1、淺談貨幣危機預警理論與模型摘要：貨幣危機預警的主要目的是提早識別危機發生的信號，以便該國可以及時采取適當的措施，減少危機發生的概率，乃至防止危機的發生，或者減少危機發生的強度和烈度。20世紀90年代以來的貨幣危機預警研究。形成了信號分析模型、離散選擇模型和馬爾可夫狀態轉移模型等預警模型，但總體而言，現有預警方法的預警才能還不夠理想。關鍵詞：貨幣危機；預警理論；模型貨幣危機泛指匯率的變動幅度超出了一國可承受的范圍這一現象，或者是“對貨幣的投機性進攻導致貨幣大幅度貶值或國際儲藏大幅度下降的狀態。貨幣危機預警是與投機性貨幣沖擊理論的開展親密相關的。貨幣危機預警的主要目的是提早識別危機發生的信號，以便

2、該國可以及時采取適當的措施，減少危機發生的概率，乃至防止危機的發生，或者減少危機發生的強度和烈度。關于貨幣危機預警理論的研究始于對20世紀六七十年代拉美貨幣危機的研究，隨著金融自由化、國際化進程的不斷加速，貨幣危機的發生頻率及造成的危害隨之增加，19921993年歐洲貨幣體系危機、19971998年亞洲貨幣危機與金融危機爆發進一步刺激了經濟學界對貨幣危機預警理論的研究。本文將對貨幣危機的主要預警模型進展梳理和歸納。一、信號分析模型信號分析模型(klr)是kainsky、liznd和reinhart于1998年首先提出的。它以經濟周期轉折的信號理論為根底，其核心思想是通過研究貨幣危機發生的原因，

3、確定哪些經濟變量可以用于貨幣危機的預測，然后運用歷史上的數據進展統計分析，來確定與貨幣危機有顯著聯絡的變量，以此作為貨幣危機發生的先行指標。信號分析模型分四步進展：(1)確定貨幣危機的原因和危機預警時段；(2)運用歷史上的數據進展統計分析，確定與貨幣危機有顯著關系的變量，進而確定先行變量；(3)按照噪聲一信號比的最小化規那么，確定閾值；(4)一旦經濟中相應指標變動超過閾值，那么將之視為貨幣危機即將在24個月內發生的信號。由于klr模型中各個變量的分析是單獨進展的，所以它在本質上是一個單變量模型。為了抑制klr模型的單變量屬性，kainsky(1999)進一步對發生貨幣危機信號的指標進展綜合考慮

4、，它提出了4個預測危機的復合指標，1個復合指標是對各預警指標發出信號數的簡單加總，另外3個復合指標那么分別考慮了指標分布不平衡、指標時間延續性以及指標不同權重。通過對預測指標的擴展，klr模型已經可以較好地處理預警結果輸出的單一化問題，并利用多個復合指標可以更好地發送預警信息，極大地改善了預警效果。kainsky(2022)又進一步提出了多狀態klp模型。他將貨幣危機分為6種，即經常賬戶惡化型危機、財政赤字型危機、金融過剩型危機、國家外債型危機、國際資本流動突然逆轉型危機和自我實現型危機。研究發現，新興市場國家的貨幣危機通常屬于前4種，其發生與受害國經濟的脆弱性有關；興隆國家的貨幣危機通常屬于

5、后兩種，經濟根本面通常良好，多由不利的國際市場形勢所致。這樣一來，klr模型可以在對貨幣危機預警的同時，進一步將貨幣危機的損失與其類型聯絡在一起，厘清對貨幣危機深度的認識。信號分析模型經過不斷修正完善，已經成為使用最廣泛的貨幣危機預警模型，它可以根據多個變量發出的信號估計危機發生的概率，同時有效提供關于危機根源和廣度的信息，但該模型也存在一些明顯缺乏：(1)主要以宏觀經濟環境為背景，沒有考慮到政治性事件及一些外惹事件對貨幣危機爆發時間選擇的影響；(2)klr模型的隱含假設是在解釋自變量和因變量之間存在一個特定的函數關系，即階躍函數關系，這一界定使得模型無法對一個變量是剛剛超過閾值，還是大幅超過

6、閾值進展區分，因此使得變量提供的信息未能充分利用；(3)模型指標大多集中在外匯儲藏、信貸增長與實際匯率等方面，仍防止不了傾向性；(4)雖然通過加權平均解決了預警指標的單一化問題，但由于各變量之間的互相關系仍未納入考慮，因此，這種匯總是外表的。二、離散選擇模型針對信號分析模型的上述缺陷，有學者提出了離散選擇模型，它最重要的打破在于通過納入新的解釋變量來擴展模型，進而同時考慮所有相關變量。其代表性的研究成果包括以下幾種：frankel和rse(1997)構建的貨幣危機發生可能性的面板prbit模型。其研究思路是通過對一系列前述指標的樣本數據進展極大對數似然估計，以確定各個引發因素的參數值，從而根據

