前言：中文期刊網精心挑選了財務預警研究范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
財務預警研究范文1
一、財務預警及其方法研究概述
財務預警是以財務及非財務信息為基礎，通過設置并觀察一些敏感性預警指標的變化，對企業可能或者將要面臨的財務危機所實施的實時監控和預測警報。財務預警主要有統計預警、模型預警和指數預警三類方法，分別通過設置警兆指標、建立預警模型和構造指數體系進行警情分析和預報。
統計預警研究方面，主要集中在財務預警研究的早期階段。Beaver（1966）提出較為成熟的單變量判定模型，Altman（1968）運用多變量判別法提出著名的Z值模型，周首華（1996）等在Z值模型的基礎上創立了F分數模型。模型預警研究方面，預警模型從單一向多元化發展，從靜態模型向動態模型發展。Ohlson（1980）最早采用Logistic模型進行財務預警，發現利用公司規模、資本結構、業績和當前的融資能力等指標進行財務危機預測的準確率達到96.12%。Odom和Sharda（1990）首次將神經網絡模型應用于企業財務危機預警，實證研究顯示該模型的辨別率極高。楊淑娥等（2007）以上市公司被ST前兩年和前三年的面板數據構建財務危機預警的BP神經網絡模型，研究發現，該模型具有良好的中長期財務危機識別能力。陳磊等（2009）用時間序列判別分析的方法估計財務比率的演變過程，用指數加權移動平均控制圖模型構建公司財務危機的動態預測模型，實踐表明預測效果良好。孫曉琳等（2010）基于Kalman 濾波理論，考慮財務比率在時間序列上的趨勢性和歷史數據對結果的影響， 構建了財務危機的動態預警模型。指數預警研究方面，相對于前兩種方法，目前的文獻較少。張勇（2006）在回顧企業財務預警研究歷程的基礎上，提出將財務指數運用于財務預警中的觀點，利用主成分分析法，對財務預警個體指數進行分析，建立房地產行業財務指數預警模型，測度樣本企業的財務預警綜合指數。張友棠（2008）認為指數預警是建立在統計預警和模型預警之上的一種以定量預警為主的綜合性預警方法，提出了三維財務風險預警系統，從理論上闡述了三維財務風險預警指數的編制方法。
二、財務指標預警理論與實證研究
無論是采用哪種財務預警方法，財務指標都是財務預警研究中最基本的變量。不同類型的指標所含的信息量是不同的，因此，對財務危機預警指標的選擇關系到財務危機預警模型的預測能力和效果。在財務預警指標體系的選擇上，先后經歷了傳統財務指標、現金流量指標和與非財務指標相結合三個階段，這三個階段并沒有明確的界限。
國內外學者早期的研究通常使用常規的財務指標，如負債比率、流動比率、凈資產收益率和資產周轉速度等，作為預測模型的變量進行財務危機預測。隨著研究的發展，財務指標不斷擴展，現金流量指標越來越受到重視，Beaver（1966）基于財務報表比率，對危機和正常企業的個別財務比率進行比較，認為資產收益率、資產負債率等4個指標具有較高的區別。Deakin（1972）的研究中較多的采用現金流量指標，如現金/負債、現金/總資產等。鮑新中（2007）把企業的現金流量從構成上分為經營活動、投資活動、籌資活動三個方面，然后從現金流量的數量性指標和效益性指標兩個方面來選擇預警指標。陳磊和任若恩（2009）采用Wann-Whieney檢驗和spearman相關系數剔除共線性指標，最終選擇營業利潤/主營業務收入、應收賬款周轉率、總資產對數增長率、固定資產/總資產4個財務指標。劉先偉和陶萍（2011）在反映企業財務狀況7個類別的財務指標中，采用AIC信息準則進行辨別，各選一個指標，共7個財務指標作為預警模型的構建指標。
20世紀60年代后期開始，學者開始逐漸引入一些非財務指標應用于財務危機預警研究。Wiiliam在1968年的研究中加入股票收益率指標。研究發現，股票收益率指標和財務會計指標的預測并不完全同步，但綜合這兩種指標進行判斷，有助于提高預測的準確率。Marquette（1980）認為大多數以財務比率為基礎構建的預警模型將會因時間的推移而改變，判別效果也會退化。為改善這種狀況，他建議在構建模型時將長期宏觀經濟指標考慮進去，如通貨膨脹率、景氣變動指標、利率、產業與經濟之間的關系等指標。Elfoumi和Gueyie（2001）以1994-1998年間的92家加拿大公司為樣本，以董事會的某些特征（如董事會中外部董事的比例、董事長和總經理是否兼任等）為變量進行研究，結果發現除財務指標外，企業董事會的構成與結構也可以解釋企業的財務困境。姜秀華（2001）引入了股權集中度、管理層持股比例以及總經理持股比例等非財務變量；張建（2004）選用了董事會規模、董事長和總經理二位一體性、內部董事比例、高管人員持股比例、總經理持股比例、董事長持股比例、監事會規模、股權集中度、第一大股東持股比例等反映公司治理和股權結構的指標。目前來看，學者們在研究中所采用的非財務指標主要包括公司治理指標、股權結構指標、市場價值維度指標和宏觀經濟指標等。
綜上，經過幾十年的發展，基于財務指標構建的模型預警研究成果豐碩。然而，財務預警模型研究成果在現實中的應用并不樂觀，財務預警模型的高判別率并未轉化為現實中的高預測率。企業是一個開放性的經營實體，需要不斷地與外界交換物質和信息并發生財務關系，以獲取和配置資源，保障持續經營。因此，企業的財務危機除了受企業內部運營與管理的影響，還與外部宏觀經濟的波動密不可分。另外，財務預警是以財務及非財務信息為基礎的，需要通過設置并觀察一些敏感性預警指標的變化，才能對企業可能或者將要面臨的財務危機進行實時監控和預測警報。當前，理論界已經充分認識到財務指數研究在發揮會計信息重大決策預警作用方面的重大學術價值，相比微觀指標的使用，指數避免了主觀因素的干擾，比較客觀地反映上市公司財務狀況的集中趨勢；指數十分直觀，易于使用，企業和其他利益相關者可以方便快捷的使用該指數判斷企業面臨的風險。
