苏振伟 广州大学

摘要：财务危机预警对企业提升管理水平、防范财务风险至关重要。目前，国内外关于企业财务危机预警研究已有相当长时间，但依然存在许多企业面临着严重的财务危机风险。因此，本文将从财务危机界定、财务危机预警指标和财务危机预警模型三个方面展开叙述，以期为进一步完善研究财务危机预警提供理论支持基础与指导，帮助企业加强经营管理。

关键词：财务危机；预警指标；预警模型

财务危机是企业面临的问题和难题。当潜在的财务风险不被及时发现而持续恶化到一定程度，企业将会面临资金链断裂、资不抵债、融资困难等情况，严重影响企业的正常经营，进而导致企业破产。如何科学有效的建立财务危机预警机制，防止财务危机的发生，将直接影响企业的可持续发展。财务危机预警一直以来是学界关注的焦点，国内外相关研究文献较多。因此，对现有文献进行梳理有助于了解和掌握财务危机预警研究进展，从而为财务危机预警提供可行的思路。目前，国内外关于财务危机预警研究，主要集中在如何界定财务危机概念以确定出现财务危机的研究对象，如何进行财务危机预警指标选择以构建危机指标体系，如何建立有效的财务危机预警模型以识别出潜在的财务风险，因此，本文从这三个方面进行梳理将有助于理清研究脉络，为后续研究工作做好铺垫。

一、财务危机概念界定

企业财务危机预警研究的首要问题，就是要解决好如何界定财务危机概念。如果对财务危机概念没有一个清晰的界定，就无法针对性的收集资料和数据进行模型的构造，然而，财务危机的发生是一个长年积累的过程，不存在一个清晰的界限区分财务正常和财务危机，并且其概念的界定受到实证研究样本所限制。因此针对不同的研究目的，各国学者对财务危机概念给出不同的界定。

(一)国外学者关于财务危机的界定

国外许多学者对财务危机的界定大都与公司是否接近破产有关。Beaver(1966)在证明财务比率的预测作用中把企业发生财务危机定义为有下列情况之一：宣告破产、银行存款透支、拖欠优先股股息、债券违约的行为。Altman(1968)在对公司破产进行预测中，认为财务危机是企业根据法律被接管、重组或破产等。Deakin (1972)研究中把发生公司破产、无能力偿还债务、债权人权益只能通过公司清算这三种情况，界定为企业已陷入财务危机。同年，Carmichael (1972)从另一个角度定义了财务危机的概念，他认为财务危机其实是一种违约风险，当企业无法正常履行约定义务，其已发生了财务危机，主要反映在以下四个方面：①流动性差：流动负债高于流动资产，使其无法履行流动义务。②权益不足：企业出现留存收益赤字或者总负债大于总资产，导致偿付能力不足；③拖欠债务：企业无法按时偿还负债或违背贷款协议中的一项或多项其他条款；④资金不足：企业筹资能力有限无法获得额外资金支持。Scott(1981)同样认为当企业出现债信不足或无法偿还到期债权而出现违约风险时，企业已经陷入财务危机。有学者是根据财务状况恶化的程度来划分。Laitinen(1991)根据发生财务危机公司的危机严重程度，将财务危机公司分为慢性失败公司、收益失败公司和严重失败公司，以区别不同危机程度公司的特征。后面，学者开始对不同性质的风险导致的财务危机问题进行具体的划分。Ross(2000)认为财务危机有四种形式，分别为企业净资产为负，出现资不抵债情况，称为会计性破产；无法按期履行债务合同，按时偿还到期本息，称为技术性破产；向法院申请企业破产清算，宣告企业破产，称为法定性破产；企业盈利能力减弱导致无法持续经营，称为经营性失败。

(二)国内学者关于财务危机的界定

国内学者对财务危机直接下定义较少。周首华 (1996)是国内较早运用统计方法研究财务危机预警问题的学者，其在建立基于F-Score模型的财务预警系统中把破产企业作为研究样本。然而，破产是企业失败的最终结果，而财务危机是一种持续性的状态。因此，有学者有给出不同的看法。谷祺 (1999)在研究中认为发生财务危机是由于企业无法偿还到期债务或按时偿还到期本息，包括从资金管理技术性失败到企业破产以及处于两者之间的各种状态，属于一种经济现象。但是，我国虽然早在2006年已经颁布《中华人民共和国企业破产法》，并于2007年开始施行，但直到2020年也鲜有上市公司真正破产的案例，所以学者通常不把破产作为我国企业财务危机的标志，大部分学者把上市企业被特别处理(ST或*ST)这一事件作为界定企业陷入财务危机的重要依据。虽然这种界定方式比较简单，但局限于研究样本难以获得，从而被许多学者所接受并运用。吴世农 (2001)在构建财务危机预警模型就是以我国A股市场上的ST公司作为研究对象。另外，朱家安(2007)从国内13本主要的经济与管理学术刊物的34篇研究财务危机的文章中统计发现，国内学者直接根据交易所做出的“ST”认定为发生财务危机的证据，其占了研究文献的总样本达44%。由此可见，众多学者把ST公司认为是已陷入了财务危机。在近期研究中，肖振红(2018)，杨贵军(2019)，石先兵(2020)等在研究企业财务危机预警中同样把ST公司作为区分正常公司与发生财务危机公司的重要标志。总体来说，国内学者通常把ST公司作为已发生财务危机的公司，进而开展财务危机预警方面的研究工作。

