財(cái)務(wù)困境預(yù)測(cè)模型綜述

夏寧　宋學(xué)良

【摘 要】 財(cái)務(wù)困境預(yù)測(cè)一直是財(cái)務(wù)界的研究熱點(diǎn)。文章梳理了相關(guān)財(cái)務(wù)困境預(yù)測(cè)模型的發(fā)展脈絡(luò)，對(duì)傳統(tǒng)的和現(xiàn)代的財(cái)務(wù)困境預(yù)測(cè)模型進(jìn)行了系統(tǒng)的評(píng)述，并對(duì)未來(lái)財(cái)務(wù)困境預(yù)測(cè)的研究作了展望。

【關(guān)鍵詞】 財(cái)務(wù)管理； 財(cái)務(wù)困境； 預(yù)測(cè)模型

中圖分類(lèi)號(hào)：F272 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-5937（2015）08-0027-03

一、引言

財(cái)務(wù)困境預(yù)測(cè)是財(cái)務(wù)管理活動(dòng)的重要環(huán)節(jié)，目的是找出財(cái)務(wù)困境的作用機(jī)理，以預(yù)測(cè)公司的財(cái)務(wù)狀況。財(cái)務(wù)困境預(yù)測(cè)模型的研究一直是財(cái)務(wù)困境研究的重點(diǎn)內(nèi)容。目前，單變量模型、多元線性判別分析、LOGIT模型、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等已成功應(yīng)用于財(cái)務(wù)困境的研究。

二、財(cái)務(wù)困境的定義

關(guān)于財(cái)務(wù)困境（或財(cái)務(wù)危機(jī)），由于其引致變量的復(fù)雜性，對(duì)其定義還沒(méi)有一個(gè)普遍的共識(shí)，大多數(shù)學(xué)者都是從自身研究取樣的角度，來(lái)定義財(cái)務(wù)困境的相關(guān)內(nèi)涵。早期對(duì)財(cái)務(wù)困境的定義即為企業(yè)破產(chǎn)（Fitzpatrick，Winakor，smith，F(xiàn)oulke，Merwin），隨著研究的進(jìn)展，Beaver（1966）在研究財(cái)務(wù)困境模型時(shí)加入了拖欠債務(wù)的公司和拖欠優(yōu)先股股利的公司，豐富了財(cái)務(wù)困境的內(nèi)涵。Amy Hing-Ling lau（1987）將企業(yè)財(cái)務(wù)狀況劃分成不同的階段，將取消或減少股利到破產(chǎn)清算劃分為困境期。在國(guó)內(nèi)，財(cái)務(wù)困境公司一般是被ST的公司（陳靜，1999；吳世農(nóng)、盧賢義，2001等）。彭韶兵、邢精平（2005）把從資金管理技術(shù)性失敗到大規(guī)模重組作為財(cái)務(wù)困境的階段。吳星澤（2011）在加入了利益相關(guān)者的前提下，將危機(jī)力量導(dǎo)致的支付能力不足視為財(cái)務(wù)困境。雖然該定義考慮了利益相關(guān)者，但仍局限在現(xiàn)金流層面考慮財(cái)務(wù)困境。筆者認(rèn)為，企業(yè)出現(xiàn)下列事項(xiàng)就應(yīng)當(dāng)視為發(fā)生財(cái)務(wù)困境：稅息折舊及攤銷(xiāo)前利潤(rùn)（EBITDA）小于利息費(fèi)用、存量破產(chǎn)、流量破產(chǎn)、債務(wù)違約、財(cái)務(wù)異常和其他異常等。

三、預(yù)測(cè)變量的選擇

（一）變量的分類(lèi)

財(cái)務(wù)類(lèi)指標(biāo)是最常用的一類(lèi)衡量財(cái)務(wù)困境的指標(biāo)，它是將財(cái)務(wù)指標(biāo)作為預(yù)測(cè)模型的解釋變量進(jìn)行預(yù)測(cè)（Fitzpatrick，Altamn，Olhson，Odom et al.）。然而選擇哪些財(cái)務(wù)指標(biāo)，以及單純的財(cái)務(wù)指標(biāo)能否解釋財(cái)務(wù)困境以及在多大程度上解釋等問(wèn)題，使得現(xiàn)金流指標(biāo)及市場(chǎng)收益類(lèi)指標(biāo)出現(xiàn)。

