论文部分内容阅读
自20世纪30年代，Fitzpatrick首先采用一元判别分析法对公司破产进行预测以来，财务危机预警问题逐步为学者们所重视。Beaver、Altman、Deakin等人开创性的研究推动了财务危机预警探讨的不断深入，使之成为资本结构理论的重要分支。
一、传统研究方法综述
20世纪90年代前，传统的财务危机预警研究方法占主流地位，主要有以下几种：
其一，一元判别分析法。Fitzpatrick（1932）最先使用一元判别分析法（Simple Discriminant Analysis，SDA）研究财务危机问题。他以19家企业为样本，运用单个财务变量，将样本划分为破产与非破产两组，研究发现净利润/股东权益和股东权益/负债的判别能力最高。Winker和Smith（1935）、Merwin（1942）也得出了类似结论。只是早期研究仅是描述性分析。
Beaver（1966）的研究使得学者们开始重新重视这一研究领域。他使用5个财务变量，对1954年~1964年间的79家经营失败的公司和同行业同规模的79家经营未失败的公司进行单变量预测，发现现金流/负债能够最好地判定公司的财务状况。
Zmijewksi（1984）应用75个变量进行的预警研究也引起了学者们的关注。他以1972年~1978年的72家破产企业和3573家非破产企业作为样本，从100多个变量中选出了75个并分成10类，。研究表明，破产与非破产企业之间有4项财务变量有明显的差别，分别为：回报率、财务杠杆、固定收入保障和股票回报率。
国内采用一元判别分析法进行财务危机预警研究的文献不多。陈静（1999）使用了截止1998年底的27家ST企业与同行业同规模的非ST企业作为研究样本。发现：资产负债率、流动比率、总资产收益率、净资产收益率这4项财务变量的预测能力较强；王征森、张瑞稳（2002）运用传统的财务变量对上市公司的财务状况进行了分析，结果表明一元判别模型对财务状况的预测效果不佳。
一元判别分析法是最早应用于财务危机预警研究的实证方法，开创了财务危机预警实证研究的先河。但是，一元判别模型反映内容有限，无法全面揭示公司的财务状况；对同一公司，运用不同的财务变量可能预测出不同的结论；从总体上看，对非危机公司的判别能力高于危机公司；单个变量所包含的信息不足以反映公司的整个财务状况，等等。这些缺陷严重影响了一元判别模型的适用性，因此，学者们普遍将一元判别分析法作为比较基准来说明其他方法的更有效性。随着统计技术的发展，一元判别分析法逐渐被多元判别分析法取代。
其二，多元判别分析法。最早将多元判别分析法（Multivariate Discriminant Analysis，MDA）引入财务危机预警模型研究的是Altman（1968）。他以1945年~1965年间提出破产申请的33家公司和同行业同规模的33家非破产公司作为样本，建立了Z分数模型。该模型克服了一元判别模型的缺点，在破产前1年的预测准确性比Beaver的模型有较大的提高，但破产前5年的预测准确性却不如Beaver的模型。Grace和Ingram（2001）的研究表明：尽管Altman的Z模型的预测精度近年来有所下降，但是该模型在预测财务危机和破产方面都很有用。
Deakin（1972）综合Beaver和Altman的研究，随机抽取1964-年~1970年间财务状况正常与处于危机的公司各32家进行研究，利用研究中具有显著区别能力的财务变量，分别为每一年建立二元判别函数模型。研究表明：其预测准确率达80%，比一元判别模型的效果佳。
Blum（1974）以现金流量观点来评估企业发生财务危机的可能性，用多元判别分析法构建了一个包括“净现金流量占总负债比率”的财务危机预警模型。研究结果显示，模型在企业发生财务危机前五年的预测正确率均能达到70%以上。1988年，Aziz、Emanuel和Lawson发展了基于现金流量预测破产的模型。Aziz、Emanuel和Lawson（1989）比较了Z模型、ZETA模型、现金流量模型预测企业发生财务危机的准确率，发现现金流量模型的预测效果较好。
