mba财务管理论文

您当前的位置:学术堂 > 毕业论文 > mba论文 > mba财务管理论文 >

财务预警的管理理念与模型(2)

来源:学术堂 作者:周老师
发布于:2015-11-12 共4136字
  本篇论文快速导航:

展开更多

  (四)经营环境明显恶化

  导致企业财务危机产生的重要因素之一往往是企业经营环境的恶化,许多企业管理当局缺乏对环境变化的高度敏感性,没有充分注意到这一点。从宏观上讲,国家的财政、金融、税务、利率和行业政策等的变化,客户消费倾向的变化和市场结构的变化都可能对企业的财务状况和经营情况造成重大影响。例如:与本企业有重大关联企业的破产、金融机构对本企业采取更严格的贷款条款、企业的市场信誉持续下降、债务和担保纠纷不断、筹资环境恶化等等。上述企业财务环境的恶化通常是企业走向财务危机的重要征兆。

  2.3 财务预警的模型

  财务预警模型是一种判别模型,主要借助企业财务指标和非财务指标体系。财务语境包括两个层面的含义:一是微观层面的含义,运用具体统计方法得出的具体预测模型;一种是宏观层面的含义,即财务预警采用的模型的类别。

  我们最常见的财务预警的模型主要有以下五类:一元判定模型、多元线性判定模型、多元概率比回归模型、多元逻辑模型和人工神经网络模型。

  (一)一元判定模型( Univariate)

  最初能够测试出企业是否濒临破产状态的预测模型是一元判定模型,寻找判别阀值是一元判定模型中最为关键的一点。按照企业是否破产将样本分为两组。首先,按照规定财务比率,对预测样本(包括破产企业和非破产企业)进行排序,选择判别阀值点,令两组的判别率达到最小。然后,判别规则是选定的阀值对测试样本进行测试。

  单变量破产预测研究的财务预警模型最早由 Fitzpatrick (1932)开展。他以 19 家企业作为样本,将样本划分为破产与非破产两组,其中单个财务比率股东权益/负债和净利润/股东权益比率判别能力最强。Beaver(1966)分别考察了在企业陷入财务困境前1-5 年的 29 个财务比率的预测能力,其中在破产前一年的预测正确率可以达到 87%的比率是营运资金流/总负债。

  一元判定模型方法的简单适用,但总体判别精度不高。与多元模型想对比在前一年的预测方面多元模型预测精度明显较高。但是,也有一些可以得出上市企业的财务困境是从某些财务指标恶化开始的,这可以从一元判定模型在前两年、前三年的预测中预测能力较强来说明。

  一元判定模型的缺点在于,虽然单个财务比率具有代表性,如果经理人员知道这个指标,就有可能对这个指标进行粉饰,容易给经理人员制造舞弊的空间,制造出企业具有良好财务状况的假象。由此我们可以得出,预测时仅用一个财务指标不能准确和充分的反映企业财务特征,这是一元判别方法的缺点所在。

  (二)多元线性判定模型

  多元线性判定模型最早是由 Altman(1968)提出,又称 Z-Score 模型。Z 分数模型在破产前一年的判别准确度能够达到 95%,模型含有 5 个判别变量。其基本原是在两组数据间筛选出差别最大,离散度最小的变量,获得多元线性判别方程是通过将多个标志变量按照信息损失最小的原则转换为分类变量。

  多元线性判定模型虽然具有较高的判别精度,但是也存在一些缺陷,主要包括以下几个方面:研究者需要做进行大量的数据分析和收集和工柞;预测精度在前一年最高,但在再往前一至两年,预测精度大幅下降。

  (三)多元逻辑( Logit)模型

  多元逻辑(Logit)模型的目标是寻求观察对象的条件概率,判断观察对象的经营风险和财务状况。Logit 模型假设条件是企业破产概率 p(非破产取 0,破产取 1),可以用财务比率线性解释Ln[p/(1-p)].先设立公式Ln[p/(l-p)] = a+ bX,进而推导出p = exp(a+ bX)/[1+ exp(a+ bX)].其他推导企业破产的条件概率的模型与相似多元逻辑(Logit)模型相似,来确定企业破产的 Z 值(Z=a+bx)。根据 p 值判别企业财务是否正常:如果p 值低于 0.5,则财务正常;如果 p 值大于 0.5,则企业即将破产,企业存在较大的破产概率。Logit 模型最大的优点是与线性方程受统计假设约束的限制不同,不需要严格假设条件,适用范围较广。

  (四)多元概率比(Probit)回归模型

  同多元逻辑模型相似,Probit 回归模型假定企业破产的概率为 p,概率函数的 p分位数可以用财务指标线性解释,样本服从标准正态分布。多元概率比(Probit)回归模型的计算方法是,首先确定极大似然函数,然后求得参数 a、b,再运用下面的公式求企业破产概率。和多元逻辑模型的判别规则一样,如果企业为即将破产型 p 大于0.5;如果概率 p 小于 0.5,则为正常财务。

  P = j (1/,e-t-/2dt)

    Probit 模型在前提假设和计算方法上和 Logit 模型有一定差异:Logit 和 Probit 概率函数中参数 a、b 的求解方法并不完全一样,分别是极大化对数似然函数求解和采用极大化积分似然函数求解;Probit 概率函数需要假设样本服从标准正态分布;Probit采用积分处理的方法,Logit 采用取对数方法计算出破产概率,求破产概率的方法不同。

  (五)人工神经网络(ANN)模型

  将神经网络的分类方法应用于财务预警的模型是人工神经网络(ANN)模型。ANN不仅可以克服统计方法的限制,还拥有较好的模式识别能力,可随时依据新数据资料进行自我训练、通过不断自我学习,调整其内部的储存权重参数以应对多变的企业环境。不同的财务模型的特点各不相同,如下表 2-1 所示。

返回本篇论文导航
相关内容推荐
相关标签:
返回:mba财务管理论文