基于Z—Score模型的企业财务预警系统构建.doc

资源描述

1、基于 ZScore 模型的企业财务预警系统构建一、文献综述与理论支持（一）研究综述财务预警模型最早起源于 20 世纪 30 年代的西方经济学界。经过了这些年学者们的不断努力，财务预警系统日趋完善，先后出现了单变量判别模型、多元线性判别模型、线性概率分析、逻辑回归分析、人工神经网络模型等。（1）国外研究。运用个别财务比率对财务危机进行预测这种做法是由 Fitzpatrick 于 1932 年提出的。后来，Beaver 在此基础上提出了较为完整的单变量分析法。在众多多元线性判别模型中，典型代表当属美国阿尔曼教授于 1968 年建立的 Z 分数模型，不但方法简单而且精确度高，所以这个模型被西方

2、企业一直沿用至今。1980 年，Ohlson 首先提出条件概率模型。1992 年，Salchenberger 等使用了人工神经网络模型对金融企业进行了财务失败的判断。Altman、Marco 和 Varetto（1994）也使用了这种方法对意大利的企业进行了财务失败的判断。这些研究分析的结果都比线性判别模型的效果要好。更有一些国外学者把两种以上的模型结合使用以建立联合预测模型。如韩国的 B.S.Ahn 等（2000）将粗糙集理论与神经网络方法结合起来，英国的 Feng YuLin 和 Sally McClean（2001）将四种财务预警的方法结合起来。这些研究的结果表明，在同等的条件下，联合多

3、种模型的预测结果会比单一的预测结果好。（2）国内研究。相对于国外而言，国内对财务预警系统的研究起展较慢，但目前也有不少学者在该领域的研究上取得了一定的成果。周守华等（1996）在阿尔曼模型的基础上提出来 F 分数模型。陈静（1999）对财务数据进行了单变量分析和多元线性判别分析。张玲（2000）建立的二类线性判别模型获得了超前 4 年的预测结果。杨保安等（2001）建立的人工神经网络模型更是获得了与实际情况基本一致的实验结果。（二）财务预警系统相关理论具体包括：（1）财务预警系统的含义与构建原则。财务预警是以企业的财务会计信息（财务报表、经营计划及其他相关会计资料）为基础，通过设置并观

4、察一些敏感性财务指标的变化，而对企业或集团可能或将要面临的财务危机实现预测预报和实时监控的财务分析系统。企业可以运用这个系统分析企业财务状况的现状，了解企业目前的经营情况，及时发现问题并得出相应的对策。一个好的财务预警系统应该能及时预知企业的财务危机，并能凸显导致企业面临财务危机的原因，使管理者能迅速对问题采取适当的措施，将危机扼杀在摇篮里，从根本上防止财务危机的出现，保证企业健康持续发展。（2）财务预警系统的功能。财务预警系统一般具有以下功能：信息收集功能、监测功能、预警功能、诊断功能、治疗功能和免疫功能。要对一件事情进行预测就必须先收集到与其相关的一切资料、所以信息收集工作需要始终贯穿于

5、财务预警的活动中。时刻收集信息并随时对信息作出相应的判断，就体现了其监测功能。而作为一个预警系统，其首要功能是能在危机出现前预测危机的到来。通过收集、分析数据，预警系统能判断出企业财务已经出现的问题和能找到适当的应对措施，若下次再遇到同样的问题就能很快的得出解决的方法。二、现有财务预警模型存在的缺陷（一）单变量模型存在的缺陷单变量判别模型只运用了单一的财务比率，而财务比率的预测方向经常有相当大的差距，所以容易出现使用不同的财务比率预测会有不同判断结果的现象。再者，该模型只运用的一个财务比率，但明显一个财务比率是无法代表企业整体的经营情况的，而且单一的财务比率很容易受到盈余管理和外部经营环

