| 标题 | 财务危机预警模型实证研究述评 |
| 范文 | 杨 华 [摘 要]股票投资者、债权人和政府监管机构对财务危机预警的巨大需求使得财务危机预警模型实证研究不断向前发展。按时间顺序,本文仔细回顾了国内外具有重要影响的文献,并进行了简略评析,指出今后财务危机预警模型实证研究发展的方向。 [关键词]财务危机;预警模型;述评 doi:10.3969/j.issn.1673-0194.2009.14.021 [中图分类号]F234.4[文献标识码]A[文章编号]1673-0194(2009)14-0058-04 一、引 言 在资本市场不断发展和完善的同时,企业发生财务危机的概率也在不断提高。有效地发现财务危机并对其进行规避,是投资者、债权人等利益相关者都极为关注的问题,也是国内外学者研究的热点。 财务危机预警模型研究包括规范研究和实证研究,前者致力于通过演绎推理解释为什么一部分企业会出现财务危机;而后者则注重通过分析定性或定量因素,利用各种统计和人工智能手段来预测公司的财务危机。由于能够提供良好的预警能力并帮助决策,实证研究已成为财务危机预警模型研究的主体。 国内外学者为便于实证研究,各自在符合国情的前提下界定了财务危机的含义。国外学者大都采用破产标准,而且研究已比较成熟,建立的财务危机预警模型有的已经广泛运用到实践中。国内在此领域的研究起步较晚,但学者们大胆借鉴国外已有的丰富经验,结合我国的实际情况,将沪、深两市部分因“财务状况异常”而被特别处理的上市公司作为陷入财务危机的公司,灵活运用各种研究方法,也取得了一些研究成果。 二、国外文献综述及评析 国外关于财务危机预警模型的研究文献众多,本文仅按引入新的研究方法的时间回顾具有重要影响的文献。 (一) 判别分析法 研究中使用的判别分析法又可细分为一元判别分析法(Univariate Discriminant Analysis Method)和多元判别分析法(Multivariate Discriminant Analysis Method)。 Fitzpatrick(1932)最早使用一元判别分析法研究财务危机模型问题。他以19 家企业为样本,运用单个财务比率,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。Beaver(1966)对1954-1964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一元判定预测,发现现金流/负债能够最好地判定公司的财务状况。一元判别分析法建立的财务危机预警模型虽然简单易懂,但是仅用一个财务比率不可能充分反映企业的财务特征,而且对于同一个公司使用不同比率可能预测出不同结果,另外还易受极端值影响,因而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。 多元判别分析法(MDA)始于20世纪初,最早由Fisher(1936)提出。多元判别模型主要是利用建立的判别函数模型(Z-Score Model)得到Z-Score值,再以Z-Score值是否超出分界点(Cut-off point)来判定企业为危机或正常公司。最早将多元判别分析法引入财务危机预警模型研究的是Altman(1968)。他以1945-1965年间提出破产申请的33家公司和同行业同资产规模的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。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70万~2 590万美元之间),并且只针对上市公司,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,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。多元判别分析法虽然有良好的判别能力,但必须符合3项统计假设:(1)自变量须符合正态分布;(2)各总体协方差矩阵相同;(3)自变量间独立。应用时,若没有符合这些假设条件,可能会造成研究结果的偏差,因此又有其他统计方法相继出现。 (二) 回归分析法 回归分析法是采用因变量为数值变量的分析方法,首先提出的方法为线性概率模型(LPM)。Meyer和Pifer(1970)最早将LPM运用于银行业的财务困境预测,以39家倒闭银行为样本,同时选取同一地区、设立年数相近的正常营运的银行与之配对,对前2年的预测准确率达到80%。但由于此模型会发生概率估计值出现在(0,1)之外的问题,于是学者们以累积概率函数取代线性概率函数,发展出Logit与Probit回归模型。 1977年,Martin在财务危机预警模型研究中首次采用了多元Logit回归法。