中小企业财务预警模型对比探讨

中小企业财务预警模型对比探讨

摘要:中小型企业是国民经济增长的重要支撑力量,但受到市场波动、经营管理、股权结构等内外部因素影响,中小型企业在发展过程中极易出现财务危机。针对该问题,国内外学者已然研究出诸多针对中小企业的财务预警模型,不同的模型具有不同特点,其适用范围与优缺点各有差异。针对中小企业财务预警模型研究现状,分别分析基于单变量理论、多元线性理论、回归模型、智能模型构建的财务预警模型,从理论依据、模型特点、适用范围以及经典案例四个角度剖析,对比分析各类中小企业财务预警模型。

关键词:中小企业;财务预警模型;风险防范;对比分析

自改革开放以来,我国经济结构与经济体制发生了翻天覆地的变化,经济实力与经济水平逐步走向世界前列,成为世界第二大经济体。中小型企业作为我国经济结构的重要构成,是最具生命力的群体,是推动国民经济发展的重要力量。2002年颁布《中小企业促进法》后,我国中小型企业飞速增长,其投资少、成效快、决策灵活以及市场适应性强等特点,是其他类型企业不具备的优势[1]。现阶段,我国约有99%的企业为中小型企业,为我国贡献了60%的生产值,提供了75%的就业岗位,是我国经济建设与社会发展的重要支撑。然而,受到金融变革、企业结构、经营管理等因素影响,中小型企业在发展过程中由于内外部问题,易出现财务危机进而走向破产边缘。2011年的《中小企业发展全景调查报告》显示,中小企业在国际金融危机后仍旧面临着融资困难等问题。因而,在新背景下,中小型企业如何应对市场风险与金融危机,如何通过科学合理的财务预警模型进行风险防范成为现阶段的研究重点[2]。随着财务预警模型研究的深入,各种方法理论层出不穷,不同模型具有不同特点,其适用性与针对性有所差异,对比分析中小型企业财务预警模型能够为企业提供模型选择依据,使企业更好地做出风险防范措施。中小型企业,通常指规模较小,在所处行业不能起主导作用,不能对所处行业产生重大影响的企业。在不同时期有着不同定义,但主要从质和量两个角度界定,我国颁布的《中小企业标准暂行规定》对工业、建筑业、批发业、零售业等行业的中小型企业标准进行了明确规定[3]。相较于其他类型的企业,中小型企业具有结构多样化、发展区域化、劳动密集化、融资困难化、管理相对落后等特点,在面对市场变动时承担着独特的风险。财务危机主要是指由于经营管理等问题,企业无力偿还到期债务与费用,是一种威胁企业自身发展甚至生存的经济形势,在此形势下企业将出现持续亏损,直到资不抵债甚至破产重组[4]。中小型企业财务风险通常具有积累性、突变性、多样性、灾难性、可逆性、可预见性等特点,这也反映了中小型企业财务预警的重要性与实用性。基于上述定义,本文将对四种典型的财务预警模型进行分析,为企业提供参考。

一、基于单变量分析的中小企业财务预警模型

基于单变量分析的财务预警模型是最早应用于中小企业风险防范的方法,其本质是通过单一的财务指标判断企业是否面临财务风险,在一定量的估计样本与测试样本基础上进行财务状况预测,得出评判结果,为中小企业提供风险防范建议。

(一)理论依据

基于单变量分析的中小企业财务预警模型的核心理论是线性统计模型中的一元判定模型。一元判定模型,又称单变量分析模型,主要集中在单变量的描述与统计推断两方面,用最简单的方式体现大量样本中蕴含的信息与规律,描述数据的集中或离散趋势,进而推断出总体的变化情况[4]。单变量分析常用的方法有描述统计与推论统计,在进行描述统计时,主要从频数分布与频率分布、集中趋势分析、离散趋势分析三方面进行;在进行推论统计时,主要进行区间估计与假设检验两方面工作。将单变量分析应用于中小企业财务预警中,需要在净利润、负债率、债务保障率、资产安全率等财务指标中选取其一作为评估对象,进而统计企业自成立以来至今的该项指标数据,并进行描述统计与推论统计,在此基础上对企业财务风险情况作出评估与预测,为企业风险防范提供参考。

(二)模型特点

单变量分析财务预警模型作为最早的风险防范模型,有着便捷性、简单性、直观性等特点。首先,由于单变量分析仅选取单一变量作为研究对象,数据收集与统计分析过程较为简单,中小企业无需进行复杂的模型搭建与数学计算,便能够简便快速地分析出风险情况。其次,单变量分析不需要考虑多重因素之间的互相影响,具有简单性的特点,但该特点同样会带来反馈不准确等问题,其他财务指标可能反映出完全相反的情况,进而影响企业对财务风险的判断。同时,由于单变量分析仅受单一指标影响,容易受到企业管理层控制,从而干扰财务风险的识别与判断。最后,单变量分析具有直观性特点,中小企业可通过该分析方法直观地分析某项指标的变化,进行针对性调整。但同时带来了片面性问题,单一指标无法反映企业财务变化整体情况,企业管理层无法兼顾其他指标变化对财务风险的影响。

