李莉

【摘要】財(cái)務(wù)預(yù)警是企業(yè)財(cái)務(wù)管理中的重要組成部分，本文將企業(yè)財(cái)務(wù)預(yù)警中的定量模型分為判別分析模型、條件概率模型、人工智能模型和集成優(yōu)化模型四大類進(jìn)行研究現(xiàn)狀評(píng)述，并提出應(yīng)該注重集成優(yōu)化模型的開發(fā)與應(yīng)用。

【關(guān)鍵詞】財(cái)務(wù)危機(jī)；財(cái)務(wù)預(yù)警；定量模型

【中圖分類號(hào)】F275

企業(yè)財(cái)務(wù)預(yù)警即財(cái)務(wù)危機(jī)預(yù)警，指的是以企業(yè)的日常財(cái)務(wù)運(yùn)行情況為依據(jù)，通過選取合適的財(cái)務(wù)指標(biāo)來(lái)構(gòu)建數(shù)理模型對(duì)其財(cái)務(wù)危機(jī)發(fā)生的可能性進(jìn)行研究的過程。有效的財(cái)務(wù)預(yù)警能夠及時(shí)發(fā)現(xiàn)企業(yè)存在潛在風(fēng)險(xiǎn)，從而為企業(yè)管理者提供決策依據(jù)，及時(shí)規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)。財(cái)務(wù)預(yù)警的靈敏度越高，就能夠越早地發(fā)現(xiàn)并解決存在的問題，財(cái)務(wù)預(yù)警模型研究已經(jīng)成為企業(yè)財(cái)務(wù)管理中不可或缺的一部分。

從形成機(jī)理來(lái)看，企業(yè)財(cái)務(wù)危機(jī)的產(chǎn)生是一個(gè)累積變化的動(dòng)態(tài)過程，因此，建立財(cái)務(wù)預(yù)警模型是可行的。預(yù)警過程是將預(yù)警樣本進(jìn)行識(shí)別并分類的一個(gè)過程，構(gòu)建財(cái)務(wù)預(yù)警模型的關(guān)鍵在于建立合適的指標(biāo)體系和選擇恰當(dāng)?shù)哪Ｐ头椒?。企業(yè)財(cái)務(wù)預(yù)警的模型方法可以分為定性方法和定量方法，定性分析方法主要有財(cái)務(wù)風(fēng)險(xiǎn)分析調(diào)查法、財(cái)務(wù)危機(jī)四階段分析法和管理評(píng)分法三種。定性分析方法客觀、易懂，但也存在準(zhǔn)確性不足的問題，目前大多數(shù)實(shí)證研究都是基于定量分析方法進(jìn)行的。對(duì)于企業(yè)財(cái)務(wù)預(yù)警定量模型方法分類，本文分為判別分析模型、條件概率模型、人工智能模型和集成優(yōu)化模型四大類，模型方法具體細(xì)分結(jié)果見圖1。

本文對(duì)企業(yè)財(cái)務(wù)預(yù)警定量模型研究現(xiàn)狀進(jìn)行評(píng)述，對(duì)財(cái)務(wù)預(yù)警定量模型進(jìn)行較為準(zhǔn)確的分類，旨在更清晰地呈現(xiàn)出其研究的演變過程，加深對(duì)研究框架結(jié)構(gòu)的理解，并在此基礎(chǔ)上充分挖掘今后的研究擴(kuò)展方向，推動(dòng)企業(yè)財(cái)務(wù)預(yù)警定量模型的理論及應(yīng)用研究。

一、判別分析模型

判別分析模型是一種對(duì)研究對(duì)象屬性進(jìn)行判別的分析方法，首先根據(jù)已知樣本數(shù)據(jù)建立判別函數(shù)，然后檢驗(yàn)新樣本指標(biāo)數(shù)據(jù)與已知樣本的差異性，由此確定新樣本屬于哪種樣本類別。其中，判別分析模型可以分為單變量和多變量?jī)煞N。