現(xiàn)金流預(yù)測(cè)指標(biāo)是建立在流量破產(chǎn)的角度來(lái)反映公司的困境，Aziz，Emanuel and Lawson（1988）發(fā)現(xiàn)了現(xiàn)金流量信息預(yù)測(cè)財(cái)務(wù)困境模型，并發(fā)現(xiàn)其預(yù)測(cè)能力好于財(cái)務(wù)指標(biāo)。國(guó)內(nèi)周首華、楊濟(jì)華、王平（1996）等在Altman的Z模型基礎(chǔ)上，加入現(xiàn)金流指標(biāo)，構(gòu)造了能供管理當(dāng)局使用而又區(qū)別于傳統(tǒng)的公司償付能力分析的新的預(yù)測(cè)模式——F分?jǐn)?shù)模式。章之旺（2004）通過(guò)實(shí)證研究，發(fā)現(xiàn)了現(xiàn)金流量類(lèi)變量對(duì)財(cái)務(wù)困境的預(yù)測(cè)價(jià)值。

市場(chǎng)收益類(lèi)指標(biāo)是利用股票的市場(chǎng)收益率作為預(yù)測(cè)指標(biāo)，來(lái)預(yù)測(cè)公司發(fā)生財(cái)務(wù)困境的方法（Beaver，Altman，Brenner）。研究發(fā)現(xiàn)，市場(chǎng)收益類(lèi)指標(biāo)同財(cái)務(wù)指標(biāo)一樣有預(yù)測(cè)價(jià)值。由于國(guó)內(nèi)證券市場(chǎng)尚未完全成熟，所以國(guó)內(nèi)利用該類(lèi)變量的財(cái)務(wù)困境預(yù)測(cè)研究相對(duì)較少。

宏觀經(jīng)濟(jì)指標(biāo)也是預(yù)測(cè)企業(yè)陷入財(cái)務(wù)困境的重要指標(biāo)，研究發(fā)現(xiàn)經(jīng)濟(jì)周期（Rose，Giroux）、貨幣供應(yīng)量和通貨膨脹率（Demirguc Kunt，Detragiache）、工業(yè)增加值、實(shí)際利率水平（王克敏、姬美光、趙沫，2006）等對(duì)財(cái)務(wù)困境公司有一定的影響。

（二）變量選擇方法

主成分法包括全局主成分法和經(jīng)典主成分法，通過(guò)稀釋變量間的相關(guān)關(guān)系，將原變量轉(zhuǎn)換為獨(dú)立的、不相關(guān)的變量，形成能解釋大部分變量的幾個(gè)新變量。稀釋過(guò)程是對(duì)這些變量進(jìn)行降維處理的過(guò)程，旨在用較少的新變量來(lái)解釋綜合指標(biāo)，降低研究問(wèn)題的復(fù)雜性和干擾性。

粗糙集理論（RS）是由波蘭科學(xué)家Z.Pawlak提出的，是通過(guò)對(duì)數(shù)據(jù)進(jìn)行分析和推理，發(fā)現(xiàn)不確定、不完整信息中的潛在規(guī)律，找出數(shù)據(jù)間隱藏的知識(shí)，是基于模糊理論、概率論和證據(jù)理論而開(kāi)發(fā)的數(shù)據(jù)挖掘工具。馬若微（2006）在財(cái)務(wù)指標(biāo)選擇中，使用了粗糙集原理，通過(guò)建立RS和信息熵之間的關(guān)系，給出了知識(shí)粗糙性的度量性解釋。

四、預(yù)測(cè)模型概述

（一）傳統(tǒng)模型分析方法

1.單變量分析

Fitzpatrick（1932）最早應(yīng)用單變量判別分析法（Univariate Analysis）對(duì)19家公司財(cái)務(wù)破產(chǎn)進(jìn)行預(yù)測(cè)研究。Beaver（1966）用單變量模型得出營(yíng)運(yùn)資金流/總負(fù)債的預(yù)測(cè)能力為87%。