(三)模型适用范围

作为最早应用于财务预警的模型,单变量分析模型是早期中小型企业研判分析财务变化特征的重要手段,虽然在后续发展与变革中逐步被其他方法替代,但其简便性、直观性等特点仍是无法替代的。因此,针对刚起步、体量小、结构不完整的中小型企业,单变量分析财务预警模型是较优的选择。企业通过选取债务保障率、资产收益率、资产负债率以及资产安全率等其中之一作为具体指标,对该指标进行描述统计与推论统计,能够得出较为合理的财务风险预测结果。此外,单变量分析模型对数据量、计算能力以及管理体制要求不高,中小型企业能够在有限的成本与人力物力基础上,得到具有科学依据的风险分析结果。

(四)典型案例分析

单变量分析模型由学者Beaver于1968年提出,他选择了79家失败企业作为样本,通过分析企业的债务保障率、资产收益率、资产负债率以及资产安全率四个指标,测算出债务保障率在反映企业财务状况时最为精准,其次是资产收益率与资产负债率,并且伴随着企业失败程度加深,各项指标误判率下降,预见性有所提升[5]。史欣向对东风科技进行单变量财务风险预警分析,分别从偿债能力、经营效率、财务结构以及现金流量比率四个方面分析了不同的单变量指标,例如负债权益比大于100%,资产负债率高达62.48%,从而判断东风科技存在着较为严重的财务风险[6]。

二、基于多变量分析的中小企业财务预警模型

基于多变量分析的中小企业财务预警模型是单变量分析模型的进一步发展,其本质是通过糅合多个财务指标构建多元线性函数,依据多元指标预测财务状况,突破了单变量分析的局限性,使得财务风险分析更为全面且科学,进而实现中小企业财务危机预警及风险防范。

(一)理论依据

基于多变量分析的中小企业财务预警模型的核心是多元线性理论,又可称为多变量分析。多变量分析是单变量分析的延伸,是多个变量同时存在的统计分析,通常应用的理论工具为概率论与矩阵[7]。具体而言,多变量分析是根据多个指标,从不同角度分析事物内在关系与规律,是客观、全面、科学反映事物本质的方法。现阶段,多变量分析的主要分支有判别分析、因子分析、主成分分析、聚类分析等,其中主成分分析基于降维逻辑,将多变量转变为少数或几个具有代表性的综合指标,在实现定量分析整体财务变化情况的同时减少变量并保留信息量;聚类分析是将数据分类到不同簇的过程,不同的类别拥有较为相似的属性,其本质是将事物特征类似的样本划分在一起;判别分析则是根据已知的判别函数,准确地对样本进行判断,通常使用的有费歇、贝叶斯以及距离判别思想;因子分析则是主成分分析的深化,将复杂的随机变量综合为几个变量,再描述变量之间的关系,主要有R型因子分析法与Q型因子分析法。基于不同分析方法的多变量分析模型步骤各不相同,以较为常见的因子分析为例,基于因子分析的多变量财务预警模型步骤为:指标选取、评价体系构建、确定权重、得到综合评价值。在应用不同分析方法时,中小企业要根据企业实际情况完成各项工作。

(二)模型特点

多变量分析模型是单变量分析模型的延伸与发展,具有全面性、多样性、复杂性等特点。首先,多变量分析需要选择多个指标进行分析,并且需要对指标进行体系构建与权重计算,能够同时计算分析资产负债率、存货周转率、净资产收益率、应收账款周转率、主营业务利润率、总资产收益率等指标变化情况,并得到各项指标之间的关联,准确反映出企业财务变化情况。其次,多变量分析可以通过不同的指标选取与体系构建,针对不同类型的财务风险情况进行特殊分析,由于指标选取、权重确定等方式的差异,会对财务分析带来较为显著的影响,中小企业在选取指标时要注重遵守科学合理等原则。最后,由于指标数量的增加,数据量与计算难度会提高,多变量分析的复杂性要远高于单变量分析,其对数据质量与处理能力的要求有显著提升,还对变量间的线性关系及是否服从正态分布有要求。