（一）單變量判別模型

P. Fitzpatrick是最早研究財(cái)務(wù)預(yù)警的學(xué)者之一，其在1932年發(fā)表的一篇論文中首次運(yùn)用單一財(cái)務(wù)比率指標(biāo)進(jìn)行判別分析，研究發(fā)現(xiàn)，破產(chǎn)企業(yè)與正常企業(yè)之間的財(cái)務(wù)比率數(shù)據(jù)具有明顯的差異，并指出凈利潤(rùn)/股東權(quán)益和股東權(quán)益/負(fù)債這兩個(gè)財(cái)務(wù)比率指標(biāo)能夠在一定程度上預(yù)測(cè)企業(yè)的發(fā)展未來(lái)。之后，美國(guó)學(xué)者威廉比弗使用單變量判別模型對(duì)企業(yè)財(cái)務(wù)預(yù)警進(jìn)行的研究最具影響力。威廉比弗（1966）首先隨機(jī)選取危機(jī)企業(yè)和與其所屬行業(yè)、資產(chǎn)規(guī)模類似的正常企業(yè)，共得到158個(gè)樣本企業(yè)；然后，選取30個(gè)財(cái)務(wù)比率指標(biāo)作為模型的基本變量；最后，運(yùn)用配對(duì)樣本法分析建立模型的判別能力。研究結(jié)果表明，對(duì)企業(yè)危機(jī)判別能力最好的財(cái)務(wù)比率指標(biāo)是債務(wù)現(xiàn)金保障率，其表示現(xiàn)金流量與總負(fù)債的比值；其次為資產(chǎn)負(fù)債率指標(biāo)，表示的是總負(fù)債與總資產(chǎn)的比值。

威廉比弗的研究簡(jiǎn)單易懂且具有不錯(cuò)的預(yù)測(cè)能力，為財(cái)務(wù)預(yù)警實(shí)證研究提供了理論基礎(chǔ)，也為后續(xù)的研究提供了拓展思路。不過在比弗提出財(cái)務(wù)預(yù)警的單變量判別模型后，運(yùn)用該種方法進(jìn)行實(shí)證研究的成果并不多，主要在于該種方法存在一定的缺陷。第一，單一財(cái)務(wù)比率指標(biāo)無(wú)法全面描述整體情況，不能完全掌握企業(yè)的財(cái)務(wù)狀況；第二，不同的財(cái)務(wù)比率指標(biāo)用于同一企業(yè)可能會(huì)出現(xiàn)相互矛盾的結(jié)果，造成結(jié)論的判斷困難；第三，該模型只考慮到變量的集中趨勢(shì)程度而忽略了離散變異程度，同時(shí)還未考察變量之間的相關(guān)關(guān)系。

（二）多變量判別模型

鑒于單變量判別模型存在的種種缺陷，為了提出更好的財(cái)務(wù)預(yù)警模型，20世紀(jì)60年代起多變量判別模型便得到了迅猛發(fā)展，其中以美國(guó)紐約大學(xué)Edward Altman教授的研究成果最為突出。

Altman（1968）基于差異分析方法，對(duì)選取的33家破產(chǎn)公司和33家正常公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行配對(duì)抽樣，建立了5個(gè)變量的多變量財(cái)務(wù)預(yù)警模型，模型表達(dá)式為：

該模型被稱為Z計(jì)分模型。其中，模型變量依次代表企業(yè)的流動(dòng)能力、獲利能力、財(cái)務(wù)杠桿、償債能力和資產(chǎn)周轉(zhuǎn)能力。Altman研究指出，模型Z值越小，那么企業(yè)出現(xiàn)財(cái)務(wù)危機(jī)的可能性就越高；當(dāng)Z值小于1.81時(shí)，表明企業(yè)財(cái)務(wù)狀況糟糕，破產(chǎn)的可能性很大；當(dāng)Z值大于2.99時(shí)，表明企業(yè)財(cái)務(wù)狀況良好，破產(chǎn)的可能性較??；當(dāng)Z值在兩者之間時(shí)，表明企業(yè)財(cái)務(wù)狀況不穩(wěn)定，處于灰色地帶。