7、估計出來的參數，建立用于外推估計某個國家在將來某一年發生貨幣危機可能性的大校該模型研究發現，金融事件是離散且有限的，貨幣危機的發生那么是由多種因素引發的，譬如在fdi流入枯竭、外匯儲藏較少、國內信貸增長迅速、實際匯率高估的時期等，貨幣危機發生的概率較大。此后，andreberv和atherinepattil(1998)對1997年泰國貨幣危機及墨西哥、阿根廷發生貨幣危機的概率進展預測，但準確度并不高。bussire和fratzsher(2002)認為二元prbit模型混淆了危機前的誘發期和危機后的恢復期，而實際上在這兩個時期危機預警指標的表現具有很大差異，他們將外匯變動分為三種狀態或時期，即貨

8、幣危機平靜期、誘發期和恢復期，并在此根底上提出使用三元應變量lgit模型進展危機預測。該模型對32個國家1993年12月至2001年9月的月度數據驗證，預測效果還比擬理想，在樣本內可正確預測73的誘發期和85的平靜期，在樣本外預測亞洲金融危機時，可以正確預測57的誘發期和83的平靜期。此后，kuar等(2022)提出了基于滯后宏觀經濟和金融數據的lgit模型，該模型使用32個開展應該說，離散選擇模型出現了從二元離散選擇模型拓展到多元離散選擇模型的方向，且模型的預測值較好解釋了危機發生的概率，但也存在一些缺乏之處，主要表現為：(1)模型中存在將連續變量轉換為二元或多元離散變量后信息的損失，而且沒

9、有確立一個根據預警危機和防止噪聲的才能對變量進展排序的標準；(2)不同指標對于不同國家的重要性不盡一樣，所以假設參數恒常的面板模型在貨幣危機的預警方面通常表現很差(abiad，2022)；(3)由于自變量存在多重共線的可能，這直接限制了更多變量的采用，最終影響對危機預測的準確性。三、馬爾可夫狀態轉移模型馬爾可夫狀態轉移模型(arkvsithingdel)是體制轉換模型中最常見的形式。它將構造性的變化視作一種機制向另一種機制的轉換，譬如金融運行特征發生的顯著變化，包括大幅起落或中斷，匯率急劇下降、經濟增長趨勢逆轉等，進而將構造變化內生化進展估計。artinez-peria(2002)提出了一個帶

10、有動態轉換概率的狀態轉換模型，該模型采用兩種形式：一是匯率轉換模型，假設匯率是一個ar(4)過程；二是向量自回歸模型，假設內生變量有3個，即匯率、利率和外匯儲藏，均服從一階var過程。在此根底上，他直接對投機供給建模，同時參加預期因素，對1979-1993年歐洲貨幣體系的貨幣投機性沖擊進展研究，研究說明，沒有考慮變量狀態轉換性質的模型可能存在設定偏誤問題，經濟根本面和預期因素共同決定了危機發生的概率。abiad(2022)也將體制轉換模型用于預測貨幣危機，他首先拓展了預警指標，即宏觀經濟指標、資本流動指標和金融脆弱性指標三類，而后采用單參數檢驗顯著的預警指標分別對19721999年印度尼西亞、

11、韓國、馬來西亞、菲律賓和泰國等5國是否發生貨幣危機進展了預警。研究說明，體制轉換模型預測貨幣危機的準確性比已有的預警方法更高，同時發出的錯誤信號更少。在abiad研究的根底上，張偉(2022)進一步驗證了abiad的結論，他通過擴大研究范圍、改變樣本區間、選擇不同的預警自變量，更為全面客觀地評價體制轉換模型在建立貨幣危機預警系統方面的效果，總體而言，該模型的預警才能較強，時效性也較強。應該說aikv-sithing模型通過估計過程中將構造變化內生化，充分利用因變量本身的動態信息，有效防止與閾值設置相關的各類問題，以及由此帶來的把連續變量轉換為離散變量所造成的信息損失。但該模型的一個重要問題是，

12、制度因素在開展x1為營運資本/資產總額，反映了企業資產的折現才能和規模特征。營運資本是企業的勞動對象，具有周轉速度快，變現才能強，工程繁多，性質復雜，獲利才能高，投資風險小等特點。一個企業營運資本的持續減少，往往預示著企業資金周轉不靈或出現短期償債危機。x2扳映了企業的累積獲利才能。期末留存收益是由企業累積稅后利潤而成，對于上市公司，留存收益是凈利潤扣除全部股利后的余額。一般說來，新企業資產與收益較少，因此相對于老企業x2較小，而財務失敗的風險較大。x1即ebit/資產總額，可稱為總資產息稅前利潤率，而我們通常所用的總資產息稅前利潤率為ebit/平均資產總額，分母間的區別在于平均資產總額防止了

