【財務(wù)危機預(yù)警探究的文獻綜述3400字】

財務(wù)危機預(yù)警研究的國內(nèi)外文獻綜述(一)現(xiàn)有財務(wù)危機預(yù)警模型在國外，由于資本市場起步較早，對于財務(wù)危機預(yù)警模型的研究開始的也較早，從上個世紀初就已經(jīng)作為一項預(yù)測類的研究工具，在我國，財務(wù)危機預(yù)警模型研究從上世紀末才開始，并且大多數(shù)學(xué)者的研究是以國際上的經(jīng)典模型作為依據(jù)。吳世農(nóng)，黃世忠等學(xué)者（1986）首先分析我國破產(chǎn)企業(yè)的財務(wù)指標，并在此基礎(chǔ)上建立了適合我國的財務(wù)危機預(yù)警模型，這也是我國在財務(wù)危機預(yù)警模型方面的一個重大突破。1.單一變量模型單一變量模型就是自變量是一個財務(wù)比率或者現(xiàn)金流量指標，在此基礎(chǔ)上建立模型來進行財務(wù)危機的預(yù)測。FitzPatrick（1932）首先研究了破產(chǎn)企業(yè)的單一財務(wù)變量，發(fā)現(xiàn)出現(xiàn)財務(wù)危機的企業(yè)和正常企業(yè)的財務(wù)比率有著顯著不同，但是僅僅只是描述性分析。WilliamBeaver(1967)在此基礎(chǔ)上首次用統(tǒng)計方法創(chuàng)立了財務(wù)預(yù)警單一變量模型，并提出了針對單一變量預(yù)警模型的五個財務(wù)指標，其中債務(wù)保障比率的預(yù)測效果最好。陳靜(1999)以我國上市公司為研究對象，選取了90年代末中國證券市場上市公司中被特別處理27家企業(yè)作為財務(wù)危機企業(yè)樣本，同時借鑒了Z值模型和單一變量模型，討論了國外既有的財務(wù)危機預(yù)警模型在中國市場的有效性以及Z值模型和單一變量模型各自的局限性。在單一變量模型分析過程中，總結(jié)出了模型誤判率最低的兩項財務(wù)指標，分別是流動比率與資產(chǎn)負債率。鮑新中，劉應(yīng)文（2007）從現(xiàn)金流量出發(fā)，建立了現(xiàn)金流量的財務(wù)危機預(yù)警模型，并對被特別處理的公司、撤銷特別處理的公司、市場表現(xiàn)好的公司分別進行了模型的有效性驗證。結(jié)果表明，現(xiàn)金流量信息具有重要的財務(wù)預(yù)警功能。2.線性判定模型單一變量模型中，選取不同的財務(wù)指標便會使模型的預(yù)測結(jié)果具有差異性，為了克服此局限學(xué)者們開始研究多元變量美國學(xué)者EdwardI.Altman于1968年提出了著名的Z值模型，其判別函數(shù)為Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5，其中X1是總資產(chǎn)營運資本率，X2是總資產(chǎn)留存收益，X3是資產(chǎn)報酬率，X4是權(quán)益市價與負債比率，X5是總資產(chǎn)周轉(zhuǎn)率，把這五項財務(wù)指標作為線性模型自變量，得出相關(guān)系數(shù)，最后得到總判別值，從而有效而精確的預(yù)測了企業(yè)的財務(wù)危機。此模型也對后來學(xué)者進行財務(wù)危機預(yù)警研究奠定了基礎(chǔ)，具有劃時代的意義。Haldeman和Narayanan（1977）對Z值模型進行了修正，建立了ZETA模型。ZETA模型在Z值模型的基礎(chǔ)上增加了兩個自變量，分別是資本化程度一以及規(guī)模化程度。結(jié)果表明,ZETA模型預(yù)測的準確性更優(yōu)。趙坤、趙育萱（2011）對創(chuàng)業(yè)板市場建立了多元變量模型進行預(yù)測及分析，但由于創(chuàng)業(yè)板樣本數(shù)據(jù)較少，作者便采取相同行業(yè)和近似規(guī)模的原則，在主板市場中選取了與創(chuàng)業(yè)板首批上市的公司相似的公司作為樣本，但仍具有一定意義。賀瑜丹，李英艷，周悅（2020）隨機抽取了16家界定為財務(wù)危機的新能源上市公司，用1：1配對的方法抽取了非財務(wù)危機公司16家構(gòu)建新能源上市公司財務(wù)危機預(yù)警模型，并對模型的預(yù)測能力進行了檢驗，結(jié)果表明修正的Z-Score模型整體判別準確率達到了74.51%，但是在財務(wù)危機公司的預(yù)警判斷過程中，無論是模型自身檢驗還是模型外部檢驗，預(yù)警的準確率均低于非財務(wù)危機公司。