Z計(jì)分模型適用于上市公司的財(cái)務(wù)預(yù)警研究，為了擴(kuò)展Z計(jì)分模型的應(yīng)用領(lǐng)域，Altman（1977）基于Z計(jì)分模型先后提出了針對(duì)非上市公司的Z′財(cái)務(wù)預(yù)警模型和跨行業(yè)的ZETA財(cái)務(wù)預(yù)警模型。我國(guó)學(xué)者周首華等（1996）考慮到Z計(jì)分模型沒有充分考慮現(xiàn)金流量變動(dòng)等情況，提出了F分?jǐn)?shù)模型。楊淑娥等（2003）在Z計(jì)分模型的基礎(chǔ)上，運(yùn)用主成分分析方法，提出了適用于我國(guó)的企業(yè)財(cái)務(wù)預(yù)警模型Y分?jǐn)?shù)模型。

從相關(guān)的理論及實(shí)證研究中可以看出，多變量判別模型較單變量模型更為科學(xué)準(zhǔn)確，同時(shí)客觀性、綜合性較強(qiáng)，因此在財(cái)務(wù)預(yù)警研究中應(yīng)用較為廣泛。不過，在應(yīng)用多變量判別模型時(shí)對(duì)數(shù)據(jù)的統(tǒng)計(jì)分布具有很高的要求，樣本指標(biāo)數(shù)據(jù)需滿足多元正態(tài)分布，且兩樣本的協(xié)方差矩陣要相等，這在很大程度上會(huì)限制模型的準(zhǔn)確性和適用性。

二、條件概率模型

由于多變量判別模型存在數(shù)據(jù)的強(qiáng)限制性，而條件概率模型的建模條件較為寬松，在二十世紀(jì)八十年代后，條件概率模型逐漸取代多元判別模型成為財(cái)務(wù)預(yù)警研究的主流模型，其主要包括Logistic回歸模型和Probit回歸模型。

（一）Logistic回歸預(yù)警模型

Logistic回歸模型是一種非線性的回歸模型，其最早始于生物學(xué)中果蠅的繁殖研究，如今被廣泛應(yīng)用到經(jīng)濟(jì)等領(lǐng)域中。相比于線性概率模型，Logistic回歸模型的概率分布在0～1之間，而不再是0或者1的確定值，其模型的數(shù)學(xué)表達(dá)式為：

其中，a為待解參數(shù)，x為財(cái)務(wù)指標(biāo)，p為發(fā)生財(cái)務(wù)危機(jī)的概率。

Martin（1997）首次在財(cái)務(wù)危機(jī)研究領(lǐng)域引進(jìn)Logistic回歸模型，通過選擇6個(gè)財(cái)務(wù)比率指標(biāo)和58個(gè)研究樣本，構(gòu)建了銀行財(cái)務(wù)危機(jī)預(yù)測(cè)的Logistic回歸模型。研究發(fā)現(xiàn)，Logistic回歸模型比Z計(jì)分模型和ZETA模型預(yù)警性能更好。1980年由Ohlson提出的Logistic回歸財(cái)務(wù)預(yù)警模型引用最為廣泛，通過選取工業(yè)上市公司作為樣本進(jìn)行研究。結(jié)果表明，Logistic回歸模型對(duì)財(cái)務(wù)預(yù)警的預(yù)測(cè)準(zhǔn)確度達(dá)到了96.12%，同時(shí)證明了虛擬指標(biāo)的適用性。在此之后，諸多學(xué)者利用Logistic回歸模型研究財(cái)務(wù)預(yù)警問題。宋鵬等（2009）為了增強(qiáng)研究的適用性，基于Logistic模型對(duì)我國(guó)A股上市公司財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。劉秀琴等（2016）則利用Logistic模型對(duì)中小板上市公司的財(cái)務(wù)預(yù)警進(jìn)行了預(yù)測(cè)分析。