單變量分析的基本原理是利用統(tǒng)計(jì)資料，對(duì)比分析影響預(yù)測(cè)目標(biāo)的因素，發(fā)現(xiàn)困境公司與非困境公司間有顯著差異的財(cái)務(wù)指標(biāo)，從而對(duì)財(cái)務(wù)困境公司進(jìn)行預(yù)警。但是，由單一指標(biāo)建立的財(cái)務(wù)困境模型，被粉飾的可能性較大，另外，單一指標(biāo)本身有排斥其他指標(biāo)的嫌疑，會(huì)強(qiáng)化該指標(biāo)的解釋能力，預(yù)測(cè)的誤差較大。

2.多元判別分析（Multiple Discriminat Analysis，MDA）

多元判別分析是在單變量模型的基礎(chǔ)上發(fā)展起來(lái)的。1968年Altman利用多元判別分析構(gòu)造了Z模型，預(yù)測(cè)準(zhǔn)確率達(dá)到95%，使財(cái)務(wù)困境預(yù)測(cè)發(fā)展到一個(gè)新的階段，至今Z模型在財(cái)務(wù)困境預(yù)測(cè)中還扮演著重要的角色。

多元判別分析基本原理是將選擇的財(cái)務(wù)比率，通過(guò)Fisher and Bayes建立線性判別函數(shù)，確定影響的比率，得到模型函數(shù)，分析選擇的樣本，得到破產(chǎn)閾值和Z區(qū)域，用它來(lái)衡量公司目前的狀況。由于MDA所得到的是一個(gè)分值，對(duì)于錯(cuò)誤分類(lèi)而不能對(duì)支付空間的分割進(jìn)行合適描述的決策問(wèn)題，這個(gè)分值就存在爭(zhēng)議。另外，多元線性判別模型對(duì)解釋變量的要求較高，要求兩組中的自變量呈多元正態(tài)分布，協(xié)方差矩陣相等，但均值不同。然而在實(shí)際的研究取樣中，很難滿(mǎn)足這個(gè)條件，往往刻意地使用多元線性判別會(huì)削弱樣本的隨機(jī)性，影響預(yù)測(cè)的客觀性和真實(shí)性。

3.LOGIT回歸模型

Martin（1977）最先用LOGIT模型進(jìn)行銀行破產(chǎn)預(yù)測(cè)，經(jīng)過(guò)研究發(fā)現(xiàn)其預(yù)測(cè)能力要好于多元線性回歸模型。隨后Ohlson（1980）將LOGIT模型引入財(cái)務(wù)困境預(yù)測(cè)，使LOGIT模型在財(cái)務(wù)困境預(yù)測(cè)得到推廣。

通過(guò)最大化對(duì)數(shù)似然函數(shù)LnL（α，β）就可以估計(jì)出參數(shù)α和β，從而得出公司破產(chǎn)的概率，臨界值一般設(shè)為0.5。破產(chǎn)概率超過(guò)0.5則判定為財(cái)務(wù)困境公司，小于0.5則判定為無(wú)財(cái)務(wù)困境公司。LOGIT模型擺脫了MDA對(duì)變量的限制，被廣泛應(yīng)用于財(cái)務(wù)困境的預(yù)測(cè)，但是LOGIT模型對(duì)多重共線性比較敏感，對(duì)樣本的要求比較高，在中國(guó)資本市場(chǎng)不是很成熟的情況下，局限性較大。另外許多學(xué)者對(duì)臨界值的設(shè)定也存在一些爭(zhēng)議。

（二）現(xiàn)代模型預(yù)測(cè)方法

1.神經(jīng)網(wǎng)絡(luò)模型

Dom and Sharda（1990）首先應(yīng)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了財(cái)務(wù)困境預(yù)測(cè)方面的嘗試，Salchenberger（1992）等利用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)組織的破產(chǎn)。由于神經(jīng)網(wǎng)絡(luò)有良好的魯棒性，具有自組織、自學(xué)習(xí)、自適應(yīng)等特點(diǎn)，能以任意精度逼近任意非線性函數(shù)，所以神經(jīng)網(wǎng)絡(luò)發(fā)展前景廣闊。