由于Z分数模型具有行业局限性（企业集中分布于机械行业，规模在70~2590万美元之间），并且只针对上市公司，因而Altman、Haldeman和Narayanan于1977年又提出一种能更准确预测企业财务失败的新模型——ZETA模型，但由于向企业提供这项服务是有偿的，他们并没有详细介绍这一模型的具体操作方法。
MDA在我国学者的预警研究中使用的比较普遍。我国学者周首华（1996）对Z分数模式进行了修正，加入了现金流量变量，提出了F分数模式（Failure Score Model）；杨淑娥（2003）根据我国证券市场和上市公司的现状，借鉴Z分数模式，运用主成分分析法，提出了Y分数预测模型，在Y=0.5时，模型的回代预测准确率为85%，但受样本量的局限，未进行测试样本的验证预测。张玲（2000）、李华中（2001）、卢宇林等（2002）、张鸣（2003）、黄辉（2004）、朱顺泉（2006）也在研究中使用过MDA。
MDA虽然得到广泛的应用，但该方法也存在着一些问题，如对于危机样本组和非危机样本组，预测变量的方差-协方差矩阵必须相等；预测变量必须遵循正态分布等。这使MDA遭到诸多学者的批评。
由于MDA只能直接得出判别结果，无法估计出企业破产的风险。为了估计企业破产的概率，学者们又设计了线性概率模型（Linear Probability Model，LPM）。LPM是MDA的一个特例。Meyer 和Pifer（1970）最早将LPM运用于银行业的财务危机预警，Laitinen（1993）也曾作过相似的研究，将LPM运用于企业财务危机预警。我国学者吴世农、卢贤义（2001）应用MDA、LPM、MLR三种方法建立模型的比较研究显示：LPM和 MDA的预测效果一样，都低于MLR。
其三，多元逻辑回归法。1977年，Martin在研究中首次采用了多元逻辑回归法（Multivariate Logit Regression，MLR）。他从1970年~1977年间大约5700家美联储成员银行中界定出58家财务危机银行，使用总资产净利润率等8个财务变量，在Z分数模型、ZETA模型、MLR模型之间进行比较研究，发现MLR模型预测效果良好，危机前一年的误判率为11.41%。
Ohlson（1980）采用多元逻辑回归法，使用9个财务变量分析了1970-1976年间破产的105家公司和2058家公司组成的非配对样本。他将企业规模作为一个自变量，以消除“时间价值”的影响，发现用公司规模、资本结构、业绩和当前的变现能力进行财务危机的预测准确率高达96.12%。
Martin、Ohlson改用MLR，并证实其具有良好的预测能力后，越来越多的财务危機预警研究改用这一方法。该方法逐渐代替一元判别分析法和多元判别分析法，成为财务危机预警研究的主流。此后，国外大量研究改进并发展了许多不同类型的Logistic模型。Lau（1987）将企业财务状态分为5类，运用MLA（Multinomial Logistic Analysis）实现了对企业不同财务状态的预测；Morris（1997）以（t-1）年模型的结果作为t年预测模型中的独立变量，提出了滚动Logistic模型（Rolling Logistic Model）；Laitinen（2000）引入泰勒级数模型建立了包含2次项的Logistic模型，前2年的预测精度比线性模型高而前3-5年的精度相对低；Jones和Hensher（2004）对ohlson的Logistic模型进行了改进，使用多元混合Logistic模型进行预测研究。
我国学者多是借鉴国外学者的研究成果，直接利用模型进行回归分析，如陈晓（2000）、乔卓（2002）、姜天（2004）等。由于陈晓的研究较早，我国证券市场的数据不充分，判别准确率偏低；后两位学者的研究更为深入，变量选取也更广泛，但是仅使用财务变量，未考虑非财务变量，而且只是对建立的模型进行回代预测，没有进行预测样本的验证。此外，我国学者缺乏对Logistic模型改进的创新性研究。
