下载文档原格式
基于Z-Score模型的财务困境预测研究随着经济全球化进程的不断加快，企业面临着日益激烈的竞争环境和风险挑战。
在这样的背景下，财务困境预测成为企业管理者和投资者关注的重要问题。
财务困境预测是指利用一定的模型或方法，通过对企业财务数据进行分析，预测企业未来是否会面临财务困境的可能性和程度。
Z-Score模型是一种被广泛应用于财务困境预测的方法，本文将通过对Z-Score模型的原理和应用进行介绍，并利用实际案例进行分析，探讨Z-Score模型在财务困境预测中的应用价值。
一、Z-Score模型原理Z-Score模型是由美国学者Edward I. Altman于1968年提出的，用于预测企业破产的可能性。
该模型通过对企业财务数据进行多元线性回归分析，构建出反映企业偿债能力和盈利能力的综合指标Z值，通过Z值的大小来判断企业是否处于财务困境。
Z-Score模型的计算公式为：Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 + 1.0X5Z-Score模型的应用涉及到企业财务数据的收集、指标计算和Z值预测。
在实际应用中，首先需要对企业的财务数据进行收集和整理，包括资产负债表、利润表、现金流量表等，然后按照Z-Score模型的计算公式对各项指标进行计算，最后得出企业的Z值。
通过比较Z值与相应的临界值，可以判断企业的财务状况，进而进行财务困境的预测和风险评估。
为了验证Z-Score模型在财务困境预测中的应用效果，我们将以某上市公司为例，对其2018年和2019年的财务数据进行分析，并利用Z-Score模型进行财务困境预测。
根据该公司的财务报表数据，我们计算出了其2018年和2019年的Z值如下：| 年份 | X1 | X2 | X3 | X4 | X5 | Z值 || ---- | ---- | ---- | ---- | ---- | ---- | ---- || 2018年 | 0.35 | 0.25 | 0.15 | 2.5 | 0.5 | 3.1 || 2019年 | 0.31 | 0.20 | 0.10 | 2.8 | 0.4 | 2.9 |通过对比2018年和2019年的Z值，我们可以发现该公司的Z值在两年之间有所下降，尤其是在X3和X4指标方面，有较明显的下降趋势。
Z（score模型对我国上市公司财务预警的适用性研究）-哈尔滨工业大学毕业设计(论文)主要方法有聚类分析和判别分析。
我国台湾学者陈昭荣通过研究和检验得到如下金融危机预测模型:y = 0.35 x1+0.67 x2-0.57 x3+0.29 x4+0.55 X5，其中y为判别函数值X1-快速总计/流动负债；X2-营运资本/总资本；X3-固定资本/净资本；X4-应收账款/净销售额；X5-现金流入/现金流出根据该模型，当Y值低于11.5时，企业可能在下一年发生财务危机。
此外，中国学者也对奥特曼的Z分数模型进行了大量的实证研究。
在《中国上市公司财务预警实证研究——基于Z评分模型的分析》一文中，金婷婷以中国72家上市公司为样本，运用实证分析方法，建立了基于Z评分模型的上市公司财务线性判别预警模型。
根据典型线性判别模型，危机企业和健康企业的平均Z值分别为 6.15546和13.13428，因此可以确定分界值为9.19487(6.15546和13.13428的平均值)。
王波运用“Z- score模型在中国上市公司适用性的实证研究”中的实证分析方法，对深圳40家制造企业的经营风险进行了评估，验证了“Z-Score方法”的有效性。
数据显示，奥特曼准则对中国上市公司仍有较好的适用性，但与该准则相比，我国ST公司的Z值相对较低。
本文对Z-score模型在中国上市公司的适用性进行了实证分析，试图寻找一种适合上市公司的预警模型。
