财务危机预警分析范文

前言：我们精心挑选了数篇优质财务危机预警分析文章，供您阅读参考。期待这些文章能为您带来启发，助您在写作的道路上更上一层楼。

第1篇

【关键词】上市公司；财务指标；财务危机；预警变量

近年来我国资本市场的快速发展，使得上市公司在获得巨大发展契机的同时面临的经营风险和财务风险也在不断的加大，这些风险都直接或间接的形成了上市公司的财务危机。因此有必要对企业的财务指标进行分析，找出能有效的反映财务危机的指标作为财务危机预警的解释变量，对于建立预警模型进行危机预测具有现实意义。

一、财务危机预警变量选择原则

Edward·Altman教授在建立企业破产预测的Z-Score模型时，财务指标的最初选取遵循了两个原则：一是该指标在以前的研究中出现的频率；二是指标与所要研究问题的潜在相关性。本文认为这两个原则比较科学，是选择财务预警变量的基本原则。此外在选取研究变量指标时还应该考虑如下几个原则：

（1）高度敏感性和强烈预示性。选择指标要能够比较灵敏地反映企业财务运行的主要情况，有发生财务危机的苗头时，能在指标上比较迅速的反映出来，并且指标值一旦恶化就预示着公司很有可能发生财务危机。

（2）重要性和代表性。指标反映的内容在经济活动中居重要地位，对于特定的环节有重大的影响或代表性。

（3）可操作性。指标不能太复杂，能方便的从公司中获取所需要的财务指标数据，便于实际操作。

目前，多数研究者财务指标的选取存在显著的差异，即便是反映同一类型的指标，不同的研究者选取的指标差异也很大，一方面由于缺乏理论的指导，研究者在指标选择时受到自身价值判断的影响；另一方面由于上市公司所处的行业、经营特点和所处时期不同等原因，指标的敏感度也不尽相同造成的。

二、财务危机预警指标初选

从国内财务预警研究情况看，在变量选择方面缺乏具体的理论指导，不同的研究者选择的研究变量各不相同，但通过考察和归纳国内外研究中选择的有显著贡献的预测变量，可以划分为综合反映公司财务状况的四类财务指标，即偿债能力指标、盈利能力指标、营运能力指标和发展能力指标。本文结合我国实际使用的绩效评价指标体系，及研究变量获取的难易程度，选择了20个财务指标作为财务预警研究的备选变量，各指标如表1所示。

三、财务危机预警指标的筛选与分析

1.数据来源与研究样本的选取

本文数据主要来源：上市公司年报、锐思数据库、新浪财经等各财经类网站。搜集样本公司的财务数据，这些财务数据与指标综合反映了公司的盈利能力、偿债能力、资产运营能力、发展能力和现金流量情况。

研究的ST样本选用2010至2012年被特别处理的A股上市公司，根据公司的行业分类和总股本规模选择相应的控制样本，构成非ST样本组。在研究样本的数据选择时，选取样本被特别处理前1～3年的财务数据，用t-1表示被特别处理前1年的数据，t-2表示被特别处理前2年的数据，t-3表示被特别处理前3年的数据，利用三年的财务数据进行财务指标的比较和选择。

2.财务预警变量的筛选

为了确定各个指标是否具有判定上市公司财务危机的能力，利用SPSS统计软件，计算ST公司与非ST公司的20个财务指标在被特别处理前1～3年的均值、标准差和各年T统计检验量及检验概率，然后比较两组公司的20个财务指标各年的均值是否存在显著性差异。当显著性概率小于10%时，一般认为样本数据之间有显著性差异，随着样本公司被特别处理时间的临近，本文逐年提高显著性判别标准，减少误判率，将t-3年的显著性概率设为5%，t-2年和t-1年设为1%，显著性检验结果见表2。

3.财务预警变量的分析和确定

根据表2显著性检验结果进行分析，分析结果如下：

（1）在短期偿债能力方面，选取的四个指标中营运资金对资产总额比率连续三年通过显著性检验，流动比率、营运资金比率连续两年通过显著性检验，表明这三个指标在两样本组之间具有显著性差异，具有较强的判别能力，而速动比率判别效果不明显。

