财务预警模型是诊断企业财务状况、提供财务危机信号的得力帮手，研究它无疑具有积极的意义。本文试图对目前国内外多种财务预警模型进行比较分析，以为构建适合我国企业财务预警模型提供一些思路和方法。
一、财务预警模型的分类简介
（一）单变量模型
单变量模型是指运用单一变数，用个别财务比率或现金流量指标来预测财务危机的方法。Ｆｉｔｚｐａｔｒｉｃｋ最早研究发现，出现财务困境的公司其财务比率和正常公司相比有显著的不同，从而认为企业的财务比率能够反映企业的财务状况，并指出财务比率分别对企业未来具有预测作用。Ｂｅａｖｅｒ在此基础上用统计方法建立了单变量财务预警模型，发现债务保障比率对公司的预测效果较好，其次是资产收益率和资产负债率的预测效果。另外，日本的田边升一提出了利息及票据贴现费用的单变量判别分析方法，以利息及票据贴现费用的大小来判断企业正常与否，从而也可对企业起预测作用。
（二）多变量模型
多变量模型就是运用多个财务指标或现金流量指标来综合反映企业的财务状况，并在此基础上建立预警模型，进行财务预测。按所建模型是否具有动态预警能力、财务预警系统是否易于修改和扩充，多变量模型又可以分为静态统计模型和动态非统计模型。
１．静态统计模型。①线性判别模型。多元线性判别模型是运用多元统计分析方法中的判别分析建立起来的，它是根据一定的样本资料，建立判别函数、确定判定区域，以对企业财务状况进行预测。这种模型以美国Ａｔｌｍａｎ教授的Ｚ模型最具代表性。②主成分预测模型。该模型也形成一个线性判定函数式，其形式类似判别分析模型。不过该模型是运用多元统计分析中的主成分分析方法，通过提炼综合因子形成主成分，并利用主成分建立起来的。我国学者张爱民、杨淑娥等分别运用主成分分析方法对我国上市公司的财务预警模型进行过研究。③简单线性概率模型。该模型是利用多元线性回归方法建立起来的，其形式是：ｙ＝ｃ＋β１ｘ１＋β２ｘ２＋…＋βｋｘｋ。其中：ｃ、β１、β２、…、βｋ为系数；ｘ１、ｘ２、…、ｘｋ为ｋ个预测变量，即财务指标；ｙ为企业财务失败的概率。该模型以０．５为危机分界点，ｙ值越大，企业发生财务失败的可能性越大，ｙ值越接近于０，说明企业财务越安全。④ｌｏｇｉｔ模型和ｐｒｏｂｉｔ模型。它们也分别叫作对数比率模型和概率单位模型，都属于概率模型，是在克服简单的线性概率模型的基础上并分别用ｌｏｇｉｔ和ｐｒｏｂｉｔ概率函数建立起来的。ｌｏｇｉｔ模型的形式为：ｌｎ〔ｐ÷（１－ｐ）〕＝α０＋β１ｘ１＋β２ｘ２＋…＋βｋｘｋ。其中：ｐ取值为０、１；ｐ为概率；ｘ１，ｘ２，…，ｘｋ为ｋ个预测变量，即财务指标；α０、β１、β２、…、βｋ为系数。ｐｒｏｂｉｔ概率模型的预测效果一般与ｌｏｇｉｔ模型预测的效果相差不大，在此不多加介绍。
２．动态非统计模型。动态财务预警模型主要是把人工智能中的归纳式学习的方法应用于财务危机预测。目前，这种方法中最常用的是神经网络预测模型。在神经网络模型中，当输入一些资料后，网络会以目前的权重计算出相对应的预测值以及误差，而再将误差值回馈到网络中调整权重，经过不断地重复调整，从而使预测值渐渐地逼近真实值。当应用此网络到新的案例时，只要输入新案例的相关数值，神经网络就可以根据当时的权重得出输出值即预测值。神经网络分析是一种并行分布模式处理系统，具有高度的计算能力、自学能力和容错能力。该模型由一个输入层、若干个中间层和一个输出层构成。案例推理法是近年来才被尝试应用于财务危机预测上的一种动态非统计模型方法。它是一种依循经验来推理的方法，就是以过去发生的案例为主要的经验依据来判断未来可能发生的问题，是一种典型的“上一次当，学一次乖”的推理方法。当输入一个新的问题到案例推理法系统，该系统会在从现有的案例库中搜寻相似的案例，判断新案例的类型。案例推理法的关键步骤就是根据相似性演算法测算出案例之间距离，再转变为案例之间的相似度，由相似度选取最相近的案例，据此进行推理判断。
二、各类财务预警模型的比较
（一）单变量模型和多变量模型的比较