他从1970-1977年间大约5 700家美联储成员银行中界定出58家财务危机银行,从25个财务指标中选取了总资产净利润率等8个变量,在Z模型、ZETA模型、Logit模型之间进行比较研究。经过和前面两种模型的比较,发现Logit模型预测效果良好,财务危机前一年的误判率为11.41%。Ohlson(1980)选择1970-1976年间破产的105家公司和2058家非破产公司组成配对样本,采用9个变量建立了预测一年内失败、两年内失败和一或两年内失败的3个Logit模型,预测准确率分别为96.12%、95.55%、92.84%。Ohlson认为,以前根据行业和资产规模来进行样本配比的选样方法显得有些武断,还不如将资产规模变量直接放在模型中考虑。他还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分割点之间的关系,发现至少存在4类影响公司破产概率的变量:公司规模、资本结构、业绩和当前的融资能力。 Ohlson(1980)还使用上述样本,最先采用极大似然估计法,通过每个样本个体的破产与非破产的联合概率最大构造了Probit回归模型。Zmijewski(1984)也在研究中采用了Probit回归法建立预警模型。他提出因样本选取及资料搜集程序可能引起选择基础偏差及样本选择偏差。研究以1972-1978年间76家失败公司与3 880家正常公司为样本,分别为2种偏差建立模型。对选择基础偏差采用未加权Probit及加权最大似然估计Probit模式,他究认为未调整Probit模式会产生偏差,应以调整程序消除偏差;而对样本选择偏差则使用简单Probit及双变量Probit模式,研究显示双变量Probit模式其降低偏差的效果较佳。虽然Probit与Logit均属回归分析,但是Probit模型假设事件发生的概率符合标准正态分布,因而多数学者选择采用Logit模型。 (三) 递归分割法 Frydman(1985)用递归分割法(RPA),以财务比率为判别点建立二叉分类树,以最低误判成本为标准对样本公司进行破产/非破产分类,发现随Ⅱ类错误(将实际非ST公司误测为ST公司)与Ⅰ类错误(将实际ST公司误测为非ST公司)比增加,多元判别分析模型样本期望误判成本明显高于RPA模型。在RPA模型中可以选用非财务指标和定性指标,但复杂的分类树结构可能引起样本的过度适应,预测风险高,因此分类树结构宜简不宜繁,应便于灵活应用。 (四) 人工神经网络 Odom和Sharda(1990)开拓了用人工神经网络(ANN)预测财务危机的新方法。他们选用1975-1982年间65家失败公司与64家健全公司为研究对象,分为训练样本与测试样本两组,以Altman 所构建的5个财务比率为研究变量,取公司失败前1年的资料,使用前向三层BP神经网络,并与传统的多元判别分析进行比较研究。结果发现:在训练样本方面,人工神经网络与判别分析模型的正确率分别为100%、86.84%;保留样本的验证方面,人工神经网络模型在正常与失败比率分别为8∶2与9∶1的情况下,正确率分别为78.18%与81.75%,充分显示出人工神经网络具有较佳的预测能力。 (五) 混合研究法 McGurr和DeVaney(1998)的实证研究表明,混合模型与其中包括的单个方法模型相比,有着更高的准确性。Feng Yu Lin和Sally McClea(2001)以4种独立的财务危机预警研究方法(判别分析法、Logit回归法、神经网络法及决策树法)为基础,将这几种方法进行不同的组合,建立了3种混合模式,再对这些方法进行实证分析,验证结果表明:在同等条件下,混合模式明显优于单个方法模式。 总之,国外学者不时地将最新的统计技术和人工智能方法引入财务危机预警模型研究领域,并注重将新方法的预测效果与已有研究进行比较,取得了众多开创性成果。随着财务危机预警模型研究的不断深化,一些学者开始挖掘引发财务危机的更深层次原因,引入非财务指标和定性因素进行分析。如Hopwood(1989)利用3种审计保留意见及6个财务比率,以一元判别分析法及MLR法构建财务危机预警模型。他的研究首次考虑到审计意见对财务危机的影响,并得出审计意见对企业财务危机有显著性影响的结论。Wilkins(1997)的研究也发现,对于技术上违约(Technical Default)的企业而言,审计师的意见可以在一定程度上反映公司将来是否会陷入财务困境;Elloumi和Gueyié(2001)研究1994-1998年间92家加拿大公司时发现,除财务指标以外,董事会的构成与结构也可以解释财务危机。 三、国内文献综述及评析 起初我国学者是在国外已有研究的基础上,沿用已被证明具有显著预测效果的财务指标和模型。随着对该领域研究的深入,学者们大胆结合各种各样的研究方法,形成了众多符合我国实际情况的预警模型。