（2）在长期偿债能力方面，选取的四个指标中资产负债率和所有者权益比率连续三年通过显著性检验，考虑到这两个指标的相关性，在判别时可以选择其中的一个指标；负债与权益市价比率连续两年通过显著性检验，而权益对负债比率判别效果不明显。

（3）在资产营运能力方面，选取的三个指标中只有流动资产周转率连续三年通过显著性检验，固定资产周转率只有一年通过显著性检验，而总资产周转率判别效果不明显，可见，流动资产周转率在两样本组之间具有显著性差异，具有较强的判别能力。

（4）在盈利能力方面，选取的四个指标中固定资产净利润率连续三年通过显著性检验，资产报酬率、总资产净利润率、主营业务收入增长率连续两年通过显著性检验，表明上市公司盈利能力的下降，盈利指标在ST公司和非ST公司之间具有很高的显著性差异，具有较强的判别能力。

（5）在现金流量方面，选择的三个指标中每股经营活动现金净流量、每股现金净流量连续两年通过显著性检验，现金流量对流动负债比率只有一次通过显著性检验。表明上市公司在没发生亏损的情况下，现金流量在ST公司和非ST公司之间差异不明显，当ST公司发生首次亏损后，现金流量在ST公司和非ST公司之间具有显著性差异，判别效果明显。

（6）在发展能力方面，选取的两个指标中总资产增长率连续两年通过显著性检验，判别效果明显，而资本积累率只有在ST公司亏损两年后才表现出与非ST公司之间的明显差异。

通过上述分析，由筛选出的财务指标可以发现，在判断上市公司由盈利到首次亏损，再到出现连续两年亏损方面，不同的财务指标表现出不同的判别能力，按照至少连续两年显著的原则，选择了14个财务指标作为财务危机预警的指标体系。具体财务指标见表3。

四、小结

文章选用被特别处理的A股上市公司为研究样本，选取ST样本公司没有发生亏损、首次发生亏损、连续两年发生亏损的财务数据和非ST公司的三年财务数据进行财务指标的比较和选择。使用SPSS统计软件，采取显著性检验筛选预警指标，选择了14个财务指标作为财务危机预警系统的指标体系。

通过研究发现，在上市公司陷入财务危机的过程中，公司在经营和财务上出现的危机征兆可以通过一系列的财务指标来反映和判别，并且不同的财务指标表现出不同的判别能力。其中，营运资金对资产总额比率、资产负债率、所有者权益比率、流动资产周转率、固定资产净利润率在不同的时期都表现出显著的判别能力。因此，对于上市公司来说，在揭示风险时应该密切关注这些指标的变化。

参考文献

[1]Edward I.Altman.Financial ratios，Discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance Vol.XXⅢ，1968，September：589-609.

[2]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001，6.

[3]耿贵彬.上市公司中长期财务危机预警模型的构建[J].财会月刊，2007，9.

第2篇

关键词:财务危机;预警模型;财务风险;Logit模型

中图分类号:F230文献标志码:A文章编号:1673-291X(2010)30-0084-02

财务危机预警是以财务会计报表为基础,通过建立和观测一些敏感指标的变化,对企业可能发生的财务危机实施评价、预测和预警,此过程中使用的数学模型即为财务危机预警模型。在理论和经验检验中所使用的财务危机预警模型可以分为判别分析模型、Logit模型和人工神经网络模型三大类。其中,判别分析模型又可分为一元判别模型和多元判别模型。本文对几种主要的财务危机预警模型进行比较分析,希望能够为进一步的研究提供一些借鉴。

一、判别分析模型

判别分析是对研究对象所属类别进行判别的一种统计分析方法。进行判别分析的必要条件是已知观测对象的分类和若干表明预测对象特征的变量值,然后从中筛选出能提供较多信息量的变量,进而建立判别函数,使推导出的判别函数对观测样本分类时的错判率最小。