6、境等的影响。所以，单变量模型就逐渐被其他模型取代了。（二）多变量模型存在的缺陷主要有：（1）Z 分数模型的主要缺陷。第一，理论基础不足。大量财务预警模型的实证表明，陷入经营危机的企业基本上都出现了财务危机的征兆。但虽然 Z 分数模型得到了很多实例验证，但目前还没有一个完整的理论可以证明财务危机的出现和财务指标低于正常值有必然的联系。而且，在提出 Z 分数模型时阿尔曼无法提供选取当中五个指标的依据。第二，假设很难达到。Z 分数模型假设预测变量有着严格服从联合正态分布，且分组样本间的协方差要相等，而在现实中这个假设条件很难成立。而且，一旦预测变量中包含虚拟变量，假设就不能成立。第三，忽略了企

7、业的现金流量。Z 分数模型是建立在企业的资产负债表和利润表的财务数据之上，并没有考虑到企业的现金流量表。而许多专家证实，现金流量比率是预测企业破产的有效变量。第四，忽略了行业之间的差异。阿尔曼在建立该模型的时候的研究对象是美国的 33 家制造企业，研究的行业单一，不适合笼统的套用在其他行业上。（2）其他模型的主要缺陷。线性概率模型的误判率和多元线性模型的判断效果相当。多元逻辑模型计算复杂，预测精度较低。人工神经网络模型是目前预测精度最高的模型，但其理论基础比较抽象且建立和运用过程十分复杂，适用性不强。三、适合中国国情 Z-Scone 模型的构建方法（一）拟建模型的优点具体如下：（1）

8、以数理统计方法弥补理论的不足。虽然现阶段还没有一个完整的理论支撑 Z 分数模型，但该模型经过多年的实践检验后仍然被世界各国所接受并加以运用肯定有其存在的合理性。现阶段我们可以运用数理统计软件来推断在我国这两者之间的关系，所以本文在推断两者之间的关系时运用了 SPSS 统计软件的非参数统计方法。SPSS 17.0 提供了 8 种非参数检验方式，而其中的两个独立样本方式适合用于检验本文的数据。（2）剔除指标权重的主观性，解除变量正态分布的限制。国内外学者在进行财务预警系统建模时主要使用两种方法确定指标的权重，一种是根据专业人员对指标的理解和经验确定其在模型里的影响力；另一种是通过统计分析方法分配权

9、重。本文认为，目前还没有理论能证明财务指标与财务风险之间的关系，在还不清楚之间关系时不适宜通过经验确定指标的权重，所以本文偏重于使用后面一种方法重新确定适合我国情况的指标权重。（3）引入现金流量指标。原有的 Z 分数主要是以资产负债表和利润表的数据计算的，而在现实中这两个表的数据都很容易受到盈余管理的影响，导致信息失真，预测失败。而目前我国的证券市场还处于发展阶段，法制不是十分健全，企业有动机也有机会进行盈余管理以获得更多的资金，所以要建立一个适合我国的财务预警模型有必要加入现金流量指标。（4）减少行业差异对模型准确率的影响。大量实证证明，财务指标具有行业差异。以 1985 年美国各行业负

10、债比率为例，具体见表 1：由表 1 可见，每个行业正常的资产负债比率是不一样的。公用事业一般都是大型项目，所以负债率较高是比较正常的，这并不影响企业的正常运作；而医药的资金周转周期比较短，所以负债率会相应较低。由此可得，用同一个负债比来衡量不同的企业的经营状况是不合理的，建立财务预警模型的时候应该考虑行业之间的差异。我国也会存在同样的问题，但因为市场条件不一样，我国肯定不能直接引用国外的数据进行建模，必须按照我国情况重新设计。（二）新建多元线性模型的实证分析具体过程如下：（1）样本选择与分组。基于研究数据的易获得性，本文选择在 2010年沪深证券市场 A 股上市公司中选取研究样本。根据

