论文部分内容阅读
【摘要】有关财务危机预警研究一直是国内外研究的热点和重点，有关财务预警研究的方法有许多，并且随着模型的不断改进，预测的准确率也不断提高。本文主要根据国内外的文献，对财务危机的预警方法进行综述。
【关键词】财务危机；预测方法
财务困境预测方法是指借助数学和计算机技术构建预测模型，通过对企业财务指标的系统分析来预测企业出现财务困境的可能性。从国内外的研究现状来看，财务困境预测模型主要有两类：传统统计类预测模型和人工智能型预测模型。
一、传统统计类预测模型
传统统计类预测模型包括：一元判别分析模型、多元判别分析模型、线性概率分析模型以及累积求和模型等。
（一）一元判别分析模型（UDA）
比弗率先提出了一元判别分析模型，也叫做单变量分析模型，它是通过单个财务指标来预测财务风险的。他比较了1954—1964年期间的79家失败企业和79家相同资产规模的成功企业的30个财务指标的差异，发现具有良好预测性的财务比率依次为现金流量/负债总额、资产收益率和资产负债率。而且离财务失败日越近，判别的效果更好。
虽然比弗的单变量判别模型能够取得较好的预测准确性，但它的缺点在于：只重视一个指标的分析能力，如果使用多个财务指标分别进行判断，单个指标的分类结果之间可能产生冲突，导致无法做出正确的判断。但是单变量判别模型为后来的多变量分析模型在破产分析中的应用奠定了基础。
国内学者陈静在1999年以公司被ST的前1年、前2年、前3年的财务数据为基础，用一元判别分析模型做了实证研究，得出在宣布被ST前1年总的准确率为85%。
（二）多元判别分析模型（MDA）
美国学者奥特曼（1968）最早将MDA模型应用到财务危机预警模型中，他在1968年对美国破产和非破产企业进行观察，对22个财务比率经过梳理统计筛选得到五个变量，建立了著名的Z分数模型，以及在此基础上改进的”Zeta”模型。根据判别分值，以确定的临界值对研究对象进行信贷风险的定位。由于模型简便、成本低、效果佳，日本、德国、法国、英国等许多发达国家的金融机构都纷纷研制了各自的判别模型。
国内学者张玲（2000）选取了沪、深两市涉及14个行业共计120家上市公司为样本，选取了四个反应偿债能力、盈利能力、资本结构和运营能力的财务指标构建判别模型。
杨淑娥、徐伟刚（2003）等学者采用主成分分析法对财务指标进行筛选后建立了MDA模型。
MDA模型的应用也存在诸多局限，比如它要求研究样本的财务比率呈近似正态分布、两组的协方差矩阵相等，这在现实中较难实现。
（三）线性概率分析模型（LPA）
LPA模型主要有Logit和Probit两种。
Edmister（1972）用线性回归建立了包含7个财务比率的财务困境预测模型，预测精度在90%以上。
Qhlson（1980）首次将Logit模型应用到破产预测。
国内学者张后奇在所做的《上市公司财务危机预警系统：理论研究与实证分析》报告中，运用了LR线性回归模型。
LR模型的优点是不要求数据呈正态分布、两组的协方差矩阵相等的假设，在不满足正太分布的条件下，LR模型的预测效果要好于MDA模型，缺点是样本的数量不宜少于200个，否则存在参数估计的有偏性。
（四）累积求和模型（CS）
西奥达西奥与1993年提出了预测企业失败的CS模型，该模型能探测财务状况由好变坏的拐点，对财务状况恶化敏感并具有记忆性，能区分财务指标变化是由序列相关引起的还是由于财务情况恶化引起。
二、人工智能型预测模型
人工智能型预测模型主要包括：人工神经网络模型、遗传算法模型、粗集理论模型、递归划分分析模型以及支持向量机模型。现分述如下：
（一）人工神经网络模型（ANN）
奥多姆（1990）第一次把ANN模型应用于财务困境预测研究，他使用了三层前馈神经网络，并与传统的MDA模型进行了比较研究。
奥特曼（1994）对意大利的1000家公司利用其發生困境前1年的数据进行预测，结果发现，MDA比ANN的预测效果还稍微好一点。