3.Logit回歸模型邏輯回歸模型建立的過程可簡要概括為當自變量變化時，因變量兩個邏輯值的概率如何變化。logit回歸的目的及宗旨就是總結(jié)出自變量與因變量彼此的線性關(guān)系。同時，由于logit回歸模型對變量沒有任何前提假設(shè)條件，因此在財務(wù)預(yù)警方面受到了廣泛關(guān)注。Ohlson首次（1980）提出logit回歸財務(wù)預(yù)警模型，其利用1或0來代表破產(chǎn)和非破產(chǎn)，通過財務(wù)比率線計算企業(yè)破產(chǎn)的概率。姚瑤（2014）在滬深兩交易所上市的A股公司選取被特別處理的公司作為財務(wù)危機樣本，并通過分層抽樣的方法隨機抽取了44家企業(yè)與之配對，分別建立F-Score模型以及l(fā)ogit回歸模型，并對兩者的預(yù)測效果進行檢驗，結(jié)果表明logit回歸模型的財務(wù)危機預(yù)警效果更好。宋寶珠（2014）依據(jù)相同行業(yè)近似規(guī)模的原則，選取了創(chuàng)業(yè)板上市公司中的共80個企業(yè)作為樣本，其中財務(wù)危機企業(yè)和非財務(wù)危機企業(yè)分別是40個，對Z值模型在中國創(chuàng)業(yè)板上市公司的非適應(yīng)性進行了研究，對于財務(wù)危機企業(yè),Z值模型的整體預(yù)測率僅僅只有9.55%，造成此結(jié)構(gòu)的原因可能是由于Z值模型建立的經(jīng)濟社會背景，時間，企業(yè)的生命周期等等均與中國的創(chuàng)業(yè)板上市公司有很大的差異。徐依朋，齊魯豫，邢思銘，王宇（2020）利用panel-logit模型對上市公司風(fēng)險預(yù)警進行研究，其中選取了17個財務(wù)指標分別代表盈利能力、營運能力、償債能力、成長能力、現(xiàn)金流量、以及資產(chǎn)構(gòu)成，并通過主成分分析提取出了6個主成分因子累計方差貢獻率可達到84.259%，最后選取了4個通過顯著性水平的因子，分別是盈利因子、償債因子、成長因子和評價因子進行l(wèi)ogit回歸，結(jié)果表明panel-logit模型的準確率較高，可達到97.92%。對于此結(jié)果他們解釋到可能是由于面板數(shù)據(jù)同時具有截面數(shù)據(jù)和時間序列數(shù)據(jù)的特征信息。4.神經(jīng)網(wǎng)絡(luò)模型基于統(tǒng)計學(xué)原理建立的上市公司財務(wù)危機預(yù)警模型對樣本數(shù)據(jù)要求較高，選取的財務(wù)指標之間可能存在多重共線性的問題，后來隨著計算機和不斷發(fā)展，誕生了一種新的財務(wù)預(yù)警模型——神經(jīng)網(wǎng)絡(luò)模型。相比較傳統(tǒng)的財務(wù)預(yù)警模型，它對樣本的分布沒有太多要求，并且另一個不同的是，神經(jīng)網(wǎng)絡(luò)模型是利用計算機和數(shù)理統(tǒng)計的方法進行分析預(yù)測，因此他能有效地處理定性和定量數(shù)據(jù)，克服了傳統(tǒng)預(yù)警模型通常只選擇財務(wù)指標變量的缺點。西方學(xué)者Odom和Sharda（1990）在Z值模型的基礎(chǔ)上首次利用神經(jīng)網(wǎng)絡(luò)分析模型進行分析，最終表明模型的預(yù)測效果很好。楊淑娥、黃禮（2005）利用人工神經(jīng)網(wǎng)絡(luò)分析模型，從我國A股上市公司中選擇60家企業(yè)作為測試樣本，通過1：1配對原則選取訓(xùn)練樣本。以企業(yè)六大類財務(wù)能力為對象成功建立BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型結(jié)果顯示對于測試樣本，建立的模型的判別準確率高達90.13%。對于訓(xùn)練樣本，模型的判別準確率也可達到89.03%。楊波（2016）通過1：1配對樣本，采用偏最小二乘法對預(yù)警變量進行篩選，提取出偏最小二乘成分，并分別建立傳統(tǒng)預(yù)警模型以及BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型，表明了偏最小二乘法的優(yōu)越性以及BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型更加準確。