其四，多元概率比回归法。 Ohlson在1980年，也使用多元概率比回归法（Multivariate Probit Regression，MPR）分析了1970年~l976年间破产的105家公司和2058家公司组成的非配对样本。采用极大似然法，通过使每个样本个体的破产与非破产的联合概率最大来构造模型，并分析了样本公司在破产概率区间上的分布以及两类错误和判别阀值点之间的关系。
Zmijewksi（1984）以1972年~1978年间76家破产企业和3880家正常企业进行多元概率比回归分析。但其主要探讨样本选择和收集资料程序所引起的偏差问题，在样本选择偏差上，发现用双变量Probit模型较单变量Probit模型降低偏差效果为好。
我国学者鲜文铎、金延华（2007）以2000年~2004年A股上市公司的财务指标为变量，建立了Probit模型。经过对20个财务指标的逐步筛选，发现总资产净利率、资产负债率和应收账款周转率对上市公司财务失败具有显著的预测作用，模型的总体预测准确率为86.7%。
Probit模型和Logistic模型的思路很像，但也存有一定的差异，主要体现在三个方面：首先，假设前提不同，Logistic不需要严格的假设条件，而Probit则假设企业样本服从正态分布，其概率函数的p分位数可以用财务指标线性解释；其次，关于参数a、b的求解方法不同，Logistic采用线性回归方法求解，而Probit采用极大似然函数求极大值的方法求解；最后，求破产概率的方法不同，Logistic采用取对数法，Problt采用积分处理法。
其五，主成分分析法。Diamand（1976）使用75家失败公司与75家非失败公司组成的样本，运用主成分分析法（Principal Compone-
nts Analysis，PCA）筛选变量，建立模型。对公司失败前2~3年的数据进行检验时，模型准确率达到了90%。
张爱民、祝春山、许丹健（2001）在借鉴Z分数模型的基础上，采用PCA，選取40家ST公司及与之相对应的40家非ST公司作为研究样本，建立了主成分预测模型。研究表明主成分预测模型具有较好的预测能力。类似研究者还有：周兵（2002）、黄礼（2003）、刘红霞（2004）等。
吴春雷（2002）将PCA与MLR相结合，以主因子为自变量进入多元逻辑回归模型，并按照统计学的方法即Mann-Whitney Test检验与独立样本T检验举例说明筛选变量的过程，但其没有具体建立预警模型；吴应宇（2004）利用主成分分析在指标信息处理上的优势以及多元逻辑回归模型准确度较高的优点，将两种方法结合起来应用于预警研究之中，以我国A股机械、设备、仪表类上市公司为样本展开分析，成功拟合出上市公司财务危机预警模型，预测精度达到85%。进行此类研究的学者还有：巢剑雄（2005）、耿克红（2005）等。
二、传统研究方法评析
其一，传统预警研究法均是利用统计数理和分析，有一定的统计理论依据，涉及到判定区间的确定和误判率的估计问题，并且建立的一般是线性模型；一般都对样本数据的分布作一定的假设，并以假设作为前提条件。
其二，传统预警研究法根据以前的样本资料建立模型，样本资料一旦确定，便难以再予调整，除非重新建立模型。这种模型难以对已经变化了的财务状况做出准确的预测和判断，即不具有动态预警能力，不易修改和扩充。
本文将传统财务危机预警方法从前提条件、适用范围和主要优缺点的比较结果归纳如表1所示：
三、结论
传统预警研究法发展得比较成熟，计算相对简单，应用较为广泛。并且某些统计方法，如Logistic模型对数据是否具备正态分布、两组协方差是否相等也没有要求，常用的判别分析中的距离判别方法也可以在两总体协方差矩阵不相等的情况下使用。因此，目前在财务预警模型方面仍然以传统方法为主。
参考文献：
［1］陈静：《上市公司财务恶化预测的实证分析》，《会计研究》1999年第4期。