神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、輸出層，將選擇的財(cái)務(wù)指標(biāo)劃分成不同的神經(jīng)元，傳遞給隱含層進(jìn)行數(shù)據(jù)處理，傳向輸出層。如果輸出結(jié)果與預(yù)設(shè)的權(quán)值和閾值不符，則轉(zhuǎn)入誤差的反向傳播，進(jìn)行重新學(xué)習(xí)訓(xùn)練，直到輸出結(jié)果達(dá)到期望值為止。但因神經(jīng)網(wǎng)絡(luò)模型之間的映射算法是一種黑箱方法，所以使用中存在爭(zhēng)議，預(yù)測(cè)精度也沒(méi)有實(shí)質(zhì)性的改進(jìn)。另外，過(guò)多重復(fù)訓(xùn)練將使網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)產(chǎn)生過(guò)度適應(yīng)而失去跨樣本預(yù)測(cè)的穩(wěn)健性，進(jìn)而也會(huì)影響預(yù)測(cè)的準(zhǔn)確性。

2.遺傳算法

Franco and Varetto（1988）等利用遺傳算法進(jìn)行了財(cái)務(wù)困境預(yù)測(cè)方面的研究。遺傳算法是模仿生物遺傳進(jìn)化規(guī)律而開(kāi)發(fā)出來(lái)的搜索方法，能在復(fù)雜空間內(nèi)自動(dòng)獲取優(yōu)化的搜索空間，使用于服從大量軟或硬約束的多參數(shù)優(yōu)化問(wèn)題。結(jié)果表明可以獲得不受統(tǒng)計(jì)約束的最優(yōu)線性方程，與MDA相比，省時(shí)且受主觀影響小，但結(jié)果不如MDA。

3.支持向量機(jī)模型（CUSUM）

支持向量機(jī)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理建立的算法，克服了神經(jīng)網(wǎng)絡(luò)算法在梯度下降過(guò)程中收斂速度慢、容易陷入局部極小的缺點(diǎn)，在財(cái)務(wù)困境預(yù)測(cè)問(wèn)題中得到了廣泛的應(yīng)用。Min and lee采用支持向量機(jī)方法進(jìn)行財(cái)務(wù)困境預(yù)測(cè)，并得到了優(yōu)于其他方法的結(jié)論。在國(guó)內(nèi)，孫潔從財(cái)務(wù)困境概念動(dòng)態(tài)漂移的角度，利用滾動(dòng)時(shí)間窗口支持向量機(jī)進(jìn)行了財(cái)務(wù)困境預(yù)測(cè)方面的研究，提高了平均預(yù)測(cè)的準(zhǔn)確率。

4.遞歸分割法（Recursive Partitioning Algorithm，RPA）

Frydman and Altman最先運(yùn)用遞歸分割法進(jìn)行了財(cái)務(wù)困境預(yù)測(cè)方面的研究。遞歸分割法是非參數(shù)估計(jì)方法，根據(jù)二叉樹(shù)原理首先確定所選樣本及預(yù)測(cè)變量，然后根據(jù)單變量規(guī)則來(lái)確定節(jié)點(diǎn)，計(jì)算出公司被誤判的成本，從而計(jì)算出每個(gè)分支的風(fēng)險(xiǎn)水平，通過(guò)建好的帶有風(fēng)險(xiǎn)水平的二叉樹(shù)，來(lái)預(yù)測(cè)公司最終落入哪個(gè)節(jié)點(diǎn)。

五、結(jié)論與啟示

受客觀條件的限制，在以往的財(cái)務(wù)困境建模中，忽視了對(duì)宏觀因素、公司治理、公司的動(dòng)態(tài)性等因素的考慮，各時(shí)期建立的模型還有待完善。Scapens發(fā)現(xiàn)無(wú)論單變量還是多變量預(yù)測(cè)模型都會(huì)出現(xiàn)誤判現(xiàn)象，所以對(duì)財(cái)務(wù)困境預(yù)測(cè)的模型還不存在最優(yōu)問(wèn)題。關(guān)于財(cái)務(wù)困境預(yù)測(cè)模型研究的展望：

（一）構(gòu)建財(cái)務(wù)困境研究的理論框架

財(cái)務(wù)困境的內(nèi)涵直接關(guān)系到研究對(duì)象中變量的選擇，隨著研究的進(jìn)展，越來(lái)越多的動(dòng)態(tài)性指標(biāo)和非財(cái)務(wù)指標(biāo)會(huì)納入到財(cái)務(wù)困境預(yù)測(cè)體系中來(lái)，不斷豐富財(cái)務(wù)困境的內(nèi)涵。但財(cái)務(wù)困境內(nèi)涵和外延的不確定性，在一定程度上限制了財(cái)務(wù)困境研究的進(jìn)展。因此，有必要構(gòu)建一個(gè)清晰的關(guān)于財(cái)務(wù)困境研究的理論框架。