（二）Probit回歸預(yù)警模型

Probit回歸模型形式與Logistic回歸相似，都適用于研究二分變量的回歸問題，因此被廣泛運(yùn)用到財(cái)務(wù)危機(jī)預(yù)警研究中。

Zmijewski于1984年首次將Probit回歸模型應(yīng)用到企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)研究中，用于分析研究樣本的不同對(duì)結(jié)果的影響，結(jié)果表明，雙變量Probit回歸模型能有效降低偏差效果。白承彪（2010）為了對(duì)滬深兩市制造業(yè)的企業(yè)財(cái)務(wù)狀況進(jìn)行研究，分別構(gòu)建了Logistic和Probit回歸模型進(jìn)行了研究，通過對(duì)比發(fā)現(xiàn)，Logistic模型效果優(yōu)于Probit模型。張妍妍等（2011）選取7個(gè)財(cái)務(wù)指標(biāo)，運(yùn)用Probit模型對(duì)我國(guó)上市公司的退市風(fēng)險(xiǎn)進(jìn)行預(yù)警研究。蔣亞奇（2014）構(gòu)建了最有效的多元Probit回歸模型對(duì)旅游行業(yè)上市公司財(cái)務(wù)預(yù)警進(jìn)行分析，結(jié)果表明預(yù)警分析是正確有效的。由于Probit回歸模型用于財(cái)務(wù)預(yù)警研究時(shí)性能并未得到很好地改善，且使用過程相對(duì)復(fù)雜，因此在財(cái)務(wù)預(yù)警中的理論及應(yīng)用研究相對(duì)有限。

Logistic回歸模型與Probit回歸模型都是基于概率函數(shù)建立的，模型是利用最大似然估計(jì)求解出參數(shù)。其優(yōu)點(diǎn)在于克服了傳統(tǒng)判別分析對(duì)數(shù)據(jù)的強(qiáng)限制性，使得實(shí)用性大大提升。不過，此類模型也存在一定的局限性，首先模型樣本數(shù)一般要求200個(gè)以上為宜，另外模型自變量的多重共線性較為敏感。

三、人工智能模型

國(guó)內(nèi)外諸多學(xué)者應(yīng)用判別分析模型和條件概率模型對(duì)企業(yè)財(cái)務(wù)預(yù)警進(jìn)行應(yīng)用研究，但是這些模型有時(shí)在面對(duì)復(fù)雜的現(xiàn)實(shí)情況時(shí)預(yù)測(cè)效果并不理想，且無(wú)法進(jìn)行自學(xué)習(xí)過程。隨著經(jīng)濟(jì)的迅速發(fā)展以及計(jì)算機(jī)運(yùn)行速度的提升，越來(lái)越多的研究不再局限于傳統(tǒng)方法，而紛紛引進(jìn)人工模型用于風(fēng)險(xiǎn)預(yù)警預(yù)測(cè)研究，這些方法主要包括神經(jīng)網(wǎng)絡(luò)模型和智能信息處理模型等。

（一）神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是一種新型智能計(jì)算方法，是由大量簡(jiǎn)單的神經(jīng)元廣泛地互相連接而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)模型具有優(yōu)良的非線性映射能力，能夠避開復(fù)雜的參數(shù)估計(jì)過程而通過自學(xué)習(xí)過程自動(dòng)擬合樣本數(shù)據(jù)的發(fā)展規(guī)律函數(shù)，因此能夠處理一系列無(wú)法用精確函數(shù)表達(dá)出的分類及預(yù)測(cè)問題。大量的研究及實(shí)踐表明，在建立的模型合理的情況下，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能會(huì)優(yōu)于其他一些的傳統(tǒng)預(yù)測(cè)方法。鑒于神經(jīng)網(wǎng)絡(luò)模型強(qiáng)大的非線性擬合和自我學(xué)習(xí)能力，許多財(cái)務(wù)預(yù)警研究嘗試采用神經(jīng)網(wǎng)絡(luò)技術(shù)，常用有BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（SVM）、Hopfield神經(jīng)網(wǎng)絡(luò)等。

