企业风险的预警研究

企业风险预警是企业风险管理的重要方面，是对企业风险进行有效规避、转移和化解的前导步骤。因此，研究企业风险的形成机理、建立科学的企业风险预警模型、对企业进行有效风险管理至关重要。鉴于企业外部环境和内部运营的不断发展，企业风险预警问题已经成为学术界、企业界和政府部门所关注的焦点，国内外不少学者对此做出了研究，得出了很多有益的结论，但绝大多数学者从企业的财务指标来测量企业的风险，缺乏对企业的风险因素进行全面的分析和测量。目前企业风险的预警研究主要集中在企业财务风险、企业市场风险和企业信用风险三个方面。企业市场风险和企业信用风险测量主要侧重对金融机构风险的测量（王志成、周春生，2006），其方法并不能简单套用于工业企业风险的度量。本节将主要介绍企业财务风险预警的方法，并简单介绍企业市场风险和信用风险的度量。

1.企业财务风险预警方法

企业财务是企业的命脉，是企业风险和危机的最直观反映。企业风险和危机最早体现为企业的财务风险和危机。如果企业财务出现风险而事先没有建立起发现风险的机制或者已有的机制尚不完善，企业经营就会陷入困难，企业危机就不可避免。因此，国内外很多学者从不同的角度建立起企业财务困境预测的理论模型和应用体系。目前，国内外企业财务危机的预警方法主要有单变量判别分析法（UDA）、多变量判别分析法（MDA）、Logit回归分析、Probit分析方法和神经网络分析。

Fitzpatrick（1932）最早进行企业财务危机预警研究。他使用单变量判别分析方法，以19家企业为研究样本，运用净利润/股东权益和股东权益/负债两个财务比率，将研究企业划分为破产与非破产两组，并构建了单变量的破产预测模型。Beaver（1966）以美国1954—1964年期间的79家失败企业和79家成功企业为研究对象。他的研究结果表明，现金流量/总负债的预测效果较好，在失败前一年可达87％的正确预测率；其次是资产负债率，并且发现离企业经营失败的时候越近，模型预测的正确率越高。最早运用多元线性判别模型研究企业财务危机预测问题的是Altman（1968）。他根据行业和资产规模，以33家破产企业和33家非破产企业为研究对象，采用了22个财务比率，经过数理统计，筛选建立了著名的5变量Z值模型，在破产前一年的总体判别准确度高达95%。Altman（2007）研究发现，此后多年，MDA是盛行的企业危机预测模型的统计技术，许多学者运用了这一方法（Deakin，1972；Edmister，1972；Blum，1974；Eisenbeis，1977；Taffler和Tisshaw，1977；Altman等，1977；Bilderbeek，1979；Micha，1984；Gombola等，1987；Piesse和Wood，1992；Lussier，1995；Altman等，1995）。Ohlson（1980）采用Logit方法研究分析企业的财务危机问题，他从COMPUSTAT数据库中选取了1970—1976年间105家危机企业及2058家健康企业为研究对象，采取9个财务变量来预测企业财务危机。研究结果表明，其中4个变量对企业财务危机预测具有统计显著性，其预测正确率高达92%以上。为了提高模型的预测能力，在企业财务危机预测模型中，他引进了OPNEG和INTWO两个虚拟变量。Altman（2007）认为，自Ohlson（1980）的研究以后，虽然MDA和Logit两种方法预测得出的精确度大致相同，但许多学术文献（Zavgren，1983；Gentry等，1985；Keasey和Watson，1987；Aziz等，1988；Platt和Platt，1990；Ooghe等，1995；Mossman等，1998；Charitou和Trigeorgis，2002；Becchetti和Sierra，2002）都运用Logit方法来预测企业财务危机。Zmijewski（1984）认为一一配对样本会使样本中财务危机和非财务危机两类公司的比例达到1∶1，从而严重偏离这两类公司在实际总体中所占的比例。一般而言，财务危机公司在总体中所占比例很小，因此一一配对样本方法所建立的模型具有较高的预测能力，但很明显这种预测能力是被高估了。Zmijewski（1984）使用Probit分析模型对财务困境进行了预测，研究结果表明的确存在过度选样所带来的模型偏差，但这种偏差并没有显著影响到统计参数和模型的总体预测精度。Coats和Fant（1993）对47家财务危机公司和47家正常公司运用神经网络模型进行判别时，对财务危机公司的预测准确率达到了91%，明显高于多元判别法72%的准确率。