梁谋、卞颖在《2 0 0 4 -2 0 0 8年中医药上市公司财务风险实证研究》中，利用Z值模型和上市公司年报数据，对27家中医药上市公司的财务状况进行了分析。
他们指出，企业应根据自身特点采取有针对性的策略来规避财务风险。
王永生和李杰的“Z值预警模型的研究与分析”对Z值预警模型进行了新的研究，考察了模型中各财务比率的权重和不变项。
比较每个模型的预测概率以获得其预测精度。
在此基础上提出了P模型(百分比模型)。
财务困境预测模型比较研究
摘要
企业财务困境预测作为一个重要的管理课题，近期引起了国内外学者及企业界热议。
本文就目前比较流行的财务困境预测模型（即多元线性回归模型、Logit模型、Cox模型和决策树模型）的研究进行梳理，对各模型特点、特征及其实用性进行讨论。
分别从模型的定义、拟合方法以及优势和劣势等几个方面，对这四种模型进行了详细介绍和对比分析。
结果表明，多元线性回归模型在建模准确性方面具有优势，Logit模型具有改变变量指标的灵活性，Cox模型在考虑时间因素方面有更好的表现，而决策树模型在处理复杂问题以及解释结果方面有更大的作用。
从而提出了不同预测模型应用在企业财务困境预测过程中综合参考的建议，以便为企业的财务风险控制提供建议。
关键词：企业财务困境；财务困境预测；多元线性回归模型；Logit 模型；Cox模型；决策树模型
1绪论
企业财务困境预测是检测企业长期经营的风险，及时调整经营方式，有效防范财务风险的一项重要管理课题。
企业财务困境预测的三种研究模型分析-证券投资论文-经济学论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——财务困境(Financial Distress)又称财务危机(FinancialCrisis)、财务失败(Financial Failure)，财务破产(FinancialBankruptcy)只是财务困境的一种极端表现，是最严重的财务困境状态。
企业因财务困境导致破产实际上是一种违约行为，所以财务困境又可称为违约风险(Default Risk) （吴世农和卢贤义，2001）。
自Beaver(1966)使用财务比率来预测企业失败的研究以来，有关企业财务困境预测的研究便成为国内外学者广泛关注的课题。
当前，预测和管理企业财务困境越来越成为企业经营、投资决策和贷款决策的一个重要组成部分(Beaver，Correin McNichols，2011)，股东、债权人以及企业员工都对财务困境或即将破产的风险给予高度的重视。
目前，理论界关于企业财务困境预测的研究基本形成了以下三种主流的方法或模型：基于会计信息的传统模型，以Altman (1968) 的Z-Score 模型为代表；基于未定权益分析(Contingent Claims Analysis，CCA)的模型，该模型视权益为公司资产价值的一项看张期权，如Vassalou Xing(2004)的研究；风险模型(Hazard model)，这种模型同时使用会计和市场数据来预测企业的财务困境，以Shumway(2001)的研究为代表。
这些模型的判别能力常通过以下3 个维度来衡量(Agarwal Taffler，2014)：区分失败和非失败企业的能力；不同模型捕获企业失败或破产的增量信息程度；当失败和非失败企业的误分类成本不同时，模型的绩效表现。
现有研究常在这3个维度间进行比较，并得出了一些有争议的结论。
一、基于会计信息的传统模型基于会计信息的传统模型从上市公司公开披露的财务报表中滤取信息来评估企业陷入财务困境的程度。
中国上市公司的财务困境预测 陈 晓 陈治鸿 清华大学经济管理学院 Ｔｅｌ： （８６１０） ６２７８－９８６３ Ｆａｘ： （８６１０） ６２７８－８１３３ Ｅ－ｍａｉｌ： ｃｈｅｎｘ＠ｅｍ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ 邮编：北京 １０００８４ 修改于２０００年６月９日 中国上市公司的财务困境预测１ 〖摘要〗 预测上市公司的财务困境是投资者、债权人及证券市场监管机构所广泛关注的课题。