(三)模型适用范围

多变量分析模型的全面性、多样性等特点使得其适用范围有所扩大,但受到计算难度大、复杂度高等因素影响,多变量分析仍受到一定限制。多变量分析适用于发展基本成型的中小企业,此类企业具有一定业务体量,能够贴合多变量指标中对各项数据的需求。此外,多变量分析要求企业内部具有较高水平的财务分析能力,发展基本成型的中小企业往往能够聘请专业人员进行财务分析。同时,伴随着企业发展壮大,对财务风险预警的需求有所提升,要求预测模型的准确度与精准度,多变量分析则能在充分应用企业财务分析能力基础上,得到更精准且能反映财务整体状态的结果。同时,多变量分析往往要求指标满足线性关系、变量服从正态分布。

(四)典型案例分析

多变量分析模型是对单变量分析模型的优化,1968年由学者Altman基于多元线性判断模型提出。Altman从企业22个财务指标中综合出5项公因子,分别反映企业资产利用率、资产规模、偿债能力、财务结构、盈利能力方面的情况,通过收集33家企业的财务数据进行分析,得到经典的基于Fisher判别分析法的Z-Score模型,即Z’=0.012X1+0.014X2+0.033X3+0.0064X4+0.999X5,其中X1表示净营运资金与资产总额的比值;X2表示留存收益与资产总额的比值;X3表示息税前利润与资产总额的比值;X4表示优先股市场价值总额与资产总额的比值;X5表示销售收入与资产总额的比值,并且后续研究不断对该模型进行修正,均是基于该模型通过调整参数或权重进行优化[8]。

三、基于回归模型的中小企业财务预警模型

基于回归模型的中小企业财务预警模型是多变量分析的优化与改进,其本质是通过确定财务指标变量间的关系构建回归方程(函数表达式),最终实现对某个变量的预测,为企业财务分析提供依据。

(一)理论依据

回归分析理论与相关模型是此类财务预警模型的核心,根据因变量与自变量个数分类,可分为一元回归分析与多元回归分析,根据函数表达式可分为线性回归分析与非线性回归分析[9]。回归分析理论的主要步骤为选定自变量与因变量、设定回归方程、求出回归系数、相关性检验、计算置信区间,主要方法有LinearRegression线性回归、LogisticRegression逻辑回归、PolynomialRegression多项式回归、StepwiseRegression逐步回归、RidgeRegression岭回归等。目前,应用于财务预警模型中的回归分析方法为Logistic回归,Logistic回归模型作为一种概率回归广义线性模型,其核心方法为非条件最大似然法,通过建立似然函数与对数似然函数,获得最大特征根相关参数与估计值。因此,通过模型建立与变量预测,中小企业能够预测到财务指标的变化情况,并根据此进行判别,判断是否会发生财务危机并决定采取何种程度的预防措施。

(二)模型特点

相较于多变量分析财务预警模型,回归分析的财务预警模型具有适用范围广、针对性强、精度高等特点。以Logistic回归模型为例,回归模型并不像多变量分析一样对自变量与因变量关系有明确要求,并且对自变量分布无特殊要求,变量可为连续值或离散值,因此基于回归模型的财务预警模型具有假设条件少的特点,能够适用于不同企业,并且能够将各种类型的财务指标包含进来。此外,通过调整自变量与因变量的选取,回归分析能够实现对不同分类问题的具体分析,针对性强,中小企业可从不同角度对财务风险进行具体分析。最后,Logistic回归模型能够将具体财务问题转变为某个财务特征,将其纳入财务风险模型计算中,得到企业出现财务风险的可能性。

(三)模型适用范围

基于回归分析的财务预警模型针对多变量分析缺陷进行了改进,一方面对假设条件要求较少,具有灵活性、可变性等优势,另一方面又具有较高水平的预测精度,能为企业提供较为准确的预测结果。针对上述特点,基于回归模型的财务预警模型适用于具有一定规模,并且在财务分析能力方面较为领先,对财务风险分析精准度要求较高的企业。首先,企业具有一定规模会产生不同财务指标分析的需求,回归分析能有效满足该需求。其次,具有一定数据分析能力才能熟练运用回归分析方法,才能为企业提供准确的结果。最后,回归模型具有较高的预测精准度,能够满足此类企业对财务预警的精度要求。

(四)典型案例分析

20世纪70年代,学者Martin首次将Logistic模型应用于中小企业财务危机预警中,以5年内的上市公司为研究对象,基于4个指标预测了各公司的破产概率[10]。国内学者浦军则对40家ST公司与103家非ST公司进行分析,在每股收益、股权集中度等指标基础上构建模型,通过Logistic回归模型进行预测,得到了良好的预测效果[11]。此外,国内学者通过回归模型分析,发现负债权益比、应收账款周转率等指标对财务风险有着明显预示作用。现阶段,不同学者从综合角度改进回归分析,将随机效应、网络结构等理论融入到模型中,旨在提高财务预警模型的预测效果。