13、期末大量購進資產時使x3降低，不能客觀反映一年中資產的獲利才能。ebit是指扣除債務利息與所得稅之前的正常業務利潤(包括對外投資收益)，不包括非正常工程、中斷營業和特別工程及會計原那么變更的累積前期影響而產生的收支凈額。原因在于：由負債與資本支持的工程一般屬于正常業務范圍，因此，計算總資產利潤率時以正常業務經營的息稅前利潤為根底，有利于考核債權人及所有者投入企業資本的使用效益。該指標主要是從企業各種資金來源(包括所有者權益和負債)的角度對企業資產的使用效益進展評價的，通常是反映企業財務失敗的最有力根據之一。x4測定的是財務構造，分母為流動負債、長期負債的賬面價值之和；分子以股東權益的市場價值取

14、代了賬面價值，因此對公認的、影響企業財務狀況的產權比率進展了修正，使分子能客觀地反映公司價值的大校對于上市公司，分子應該是：“末流通的股票賬面價值+流通股票期末市價。x4的分子是一個較難確定的參數，尤其對于股權構造較復雜的企業。而目前及在今后相當長的時間內，非上市公司仍占我國公司總數的大部分，要確定非上市公司所有者權益市價，我們可以采用資產評估方法中的預期收益法，詳細表示為：企業資產市價=企業預期實現的年利潤額/行業業平均資金利潤率。x4=(企業資產的市價/負債總額)-1。x5為總資產周轉率，企業總資產的營運才能集中反映在總資產的經營程度上，因此，總資產周轉率可以用來分析企業全部資產的使用效率

15、。假設企業總資產周轉率高，說明企業利用全部資產進展經營的成果好，效率高；反之，假設總資產周轉率低，那么說明企業利用全部資產進展經營活動的成果差，效率低，最終將影響企業的獲利才能。假設總資產周轉率長期處于較低的狀態，企業就應當采取措施進步各項資產的利用程度。對那些確實無法進步利用率的多余、閑置資產應當及時進展處理，加快資產周轉速度。x5的分子“本期銷售收入應該為銷售收入凈額，指銷售收入扣除銷售折扣、銷售折讓、銷售退回等后的余額。z記分模型從企業的資產規模、獲利才能、財務構造、償債才能、資產利用效率等方面綜合反映了企業財務狀況，進一步推動了財務預警的開展。從這個模型可以看出，增加營運資金、留存收益

16、、息稅前利潤、銷售收入，進步企業價值，或減少負債、節約資產占用，可減少企業破產的可能性。奧特曼教授通過對z記分模型的研究分析得出：z值越小，該企業遭受財務失敗的可能性就越大。altan還提出了判斷企業破產的臨界值：假設企業的z值大于2.675，那么說明企業的財務狀況良好，發生破產的概率很小；反之，假設z值小于1.81，那么企業就存在很大的破產危險；假設z值處于1.812.675之間，那么稱之為“灰色地帶，進入這一區間的企業財務狀況是極不穩定的。奧特曼教授選擇了1968年尚在持續經營的33家美國企業進展預測，其準確率令人滿意，而且分析根據的資料越新，準確率越高。如根據臨近財務失敗的報表資料預測其

17、準確率為96，根據財務失敗前一年的報表預測準確率為72。但無論怎樣，都必須以財務報表的真實性、準確性、完好性為前提。近年來，澳大利亞、巴西、加拿大、法國、德國、愛爾蘭、日本和荷蘭都進展了類似的分析。盡管z值的判斷標準在各國間有相當的差異，但各國“財務失敗組的z值的平均值都低于臨界值1.8。2altan的zeta模型ahan的z己分模型主要適用于上市公司。為了便于為非上市公司評分，1977年altan等人又對原始的z記分模型進展擴展，建立了，第二代模型zeta模型。這一次的模型選取了自19621975年間的53家破產企業和58家配對的正常公司，樣本公司平均資產規模在1億美元左右，而且包括了相當數

18、量的零售類企業，因此zeta模型的適用性有所進步。此次研究利用27個初始財務比率進展區別分析，最后模型選取了7個解釋變量，包括：x1資產報酬率，采用息稅前利潤與總資產之比衡量。在以前的多變量研究中該變量在評估公司業績方面相當有效。x2盈余的穩定性，采用對x1在510年估計值的標準誤差指標作為這個變量的度量。收入上的變動會影響到公司風險。x3債務保障，可以用所常用的利息保障倍數，即息稅前利潤與總利息償付之比來度量。這是固定收益證券分析者債券評級機村所采用的主要變量之一。x4累計盈余，可以用公司留存收益/總資產來度量。該比率對于z證分模型尤其有效，它需要考慮以下因素：公司年齡、公司股和政策，以及不