近年来,学者们又借鉴国外相关研究,探索将非财务指标和定性因素引入财务危机预警,并已取得了许多研究成果。 (一) 引入或修正国外模型的文献 周首华 等(1996)最早借鉴Altman的Z分数模型,并加入了现金流量比率,提出了“一种供管理当局使用而又区别于传统的公司偿付能力分析的新的预测模式——F分数模式”,其预测准确率近70%,但研究样本却不是取自中国证券市场。 我国上市公司财务危机预警实证研究真正始于陈静(1999)。作者借鉴Beaver、Altman的模型,进行了均值比较立面分析、一元判别分析和多元判别分析。使用多元判别分析建立的模型对ST公司和非ST公司有较好的判别率,但由于样本量的限制,在研究中未对上市公司ST的原因加以区分。 陈晓、陈治鸿(2000)率先采用多元Logit回归模型对我国上市公司的财务困境进行预测。他们建立的最优模型的预测准确率为73.7%,但他们只是进行一次性的预测,也没有说明判别ST公司的概率临界值。 借助主成分分析能够提炼综合因子形成主成分的优点,许多学者将主成分分析与多元判别分析或多元Logit回归结合使用。张爱民、祝春山(2001)将主成分分析与Z分数模型相结合建立预警模型,实证检验表明,通过此法处理研究变量后建立的模型具有较好的预测能力。吴应宇、袁陵(2004)结合主成分分析和Logit回归建立的模型的预测精度达到了85%,回代预测和新样本预测的总正确率都达到80%以上。 在国内,杨保安、季海 等(2001)最早使用人工神经网络方法解决判别分析在实际财务危机预警应用中存在的问题。与统计分析类方法相比,人工神经网络方法的预测准确率大大提高,但作者未具体建立预警模型,只是运用财务指标进行示范性设计和检验。刘洪、何光军(2004)以上市公司被ST作为经营失败的界定标准,采用上市公司(t-3)年的财务数据来预测t年是否会被ST。在用传统的判别分析法和Logit回归法对公司经营失败建立预警模型的基础上,应用人工神经网络方法对该问题进行比较研究。结果表明,人工神经网络方法的预测精度远高于两种传统的统计方法。 姚靠华、蒋艳辉(2005)应用SQL Server 2000的数据挖掘工具Analysis Services建立决策树模型。其中以(t-1)、(t-2)、(t-3)年数据建立的决策树都是进行了一次分差的两节点决策树,且分组变量都是总资产收益率,说明总资产收益率在预测企业财务失败中含有很高的信息量。而以(t-4)年的数据建立的决策树只有根节点,没有进行分叉,实证说明了财务危机预警有效期限为3年。 刘旻、罗惠(2004)以我国上市公司为研究对象,选取了1999-2001年被ST的公司和正常公司各73家作为训练样本,2002年被ST的公司和正常公司各43家作为检验样本,分析了它们在财务危机出现前2年内的15个财务指标。运用判别分析、Logit回归和神经网络这3种独立的方法进行数据挖掘,结果发现神经网络预测的效果要优于其他两种方法。最后,结合这3种方法的优点,建立了一种预测正确性高于每种单独方法的混合模型。 (二) 加入非财务指标和定性因素的文献 姜秀华、任强(2002)运用多元Logit回归,加入了反映公司治理结构的变量——股权集中系数建立了财务危机预警模型,并进一步讨论了阈值。模型预测正确率较陈晓的研究有所提高,回判准确率为84.52%,对新增ST公司的判别准确率则达到了95.45%。 肖艳(2004)把传统财务指标与现金流指标结合起来,利用Logit方法构建了一个上市公司财务困境预警模型,建模样本的预测准确率为98.1%,检验样本的预测准确率为91.1%。 宋力(2004)为消除盈余管理因素对财务指标的影响,分别用未作调整的财务指标和剔除盈余管理影响后的财务指标建立Logit预警模型,研究表明调整失真的财务数据在一定程度上提高了模型预测的正确率。 陈良华(2005)采用Logit回归对沪市公司进行研究,发现独立董事比例、第一大股东持股比例、现金流量权与表决权的偏离等治理结构变量确实与财务困境存在相关性,引入这些指标的模型能够达到较高的预测精度。 曹德芳(2005)运用主成分分析法,结合财务指标,将股权结构变量引入到财务危机预警研究中,发现法人股比例、流通股比例、控股模式和前10位大股东持股比例的平方和等4个股权结构变量对财务危机有着显著的影响。 谭一可(2005)分析了近20年来国内外在引进非财务变量进行企业破产预测方面的一些创新及其发展趋势,提出可将宏观经济因素、行业差异、公司治理等定性因素引入财务危机预警。 龚凯颂(2005)的研究表明我国上市公司对外担保的财务效应为负,担保不仅不会提高企业财务质量,反而可能会引致财务困境,对外担保与财务困境具有显著相关性。 