企业财务困境的定义及预警模型研究

1.2.1.1　财务困境^[3]的界定

亏损、股利降低、股价暴跌、高管变动等都会被认为是企业财务状况异常的表现，但若要严格定义一个财务状况异常的范围却很难，大部分研究将陷入财务困境作为企业财务异常的标志，因此一般的财务预警模型都是对财务困境的预警。

而对于财务困境的界定国内外出现了多种标准。Beaver（1966）将财务困境界定为拖欠债务、拖欠优先股股利、破产三种情形。Altman（1968）和Deakin（1972）则仅把进入法定破产程序作为财务困境的标志。除此之外，还有部分研究者把企业流动性不足而无力偿还债务也作为企业陷入财务困境的情形之一（Whitaker，1999；Ross等，2000）。近期的研究对财务困境的界定都采用多重标准。Tinoco和Wilson（2013）将财务困境定义为息税折旧前利润连续两年低于财务成本和市场价值增长率连续两年为负这两种情形。Gnathilaka（2014）研究斯里兰卡上市公司的财务状况时，将凡是收到持续经营审计意见、持续亏损、流动性问题、净资产为负的上市公司都归为陷入财务危机的上市公司。国内相关研究对财务危机的定义也存在多种形式。谷祺和刘淑莲（1999）将财务危机定义为“企业无力支付到期债务或费用的一种经济现象，包括从资金管理技术性失败到破产以及处于两者之间的各种情况。”。吴世农、卢贤义（2001）认为财务困境是一种违约风险，企业因财务困境导致破产实际上就是一种违约行为。尽管国内各学者对财务困境的定义有所差别，但是由于受数据可取得性的限制，他们在进行实证研究时仍然把因连续两年亏损被特别处理的公司定义为财务困境公司（陈静，1999；吴世农、卢贤义，2001；杨淑娥、黄礼，2005；潘越等，2009；张培莉、干胜道，2013）。

也有研究不仅仅限于财务危机和正常两种状态对企业财务状况做了多个阶段的划分。Wruck（1990）指出上市公司在最终死亡之前会经历好几个阶段，包括财务困境、无力偿债、破产申请和破产行政接管。吕长江等人（2004）将财务困境和财务破产界定为两个不同的概念。吴超鹏和吴世农（2005）根据“价值创造观”（Value－Creation）来考察“价值损害型公司”的动态变化及其影响因素，预测价值损害型企业财务康复、财务转好、财务维持、财务转差或财务困境等五种财务状态的变化趋势。这两种多阶段的划分都把企业从前一种较好状态向后一种较差状态的转变作为需要预警的危机标准。刘澄等（2013）将企业财务困境分为正常、危险、困境三类，基于熵值法的思想，通过实证证明分类建立财务预警模型能够捕捉各类财务状况企业的风险特征。

上述对财务危机界定的观点可以总结如表1－1所示。

表1－1　已有的财务危机界定的观点

续表

从表1－1可以看到，总的来说，已有财务预警模型对需要进行预警的财务危机界定主要有两阶段和多阶段动态观点两类。其中两阶段划分又分别有破产、ST、拖欠债务、拖欠优先股股利等几种标准，少数文献使用了持续经营审计意见作为危机标准；采用多阶段划分标准的模型较少，其基本思路都是把从较好的阶段向较差阶段的转变作为企业财务危机的标志。

1.2.1.2　预测变量的选择

要对企业财务危机进行预警，就必须分析企业财务危机的特征，选择能反映企业财务危机的特征指标进行组合建模。现有财务预警模型对预测变量的选择主要包括常规财务指标、调整盈余管理影响后的财务指标和非财务指标三类。

1.常规财务指标

建模变量的不同是各模型的主要区别，也是财务预警模型研究面临的难点问题。大部分研究者选择了常规财务指标作为预测变量。例如Beaver（1966）的单变量判定模型，Altman的Z值判定模型（1968）、Zeta模型（1977）和Z模型（2000）均使用负债比率、流动比率、净资产收益率和资产周转速度等常规财务指标；另外也有使用市场类财务指标如股票收益率，作为预测模型的变量进行财务困境预测。选用这种类型的指标作为预测变量进行研究的学者有周首华（2000）、Altman 和Brenner（1981）、Clark 和Weinstein（1983）和Platt（2002）等人。

随着现金流量观念的日益加强，不少学者把现金流量方面的指标加入预测模型中。较早的有Edmister（1972）将现金流量指标加入到小企业预测模型中。Aziz等（1988）发展了现金流量信息预测财务困境模型。他们发现在破产前5年内两类公司在经营现金流量上存在显著差异，在现金支付的所得税均值上也有显著的差异。Aziz等（1989）比较了Z模型、Zeta模型、现金流量模型的预测效果，发现现金流量模型的预测准确率最高。张芙蓉（2012）利用ST样本公司t－1至t－6年现金流量数据，在Fisher判别分析的基础上构建现金流量财务预警模型，结果发现t－2年模型的判别能力最强。

