前言：寻找写作灵感？中文期刊网用心挑选的多变量财务预警模型实证的比较分析，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘 要：本文对常见的四种多变量财务预警模型的实证情况进行比较分析，主要通过文献研究法、对比分析法从样本和数据、选取指标以及预测精确度等方面来进行比较。从理论上来说，人工神经网络模型要优于多元线性判别模型、主成分模型和回归模型，但由于该模型的复杂性，在实务中并未能到广泛的应用。
关键词：多变量财务预期模型 实证 比较分析
一、引言
随着我国市场经济体制改革的不断深化和资本市场的快速发展，现代企业由于外部市场竞争的加剧和内部经营管理的不善，不少公司也出现了财务危机。为了在激烈的市场竞争中求生存谋发展，企业有必要对其自身的财务状况进行预警分析，以应对各方面的风险，并防范财务危机的发生。
到目前为止，企业财务预警的研究已经积累了丰富的研究成果，即建立了多种财务预警模型对企业财务危机进行预测，并且已做了大量的实证研究。财务预警模型有单变量财务预警模型和多变量财务预警模型，但由于单变量财务预警模型只对单个财务比率的趋势分析，没有哪一个比率能够概括企业财务的全貌；另外，某些财务比率有可能被公司管理者进行过粉饰，单一的依靠某一比率做出的预测不一定可靠。因此，多变量财务预警模型逐步取代单变量财务预警模型成为广泛应用的模型。虽然多种多变量财务预警模型为现代企业预测财务状况提供了多种选择，但由于每种模型有其各自的前提条件以及模型自身的特点，这使得从众多模型中挑选出一种最具代表性的模型的可能性大大降低了。基于此，本文就国内外学者对各种多变量财务预警模型的实证研究情况进行总结和比较。通过对多种多变量财务预警模型的实证情况进行比较，一方面可以充分展示我国财务预警实证研究的发展状况；另一方面对我国财务预警实证研究存在的问题进行总结，就财务预警实证研究的未来发展方向提出建议。此外，也为多变量财务预警模型的相关使用者选择一种适合自己的预警模型提供了依据。
二、多变量财务预警模型的基本原理
国内外常用的多变量财务预警模型主要有以下四类：
2.1多元线性判定模型
多元判定模型中最著名的模型是美国 Altman（1968）的Z分数模型：Z=0.12XI+0.14X2+0.033X3+0.006X4+0.001X5，其中x1、x2、x3、x4、x5是五个财务指标。根据判别方程可以把单个企业的各种财务比率转换成单一的判别标准，或称为Z值，根据Z值将企业分为“破产”或“非破产”两类。国内学者周首华等（1996）以Altman的Z分数模型为基础构建了F分数模型，该模型加入了现金流量预测指标体系。
2.2主成分模型
该模型是国内学者张爱民等（2000）借鉴Altman的多元z值判定模型，运用统计学的主成分分析方法建立的。其主要思想是：通过对原始的财务指标相关矩阵内部结构关系的研究，找出影响上市公司的财务状况的几个综合指标，即主成分，使综合指标为原始指标的线性组合，综合指标不仅保留了原始指标的主要信息，彼此又完全不相关，同时比原始指标具有某些更优越的性质。该模型的差别方程式为：PS=V1Z1+V2Z2+V3Z3+V4Z4+V5Z5，其中，V1、V2、V3、V4、V5是系数，Z1、Z2、Z3、Z4、Z5是综合指标。
2.3多元回归模型
多元回归模型包括Logistic回归模型和Probit回归模型。Martin（1977）在财务危机预警研究中首次采用了多元逻辑回归模型。该模型假设企业破产的概率为P（破产取1，非破产取0），并假设Ln[ P/(1-P)]可以用财务比率线性解释。假定Ln[P/(1-P)]=a+bx，推导得出P=exp( a+bx)/[ 1+exp(a+bx)]，从而计算出企业破产的概率。判别规则是: 如果 P>0.5，则判定企业为即将破产类型；如果P<0.5，则判定企业财务正常。Probit模型和Logistic模型相似。
2.4人工神经网络模型（ANN）
1990年Odom和Sharda第一次运用神经网络进行财务困境预测问题的探索。该模型由输入层、输出层和隐藏层组成，通过网络的学习和数据的修正得出期望输出，然后根据学习得出的判别规则来分类。
三、多变量财务预警模型的应用
