企业财务预警模型的比较研究采用实证和规范相结合的研究方法，以我国制造业A股上市公司因“财务状况异常”而被特别处理的公司作为研究对象，选择2003-2005年65家财务危机公司，同时采用配对的方法逐年选择65家财务健康公司；初步选定53个变量指标并通过柯尔莫哥洛夫-米诺夫检验、曼-惠特尼-威尔科克森检验逐步判别分析进行筛选，建立和检验了Fisher二类判别模型、Logistic回归模型和BP网络模型，并对其进行了比较研究。

标签：财务预警模型；Fisher二类判别模型；Logistic回归模型；BP网络模型；比较研究1 研究样本的设计财务预警模型的研究样本设计过程，主要包括如何确定陷入财务危机公司的样本组，如何确定作为配对标准的控制因素以及如何进行两组间样本个体数量分配的问题等。

（1）样本组的选择。

在选择样本组时，需要考虑以下几个因素的影响：①考虑样本个体所处的行业。

纵观陷入财务危机的公司所处行业，发现制造业公司占大多数。

为了消除行业因素的影响，在具体的环境下对财务预警模型进行比较研究，把研究对象局限于制造业。

②确定陷入财务危机公司的一定研究期间。

均衡地考虑样本规模的大小和时间跨度的影响，选取了2003-2005年因“财务状况异常”被ST的65家公司及65家财务健康公司作为配对样本。

同时，采用了Altman的研究方法，控制进入样本的个体，使其在三年的分布大致平均。

其中，2003年24家财务危机公司和24家财务健康公司，2004年18家财务危机公司和18家财务健康公司，2005年23家财务危机公司和23家财务健康公司。

③考虑公司规模。

样本公司的规模虽然都在亿元以上，但是没有资产超过百亿元的超大型公司，规模配合比较适中。

④对样本数据完整性的要求。

Zmijewski（1984）检验了由于选样时所持的数据完整性标准所带来的模型偏差。

他认为前人的研究都将数据完整性作为选样的标准，实际破坏了建立预测模型过程中所采用统计技术的应用前提——随机选样的要求，而且一般陷入财务危机的公司更可能提供不完整的数据。

建立在完整数据基础上的模型忽视这一信息，无疑会使模型低估了公司破产的概率。

他的研究表明这种偏差的确存在，但经他修正以后的模型却未在参数的统计显著性和总体预测精度上有显著提高。

因此，本文并没有按照随机选样的要求来选择样本，还是根据前人人为的可获取资料的完整性来作为样本选择的标准之一。

2003-2005年，在沪深A股上市公司制造业中，共有69家公司被ST，其中2003年27家，2004年19家，2005年23家（如果样本同时在两年内以ST的身份出现，归为第一年样本）。

另外，剔除了4家数据不完整的公司，分别为ST 金马、ST珠峰、ST金泰、ST盛工。

（2）配对组的选择。

①配对标准的控制因素。

在制造业中，按照会计年度、资产规模（ST前1-5年期末资产总额最接近）配对的标准来选择一定的配对样本。

②两组间样本个体的数量分配。

考虑到选样并没有显著的影响模型总体的预测精度，选择样本的时候仍然是按照两组间样本数量一一对应的标准来选取的。

根据上述选样标准，2003-2005年共有65家财务危机公司，ST前1-5年分别有65家财务健康公司与之配对。

随机抽取45家财务危机公司（2003-2005每年各15个公司）和45家财务健康公司，作为建模样本，剩下的20家财务危机公司和20家财务健康公司作为预测样本。

由于本文通过五次配对抽样得到五组财务健康公司样本，因而各组的财务健康公司不尽相同。

2 变量指标的选择企业财务预警模型的理论基础相对比较薄弱，缺乏能够准确预测模型所应包括的变量指标的经济理论支持，所以目前该领域内的实证研究还处于初期探索的艰苦阶段。

