文献综述-中小企业财务预警体系研究.docVIP

毕业论文文献综述 会计学 中小企业财务预警体系研究 本综述按照国内外财务预警模型的类型,从财务预警指标选择的角度对具有代表性的国内外相关研究文献进行综述和简评,以期给企业财务预警研究提供一些有益的启示 一、单变量预警模型 最早的财务危机预测研究是FitzPatrikc(1932)所做的单变量破产预测，他经过研究发现，出现财务困境的公司其财务比率和正常公司的财务比率相比有很明显的不同，从而认为企业的财务比率能够反应企业财务状况，对企业未来具有预测作用。 Beaver(1966)对美国在1954年～1964年间79家失败企业和79家成功企业的30个财务比率进行系统研究的结果表明，具有良好预测性的财务比率为“资产收益率（净收益/资产总额）和资产负债率（债务总额/资产总额）、“现金流量/ 负债总额。Bevaer也因此开创了建立财务预警模型的先河。 二、多元线性判别模型 1.Z计分模型 1968年Altman提出了多元线性判定模型，即运用多种财务指标加权汇总产生的总判断分值(称为z值)来预测财务危机，此模型分为在上市公司和非上市公司两种情况。 上市公司的Z值模型和判别:Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5其中:X1=净营运资本/资产总额，反映公司总营运资本的流动性；X2=留存收益/资产总额，反映公司的支付剩余能力；X3=息税前利润/资产总额，反映公司的收益率大小，衡量公司运用全部资产获取利润的能力；X4=普通股和优先股市场价值总额/债务账面价值总额，反映公司财务状况的稳定性；X5=本期销售收入/资产总额，反映公司的活动比率。该模型实际上是通过五个变量(五种财务比率)，将反映企业偿债能力的指标(X1、X4)、获利能力指标(X2、X3)和营运能力指标(X5)有机联系起来，综合分析预测企业财务失败或破产的可能性。一般地，Z值越低企业越有可能发生破产。 非上市的Z值模型和判别:Z=0.717X1+0.847X2+3.107X3+0.420X4+0.998X5，其中，X4修正为:股东权益/总负债，反映公司财务状况的稳定性。其余X1、X2、X3、X5与上市公司的相同。 2.F分数模型 我国周首华学者(1996）等提出对Z值判定模型加以改造建立起F分数模型。经许多专家证实，现金流量比率是预测公司破产的有效变量，F分数模型加入现金流量这一预测自变量，弥补了Z值判定模型的不足。 其表达公式为: F=-0.1774+1.1091X1+0.1704X2+l.9271X3+0.0302X4+0.4961X5，其中，X1、X2及X4与Z计分模型中的X1、X2及X4 反映的指标相同，而X3、X5与Z分数模型的X3、X5不同。X3=(税后净收益+折旧)/平均总负债，它是一个现金流量变量，是衡量企业所产生的全部现金流量可用于偿还企业债务能力的重要指标。X5=(税后净收益+利息+折旧)/平均总资产，测定的是企业总资产在创造现金流量方面的能力(其中的利息是指企业利息收入减去利息支出后的余额)。相对于Z分数模型，它可以更准确地预测出企业是否存在财务危机。 三、逻辑回归模型 多元逻辑回归模型克服了多元线性判别分析方法对预测变量有着严格的联合正态分布要求、且要求财务危机组与控制组之间一定要进行配对的局限性，从而将问题简化为已知一个公司具有某些财务特征，计算其在一段时间内陷入财务危机的可能性有多大。美国学者Ohlson(1980)是最早在财务预警研究中应用这种方法的人。 我国学者陈晓、陈治鸿(2000)以因财务状况异常而被特别处理(ST)作为上市公司陷入财务危机的标志，运用多元逻辑回归模型和可公开获得财务数据，对中国上市公司的财务危机进行了预测，发现负债权益比、应收账款周转率、“主营利润率/总资产”和“预留收益/总资产”对上市公司财务危机有着显著的预示效应。他们的研究所发现的最优模型能够从上一年股本收益率公告小于5%的上市公司中预测出73.68%的下一年会进入TS板块的公司，总体判别正确率为78.24%。 四、神经网络模型 Odour和Sharda(1990)用BP神经网络预测了财务危机。他们的模型要优于当时的判别分析模型，但也仅仅是神经网络方法应用的展示和Altman(1968)研究的重复。Coats和Fant(1992)运用神经网络技术学习审计专家的结论来判别财务危机，他们选取了由审计师判定的1971年～1990年间的94家持续经营的公司和188家财务状况变动较大的公司，并采用Atlman的Z值模型中5个财务比率分析了这些公司在破产前3年内的数据。Coats和Fant认为Z值模型对破产当年具有很好的判断效果，但不具有很好的提前预测效果，神经网络模型则解决了此问题。 五、简评国内外研究 在国内外现有的财务预警研究中,指标的选择往往