【财务危机预警探究的文献综述3400字】

财务危机预警研究的国内外文献综述(一)现有财务危机预警模型在国外，由于资本市场起步较早，对于财务危机预警模型的研究开始的也较早，从上个世纪初就已经作为一项预测类的研究工具，在我国，财务危机预警模型研究从上世纪末才开始，并且大多数学者的研究是以国际上的经典模型作为依据。吴世农，黄世忠等学者（1986）首先分析我国破产企业的财务指标，并在此基础上建立了适合我国的财务危机预警模型，这也是我国在财务危机预警模型方面的一个重大突破。1.单一变量模型单一变量模型就是自变量是一个财务比率或者现金流量指标，在此基础上建立模型来进行财务危机的预测。FitzPatrick（1932）首先研究了破产企业的单一财务变量，发现出现财务危机的企业和正常企业的财务比率有着显著不同，但是仅仅只是描述性分析。WilliamBeaver(1967)在此基础上首次用统计方法创立了财务预警单一变量模型，并提出了针对单一变量预警模型的五个财务指标，其中债务保障比率的预测效果最好。陈静(1999)以我国上市公司为研究对象，选取了90年代末中国证券市场上市公司中被特别处理27家企业作为财务危机企业样本，同时借鉴了Z值模型和单一变量模型，讨论了国外既有的财务危机预警模型在中国市场的有效性以及Z值模型和单一变量模型各自的局限性。在单一变量模型分析过程中，总结出了模型误判率最低的两项财务指标，分别是流动比率与资产负债率。鲍新中，刘应文（2007）从现金流量出发，建立了现金流量的财务危机预警模型，并对被特别处理的公司、撤销特别处理的公司、市场表现好的公司分别进行了模型的有效性验证。结果表明，现金流量信息具有重要的财务预警功能。2.线性判定模型单一变量模型中，选取不同的财务指标便会使模型的预测结果具有差异性，为了克服此局限学者们开始研究多元变量美国学者EdwardI.Altman于1968年提出了著名的Z值模型，其判别函数为Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5，其中X1是总资产营运资本率，X2是总资产留存收益，X3是资产报酬率，X4是权益市价与负债比率，X5是总资产周转率，把这五项财务指标作为线性模型自变量，得出相关系数，最后得到总判别值，从而有效而精确的预测了企业的财务危机。此模型也对后来学者进行财务危机预警研究奠定了基础，具有划时代的意义。Haldeman和Narayanan（1977）对Z值模型进行了修正，建立了ZETA模型。ZETA模型在Z值模型的基础上增加了两个自变量，分别是资本化程度一以及规模化程度。结果表明,ZETA模型预测的准确性更优。赵坤、赵育萱（2011）对创业板市场建立了多元变量模型进行预测及分析，但由于创业板样本数据较少，作者便采取相同行业和近似规模的原则，在主板市场中选取了与创业板首批上市的公司相似的公司作为样本，但仍具有一定意义。贺瑜丹，李英艳，周悦（2020）随机抽取了16家界定为财务危机的新能源上市公司，用1：1配对的方法抽取了非财务危机公司16家构建新能源上市公司财务危机预警模型，并对模型的预测能力进行了检验，结果表明修正的Z-Score模型整体判别准确率达到了74.51%，但是在财务危机公司的预警判断过程中，无论是模型自身检验还是模型外部检验，预警的准确率均低于非财务危机公司。3.Logit回归模型逻辑回归模型建立的过程可简要概括为当自变量变化时，因变量两个逻辑值的概率如何变化。logit回归的目的及宗旨就是总结出自变量与因变量彼此的线性关系。同时，由于logit回归模型对变量没有任何前提假设条件，因此在财务预警方面受到了广泛关注。Ohlson首次（1980）提出logit回归财务预警模型，其利用1或0来代表破产和非破产，通过财务比率线计算企业破产的概率。姚瑶（2014）在沪深两交易所上市的A股公司选取被特别处理的公司作为财务危机样本，并通过分层抽样的方法随机抽取了44家企业与之配对，分别建立F-Score模型以及logit回归模型，并对两者的预测效果进行检验，结果表明logit回归模型的财务危机预警效果更好。宋宝珠（2014）依据相同行业近似规模的原则，选取了创业板上市公司中的共80个企业作为样本，其中财务危机企业和非财务危机企业分别是40个，对Z值模型在中国创业板上市公司的非适应性进行了研究，对于财务危机企业,Z值模型的整体预测率仅仅只有9.55%，造成此结构的原因可能是由于Z值模型建立的经济社会背景，时间，企业的生命周期等等均与中国的创业板上市公司有很大的差异。