上市公司财务预警模型比较的研究.docVIP

上市公司财务预警模型比较的研究 　　摘要：财务预警模型是诊断财务状况、提供财务危机信号的得力帮手。对于上市公司财务危机的预警，国内外研究者提出了多种构建财务预警模型的方法。本文试图对国内外多种财务预警模型进行比较分析，为构建适合我国企业财务预警模型提供一些思路和方法。 　　关键词：上市公司 财务预警 模型 比较 　　各国学者在对企业财务预警问题进行研究的过程中，提出了各种不同的财务预警的方法和模型，一般可把它们分为定性预警分析和定量预警模式两类。定性预警模式主要包括标准化调查法、管理评分法等几种方法。但定性分析具有主观性过强等缺陷，因此很多学者开始了定量财务预警分析方法和模式的研究，陆续提出了很多企业财务预警的定量分析模型，按其所选择的研究变量的不同主要有单变量模式和多变量模式，以及后来出现的高度并行计算能力、自学习能力、容错能力神经网络分析模型和基于统计学习理论的支持向量机模型。 　　一、财务预警模型的分类 　　（一）按照预警使用的指标数量分为单变量模型和多变量模型 　　单变量模型是指运用单一指标，用个别财务比率或现金流量指标来预测企业财务状况的方法。Fitzpatrick研究表明，财务危机企业其财务指标较财务正常企业有显著不同，指出财务比率可用于预测企业财务状况。多变量模型，多变量模型就是运用多个财务指标来综合衡量企业财务状况企业的财务状况，建立财务预警模型，进行财务危机预测。 　　（二）按照预警模型的可扩展性和改进性，多变量模型又可以分为静态统计模型和动态非统计模型 　　静态统计模型包括线性判别模型、主成分分析判别模型和简单线性概率模型。线性判别模型是选择一定的研究样本，运用多元判别统计分析方法，建立判别函数，以对企业财务状况进行预测。最具代表性的线性判别模型是Altman教授的Z分数模型。主成分分析判别模型是运用多元统计分析中的主成分分析方法，通过提炼综合因子形成主成分，并利用主成分建立起来的。简单线性概率模型包括Logit模型和Probit模型，又称为对数比率模型和概率单位模型，都属于概率模型，分别使用Logit和Probit概率函数建立判别模型。 　　动态非统计模型。动态财务预警模型包括神经网络模型、案例推理法和支持向量机。神经网络模型是一种并行分布模式处理系统，具有高度的计算能力、自学能力和容错能力。模型一般由一个输进层、若干个中间层和一个输出层构成。案例推理法是一种以经验为依据的预警模型判别方法，该方法利用过去发生的案例对未来可能的状态进行判别。鉴于我国资本市场特殊性，预警研究中普遍存在着小样本、高维数、非线性和局部极小点等问题，为了有效应对这些问题，2006年张在旭等引入基于统计学习理论的支持向量机方法，建立机遇支持向量机的上市公司财务危机预测模型，很好的解决了小样本对预警效果产生干预的问题。 　　二、各类财务预警模型的比较 　　单变量模型最主要的特征是简单，仅分析个别财务指标，据此预测企业财务走向，判别企业财务状况。而多变量模型方法较为复杂，涉及多种财务指标和多种建模方法，操作比较复杂。 　　和多变量模型相比，单变量模型分析存在较多的局限性。不同的财务比率的预测目标和能力经常有较大的差距，轻易产生对于同一公司使用不同比率猜测出不同结果的现象。单个指标分析得出的结论可能会受到一些客观因素，如通货膨胀等的影响。它只重视对个别指标影响力的分析，容易受粉饰报表、修饰财务指标、掩盖财务危机的主观行为的影响，以致模型判别失效。而多变量模型由于综合考虑了反映公司财务环境包括财务危机状况的多个方面的因素，反映企业整体、全局的状况，因此能比单变量模型更好地避免上述情况的发生。 　　多元判别分析和概率线性模型的主要优点是建立方便，可以使用现有的统计软件，但多元判别分析和概率线性模型无法应对高维样本，使得预警指标无法涵盖企业经营状况的全部方面。同时多元判别分析和概率线性模型对数据的统计特性有很多苛刻的要求，如多元统计分析要求数据满足正态分布假设、协方差矩阵相等假设、简单线性概率模型要求数据满足二项分布假设等。只有满足上述统计假设条件，才能保证静态统计模型猜测的正确性。另外，静态统计模型一般假定各指标之间满足简单线性关系，需要对指标之间的关系具有清晰的认识，对指标本身的完整性和一致性要求较高。在实际预警研究中，样本数据很难满足上述假设要求，需要对研究数据进行大规模修改，导致模型准确性偏低。而Logit和Probit模型的建立以大样本为前提，由于我国资本市场起步较晚，大样本研究在当前情况下很难实现，导致预警结果较差。 　　人工智能方法，如ANN、BP神经网络、粗糙集、支持向量机等，主要优点是摆脱了各种统计假设条件的限制。其中，研究较多也较为成熟的是神经网络方法，因为相比支持向量机而分类器的特性，神经网络