三、財務指數預警理論與實證研究
在財務預警研究的早期，主要借鑒企業破產理論或生命周期理論，綜合運用數理統計技術對企業財務危機進行預警，即傳統的統計預警方法，停留在"指標判別"預警上。近年來，隨著財務預警研究的不斷深入以及邊緣統計學科的不斷滲入，財務指數預警研究成為了一個新的研究熱點。
截至二十世紀末，國內財務指數預警研究領域尚處一片空白，亟待學者們認真地加以研究。陳靜宇（1993）探索性的將主要應用于宏觀經濟領域的經濟景氣分析與預測方法引入企業微觀經濟領域，運用移動平均比率法剔除時間序列的季節變動和部分隨機變動因素，獲得反映經濟周期性波動的財務指標。顯然，初期的企業經營周期波動及其預警主要停留在具體財務指標波動的預警上。21世紀以來，財務指數預警研究有了較快的發展。趙德武（2000）初創性的提出基于指數平均加權法編制財務經濟指數對企業財務經濟進行監測與預警。其基本原理是通過監測財務經濟運行過程，識別其所處的景氣狀態，并預測財務經濟運行過程可能的發展動向。
此后，國內關于上市公司財務指數預警的研究逐漸豐富起來。借鑒宏觀景氣監測理論，綜合運用統計方法并以指數的形式反映，財務景氣預警方法應運而生。陳磊（2004）在實證分析企業景氣問卷調查結果的基礎之上，分別建立了各景氣調查指標的擴散指數（DI）和綜合衡量企業景氣狀況變動的合成指數（CI）。然而，由于企業景氣調查是基于企業家對企業運營情況和宏觀經濟發展態勢做出的經驗判斷，雖然能夠較為全面提供反映企業景氣狀況的豐富信息，但人為的判斷主觀性較大，降低了預警的效果。王恩德、高鐵梅等（2006）運用數據倉庫技術對數據進行了處理，參照陳磊（2004）的景氣指數法特別針對中小工業企業研制了反映其經營狀況的經濟指數，傳遞預警信號。在此基礎之上，張友棠、張勇（2006）進一步細分了財務景氣預警系統，分別從行業環境及內部控制風險評估系統、財務景氣監測系統和財務景氣預警系統三個層面作預警分析。此外，張友棠、馮自欽、楊軼（2008）借鑒波士頓咨詢集團業務組合矩陣的思想，采用指數預警矩陣的方法進行預警指數分析，對定量化預警指數數據進行處理和分析，達到預警風險和危機的目的。類似地，閔劍（2013）將戰略地位與行動評價矩陣引入跨國投資風險監測預警，通過對風險指數多維度的探討分析，矩陣思想在風險預警領域也作了非常有益的嘗試。
綜上，財務景氣預警方法的運用主要依賴于擴散指數或合成指數的建立。但由于擴散指數在監測預警程度方面的不足，逐漸被合成指數所取代。當然合成指數預警也有自身的缺陷，這種缺陷表現為難以識別預警轉折點上各因素之間的相互關聯程度（黎春，2010），并且其編制過程繁瑣難以廣泛運用。此外，財務景氣指數能夠較好地監測企業財務狀況波動情況，但預警的關鍵仍然在于預警臨界值的準確選擇，其預警效果有待進一步的探究。同時，可以發現矩陣思想在指數預警中的運用也即將把財務指數預警研究推向一個新的高度。
四、財務指數預警研究展望
財務指數預警的研究尚處在指數預警理論探討和方法的嘗試階段，但不論采用何種方法編制指數進行監測預警，在宏觀景氣監測理論的基礎之上探討宏觀經濟波動與微觀企業危機的相互關系存在可取之處。本文認為未來研究至少可以從以下幾個方面進行拓展：
（一）宏觀微觀視角并重，開拓財務指數預警新領域
盡管會計嚴格假設企業的持續經營性質，但現實中不可避免存在企業因經營不善或處于企業發展的衰退期而導致破產清算。傳統的財務預警主要基于企業生命周期理論與實務中的破產理論，由此對企業財務困境或危機的預警，也主要源于微觀層面的經濟預警。立足于宏觀經濟預警視角，拓展傳統財務預警領域，充分實現宏觀微觀經濟預警理論的結合，對深化財務指數預警研究頗具學術前景。
（二）突破財務危機研究樣本的局限性，建立全樣本指數研究體系
國內危機預警相關實證研究，大多基于上市公司是否被ST作為企業有無發生危機的判別標準，而企業的“財務危機”指的是企業缺乏足夠的現金流償付到期債務與利息的一種經濟現象，這意味著陷入財務危機的企業完全可以是賬面有盈利的企業。公司被ST只能理解為公司陷入財務困境所傳遞出的一個可能信號，財務危機與ST難以等同。因此，現行“兩階段劃分法”研究樣本存在較大的局限性，其依據的財務危機概念的內涵與外延并不統一，亟待建立全樣本指數研究體系。
（三）分門別類，合理構建行業或區域專有的財務指數預警體系
同一財務指數預警體系對不同行業預警的判別效果差異明顯，需要構建行業、區域各自的財務預警指數體系。原因有二：第一，由于各區域、各行業影響財務危機的因素大不相同，不同行業之間的財務指數自然存在巨大差異，這必然導致財務指數預警判別標準的紊亂，預測效果降低。第二，基于宏觀經濟理論建立的財務危機預警體系，由于各行業、地區間發展的不平衡以及行業間關聯性較大（例如，房地產行業的興起，或多或少帶動了鋼鐵、水泥等行業的發展），導致行業發展存在“先導”行業或“滯后”行業之分，且各行業受到宏觀經濟政策不同程度的影響，若混為一談，指數預警體系難以合理構建。
（四）結合非財務因素研究，充分把握財務危機產生的根源
