财务预警 发表评论(0) 编辑词条

　　所谓企业财务预警，即财务失败预警，是指借助企业提供的财务报表、经营计划及其他相关会计资料,利用财会、统计、金融、企业管理、市场营销理论,采用比率分析、比较分析、因素分析及多种分析方法,对企业的经营活动、财务活动等进行分析预测,以发现企业在经营管理活动中潜在的经营风险和财务风险,并在危机发生之前向企业经营者发出警告,督促企业管理当局采取有效措施,避免潜在的风险演变成损失,起到未雨绸缪的作用；而且,作为企业经营预警系统的重要子系统,也可为企业纠正经营方向、改进经营决策和有效配置资源提供可靠依据。进行财务预警分析，建立企业财务预警模型已成为现代企业财务管理的重要内容之一。上市公司的财务信息对多方利益相关者都有着重要影响，建立财务预警系统、强化财务管理、避免财务失败和破产，具有重要意义。

　　1.预知财务危机的征兆

　　当可能危害企业财务状况的关键因素出现时，财务失败预警系统能预先发出警告，提醒企业经营者早做准备或采取对策以减少财务损失。

　　2.预防财务危机发生或控制其进一步扩大

　　当财务危机征兆出现时，有效的财务失败预警系统不仅能预知并预告，还能及时寻找导致企业财务状况进一步恶化的原因，使经营者知其然，更知其所以然，制定有效措施，阻止财务状况进一步恶化，避免严重的财务危机真正发生。

　　3.避免类似的财务危机再次发生

　　有效的财务失败预警系统不仅能及时回避现存的财务危机，而且能通过系统详细地记录其发生缘由、解决措施、处理结果，并及时提出建议，弥补企业现有财务管理及经营中的缺陷，完善财务失败预警系统，从而既提供未来类似情况的前车之鉴，更能从根本上消除隐患。

　　一、单变量模型

　　单变量模型是指使用单一财务变量对企业财务失败分险进行预测的模型。主要有威廉·比弗(William Beaver)于1966年提出的单变量预警模型。他通过对1954～1964年期间的大量失败企业和成功企业比较研究，对14种财务比率进行取舍，最终得出可以有效预测财务失败的比率依次为：

　　1.债务保障率=现金流量÷债务总额

　　2.资产负债率=负债总额÷资产总额

　　3.资产收益率=净收益÷资产总额

　　4.资产安全率=资产变现率-资产负债率

　　Beaver认为债务保障率能够最好地判定企业的财务状况（误判率最低）；其次是资产负债率，且离失败日越近，误判率越低。但各比率判断准确率在不同的情况下会有所差异，所以在实际应用中往往使用一组财务比率，而不是一个比率，这样才能取得良好的预测效果。

　　二、多变量模型

　　多变量模型是指使用多个变量组成的鉴别函数来预测企业财务失败的模型。较早使用多变量预测的是美国纽约大学的教授爱德华·阿尔曼(Edwardi.altman)，他是第一个使用鉴别分析（discriminant analysis）研究企业失败预警的人。他选取了1946～1965年间的33家破产的和正常经营的公司，使用了22个财务比率来分析公司潜在的失败危机。他利用逐步多元鉴别分析（MDA）逐步粹取5种最具共同预测能力的财务比率，建立起了一个类似回归方程式的鉴别函数——Z计分法模式。该模型是通过五个变量（五种财务比率）将反映企业偿债能力的指标、获利能力指标和营运能力指标有机联系起来，综合分析预测企业财务失败或破产的可能性。表达式如下：

　　Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5

　　其中：Z为判别函数值

　　X1=（营运资金÷资产总额）×100

　　X2=（留存收益÷资产总额）×100

　　X3=（息税前利润÷资产总额）×100

　　X4=（普通股及优先股市场价值总额÷负债账面价值总额）×100

　　X5=销售收入÷资产总额

　　一般地，Z值越低，企业越有可能发生破产。

　　爱德华·阿尔曼还提出了判断企业破产的临界值：

　　若 Z≥2.675，则表明企业的财务状况良好，发生破产的可能性较小；

　　若Z≤1.81，则企业存在很大的破产危险；

　　该模型实际上是通过五个变量（五种财务比率），将反映企业偿债能力的指标（X1、X4）、获利能力的指标（X2、X3）和运营能力的指标（X5）有机联系起来，综合分析预测企业财务失败或破产的可能性。在企业失败前一、二年的预测准确率很高；预测期变长，准确率有所降低，距失败前五年的预测准确率仅为36%.