2.调整盈余管理影响后的财务指标

财务预警的研究已经逐步深入到对财务预警基础的研究，包括考虑失真的会计信息对财务预警模型准确性的影响，但是这类研究相对来说仍然很少。对于财务数据的不真实有很多影响因素，而盈余管理是关键因素。宋力和李晶（2004）考虑了财务困境上市公司的盈余管理问题，对营业利润／利润总额、投资收益／利润总额、营业外收入／利润总额、应收账款／流动资产、应收账款周转率、待摊费用／流动资产、无形及其他资产／流动资产和其他应收款／流动资产这八个指标进行了调整。蒲春燕（2005）和吕峻（2006）的研究都发现，考虑盈余管理和利润操纵问题，对相关财务指标进行调整后建立的财务预警模型预测正确率得到了明显提高。吴芃等（2010）考察了修正Jones模型是否能引入财务危机预警领域及盈余管理程度对财务危机预警模型预测效果的影响。

3.非财务指标

由于财务指标受到盈余操纵、内控机制失效、信息披露滞后等问题的干扰，其真实性与及时性受到限制，因此并不能保证财务信息包含了所有与企业财务困境有关的重要信息，所以非财务指标被考虑加入了预警模型中。这些在预警模型中用到的非财务指标又可以分为以下几类：

（1）公司治理变量

公司治理变量的选取通常从内部治理和外部治理两个方面来考虑。有一些研究只考虑公司内部治理变量。Yermack（1996）检验了美国上市公司董事会规模和公司绩效的关系，发现两者负相关。Changanti等（1981）则发现公司破产概率与董事会规模成反比。也有不少研究同时考虑了公司内部治理变量和外部治理变量。吴超鹏和吴世农（2005）在财务预警模型中引入公司内外部治理变量，发现除财务指标外，股票超额收益率、构造的公司治理指数和投资者利益保护指数有助于预测价值损害型企业未来财务状态的变化趋势。王斌和梁欣欣（2008）研究了公司治理、财务状况与信息披露质量的关系。邓晓岚（2006）在研究中将年度股东大会出席率、董事会与CEO 两职设置状况、董事会规模这三个公司治理变量加入到财务预警模型中。运用公司治理变量对财务危机预警进行研究的还包括蒋楠（2012）、王智宁（2009）、钱忠华（2009）、李斌（2008）、于富生等（2008）、何平（2007）、陈良华和孙健（2005）等。

（2）资本结构变量

陈小悦、徐晓东（2001）利用1996—1999年深圳证券交易所除金融性公司之外的全部A股股票数据，研究了股权结构对公司绩效的影响。吴超鹏和吴世农（2005）发现中国上市公司第一大股东持股比例越高，“价值损害型公司”越不易向财务困境状态转化。何平（2007）认为“股权结构能够对公司董事会等内部治理机制和公司控制权市场、经理市场等外部治理机制产生影响。他发现国家股及流通股和上市公司财务困境相关性并不显著，法人股对公司财务困境有显著的负影响；国家股第一大股东持股比例与上市公司财务困境的相关性也不显著，但随着法人股比例的增加，法人股的股权制衡作用比较明显”。Wei和Varela（2003）证实了国有股权对中国上市公司绩效存在消极的影响。秦志敏和王雅梅（2014）就股权集中度和股权制衡两方面研究了大股东控制和财务困境的关系，发现第一大股东持股比例和股权制衡度在公司陷入财务困境的前两年均和财务困境概率呈U型关系。

（3）股票市场变量

股票市场变量一般包括市值规模、股票流动性、超额收益、系统风险与股票收益率的波动性等。

Beaver（1966）比较了正常公司和失败公司的剩余收益，发现在破产前5年，失败组公司剩余收益（Residual Return）的中位数低于正常组公司，并且随着失败组公司的破产逐步临近，剩余收益的中位数之差逐渐增大。Aharony等（1980）考察了风险和收益因素与公司失败的关系。Castagna 和Matolcsy（1981）的研究认为上市公司在破产前2到2.5年公司的股价就开始被市场低估。Hennawy和Morris（1983）认为加入股票价格剩余这一变量可能会大大提高判别模型的预测能力。Queen和Roll（1987）的研究结果发现除Beta系数值以外，其他四个市场指标对良性和恶性死亡率都有预测作用。Tirapat和Nittayagasetwat（1999）研究了在1997年金融危机背景下，泰国上市公司的系统风险对财务困境的影响，结果发现公司对物价水平越敏感，陷入财务困境的可能性越大。Shumway（2001）发现市场因素变量与破产概率存在显著相关性，加入了股票市场因素与财务比率的财务预警模型的预测正确率更高。吴超鹏和吴世农（2005）验证了股票超额收益有助于提高模型的预测能力的假设。邓晓岚（2008）基于风险模型研究了股票市场因素在财务困境风险评价中的应用。