(一)一元判别模型

一元判别模式是以某一项财务指标作为判别标准来判断企业是否处于财务危机状态的预测模型。通常将样本分为“估计样本”和“有效样本”两组,首先将估计样本按某一财务比率排序,之后最为关键的是寻找临界值,它可使两组的错判率最小,最后依据此临界值对有效样本进行预测。Fitzpatrick(1932)最早运用一元判别模型进行财务危机预警研究,他选用19家企业作为样本,并将其划分为破产与非破产两组,运用一项财务比率进行分析,结果表明预测能力最强的指标是净利润/股东权益和股东权益/负债。之后,Beaver(1966)选取美国1954―1964年间79家陷入财务危机的企业和79家正常企业,考察了30个财务比率,发现具有良好财务预测的财务比率分别是营运现金流/负债,净利润/资产和负债/资产。

一元判别模型首次把财务比率运用于预测财务危机,并且仅需对单个财务比率进行分析考察,计算简便。但它的缺点也较明显,如果对同一公司使用不同比率进行预测,往往会得出不同的结果,而且企业通过粉饰财务报表掩盖财务危机的可能性较大。

(二)多元判别模型

多元判别模型是指通过统计技术筛选出那些在两组间差别尽可能大但在两组内部的离散度最小的变量,这样多个标识变量可在最小信息损失下转换为分类变量。多元判别模型能有效提高预测精度。

1.Z值模型

Edward.Altman(1968)提出了Z值模型(也称为Altman模型),其基本原理如下:首先将样本分为预测样本和测试样本,再根据预测样本建立多元判别模型:Z=V1X1+V2X2+…+VnXn,其中,V1,V2,…Vn是权数,X1,X2,…Xn是各种财务比率。之后,根据此模型确定临界值Z值,然后把测试样本的数据代入此判别方程,并计算测试样本的Z值,最后依据判别标准进行判定。

Altman分别选取了33家失败企业和33家成功企业的22个财务数据,使用软件逐步淘汰区分能力差的财务数据,最后保留了5个财务比率:X1=营运资本/资产,X2=留存收益/资产,X3=息税前利润/资产,X4=权益的市场价值/负债的市价,X5=销售额/资产。其Z值模型为:Z=1.2X1+1.4X2+

3.3X3+0.6X4+0.999X5。Z值越低,企业发生财务危机的概率越高,当Z

Z值模型简单易懂,数据易于获取,计算简便,不仅有利于企业管理当局进行财务分析,也为投资人、债权人作出有效的投资决策提供了依据。但使用Z值模型时必须注意时间性,Z值模型只适应于对企业短期风险的判断。而且,Z值模型没有充分考虑现金流量等方面的影响。此外,由于该模型只适用于上市公司,Altman后来对该模型进行了修订,建立了非上市公司财务危机预警的Z′模型和跨行业的Zeta模型。

2.F分数模型

为了克服Z值模型的局限性,周首华、杨济华和王平(1996)对Z值模型进行改进,建立了F分数模型。F分数模型扩大了Z值模型的样本容量,使用了Compustat PC Plus会计数据库中的4 160家企业的数据。F分数模型中加入了现金流量这一自变量,现金流量的计算是长期投资决策中所用到的营业现金流量,等于税后净利润加上折旧,这里暗含非付现费用只有折旧。基于Donalson理论,F分数模型同样选取了5个财务比率,与Z值模型不同的是X3和X5这两个变量,其中X3是一个现金流量变量,X3=(税后净利润+折旧)/平均负债,它用来衡量企业使用全部现金流偿还债务的能力;X5=(税后净利润+利息+折旧)/平均资产,它测量了企业的资产创造现金流的能力。F分数模型为:F=-0.1774+

1.1091X1+0.1074 X2+1.9271X3+0.0302X4+0.4961X5。F分数模型测算的临界值为0.0274,如果F

二、Logit模型

Logit模型又被称为评定模型、分类评定模型和逻辑回归模型,建立的基础是累计概率函数,目标是寻找观察对象的条件概率,据此判断观察对象的财务状况和经营风险。Logit模型是一个非线性模型,曲线呈S型或倒S型,模型公式为:

lnP/1-P=αβiXi,其中,P是在因素(X1,X2,…,Xm)的影响下企业发生财务危机的概率,0≤P≤1;1-P是企业不发生财务危机的概率;Xi(i=1,2,…,m)是影响财务危机的第i个因素;αi,βi(i=1,2…,m)是待估计参数。然后利用最大似然估计法估计参数。判别规则是:取0.5作为概率的临界值,将样本数据代入回归方程后,如果P>0.5,表明其也发生财务危机的概率较大,否则,判断企业财务正常。

