财务危机预警模型的比较分析

【前言】财务危机预警模型的比较分析由文秘帮小编整理而成，但愿对你的学习工作带来帮助。判别分析是对研究对象所属类别进行判别的一种统计分析方法。进行判别分析的必要条件是已知观测对象的分类和若干表明预测对象特征的变量值,然后从中筛选出能提供较多信息量的变量,进而建立判别函数,使推导出的判别函数对观测样本分类时的错判率最小。 (一)一元判别模型...

摘要:财务危机预警模型可以分为判别分析模型、Logit模型和人工神经网络模型三大类,已有的模型都存在一定的局限和可以进一步研究的方向。

关键词:财务危机;预警模型;财务风险;Logit模型

中图分类号:F230文献标志码:A文章编号:1673-291X(2010)30-0084-02

财务危机预警是以财务会计报表为基础,通过建立和观测一些敏感指标的变化,对企业可能发生的财务危机实施评价、预测和预警,此过程中使用的数学模型即为财务危机预警模型。在理论和经验检验中所使用的财务危机预警模型可以分为判别分析模型、Logit模型和人工神经网络模型三大类。其中,判别分析模型又可分为一元判别模型和多元判别模型。本文对几种主要的财务危机预警模型进行比较分析,希望能够为进一步的研究提供一些借鉴。

一、判别分析模型

判别分析是对研究对象所属类别进行判别的一种统计分析方法。进行判别分析的必要条件是已知观测对象的分类和若干表明预测对象特征的变量值,然后从中筛选出能提供较多信息量的变量,进而建立判别函数,使推导出的判别函数对观测样本分类时的错判率最小。

(一)一元判别模型

一元判别模式是以某一项财务指标作为判别标准来判断企业是否处于财务危机状态的预测模型。通常将样本分为“估计样本”和“有效样本”两组,首先将估计样本按某一财务比率排序,之后最为关键的是寻找临界值,它可使两组的错判率最小,最后依据此临界值对有效样本进行预测。Fitzpatrick(1932)最早运用一元判别模型进行财务危机预警研究,他选用19家企业作为样本,并将其划分为破产与非破产两组,运用一项财务比率进行分析,结果表明预测能力最强的指标是净利润/股东权益和股东权益/负债。之后,Beaver(1966)选取美国1954―1964年间79家陷入财务危机的企业和79家正常企业,考察了30个财务比率,发现具有良好财务预测的财务比率分别是营运现金流/负债,净利润/资产和负债/资产。

一元判别模型首次把财务比率运用于预测财务危机,并且仅需对单个财务比率进行分析考察,计算简便。但它的缺点也较明显,如果对同一公司使用不同比率进行预测,往往会得出不同的结果,而且企业通过粉饰财务报表掩盖财务危机的可能性较大。

(二)多元判别模型

多元判别模型是指通过统计技术筛选出那些在两组间差别尽可能大但在两组内部的离散度最小的变量,这样多个标识变量可在最小信息损失下转换为分类变量。多元判别模型能有效提高预测精度。

1.Z值模型

Edward.Altman(1968)提出了Z值模型(也称为Altman模型),其基本原理如下:首先将样本分为预测样本和测试样本,再根据预测样本建立多元判别模型:Z=V1X1+V2X2+…+VnXn,其中,V1,V2,…Vn是权数,X1,X2,…Xn是各种财务比率。之后,根据此模型确定临界值Z值,然后把测试样本的数据代入此判别方程,并计算测试样本的Z值,最后依据判别标准进行判定。

Altman分别选取了33家失败企业和33家成功企业的22个财务数据,使用软件逐步淘汰区分能力差的财务数据,最后保留了5个财务比率:X1=营运资本/资产,X2=留存收益/资产,X3=息税前利润/资产,X4=权益的市场价值/负债的市价,X5=销售额/资产。其Z值模型为:Z=1.2X1+1.4X2+

3.3X3+0.6X4+0.999X5。Z值越低,企业发生财务危机的概率越高,当Z

Z值模型简单易懂,数据易于获取,计算简便,不仅有利于企业管理当局进行财务分析,也为投资人、债权人作出有效的投资决策提供了依据。但使用Z值模型时必须注意时间性,Z值模型只适应于对企业短期风险的判断。而且,Z值模型没有充分考虑现金流量等方面的影响。此外,由于该模型只适用于上市公司,Altman后来对该模型进行了修订,建立了非上市公司财务危机预警的Z′模型和跨行业的Zeta模型。

2.F分数模型

为了克服Z值模型的局限性,周首华、杨济华和王平(1996)对Z值模型进行改进,建立了F分数模型。F分数模型扩大了Z值模型的样本容量,使用了Compustat PC Plus会计数据库中的4 160家企业的数据。F分数模型中加入了现金流量这一自变量,现金流量的计算是长期投资决策中所用到的营业现金流量,等于税后净利润加上折旧,这里暗含非付现费用只有折旧。基于Donalson理论,F分数模型同样选取了5个财务比率,与Z值模型不同的是X3和X5这两个变量,其中X3是一个现金流量变量,X3=(税后净利润+折旧)/平均负债,它用来衡量企业使用全部现金流偿还债务的能力;X5=(税后净利润+利息+折旧)/平均资产,它测量了企业的资产创造现金流的能力。F分数模型为:F=-0.1774+