（4）宏观经济变量

除了上述微观领域的影响因素外，还有部分学者将研究拓展到了宏观经济因素上。Goudie（1987）认为加入宏观经济变量能进一步提高预警模型的预测正确率，因此他将基于公司特征的多元判别分析模型与基于宏观经济动态的多部门模型（Multisectoral Model）相结合来预警企业经营失败。Goudie（1987）的研究结合了宏观经济变量，为学者们未来的研究提供了一个框架。在随后的研究中出现了将宏观经济变量加入预警模型中的方法。Altman（1993）将国内生产总值、标准普尔指数、货币供应量和新公司注册数变化率加入了预警模型之后，发现对失败公司的预测准确率得到提高。Darayseh等（2003）同样发现加入宏观经济变量的财务预警模型预测精度更高。Liu（2004）不仅在预警模型加入了宏观经济变量，还比较了各个宏观经济变量的预测解释力，这些变量包括利率、信用、利润总额、物价指数和新公司注册数，其中利率对公司破产的影响力度最大，并且作为一个政策工具可以降低企业的破产率。

国内财务预警研究较少考虑宏观经济因素的影响。章之旺和吴世农（2005）考察了经济困境、财务困境与公司业绩之间的关系。邓晓岚（2006）的研究表明加入了宏观经济变量后，财务预警模型的总体解释能力有较大的提高。卢永艳（2013）以制造业上市公司为研究对象，发现宏观经济因素中实际GDP增长率和财务困境风险负相关，贷款利率与上市公司财务困境风险正相关。

（5）其他非财务变量

其他用于财务预警的非财务变量包括公司多角化程度、管理者受教育程度和自信程度等。Amit和Livnat（1988）的研究表明多角化的程度愈高，企业的现金流量愈稳定，营运风险越能得到分散。张翼等（2005）的研究则发现多元化程度与财务困境无显著相关性。其他做过这方面研究的人还包括姜付秀等（2006）、Bailey（2003）、陈信元（2007）等。

管理者的教育程度和自信程度也是较常用的非财务变量。孙秀兰（1996）、许如婷（1996）的研究中显示公司董事与高阶主管的教育程度愈高，公司的绩效也愈佳。姜付秀等（2009）研究了管理者过度自信、企业扩张与财务困境的关系。(www.xing528.com)

综上所述，现有各财务预警模型预测变量的选择可总结如表1－2所示。从表1－2中我们可以看到，三种类型的预测变量中，在财务预警模型中使用最多的是常规财务变量，其次是非财务变量，而考虑盈余管理后的财务变量被使用的最少。

表1－2　国内外学者关于财务预警模型预测变量的选择

续表

1.2.1.3　主要财务预警模型及其对预测方法的运用

现有的主要财务预警模型一般可把它们分为定性预警和定量预警模型两类。

1.定性预警模型

定性预警方法主要有以下几种：①“四阶段症状”分析法；②标准化调查法；③“三个月资金周转表”分析法；④管理评分法（周守华等，2000）。定性预警方法一般具有简明易懂的优点，但往往带有明显的主观性。

2.定量预警模型

由于定性预警方法过于主观、无法量化等缺陷，大部分学者使用了定量财务预警分析方法进行财务危机预警的研究，定量预警模型的发展非常迅速。这些模型按照所使用的分析方法不同主要有统计模型、人工智能方法的运用模型、其他方法的运用模型三大类。

（1）统计模型

①单变量分析模型

预警模型在发展初期都是单变量模型。Beaver（1966）分别对债务保障率等5个财务指标进行了预警检验，结果发现债务保障率预测效果最佳，资产负债率从次之，并且离经营破产之日越近，预测精度越高。

虽然单变量模型比较简单、易于使用，但单变量模式存在一定的局限性，一是单个财务比率所反映的内容是有限的，无法全面揭示企业的财务状况。一个企业的财务状况是用多方面指标反映的，没有哪一个比率能够概括全貌；二是对企业外部人员而言，某些财务比率已被公司管理者进行过粉饰，单一依靠某一比率做出的预测不一定可靠。因此，他们开始用多变量方法来进行研究。

②多元线性判定模型

西方国家对多变量财务预警模型主要采用判别分析和逻辑回归的方法，其中多元线性判定方法是最为普遍的方法。美国学者Altman（1968）最早运用多变量分析方法探讨财务预警问题。Altman（1968）用其多种财务比率拟合出一个多元线性函数方程，求出Z值，对企业的经营状况进行预测或判断。Altman（1968）的模型在选择变量时用了市场价值，对没有股票市价的非上市公司而言并不适用，因此Altman等在1977年对Z值判定模型进行了修正，将权益市场价值变成了权益账面价值，并对方程系数进行了修正。Altman（1977）模型也被称为Zeta模型。但是Altman发现第二个模型的精确性并未比第一个模型提高。2000年Altman再一次对Z值判定模型进行了修订，该模型去掉了销售额对资产总额的比率，使非制造业企业也能使用Z值判定模型。这弥补了前两个模型对非制造业企业不适用的缺陷。

