文献综述-财务危-机预警模型构建实证分析——基于我国制造业上市公司的研究.docVIP

毕业论文文献综述 会计学 财务危机预警模型构建实证分析——基于我国制造业上市公司的研究 随着我国市场经济体制改革的不断深化，企业所面临的财务风险越来越大。建立一个合理有效的财务风险预警模型对于企业防范财务危机十分必要和迫切。财务预警是以财务会计信息为基础，通过设置并观察一些敏感性指标的变化，对企业可能或将要面临的财务危机实施的实时监控和预测警报。财务预警模型就是财务预警中的数学模型，它是指企业借助财务指标和非财务指标体系，识别企业财务状况的判别模型。 自Fitzpatrick，主要形成了开创研究财务预警模型的先河之后，国内外学者运用各种方法创建了各种财务预警模型。其中最具代表行的主要有以下几类模型： 一元判别模型 一元判别模型是指选用某一项财务指标作为判别标准来判别是否存在财务危机。早在1966年，William Beaver就开展了单变量破产预测研究。他以1954年到1964年期间的79家破产企业和与之配对的79家正常企业为样本，运用单个财务指标进行判别分析，找出最具判别能力的财务指标和阀值。最后发现“现金流量/总负债”比率的判别能力最强，其次为“总负债/总资产”比率和“净利润/总资产”比率。在企业破产前一年的准确度可达87%，前5年的准确率为70%。 在我国，陈静（1999）也曾运用判别分析法对1998年的27家ST公司和与其配比的非ST公司做过单变量的实证研究，发现流动比率和负载比率的误判率最低。 一元判别模型简单易行，适用范围广，但总体精确度不高，不能综合的说明公司的整体财务状况。可能出现对同一个公司，不同的财务指标显示不同的结论。对与失败前一年的风险预测，一元判别模型的精确度要明显低于多元判别模型。 多元线性判别模型 多元线性判别模型是指运用多种财务指标加权汇总产生总的判别值，来综合预测财务风险。最早研究多元判定模型的是Altman(1968)。他通过统计技术筛选出那些在两组间差别尽可能大而两组内部的离散度最小的变量，从而将多个标志变量在最小信息损失下转化为分类变量，获得多元线性判别方程，即Z分数模型。 Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 1977年Z分数模型被修正为跨行业的Zeta模型，得到了更广泛的应用。 我国学者周首华、杨济华和王平（1996）在Z分数模型的基础上进行改进，考虑了现金流量这一有效变量，提出了F分数模型。 F=-0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5 多元线性判别模型的精确度较高，但其有一个严格的前提假定，即假定自变量是呈正态分布的，两组的样本要求协方差。这大大限制了多元判别模型的使用范围。 多元逻辑回归（Logit）模型 Logit模型的目标是寻求观察对象的条件概率，从而据此判断观察对象的财务状况和经营风险。吴世农和卢贤义（2001）选取了70家处于财务困境的企业和70家财务正常的企业，应用剖面分析和单变量判定分析，选出六个财务指标作为预警指标，并运用Fisher 线性判定分析、多元线性回归分析和Logistic回归分析三种方法分别建立三种预警模型，并指出运用Logistic回归分析法建立的预警模型误判率最低。 Logit模型最大的优点是不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，具有更广泛的适用范围。但计算过程比较复杂，而且在计算过程中有许多近似的处理，会不可避免的影响到精确度。 人工神经网络模型 人工神经网络模型是将神经网络的分类方法应用于财务预警。它通常由输入层、输出层和隐藏层组成，通过网络的学习和数据的修正的得出期望输出，然后根据学习得出判别规则来分类。我国学者王春峰等（1999）、杨保安等（2001）、张根明等（2006）、张华伦等（2006）都对其做了相关的研究，为财务风险预警模型的构建提供了新思路。 人工神经网络模型没有严格的假设条件，且具有很强的容错能力、学习能力和纠错能力，以此能很好地进行预测。但由于相关的理论基础比较薄弱，科学性和思维性还有待提高，其适用性也大打折扣。 联合预测模型 联合预测模型是运用企业模型来模拟企业的运作过程，动态地描述财务正常且和财务困境企业的特征，然后根据不同特征和判别规则，来对企业样本进行分类。 联合模型克服了单纯运用财务指标的片面性，能够动态模拟和反映企业经营过程中的方方面面。但其运用要求有一个基本的理论框架，以有效地反映和识别不同企业的行为特征和财务特征。由于理论框架很难构建，因此使用面不是很广。 以上各种财务预警模型主要以财务指标为基础建立的，只涉及到会计数据和财务比率。很少涉及到非财务指标。事实上，非财务指标是财务指标的驱动因素，在披露企业财务状况方面要比财务指标更为可靠和有效。国内外学术界和