11、截止到 2010 年 12月 31 日的统计资料，沪深两市 A 股当中一共有 64 家*ST 公司。*ST 公司是连续三年亏损，根据证券市场规定处以退市风险警示的企业，所以本文将这类公司分到失败组作为样本。再根据*ST 公司 2009 年末在的资产总额规模（所属行业相同，资金规模相差不超过 10%）配对相对应的非ST（*ST）公司作为正常组样本。由于部分*ST 公司的资产总额规模太小无法找到合适的配对样本，所以予以剔除。最后，本文选定了其中的 44家*ST 公司和 44 家非 ST（*ST）公司用来建立判别模型。（2）指标选取。具体如下：第一，基础指标的确定。本文要建立的财务预警系统拟从偿

12、债能力、盈利能力、营运能力、稳定性能力和资产质量五个方面综合反映企业财务状况。相关指标的选取参照加入了现金流量后的杜邦评价体系，再参照财务舞弊模型，在原有的 Z 分数模型理念之上加入现金流量指标，使得模型更加完善。因为本文是在原有的 Z 分数模型上进行改进的，所以模型原有的 5个指标均列入候选指标中。本文再借鉴了财务舞弊模型和加入了现金流量指标的杜邦分析体系，选取不容易受盈余管理的指标进行财务预警。所以入选的指标如下：X1=营运资金/资产总额；X2=留存收益/资产总额；X3=息税前利润/资产总额；X4=股东权益的市场价值总额/负债总额；X5=销售收入/资产总额；X6=经营活动现金净流量/（|

14、。（2）具体指标的确定。主要如下：第一，非参数检验。两个独立样本非参数检验是在对总体分布不是很了解的情况下，通过分析样本数据，推断样本来自的两个独立总体分布是否存在显著差异。本文把失败组成员编号为 1，正常组编号为 2。在已知分组情况的条件下对 88 家企业 19 项指标的值进行非参数检验，检验两组之间 19 个指标的数值是否有明显的差异。本文一共选用了四种方法对数据进行检验，分别为两个独立样本 Mann-Whitney U 检验、极端反应检验、K-S 检验和游程检验。根据检验结果可得，四种方法都表明两组之间的 X1、X2 存在明显差异；其中有三种方法表明两组之间的 X4、X8、X13

15、存在明显差异；只有一种方法表明两组之间的 X14、X18 存在明显差异，没有方法表明两组之间的 X3、X5、X6、X7、X9、X10、X11、X12、X15、X16、X17、X19 存在明显差异。第二，判别分析。根据上一步的结果，进入判别分析的变量共有 5个，分别为 X1、X2、X4、X8 和 X13。将预先设置的分组作为依据对 5 个变量进行判别分析，观察表 2 组均值的均等性的检验（F 检测）中的相伴概率，只有 X4 的大于 0.05 的显著性水平，其余变量的相伴概率均小于0.05 的显著性水平，为提高模型的正确率需要剔除变量 X4，最终确定纳入建模的变量共有四个，分别为 X1、X2、

16、X8、X13。（3）模型构建。剔除 X4 后对 X1、X2、X8、X13 再做一次判别分析。见表 3，这次模型的正常组误判率为 2.3%，正确率为 97.7%，模型的综合正确率为 78.4% 此时，SPSS 得出的判别分析的判别式函数系数（非标注化）为表 4中 X1、X2、X8、X13 典型判别式函数非标准化系数，由此得出判别函数式： Z=0.5130X1+0.9084X2+1.6560X8-0.1522X13+0.4712 为了方便表示，这里对变量的编号重新编排，所以 Z=0.5130X1+0.9084X2+1.6560X3-0.1522X4+0.4712 其中， X1 为营运资金/资产总

17、额；X2 为留存收益/资产总额；X3 为（经营活动现金净流量+投资活动现金净流量+筹资活动现金净流量）/资产总额；X4 为非经常性损益/|利润总额| 本文所有公式中的资产总额都是用年初资产总额和年末资产总额的平均值，以去除企业在期末进行盈余管理的影响。单项指标比上资产总额后可以在一定程度上消除该变量由于企业资金规模的不一致造成的影响，增加了不同企业规模之间的可比性。（4）确定模型的临界值。本文根据费雪准则的判别原理，设模型的临界值为 Z*（加权平均值） Z*= 而 Z（1）=CKXK（1），Z（2）=CKXK（2）其中，CK 为第 K 个变量的系数，XK（1）为第 K 个变量在第 1 组