徐依朋，齐鲁豫，邢思铭，王宇（2020）利用panel-logit模型对上市公司风险预警进行研究，其中选取了17个财务指标分别代表盈利能力、营运能力、偿债能力、成长能力、现金流量、以及资产构成，并通过主成分分析提取出了6个主成分因子累计方差贡献率可达到84.259%，最后选取了4个通过显著性水平的因子，分别是盈利因子、偿债因子、成长因子和评价因子进行logit回归，结果表明panel-logit模型的准确率较高，可达到97.92%。对于此结果他们解释到可能是由于面板数据同时具有截面数据和时间序列数据的特征信息。4.神经网络模型基于统计学原理建立的上市公司财务危机预警模型对样本数据要求较高，选取的财务指标之间可能存在多重共线性的问题，后来随着计算机和不断发展，诞生了一种新的财务预警模型——神经网络模型。相比较传统的财务预警模型，它对样本的分布没有太多要求，并且另一个不同的是，神经网络模型是利用计算机和数理统计的方法进行分析预测，因此他能有效地处理定性和定量数据，克服了传统预警模型通常只选择财务指标变量的缺点。西方学者Odom和Sharda（1990）在Z值模型的基础上首次利用神经网络分析模型进行分析，最终表明模型的预测效果很好。杨淑娥、黄礼（2005）利用人工神经网络分析模型，从我国A股上市公司中选择60家企业作为测试样本，通过1：1配对原则选取训练样本。以企业六大类财务能力为对象成功建立BP神经网络预警模型结果显示对于测试样本，建立的模型的判别准确率高达90.13%。对于训练样本，模型的判别准确率也可达到89.03%。杨波（2016）通过1：1配对样本，采用偏最小二乘法对预警变量进行筛选，提取出偏最小二乘成分，并分别建立传统预警模型以及BP神经网络预警模型，表明了偏最小二乘法的优越性以及BP神经网络预警模型更加准确。学者们通过生物自然选择和遗传机制的启示，又逐渐在神经网络模型的基础上引入了遗传算法，陈强和薛华（2007）从主板上市公司中选出样本，构建了加入遗传算法的神经网络分析模型，结果表明加入了遗传算法后的模型相比于传统的神经网络模型预测效果更佳。(二)国内外研究现状评述关于财务预警研究，国内外均已经开始了很多年，研究方法也逐渐升级，从最初的单一变量模型到多变量模型再到如今引入计算机的人工神经网络分析模型，变量体系也在不断完善，从最初的财务变量指标，到后来学者逐渐引入了非财务变量指标，目前，财务预警方面的研究也到达了较高的水平。但仍存在以下几方面值得改进的方面：1.财务指标的研究已有很多年，但是对于非财务指标由于数据获取难度大，界定标准不统一，研究者往往只选取了财务变量作为预警指标，但是财务变量也有其局限性，例如滞后项，甚至某些企业可能会造假，导致财务指标不真实，以此建立的预警模型往往也会降低预测率。并且非财务指标例如创新能力，公司治理能力往往也会很大程度地影响一家公司。因此，在对企业陷入财务危机的研究当中，也应当加入非财务指标进行研究，提高模型的准确性。2.在众多研究中，研究者往往采用的是截面数据，但是实际中，企业的财务状况是一个长期变化发展的过程，财务危机的发生也不是一时的，具有累积性和突发性，因此选取截面数据具有一定的片面性和滞后项。参考文献：[1]贺瑜丹,李英艳,周悦.新能源上市公司财务危机预警研究——基于修正的Z-Score模型[J].九江职业技术学院学报,2020(03):74-79.[2]武玥宁.上市公司易世达的财务预警分析[D].吉林大学,2020.[3]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.[4]王晨.创业板上市公司财务风险预警研究[D].沈阳工业大学,2018.[5]岑慧.创业板上市公司财务危机预警模型研究[D].集美大学,2018.[6]王晨.创业板上市公司财务风险预警研究检验[J].商业经济,2018(03):174-176.[7]宁宇新,赵倩.创业板上市公司财务风险预警研究[J].农村经济与科技,2017,28(22):101.[8]康宁.创业板上市公司财务风险预警研究[J].商业经济,2017(11):159-161.[9]秦秀秀.基于BP神经网络的创业板上市公司财务预警研究[D].安徽理工大学,2015.[10]朱涛.我国创业板上市公司财务预警模型研究[D].西南林业大学,2015.[11]张燕宇.制造业创业板上市公司财务风险预警模型研究[D].哈尔滨理工大学,2015.[12]宗长江.创业板上市公司财务危机预警实证研究[D].石家庄铁道大学,2015.[13]张丹.我国创业板上市公司财务危机预警研究[D].河北工业大学,2015.[14]宋宝珠