国内也有大量学者运用各种预警方法对上市公司企业财务危机进行了分析。陈静（1999）以我国证券市场27家ST上市公司作为危机企业样本，同时按同行业、同规模选取了27家非ST上市公司作为配对样本，运用单变量判别分析法进行分析，结果显示，在上市公司发生财务危机前1～3年判定正确率分别为92.6%、85.2%及79.6%。张玲（2000）选取了14个行业120家上市公司为样本，构建了多元判别分析预警模型。研究结果显示，模型对原始样本ST公司（30家）前1～5年的预测正确率为100%、87%、70%、60%和22%。吴世农、卢贤义（2001）分别使用多元线性回归分析、Fisher线性判别分析和Logit回归分析三种方法构建了相应的模型，研究发现三种模型均能在财务危机发生前作出较为准确的判断。姜秀华、孙铮（2001）构建了Logit判别模型，并将0.1确定为最佳分割点。研究发现，该模型在财务危机发生前1年，对ST和非ST公司判别准确率为88.1%和80.95%。杨宝安等（2001）运用神经网络分析方法对财务危机进行预测。结果发现，模型开发样本的判别正确率高达95%。

上述企业财务危机预警方法的描述、优缺点及相关文献如表2.3所示。

表2.3　企业财务危机预警方法一览表

续表

2.企业市场风险预警方法

20世纪70年代布雷顿森林体系崩溃，国际金融市场汇率和利率变动加剧，市场风险成为金融企业面临的重要风险。对金融企业市场风险测量的主要方法有波动率模型和VAR（Value at Risk）模型。

Poon和Granger（2002）指出，波动率模型按其模型构建思想又可以分为四类：使用历史波动率进行移动平均或加权方法的模型、时变参数的GARCH系列模型、随机波动率模型和通过衍生产品的内含波动率模型。由于这些测量方法都是针对金融企业的市场风险，对工业企业风险预警的借鉴意义不大，而且王志成等（2006）已经做过详细介绍，本书不再赘述。

VAR模型即向量自回归模型被认为是对银行和其他金融机构的市场风险进行度量的最佳方法。1993年，G30的全球衍生品研究小组提出了度量市场风险的VAR方法，J.P.Morgan（1994）推出了计算VAR的Risk Metrics风险控制模型，被众多金融机构广泛采纳。这一模型最初由希姆斯（C.A.Smis）于1980年提出，在一个含有n个方程（被解释变量）的VAR模型中，每个被解释变量都对自身以及其他被解释变量的若干期滞后值回归，若令滞后阶数为k，则VAR模型的一般形式可用下式表示：

其中：Z_t表示由第t期观测值构成的n维列向量；A_i为n×n系数矩阵；V_t是由随机误差项构成的n维列向量，其中随机误差项v_i（i=1，2，…，n）为白噪音过程，且满足E（v_itv_jt）=0（i，j=1，2，…，n，且i≠j）。

3.企业信用风险预警方法

KMV模型是1997年由美国KMV公司（现已被穆迪Moody公司收购）开发的用于度量企业信用风险的模型。KMV模型认为，股权是企业资产的看涨期权，以股票的市场数据为基础，利用默顿的期权定价理论，估计企业资产的当前市值和波动率，再根据公司的负债计算出公司的违约点（为企业1 年以下短期债务的价值加上未清偿长期债务账面价值的一半），然后计算借款人的违约距离（即企业距离违约点的标准差数），最后根据企业的违约距离与预期违约率（EDF）之间的对应关系，求出企业的预期违约率。国内外许多学者的实证研究结果表明，KMV模型具有较强的违约预测能力和预测企业破产概率的能力。