　　多变量模型除了以上介绍的Z计分法模型以外，还有日本开发银行的多变量预测模型，中国台湾陈肇荣的多元预测模型，以及中国学者周首华、杨济华F分数模型等。但是，这几种模型在实际中的应用并不广泛。就目前为止，Z计分法模型仍然占据着主导地位。

　　在企业出现财务舞弊情况时，虽然上述这些财务失败预警方法可以定量地描述企业，但仍不能就此作出企业财务失败的结论，仍然需要投资者的主观判断。

　　1、望

　　望主要是看行业背景：看行业是处在朝阳行业还是夕阳行业，是处在竞争充分还是保护垄断的行业，是成熟规范的行业还是缺少必要监管的行业，是新业务层出不穷还是业务相对简单的行业，因为行业风险是企业无法回避的风险。

　　一般而言，朝阳行业、保护垄断行业、缺少必要监管的行业、新业务层出不穷的行业出现财务舞弊的风险较高。所以应特别注意行业的风险。如果行业出现危机，企业也必然受累。古语说得好：“覆巢之下，焉有完卵？”

　　2、闻

　　闻主要是看企业实力：企业处在行业中的地位如何，企业产品是成熟产品还是刚研制出来的新产品，企业在消费者中的口碑如何，企业的内部管理是否完善，企业的产品受市场欢迎程度如何，企业员工的精神面貌如何，企业管理层变更情况如何。

　　在信息非常发达的今天，企业无法完全垄断信息，我们可以通过新闻、广播、报纸、互联网等媒体了解一家企业的经营状况。一般而言，企业内部管理不健全、员工精神面貌差、管理层更换频繁等，都是企业出现失败的迹象。

　　3、问

　　问主要是看企业管理：问企业战略目标，看企业制定的战略目标是否符合国家的产业政策、是否符合企业的实际情况；问企业投资策略，看企业投资业务是否过于分散、金融投资业务比重是否过大、是否过度大规模扩张等。

　　一般而言，企业战略目标如果制定得过高或过低，都会影响企业的发展。企业的投资过于分散，也会影响企业战略实施，分散企业管理的精力，不能及时解决企业所产生的问题，影响企业竞争力。

　　4、切

　　切主要是看企业现金流：现金流是企业的血液。利润可以粉饰，但企业现金却是实实在在的链条。如果资金链绷得太紧，企业就有面临破产的风险，所以企业的现金流不能出现问题。考察企业现金情况，可以对企业现金流量表进行分析。如果长时间的经营活动所产生的现金净流量较少，企业必然在某些方面出现败相，并想方设法通过其他手段掩盖资金短缺问题，如通过借款、虚拟收入、提前确认收入等进行粉饰。

　　总之，一个企业若出现长时间的舞弊情况，最终会因为资金链条绷得太紧而断裂。只要投资者细心留意自己的投资对象，总会发现一些蛛丝马迹，然后再运用专业的分析方法进行判断，从而可以提高自己规避风险的能力。

　　1、一元判定模型

　　1932年Fitzpatrick以19家公司为样本，运用单个财务比率将样本划分为破产和非破产两组进行研究，发现净利率／股东权益和股东权益／负债对财务危机的判别能力最高，自此开创了财务危机预警实证研究的先河。而后，1966年Beaver对1954～1964年间79家失败企业和对应的79家成功企业的30个财务比率进行了研究，在排除行业因素和公司资产规模因素的前提下，得出以下财务比率对财务危机的预测是有效的：现金流量 ／ 债务总额，净收益 ／ 资产总额，债务总额 ／ 资产总额。

　　2、多元线性判定模型

　　为了弥补一元判定模型的缺陷，1968年Altman首先将多元线性判别法引入财务危机预警研究领域，根据行业和资产规模，他选择了33家破产公司和33家非破产公司作为研究样本，以误判率最小的原则确定了5个变量作为判别变量，其多元线性判定模型为：Z＝1.2×1＋1.4×2＋3.3×3＋ 0.6×4＋1.0×5，判别变量分别为营运资本 ／ 总资产，留存收益 ／ 总资产，息税前收益 ／ 总资产，股票市值 ／债务的账面价值，销售收入 ／ 总资产。此后，有许多学者采用类似的方法进行研究，对模型加以改造，只是选取的变量指标或者指标系数不同而已。

　　3、多元逻辑回归模型

　　在1980年Ohlson第一个将逻辑回归方法引人财务危机预警领域，他选择了1970～1976年间破产的105家公司和2058家非破产公司组成的配对样本，分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系，发现公司规模、资本结构、业绩和当前的融资能力进行财务危机的预测准确率达到96.12％。逻辑回归分析方法使财务预警得到了重大改进，克服了传统判别分析中的许多问题，包括变量属于正态分布的假设以及破产和非破产企业具有同一协方差矩阵的假设。

　　4、多元概率化回归模型

　　1980年Ohlson采用概率化回归方法进行财务预警研究，他选择1970～1976年间破产的105家公司和2058家非破产公司组成的配对样本，采用极大似然法，通过每个样本个体的破产与非破产的联合概率最大来构造模型，其研究思路与多元逻辑回归相似，不同之处是多元概率化假设样本服从标准正态分布，且寻求破产概率的方法不同，所以其缺陷类似于多元逻辑方法。

　　5、人工神经网络模型

　　1991年Tam采用人工神经网络模型进行财务预警研究，通过输入层、隐藏层和输出层的人工神经网络的模拟构建模型，具有较好的模式识别能力和容错能力，能够处理资料遗漏和错误，可随时依据新数据资料进行自我学习训练，适用于今日复杂多变的企业运作环境，但其理论基础比较抽象，对人体大脑神经模拟的科学性和准确性有待进一步加强，因而使用性大大降低。