（二）形成系統(tǒng)的財(cái)務(wù)困境研究方法體系

財(cái)務(wù)困境的預(yù)測(cè)模型繁多，評(píng)價(jià)不一，研究方法多樣，還沒(méi)有形成一套具體的研究體系。一直以來(lái)，都在試圖找到一種預(yù)測(cè)性較強(qiáng)的研究方法，但影響公司發(fā)展的動(dòng)態(tài)性因素復(fù)雜，未來(lái)環(huán)境的不確定性加劇，加上公司系統(tǒng)的非線性等特點(diǎn)，對(duì)財(cái)務(wù)困境的預(yù)測(cè)和控制是相當(dāng)困難的。相信隨著計(jì)算機(jī)技術(shù)的發(fā)展和各學(xué)科知識(shí)的不斷進(jìn)步，對(duì)財(cái)務(wù)困境的研究會(huì)更加精確。

（三）結(jié)合行業(yè)現(xiàn)狀與企業(yè)特點(diǎn)來(lái)加強(qiáng)研究的有效性

財(cái)務(wù)困境預(yù)測(cè)是投資活動(dòng)中評(píng)價(jià)公司財(cái)務(wù)狀況的重要指標(biāo)，但目前在實(shí)際應(yīng)用中有較大的局限，受公司規(guī)模、資本結(jié)構(gòu)、外部治理機(jī)制等的影響，財(cái)務(wù)困境預(yù)測(cè)仍難以標(biāo)準(zhǔn)化。各公司內(nèi)部也缺乏對(duì)財(cái)務(wù)困境預(yù)測(cè)的管理。公司財(cái)務(wù)困境是由于引致變量的熵增引起的，而各引致變量之間又存在非合作博弈，所以財(cái)務(wù)活動(dòng)中的每個(gè)環(huán)節(jié)都有引發(fā)財(cái)務(wù)困境的可能，但找到財(cái)務(wù)中的薄弱環(huán)節(jié)并不容易。各公司應(yīng)根據(jù)自己的實(shí)際情況，及時(shí)發(fā)現(xiàn)財(cái)務(wù)活動(dòng)中存在的問(wèn)題，加強(qiáng)對(duì)薄弱環(huán)節(jié)的管理，減少發(fā)生財(cái)務(wù)困境的可能性。

【主要參考文獻(xiàn)】

[1] 周首華， 楊濟(jì)華， 王平.論財(cái)務(wù)危機(jī)的預(yù)警分析——F分?jǐn)?shù)模型[J].會(huì)計(jì)研究，1996（8）：8-10.

[2] 吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001（6）：46-55.

[3] 彭韶兵，邢精平.公司財(cái)務(wù)危機(jī)論[M].北京：清華大學(xué)出版社，2005：50-51.

[4] 章之旺.現(xiàn)金流量在財(cái)務(wù)困境預(yù)測(cè)中的信息含量實(shí)證研究[J].中國(guó)管理科學(xué)，2004（6）：23-28.

[5] 馬若微.基于RS與ANN的上市公司財(cái)務(wù)困境預(yù)測(cè)模型的實(shí)證研究[J].南開(kāi)管理評(píng)論，2006（3）：85-91.

[6] 王克敏，姬美光，趙沫.宏觀經(jīng)濟(jì)環(huán)境、公司治理與財(cái)務(wù)困境研究[J].經(jīng)濟(jì)與管理研究，2006（9）：22-29.

[7] 吳星澤.財(cái)務(wù)危機(jī)預(yù)警研究：存在問(wèn)題與框架重構(gòu)[J].會(huì)計(jì)研究，2011（2）：59-65.

[8] William H.Beaver.Financial Ratios As Predictors of Failure[J].Journal of Accounting Research，1996（4）：71-111.

[9] Edward I.Altman.Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].The Journal of Finance，1968（23）：589-609.

[10] James A.Ohlson.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980（18）：109-131.