一、引言

财务危机是一种企业盈利能力实质性地减弱，并伴随持续亏损的渐进式的积累过程。财务危机的发生会使企业经营循环和财务循环无法正常持续或陷于停滞，前期表现为违约、无偿付能力、持续性亏损等，最终表现形式是企业破产。自20世纪30年代，Fitzpatrick首先采用一元判别分析法对公司破产进行预测以来，财务危机预警问题逐渐为学者们所重视。Beaver、Altman、Deakin等人开创性的研究推动了财务危机预警探讨的不断深入，使之成为资本结构理论的重要分支。作为一个热点领域，每种新方法的开创性研究后，后续研究中学者们多是进行用此种方法的模仿性、改进性或比较性研究，哪种方法更为有效目前尚未定论，还有待于预警理论的进一步成熟。笔者在回顾文献时，也仅列示影响较大的研究成果。

财务危机预警的实证研究注重通过考察界定的危机公司的财务特征，主要利用从公司财务报告中获得的财务数据和各种方法来预测公司的财务危机。由于它们能够提供良好的预测能力并帮助决策，实际上已经构成了财务危机预警研究的主体。一般实证研究方法是：先确定一组陷入财务危机的公司；再根据一定的标准（公司规模、上市时间、行业特征等等）确定一组未陷入财务危机的公司作为控制样本；采用一定的方法对两组样本数据进行分析，从而揭示出哪些财务比率或指标在两组中存在一致而显著的差异；最后运用具有显著差异的比率和指标，构造出进行公司财务危机预警的基本评价模型。

二、新兴实证研究方法综述

20世纪90年代前，以统计学理论为基础的传统财务危机预警研究方法占主流地位，主要有以下几种：一元判别分析法（Univariate Discriminant Analysis，UDA）、多元判别分析法（Multivariate Discriminant Analysis，MDA）、多元逻辑回归法（Multivariate Logit Regression，MLR）、多元概率比回归法（Multivariate Probit Regression，MPR）和主成分分析法（Principal Components Analysis，PCA）等。20世纪90年代前后，随着计算机技术和信息技术的发展，学者们开始将更多的数据挖掘技术（Data Mining，DM）、人工智能技术（Artificial Intelligence，AI）引入到财务危机预警模型研究领域。这段时间比较具有影响的方法有：

（一）决策树法

Frydman，Altman和Kao（1985）利用递归划分算法（RPA），以财务变量为判别点建立了决策树模型（Classification Tree Analysis），以最低误判成本为标准对样本公司进行分类，发现多元判别分析模型样本期望误判成本明显高于决策树模型；Boyleetal（1993）研究认为，决策树方法与多元判别分析法的评分结果相近，而且两种方法可交替使用；Feng Yu Lin和Sally M-coean（2001）将4种独立的财务预警研究方法（判别分析法、逻辑回归法、神经网络方法及决策树方法）进行不同的组合，建立了3种混合模式，再对这些方法进行实证分析，验证结果表明在同等条件下，混合模式明显优于单个方法模式。

姚靠华（2005）以上市公司为研究对象，选取了反映盈利能力、偿债能力、营运能力、成长能力和公司规模的17个财务变量，应用决策树建立了我国上市公司的财务危机预警模型，实证结果表明模型具有较好的预测性；闫二梅（2008）也建立了决策树模型，并将决策树模型预测结果与MLR模型的预测结果进行比较，研究表明决策树模型的预测准确率高于MLR模型；赵静娴（2008）提出一种改进了的基于决策树的预警模型，通过正规增益标准对企业的财务变量进行排序降维，避免了冗余信息的影响，直接生成最小决策树，抽取预警规则。

（二）专家系统法

Messier和Hansen（1987）首次将专家系统（Expert System，ES）引入到财务危机预警领域，他们从知识获取角度探讨比较了专家系统在信用分析领域的应用，将该方法与线性判别分析（LDA）、群决策等方法加以比较，结果证明专家系统分类效果最好，检验样本的正确分类率为87.5%，而LDA的准确率仅为为57%，并且比群决策的正确率稳定；Bryant（1997）验证了案例推理在预测企业破产方面的有用性，对非破产与破产企业，他以20：1的比例提取样本数据，这和Ohlson的比例是一致的。1999年，Michaer也做过类似研究。