［本文系山东省软科学立项课题（项目编号：2009RKB533）阶段性研究成果］（编辑 刘 姗）
一、传统研究方法综述
20世纪90年代前，传统的财务危机预警研究方法占主流地位，主要有以下几种：
其一，一元判别分析法。Fitzpatrick（1932）最先使用一元判别分析法（Simple Discriminant Analysis，SDA）研究财务危机问题。他以19家企业为样本，运用单个财务变量，将样本划分为破产与非破产两组，研究发现净利润/股东权益和股东权益/负债的判别能力最高。Winker和Smith（1935）、Merwin（1942）也得出了类似结论。只是早期研究仅是描述性分析。
Beaver（1966）的研究使得学者们开始重新重视这一研究领域。他使用5个财务变量，对1954年~1964年间的79家经营失败的公司和同行业同规模的79家经营未失败的公司进行单变量预测，发现现金流/负债能够最好地判定公司的财务状况。
Zmijewksi（1984）应用75个变量进行的预警研究也引起了学者们的关注。他以1972年~1978年的72家破产企业和3573家非破产企业作为样本，从100多个变量中选出了75个并分成10类，。研究表明，破产与非破产企业之间有4项财务变量有明显的差别，分别为：回报率、财务杠杆、固定收入保障和股票回报率。
国内采用一元判别分析法进行财务危机预警研究的文献不多。陈静（1999）使用了截止1998年底的27家ST企业与同行业同规模的非ST企业作为研究样本。发现：资产负债率、流动比率、总资产收益率、净资产收益率这4项财务变量的预测能力较强；王征森、张瑞稳（2002）运用传统的财务变量对上市公司的财务状况进行了分析，结果表明一元判别模型对财务状况的预测效果不佳。
一元判别分析法是最早应用于财务危机预警研究的实证方法，开创了财务危机预警实证研究的先河。但是，一元判别模型反映内容有限，无法全面揭示公司的财务状况；对同一公司，运用不同的财务变量可能预测出不同的结论；从总体上看，对非危机公司的判别能力高于危机公司；单个变量所包含的信息不足以反映公司的整个财务状况，等等。这些缺陷严重影响了一元判别模型的适用性，因此，学者们普遍将一元判别分析法作为比较基准来说明其他方法的更有效性。随着统计技术的发展，一元判别分析法逐渐被多元判别分析法取代。
其二，多元判别分析法。最早将多元判别分析法（Multivariate Discriminant Analysis，MDA）引入财务危机预警模型研究的是Altman（1968）。他以1945年~1965年间提出破产申请的33家公司和同行业同规模的33家非破产公司作为样本，建立了Z分数模型。该模型克服了一元判别模型的缺点，在破产前1年的预测准确性比Beaver的模型有较大的提高，但破产前5年的预测准确性却不如Beaver的模型。Grace和Ingram（2001）的研究表明：尽管Altman的Z模型的预测精度近年来有所下降，但是该模型在预测财务危机和破产方面都很有用。
Deakin（1972）综合Beaver和Altman的研究，随机抽取1964-年~1970年间财务状况正常与处于危机的公司各32家进行研究，利用研究中具有显著区别能力的财务变量，分别为每一年建立二元判别函数模型。研究表明：其预测准确率达80%，比一元判别模型的效果佳。
Blum（1974）以现金流量观点来评估企业发生财务危机的可能性，用多元判别分析法构建了一个包括“净现金流量占总负债比率”的财务危机预警模型。研究结果显示，模型在企业发生财务危机前五年的预测正确率均能达到70%以上。1988年，Aziz、Emanuel和Lawson发展了基于现金流量预测破产的模型。Aziz、Emanuel和Lawson（1989）比较了Z模型、ZETA模型、现金流量模型预测企业发生财务危机的准确率，发现现金流量模型的预测效果较好。