利用財務指標構建模型是目前學術界關于財務危機預警研究的主流方法。但有學者認為財務指標充其量為企業財務營運水平的征兆，企業是一個開放性的經營實體，與外界不斷地交換信息，同時需要不斷的對外投資與融資實現擁有配置資源的權利，保持企業的持續經營。因此，包含宏觀經濟波動等在內的非財務因素是導致財務危機的原因之一。截至目前，國內外學者開始關注宏觀經濟波動等一系列非財務因素對財務危機的影響。Mensah（1984）基于總體經濟景氣因素（通貨膨脹率、利率水平、商業周期）的影響程度，區分預警模型在不同經濟景氣時期的預警效果，發現加入總體經濟景氣因素能提高其預測能力。吳星澤（2011）突破使用財務指標進行預警的框架，明確提出了用非財務指標進行財務預警的非財務觀理論。由此可見，未來的財務指數研究需要結合非財務因素對財務危機預警進行深入的探討，以把握財務危機產生的根源。
（五）合理確定預警臨界值
預警臨界值的選擇是構建財務指數預警的關鍵環節與難點。國內現有實證研究成果大多基于公司ST與否來判定財務預警的臨界值。但在全樣本指數預警體系中，預警臨界值的確定變得更加復雜化，需要綜合分析目標行業的影響因素后加以確定。而且，有必要在不同階段應用不同的預警方法進行處理。首先，采用指標體系法對基礎預警指標進行篩選。其次，運用財務預警模型確定警度，劃分警限。最后，采用綜合評分法對各指標進行科學賦值，綜合評價與準確預警。在財務指數預警的大框架下，充分利用傳統的統計預警、模型預警優勢，同時借鑒矩陣預警現有成果，以確定最佳的預警臨界值。
總之，財務指數預警體系的建立，不僅開拓了傳統財務分析研究和傳統財務危機預警研究視角，更是會計信息研究領域的重大突破。通過建立囊括個體指數、綜合指數在內的多層次指數體系進行財務預警分析將是未來財務指數應用研究的方向。X
（注：本文系浙江省自然科學基金重點課題“基于宏觀經濟波動的財務指數預警體系及其應用研究”的階段性成果；項目編號：Z13G020005）
參考文獻：
1.周首華，楊濟華，王平.論財務危機的預警分析――F分數模式[J].會計研究，1996，（8）.
2.陳靜宇.企業經營的周期波動及其預警[J].重慶大學學報，1993，16：（4）.
3.陳磊.企業景氣狀況與宏觀經濟運行[J].管理世界，2004，（3）.
4.王恩德，梁云芳，孔憲麗，高鐵梅.中國中小工業企業景氣監測預警系統開發與應用[J].吉林大學社會科學學報，2006，46：（5）.
5.張友棠.財務預警系統管理研究[M].北京：中國人民大學出版社，2004.
6.閔劍.企業跨國投資風險預警指數及定位監控模型[J].財會通訊，2013，（1）.
財務預警研究范文2
我國教育改革帶來了高等教育事業的發展，同時也出現了高校規模的擴張和教育投入不足之間的矛盾。為滿足愈來愈多的新增學生的學習、生活需要，在財政支持力度相對減小的情況下，高校不得不利用信貸資金來解決這一矛盾。在利用信貸資金改善辦學條件、加快高?；A設施和重點學科建設、提高高校人才培養的同時，財務風險也逐漸顯現。因此，為防范與化解高校財務風險，探討高校財務風險預警系統的構建具有重要的現實意義。
一、高校財務風險預警系統及其建立原則
高校財務風險是指在高校運營過程中因資金運動而面臨的風險。高校財務風險預警系統則是在高?，F有財務管理和會計核算基礎上，設置一些科學化的敏感性財務預警指標和財務預警標準，監測高校實際財務狀況偏離預警線的強弱程度，發出預警信號并采取有效措施控制風險的一種有組織的程序。建立預警系統的目的，就是要在高?，F有的財務管理和會計核算基礎上，采用合理、可比的原則，設置相關的量化指標，分析和評價高校辦學資金使用的合理程度、財務管理水平和真實財力情況；通過該系統，找出高校之間存在的差距，及時揭示隱性問題，為各級領導的宏觀決策提供客觀的依據，并對高校財務運行中潛在的風險起到預警預報的作用，并采取措施規避和化解財務風險。
建立高等學校財務風險預警系統是為了滿足學校自身及其他方面的管理需求，以求快捷、方便、準確、及時地了解財務運行狀況，作為一項系統工程，在建立過程中應遵循一定的原則。
其一，預測性原則。系統對高等學校財務風險的監測要有分析發展趨勢、預測未來的作用。高等學校的管理成效最終通過財務信息反映出來，預警系統要從眾多的財務指標中選取一系列能敏銳反映高等學校財務狀況且獨立性高、補充性強的指標，運用數學方法測算出高等學校管理績效的綜合指數，從而讓大家認識、了解高等學校的發展現狀。
其二，統一性原則。高等學校財務風險預警系統應以現行的會計核算體系為基礎，在收集信息的范圍、方法、口徑上應統一，以保證判定結果的可比、準確和連續。
其三，動態連續性原則。高等學校財務風險預警系統能及時預測風險出現的情況，發出警報，亮出紅黃牌，但它監測的是高等學校一個動態連續的管理過程，系統也只有堅持動態連續性的原則，才能不斷修正、補充，確保先進性，把握未來發展的趨勢。
其四，實時性原則。高等學校要準確、及時地預防財務風險的發生，盡可能地減少或避免經濟損失，就要求高等學校財務風險預警系統必須要敏捷、實時地采集信息，分析信息，判斷信息，發出預警。
二、高校財務風險預警系統的構建
財務風險管理的一般程序是風險的識別、風險的測度和風險的控制。本文按照這個思路來構建高校財務預警系統，
高校財務預警系統是一個循環運行的系統?；拘畔⑾到y負責財務信息的收集，財務信息收集的對象主要是高校內部財務信息和外部信息，并形成一個資料系統，將所有資料傳遞給分析監測系統。分析監測系統是財務風險預警系統的核心，運用專門的財務預警模型，通過分析監測可以迅速排除對財務影響小的風險，從而將主要精力放在有可能造成重大影響的風險上，對其重點研究，分析出風險的原因，評估其可能造成的損失。風險控制系統應及時根據財務風險水平的高低制定相應的風險防范或化解策略，對財務風險回避、轉移和承接。
