上市公司财务预警文献综述（范文）

基础。他研究了 1946-1965 年提出破产申请的 33 家公司和同样数量的非破产公司，选取五个主要的财务指标。Altman 的多元判别模型如下：

判别模型：Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 (2-1) 其中：X1：营运资金/总资产 X2：留存收益/总资产 X3：息税前利润/总资产 X4：股票市价/总负债面值 X5：销售总额/总资产

通过多元判别模型产生了一个总的判别分，称为 Z 值，并依据 Z 值进行判断。测算后，Altman 评出了破产下限值为 1.81，即如果 Z 小于 1.81 则可以认为该公司破产的可能性很大；非破产上限值为 2.99，即如果 Z 大于 2.99 则可以认为该公司处于财务健康状态，若 Z 落在 1.81 到 2.99 范围内则认为该公司处于灰色区域，不能直接进行判定。Z 分数模型克服了单变量模型出现的对于同一公司不同比率预测出不同结果的现象。

该模型的预测结果表明，破产前两年预测准确率最高，随着时间的提前，预测准确率下降。

2) ZETA 模型（修正的 Z 模型）

1977 年，Altman, Haldeman 和 Narayanan 建立了第二代 Z-score 模型，其目的是创建一种能够明确反映公司破产问题研究的最新进展的度量指标。他们选取了1969-1975 年间的 53 家破产企业和 58 家非破产企业。在分析变量方面，先选出了 27个变量，最终筛选出 7 种变量构

建模型，包括资产报酬率、盈利的稳定性、债务偿付能力、累积盈利能力、流动性、资本化程度、资产规模。结果表明 ZETA 模型用于预测五年和一年的财务危机企业精度分别为 70%和 91%，而且对相同样本的比较分析表明，ZETA 模型明显优于 1968 年 Altman 发明的 Z 模型。

多变量模型可以说是对单变量模型的修正，在一定程度上弥补了单变量模型的一些缺陷，但仍然有自身的局限性。具体局限性如下：①工作量大，研究者需要做大量的数据收集和数据分析工作。②多元线性判定模型有一个很严格的假设，假定自变量是呈正态分布的，两组样本要求等协方差，而现实的样本数据往往并不能满足这一要求。③使用多元判别分析技术，财务困境组与控制组之间一般要进行配对，配对标准如何恰当确定是一个难题。④多变量模型可从总体角度检查公司财务状况，有利于不同时期财务状况的比较，但不具有横向可比性，即不可用于规模、行业不同的公司之间的比7较。

3) 多元逻辑回归模型

多元逻辑回归模型的目标在于寻求观察对象的条件概率，从而据以判断观察对象的财务状况和经营风险。它是建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的假设条件（张鸣等，2004）。多元逻辑回归模型假设企业破产的概率 p（破产取 1，非破产取 0），并假设 Ln[p/(1-p)]可以用财务比率线性 解 释 。 首 先 假 定 Ln[p/(1-p)]=a+bX ， 然 后 根 据 推 导 可 以 得 出p=exp(a+bX)/[1+exp(a+bX)]，从而计算出公司破产的概率。其判别方法和其他的模型一样，先是根据多元线性判断模型确定公司破产的 Z 值

(Z=abs)，然后推导出公司破产的条件概率。其判别规则是：如果 p 值大于 0.5，则表明公司破产的概率比较大，那么判定公司为即将破产类型；如果 p 值低于 0.5，则表明公司财务正常的概率比较大，判定公司为财务正常。

Ohlson (1980)第一次采用多元逻辑回归模型进行破产预测。他选择了 1970-1976年间破产的 105 家公司和 2058 家非破产公司组成的配对样本，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。他发现至少存在四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。研究结果表明用这四类变量进行财务危机的预测准确率达到 96.12%。

多元逻辑回归模型最大的优点就在于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，从而具有广阔的适用范围。这种方法计算过程比较复杂，而且在计算的过程中有很多的近似处理，不可避免地会影响到其预测精度。

2、 非统计类财务危机预警方法

近年来，许多研究人员尝试采用各种非统计方法将财务危机预测工作推向深入。例如：Wilkins (1997)的研究发现对于技术上违约的企业而言，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危机。其他的非统计类方法主要有：

（1） 递归划分算法

递归划分算法是一种以单变量分类法和多元法的模型识别为基础的计算机处理的非参数技术。Frydman, Altman 和 Kao(1985)用递归划分算

法进行财务分析，并在公司财务危机的背景下与判别分析作了比较。发现递归划分算法在许多原始样本和对比样本上比判别分析更好。

递归划分算法兼具多变量模型的信息容量大和单变量模型简洁的优点，同时，由于这种方法属于非参数研究方法，从而避免了参数类研究方法的诸多缺陷。

（2） 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的模型。人工神经网络是一种平行分散处理模式，其构建原理是基于对人类大脑神经运作的模拟。（张鸣等，2004）

(二) 国内预警模型研究现状

国内对于公司财务危机预警模型的研究始于 20 世纪 80 年代末，1986 年，吴世农、黄世忠曾撰文介绍公司破产的财务分析指标及其预测模型。虽然公司财务危机的研究在我国起步时间不长，但是国内学者也做出了可贵的探索。

1、 统计类财务预警模型 （1） 单变量财务预警模型

由于国内财务预警研究起步较晚，可以借鉴国外的成果较多，再加上单变量判别有其自身的局限性，所以国内采用单变量模型进行财务预警研究的不多。其中，影响比较大的是陈静（1999）的研究。她使用了 1998 年我国证券市场中的 27 家 ST 上市公司作为危机公司样本，同时按同行业、同规模选取了 27 家非 ST 的上市公司作为配对样本，研究发现：资产负债比率、流动比率、总资产收益率、净资产收益率等四个财务比