二、财务危机预警指标选择

查阅财务报表是获知企业财务信息的重要方法，对财务报表的进行研究是了解财务状况的有效途径。因此，财务报表也是研究财务危机的主要信息来源，但可以反映企业财务信息的指标有很多，不可能将所有的指标都纳入财务危机预警模型中。因此，需要有针对性选取有效的指标，进而构建完善的财务危机预警指标体系反映公司真实财务状况，这也是构建有效的财务危机预警模型的基础。学者在研究中从最初只选取财务指标，到后来综合考虑财务指标和非财务指标，财务预警指标体系得到不断丰富和发展。

(一) 国外学者关于财务危机预警指标研究

早期，国外学者只从单个财务指标角度出发对财务危机进行研究。Fitzpatrick(1932) 从众多指标中研究发现，利用“净利润/股东权益”与“股东权益/负债”对财务危机进行预测的效果最好。而Beaver (1966) 运用比较均值法对财务指标进行对比研究，发现现金流量/总负债的预测效果最好。然而，运用单个财务指标提供的信息非常片面，无法反映整个企业的真实财务情况，其建立的财务预警模型预测效果并不稳健。因此，后来的学者从多个财务指标出发，构建了多指标的财务危机预警评价体系。Altman(1968)通过F检验是否显著最终选取了营运资本/企业总资产、息税前利润/企业总资产、留存收益/企业总资产、销售收入/企业总资产、权益市值/总负债这5个变量，构建了Z-Score模型。Ohlson(1980)在构建财务危机预警模型中选择了财务比率指标，研究发现资本结构、资产规模、资产流动性、资产规模这4种比率指标对财务危机预测有显著效果。Aziz (1988)在构建指标体系考虑现金流量指标，一定程度赋予了模型的动态性。Ben Jabeur(2017)在前人研究基础上，综合考虑应付账款/总销售额、营运资本/流动资产、负债净额/股东权益等33个指标构建财务危机预警模型。后来，有学者研究发现非财务指标也能反映企业财务状况。为了探索更精确的财务危机预警模型，有学者把非财务指标也纳入危机预警指标体系中，从而在更广的视角内探索财务危机的预警机制。例如，Liang(2016)研究了公司治理对企业财务的影响，发现董事会结构与所有权结构对企业财务的影响最为显著。有学者从公司外部环境中寻找影响因素。如Isha Arora(2016)引入非结构化数据，通过新闻数据进行了消极和积极情绪的分析得出分，并结合公司的财务指标预测企业破产。Hossam Faris(2020)在研究中考虑了公司的规模，省份代码和审计师的意见等非财务指标。

(二)国内学者关于财务危机预警指标研究

由于我国资本市场起步晚，在财务危机预警指标的研究慢于西方国家。因此，借鉴其他国家的研究经验，国内学者较少直接对单个财务指标进行研究预测。周首华(1996)在Altman的Z-Score模型基础上进行改进，加入现金流量作为预测变量弥补Z-Score模型的不足。吴世农(2001)对21个财务指标进行研究，发现在财务危机发生前2年或1年有16个指标具有较强的时效性，最后选定6个预测指标建立财务危机预警模型，其中净资产报酬率的判定效果较好。杨淑娥(2005)认为应该突出现金流量类指标在财务危机预警中的重要作用 ,故采用传统财务指标和现金流量信息相结合的方法。关 欣(2016)选取盈利能力、现金流量、营运能力、成长能力和偿债能力这5个方面，采用全样本进行向前逐步选择得到6个财务指标作为最终预警指标。杨贵军(2019)根据财务数据集中首位数字的分布规律，构建基于财务数据的Benford因子作为预警指标。吴庆贺(2020) 通过T检验和U检验对符合正态分布和非正态分布的指标进行剔除，避免指标间产生共线性问题，同时利用逐步回归对指标经一步筛选，最终从31个指标中得到24个预警指标。随着研究深入，有学者认为财务指标与非财务指标结合可以提高预测效率。曾繁荣(2014)在引入财务指标基础上，考虑了非财务指标公司治理、人力资本、重大事项、股权结构对企业财务的影响，实证研究表明加入非财务指标的预警模型的预测效果更好。熊 毅(2019)引入盈余管理程度指标、市场价格指标等非财务指标，并计算F计分值，结果表明，加入非财务指标能提高模型的预警准确性。李辰杰(2019)使用最近一年的财务比率与其之前两年的财务比率的变化构建动态指标，有效提高预测模型的准确率。王昱(2021)认为多维的效率指标能更加全面反映公司整体状况，因此，将经营效率、融资效率、财务效率、人力资本效率这四个维度与财务指标想融合，通过比较不同财务指标体系的实证结果，发现多维效率指标体系的财务危机预警模型预测准确度更高。