（一）基本信息系統
良好的財務預警系統必須建立在對大量資料進行統計分析的基礎上，形成基本信息系統。負責財務信息的收集和傳遞，這個系統應該是開放性的，不僅包括信息的輸入，還包括信息的輸出；不僅有財會人員提供的財會信息，更有其他渠道的信息。這里的會計信息系統不僅是指一般意義上的會計核算報告系統，還包括對會計資料的認真閱讀、分析和評價，以及尋找高校潛在的財務風險并及時消除財務風險的工作。
（二）分析監測系統
分析監測系統是財務風險預警系統的核心，它以高校的財務報表及其他相關的資料為依據，通過定量分析與定性分析相結合的方法，對高校存在的風險做出判斷，對風險水平達到或超過預警線的財務風險進行預警。定量分析主要是通過設計一套財務風險指標評價體系,來評估高校財務風險的。
1.建立高效財務風險指標評價體系
高等學校財務風險預警指標體系中最關鍵的是選擇高敏感性的重點預警指標，以便預警指標體系能夠全面、真實地反映高等學校所面臨的財務風險的狀況。根據高等學校財務活動的特點，其預警指標體系一般可分為四類：償債能力指標、運營績效指標、收益能力指標和發展潛力指標?？紤]到財務風險的主要來源是負債，所以預警指標體系以償債能力指標為主，運營績效指標為輔，收益能力指標和發展潛力指標為補充。在具體指標的選擇方面，各指標間應既相互補充，又不重復，盡可能全面綜合地反映高校的財務狀況。
（1）償債能力指標。償債能力反映高校償還各種到期債務的能力，可選擇資產負債率、流動比率、帶息負債比率、長期負債占全部負債的比例、負債償付率、可供周轉月數等指標評價高校償債能力。各指標具體說明如下：資產負債率=負債總額/資產總額×100%。資產負債率用于分析負債程度和財務風險的大小。從高校的性質來看，資產負債率保持在較低的比例上較為合適，高校資產負債率的警戒線為40%-60%。當高校資產負債率大于60%，就應該發出預警信號；資產負債率大于1，說明高校財務狀況已嚴重惡化。流動比率=流動資產/流動負債。流動比率越高，償還流動負債的能力就越強。高校流動比率為1.5較好，小于1.5則應發出預警；但比率過高，其償債能力未必很強，反而會因為大量流動資產的占用影響到高校資金的運營效果。帶息負債比率=（短期借款+一年內到期的長期借款+長期借款+應付利息）/負債總額×100%。帶息負債比率表明：高校帶息負債占全部負債的比例，帶息負債比率越高，說明高校的財務負擔越重，還本付息的壓力越大。長期負債占全部負債的比例=長期負債總額/負債總額×100%。這一指標越少，表明高校還債的時間越緊迫，風險越大。負債償付率=一定時期內還本付息總額/可用于償還債務的收入×100%，負債償付率將債務與收入結合起來，用來分析高校取得收入償還債務的能力，比率越小說明償債能力越強。可供周轉月數=(年末銀行存款+年末現金+年末借出款+年末債券投資+年末應收票據-年末借入款-年末應交稅金）/學校全年支出總額/12。該指標值越大，表明支付能力越強。經費來源中穩定性、可靠性最強的渠道是國家撥款，而這些撥款一般是按季度下達，所以可供周轉月數最好不要低于3個月。（2）運營績效能力指標。高校資產和資金的使用是為了維持和發展高校教學、科研事業，如果不能完成既定目標，說明高校的資產和資金管理方面存在問題?？蛇x擇收入支出比率、生均學費收入支出比率、公用支出比率、固定資產增長率、自籌收入能力比率、應收及暫付款占年末流動資產的比重等指標來反映運營績效能力。具體說明如下：收入支出比率=一定時期高校收入總額/一定時期高校支出總額。這一指標反映高校每一元支出有多少收入作保障，是衡量高校對資源的利用能力，指標值越大，說明高校自我支付能力越強，相對來說籌資風險越小，一般以0.5為宜。生均學費收入支出比率=生均學費收入數/生均支出數。該指標反映高校生均支出一元有多少生均學費收入作保障，是衡量高校學生交費補償支出能力，指標值越大，說明高校動用其他經費補足學生支出的能力越強。公用支出比率=公用經費支出/事業支出，衡量事業支出的結構指標。公用支出比率反映高校合理安排資金的能力，指標值越大，說明高校用于發展投入的資金大。一般以0.5為宜。固定資產增長率=（固定資產總額-上年固定資產）/上年固定資產。該指標反映高校在設施建設及設備購置中所投入的資金，指標值越大，說明高校資產增長速度越快；但過高也會導致籌資風險增加。自籌收入能力比率=自籌收入/總收入。這一指標衡量高校在開源創收方面的能力，也是高校自身價值實現的體現，指標值越大，說明高校自我發展能力越強。應收及暫付款占年末流動資產的比重=應收及暫付款/（學?？傎Y產-固定資產-無形資產），該指標反映了高校資金使用效益和財務管理水平，指標數值越大則財務風險越大。
（3）收益能力指標。在市場經濟的發展進程中，高校必須適應社會主義市場經濟的要求，開展全方位的社會服務，運用自身力量最大限度的獲取最佳的辦學效益?？蛇x擇總資產收入率、凈資產收入率、投資收益率、職工人均純貢獻、合格學生生均教育成本等指標衡量高校收益能力。
（4）發展能力指標。發展能力反映高校持續發展能力，可選擇資產權益比率、自有資金動用程度、其他資金占用程度、自有資金余額占年末貨幣資金的比重等指標反映高校發展能力。
2.定量分析和定性分析相結合