Odom于1990年首次將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到財(cái)務(wù)預(yù)警中，利用Altman構(gòu)建的5個(gè)財(cái)務(wù)比率指標(biāo)作為模型的輸入變量，并分析分成學(xué)習(xí)與測(cè)試樣本兩部分進(jìn)行研究。仿真結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型的精準(zhǔn)度達(dá)到了81.18%，優(yōu)于判別分析模型?；菔夭┑龋?006）提出了一種基于支持向量機(jī)（SVM）神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型，研究結(jié)果發(fā)現(xiàn)，該模型的預(yù)測(cè)精度為87%，較BP神經(jīng)網(wǎng)絡(luò)及判別分析模型有很大提升。楊旸（2016）以滬深A(yù)股企業(yè)為研究樣本，對(duì)離散Hopfield神經(jīng)網(wǎng)絡(luò)用于財(cái)務(wù)預(yù)警的步驟進(jìn)行了詳細(xì)介紹，并表明了模型預(yù)測(cè)的穩(wěn)健性。

神經(jīng)網(wǎng)絡(luò)模型無(wú)須考慮指標(biāo)數(shù)據(jù)的統(tǒng)計(jì)分布情況及多重共線性問題，通過樣本訓(xùn)練學(xué)習(xí)便能夠進(jìn)行很好的應(yīng)用。不過，在利用神經(jīng)網(wǎng)絡(luò)模型研究財(cái)務(wù)預(yù)警時(shí)，要選取大量的訓(xùn)練樣本數(shù)據(jù)，同時(shí)還需注意模型的參數(shù)設(shè)置、過擬合等問題。

（二）智能信息處理模型

智能信息處理模型隨著計(jì)算機(jī)技術(shù)的發(fā)展在財(cái)務(wù)預(yù)警研究中也得到了廣泛應(yīng)用，主要應(yīng)用有案例推理模型和粗糙集理論等。

案例推理（CBR）是人工智能領(lǐng)域中一種有效的信息化推理模型，其實(shí)質(zhì)上是一種動(dòng)態(tài)非統(tǒng)計(jì)的類比推理方法，能夠在復(fù)雜環(huán)境中尋找解決方法并進(jìn)行決策。應(yīng)用到財(cái)務(wù)預(yù)警研究中主要分為表示與組織案例、索引與檢索案例、調(diào)整案例和案例的學(xué)習(xí)幾個(gè)步驟，Bryant在1997年首次對(duì)案例推理模型在財(cái)務(wù)預(yù)警中的應(yīng)用進(jìn)行了介紹。粗糙集理論是一種處理信息不完備性和不確定性的數(shù)學(xué)方法，該方法僅根據(jù)數(shù)據(jù)本身進(jìn)行處理得到知識(shí)約簡(jiǎn)，而無(wú)需其他先驗(yàn)信息便可在模糊信息中挖掘出隱含知識(shí)，研究出其內(nèi)在發(fā)展規(guī)律。劉新允（2007）將財(cái)務(wù)指標(biāo)作為模型的條件屬性，企業(yè)狀態(tài)作為模型決策屬性，構(gòu)建了基于粗糙集的財(cái)務(wù)預(yù)警模型。

四、集成優(yōu)化模型

為了改善已有模型在企業(yè)財(cái)務(wù)預(yù)警中的預(yù)測(cè)精度，二十一世紀(jì)以來(lái)，諸多專家學(xué)者都相繼提出一些集成優(yōu)化財(cái)務(wù)預(yù)警模型，以期解決現(xiàn)有單一模型方法的某種應(yīng)用上的局限。目前，主要對(duì)邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化改善研究最多。