由于Altman（1968）的Z值判定模型是以制造业中等规模企业为样本，对小企业适用性不大，因此Edmister（1972）专门为了克服Altman（1968）Z值判定模型对小企业不适用的特点，针对小企业建立了小企业财务预警分析模型，该模型的判定方法与Z值判定模型相似。上述几种预测模型都属于多元线性判定模型，此类模型还包括Deakin（1972）提出的概率模型等。

上述线性判定模型一般都假设破产企业和非破产企业两组呈正态分布，并且两组的协方差矩阵相等，存在假设上的局限性，因此以Ohlson（1980）为代表的一些研究者采用了条件概率模型。这类方法不需满足自变量服从正态分布和两组协方差相等的条件。

③多变量回归分析

Martin（1977）首次运用Logistic模型进行银行破产预测。Ohlson（1980）首次运用Logistic模型进行企业财务困境预测。Zmijewski（1984）率先将Probit模型运用于财务困境公司与正常公司的识别。他研究了两组间样本个体数量分配的问题，认为一一配对会使样本中两类公司的比例严重偏离两类公司在实际总体中的比例，从而高估模型的预测能力，特别会高估对破产公司的预测能力。他的研究结果表明这种过度选样所带来的模型偏差的确存在，但并未显著影响统计参数和模型的总体预测精度。Lennox（1999）对MDA、Logistic与Probit模型进行了比较之后认为，Logistic与Probit模型相对于MDA而言，具有更高的识别与预测能力。

我国学者吴世农、卢贤义（2001）首先应用剖面分析和单变量判定分析，研究财务困境出现前5年内各年财务正常公司和财务困境公司21个财务指标的差异，最后选定6个为预测指标，应用Fisher线性判定分析、多元线性回归分析和Logit回归分析三种方法，分别建立三种财务预警模型。研究结果表明，相对同一信息集而言，Logit预测模型的误判率最低。此后还有高雅静（2011），刘芳（2011）等均在研究中采用Logit模型进行相关财务预警研究。Logit模型克服了多元判别分析模型对变量正态分布的要求，但仍存在一些缺陷，包括对于临界值的选定等。

尽管多元判别分析和Logit回归所采用的多变量模式克服了单变量模式一次只能考虑一个变量、不够全面的缺点，但多变量模式由于采用的统计方法有局限性等原因也存在缺陷（吴芃，2003）。传统的研究中所采用的统计方法一般都受制于若干母体分布的假设前提，因此90年代以来，人们尝试了新的研究方法，如各种人工智能方法、粗糙集理论等。

（2）人工智能方法的运用模型

各种人工智能方法被广泛地应用于财务危机预警的问题中，如人工神经网络方法（Artificial Neural Network Method，ANN）、案例推理技术（Case－Based Reasoning，CBR）、专家系统（Expert System，ES）、粗糙集合理论（Rough Set）等。

Boritz和Kennedy（1995）、Altman等（1994）采用神经网络财务预警研究，他们比较了神经网络与判别分析的预测效果，发现神经网络方法更优。Lin（2009）等综合运用了多元线性分析、逻辑回归分析和神经网络等三种方法进行企业的破产预测，发现几种方法综合以后的预测效果比任何一个单独预测的结果更精确。我国许多学者也运用了神经网络的方法进行财务预警研究（杨淑娥和黄礼，2005；柳炳祥等，2002；杨宝安和季海，2001）。案例推理技术不仅对企业财务危机进行定量预警，而且利用专家知识经验对企业内外部环境进行定性预警，建立了一个基于案例推理的智能化预警支持系统。这类研究包括Li等（2009），黄继鸿等（2004）。Messier和Hansen（1988）首次将专家系统引入财务预警领域。而Slowinski和Zopoudinis（1995），Dimitras等（1999），Ahn等（2000）则将粗糙集分析方法（Rough Set Analysis）应用于财务危机预警中。

（3）其他方法的运用模型

除了将统计方法和人工智能方法在财务预警模型中运用之外，人们还将各种其他学科的方法交叉运用于财务预警领域，提出了不同的预测模型。这些交叉学科方法的运用主要有熵值法（吴芃等，2009），混沌理论（Scapens等，1981；Lindsay和Campbell，1996；刘洪，2001）等。

综上所述，财务预警定量模型所用的方法可以总结如表1－3所示。

表1－3　财务预警模型定量分析方法的运用