由于Z分数模型具有行业局限性（企业集中分布于机械行业，规模在70~2590万美元之间），并且只针对上市公司，因而Altman、Haldeman和Narayanan于1977年又提出一种能更准确预测企业财务失败的新模型——ZETA模型，但由于向企业提供这项服务是有偿的，他们并没有详细介绍这一模型的具体操作方法。
MDA在我国学者的预警研究中使用的比较普遍。我国学者周首华（1996）对Z分数模式进行了修正，加入了现金流量变量，提出了F分数模式（Failure Score Model）；杨淑娥（2003）根据我国证券市场和上市公司的现状，借鉴Z分数模式，运用主成分分析法，提出了Y分数预测模型，在Y=0.5时，模型的回代预测准确率为85%，但受样本量的局限，未进行测试样本的验证预测。张玲（2000）、李华中（2001）、卢宇林等（2002）、张鸣（2003）、黄辉（2004）、朱顺泉（2006）也在研究中使用过MDA。
MDA虽然得到广泛的应用，但该方法也存在着一些问题，如对于危机样本组和非危机样本组，预测变量的方差-协方差矩阵必须相等；预测变量必须遵循正态分布等。这使MDA遭到诸多学者的批评。
由于MDA只能直接得出判别结果，无法估计出企业破产的风险。为了估计企业破产的概率，学者们又设计了线性概率模型（Linear Probability Model，LPM）。LPM是MDA的一个特例。Meyer 和Pifer（1970）最早将LPM运用于银行业的财务危机预警，Laitinen（1993）也曾作过相似的研究，将LPM运用于企业财务危机预警。我国学者吴世农、卢贤义（2001）应用MDA、LPM、MLR三种方法建立模型的比较研究显示：LPM和 MDA的预测效果一样，都低于MLR。
其三，多元逻辑回归法。1977年，Martin在研究中首次采用了多元逻辑回归法（Multivariate Logit Regression，MLR）。他从1970年~1977年间大约5700家美联储成员银行中界定出58家财务危机银行，使用总资产净利润率等8个财务变量，在Z分数模型、ZETA模型、MLR模型之间进行比较研究，发现MLR模型预测效果良好，危机前一年的误判率为11.41%。
Ohlson（1980）采用多元逻辑回归法，使用9个财务变量分析了1970-1976年间破产的105家公司和2058家公司组成的非配对样本。他将企业规模作为一个自变量，以消除“时间价值”的影响，发现用公司规模、资本结构、业绩和当前的变现能力进行财务危机的预测准确率高达96.12%。
Martin、Ohlson改用MLR，并证实其具有良好的预测能力后，越来越多的财务危機预警研究改用这一方法。该方法逐渐代替一元判别分析法和多元判别分析法，成为财务危机预警研究的主流。此后，国外大量研究改进并发展了许多不同类型的Logistic模型。Lau（1987）将企业财务状态分为5类，运用MLA（Multinomial Logistic Analysis）实现了对企业不同财务状态的预测；Morris（1997）以（t-1）年模型的结果作为t年预测模型中的独立变量，提出了滚动Logistic模型（Rolling Logistic Model）；Laitinen（2000）引入泰勒级数模型建立了包含2次项的Logistic模型，前2年的预测精度比线性模型高而前3-5年的精度相对低；Jones和Hensher（2004）对ohlson的Logistic模型进行了改进，使用多元混合Logistic模型进行预测研究。
我国学者多是借鉴国外学者的研究成果，直接利用模型进行回归分析，如陈晓（2000）、乔卓（2002）、姜天（2004）等。由于陈晓的研究较早，我国证券市场的数据不充分，判别准确率偏低；后两位学者的研究更为深入，变量选取也更广泛，但是仅使用财务变量，未考虑非财务变量，而且只是对建立的模型进行回代预测，没有进行预测样本的验证。此外，我国学者缺乏对Logistic模型改进的创新性研究。