四、基于智能方法的中小企业财务预警模型

基于智能方法的中小企业财务预警模型是近年来的新型方法,通过智能学习模型构建对财务特征进行学习,最后预测出财务变化方向及风险是否发生,为企业管理层提供参考。

(一)理论依据

基于智能方法的中小企业财务预警模型的理论核心是人工神经网络、随机森林以及关联规则算法等人工智能理论,应用于财务预警的方法为机器学习。目前,机器学习理论主要涵盖的算法有决策树、贝叶斯网络、神经网络、深度学习等。伴随着各种算法的成熟与应用,神经网络、贝叶斯网络以及深度学习等方法被应用于财务预警模型中。具体而言,智能方法是通过训练数据不断学习特征并进行分类的过程,经过测设与强化学习不断提高模型判断精准度,使其更贴近实际情况。以神经网络为例,首先初始化权值、阈值、学习模式,其次将包含输入输出结果的学习集加载到网络中,然后经过测试集的评判判断是否达到精准度要求,最后实现模型构建与具体应用。

(二)模型特点

从人工智能原理角度出发,能够明显看出基于智能方法的财务预警模型具有计算难度高、预警精度高、适应性强等特点。首先,由于智能方法都需要大量历史数据进行学习与测试,这使得模型计算难度提高,相较于多变量分析、回归分析等方法计算难度更大。同时,由于模型参量及核函数的设定会极大程度影响预测精度,这也间接地提升了模型计算难度。其次,智能方法经过海量数据的训练,能够在精准度方面得到质的提升,并且能将误判率控制在一定范围,减少中小企业承担财务风险的几率。最后,神经网络等人工智能方法具有强适应性,只需要有对应数据输入,模型便能通过学习、训练得到对应的结果,适用于不同类型的中小企业的财务风险防范。

(三)模型适用范围

基于智能方法的中小企业财务预警模型具有典型的时代性特征,在计算难度、复杂度、预测精准度等方面都有明显提升。因而,基于智能方法的财务预警模型更适用于体量大、历史数据充足并且拥有极高计算水平的中小企业。一方面,体量大的中小企业对财务预警及风险防范有着更高标准的要求,人工智能算法能够有效提高预测模型的精准度,为企业提供最为准确的分析结果,有效地进行财务风险防范。另一方面,历史数据充足能够满足人工智能学习、训练与测试的需求,只有在海量数据的支撑下,基于智能方法的财务预警模型才能发挥作用。同时,人工智能方法对计算能力、计算机水平等要求较高,这就使得中小企业要具备高质量的财务分析人员与专业计算人员。

(四)典型案例分析

基于智能方法的中小企业财务预警模型是近年来逐渐兴起的,具体应用较少并且多集中于神经网络的应用。郭毅夫等将48家创新型公司作为研究对象,基于20个财务指标构建神经网络,并通过历史数据训练得到最终预测模型,对48家企业进行财务危机分析[12]。此外,马若微将重要性原理与信息熵概念等粗糙集理论应用于财务预警研究,其从数据角度出发,对不同指标进行离散、归约、剔除冗余属性,最终挑选出确定的财务指标,从而突破了传统统计学对指标选取的主观性与片面性等问题[13]。从既有案例角度出发,人工智能是当前中小企业财务预警模型的热点,并且伴随着智能方法的发展,预警模型的准确度将会不断提高,基于统计学与人工智能相结合的财务预警模型将逐步成为风险防范的最新路径。

五、总结

有效的财务预警模型是中小企业实现财务风险防范的关键所在。本文分析了常用的中小企业财务预警模型,对单变量分析、多变量分析、回归分析以及智能方法四个典型方法进行具体分析,从模型理论依据、独有特点、适用范围以及典型案例四个角度进行分析,对四种方法进行总结对比,能够清晰直观地看出各模型的主要特征,见表1。从表1中能够清晰看出不同财务预警模型的优劣性与适用范围,能为不同类型的中小企业提供最适用且最科学的财务预警模型选择。现阶段,从中小企业财务风险产生因素及模型构建角度出发,能够发现中小企业主要存在忽视企业外部宏观经济环境、缺乏完善的风险管理制度、筹资规模及结构不合理、缺乏投资风险管理、营运资本管控力度差等问题。为此,中小企业在基于财务预警模型实现财务风险预防时,可从完善财务管理机制、健全企业财务管理制度、培养专业财务人员、树立强烈风险意识等角度进行改善,并根据模型分析结果进行针对性的调整,从长远角度实现风险防范,从当下角度解决风险问题。

作者:李霞 单位:保山学院经济管理学院