本文以因财务状况异常而被特别处理（ＳＴ）作为上市公司陷入财务困境的标志，运用多元逻辑回归模型和可公开获得的财务数据对中国上市公司的财务困境进行了预测。
通过试验１２６０种变量组合，我们发现负债／权益比、应收帐款周转率、主营利润／总资产和留存收益／总资产对上市公司财务困境有着显著的预示效应。
就判别正确率而言，本研究所发现的最优模型能够从上一年ＲＯＥ公告小于 ５％的上市公司中预测出７３．７％的下一年会进入ＳＴ板块的公司，总体正确率为７８．２４％。
〖关键词〗财务困境 预测 逻辑回归 交互检验 正确率 前言 本文以中国上市公司作为研究对象，以因财务状况异常而被列为特别处理公司（ＳＴ公司）作为界定上市公司的财务困境标志，采用多元逻辑回归模型寻找最佳的利用公开财务数据预测中国上市公司财务困境的预测模型和变量。
我们的研究结果表明，尽管只有十年历史的中国资本市场中的会计数据质量不尽人意，但财务数据对投资者预测公司的财务困境仍然很有帮助。
利用前一年报告的财务数据，我们所发现的最优模型能够正确预测出７３．７％的在下一年进入ＳＴ板块的公司，而具有显著解释能力的财务指标则分别为：反应财务杠杆的负债／权益比，反应资产管理能力的应收帐款周转率，反应盈利及回报能力的主营利润／总资产比，以及反应股本扩张能力的留存收益／总资产比。
本文共分为五个部分，第一部分简要回顾了财务困境预测的相关文献，第二部分描述了在中 国的研究背景，第三部分讨论了研究设计和样本采集方法，第四部分给出了估计和预测判别结果，并进行了相应的边际和成本比较分析，第五部分则为本文的结论。
我国上市公司财务困境的预测模型研究内容提要：本文以我国上市公司为研究对象，选取了70家处于财务困境的公司和70家财务正常的公司为样本，首先应用剖面分析和单变量判定分析，研究财务困境出现前5年内各年这二类公司21个财务指标的差异，最后选定6个为预测指标，应用Fisher线性判定分析、多元线性回归分析和Logistic回归分析三种方法，分不建立三种预测财务困境的模型。
研究结果表明：(1)在财务困境发生前2年或1年，有16个财务指标的信息时效性较强，其中净资产酬劳率的判不成功率较高；(2)三种模型均能在财务困境发生前做出相对准确的预测，在财务困境发生前4年的误判率在28％以内；(3)相对同一信息集而言，Logistic预测模型的误判率最低，财务困境发生前1年的误判率仅为6．47％。
一、财务困境预测模型研究的差不多问题财务困境(Financial distress)又称“财务危机”(Financial crisis)，最严峻的财务困境是“企业破产”(Bankruptcy)。
企业因财务困境导致破产实际上是一种违约行为，因此财务困境又可称为“违约风险”(Default risk)。
事实上，企业陷入财务困境是一个逐步的过程，通常从财务正常慢慢进展到财务危机。
实践中，大多数企业的财务困境差不多上由财务状况正常到逐步恶化，最终导致财务困境或破产的。
因此，企业的财务困境不但具有先兆，而且是可预测的。
正确地预测企业财务困境，关于爱护投资者和债权人的利益、关于经营者防范财务危机、关于政府治理部门监控上市公司质量和证券市场风险，都具有重要的现实意义。
纵观财务困境判定和预测模型的研究，涉及到三个差不多问题：一是财务困境的定义；二是预测变量或判定指标的选择；三是计量方法的选择。
(一)财务困境的定义关于财务困境的定义，有不同的观点。
Carmiehael(1972)认为财务困境是企业履行义务时受阻，具体表现为流淌性不足、权益不足、债务拖欠及资金不足四种形式。
Ross等人(1999；2000)则认为可从四个方面定义企业的财务困境：第一，企业失败，即企业清算后仍无力支付债权人的债务；第二，法定破产，即企业和债权人向法院申请企业破产；第三，技术破产，即企业无法按期履行债务合约付息还本；第四，会计破产，即企业的账面净资产出现负数，资不抵债。