目前传统的统计模型发展得比较成熟，计算也相对简单，应用也较为广泛。Z分数模型主要用于信用政策、信贷评审、贷款定价以及证券化等方面。主成分模型也相对简单可行，可以在实践中广泛运用，但该模型有一个明显的缺陷，即综合评分式权重的确定以及判定区间的确定都具有较大的主观性和不准确性，尤其是后者受样本数据分布的影响很大，从而会影响预测的准确度。Logistic模型与Probit模型的最大优点就是不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，因而具有更广泛的适用范围。而对于人工神经网络模型，从理论上来讲，该模型应具有广泛的应用前景和应用价值，但在实际运用中却存在这样一些问题，如模型结构定义的复杂性、计算量过于巨大，而且其在决策方法中表现得像一个黑匣子，以致对它的接受和应用都较困难。另外，这种模型要求拥有大量的学习训练样本以供分析，如果样本数量积累得不足、没有足够的代表性和广泛的覆盖面，则会大大地影响系统的分析和预测结果。
四、多变量财务预警模型实证比较分析
4.1前提条件比较分析
在研究财务预警模型的过程中首先应该考虑各种模型适用的前提条件。多元判定模型和主成分模型通常形成一个线性判定函数式，据此判断待判企业的归属，一般要求数据服从正态分布和两组样本间协方差矩阵相等。Logistic模型和Probit模型均是为了克服简单线性概率模型的缺陷而建立起来的，一般采用最大似然估计方法进行估计，不需要满足正态分布和两组样本协方差矩阵相等的条件，得出的结论直接表示企业发生财务失败的可能性的大小。人工神经网络模型则对财务指标的分布没有特别的要求特别适合于变量服从未知分布，且自变量组间协方差矩阵不相等的情况。
4.2样本和数据选取的比较分析
财务危机预警的国内外研究者由于国情不同、研究目的不同，对财务危机含义的界定有所区别：国外学者大都以提出破产申请的企业作为研究对象；而国内学者则以沪、深两市因“财务状况异常”而被ST的上市公司作为研究对象。#p#分页标题#e#
国外的研究学者通常采用比较样本建模，即选择相同数量的破产企业和非破产企业。Altman（1968）则选取了33家1946～1964年间破产的且资产规模在70～2 590万美元之间企业和相同数量、同一行业、同等资产规模的非破产企业作为样本企业，数据来自《Moody的行业手册》。我国学者则大部分是选择近几年的ST公司和相应的非ST公司作为研究样本，其数据大部分来源于均来自上市公司公布的财务报表。如吴世农、卢贤义（2001）则选择了1998～2000年期间的70家ST上市公司和相对应的70家非ST公司作为研究样本。
4.3财务指标选取的比较分析
国外学者Altman（1968）选取了5个具有代表的会计比率类财务指标，构建了Z分数模型，他认为这些财务变量是评价企业总体财务状况的最佳指标。国内学者周首华（1996）的F分数模型是在Z分数模型的基础上加入了现金流量这一预测指标，证明在短期内许多公司财务危机和现金流断裂有直接关系。张爱民（2000）的主成分分析模型以及杨淑娥、徐伟刚（2003）运用主成分分析方法构建的Y分数模型中也仅涉及到会计比率类财务指标。直到2004年，张友棠引入了现金盈利值（CFV）与现金增加值（CAV）这两个现在指标概念，虽然这两个指标并未得到后来学者们的广泛使用，但这一思想深刻地影响着后来的学者们。在随后的绝大多数文献中就开始出现了现金流量类指标的身影，并且在越来越多的文献中占据主要地位。
Marttin（1977）首次构建多元逻辑回归模型时也只选取了25个财务比率。随后，Ohlson（1980）采用Logistic回归模型时，不仅以现金流量指标为基础，而且加入了非财务类指标，即公司规模、资本结构、业绩和当前的变现能力。随着财务预警研究与应用成果逐渐引入国内，基于非财务指标的财务预警思想也同时传入国内，非财务指标是在2004年后大量出现的，并且越来越多学者的研究表明非财务类指标与会计比率类指标和现金流量类指标相结合建立的预警指标体系，能够很大程度地提高预警模型的预测精度。国内学者杨保安（2001）首次应用人工神经网络模型时，只考虑了会计比率类的财务指标，杨淑娥等学者在研究人工神经网络模型时则加入了现金流量类指标。
从上述文献来看，在研究初期，学者们都只注重会计比率类的财务指标，但指标选取并非与模型是匹配的，而是随着研究的发展指标选取也在不断的进行完善，加进了现金流量类指标和非财务类指标，使模型能够更加准确预测现代企业的财务状况。
4.4模型预测准确度的比较分析