定量分析雖然是通過對財務報表進行分析、加工和處理來完成財務風險預警的，有其科學性和合理性，但這種方式也會受到不同高校條件差異、高校在不同時期影響因素的變化、評價時對評價指標的選擇，以及高校對會計政策的選擇等各種因素的影響，無法滿足高校對財務風險預警的全面需要。而定性分析則是在財務報表分析的基礎上，結合專業分析人員的經驗判斷，可以對定量分析的不足加以彌補。如當高校過度依賴貸款、總資產和收入急劇下降、過度大規模擴張、財務預測在較長時間不準確等情況，則預示著高校存在發生財務風險的可能性。為此，高校不但要通過定量分析來把握高校的發展趨勢，而且要相應地結合定性分析來進行考量和判斷。
（三）高校財務風險控制系統
風險控制系統就是針對分析檢測系統對財務運作過程中存在的問題和隱患作出的預警，對不同的財務風險類型提供不同的有效控制措施?？刂拼胧┌雌涫欠褚揽客饨鐜椭煞譃閮深悾阂活愂菍⒇攧诊L險轉移，另一類是將財務風險自行承接。高校對自身控制能力有限，即使可以控制，但控制的成本和代價太大的財務風險可以實施轉移策略，如會同商業銀行制定切實可行的還貸方案和多家銀行組合實現貸款，向專業保險公司投保等。高校對不能轉移的財務風險或自己有能力將損失控制在可容忍范圍內的財務風險可以實施自行承接策略。自行承接的方式即制定相應的對策改善目前的財務狀況，如加速應收賬款的收回，節約開支，有效處理不良資產等。在制定好控制措施后，還應定期檢查風險控制措施的實施效果，并根據整個系統的運行情況重新對財務風險評估系統作出的預警進行適當性、有效性、及時性的分析，并對基本信息系統的風險信息進行修正，從而將高校財務預警系統的三部分連成一個有機的整體。
財務預警研究范文3
【關鍵詞】現金流量 財務風險 財務預警
一、財務風險預警的定義
財務風險預警是指為了防止企業財務運行偏離預期目標而建立的報警系統，即借助企業提供的財務報表與其他相關會計資料，對企業的日常經營活動進行預測，識別企業在經營管理活動中潛在的財務風險和經營風險，發出預警，使企業能夠及時采取有效措施，起到未雨綢繆的作用。
國內關于財務預警的定義主要有以下幾種觀點：第一，財務預警是以企業信息為基礎，對企業的日常經營管理活動中潛在的風險實施監控。第二，財務預警是以企業財務數據為基礎，以財務指標為標準，反映企業財務狀況的變化，并及時對出現財務數據異常的情況發出預警。第三，財務預警是以企業財務報表及相關資料為基礎，將企業面臨的財務風險和經營風險預先告知各利益相關者，并分析風險發生的原因以及運營過程隱藏的潛在漏洞，提前做好防范措施。這種觀點是對財務風險預警比較綜合的闡述，現被廣泛采用。
二、國內外對財務風險預警模型的研究
國外對財務預警模型的研究起步較早，至今已達到比較成熟的階段，我國對財務預警的研究多是建立在國外學者的研究基礎上?？傮w來說，企業財務預警模型的演變大致可以劃分為三個階段：
（一）單變量預警模型的研究
Fitzpatrick（1932）首次運用單個財務比率作為變量進行財務危機預警，發現劃分為破產企業和非破產企業兩類的19家樣本公司在經營失敗前三年權益凈利率和資本結構呈現出顯著差異。
Beaver（1966）通過對79家配對企業的30個財務比率進行研究，最終得出可以有效預測財務風險的的財務比率依次為：債務保障率、資產負債率、資產收益率、資產安全率。其中，以債務保障率作為預警指標誤判率最低。
陳靜（1999）以上市公司為樣本進行實證研究，選取了27家ST和非ST公司作為對比樣本，分別進行了單變量分析和二類線性判定分析。得出了單變量模型中資產負債率和流動比率誤判率最低和多元線性判定模型在ST-3年能較好預警的結論。
（二）多元線性判定模型的研究
Altman（1968）首先將多元線性判別法引入財務危機預警研究領域，他利用逐步多元鑒別分析逐步粹取5種最具共同預測能力的財務比率，建立起了一個類似回歸方程式的鑒別函數――Z計分法模型。
Blum（1974）運用多元線性判別法構建了包括現金流量變量的財務危機預警模型，在財務危機發生前5年的預測準確率均超過70%。周首華和楊濟華（1996）建立了F分數模型，如果企業的F值大于0.0274 則被預測為非破產公司，反之則為破產公司，該研究的判別準確率高于70%，不足在于研究樣本選取的是國外公司。張玲（2000）以1998-1999年間深、滬交易所120家企業作為樣本，運用線性判定分析對企業的財務風險預警進行了研究，結果顯示預警模型的預測期超過4年。
多元線性判定模型預測精度更高，但對模型的應用有嚴格的假設前提，要求自變量服從標準正態分布，且要求等協方差。
（三）多元邏輯回歸模型的研究
Martin（1977）首次采用多元邏輯回歸分析方法建立財務危機預警模型進行預測，得出了多元邏輯回歸模型優于Z 分數模型的結論。
Olson（1980）建立了3 個多元邏輯回歸模型。他將1970-1976 年105 家破產公司和非配對的2058 家正常公司作為樣本，研究結果表明公司規模、經營績效、資本結構、以及流動性（流動、速動比率）等4個因素是影響企業財務危機的主要因素。陳曉（2000）以 38 家ST公司作為研究對象，運用多元邏輯回歸模型，得出結論：負債權益比率、應收賬款周轉率的預測能力最強。
多元邏輯回歸模型適用范圍更廣，但局限性在于模型計算過程復雜，且因涉及大量近似處理，會使模型的預測精度降低。
（四）多元概率回歸模型的研究
Zmijewski最早把多元概率回歸模型引入財務風險預警研究，多元概率回歸模型要求樣本必須服從標準正態分布，而多元邏輯回歸模型無需嚴格的假設前提。其次，多元概率回歸模型企業破產概率采用積分方法獲得，而多元邏輯回歸模型采用取對數方法獲得。最后，多元概率回歸模型采用線性回歸方法求解參數a、b，而多元邏輯回歸模型采用極大似然函數求解。