18、（失败组）中的平均值，XK（2）为第 K 个变量在第 2 组（正常组）中的平均值。根据表 5 代入数字计算得，Z*0.000039（结果保留六位小数），如表 6 所示。（5）新建模型的检验。为了检验新建模型对我国上市公司的判别效果，本文将 2011 年年末的上海证券交易所的市场数据代入新建模型中进行检验。截止至 2012 年 3 月 12 日晚，已经在上海证券交易所公布 2011年年度报表的公司共有 153 家，其中与建模时使用的样本所属行业相同的企业有 73 家。利用上海证券交易所网站的 XBRL 系统搜集这 73 家企业的相关财务数据，分别计算四个变量的值，然后计算出各自的 Z 值。

19、由表 7 的分析可见，在 73 个样本中错判的只有 8 个，其余的 65 个是正确的，新建模型的正确达到了 89.04%，虽然在判断失败组的正确率不高，而判断正常组的正确率高达 93.44%。在检验时使用的数据中只有四家是*ST 公司，其余都是 ST 公司（含一家 SST 公司）。ST 公司是连续两年亏损而被证券交易所特别处理的企业，虽然 ST 公司财务失败的可能性高，但往往可以通过债务重组或者公司改革等一系列措施扭转企业亏损的局面，所以很难对其准确判断，故降低了失败组的判断准确性，但总体而言，新模型的正确率还是让人满意的。四、新建模型在我国运用的局限性（一）判断企业财务出现危机标准的

20、局限性本文中判定*ST 公司为失败组，而非 ST 公司为正常组，这个判断标准有一些武断，因为我国的证券市场现在仍处于发展阶段，在界定财务危机的标准上设置得还不是很完善。虽然证券交易所会对其挂牌上市的企业的财务状况进行监控，但事实证明，在没有被特别处理的企业中存在着企业财务确实出现问题但尚未被披露的企业，在建模选取样本时若包含了这类企业，则会影响到模型的正确率。（二）未全面考虑影响企业财务状况的因素本文研究的指标都是从传统的财务指标中选取出来的，并没有考虑到非财务因素。很多实例证明，员工素质、管理层的设置、奖惩政策的设置等非财务因素都会对企业的业绩造成影响。以上提到的都只是企业内部因素，企

21、业的业绩除了受自身的条件影响外还会受到外部因素的影响，如国家政策、经济环境、法律环境等。如果能考虑得更全面，也许能提供模型的准确率。（三）样本容量与涉及行业的问题据统计，沪深两市 A 股上市公司2009 年末共有 1860 家，2010 年末共有 2107 家，而本文建模时所用的样本只有 88 家，抽样规模较小，这就降低了模型的代表性。而样本所涉及的行业从大类上说都是属于工业，对于判断其他行业上的代表性不足。（四）财务数据失真可能性高我国的证券市场现阶段的法律制度还不是很健全，对企业的财务状况的监控还不够全面。企业为了得到因为上市而获得的高额资金，往往会进行盈余管理，使得公布的财务信息

22、失真。虽然新建模型建立时在一定程度上考虑到了这一点，可以通过观察每个变量的变化情况推断企业是否存在违规行为，但财务资料的失真对建模时的影响还是无法完全避免的。参考文献： 1Edward I. Altman. Financial Rations， Discriminate Analysis and the Prediction of Corporate BankruptcyJ.Journal of Finance，1968，23（4）：589-609. 2张祥、陈荣秋：财务预警的模型分析，科学与管理2003 年第 5 期。 3王明吉、白亚丽：构建财务预警系统防范企业财务危机，商业经济与管理， 2004 年第 3 期。

展开阅读全文