黄继鸿（2003）把案例推理引入财务危机预警研究领域，这种方法不仅能够处理定量因素，而且结合了专家知识、经验处理定性因素的影响；张林（2004）也做过此类研究。不过，两人多是从理论介绍，没有具体建立预警模型。瞿天易（2008）采用基于规则推理和案例推理的专家系统对财务危机进行定量预警，利用模糊神经网络对财务危机进行定性预警，并将二者所得信息有机地融合在一起，获得了较为准确的预警结果。

（三）人工神经网络法
Odom和Sharda（1990）开拓了用人工神经网络（Artficial Neural Network，ANN）预测财务危机的新方法，他们以1975-1982年间65家失败公司与64家健全公司为研究对象，取失败前1年的资料，使用BP-ANN建立模型，并与用同样的资料建立的MDA模型进行比较研究，结果发现，无论是构造样本的回代预测，还是测试样本的验证预测，BP-ANN模型都获得了高于MDA模型的正确率，但他们的模型仅仅是神经网络方法应用的展示和Altlnan（1968）研究的重复；Tam和Kiang（1992）以美国得克萨斯州1985-1987年间118家银行（59家破产，59家没有破产）为研究对象，应用失败前2年的19个财务变量作为神经网络的输入节点，隐藏层节点数为10个，输出节点为1个，在应用多元判别分析法、回归法、近邻法、决策树法和神经网络法分别进行建模分析之后，得出的结果也表明神经网络法的预测精度要高于其他方法；Coats和Fant（1993）运用ANN对47家财务危机公司和47家财务健康公司进行判别，对危机公司的预测准确率达到了91%，明显高于MDA模型72%的准确率；West（2000）将贷款企业分为两组：一组是能够按时偿还贷款的企业，一组是不能按时偿还贷款的企业，建立了5种不同的神经网络模型：多层传感器、专家杂合系统、径向基函数、学习向量机和模糊自适应共振，用来研究商业银行信用评价的准确性。

但Back、Sere和Van Wezel（1995）不认为ANN具有比MDA和MLR明显更佳的预测效果；Altman（1995）在对ANN和MDA的比较研究中得出结论：ANN在信用风险识别和预测中的应用，并没有实质性的优于MDA。

杨保安（2001）最早在国内使用BP-ANN研究财务危机预警问题，但只是进行示范性设计和检验，并未建立适用于我国的模型；刘洪（2004）从偿债能力、营运能力、盈利能力和成长能力等4个方面选取财务变量建立了针对我国上市公司的BP-ANN模型，但是选取样本的时间较短，仅使用了2002-2003两年的首次ST公司，而且未考虑非财务变量在财务危机预警模型中的作用；端木正（2004）、杨淑娥（2005）、张淑静（2007）等人也都进行过基于神经网络的财务危机预警研究。

随着人工神经网络技术的不断发展，目前已经发展出众多模型，如多层感知器MLP（如I. Poddig、庞素琳等），概率神经网络PNN（如Z. R. YANG、吴德胜），自组织映射神经网络SOM（如Kimmo Kiviluoto、牛强等），玻尔兹曼机理论神经网络（如L. Kryzanowski等）。

（四）生存分析法

1986年，Lane等首次将生存分析法（Survival Analysis）运用于企业失败分类，对130家失败银行与334家营运正常的银行进行分析，发现生存分析的分类准确率接近判别分析；Chen和Lee（1993）利用生存分析法研究了20世纪80年代的石油天然气行业，结果证明：流动性比率、财务杠杆比率、营业现金流、开采成功率、企业历史和规模对企业能否存活影响巨大。