从防范财务困境的角度看，“财务困境是指一个企业处于经营性现金流量不足以抵偿现有到期债务”，即技术破产。
在Beaver(1966)的研究中，79家“财务困境公司”包括59家破产公司、16家拖欠优先股股利公司和3家拖欠债务的公司，由此可见，Beaver把破产、拖欠优先股股利、拖欠债务界定为财务困境。
Altman(1968)定义的财务困境是“进入法定破产的企业”。
Deakin(1972)则认为财务困境公司“仅包括差不多经历破产、无力偿债或为债权人利益而差不多进行清算的公司”。
(二)预测变量的选择财务困境预测模型因所用的信息类型不同分为财务指标信息类模型、现金流量信息类模型和市场收益率信息类模型。
1．财务指标信息类模型。
Ahman(1968)等学者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常规的财务指标，如负债比率、流淌比率、净资产收益率和资产周转速度等，作为预测模型的变量进行财务困境预测。
尽管财务指标广泛且有效地应用于财务困境预测模型，但如何选择财务指标及是否存在最佳的财务指标来预测财务困境发生的概率却一直存在分歧。
Harmer(1983)指出被选财务指标的相对独立性能提高模型的预测能力。
Boritz(1991)区分出65个之多的财务指标作为预测变量。
然而，自Z模型(1968)和ZETA模型(1977)发明后，还未出现更好的使用财务指标于预测财务困境的模型。
2．现金流量信息类模型。
现金流量类信息的财务困境预测模型基于一个理财学的差不多原理：公司的价值应等于预期的现金流量的净现值。
假如公司没有足够的现金支付到期债务，而且又无其他途径获得资金时，那么公司最终将破产。
因此，过去和现在的现金流量应能专门好地反映公司的价值和破产概率。
在Gentry，Newbold和Whitford(1985a；1985b)研究的基础上，Aziz、Emanuel和Lawson(1988)进展了现金流量信息预测财务困境模型。
公司的价值来自经营的、政府的、债权人的、股东的现金流量的折现值之和。
他们依照配对的破产公司和非破产公司的数据，发觉在破产前5年内两类公司的经营现金流量均值和现金支付的所得税均值有显著的差异。
显然，这一结果是符合现实的。
破产公司与非破产公司的经营性现金流量会因投资质量和经营效率的差异而不同，二者以现金支付的所得税也会因税收会计的处理差异而不同。
Aziz、Emanuel和Lawson(1989)比较了Z模型、ZETA模型、现金流量模型预测企业发生财务困境的准确率，发觉现金流量模型的预测效果较好。
3．市场收益率信息类模型。
Beaver(1968)是使用股票市场收益率信息进行财务困境预测研究的先驱。
他发觉在有效的资本市场里，股票收益率也如同财务指标一样能够预测破产，但时刻略滞后。
Altman和Brenner(1981)的研究表明，破产公司的股票在破产前至少1年内在资本市场上表现欠佳。
Clark和Weinstein(1983)发觉破产公司股票在破产前至少3年内存在负的市场收益率。
然而，他们也发觉破产公告仍然向市场释放了新的信息。
破产公司股票在破产公告日前后的两个月时刻区段内平均将经历26％的资本损失。
Aharony，Jones和Swary(1980)提出了一个基于市场收益率方差的破产预测模型。
他们发觉在正式的破产公告日之前的4年内，破产公司的股票的市场收益率方差与一般公司存在差异。
在接近破产公告日时，破产公司的股票的市场收益率方差变大。
(三)计量方法的选择财务困境的预测模型因选用变量多少不同分为单变量预测模型和多变量预测模型；多变量预测模型因使用计量方法不同分为线性判定模型、线性概率模型和Logistic回归模型。