ANN相对于传统统计类模型的优势在于它能够同时处理定性变量和定量变量，而且无需考虑变量之间的统计关系。但它也存在一些问题，如模型的拓扑定义较难实现、模型计算量较大以及判别能力不强等。
（二）遗传算法模型（GA）
遗传算法是模仿自然界生物遗传进化规律在大量复杂概念空间内的随机搜索技术，尤其适合目标函数的多参数优化问题，并运用于证券选择、证券组合选择、预算分配以及信用评价等金融、财务领域。瓦雷托·弗朗哥采用遗传算法提取了线性函数和判别规则。研究结果表明，遗传算法可以获得不受统计约束的最优线性方程，提取的线性函数与MDA相比，省时并且受分析人员的主观影响较小，但结果不如MDA。
（三）粗集理论模型（RST）
RST模型被证明是能够运用一组多价值属性变量描述多个对象的有效工具，可以用来揭示相互关联的财务特征与企业失败风险之间的关系。弗朗西斯研究表明，RST能够发现隐藏在数据中的重要事实，并能用自然语言表达成一组决策规则，每个决策规则都有案例支持，能够结合使用定性变量和定量变量，无需统计约束和模糊隶属度评能够价，节省决策形成的成本和时间，工程透明，可以考虑决策者的知识背景，并可用于集成决策支持系统。迪米特拉正式，由于不同样本与决策者知识会产生不同的决策规则组，因此研究结果并不具有通用性。
（四）递归划分分析模型（BPA）
弗里德曼首次采用BPA建立预警模型，他以财务比率为判别点建立二叉分类树，以最低误判成本为标准对样本企业进行分类预测。结果发现犯第一类错误的概率高于犯第二类错误的概率，MDA模型对研究样本的期望误判成本明显高于BPA模型。在RPA模型中可以选用非财务指标和定性指标，但复杂的分类树结构可能引起样本的过度适应，预测风险高，因此分类树结构宜不宜繁，便于灵活运用。 （五）支持向量机模型（SVM）
范·格斯特等将SVM应用到财务困境預测模型中，采用最小二乘法作为SVM的线性学习器，构建LS—SVM财务困境预测模型，预测模型的判别准确率高达89.91%。
李英昌采用表格搜索技术对SVM核参数进行优化后，建立了SVM模型，预测效果优于MDA、LR和BP—ANN模型。
申庆植等采用SVM建立了财务困境预测模型，他通过对韩国中型制造企业的实证研究结果表明：SVM模型的预测性能优于BP—ANN模型。
沃尔夫冈·哈德勒尝试着将SVM应用到财务困境预测研究中，通过对美国2001-2002年间84家企业的实证分析，结果表明SVM具有很好的分类效果。
国内学者李贺、冯天谨（2005）通过对我国烟酒行业50家上市企业连续3年的公开数据的实证研究表明：SVM模型的预测性能优于ANN模型；徐晓燕（2006）提出了一种将Logit回归与SVM集成的预测方法。即LR—SVM。该方法通过修改支持向量机的输出而改进其预测精度，即先对支持向量机的训练数据用Logit回归进行分析，再用支持向量机进行预测。如果Logit回归的结果支持SVM的结果，则不对SVM的输出结果进行修改，否则修改SVM的输出结果。实证结果表明，该方法的预测精度明显优于一般的支持向量机。
SVM的主要优势表现在：专门针对小样本，具有较好的推广能力；巧妙地解决了维数问题，算法的复杂度与样本维数无关；无需对变量作任何特殊假设；变量间是否存在共线性对数据处理和模型估计影响不大。它的局限性是特征集和核参数对模型性能具有重要影响。
综上所述，国内学者对传统统计类预测模型之间、统计类模型与ANN之间做比较研究的较多，而对SVM与其他模型之间进行比较研究的很少，尤其是SVM改进算法以及核参数优化对财务困境影响的研究就更少。
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]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.