杨兵(2005)研究了样本的选取对于研究结果的影响以及非财务指标在预测财务危机中的作用后,发现非财务指标的引入可以大幅度提高上市公司财务危机预测的准确程度,特别是在上市公司被ST 前的2~3年会起到良好的预测效果。 万希宁(2005)认为财务危机具有模糊性和复杂性,为克服纯量化因素建立预警模型的不足,结合财务指标和非财务指标体系,运用专家评分法和模糊优先关系排序决策法进行了指标的有效选择,最后借助模糊数学构建了综合模糊预测模型。 李秉成(2005)利用归纳法总结了上市公司财务困境形成原因,通过管理记分法(A记分法),将定性因素定量化,建立了上市公司财务困境“A记分法”分析模型。 吕峻(2006)的研究表明,以非财务指标构建的财务困境预测模型的预测精度不会随时间的向前推移而降低,非财务指标可以更好地反映财务困境公司的本质特征,并可以在一定程度 上解释财务困境发生的原因。 四、综合评析与研究展望 国内外学者的大量有益探索,为今后的研究提供了可贵的经验,更指明了今后研究发展的方向。通过对国内外财务危机预警模型实证研究的回顾,可以看出: 1.将学者们建立的模型运用到实践中,可以产生巨大的作用,帮助资本市场上各方利益相关者维护自身利益,避免不必要的损失。但由于缺乏理论的指导,用于构建财务危机预警模型的变量的选取带有很大的随意性,且这些变量只是企业陷入财务危机的征兆,而不是根本原因。因而在今后的预警研究中,在注重模型预测准确率提高的同时,还应进一步完善财务危机的相关理论,从而挖掘企业陷入财务危机的更深层次的原因,使预警变量的选取更具有科学性。 2.目前研究建立的财务危机预警模型大都是使用历史的财务数据来预测公司未来的财务状况,如多元判别分析法和多元Logit回归法等统计类的分析方法。但公司的历史情况并不能完全反映出公司未来的发展情况,因而未来的财务危机预警模型还应该具备一定的自我学习能力。随着数据挖掘技术的发展,人工神经网络、模糊综合评价等方法会更加成熟,更能满足研究的需要。 3.现有的预警研究多以建立定量模型为主,主要是由于定性研究受专家的主观判断的影响较大,即使采用量化方式,也不能完全取代定量研究方法。但随着投资规模的扩张和竞争程度的加剧,企业面临的风险和危机与日俱增,越来越多的不可量化因素使纯量化模型无法全面预测企业的财务危机。鉴于此,非常有必要结合两种研究方法的优点,以定量研究为主,辅以量化的定性研究,这也将会是今后研究的趋势所在。 4.尽管新的财务危机预警方法不断出现,但多元判别分析法和多元Logit回归法仍受到学者们的青睐,特别是与主成分分析法结合使用后,预测准确性有了更显著的提高。与多元Logit回归法相比,多元判别分析法具有严格的前提假设,如果在不满足假设的条件下使用该方法,就会对模型的预测准确性产生影响。随着非财务指标的引入,不受前提假设限制、可以处理虚拟变量的多元Logit回归法的应用会更为广泛。 5. 财务指标虽然可以综合反映企业现状,但其应用受不同企业所处客观环境的差异、评价标准的客观性及获取数据的难度等限制,难以全面满足上市公司的需要。因此,除以财务指标为主外,还应该关注影响公司可持续发展能力和未来财务状况的非财务指标和定性因素,对细节即具体过程进行控制,以弥补财务指标的不足。只有将财务指标与非财务指标、定性因素有机结合起来,才能使财务危机预警模型更加完备,真正提高上市公司财务危机预警模型的效用。 6.现有的财务危机预警模型多为通用型的,没有考虑到行业间的差异。但在实际工作中,各个行业都有自身的一些经营特点,具体表现为财务数据上存在差异,这就降低了各个行业之间财务数据的可比性,从而降低了通用财务危机预警模型预测的准确性。这就需要考虑行业差异,建立分行业、分企业甚至分部门的预警模型,拓宽数据的渠道和研究的范围,更及时地注意到企业财务状况的变化。 总之,随着现代科学技术的发展和财务危机预警理论的不断完善,财务危机预警实证研究建立的模型会更真实地体现企业的财务状况,及时告知各利益相关者潜在的风险和危机,使其及早采取有效的防范措施,避免或削弱危机事件的不良后果。 主要参考文献 [1] 周首华, 杨济华, 王平. 论财务危机的预警分析——F分数模式[J] . 会计研究, 1996(8): 54-58. [2] 陈静. 上市公司财务恶化预测的实证分析[J] . 会计研究, 1999(4): 31-38. [3] 陈晓, 陈治鸿. 中国上市公司的财务困境[J] . 中国会计与财务研究, 2000(3): 25-32. [4] 张爱民, 祝春山, 许丹健. 上市公司财务失败的主成分预警模型及其实证研究[J] . 金融研究, 2001(3): 10-25. [5] 姜秀华, 任强, 孙铮. 上市公司财务危机预警模型研究[J] . 预测, 2002(3): 56-61. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。