（一）邏輯回歸優(yōu)化模型

劉彥文等（2007）認(rèn)為傳統(tǒng)研究將上市公司分為財(cái)務(wù)困境和非財(cái)務(wù)困境僅兩種情況是不合理的，文章提出將公司分為財(cái)務(wù)困境、財(cái)務(wù)狀況不穩(wěn)定以及財(cái)務(wù)良好的三類分法，并構(gòu)建了三元Logistic的財(cái)務(wù)困境預(yù)警模型。李建中（2010）考慮到Logistic模型用于財(cái)務(wù)預(yù)警時(shí)，財(cái)務(wù)指標(biāo)非常多而且之間會(huì)存在多重共線性，而自變量的多重共線性會(huì)造成回歸模型的估計(jì)產(chǎn)生偏差。因此，文章首先利用因子分析消除指標(biāo)的共線性，再在此基礎(chǔ)上建立房地產(chǎn)上市公司財(cái)務(wù)預(yù)警的Logistic模型。劉遵雄等（2012）為了解決邏輯回歸模型存在的過擬合情況，提出利用平滑削邊絕對(duì)偏離懲罰邏輯回歸模型并構(gòu)建財(cái)務(wù)預(yù)警模型。通過實(shí)證表明，所建優(yōu)化模型具有很高的分類預(yù)測(cè)能力，模型解釋性能好。梁琪等（2014）認(rèn)為L(zhǎng)ogistic模型是財(cái)務(wù)預(yù)警研究的主流方法，但是該方法采用極大似然估計(jì)使得模型之外的因素對(duì)財(cái)務(wù)狀況的影響作用無(wú)法進(jìn)行控制。為此，作者提出了截面數(shù)據(jù)的隨機(jī)效應(yīng)Logistic模型對(duì)滬深兩市中小上市企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行實(shí)證分析，結(jié)果表明此模型具有一定的參考價(jià)值。

根據(jù)以上對(duì)邏輯回歸模型進(jìn)行的優(yōu)化研究可以知道，Logistic模型在財(cái)務(wù)預(yù)警研究中應(yīng)用廣泛，不過也存在一定的應(yīng)用局限性，這需要我們根據(jù)實(shí)際研究問題對(duì)Logistic模型進(jìn)行進(jìn)一步的優(yōu)化研究。

（二）神經(jīng)網(wǎng)絡(luò)優(yōu)化模型

李賀等（2006）提出將主成分分析（PCA）與支持向量機(jī)（SVM）進(jìn)行結(jié)合，實(shí)現(xiàn)企業(yè)的財(cái)務(wù)危機(jī)預(yù)警研究。在利用SVM模型進(jìn)行模式識(shí)別前，利用PCA方法解決財(cái)務(wù)指標(biāo)的冗余與共線問題實(shí)現(xiàn)指標(biāo)結(jié)構(gòu)優(yōu)化。此模型能夠很好地適用于小樣本數(shù)據(jù)，同時(shí)對(duì)企業(yè)財(cái)務(wù)狀況的預(yù)測(cè)精度也遠(yuǎn)高于BP神經(jīng)網(wǎng)絡(luò)模型等。趙冠華等（2011）指出SVM模型用于財(cái)務(wù)預(yù)警時(shí)，模型的參數(shù)求解過程十分繁瑣，因此引進(jìn)更易求解、判別效果更好的最小二乘支持向量機(jī)（LS-SVM）模型，再進(jìn)一步利用遺傳算法對(duì)LS-SVM模型進(jìn)行參數(shù)優(yōu)化。王新利等（2011）構(gòu)建了基于偏最小二乘BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)上市公司財(cái)務(wù)預(yù)警模型，文章利用偏最小二乘法對(duì)模型中的財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行篩選使數(shù)據(jù)降低維度。將偏最小二乘與神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合，能夠克服指標(biāo)間的多重共線性，同時(shí)可以改善神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果。倪志偉等（2014）認(rèn)為，在進(jìn)行企業(yè)財(cái)務(wù)預(yù)警時(shí)應(yīng)該選取足夠多的指標(biāo)來(lái)呈現(xiàn)出企業(yè)財(cái)務(wù)狀況，但是過多的指標(biāo)形成的高維數(shù)據(jù)會(huì)使模型變得復(fù)雜化。文章嘗試引進(jìn)流形學(xué)習(xí)算法將財(cái)務(wù)高維數(shù)據(jù)映射到低維空間中，再利用多核SVM能夠處理不平坦數(shù)據(jù)的特點(diǎn)，建立了流形學(xué)習(xí)算法多核SVM的財(cái)務(wù)預(yù)警模型。