其四，多元概率比回归法。 Ohlson在1980年，也使用多元概率比回归法（Multivariate Probit Regression，MPR）分析了1970年~l976年间破产的105家公司和2058家公司组成的非配对样本。采用极大似然法，通过使每个样本个体的破产与非破产的联合概率最大来构造模型，并分析了样本公司在破产概率区间上的分布以及两类错误和判别阀值点之间的关系。
Zmijewksi（1984）以1972年~1978年间76家破产企业和3880家正常企业进行多元概率比回归分析。但其主要探讨样本选择和收集资料程序所引起的偏差问题，在样本选择偏差上，发现用双变量Probit模型较单变量Probit模型降低偏差效果为好。
我国学者鲜文铎、金延华（2007）以2000年~2004年A股上市公司的财务指标为变量，建立了Probit模型。经过对20个财务指标的逐步筛选，发现总资产净利率、资产负债率和应收账款周转率对上市公司财务失败具有显著的预测作用，模型的总体预测准确率为86.7%。
Probit模型和Logistic模型的思路很像，但也存有一定的差异，主要体现在三个方面：首先，假设前提不同，Logistic不需要严格的假设条件，而Probit则假设企业样本服从正态分布，其概率函数的p分位数可以用财务指标线性解释；其次，关于参数a、b的求解方法不同，Logistic采用线性回归方法求解，而Probit采用极大似然函数求极大值的方法求解；最后，求破产概率的方法不同，Logistic采用取对数法，Problt采用积分处理法。
其五，主成分分析法。Diamand（1976）使用75家失败公司与75家非失败公司组成的样本，运用主成分分析法（Principal Compone-
nts Analysis，PCA）筛选变量，建立模型。对公司失败前2~3年的数据进行检验时，模型准确率达到了90%。
张爱民、祝春山、许丹健（2001）在借鉴Z分数模型的基础上，采用PCA，選取40家ST公司及与之相对应的40家非ST公司作为研究样本，建立了主成分预测模型。研究表明主成分预测模型具有较好的预测能力。类似研究者还有：周兵（2002）、黄礼（2003）、刘红霞（2004）等。
吴春雷（2002）将PCA与MLR相结合，以主因子为自变量进入多元逻辑回归模型，并按照统计学的方法即Mann-Whitney Test检验与独立样本T检验举例说明筛选变量的过程，但其没有具体建立预警模型；吴应宇（2004）利用主成分分析在指标信息处理上的优势以及多元逻辑回归模型准确度较高的优点，将两种方法结合起来应用于预警研究之中，以我国A股机械、设备、仪表类上市公司为样本展开分析，成功拟合出上市公司财务危机预警模型，预测精度达到85%。进行此类研究的学者还有：巢剑雄（2005）、耿克红（2005）等。
二、传统研究方法评析
其一，传统预警研究法均是利用统计数理和分析，有一定的统计理论依据，涉及到判定区间的确定和误判率的估计问题，并且建立的一般是线性模型；一般都对样本数据的分布作一定的假设，并以假设作为前提条件。
其二，传统预警研究法根据以前的样本资料建立模型，样本资料一旦确定，便难以再予调整，除非重新建立模型。这种模型难以对已经变化了的财务状况做出准确的预测和判断，即不具有动态预警能力，不易修改和扩充。
本文将传统财务危机预警方法从前提条件、适用范围和主要优缺点的比较结果归纳如表1所示：
三、结论
传统预警研究法发展得比较成熟，计算相对简单，应用较为广泛。并且某些统计方法，如Logistic模型对数据是否具备正态分布、两组协方差是否相等也没有要求，常用的判别分析中的距离判别方法也可以在两总体协方差矩阵不相等的情况下使用。因此，目前在财务预警模型方面仍然以传统方法为主。
参考文献：
［1］陈静：《上市公司财务恶化预测的实证分析》，《会计研究》1999年第4期。
［本文系山东省软科学立项课题（项目编号：2009RKB533）阶段性研究成果］（编辑 刘 姗）