[3]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001.6.
[4]赵冠华.企业财务困境分析与预测方法研究[D].天津大学博士论文，2009.
【关键词】财务危机；预测方法
财务困境预测方法是指借助数学和计算机技术构建预测模型，通过对企业财务指标的系统分析来预测企业出现财务困境的可能性。从国内外的研究现状来看，财务困境预测模型主要有两类：传统统计类预测模型和人工智能型预测模型。
一、传统统计类预测模型
传统统计类预测模型包括：一元判别分析模型、多元判别分析模型、线性概率分析模型以及累积求和模型等。
（一）一元判别分析模型（UDA）
比弗率先提出了一元判别分析模型，也叫做单变量分析模型，它是通过单个财务指标来预测财务风险的。他比较了1954—1964年期间的79家失败企业和79家相同资产规模的成功企业的30个财务指标的差异，发现具有良好预测性的财务比率依次为现金流量/负债总额、资产收益率和资产负债率。而且离财务失败日越近，判别的效果更好。
虽然比弗的单变量判别模型能够取得较好的预测准确性，但它的缺点在于：只重视一个指标的分析能力，如果使用多个财务指标分别进行判断，单个指标的分类结果之间可能产生冲突，导致无法做出正确的判断。但是单变量判别模型为后来的多变量分析模型在破产分析中的应用奠定了基础。
国内学者陈静在1999年以公司被ST的前1年、前2年、前3年的财务数据为基础，用一元判别分析模型做了实证研究，得出在宣布被ST前1年总的准确率为85%。
（二）多元判别分析模型（MDA）
美国学者奥特曼（1968）最早将MDA模型应用到财务危机预警模型中，他在1968年对美国破产和非破产企业进行观察，对22个财务比率经过梳理统计筛选得到五个变量，建立了著名的Z分数模型，以及在此基础上改进的”Zeta”模型。根据判别分值，以确定的临界值对研究对象进行信贷风险的定位。由于模型简便、成本低、效果佳，日本、德国、法国、英国等许多发达国家的金融机构都纷纷研制了各自的判别模型。
国内学者张玲（2000）选取了沪、深两市涉及14个行业共计120家上市公司为样本，选取了四个反应偿债能力、盈利能力、资本结构和运营能力的财务指标构建判别模型。
杨淑娥、徐伟刚（2003）等学者采用主成分分析法对财务指标进行筛选后建立了MDA模型。
MDA模型的应用也存在诸多局限，比如它要求研究样本的财务比率呈近似正态分布、两组的协方差矩阵相等，这在现实中较难实现。
（三）线性概率分析模型（LPA）
LPA模型主要有Logit和Probit两种。
Edmister（1972）用线性回归建立了包含7个财务比率的财务困境预测模型，预测精度在90%以上。
Qhlson（1980）首次将Logit模型应用到破产预测。
国内学者张后奇在所做的《上市公司财务危机预警系统：理论研究与实证分析》报告中，运用了LR线性回归模型。
LR模型的优点是不要求数据呈正态分布、两组的协方差矩阵相等的假设，在不满足正太分布的条件下，LR模型的预测效果要好于MDA模型，缺点是样本的数量不宜少于200个，否则存在参数估计的有偏性。
（四）累积求和模型（CS）
西奥达西奥与1993年提出了预测企业失败的CS模型，该模型能探测财务状况由好变坏的拐点，对财务状况恶化敏感并具有记忆性，能区分财务指标变化是由序列相关引起的还是由于财务情况恶化引起。
二、人工智能型预测模型
人工智能型预测模型主要包括：人工神经网络模型、遗传算法模型、粗集理论模型、递归划分分析模型以及支持向量机模型。现分述如下：
（一）人工神经网络模型（ANN）
奥多姆（1990）第一次把ANN模型应用于财务困境预测研究，他使用了三层前馈神经网络，并与传统的MDA模型进行了比较研究。
奥特曼（1994）对意大利的1000家公司利用其發生困境前1年的数据进行预测，结果发现，MDA比ANN的预测效果还稍微好一点。