Altman（1994）以意大利工业企业为样本，比较了神经网络方法与线性判别方法，发现有时神经网络方法要优于线性判别方法，但由于神经网络有时过度训练产生了不合理的权重，从总体上看线性判别方法要优于神经网络方法。陈瑜（2000）对运用主成分分析、回归分析与判别分析对证券市场ST公司进行财务危机预测，结果表明：主成分分析方法的预测效果最好，回归分析法的预测效果次之，判别分析法的预测能力则随着年份的临近，正确性逐步提高。吴世农、卢贤义（2001）通过应用Fisher线性判定分析、多元线性回归分析和Logistic回归分析三种方法，分别建立三种预测财务困境的模型，并比较三种判定模型的效果，表明Logistic模型的判定准确性最高。乔卓等（2002）通过对Fisher判别模型、Logistic回归模型以及神经网络模型在财务困境预测中的比较研究，发现提前2年和提前3年神经网络模型的预测精度明显高于Logistic模型和Fisher判别分析模型。杨淑娥、黄礼（2005）分别采用BP人工神经网络工具和主成分分析法建立财务预警模型，并且对同一建模样本和检验样本进行预测，BP人工神经网络模型的预测精确度相比主成分分析模型的精确度有很大的提高。吕长江等（2005）分别运用多元判别分析、逻辑线性回归和人工神经网络对财务状况处于困境的公司进行预测比较分析。结果表明：三个主流模型均能在公司发生财务困境前1年和前2—3年较好地进行预测。其中，多元判别分析要逊色于逻辑线性回归，人工神经网络的预测准确率最高。
通过以上的比较，人工神经网络模型的预测能力要优于统计模型的预测能力，而要统计模型中，主成分模型的预测能力最优，回归模型次之，多元线性判别模型相对较差。然而，财务预警模型的优劣不能光凭预测能力的高低来判定，因为各种模型的适用的前提条件是有差异的。
五、结论与启示
综观国内外文献，财务预警研究对多变量财务预警模型的运用主要集中在以上几种模型上，其中人工神经网络模型在理论上是预测能力最强的模型，但在实务中应用却有诸多的问题，相比之下，统计模型简单可行，有更广泛的适用性。多变量财务预警模型只是为相关使用者提供一种预测财务风险并归避风险的方法，而不是强调模型本身的精妙性。加之，财务预警模型只是用财务报表进行财务预警，而不能对财务报告的真伪进行鉴别，很有可能对失真的财务报告进行预警，进而使预测结果发生偏差。因此，对财务预警的研究应该与财务失真的研究相结合，以提高财务预警预测的精确度。
参考文献：
[1]Altman E.I. Financial Ratio, Discriminate Analysis and the Prediction of Corporate Bankruptcy [J].Journal of Finance，1968，23(9).
[2]周首华. 论财务危机的预警分析—F分数模式[J]. 会计研究,1996,8.
[3]张爱民,祝春山,许丹健.上市公司财务失败的主成分预测模型及其实证研究[J]．金融研究,2001(3)．
[4]Martin D. Early Warning of Bank Failure:A Logistic Regression Approach [J]. Journal of Banking and Finance,1977(7).
[5]Odom M.D and Sharda R. A Neural Network Model for Bankruptcy Prediction. In Proceedings of the International Joint Conference on Neural Network Tool [J]. Financial Management，1990，2(6).
[6]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).
[7]杨淑娥,徐伟刚.上市公司财务预警模型——Y分数模型的实证研究[J].中国软科学,2003(1).
[8]杨保安,季海,徐晶等．BP神经网络在企业财务危机预警之应用[J]．预测,2001(2)．#p#分页标题#e#
[9]杨淑娥,黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践,2005(1).
[10]Ohlson J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy [J]. Journal of Accounting Research,1980(9).