企業(yè)財務困境預警方法概述

田倩媛

財務危機不但使企業(yè)遭受巨大損失，而且直接影響企業(yè)的生存和發(fā)展。本文以財務管理理論和企業(yè)預警理論為基礎，綜述了關于企業(yè)財務困境預警方法，從一元判別分析、多元判羝分析，還有人工智能判別模型，整個過程全面的反映了發(fā)展歷程和方法特點。

財務困境 預警 人工智能 模型

隨著資本市場的蓬勃發(fā)展，資本市場已成為企業(yè)募集資金的重要場所，投資者也可以通過資本市場運作獲得較高的回報，所以一個企業(yè)財務狀況的好壞往往是企業(yè)管理當局、投資者和債權人關注的焦點。企業(yè)必須保持高度的警覺，科學管理的同時，加強對風險和困境的控制與防范。財務困境，又稱財務危機，是指企業(yè)由于經營不善無力按時償還到期債務而導致的困難與危機。

財務困境預警理論

（1）財務困境概念的界定。西方的財務困境預警研究起步較早，西方對財務困境的界定主要存在兩種觀點，一種是“破產論”，另一種是“財務失敗論”國內的學者們結合中國的實際情況，綜合各種影響因素紛紛給出各自對財務困境的定義。章之旺（2008）將違約作為企業(yè)陷入財務困境具有標志性和代表性的事件。即在約定的時間內，無力履行債務契約責任。

（2）財務困境預警。界定企業(yè)的財務狀態(tài)是財務預警系統(tǒng)的首要步驟，目前大多數(shù)的研究集中于對企業(yè)是否處于財務困境進行判斷。國內外學者運用不同的預測變量、采用各種數(shù)學工具和方法建立了大量的財務預警模型。

財務困境預警方法

國外研究方法發(fā)展歷程，在分類器的選擇上，先后經歷了單分類器統(tǒng)計方法，單分類器人工智能方法，近年來，為了提高分類準確率和系統(tǒng)的泛化性能，學者們開始更多的關注于多分類器融合領域。

（1） -元判別模型。一元判別模型主要借助數(shù)學統(tǒng)計知識，通過比較不同類別公司在某一財務指標上的差異性，從而找到一個最佳分離點來實現(xiàn)正確分類。Beaver（ 1966）利用單一的財務比率來進行企業(yè)財務困境預警研究，并構建了單變量模型。國內，一元判別模型是最早引入到財務困境預警研究中的方法，它相對簡單且容易理解，同時應用于實踐時也比較客觀，這在一定程度上為后續(xù)的研究打下了理論基礎。

（2）多元線性判別模型。針對一元判別模型的局限性，學者們通過增加模型變量展開了大量研究，有效提高了財務困境預警模型的判別準確率。多元線性判別模型通過多指標的綜合信息來對企業(yè)財務狀況進行判別，有效提高分類準確率的同時，保證了模型的穩(wěn)定性，提高了泛化能力。但多變量分析模型要求指標符合正態(tài)分布假設，而一般情況下財務指標并不具有這一特性，這一假設前提極大的阻礙了該方法的進一步發(fā)展。

（3）多元邏輯判別模型。由于多元線性判別模型事先要求財務指標服從統(tǒng)計分布假設，學者通過構建多元邏輯模型有效的解決了這一限制問題。多元邏輯模型（ Logistic）通過計算待測樣本屬于某類的條件概率，進而實現(xiàn)對樣本公司財務狀況的可靠判別。該方法運用最大似然估計法，對累計概率進行估值計算。根據學者們的研究經驗，將0-5作為兩類樣本最佳分界值，可最大限度的提高分類預測準確率。通過以上分析可以發(fā)現(xiàn)，多元邏輯模型不需要財務指標事先滿足統(tǒng)計分布假設，也不受線性約束，應用范圍廣泛。但該模型的弊端也是顯而易見的，計算工作量大。

（4）人工智能判別模型1.人工神經網絡系統(tǒng)模型。隨著計算機和信息技術的發(fā)展，20世紀90年代初期，研究者將人工神經網絡技術引入到了財務困境的預警研究中，并取得了很好的效果。綜合以上研究成果，可以發(fā)現(xiàn)，人工神經網絡可以有效挖掘小樣本信息，具有較高的分類預測準確率和泛化能力，不存在統(tǒng)計假設問題。但神經網絡相對較封閉的工作流程，缺乏豐富的理論予以支持，成為該方法的一大詬病.2.遺傳算法模型。遺傳算法是一種根據生物遺傳進化的規(guī)律，在復雜空間內的通過有效搜索，以實現(xiàn)最優(yōu)解的方法。該方法一般用來搜索決策規(guī)則和系統(tǒng)參數(shù)。該方法有效降低了實驗樣本維數(shù)的冗余，提高了分類預測效率。3.支持向量機模型Vapnik（1998）提出了支持向量機模型，而它最早被應用于求解模式識別問題。與人工神經網絡相比，該模型的機器結構較為簡單，易于理解。同時，支持向量機因其獨特的泛化性能，被學者們廣泛應用于不同領域的研究。而在國內，楊海軍和太雷（ 2009）主張采用模糊支持向量機（FSVM）算法來加以改進。4.多分類器集成模型。多分類器集成是指在處理分類問題時，不單單使用一種分類器進行學習，而是把多個分類器通過某種集成機制組合在一起，然后綜合各分類器的預測結果，得到最終的分類結果。分類器改進作為構建集成分類器的方法之一，通過集成組合，克服了單個分類器的各自的缺陷，并取長補短。

總結

企業(yè)的財務通過對資金運動和價值形態(tài)的管理，像血液一樣滲透貫通到企業(yè)的生產、經營等一切管理領域。如果財務狀況出現(xiàn)問題，它將直接關乎著企業(yè)的生死存亡。在財務困境的預警研究中，重要的方法之一就是建立預警模型，綜觀國內外的研究史，經典的模型代表了各個階段的研究水平，體現(xiàn)了不同時期的研究成果。簡單比較以上模型，可以看出：各模型都具有一定的優(yōu)勢和劣勢，可以說，關于財務困境預警的研究，直到今天都未達成絕對的共識，現(xiàn)實情況的不斷演變，新問題的層出不窮，任何模型都無法適用一切場合，研究需要隨之不斷深化。

[1]章之旺，預期財務困境成本在債務違約預測模型中的信息含量[J].數(shù)量經濟技術經濟研究.2008，（3）：148-159.

[2] Beaver w H. financial ratios as predictors of failure [J] . Supplement to Joumal of Accounting Research， 1966（5）：71-111.

[3]Vapnik V Statistical Learning Theory[M].NewYork：

John Wiley and Sons. 1998.

[4]楊海軍，太雷，基于模糊支持向量機的上市公司財務困境預測[J].管理科學學報，2009，12（3）：102-110.