學(xué)者們通過生物自然選擇和遺傳機制的啟示，又逐漸在神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上引入了遺傳算法，陳強和薛華（2007）從主板上市公司中選出樣本，構(gòu)建了加入遺傳算法的神經(jīng)網(wǎng)絡(luò)分析模型，結(jié)果表明加入了遺傳算法后的模型相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果更佳。(二)國內(nèi)外研究現(xiàn)狀評述關(guān)于財務(wù)預(yù)警研究，國內(nèi)外均已經(jīng)開始了很多年，研究方法也逐漸升級，從最初的單一變量模型到多變量模型再到如今引入計算機的人工神經(jīng)網(wǎng)絡(luò)分析模型，變量體系也在不斷完善，從最初的財務(wù)變量指標，到后來學(xué)者逐漸引入了非財務(wù)變量指標，目前，財務(wù)預(yù)警方面的研究也到達了較高的水平。但仍存在以下幾方面值得改進的方面：1.財務(wù)指標的研究已有很多年，但是對于非財務(wù)指標由于數(shù)據(jù)獲取難度大，界定標準不統(tǒng)一，研究者往往只選取了財務(wù)變量作為預(yù)警指標，但是財務(wù)變量也有其局限性，例如滯后項，甚至某些企業(yè)可能會造假，導(dǎo)致財務(wù)指標不真實，以此建立的預(yù)警模型往往也會降低預(yù)測率。并且非財務(wù)指標例如創(chuàng)新能力，公司治理能力往往也會很大程度地影響一家公司。因此，在對企業(yè)陷入財務(wù)危機的研究當中，也應(yīng)當加入非財務(wù)指標進行研究，提高模型的準確性。2.在眾多研究中，研究者往往采用的是截面數(shù)據(jù)，但是實際中，企業(yè)的財務(wù)狀況是一個長期變化發(fā)展的過程，財務(wù)危機的發(fā)生也不是一時的，具有累積性和突發(fā)性，因此選取截面數(shù)據(jù)具有一定的片面性和滯后項。參考文獻：[1]賀瑜丹,李英艷,周悅.新能源上市公司財務(wù)危機預(yù)警研究——基于修正的Z-Score模型[J].九江職業(yè)技術(shù)學(xué)院學(xué)報,2020(03):74-79.[2]武玥寧.上市公司易世達的財務(wù)預(yù)警分析[D].吉林大學(xué),2020.[3]吳慶賀,唐曉華,林宇.創(chuàng)業(yè)板上市公司財務(wù)危機的識別與預(yù)警[J].財會月刊,2020(02):56-64.[4]王晨.創(chuàng)業(yè)板上市公司財務(wù)風(fēng)險預(yù)警研究[D].沈陽工業(yè)大學(xué),2018.[5]岑慧.創(chuàng)業(yè)板上市公司財務(wù)危機預(yù)警模型研究[D].集美大學(xué),2018.[6]王晨.創(chuàng)業(yè)板上市公司財務(wù)風(fēng)險預(yù)警研究檢驗[J].商業(yè)經(jīng)濟,2018(03):174-176.[7]寧宇新,趙倩.創(chuàng)業(yè)板上市公司財務(wù)風(fēng)險預(yù)警研究[J].農(nóng)村經(jīng)濟與科技,2017,28(22):101.[8]康寧.創(chuàng)業(yè)板上市公司財務(wù)風(fēng)險預(yù)警研究[J].商業(yè)經(jīng)濟,2017(11):159-161.[9]秦秀秀.基于BP神經(jīng)網(wǎng)絡(luò)的創(chuàng)業(yè)板上市公司財務(wù)預(yù)警研究[D].安徽理工大學(xué),2015.[10]朱濤.我國創(chuàng)業(yè)板上市公司財務(wù)預(yù)警模型研究[D].西南林業(yè)大學(xué),2015.[11]張燕宇.制造業(yè)創(chuàng)業(yè)板上市公司財務(wù)風(fēng)險預(yù)警模型研究[D].哈爾濱理工大學(xué),2015.[12]宗長江.創(chuàng)業(yè)板上市公司財務(wù)危機預(yù)警實證研究[D].石家莊鐵道大學(xué),2015.[13]張丹.我國創(chuàng)業(yè)板上市公司財務(wù)危機預(yù)警研究[D].河北工業(yè)大學(xué),2015.[14]宋寶珠