根据以往的研究，财务预警模型根据所用的变量指标类型不同可分为财务指标类模型、现金流量类模型和市场收益类模型。

在借鉴国内外已有文献，同时考虑数据的可获得性的前提下，初步确定了53个变量指标，分别反映了企业流动性及偿债能力、盈利能力、营运能力、发展能力和现金流量等方面。

部分变量指标直接来自中国股票市场交易数据库，部分是数据库中的三张财务报表计算得出的。

3 模型的建立与检验（1）Fisher二类判别模型的建立与检验。

①异常值的处理。

本文采用标准化数值（Z分数）来检测异常值，剔除了Z 分数小于-3或大于+3的值。

②柯尔莫哥洛夫-米诺夫（K-S）检验。

通过单样本的K-S检验来验证变量指标是否符合正态分布，检验结果表明：部分指标符合正态分布，部分指标不符合正态分布。

③曼-惠特尼-威尔科克森（MWW）检验。

根据样本数据的特征，采用MWW 非参数检验法来分析财务危机公司和财务健康公司的53个变量指标总体分布是否相同。

检验结果表明：④方差-协方差相等的检验（Box M检验）。

在0.000的显著性水平上拒绝了总体协方差阵相等的零假设。

因此，采用合并的方差-协方差阵进行判别分析。

⑤逐步判别分析（多重共线性）。

采用容许度（TOL）统计量检验多重共线性，TOL统计量值都大于0.1，说明进入模型的六个变量不具有多重共线性。

⑥Fisher二类判别模型的建立。

⑦Fisher二类判别模型的拟合优度检验。

使用Fisher二类线性判别模型，以原始数据分别进行回代，组合的平均Z 值分别是2.468和-2.139。

确定的先验概率为0.5，所以确定最佳判定点为两者的平均值0.1645。

当以原始数据代入判别模型所得的判别分Z值大于最佳判定点0.1645，则判定为组合0，即财务健康公司；否则判定为组合1，即财务危机公司。

Wilkλ值为0.1540，较小；显著性水平为0.0000，拒绝两组判别函数均值相等的零假设；说明此Fisher二类判别函数模型拟合较好。

⑧Fisher二类判别模型的预测结果。

在ST前1年，采用Fisher二类判别模型，选择进行建模的样本组，预测准确率为92.7%；留作预测的样本组，预测准确率为91.9%；选择进行交互式检验的样本组，预测准确率为91.5%。

同理，对ST前2-5年分别建立了Fisher二类判别模型，并进行了检验。

最后得出，ST前1-5年，Fisher二类判别模型的预测准确率分别为91.9%，87.5%，72.5%，72.5%，63.4%；离ST时间越近，预测准确率越高；具有提前4年的预测能力。

（2）Logistic回归模型的建立与检验。

①Logistic回归模型的建立。

Fisher二类判别模型中筛选的变量指标已进行了多重共线性检验，不存在多重共线性；因变量被分为两组分别为组1和组0；样本数量远远大于参数个数，符合Logistic回归模型的适用条件。

采用Fisher二类判别模型中筛选的变量指标，分别建立ST前1-5年的Logistic回归模型。

②Logistic回归模型的拟合优度检验。

在SPSS的Logistic回归程序中，输出的-2LL值为23.672，较小，说明所建模型拟合较好。

Hosmer and Lemeshow Test 统计量大于0.05，接受观测数据和预测数据之间没有显著差异的零假设，即认为模型对数据的拟合度较好。

③Logistic回归模型的预测准确性检验。

Cox & Snell R2，Nagel ker ke R 解释的是回归变异，值分别为0.666和0.888，说明自变量对因变量具有很强的解释能力。

④Logistic回归模型的Χ2检验。

本文仅考虑到两种模型：仅包含常数项的模型和包含常数项与6个变量的模型，所以三种模型的卡方值全部相同。

整体显著性水平检验的P值为0.000，说明模型中所包含的自变量对因变量有显著的解释能力，所拟合的方程具有统计学意义。

⑤Logistic回归模型的预测结果。

在ST前1年采用Logistic回归模型，建模样本达到93.9%的预测准确率，预测样本达到91.9%的预测准确率。

同理，对ST前2-5年建立Logistic回归模型并进行检验，得出预测准确率分别为94.6%，70%，71.8%，69.2%。

这说明此模型具有提前五年的预警能力。

但是，出现ST前2年的预警能力比ST前1年高、ST前4年的预警能力比ST 前3年高的异常现象，说明Logistic回归模型的预测不稳定，可能是由于建模样本与预测样本选择的随机性所致。

（3）BP网络模型的建立与检验。

本文建立了一个输入层、两个隐层和一个输出层的BP网络模型。

其中，输入层有6个结点，第一个隐层有3个结点，第二个隐层有2个结点，输出层有1个结点。

指定学习参数r=0.1，对ST前1年的90个建模样本进行训练，经过1483次训练结束，得到各结点之间的权数。

ST前1年，训练样本达到96.67%的预测准确率，学习样本达到95%的预测准确率。

ST前2年，有3个指标进入模型；ST前3-5年，只有两个指标进入模型。

这样，输入层结点过少，导致隐藏层没有存在的必要，从而使得神经网络模型线性化。

在原来进入模型的变量指标基础之上，又进行了定性分析，分别加入了几个指标，使得每年的输入层都保持与ST前1年相同的6个结点。

ST前2年，训练样本达到93.33%的预测准确率，学习样本达到85%的预测准确率。

对于ST前3-5年数据，不管学习参数如何设定，训练样本都很难收敛，说明再用神经网络建立财务预警模型意义不大。

4 预测结果的比较ST前1年，Fisher二类判别模型、Logistic回归模型和BP网络模型的预测准确率分别为91.9%，91.9%，95%，说明BP网络模型具有最强的预测能力。

ST 前2年，三种模型的预测准确率分别为87.5%，94.6%，85%，说明Logistic回归模型具有最强的预测能力。

ST前3年、前4年，Fisher二类判别模型比Logistic 回归模型具有更好的预测能力。

ST前5年，Fisher二类判别模型和Logistic回归模型的预测准确率都低于70%，预测能力有限。

参考文献［1］Fitzpatrick. A Comparison of Ratios of Successful Industrial Enterprises with those of Failed Firms. Certified Public Accountant, 1932,（4）:598-662.［2］Beaver W. Financial Ratios as Predictors of Failure［J］. Journal of Accounting Research, 1966：71-111.［3］Altman E. Financial Ratios, Discriminant Analysic and the Prediction of Corporate Bankruptcy［J］.The Journal of Finance, 1968,（9）:589-609.［4］陈晓，陈治鸿. 中国上市公司的财务困境预测［J］. 中国会计与财务研究，2000,（3）：55-75.［5］马喜德. 上市公司财务困境预测模型比较研究［J］. 经济师，2005，（3）：180-181.注：“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。