财务风险预警的研究综述.docVIP

财务风险预警的研究综述 　　[摘 要]随着全球经济的快速发展，企业之间的竞争日益激烈，评估与识别企业存在的风险对企业的生存与发展越来越重要。大多数学者研究财务风险预警的基本方法集中于单变量分析、多元判别分析、逻辑回归分析、线性回归分析、神经网络、生存分析等。文章主要梳理了财务风险预警相关理论研究的发展以及现状，根据不同模型分析了各方法的优点与不足。 　　[关键词]财务风险；预警模型；综述 　　[DOI]10.13939/j.cnki.zgsc.2016.33.107 　　1 国内外研究现状 　　从20世纪30年代开始，就已经有学者注意到企业财务状况的变化会影响到企业经营成果以及财务状况，并开始进行相关研究。学者们分析了大量的企业财务指标数据，并根据这些研究开始了对财务风险的研究。随着企业管理和财务理论的发展，研究手段也越来越科学，研究方法和研究工具也逐渐成熟，研究者提出了各种不同的财务风险预警的方法和模型。 　　1.1 国外研究现状 　　1.1.1 财务风险研究现状 　　Blum（1974）将财务风险定义为企业没有能力偿还到期债务、进入破产程序或者与债权人达成明确债务减免协议的事件。在正常情况下，企业只有按时支付本息或股利，才能顺利获得债权人或者投资者的青睐，筹集足够的资金。如果企业不支付本息、拖欠股利，出现违约的情况，必然会引起投资者的注意，对企业的筹资活动产生影响，进而影响企业的持续经营。James C.Van Home和John M.Wachowicz（2001）对财务风险做了更广的界定，认为财务风险由两部分组成，可能失去偿债能力的风险和因使用财务杠杆而导致的每股收益变动的风险。 　　1.1.2 财务风险预警模型研究现状 　　单变量判别模型。最早开始研究财务风险预警模型的是Fitzpatrick（1932），他主要针对单变量破产预警进行研究，是单变量预警模型研究的先驱。Fitzpatrick选择了19家企业作为研究样本，研究发现对财务风险判别能力最高的两个指标分别是净资产收益率和产权比率。美国芝加哥大学教授William Beaver（1966）在Fitzpatrick的研究基础上进行了较为成熟的单变量预警研究，结果发现预测准确率最高的指标是现金流量债务比和资产负债率。 　　多变量判别模型。美国学者Edward Altman（1968）首次将多变量线性判别分析方法介绍到财务风险预警领域。他随机抽取了多家制造企业，通过研究认为22个备选财务比率中有5个是最佳预警判别变量，并运用这5个财务比率建立了多变量线性判别模型。Altman（2000）在多变量判别分析法的基础上进行了改进创新，建立了Z值多变量财务风险预警模型。事实证明Z值多变量财务风险预警模型是非常有用而成功的，在以后的财务风险预警研究中得到了广泛的应用。P.Wu（2016）建立了多元线性预警模型，在传统的财务风险和收益的风险管理之间的非相关性分析的基础上，提出了建立财务风险预警的必要性，并构建了一个多元线性模型，证实了多元线性预警模型的有效性。 　　逻辑回归模型。Ciarlone和Trebeschi（2005）将宏观经济学和现有的预警模型结合起来，运用逻辑回归法构建了一个规则简单，但验证有效的逻辑风险预警模型。Daniela Beckmann等人（2006）提出在当前市场环境中应该高度重视财务风险，由于研究选取的样本、时间段以及变量的不同，合适的财务风险预警方法也就不同，并且通过比较分析表明逻辑回归方法比其他方法更有优势。MatthieuBussiere等人（2008）以逻辑回归模型为基础，创新的将二元离散选择的方法运用到研究中。他们根据32家处于财务危机状态的企业的财务数据建立了新的多变量逻辑回归预警模型，并且划分了多个预警区域。经过验证，该预警模型基本可以比较准确的预测企业的潜在危机。 　　神经网络模型。Coats和Fant（2005）将人工神经网络运用于财务风险预警研究，建立了神经网络财务风险预警模型。他们以94家破产公司与188家正常公司的财务数据为样本，研究结果表明，神经网络预警模型预测的准确性较高。Edward I.Altman（2009）等运用多变量线性分析方法和BP人工神经网络方法研究了164家上市公司的财务数据，发现其中16%的公司财务存在危机，30%的公司财务状况需要引起管理层的密切关注，54%的公司处在正常运营的过程中。Clarence Tan（2009）总结了现有的BP神经网络财务风险预警模型，并选取多家银行的财务数据为样本建立了银行神经网络财务风险预警模型，并验证银行神经网络财务风险预警模型的有效性。 　　综上所述，国外财务风险预警研究主要集中于对财务风险预警模型的构建，研究成果较为成熟，并且广泛应用于实践中。