白承彪（2010）分別運用Logistic模型和Probit模型，對滬深兩市2007年―2009年發生虧損的57家制造業企業及其配對企業進行對比分析，結果顯示多元概率回歸模型預測效果要優于多元邏輯回歸模型。
（五）BP神經網絡模型的研究
楊淑娥和黃禮（2005）選取120家上市企業作為樣本，建立了基于截面財務指標的BP神經網絡財務預警模型，預測精度達到90.8%。聶麗潔（2009）以我國制造業上市公司的數據為基礎，采用因子分析法和逐步回歸法對財務指標進行篩選，將處理結果作為變量輸入BP神經網絡模型，結果顯示，基于篩選后的財務指標建立的BP 神經網絡模型預測效果更勝一籌。BP神經網絡模型由于不需要對企業財務狀態進行主觀判斷，且不受變量性質的影響，因而相比其他分析模型而言預測效果最佳，但其原理抽象且復雜，不易理解和推廣。
綜上所述，國外關于財務預警的研究，主要以實證研究為主，以傳統的財務指標為核心，較少考慮現金流量指標。我國關于財務預警的研究主要是在借鑒國外研究成果的基礎上，利用上市公司財務報表中的數據建立相似的財務預警模型并進行驗證，研究對象的界定是以企業財務狀況是否異常為標準，財務預警模型中預警指標的選取主要基于傳統財務指標，全部采用現金流指標作為預警指標的實證研究并不多。
三、基于現金流視角的財務預警模型存在的局限性
（一）樣本數據的選取：財務預警研究使用的數據是上市公司的公開數據，目前上市公司數據失真現象廣泛存在。除此之外，不同的生命周期，現金流量的特點是截然不同的，這一因素在很大程度上影響模型的精度。
（二）樣本的選?。涸谪攧诊L險預警模型的實證性研究中，大多數學者采用配對的抽樣方法，即樣本容量和對照組包含的容量相等。
（三）指標的選?。褐笜诉x取缺乏理論的依據，主觀隨意性大，而且變量選擇不全面，如選取的現金指標不能包含非財務因素，事實上，非財務因素對企業財務狀況的披露比財務因素可靠性、真實性更高。
（四）模型應用的前提：應用模型需要對樣本數據有一定的假設要求。例如，多元判別模型、Z分數模型和ZETA模型要求樣本數據服從標準正態分布；樣本要服從等協方差，而現實中，可能無法完全滿足假設，只能進行近似地處理，這可能對模型的精度產生一定的影響。
（五）財務預警模型自身不對預警指標的真偽進行鑒別。即財務預警模型的建立是基于財務信息真實的基礎上，而當今財務信息的質量仍存在很大爭議，建立在不真實財務信息上的模型不僅無法達到預警作用，還會給企業帶來災難。
四、研究展望
未來關于現金流量財務預警模型的研究可以從以下幾個方面進行擴展：
（一）樣本的選取進行細分。主要對行業的選取進行細分，通常，傳統的顯著性T檢驗不能對行業的差異進行區分，因而應建立一個較為全面的區分方法是我們接下來可以擴展的方面。
（二）研究方法上應同時采用定量研究與定型研究（如專家調查法、經驗分析法、特爾斐法），建立定量研究與定性研究結合的模型，使財務預警模型的預測更加全面，可靠性程度更高。模型的建立方法上除采用統計類的預警研究方法，還應結合非統計類的預警研究方法。
（三）將生命周期理論納入研究，考慮到企業處于不同生命周期現金流呈現不同特點，因此，未來研究可以針對不同生命周期階段選擇不同的現金流指標進行預測。
（四）模型中融入非財務指標。目前，國內外關于財務預警模型的建立大多基于財務指標，把非財務指標納入考慮的較少，在今后的研究中可以從公司治理角度、股權結構、審計意見類型等非財務指標入手，豐富模型的全面性。
參考文獻：
[1]陳靜：《上市公司財務惡化預測的實證分析》[J]，《會計研究》，1999， （4）
[2]盧興杰：《我國上市公司財務預警的實證研究》[J]， 財會月刊，2006，（1）
[3]佘廉：《企業預警管理論》[M]，石家莊，河北科學技術出版社，1999：2-5
[4]吳世農：《我國上市公司財務困境的預測模型研究》[J] ，經濟研究，2001，（6）
[5]晏靜：《現金流量信息功能研究：理論分析與實證》[M]，廣州，暨南大學出版社，2004：36-48
[6]章之旺：《現金流量信息含量與財務困境預測》[J]，《 證券市場導報》，2004，（4）
[7]張友棠：《財務預警系統管理研究》[M] ，北京，中國人民大學出版社，2004：138-146
財務預警研究范文4
第一，對風險體系進行系統研究和分析，確立風險預警目標，確定所應對的風險分類和結構，建立明確的控制與管理對象。第二，選擇適用的風險測評模式，確定風險預警子系統和中間控制過程，組建風險管理組織框架，選定測評專業人員。第三，建立風險控制指令和對風險處置的行為標準，建立風險預警信號采集和對應的測評體系，保證風險管理的連續性。第四，保證風險預警調節傳導的有效運行，控制各個風險管理工具和手段的應用效果，建立一系列管理方案，提高風險防御能力。
二、財務風險預警機制的分析方法
企業在財務預警分析的時候，一般采用兩種常用的分析方法。一是定性分析。它通過對企業的經濟環境、經營狀況和財務狀況的判斷和分析，預測企業發生財務危機的可能性，而這主要是靠分析人員的工作經驗和判斷力，很大程度上存在主觀臆斷性。二是定量分析。它通過將實際值與目標值進行對比，根據其差距發出不同程度的預警信息，或通過運用相應的數據圖表分析來判斷一些定量指標的變動趨勢。定量預警分析法所得結論較精確，但可能不完整。它又包括單變量預警分析模型和多變量預警分析模型。
1.單變量預警分析模型