ANN相对于传统统计类模型的优势在于它能够同时处理定性变量和定量变量，而且无需考虑变量之间的统计关系。但它也存在一些问题，如模型的拓扑定义较难实现、模型计算量较大以及判别能力不强等。
（二）遗传算法模型（GA）
遗传算法是模仿自然界生物遗传进化规律在大量复杂概念空间内的随机搜索技术，尤其适合目标函数的多参数优化问题，并运用于证券选择、证券组合选择、预算分配以及信用评价等金融、财务领域。瓦雷托·弗朗哥采用遗传算法提取了线性函数和判别规则。研究结果表明，遗传算法可以获得不受统计约束的最优线性方程，提取的线性函数与MDA相比，省时并且受分析人员的主观影响较小，但结果不如MDA。
（三）粗集理论模型（RST）
RST模型被证明是能够运用一组多价值属性变量描述多个对象的有效工具，可以用来揭示相互关联的财务特征与企业失败风险之间的关系。弗朗西斯研究表明，RST能够发现隐藏在数据中的重要事实，并能用自然语言表达成一组决策规则，每个决策规则都有案例支持，能够结合使用定性变量和定量变量，无需统计约束和模糊隶属度评能够价，节省决策形成的成本和时间，工程透明，可以考虑决策者的知识背景，并可用于集成决策支持系统。迪米特拉正式，由于不同样本与决策者知识会产生不同的决策规则组，因此研究结果并不具有通用性。
（四）递归划分分析模型（BPA）
弗里德曼首次采用BPA建立预警模型，他以财务比率为判别点建立二叉分类树，以最低误判成本为标准对样本企业进行分类预测。结果发现犯第一类错误的概率高于犯第二类错误的概率，MDA模型对研究样本的期望误判成本明显高于BPA模型。在RPA模型中可以选用非财务指标和定性指标，但复杂的分类树结构可能引起样本的过度适应，预测风险高，因此分类树结构宜不宜繁，便于灵活运用。 （五）支持向量机模型（SVM）
范·格斯特等将SVM应用到财务困境預测模型中，采用最小二乘法作为SVM的线性学习器，构建LS—SVM财务困境预测模型，预测模型的判别准确率高达89.91%。
李英昌采用表格搜索技术对SVM核参数进行优化后，建立了SVM模型，预测效果优于MDA、LR和BP—ANN模型。
申庆植等采用SVM建立了财务困境预测模型，他通过对韩国中型制造企业的实证研究结果表明：SVM模型的预测性能优于BP—ANN模型。
沃尔夫冈·哈德勒尝试着将SVM应用到财务困境预测研究中，通过对美国2001-2002年间84家企业的实证分析，结果表明SVM具有很好的分类效果。
国内学者李贺、冯天谨（2005）通过对我国烟酒行业50家上市企业连续3年的公开数据的实证研究表明：SVM模型的预测性能优于ANN模型；徐晓燕（2006）提出了一种将Logit回归与SVM集成的预测方法。即LR—SVM。该方法通过修改支持向量机的输出而改进其预测精度，即先对支持向量机的训练数据用Logit回归进行分析，再用支持向量机进行预测。如果Logit回归的结果支持SVM的结果，则不对SVM的输出结果进行修改，否则修改SVM的输出结果。实证结果表明，该方法的预测精度明显优于一般的支持向量机。
SVM的主要优势表现在：专门针对小样本，具有较好的推广能力；巧妙地解决了维数问题，算法的复杂度与样本维数无关；无需对变量作任何特殊假设；变量间是否存在共线性对数据处理和模型估计影响不大。它的局限性是特征集和核参数对模型性能具有重要影响。
综上所述，国内学者对传统统计类预测模型之间、统计类模型与ANN之间做比较研究的较多，而对SVM与其他模型之间进行比较研究的很少，尤其是SVM改进算法以及核参数优化对财务困境影响的研究就更少。
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]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.
[3]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001.6.
[4]赵冠华.企业财务困境分析与预测方法研究[D].天津大学博士论文，2009.