１．单变量模型方法简单，多变量模型方法较为复杂。单变量模型只对单个财务比率进行分析考察，观察企业发展变化趋势，据此来判断企业财务状况，不需要进行复杂的计算。而多变量模型均同时选取多个财务指标或现金流量指标，再通过一定的方法进行综合分析，模型的构建涉及多种方法和理论，操作比较复杂。
２．和多变量模型相比，单变量模型分析存在较多的局限性。①不同的财务比率的预测目标和能力经常有较大的差距，容易产生对于同一公司使用不同比率预测出不同结果的现象。②单个指标分析得出的结论可能会受到一些客观因素的影响，如通货膨胀等的影响。③它只重视对个别指标影响力的分析，容易受管理人员粉饰会计报表、修饰财务指标、掩盖财务危机的主观行为的影响，以致模型判断失效。而多变量模型由于综合考虑了反映公司财务环境包括财务危机状况的多个方面的因素，反映的是基本的和整体、全局的状况，因此能比单变量模型更好地避免上述情况的发生。
（二）静态统计模型和动态非统计模型的比较
１．建立模型的方法。两者在建立模型的方法上存在着显著的差别。静态统计模型均是在利用统计数理和分析的基础上建立起来，如多元统计分析方法中的判别分析、主成分分析以及计量经济中的回归分析等。这些模型的建立均有一定的统计理论依据，均涉及到判定区间的确定和误判率的估计问题，并且建立的一般是线性模型。而动态非统计模型不是依据统计理论，而是利用人工智能中归纳式学习的方法建立起来的，整个分析及预测过程就好像是人类学习及思考一样。它是一种自然的非线性模型。
２．模型建立的假定条件。静态统计模型的建立一般都对样本数据的分布作一定的假设，并以假设作为前提条件。如，多元统计分析中的数据正态分布假设、协方差矩阵相等假设、简单线性概率模型的二项分布假设等。一般来说，只有在这些假设条件基本得到满足的情况下，才能保证静态统计模型预测的准确性。另外，静态统计模型的建立是以对数据之间的关系已有清醒的认识为基础的，一般假定各变量之间为简单的线性关系，并且比较注重数据本身的完整性及一致性。而动态非统计模型一般没有数据的分布、结构等方面的要求，适用于非线性关系的数据并对数据的缺失具有相当的容许性，基本上能处理任意类型的数据。
３．是否具有动态预警功能和容错性。静态统计模型只是根据以前的样本资料建立起来的，样本资料一旦确定，便难以再予调整，除非重新建立模型。随着财务状况的发展和财务标准的更新，这种按照以前的资料、标准建立起来的模型难以对已经变化了的财务状况作出准确的预测和判断，即这种模型不具有动态预警能力，不易修改和扩充。并且，静态统计模型对错误资料的输入不具有容错性，无法自我学习和调整。而动态非统计模型具备随着不断变化的环境进行自我学习的能力，随着样本资料的积累，可以定期更新知识，从而实现对企业危机的动态预警。并且，由于动态预警模型具有高度的自我学习能力，对错误资料的输入具有很强的容错性，因而更具有实用价值。
４．实际应用。动态模型如神经网络模型等的分布是自由的，当变量从未知分布取出和协方差结构不相等（企业失败样本中的常态）时，神经网络能够提供准确的分类。但是，它在实际运用中还存在一些问题，如模型的拓扑定义、网络架构的决定、学习参数以及转换公式的选择等比较复杂和难以确定，其工作的随机性较强，非常耗费人力与时间，而且其在决策方法中表现得像一个黑匣子，以致对它的接受和应用都较困难。另外，这种模型要求拥有大量的学习训练样本以供分析，如果样本数量积累得不足、没有足够的代表性和广泛的覆盖面，则会大大地影响系统的分析和预测的结果。Ａｌｔｍａｎ（１９９５）在对神经网络法和判别分析法的比较研究中得出结论：“神经网络分析方法在风险识别和预测中的应用并没有实质性地优于线性判别模型”。而传统的统计模型发展得比较成熟，计算也相对简单，应用也较为广泛。并且某些统计方法，如：ｌｏｇｉｔ、ｐｒｏｂｉｔ模型对数据是否具备正态分布、两组协方差是否相等也没有要求，常用的判别分析中的距离判别方法也可以在两总体协方差矩阵不相等的情况下使用。因此，目前在财务预警模型方面仍然以传统的统计方法为主，而动态模型尚不够成熟，对它的应用仍处于探索、实验阶段。