Ohlson(1980)第一个采用Logit方法进行破产预测,使用9个自变量,估计了三个模型,分析了样本公司在破产概率区间上的分布以及两类判别错误和分割点的关系。他发现至少有四类显著影响公司破产概率的变量:公司规模、资本结构、业绩和当前资产的变现能力。继Ohlson之后,Gentry,Newbold and Whitford(1985);Casey and Bartczak(1985);Zavgren(1985)也采用类似的方法进行研究。程涛(2002)以1998―2000年被ST的A股上市公司为研究样本,运用时间序列回归和Logit回归方法,从财务指标角度和现金流量角度分别构建预警模型,并在此基础上构建综合预警模型。姜秀华(2001)、吴世农、卢贤义(2001)、李华中(2001)等也采用类似的方法进行了研究。

同一元判别模型相比,Logit模型信息含量大,解释能力强,并且不容易发生冲突。此模型最大的优点在于克服了多元判别模型要求变量服从正态分布并且分组样本间的协方差相等的局限性。但是,Logit模型是建立在累计概率函数的基础之上,同样要求各个自变量之间不存在多重共线性。而且,运用Logit模型在计算过程中有许多的近似处理,这会影响预测精度。

三、人工神经网络模型

人工神经网络(Artificial Neural Networks)建构理念植根于人类对大脑神经网络认识,人工构造一种神经网络以实现某种功能,最为广泛使用的是反向传播人工神经网络,即BP网络。

Odom and Sharda(1990)是用BP神经网络预测财务困境这一方法的开拓者,其研究是以Altman所构建的五个财务比率为研究变量,使用类神经网络与判别分析作验证比较,结果发现类神经网络具有更佳的预测能力。Tam(1991)通过对人工神经网络(ANN)的模拟,得出神经网络可以应用于财务预警,而且具有较高的预测精度。Koh and Tan在1999年以6个财务指标为研究变量作了类似的研究,认为类神经网络模型的预测效果优于Probit模型。杨保安等(2002)采用ANN模型进行财务危机预警研究,结果表明:样本的实际输出和期望输出较为接近,显示出神经网络是进行财务评估的一种很好的应用工具。柳炳祥、盛昭翰(2002)分析了评价财务危机的指标体系、财务危机等级的划分和基于粗神经网络的财务预警方法,并用一个预警实例进行了验证。

已有的研究表明,人工神经网络具有较好的模式识别能力,而且它具有容错能力,对数据的分布不做严格要求,能够处理有噪声和不完全的数据,误差小,建模更科学,克服了传统统计方法的限制。更为重要的是人工神经网络具有学习能力,可依据新的数据资料自我学习、训练,调整内部的储存权重参数以应对多变的企业运作环境。

四、对已有模型的述评

可以看出,已有的很多模型构筑精巧,使用了很多量化技术,但也产生了一个问题,模型的应用性和可操作性较差,模型在使用中受到样本选择范围和选择时间的限制,模型成立的前提条件也较苛刻,模型中所涉及变量的选择也缺乏理论支持,更多的是凭“通用性”和经验。因此,我们认为,财务危机预警分析需要考虑诸多方面的因素,除了关注模型的设计外,还应该加强财务比率的设计和选择,积极探索将非量化因素引入财务危机预警指标体系。同时,财务危机预警模型必须以大量的真实信息为基础,因此,应加强信息管理,建立使用信息和分析信息的合理机制,进一步增强财务信息的有用性。

参考文献:

[1]A1tman E.I,“Financial Ratios,Discriminant Analysis,and the Prediction of Bankruptcy”,Journal of Finance[J].September 1968.

