上市公司财务危机动态预警模型研究综述

　　【摘要】公司财务危机预警系统的研究是一个非常重要的课题，被广泛关注。现在也有很多对于财务危机预警系统的研究，但是大多数采用的是静态分析，忽视了财务危机的发生是一个持续动态的过程，因此，建立动态的财务危机预警系统是非常有必要且很有意义的。

　　本文在分析研究国内外关于财务危机动态预警相关研究的基础之上，对财务危机的动态预警模型的研究现状进行综述，探讨财务危机动态预警研究的发展趋势。

　　【关键词】财务危机动态预警研究综述

　　在全球经济衰退、金融危机的大背景下，探索识别财务危机，为企业利益相关者提供预警信号是非常值得研究的现实问题。因此，建立基于时间序列特征的动态预警系统成为了必然的趋势。国内外很多学者都对财务危机预警模型进行了研究，并建立了相应的预警模型。但是现阶段关于财务危机预警的动态研究还是较少，目前我们的财务危机预警系统大多是静态预警，大部分学者采用的都是多截面样本数据，对不同时期的多个样本数据进行研究，但是这样研究存在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。这些实证研究的结果普遍存在着预测准确率不理想的情况，特别是多期财务危机预测准确率较低的情况。如果企业的整体财务状况很好，只是单期的表现不好，随后企业的财务状况会很快恢复正常，这种暂时的偏离正常值不应该被归为财务危机公司，但静态模型不考虑历史的影响，会将这种公司归为危机公司，预测准确率不理想。

　　一、财务危机动态预警模型简介

　　动态财务预警主要使用的技术有人工智能技术（如神经网络模型和机器学习等分析技术）具备良好的模式辨别能力，克服了传统统计方法的局限性，有更高的预测能力。

　　二、国外关于财务危机动态预警模型的研究

　　目前，国外学者广泛应用的动态预警模型主要有神经网络模型、遗传算法模型、案例推理模型等等。

　　（一）人工神经网络模型

　　人工神经网络模型主要是运用神经网络的分类方法来进行财务预警。许多功能是对人脑神经网络系统的模拟，有很好的模式识别能力，根据随时更新的数据进行自我学习，因此有很高的纠错能力，能够更好的预测财务危机。Odom和Sharda（1990）是最早在财务危机预警模型中运用人工神经网络模型的，随后许多学者做了相似研究，并对模型及算法进行了响应的改进。

　　（二）遗传算法（geneticalgorithm，GA）

　　遗传算法是模仿生物遗传进化规律，运用在大量复杂概念空间内随机搜索的技术，用于企业财务危机的预测。Varetto（1998）、Shin&Lee（2002）、Hyunchui（2009）都进行了这方面的研究，Franco（2010）的研究表明了采用GA来进行预测比较省时并且受到主观影响也较小，但是预测精度没有MDA高。

　　（三）案例推理（case-basedreasoning，CBR）

　　案例推理一般运用K临近算法对存储案例进行分类，据此来对新增的案例进行推断，主要适用于在复杂多变的环境中进行决策。Hongkyu（1997）对案例推理（CBR）、人工神经网络模型（ANN）以及多元判别分析方法（MDA）进行了比较分析，结果显示CBR与MDA判别结果无本质上的区别，更适合在数据不充分的时候使用；Cheol-Soo（2002）用层次分析法（AHP）对K临近算法进行了改进，预测精度明显得到了提高。

　　（四）支持向量机（supportvectormachine，SVM）

　　SVM方法是在统计学理论基础之上的一种机器学习方法，这种算法通过非线性变换把实际问题换到高维特征空间，并且进行处理，对维数的要求没有那么严格，具有很好的推广能力。在这方面，Fan、Palaniswami均有相关的研究，Kyung-ShikShin（2005）采用这种算法构建了财务危机预警模型，并对韩国的企业进行实证研究，结果表明SVM的预测性能高于BP神经网络模型。

　　（五）粗集理论（roughsettheory，RST）

　　RST是一种用多个财务比率来描述财务危机与财务正常公司的工具，可以有效地解释财务指标与财务危机的关系。Pawlak、Dimitras和Joseph都将RST应用与财务危机预警系统的研究中。