1.1091X1+0.1074 X2+1.9271X3+0.0302X4+0.4961X5。F分数模型测算的临界值为0.0274,如果F

二、Logit模型

Logit模型又被称为评定模型、分类评定模型和逻辑回归模型,建立的基础是累计概率函数,目标是寻找观察对象的条件概率,据此判断观察对象的财务状况和经营风险。Logit模型是一个非线性模型,曲线呈S型或倒S型,模型公式为:

lnP/1-P=αβiXi,其中,P是在因素(X1,X2,…,Xm)的影响下企业发生财务危机的概率,0≤P≤1;1-P是企业不发生财务危机的概率;Xi(i=1,2,…,m)是影响财务危机的第i个因素;αi,βi(i=1,2…,m)是待估计参数。然后利用最大似然估计法估计参数。判别规则是:取0.5作为概率的临界值,将样本数据代入回归方程后,如果P>0.5,表明其也发生财务危机的概率较大,否则,判断企业财务正常。

Ohlson(1980)第一个采用Logit方法进行破产预测,使用9个自变量,估计了三个模型,分析了样本公司在破产概率区间上的分布以及两类判别错误和分割点的关系。他发现至少有四类显著影响公司破产概率的变量:公司规模、资本结构、业绩和当前资产的变现能力。继Ohlson之后,Gentry,Newbold and Whitford(1985);Casey and Bartczak(1985);Zavgren(1985)也采用类似的方法进行研究。程涛(2002)以1998―2000年被ST的A股上市公司为研究样本,运用时间序列回归和Logit回归方法,从财务指标角度和现金流量角度分别构建预警模型,并在此基础上构建综合预警模型。姜秀华(2001)、吴世农、卢贤义(2001)、李华中(2001)等也采用类似的方法进行了研究。

同一元判别模型相比,Logit模型信息含量大,解释能力强,并且不容易发生冲突。此模型最大的优点在于克服了多元判别模型要求变量服从正态分布并且分组样本间的协方差相等的局限性。但是,Logit模型是建立在累计概率函数的基础之上,同样要求各个自变量之间不存在多重共线性。而且,运用Logit模型在计算过程中有许多的近似处理,这会影响预测精度。

三、人工神经网络模型

人工神经网络(Artificial Neural Networks)建构理念植根于人类对大脑神经网络认识,人工构造一种神经网络以实现某种功能,最为广泛使用的是反向传播人工神经网络,即BP网络。

Odom and Sharda(1990)是用BP神经网络预测财务困境这一方法的开拓者,其研究是以Altman所构建的五个财务比率为研究变量,使用类神经网络与判别分析作验证比较,结果发现类神经网络具有更佳的预测能力。Tam(1991)通过对人工神经网络(ANN)的模拟,得出神经网络可以应用于财务预警,而且具有较高的预测精度。Koh and Tan在1999年以6个财务指标为研究变量作了类似的研究,认为类神经网络模型的预测效果优于Probit模型。杨保安等(2002)采用ANN模型进行财务危机预警研究,结果表明:样本的实际输出和期望输出较为接近,显示出神经网络是进行财务评估的一种很好的应用工具。柳炳祥、盛昭翰(2002)分析了评价财务危机的指标体系、财务危机等级的划分和基于粗神经网络的财务预警方法,并用一个预警实例进行了验证。

已有的研究表明,人工神经网络具有较好的模式识别能力,而且它具有容错能力,对数据的分布不做严格要求,能够处理有噪声和不完全的数据,误差小,建模更科学,克服了传统统计方法的限制。更为重要的是人工神经网络具有学习能力,可依据新的数据资料自我学习、训练,调整内部的储存权重参数以应对多变的企业运作环境。

四、对已有模型的述评

可以看出,已有的很多模型构筑精巧,使用了很多量化技术,但也产生了一个问题,模型的应用性和可操作性较差,模型在使用中受到样本选择范围和选择时间的限制,模型成立的前提条件也较苛刻,模型中所涉及变量的选择也缺乏理论支持,更多的是凭“通用性”和经验。因此,我们认为,财务危机预警分析需要考虑诸多方面的因素,除了关注模型的设计外,还应该加强财务比率的设计和选择,积极探索将非量化因素引入财务危机预警指标体系。同时,财务危机预警模型必须以大量的真实信息为基础,因此,应加强信息管理,建立使用信息和分析信息的合理机制,进一步增强财务信息的有用性。

参考文献:

[1]A1tman E.I,“Financial Ratios,Discriminant Analysis,and the Prediction of Bankruptcy”,Journal of Finance[J].September 1968.

[2]Tam and Kiang,“Predicting Bank Failures:A Neural Network Approach”,Management Science[J].1992,8:926-947.

[3]李志强.上市公司财务预警研究述评[J].金融理论与实践,2009,(3).

[4]袁业虎,张燕.中外财务预警实证研究述评[J].审计与理财,2005,(9).[责任编辑 陈丹丹]