[2]Tam and Kiang,“Predicting Bank Failures:A Neural Network Approach”,Management Science[J].1992,8:926-947.

第3篇

*ST国祥成立于1993年，公司全称为浙江国祥制冷工业股份有限公司，是首个在大陆A股上市的台资企业。注册资本145，324，675，法人代表王学文。公司的主要产品为螺杆式冷水机组、风冷式冷热水机组、组合式空调机组、风机盘管机组。

2009年9月*ST国祥实现了资产重组，河北地产开发商华夏幸福基业股份有限公司成功注入旗下房地产开发企业，实现了地产资产整体借壳上市。浙江国祥制冷工业股份有限公司因其2007年和2008年连续两个会计年度的审计结果显示的净利润均为负值，根据《上海证券交易所股票上市规则》的有关规定，公司股票自2009年5月4日起被上海证券交易所实行退市风险警示的特别处理，公司简称变更为“*ST 国祥”。

公司经审计的2009年财务报告显示2009年度归属于上市公司股东的净利润为7，465，255.23元，归属于上市公司股东的扣除非经常性损益后的净利润为-3，037，420.57元。公司于2010年4月30日向上海证券交易所提交申请撤销退市风险警示及实施其他特别处理的报告，若得到核准，公司股票简称将变更为“ST 国祥”。

由于各国对财务失败的界定不一致，而我国主要把上市公司ST作为财务失败的标志，这也是选择*ST国祥作为样本的原因。本文中的财务数据均由企业2009年财务报告得出。

二、基于z-score财务预警模型的财务危机分析

所谓的财务预警分析，是通过对企业财务报表及相关经营资料的分析，利用及时的财务数据和相应的数据化管理方式，预先告知企业所面临的危险情况，同时分析企业发生财务危机的原因，发现企业财务运营体系隐藏的问题，及时做好防范措施的财务分析系统。

其一，预警模型的建立。z-score模型又称多元线性判定模型（Multivariate discriminant model），是美国学者奥特曼（Edward Altman）以1946年至1965 年期间提出破产申请的33 家公司和相对应的33 家非破产公司作为样本，用其财务比率拟合出的一个多元线性函数方程。

z-score模型是一种运用多变量思路建立多元线性函数公式，即运用多种财务指标加权汇总产生的总判别值（即Z值）来预测财务危机。

上市公司Z-Score 模型判别函数为：

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

X1=营运资金/ 资产总额，X2=留存收益/ 资产总额，X3=息税前利润/ 资产总额，X4=股东权益的市场价值总额/ 负债的账面价值总额，X5= 销售收人/ 资产总额。基于*ST国祥2009年的财务数据分别得出结果如表1所示：

得出z=0.673903。

运用Z值模型计算出数据的几点说明：

一是营运资金由流动资产减去流动负债得出；

二是息税前利润计算中所需的利息费用由财务费用代替；

三是股东权益的市场价值由该公司2010年6月11日的股票收盘价乘以发行在外的股票数得出。

奥特曼通过对Z- Score 模型的研究分析得出Z值的如下定量判断临界值：1.8以下存在严重财务危机，破产机率很高；1.8~2.8以下存在一定的财务危机，破产机率；2.8~3.0 以下存在某些财务隐患，解决不好有破产可能；3.0 以上财务状况良好，无破产可能。

虽然Z值模型运用到我国上市公司存在一定的局限性，Z值模型计算的数字对我国上市公司来说可能过于偏激，如一些业绩良好的上市公司的Z值仍然在临界值上界之下，但此模型仍能起到一定的财务警示作用，从上述临界值可以看出*ST国祥存在财务危机。

其二，基于财务预警模型的财务危机分析。从上述Z值模型的计算可以看出该公司存在严重的财务危机。从实际情况来看，该公司2007、2008年净利润均为负值，被上交所给予ST处理。2009年营业利润仍为负值，但通过处置大量的固定资产，使得利润总额达到正值从而避免退市的风险。

（1）利润贡献因素分析。由于面临退市的风险，企业有必要采取措施实现利润为正值，因此需对企业利润表各项目进行分析，得出其对企业利润总额的贡献比例，并由此找出企业实现利润的途径。根据该企业2009年与同行业领先企业TCL集团股份有限公司利润表得出表2所示数据：

