摘  要：本文對常見的四種多變量財務預警模型的實證情況進行比較分析，主要通過文獻研究法、對比分析法從樣本和數據、選取指標以及預測精確度等方面來進行比較。從理論上來說，人工神經網絡模型要優于多元線性判別模型、主成分模型和回歸模型，但由于該模型的復雜性，在實務中并未能到廣泛的應用。
關鍵詞：多變量財務預期模型  實證  比較分析
    一、引言
    隨著我國市場經濟體制改革的不斷深化和資本市場的快速發展，現代企業由于外部市場競爭的加劇和內部經營管理的不善，不少公司也出現了財務危機。為了在激烈的市場競爭中求生存謀發展，企業有必要對其自身的財務狀況進行預警分析，以應對各方面的風險，并防范財務危機的發生。
    到目前為止，企業財務預警的研究已經積累了豐富的研究成果，即建立了多種財務預警模型對企業財務危機進行預測，并且已做了大量的實證研究。財務預警模型有單變量財務預警模型和多變量財務預警模型，但由于單變量財務預警模型只對單個財務比率的趨勢分析，沒有哪一個比率能夠概括企業財務的全貌；另外，某些財務比率有可能被公司管理者進行過粉飾，單一的依靠某一比率做出的預測不一定可靠。因此，多變量財務預警模型逐步取代單變量財務預警模型成為廣泛應用的模型。雖然多種多變量財務預警模型為現代企業預測財務狀況提供了多種選擇，但由于每種模型有其各自的前提條件以及模型自身的特點，這使得從眾多模型中挑選出一種最具代表性的模型的可能性大大降低了?；诖?，本文就國內外學者對各種多變量財務預警模型的實證研究情況進行總結和比較。通過對多種多變量財務預警模型的實證情況進行比較，一方面可以充分展示我國財務預警實證研究的發展狀況；另一方面對我國財務預警實證研究存在的問題進行總結，就財務預警實證研究的未來發展方向提出建議。此外，也為多變量財務預警模型的相關使用者選擇一種適合自己的預警模型提供了依據。
    二、多變量財務預警模型的基本原理
    國內外常用的多變量財務預警模型主要有以下四類：
    2.1多元線性判定模型
    多元判定模型中最著名的模型是美國 Altman（1968）的Z分數模型：Z=0.12XI+0.14X2+0.033X3+0.006X4+0.001X5，其中x1、x2、x3、x4、x5是五個財務指標。根據判別方程可以把單個企業的各種財務比率轉換成單一的判別標準，或稱為Z值，根據Z值將企業分為“破產”或“非破產”兩類。國內學者周首華等（1996）以Altman的Z分數模型為基礎構建了F分數模型，該模型加入了現金流量預測指標體系。
    2.2主成分模型
    該模型是國內學者張愛民等（2000）借鑒Altman的多元z值判定模型，運用統計學的主成分分析方法建立的。其主要思想是：通過對原始的財務指標相關矩陣內部結構關系的研究，找出影響上市公司的財務狀況的幾個綜合指標，即主成分，使綜合指標為原始指標的線性組合，綜合指標不僅保留了原始指標的主要信息，彼此又完全不相關，同時比原始指標具有某些更優越的性質。該模型的差別方程式為：PS=V1Z1+V2Z2+V3Z3+V4Z4+V5Z5，其中，V1、V2、V3、V4、V5是系數，Z1、Z2、Z3、Z4、Z5是綜合指標。
    2.3多元回歸模型
    多元回歸模型包括Logistic回歸模型和Probit回歸模型。Martin（1977）在財務危機預警研究中首次采用了多元邏輯回歸模型。該模型假設企業破產的概率為P（破產取1，非破產取0），并假設Ln[ P/(1-P)]可以用財務比率線性解釋。假定Ln[P/(1-P)]=a+bx，推導得出P=exp( a+bx)/[ 1+exp(a+bx)]，從而計算出企業破產的概率。判別規則是: 如果 P>0.5，則判定企業為即將破產類型；如果P<0.5，則判定企業財務正常。Probit模型和Logistic模型相似。
    2.4人工神經網絡模型（ANN）
    1990年Odom和Sharda第一次運用神經網絡進行財務困境預測問題的探索。該模型由輸入層、輸出層和隱藏層組成，通過網絡的學習和數據的修正得出期望輸出，然后根據學習得出的判別規則來分類。
    三、多變量財務預警模型的應用
    目前傳統的統計模型發展得比較成熟，計算也相對簡單，應用也較為廣泛。Z分數模型主要用于信用政策、信貸評審、貸款定價以及證券化等方面。主成分模型也相對簡單可行，可以在實踐中廣泛運用，但該模型有一個明顯的缺陷，即綜合評分式權重的確定以及判定區間的確定都具有較大的主觀性和不準確性，尤其是后者受樣本數據分布的影響很大，從而會影響預測的準確度。Logistic模型與Probit模型的最大優點就是不需要嚴格的假設條件，克服了線性方程受統計假設約束的局限性，因而具有更廣泛的適用范圍。而對于人工神經網絡模型，從理論上來講，該模型應具有廣泛的應用前景和應用價值，但在實際運用中卻存在這樣一些問題，如模型結構定義的復雜性、計算量過于巨大，而且其在決策方法中表現得像一個黑匣子，以致對它的接受和應用都較困難。另外，這種模型要求擁有大量的學習訓練樣本以供分析，如果樣本數量積累得不足、沒有足夠的代表性和廣泛的覆蓋面，則會大大地影響系統的分析和預測結果。
    四、多變量財務預警模型實證比較分析
    4.1前提條件比較分析
    在研究財務預警模型的過程中首先應該考慮各種模型適用的前提條件。多元判定模型和主成分模型通常形成一個線性判定函數式，據此判斷待判企業的歸屬，一般要求數據服從正態分布和兩組樣本間協方差矩陣相等。Logistic模型和Probit模型均是為了克服簡單線性概率模型的缺陷而建立起來的，一般采用最大似然估計方法進行估計，不需要滿足正態分布和兩組樣本協方差矩陣相等的條件，得出的結論直接表示企業發生財務失敗的可能性的大小。人工神經網絡模型則對財務指標的分布沒有特別的要求特別適合于變量服從未知分布，且自變量組間協方差矩陣不相等的情況。
    4.2樣本和數據選取的比較分析
    財務危機預警的國內外研究者由于國情不同、研究目的不同，對財務危機含義的界定有所區別：國外學者大都以提出破產申請的企業作為研究對象；而國內學者則以滬、深兩市因“財務狀況異常”而被ST的上市公司作為研究對象。