邓晓岚等（2007）运用生存分析法，对上市公司随公司年龄而变化的财务困境风险进行了评价。结果表明，财务困境风险生存率动态变化依行业的差异呈现不同的特征；在两种公司年龄计算方式下，各行业的财务困境风险生存率曲线出现了不同程度的变化，说明上市前与上市后的失败路径发生改变；六大行业中，综合类上市公司的财务困境危险性较低，说明综合类公司的多元化经营可能有助于分散经营风险。王晓鹏等（2007）以我国上市公司为研究对象，借助于上市公司的财务样本数据，采用生存分析法，对企业财务困境进行预警，研究结果表明：该模型具有可以使用时间序列、无需样本配对、连续预测的特点，能够为企业提供更为有效的财务困境预测。

（五）支持向量机法

Fan和Palaniswami（2000）利用支持向量机（SVM）对企业破产进行预测；Min和Lee2005）使用支持向量机（Support Vector Machines，SVM），应用2000-2002年间韩国中小企业数据进行预测。他们选择破产样本和非破产样本各944个，通过选择最优的核函数，发现：SVM与BNN（Back propagation Neural Networks，反传神经网络）、MDA和MLR相比，具有最高的预测精度。

李波（2004）以1998-2002年为研究期间，选取10个变量，对MDA模型、BP-ANN模型和SVM模型进行实证对比分析，研究表明：SVM模型全面优于前两种方法，不管是训练集还是测试集，误差都比前两个模型小得多；惠守博（2006）利用上市公司的财务数据进行训练和评估，证明了SVM模型的可行性和实用性。国内采用SVM进行预警研究的学者还有：李贺（2006）、邱玉莲（2006）、张根明（2007）等。研究均表明：SVM模型具有分类面简单、泛化能力强、拟合精度高、鲁棒性强等特点，在小样本、高维条件下，预测精确度远远高于其他方法。

三、新兴研究方法评析

新兴财务危机预警研究方法普遍具有以下两个特点：

（一）基于人工智能方法

新兴预警法不是依据统计理论，而是利用数据挖掘、人工智能中的方法建立，整个分析及预测过程就好像是人类学习及思考一样，是一种自然的非线性模型；新兴方法一般没有数据的分布、结构等方面的要求，适用于非线性关系的数据并对数据的缺失具有相当的容许性，基本上能处理任意类型的数据。
（二）具有动态预警能力

新兴预警方法具备随着不断变化的环境进行自我学习的能力，随着样本资料的积累，可以定期更新知识，从而实现对企业危机的动态预警；各个模型具有高度的自我学习能力，对错误资料的输入具有很强的容错性，因而更具有实用价值。

当然，各研究方法也具备自己的特色：决策树模型符合推理原则，但需要大样本；专家系统法能运用专家的知识和经验进行推理和判断，不断地增长知识，修改原有知识，但是该方法费时费力，而且如何选取专家的方法会直接影响结果；人工神经网络法具有较好的学习能力和预测能力，但可能陷入局部最优，实用性较差；生存分析法主要的优势是能够处理随时间变化的变量和审查后的观测值，但该方法的实用性有待进一步检验；支持向量机法充分考虑了财务危机问题的复杂性和非线性本质，其精度和泛化能力都是比较优良的，但其主要缺陷在于难以进行海量的数据处理。

四、结束语

经过近七十年的发展，关于财务危机预警的实证研究文献可谓数不胜数。但是，从传统统计研究方法到新兴人工智能研究方法，它们的区别在于预测准确率的上升和预警方法的先进性与智能化，但是它们都存在着一个显著的逻辑性缺陷，即没有考虑到财务状况的时间延续性，因而研究结果普遍存在着预测准确率不理想的情况，特别是存在多期财务危机预警准确率较低的情况。

此外，新兴财务危机预警方法由于理解和具体操作上过于复杂以及并没有显著改善模型的预测能力，因而学者们广泛采用的仍是传统的MDA和MLR。这就意味着如果还是仅仅停留在预测方法的改善上，则这一领域的研究将很难继续向前推进。也许正是基于这一点，近年来，一些学者如Elloumi和Gueyié（2001）、Faccio and Lang（2002）、Wang Zhen（2004）等开始从构建模型的指标上进行深入思考，他们不再局限于仅仅利用财务数据来构建模型，而是单独或同时利用公司治理信息、宏观经济因素、审计因素等来构建模型，从而为财务危机预警研究开辟了一个新的局面。