表2反映的是利润表各项目对利润总额（不考虑所得税因素）的贡献水平，通过与同行业业绩良好的企业的比较可以看出企业在获取利润方面的优势和不足，从而加深企业对自身的认识，并采取改进措施。

第一列表示毛利对利润总额的贡献。国祥的毛利对利润总额的贡献是4.45倍，而TCL是将近7倍，说明国祥主营业务对企业利润的贡献有限，这可以归因于该行业竞争激烈，大企业拥有品牌价值和消费者忠诚度优势，因此国祥应该加强自身品牌建设，提高品牌知名度，加大企业创新投入，让产品更满足消费者需求，尤其是消费者的个性化需求。提高主营业务的盈利水平是提高企业利润水平的根本途径。

第二列表示企业费用的控制，从上表可以看出，国祥对企业费用的控制比较好，同时从财务报表得出，国祥的主营业务成本率比TCL低了3%，说明企业在成本费用控制方面占优势，企业应该发挥此方面的优势，但是成本控制一定要以质量为前提。

第三列是非经营损益对利润的贡献。从上表可以看出TCL的非经营性净损益是国祥的5倍，2009年财务报表中反映的国祥的投资收益只有处置长期股权投资净收益13万。在企业主营业务呈下降趋势的情况下，国祥没有积极的拓宽收入来源，做出很好的投资决策，良好的投资决策也是企业扭亏为盈的关键。

第四列是营业外净损益对利润总额的贡献。由上表可以看出，2009年度企业的营业外净收益异常多，且本年度的营业外净收益主要是通过处置企业的固定资产实现的，这也是企业2009年度净利润呈现正值的主要原因。企业2007、2008年净利润均为负值，为避免停牌的风险，企业有必要扭亏为盈。但是营业外收益并不是企业利润的主要来源，处置固定资产也不是企业实现利润为正的长久之计，因此企业有必要按照根据第一列得出的结论增强企业的实力，使企业彻底的扭亏为盈。

（2）行业因素分析。从“完全竞争”行业到“完全垄断”行业，企业竞争程度依次递减，财务风险的程度亦依次递减，即竞争性越强财务风险越大。本企业处于家电行业，该行业竞争比较激烈，形成了企业容易产生财务风险的大环境。该企业2009年营业总收入比2008年减少40%，而且在家电行业原材料（如钢铁）价格上涨的情况（从财务报告得出）也促成了企业财务危机的发生。

（3）企业创新因素。由于家电行业处于行业生命周期的成熟期，市场基本饱和。企业必须加强创新，才能使企业的产品利于不败之地，而且在市场基本饱和的情况下也只有通过创新才能吸引消费者的注意，给企业创造收益。但是从企业资产负债表可以看出企业2009年无形资产有减无增，没有发生开发支出，而作为行业领先企业的TCL集团股份有限公司2009年开发支出占非流动资产总额的比例为7%。因此，企业有必要加强构建无形资产的支出，增强企业产品的竞争力。

（4）投资决策因素。从2009年财务报表附注可以看出，企业2008年权益法核算的长期股权投资收益-22万元，处置长期股权投资产生的投资收益-129万元，而本期处置长期股权投资产生的投资收益仅为13万元。企业投资失败导致了企业的营业利润变为负值，从而净利润为负值，形成了累计效应。因此，企业投资要把握好投资方向，寻找好的投资企业，否则不但给企业带来负担而且可能把企业的主业拖垮，使企业得不偿失。

综上所述，根据财务预警警兆研究得出，该企业处于财务风险的“潜伏期”，因此通过对导致企业财务问题的上述因素的有效管理，企业是可以走出危机的。

三、结论

所有企业而并非仅限于ST企业都有必要建立财务预警模型对其财务状况进行检测，并及时发现存在的财务问题，提高企业财务管理的质量。通过对企业财务预警模型的建立及企业财务问题的分析对企业的财务危机进行事前控制，增强企业化解危机的主动性，减少发生严重财务危机甚至破产的可能性。