三、财务危机预警模型

随着相关理论的不断发展成熟，财务危机预警模型越来越复杂化，其预测准确率也显著提高。最早使用的方法为统计方法，模型较为简单。近年来，许多学者在构建财务危机预警模型的研究中使用机器学习方法，相比传统的统计方法，机器学习没有很多严格的约束条件，且准确率高于传统的统计学模型。

(一) 国外学者关于财务危机预警模型研究

Fitzpatrick(1932)和Beaver(1966)最早运用单变量分析模型对财务危机进行预测。虽然单变量模型比较简单直观，计算量小且容易理解，但由于单变量模型只局限于单个财务指标、指标选择主观性强等原因，导致模型效果只受单个指标的影响，预测效果很不稳定。为了提升模型预测稳定性，学者开始考虑多指标间的关系，构建了多元线性预警模型。Altman(1968)选取66家制造业公司，运用F检验在22个变量中选取5个变量了构建Z-Score线性模型。然而，多元线性模型的自变量需要满足服从正态分布，但现实中的财务类指标大部分不服从正态分布，所以线性模型在运用上受到很大限制。为放宽假设条件，学者建立多元逻辑回归模型。Martin(1977)首次运用逻辑回归对银行破产进行预测，最终从25个变量中选取净利润/总资产、贷款/总资产、总资本/风险性资产等8个变量，结果显示多元逻辑回归模型的预测准确性优于Z-Score模型。而后，Jones (2004)、Lin (2012)对多元逻辑回归模型进一步改进，提升了财务危机预警的预测精度，推动多元逻辑回归模型在财务危机预警方面的应用。随着机器学习领域的发展，国外学者将机器学习方法运用到财务危机预警中。Altman(1994)把神经网络运用到对企业财务危机预警研究中，并与其他线性模型作对比，结果表明神经网络模型预测效果显著优于其他线性模型。Fan(2000)使用SVM模型对破产企业进行预测，结果表明SVM模型的准确率优于其他模型。近年来，集成学习在泛化能力展现出比单个模型有显著优势，国外学者也尝试在财务危机预警领域应用集成学习方法。Tsai(2014)研究了基于机器学习技术的21种不同分类器，采用加权投票的方法将自组织映射网络和分类器结合，实现了较好的预测结果。Liang(2020)通过变量筛选技术与集成学习构建财务危机预警模型，预测结果显著优于基准模型。Nazeeh(2020)在高度不平衡数据上应用了集成学习方法，发现集成学习在财务危机预警具有优越性能。

(二)国内学者关于财务危机预警模型研究

国外在财务危机预警模型的研究已较为成熟，但不同国家或地区的会计准则要求不相同，所以不能照搬国外的经验方法来研究我国企业的财务情况。因此，开展对我国企业的财务危机预警研究是有必要的。周首华等(1996)对Altman的Z-Score模型进行改进，加入现金流量指标建立F-Score模型，其准确率高达近70%。吴世农等(2001)通过指标筛选得到6个指标，应用Fisher线性判别法、多元线性回归与Logistic 回归建立财务危机预警模型。研究发现，这三种模型均有一定的预测能力，多变量模型优于当变量模型，其中Logistic 回归的准确性最高。杨淑娥(2005)将BP神经网络应用到财务危机预警上，其在训练集和验证集分别达到90.8%和90%的准确率。刘玉敏(2017)把主成分分析法与支持向量机结合，并在粒子群算法优化下建立PCA-SVM模型，其预测准确率为81.53%，而同样数据在SVM模型训练下只有75.16%，表明PCA-SVM在一定程度上精简了模型和提高预测精度。杨贵军(2019)把Benford因子与Logistic模型相结合，建立企业财务危机预警Benford-Logistic模型，提高了财务危机预警Logistic模型的准确率。吴庆贺(2020)等针对样本数据不平衡，应用Twin-SVM来构建财务危机预警模型，其与SVM、BP神经网络、Bayes分类法和K近邻相比，在不平衡数据上的预测稳健性更为优越。国内也有学者将集成学习应用到财务危机预警研究。梁明江(2012)以支持向量机作为基分类器，通过AdaBoosting集成算法构建预警模型，其预测准确率比单个基模型提高了4个百分点。操玮(2018)运用集成学习算法Bagging对BPNN、SVM、KNN、Logistic和MDA进行集成处理，实证结果证明融合的预警模型准确率显著提升。张培荣(2019)基于XGboost模型，验证了相比于传统财务危机预警模型而言，其准确度和泛化能力较强，运算速度较快，在第T-2年和第T-3年的准确率分别为93.21%和86.43%。张露(2022)研究不同集成模型与不同集成采样技术的适配性问题，结果发现，Stacking-Bagging-Vote多源信息融合模型在财务预警预测性能上有很大提升，而且可根据实际需通过参数调整来选择不同的模型进行财务危机预警。