綜上所述，神經(jīng)網(wǎng)絡(luò)模型作為目前財(cái)務(wù)預(yù)警研究領(lǐng)域中最為主流的模型，具有強(qiáng)大的自學(xué)習(xí)、自適應(yīng)能力以及良好的容錯(cuò)性，不過也易出現(xiàn)陷入局部最小、泛化能力差等問題。在用于財(cái)務(wù)預(yù)警研究時(shí)，應(yīng)該從多方面考慮優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)預(yù)測(cè)效果的最優(yōu)化。

五、結(jié)論

財(cái)務(wù)預(yù)警研究已經(jīng)成為企業(yè)財(cái)務(wù)管理中不可或缺的一部分，通過對(duì)企業(yè)財(cái)務(wù)預(yù)警定量模型的研究進(jìn)行回歸和評(píng)述，我們發(fā)現(xiàn)各類定量模型均具優(yōu)缺點(diǎn)。判別分析模型計(jì)算簡(jiǎn)便易操作，但是對(duì)數(shù)據(jù)的統(tǒng)計(jì)分布要求嚴(yán)格；條件概率模型雖然對(duì)數(shù)據(jù)分布不再有要求，不過模型對(duì)指標(biāo)的多重共線性頗為敏感；人工智能模型對(duì)數(shù)據(jù)分布無(wú)要求且模型容錯(cuò)性好，但也存在樣本量不足、泛化能力差等問題；而集成優(yōu)化模型則能夠取長(zhǎng)補(bǔ)短，綜合多種模型方法的優(yōu)勢(shì)，組成新的預(yù)測(cè)效果更好、性能更優(yōu)的財(cái)務(wù)預(yù)警模型。在今后的財(cái)務(wù)預(yù)警定量模型研究中，應(yīng)該更加注重集成優(yōu)化模型的開發(fā)與應(yīng)用。

主要參考文獻(xiàn)：

[1]萬(wàn)如榮，張莉芳，蔣琰.財(cái)務(wù)分析[M].人民郵電出版社，2014.

[2]吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001（6）：46-55.

[3]Fitzpatrick P J.A Comparison of the Ratios of Successful Industrial Enterprises with those of Failed Companies [J].Certified Public Accountant，1932：598-605.

[4]Beaver W H.Financial Ratios As Predictors of Failure[J].Journal of Accounting Research，1966，4（1）： 71-111.

[5]李帆，杜志濤，李玲娟.企業(yè)財(cái)務(wù)預(yù)警模型：理論回顧及其評(píng)論[J].管理評(píng)論，2011，23（9）：144-151.

[6]Altman.E.I.Financial Ratios： Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[7]Altman E I，Haldeman R G，Narayanan P.ZETA Analysis：A new model to identify bankruptcy risk of corporations [J].Journal of Banking & Finance，1977，1（1）：29-54.

[8]周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析——F分?jǐn)?shù)模式[J].會(huì)計(jì)研究，1996（08）：8-11.

[9]楊淑娥，徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究[J].中國(guó)軟科學(xué)，2003（01）：56-60.

[10]Martin D.Early warning of bank failure：A logit regression approach[J].Journal of Banking & Finance，1977，1（3）：249-276.

[11]Ohlson J A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）：109-131.

[12]宋鵬，張信東.基于Logistic模型的上市公司財(cái)務(wù)危機(jī)預(yù)警研究[J].經(jīng)濟(jì)問題，2009（08）：50-52.