通過單個財務比率指標的走勢變化來預測企業財務危機。但是由于任何一個企業的財務狀況都是由多方面的財務指標來反映的，沒有哪一個比率能概括企業的全貌，并且不同的企業的選取的數據不同，預測指標亦就不相同，得出的結論更是會千差萬別。單變量預測模型最早是由威廉•比弗（William.Beaver）提出的債務保障率能夠最好地判定企業的財務狀況（誤判率最低），其次是資產收益率和資產負債率，并且離經營失敗日越近，誤判率越低，預見性越強。后來經過眾多學者、實務專家的研究，認為資金安全率也是一個非常實用的單變量指標。計算如下：債務保障率＝現金流量／債務總額；資產收益率＝凈收益／資產總額；資產負債率＝負債總額／資產總額；資產安全率＝資產變現率－資產負債。
2.多變量預警模型
通過運用多種財務比率加權匯總而構成線性函數公式來預測財務危機的一種模型。相對于單變量模型而言，多變量預警模型運用多個財務指標衡量企業風險，多方位反映企業經營狀態，揭示企業產、供、銷各環節可能存在的風險，為管理決策提供幫助，能更全面，更系統反映集團財務風險。
三、構建財務風險預警機制的具體措施
財務預警研究范文5
1、企業財務預警概述
所謂財務預警，主要是指根據企業所提供的財務報表以及其他會計資料，利用金融、企業管理、市場營銷等理論，對企業當前的經營狀況和財務活動等工作進行全面、系統的分析預測，從而通過預測結果來發現企業發展過程中所面臨的風險，并根據企業發展的實際情況，采取相應的措施規避風險，以此來避免這些風險發生而給企業帶來的經濟損失。就以往企業財務預警的分類來看，主要包括兩種類型，即一元判別法和多元判別法。其中，一元判別法又稱單變量模型，這種財務預警模型是以某個單項指標作為評判標準的預警模型，雖然能夠在某些方法將企業的經營狀況和財務活動反映出來，但由于評判標準存在片面性，因此，并不能全面的將財務特征的缺陷表現出來。多元判別法的出現將一元判別法的缺點進行的有效彌補，該預警模型主要是通過多元線性判別式產生判別分，并通過判別分來對企業的經營狀況和財務活動進行全面分析、預測，從而得到最為全面的預測結果。但無論是一元判別法還是多元判別法，都無法突破線性判別方法的局限性，從而導致無法進行動態學習和調整。
為了更好的對企業財務預警模型進行完善，專家嘗試將神經網絡應用到預警模型中。所謂神經網絡，是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。但是，這種方法需要大量的樣本數據作為基礎，一旦樣本數據的數量達不到要求，那么就會直接影響到神經網絡的推廣能力。近年來，神經網絡在企業財務預警中的應用越來越廣泛，如何將其在財務預警中的作用充分發揮出來也成為了專家所面臨的重大課題。
2、企業財務預警PCA―SVM模型構建與研究思路
本文所介紹的PCA―SVM模型的構建大致可以分為兩個部分，即對數據進行主成分分析和利用SVM進行分類。其中，對數據進行主成分分析主要是在諸多變量中選取幾個最具代表性、信息含量最豐富的變量作為主成分，然后對其進行分析并形成樣本數據，這樣做是為了盡可能減少數據分析時的復雜操作，從而將大量的數據簡單化，從而為接下來的數據處理工作奠定基礎。利用SVM進行分類實質上是一種統計學習方法，這種方法最適合小樣本問題，是將空間中不可分問題通過非線性高換映射到高維線性可分的特征空間，并在此基礎上進行分類。
3、實證研究及分析
為了更好的對財務預警PCA―SVM模型進行研究，本文選取了15家公司3年的財務報表和相關的會計資料作為基礎數據，這些公司均為房地產公司，所要證實的內容主要包括2點：一是財務報表可以確保一定的真實性；二是以原始數據為主，可以盡可能避免不同分析方法所產生的誤差。
3.1、原始比率變量分析
首先，提取主成分實現維數壓縮，減小各輸入值之間的相關性，在對15家公司的財務報告進行分析之后，發現整體原始數據上存在較大的冗余性，可以進行簡化。同時，流動比率與速動比率之間存在較強的相關性，其他的幾項指標之間也都存在著較大的相關性，比如說總資產周轉率、凈資產收益率和成本費用利潤率等。相比之下，也有一些相關性比較弱的指標，比如說股東權益比率、存貨周轉率以及流動資產周轉率等。
3.2、主成分選擇及解釋
表1所介紹的是主成分的特征值和貢獻率，如果想要對表1中的5個主成分因子進行解釋，就必須利用原始的財務數據，換句話說，原始數據域主成分因子之間存在著必然的聯系。其中，主成分1需要由股東權益比率、主營業務利潤率、成本費用利潤率、凈資產收益率以及總資產收益率解釋；主成分2需要由流動比率、速動比率、資產負債率和負債權益比率解釋；主成分3需要由負債權益比率、固定資產周轉率和總資產周轉率解釋；主成分4需要由現金比率和主營業務毛利率解釋；主成分5需要由應收賬款周轉率解釋。
3.3、建立模型識別部分
從上文的分析我們已經得到了5個典型的數據樣本，我們將主成分1到主成分5作為輸入，以SVM作為模式識別工具。在實際操作中，我們以軟件Maltalb6.5作為主要軟件，采用SMO訓練算法，結合DDAG實現多類劃分。通過該實驗的設計和實施，我們完成了兩種分類，即二類劃分和三類劃分，劃分的具體結果如表2和表3所示：
從表2我們能夠看出，正常類樣本100%正確識別，關注類樣本100%正確識別，報警類測試樣本被識別為關注。說明支撐向量機提取正常與關注的區別特征，并可利用這種特征進行正確的分類識別。證實了利用支撐向量機進行財務數據分類的可行性。
從表3我們能夠看出，正常類樣本全部正確識別；關注類樣本有2個正確識別，1個誤識為正常，一個誤識為報警；報警類4個樣本全部正確識別。由于企業樣本自身分類的模糊性，關注類樣本介于正常和報警類樣本之間，此處測試結果在可接受范圍之內。由于SVM的c類劃分是由c（c一1）/2個2類SVM分類器組成，每個SVM只對其中的2類進行區別，可能出現無法正確區分的情況。
