摘要：縱观国内外研究状况，关于财务风险预警模型的研究主要有两类：传统统计类模型构建和人工智能型模型构建。传统统计类模型包括一元判别模型、多元判别模型、条件概率模型、生存分析模型等。人工智能型模型包括神经网络模型、遗传算法模型、支持向量机模型等。
　　关键词：财务风险；预警

一、一元判别分析模型

　　国外关于财务预警模型的研究始于Fitzpatrick所提的单变量破产预测模型，他基于某一个财务比率将19个样本公司划分破产与非破产两组，最后发现在所用的财务比率中，净利润/股东权益和股东权益/负债这两个比率判别能力最高，该模型便是最早的一元判别分析模型。继Fitzpatrick之后，Beaver正式提出一元判别分析模型，他比较79家失败企业和79家同行业同规模的成功企业的30个指标，发现最具有预测能力的三个指标依次为现金流量负债比、资产报酬率以及资产负债率。国内相关研究起步比较晚，徐鹿以制造业2001-2002年戴帽的15家ST公司和15家配对正常公司为样本，对其财务报告的23个指标进行单变量分析，发现每股收益、ROE和净利润增长率判别的错分率较低。一元判别模型是通过单一指标来预测财务风险，比较简单方便，但因研究指标的单一性，容易被企业粉饰预测结果，而且不同的指标可能预测出相反的结果。

二、多元判别模型

　　为克服一元判别分析模型的缺陷，多元判别模型应运而生。美国学者Edward-Altman将22个财务比率合并入一个函数方程，即著名的Z分数模型，这个模型在公司失败前两年的预测效果比较好，但在失败前第5年的预测准确率低于50%，因此Altman又提出了修正版“ZETA”模型，这一模型在失败前第五年仍有80%的判别准确率。国内学者张方方、卿平乐以218家制造业上市公司（其中ST公司109家）为样本，对这些样本公司28个财务指标进行多元判别分析，结果显示现金流量指标有较强的预测能力。王文红、杨惠琳以我国汽车制造业的59家上市公司（其中ST公司3家）为研究对象，考察Z分数模型的实用性，研究结果表明Z分数模型有一定的应用性，但也存在一定的局限性如：没有考虑异常值的存在、长期预测能力不够理想。多元判别模型虽然准确度比较高，但其假设变量服从联合正态分布，并且两组变量的协方差相等，这些前提条件在现实中很难满足；此外，多元判别模型指标过多，工作量过大，容易造成模型因果混乱的不良后果。

三、条件概率模型

　　为克服多元判别模型的局限性，学者们引进了条件概率分析法，主要包括logistic回归和probit回归两种。
　　最早将logistic回归应用于破产预测的是OhlSon，他将财务危机模型简化成一个已知财务指标数据计算企业陷入财务困境的概率问题，当概率大于某个设定的临界值时，则认为该公司很可能陷入财务困境。OhlSon研究没有要求样本间的配对，而是通过105家破产公司和2058家正常公司的9个财务指标数据建立logistic回归模型，实证结果表明，模型判断的准确率为85%。不少西方学者都将logistic回归用于财务预警，如 Gilbert用11个应计项目比率和3个现金流量指标构建了logistic预测模型，发现现金流量比率指标变量能够增加模型预测的解释力度。Zmijewski，他以宣布破产的76家公司为困境样本，另选取3880家正常公司为非困境样本，采用未加权probit模型和加权最大似然probit模型来研究样本的基础偏差和样本选择偏差，结果证明双变量probit模型更具有降低偏差的效果。
　　国内近些年运用logistic回归模型做财务预警模型构建的研究很多，如：王克敏、姬美光以2000-2003年沪深市场的128家ST公司为困境样本，分别对财务指标和公司治理等非财务指标建立Logit模型，结果表明早期非财务指标比财务指标更具有预测能力。陶志坤以2011年50家ST上市公司和50家配对公司为样本建立Logit模型，结果表明越接近被特别处理的时间，模型预测越准确。黄亿红等以EVA和董事会治理为视角，建立了加入EVA的Logit预警模型和同时加入EVA和董事会治理变量的Logit风险预警模型。朱洪婷以机械行业的财务数据为研究样本，构建了Logit模型，并以某机械公司为实例进一步对所构建模型在实务中的应用进行了具体分析。

四、神经网络模型

　　首次将神经网络模型用于财务困境预测的是Odom