[13]劉秀琴，陳藝城，羅軍.基于logistic模型的中小板上市公司財(cái)務(wù)預(yù)警模型構(gòu)建[J].財(cái)會(huì)月刊，2016（36）：85-88.

[14]Zmijewski M E.Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research，1984，22（1）：59-82.

[15]白承彪.Logistic模型與Probit模型用于上市公司財(cái)務(wù)預(yù)警的比較[J].財(cái)會(huì)月刊，2010（33）：65-67.

[16]張妍妍，吳喬.基于Probit模型的中國(guó)上市公司退市風(fēng)險(xiǎn)預(yù)警研究[J].貴州財(cái)經(jīng)學(xué)院學(xué)報(bào)，2011（01）：46-50.

[17]蔣亞奇.基于多元Probit模型的上市旅游公司的財(cái)務(wù)預(yù)警[J].統(tǒng)計(jì)與決策，2014（3）：181-183.

[18]鮑新中，何思婧.企業(yè)財(cái)務(wù)預(yù)警的研究方法及其改進(jìn)——基于文獻(xiàn)綜述[J].南京審計(jì)大學(xué)學(xué)報(bào)，2012，9（5）：60-70.

[19]Odom M，Sharda R.A neural networks model for bankruptcy prediction[R].Proceedings of the IEEE International Conference on Neural Network，1990： 163-168.

[20]惠守博，王文杰.基于支持向量機(jī)的財(cái)務(wù)預(yù)警模型與應(yīng)用研究[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006，27（7）：1183-1186.

[21]楊旸，林輝.基于離散Hopfield網(wǎng)絡(luò)的上市公司財(cái)務(wù)困境預(yù)警研究[J].華東經(jīng)濟(jì)管理，2016，30（12）：156-162.

[22]Bryant S M.A case-based reasoning approach to bankruptcy prediction modeling[J].International Journal of Intelligent Systems in Accounting，F(xiàn)inance and Management，1997，6（3）： 195-214.

[23]劉新允.基于粗糙集理論的財(cái)務(wù)危機(jī)預(yù)警研究[J].中國(guó)管理信息化（會(huì)計(jì)版），2007（10）： 59-61.

[24]劉彥文，戴紅軍.基于三元Logistic的財(cái)務(wù)困境預(yù)警模型實(shí)證研究[J].大連理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2007，28（2）：60-66.

[25]李建中，武鐵梅.基于因子—logistic模型的房地產(chǎn)業(yè)上市公司財(cái)務(wù)預(yù)警分析[J].哈爾濱商業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2010（5）：89-93.

[26]劉遵雄，黃志強(qiáng)，孫清等.SCAD懲罰邏輯回歸的財(cái)務(wù)預(yù)警模型[J].統(tǒng)計(jì)與信息論壇，2012，27（12）：21-26.

[27]梁琪，過新偉，石寧.基于隨機(jī)效應(yīng)logistic模型的中小企業(yè)財(cái)務(wù)失敗預(yù)警研究[J].管理工程學(xué)報(bào)，2014，28（3）：126-134.

[28]李賀，馮天瑾，丁香乾等.企業(yè)財(cái)務(wù)預(yù)警PCA-SVM模型研究[J].計(jì)算機(jī)工程，2006，32（9）：233-235.

[29]趙冠華，李玥，趙娟.基于遺傳算法參數(shù)優(yōu)化的最小二乘支持向量機(jī)財(cái)務(wù)困境預(yù)測(cè)[J].科學(xué)與管理，2011（5）：56-63.

[30]王新利，陳敏.基于偏最小二乘BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警研究——以農(nóng)業(yè)上市公司為例[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2011（11）：122-128.

[31]倪志偉，薛永堅(jiān)，倪麗萍等.基于流形學(xué)習(xí)的多核SVM財(cái)務(wù)預(yù)警方法研究[J].系統(tǒng)工程理論與實(shí)踐，2014，34（10）：2666-2674.