3.4、結果分析
從本文的分析我們可以得出以下結論：首先，利用SVM對提取的樣本進行分類，可以有效克服以往財務預警模式在區分企業狀態方法上線性判別的局限性，得到的最終結果要優于BP神經網絡的結果。其次，從實驗中我們也能夠得知，一旦訓練樣本得以確定，那么BP神經網絡便不能夠有效提取不同類別企業的財務數據特征，從而無法實現對財務數據的有效分析和預測。最后，由于樣本數量的絕對限制，PCA-SVM模型尚有一定缺陷，比如：準確率達不到100V%的正確，多類劃分出現誤差。但是，也可以看出，在相同樣本數量條件下，多變量模型根本無法使用，BP神經網絡也未能提取其分類特征，SVM在同等條件下達到的效果，也在我們可以接受的范圍之內。PCA-SVM模型是將人工智能算法與傳統方法結合構成新型專家系統的一次有效嘗試。因此，在未來的時間里，我們需要不斷對企業財務預警PCA―SVM模型進行不斷優化與完善，盡可能將其尚有的缺陷彌補，從而使其作用能夠在企業財務管理工作中充分發揮出來，提升企業的經濟效益和社會效益。
財務預警研究范文6
一、財務危機的表現
財務危機是企業喪失償付能力的一種經濟現象。財務危機的表現是指企業發生財務危機的不同狀態或類型,它是我們判斷和識別財務危機的標志。從企業喪失償付能力的角度考慮,財務危機的顯性表現存在流量和存量兩個方面。
1.從流量的角度是指企業資產負債表上總資產超過總負債,但由于財務管理技術失敗使企業流動資金短缺,其現金流量不足以抵償其到期債務。
2.從存量的角度是指企業現有資產價值不足償還負債價值,即其賬面凈資產出現負數。此類財務危機稱為經濟性財務危機或者存量危機。
二、基于EVA的財務危機預警方法
企業財務危機的實質是因為企業財務關系失衡、緊張直至惡化的外在表現。最終都表現為企業喪失償還到期債務的能力,無法支付到期債務或費用。目前財務危機預警研究一般都運用統計的方法建立財務危機預警模型,而要做到比較準確的進行財務危機預警,在進行預警分析時所采用的財務比率數據的性質則尤為重要。在研究過程中通常采用一些會計利潤等傳統的業績衡量指標來進行分析。而隨著經濟的發展,由于傳統的業績衡量指標如稅后凈利潤、每股收益和凈資產收益率等,存在兩個致命的缺陷:一是傳統指標的計算沒有扣除股本資本的成本,導致成本的計算不完全;二是傳統指標的計算完全以會計報表信息為基礎,而會計報表信息對公司財務狀況和經營成果的反映本身就存在部分失真,因而導致傳統業績衡量指標越來越不能反映新經濟環境下企業經營效益的全貌,傳統業績衡量指標作為財務預警的參照標準顯得越來越不實用。為解決這一問題,本文將EVA的概念引入財務危機預警模型,提出采用EVA來代替會計利潤進行財務危機預警的方法。
(一)樣本選取。選擇我國深滬兩市2008年被ST的上市公司為樣本,為了研究的需要,本文選取了與所選ST公司同行業、同時期且規模相近的非ST公司作為配對樣本進行研究。“同行業”是指盡量使得控制組與原始樣本組屬于同一行業的明細板塊,“同時期且規模相近”指的是上市公司與原始樣本組的上市公司在相同的年度其資產規模相當。
財務危機企業選取ST中潤、ST四環、ST大水、ST宇航、*ST鋅業、ST阿繼、*ST欣龍、*ST帝賢B、*ST雷伊B、ST東北高、*ST華光、ST金花、ST博信。
與其配對健康企業萬方地產、西南證券、西水股份、錢江摩托、安泰科技、臥龍電氣、新民科技、浪莎股份、美爾雅、重慶路橋、電廣傳媒、迪康藥業、證通電子。
(二)變量的選擇。變量的選擇主要是傳統財務數據,變量要能夠反映企業的償債能力、營運能力、收益能力、成長能力等。因此本文選擇了如下表所示的指標:
財務危機預警分析變量:流動比率、速動比率、資產負債率、有形凈值債務率、已獲利息倍數、存貨周轉率、應收賬款周轉率、總資產周轉率、每股收益、資產凈利率、凈資產收益率、每股收益增長率、總資產增長率、每股凈資產增長率、每股現金流增長率、EVA、每元資產EVA率。
(三)變量統計描述。通過以上17個財務指標可以對上市公司的財務狀況做出較為完整、客觀的評價。但是由于過多的指標可能存在多重共線性問題,從而降低模型的預測能力,因此有必要對上述指標變量做進一步的篩選,選擇那些區分能力最強的指標變量作為最后的建模依據。為了區分上述財務指標中那些能有效區別ST和非ST公司的指標,下面就26家樣本公司分別對這17個財務指標進行了T檢驗。本研究進行數據處理時采用的軟件是計量經濟學軟件SPSS13.00。
ST公司及其配對健康公司指標的T檢驗得出,VA、每元資產EVA率、流動比率、速動比率、資產負債率、有形凈值債務率、存貨周轉率、應收賬款周轉率、總資產周轉率、每股收益增長率以及每股凈資產增長率的雙尾檢驗的結果都低于0.05,說明ST公司與配對健康公司存在顯著差異,因而成為我們分析的指標。為消除多重共線性的影響,根據相關性的大小,又剔除了EVA、速動比率、有形債務凈值率、總資產周轉率、應收賬款周轉率、每股凈資產增長率六個指標,因此只剩下每元資產EVA率、流動比率、資產負債率、存貨周轉率、每股收益增長率五個指標,這五個指標對企業的財務危機預警有著較強的判別能力。
(四)Logistic回歸分析
1.Logistic回歸模型的建立。Logistic回歸模型,是一種非線性概率模型,其因變量是分類變量,只有0和1兩個取值。當因變量為0時表示上市公司陷入財務危機,當因變量取1時表示上市公司沒有陷入財務危機。
