財(cái)務(wù)失敗預(yù)警模型研究綜述

【摘要】本文主要論述了國(guó)內(nèi)外有關(guān)財(cái)務(wù)失敗預(yù)警的相關(guān)研究，并分析了這些統(tǒng)計(jì)模型的缺陷，最后對(duì)我國(guó)建立公司財(cái)務(wù)失敗預(yù)警模型提出若干建議�！　　娟P(guān)鍵詞】財(cái)務(wù)失敗預(yù)警 多元判別分析 人工神經(jīng)網(wǎng)絡(luò)
　　財(cái)務(wù)失�。‵inancial Failure）是指公司無(wú)力支付到期債務(wù)的經(jīng)濟(jì)事項(xiàng)。財(cái)務(wù)失敗分可為技術(shù)上無(wú)力償債和破產(chǎn)兩種形式。前者是指公司的資產(chǎn)總額大于負(fù)債總額，即“資大于債”，但其財(cái)務(wù)狀況不公道，即現(xiàn)有的現(xiàn)金流量小于需要償付的債務(wù)，導(dǎo)致公司不能清償?shù)狡趥鶆?wù)，從而有可能發(fā)生破產(chǎn)；后者是指公司的資產(chǎn)總額小于負(fù)債總額，即“資不抵債”，導(dǎo)致公司不能清償?shù)狡趥鶆?wù)而發(fā)生破產(chǎn)。引起公司財(cái)務(wù)失敗的風(fēng)險(xiǎn)主要包括經(jīng)營(yíng)風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn)兩方面。
　　
　　一、國(guó)外財(cái)務(wù)失敗預(yù)警模型研究
　　
　　最早的財(cái)務(wù)失敗預(yù)警研究是Fitzpatrick(1932)開展的單變量破產(chǎn)猜測(cè)研究。他以19家公司作為樣本，運(yùn)用單個(gè)財(cái)務(wù)比率將樣本劃分為破產(chǎn)和非破產(chǎn)兩組，他發(fā)現(xiàn)判定能力最高的是凈利潤(rùn)/股東權(quán)益和股東權(quán)益/負(fù)債兩個(gè)比率。Beaver(1966)使用由79對(duì)公司組成的樣本，他發(fā)現(xiàn)最好的判定變量是營(yíng)運(yùn)資本流/負(fù)債(在公司破產(chǎn)的前一年景功地判定了90%的破產(chǎn)公司)和凈利潤(rùn)/總資產(chǎn)(在同一階段的判別成功率是88%)。
　　Altman于1968年首先使用了多元線性判別模型研究公司的破產(chǎn)題目。根據(jù)行業(yè)和資產(chǎn)模型，他為33家破產(chǎn)公司選擇了33家非破產(chǎn)配對(duì)公司，選用了22個(gè)變量作為破產(chǎn)前1～5年的猜測(cè)備選變量，根據(jù)誤判率最小的原則，終極選擇了5個(gè)變量作為判定變量。其模型在破產(chǎn)前一年景功地判定出33家破產(chǎn)公司中的31家，而對(duì)于由25家破產(chǎn)公司和56家非破產(chǎn)公司組成的檢驗(yàn)樣本，模型在公司破產(chǎn)前一年正確地從25家破產(chǎn)公司中判定出24家，從56家非破產(chǎn)公司中判定出52家。
　　Ohlson(1980)分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類判定錯(cuò)誤和分割點(diǎn)的關(guān)系，他發(fā)現(xiàn)至少存在四類明顯影響公司破產(chǎn)概率的變量：公司規(guī)模、資本結(jié)構(gòu)、業(yè)績(jī)和當(dāng)前的變現(xiàn)能力。
　　隨著研究的深進(jìn)和技術(shù)的發(fā)展，國(guó)外在財(cái)務(wù)失敗預(yù)警模型方面突破了傳統(tǒng)的統(tǒng)計(jì)方法，目前比較成熟的研究方法有：人工智能猜測(cè)模型、遺傳算法（Genetic Algorithms）、泰勒的Logistic 回回拓展應(yīng)用、混合神經(jīng)網(wǎng)絡(luò)模型（Hybrid neural network models）、自組織映射猜測(cè)模型(self-organizing map) 、概率神經(jīng)網(wǎng)絡(luò)猜測(cè)模型等。
　　
　　二、國(guó)內(nèi)財(cái)務(wù)失敗預(yù)警模型研究
　　
　　在國(guó)內(nèi)的研究中，吳世農(nóng)、黃世忠(1986)曾先容公司的破產(chǎn)分析指標(biāo)和猜測(cè)模型；陳靜(1999)以1998年的27家ST公司和27家非ST公司，使用了1995-1997年的財(cái)務(wù)報(bào)表數(shù)據(jù)，進(jìn)行了單變量分析和二類線性判定分析，在單變量判定分析中，發(fā)現(xiàn)在負(fù)債比率、活動(dòng)比率、總資產(chǎn)收益率、凈資產(chǎn)收益率4個(gè)財(cái)務(wù)指標(biāo)中，活動(dòng)比率與負(fù)債比率的誤判率最低；在多元線性判定分析中，發(fā)現(xiàn)由負(fù)債比率、凈資產(chǎn)收益率、活動(dòng)比率、營(yíng)運(yùn)資本/總資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率6個(gè)指標(biāo)構(gòu)建的模型，在ST發(fā)生的前3年能較好地猜測(cè)ST。我國(guó)在財(cái)務(wù)失敗預(yù)警研究方面起步比較晚，更多的還停留在理論研究上。
　　1、多元判別分析方法
　　多元判別分析方法應(yīng)用最著名的是美國(guó)的Altman的Zeta模型。早在60年代，Altman Altman經(jīng)過(guò)大量的實(shí)證考察和分析研究，選擇了5種基本財(cái)務(wù)比率，根據(jù)每一種比率對(duì)財(cái)務(wù)失敗的影響程度賦予權(quán)值（即各種比率的系數(shù)），以此作為猜測(cè)公司財(cái)務(wù)失敗和破產(chǎn)的基本模型，即所謂的“Z-Score”模型，其基本表達(dá)式為：
　　Z=0.012X₁ 0.014X₂ 0.033X₃ 0.006X₄ 0.999X₅ （1-1）
　　奧特曼教授通過(guò)對(duì)Z-score模型的研究分析得出：Z值越小，該公司遭受財(cái)務(wù)失敗的可能性就越大。奧特曼的研究表明，一般美國(guó)公司Z值的臨界值為1.8。
　　具體判定標(biāo)準(zhǔn)為：Z

【財(cái)務(wù)失敗預(yù)警模型研究綜述】相關(guān)文章：

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建實(shí)證分析12-08

企業(yè)財(cái)務(wù)預(yù)警模型的比較分析03-21

淺談我國(guó)企業(yè)財(cái)務(wù)預(yù)警模型的建立03-22

財(cái)務(wù)戰(zhàn)略管理研究文獻(xiàn)綜述06-11

基于財(cái)務(wù)失敗和財(cái)務(wù)失真的雙元財(cái)務(wù)預(yù)警理論探析03-21

我國(guó)宏觀財(cái)務(wù)經(jīng)濟(jì)監(jiān)測(cè)與預(yù)警問(wèn)題研究03-18

企業(yè)財(cái)務(wù)危機(jī)預(yù)警體系研究03-18

我國(guó)宏觀財(cái)務(wù)經(jīng)濟(jì)監(jiān)測(cè)與預(yù)警題目研究03-22

微電影研究綜述05-17