四、简要述评

通过对财务危机预警研究的文献进行梳理。结果表明，在财务危机概念的界定方面，国外因有成熟的资本市场，所以对财务危机界定大都与公司是否接近破产有关，许多国外学者甚至直接对破产进行预测。而我国的研究中往往以被特别处理(ST或*ST)的上市公司作为财务危机的标志，其原因是中国资本市场破产企业相对较少，导致直接预测破产缺少研究样本，实证难度大。在财务危机预警指标的选取方面，国内外学者都从最初考虑财务指标，如偿债能力、现金流量、营运能力和盈利能力，拓展到把公司治理、股权结构、审计意见等非财务指标纳入预警指标评价体系，从更为广阔的视角为财务危机预警和防范提供可能。在财务危机预警模型方面，运用的模型越趋于复杂化，其预测准确率也在显著提高。最早常用的模型是多元线性分析与Logistic回归。近年来机器学习领域快速发展，许多学者尝试在构建财务危机预警模型的研究中使用机器学习，国内使用的机器学习方法有神经网络、支持向量机等。相比国外，机器学习在财务危机预警的应用尚不成熟，新模型的应用没有得到有效推广，模型预测效果的对比研究也相对缺乏，经典的Logistic回归仍是学者们构建预警模型的主流，因此，未来可以在这方面进一步研究探索，提升企业财务危机预警能力。

参考文献：

[1]Beaver W. Financial ratios as predictors of failure[J]. Journal of accounting research,1966:71-111.

[2]Altman E I. The Prediction of Corporate Bankruptcy: A Discriminant Analysis[J]. The Journal of Finance,1968,23(1):193-194.

[3]Tsai C F. Combining cluster analysis with classifier ensembles to predict financial distress[J]. Information Fusion,2014,16:46-58.

[4] Jabeur S B. Bankruptcy prediction using partial least squares logistic regression[J]. Journal of Retailing and Consumer Services,2017,36:197-202.

[5]Liang D, Lu C C, Tsai C F, et al. Financial ratios and corporate governance indicators in bankruptcy

[6]Arora I, Singh N. Prediction of corporate bankruptcy using financial ratios andnews[J]. International Journal of Engineering and Management Research (IJEMR),2020,10(5):82-87.

[7]周首华,杨济华,王平.论财务危机的预警分析——F分数模式[J].会计研究,1996(08):8-11.

[8]吴世农,卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究,2001(06):46-55+96.

[9]曾繁荣,刘小淇.引入非财务变量的上市公司财务困境预警[J].财会月刊,2014(08):25-30.

[10]杨贵军,周亚梦,孙玲莉.基于Benford-Logistic模型的企业财务风险预警方法[J].数量经济技术经济研究,2019,36(10):149-165.

[11]石先兵.基于PCA-SVM的企业财务危机预警模型构建[J].财会通讯,2020(10):131-134.

[12]王小燕,姚佳含.基于聚类分析的惩罚约束财务风险预警模型[J].统计与决策,2020,36(02):153-156.

[13]王昱,杨珊珊.考虑多维效率的上市公司财务困境预警研究[J].中国管理科学,2021,29(02):32-41.

[14]关欣,王征.基于Logistic回归和BP神经网络的财务预警模型比较[J].统计与决策,2016(17):179-181.

[15]吴庆贺,唐晓华,林宇.创业板上市公司财务危机的识别与预警[J].财会月刊,2020(02):56-64.

[16]黄虹,徐庆根,张奕倩,史惠文.基于KPCA降维的Weight-LSSVM财务危机预警模型[J].统计与决策,2020,36(20):180-184.

[17]张露,刘家鹏,田冬梅.基于Stacking-Bagging-Vote多源信息融合模型的财务预警应用[J].计算机应用,2022,42(01):280-286.