此外，值得注意的是，近年来财务困境预测的研究方法又有新的进展。
网络神经遗传方法差不多开始被应用于构建和可能财务困境预测模型。
(四)我国对企业财务困境预测的研究在国内的研究中，吴世农、黄世忠(1986)曾介绍企业的破产分析指标和预测模型；陈静(1999)以1998年的27家ST公司和27家非ST公司，使用了1995—1997年的财务报表数据，进行了单变量分析和二类线性判定分析，在单变量判定分析中，发觉在负债比率、流淌比率、总资产收益率、净资产收益率4个财务指标中，流淌比率与负债比率的误判率最低；在多元线性判定分析中，发觉由负债比率、净资产收益率、流淌比率、营运资本／总资产、总资产周转率6个指标构建的模型，在ST发生的前3年能较好地预测ST。
张玲(2000)以120家公司为研究对象，使用其中60家公司的财务数据可能二类线性判不模型，并使用另外60家公司进行模型检验，发觉模型具有超前4年的预测结果。
二、本文的样本和研究方法本文与往常我国上市公司财务困境的研究有所不同。
第一，样本新、时刻长、容量大。
本文研究的ST样本包括1998—2000年发生ST的公司，即A股市场上全部的ST公司，同时剔除了非正常的ST公司；此外，样本数据的收集时刻延至公司发生ST前5年，样本时刻跨度较长。
选入研究的ST样本公司70家和相对应的非ST样本公司70家，样本容量达到了140家，可望在一定程度上降低可能和预测误差。
第二，选择多种研究方法，建立单变量判定模型和三种多变量判定模型，并比较各种模型在财务困境预测中的效率。
(一)财务困境公司的样本选定本文从我国A股市场上3年中出现的82家ST公司中界定出70家公司作为财务困境公司，进行财务困境预测研究。
它们是：(1)连续两年亏损，包括因对财务报告调整导致连续两年亏损的“连亏”公司，共51家；(2)一年亏损但最近一个会计年度的股东权益低于注册资本，即“巨亏”公司，共16家；(3)因注册会计师意见而特不处理的，共3家。
但排除了：(1)上市两年内就进入特不处理的公司，共8家。
排除缘故是财务数据过少和存在严峻的包装上市嫌疑，因此与样本中的其他公司不具有同质性；(2)因巨额或有负债进行特不处理的公司，共2家。
排除缘故是或有负债属偶发事件，不是由企业正常经营造成的，与其他样本公司不具有同质性；(3)因自然灾难、重大事故等进行特不处理的，共2家，缘故同(2)。
(二)研究程序和计量方法本研究首先计算140家样本公司的盈利增长比率、股东权益收益率等21个财务指标，这些指标综合反映了企业的盈利能力、长短期偿债能力、营运能力、成长能力和企业规模。
在此基础上，使用剖面分析对样本中的财务困境公司和非财务困境公司在财务困境发生前5年期间历年的21个财务指标进行对比分析，探讨对企业陷入财务困境阻碍显著的变量。
其后，应用单变量分析，选择4个财务指标为例可能单变量判定模型。
最后，筛选和确定对企业陷入财务困境阻碍最为显著的6个指标为模型的判定指标，应用线性概率模型、Fisher二类线性判定模型、Logistic 模型三种计量方法，建立和可能财务困境的预测模型，并比较这三种模型的预测效果。
三、实证研究(一)剖面分析首先分组计算70家财务困境公司和70家非财务困境公司的21个财务指标在财务困境发生前1至5年的平均值和标准差等描述性统计量，比较这二组在21个财务指标各年的平均值是否具有显著差异，其次计算各年的Z统计检验量，结果如表1所示。
剖面分析结果表明：(1)在ST发生的前1和2年，财务困境公司和非财务困境公司的17个财务指标的平均值存在显著的差异；(2)Z值随着ST发生时刻的临近而显著增大，即二组的财务指标平均值的差异随ST发生时刻的临近而扩大。
由此可见，在所选的21个财务指标中，除利息保障倍数、存货周转率、Log(总资产)和Idg(净资产)外，其余17个在财务困境发生前1至2年中具有显著的预测能力。
表1 21个财务指标Z统计量的计算结果*。