19、同時期的獲利記錄。不管是單變量還是多變量法，該比率都是最重要的。在非上市公司的該比率計算中，分子部分用公司凈資產的賬面價值代替權益市場價值，因為非上市公司沒有市場價值指標。x5流動性，可以用人們所熟悉的流動比率衡量。x6資本化率，可以用普通股權益與總資本之比衡量。在分子和分母中，普通股權益可以用公司5年的股票平均市值衡量，而不是賬面值。5年平均市值可排除可能出現嚴重、暫時性的市場波動，同時在模型中納入了趨勢的成分。x7規模，可以用公司總資產的對數形式來衡量。該變量可以根據財務報告的變動進展相應的調整。實證研究說明，zeta模型的分類正確率高于原始的z記分模型，特別是在破產前較長時間的預測準確率

20、較高，其中灰色區域為1.45+0.87之間，z值大于0.87以上為非破產組，z值小于1.45區域為破產組。(三)周首華的f分數模型由于z記分模型在建立時并沒有充分考慮到現金流量的變動等方面的情況，因此具有一定的局限性。1996年北京化工大學會計系周首華、美國夏威夷大學會計學院楊濟華和這一預測變量。許多專家證實現金流量比率是預測公司破產的有效變量，因此它彌補了z記分模型的缺乏。(2)該模型考慮到了現代公司財務狀況的開展及其有關標準的更新。比方公司所應有財務比率標準已發生了許多變化，特別是現金管理技術的應用，已使公司所應維持的必要的流動比率大為降低。(3)該形式使用的樣本更加擴大。其使用了psta

21、tpplus會計數據庫中1990年以來的4160家公司的數據為樣本；而z記分模型的樣本僅為66家(33家破產公司及33家非破產公司)。f分數模型中的5個自變量的選擇是基于財務理論，其臨界點為0.0274。假設某一特定企業的f分數低于0.0274，那么將被預測為破產公司；反之，假設f分數高于0.0274，那么公司將被預測為繼續生存公司。三、財務危機預警模型應用的實證過程(一)財務危機預警模型應用實證研究說明1研究對象的選擇根據本文在財務危機預警模型的應用研究中，均以在深圳證券交易所掛牌交易的“st廣廈這家公司為例來進展實證分析。之所以選擇這家企業，主要出于三個方面的考慮：一是因為它是上市公司，資

22、料容易搜集；二是因為銀廣廈曾因造假丑聞而遭遇財務危機；三是因為它出現的財務危機情況比擬典型，代表了從計算結果可以看出，銀廣廈2001年f值為-0.6246，遠遠低于模型的預警臨界點0.0274，按照f分數模型的判別標準，公司將被判別為財務危機類公司。判別結果正確，與事實相吻合。而從2000年的情況來看，公司f值遠遠高于判別值。將把公司判別為財務正常類公司。可見，改進后的f分數模型同樣對于虛假財務信息也無法甄別。深化分析其原因，我們會發現，雖然f分數模型中參加了現金流量類指標，但是由于現金流量類指標采用間接法計算，同樣依賴公司盈利狀況。而且，在f分數模型中同樣采用了公司股價指標，而2000年內正

23、是公司造假登峰造極之時，股價明顯偏高，以此為根底計算的預警模型結果顯然也偏高。f分數模型的預測結果與z記分模型的預測結論是一致的，盼數模型的預測精度并無明顯改善。四、財務危機預警模型應用結果比擬分析(一)單變量模型法應用實證研究結論1比擬分析運用beaver的單變量模型法對銀廣廈進展預警分析，從現金流量/總負債的預測結果來看，負債的現金保障程度很低，應引起注意；從總負債/總資產和凈利潤/總資產的預測結果來看，企業盈利才能在不斷增強，經營狀況良好。采用不同的預測指標得出了互相矛盾的預測結果。這一方面是因為于該公司財務信息失真，某些財務指標被操縱，從而影響了預測精度；另一方面是因為單變量分析法本身

24、具有嚴重缺陷。單變量分析法的優點是簡便易行，沒有前提假設條件限制，適用范圍廣。但是在beaven采用單變量分析進展企業失敗預警研究之后，很少有研究人員沿用單變量方法進展危機預測，原因在于單變量分析有以下嚴重缺陷：第一，單變量模型只重視一個指標的反映才能，假設經理人員知道這個指標，就有可能去粉飾這個指標。以期表現出良好的財務狀況。達不到預警的目的；第二，使用任何單個財務指標將在很大程度上排斥其他指標的作用；第三。假設使用多個指標分別進展判斷，這幾個指標的判斷結果可能會產生矛盾，如銀廣廈的情況就是如此，導致無法做出正確的判斷。第四，雖然財務比率是綜合性較強的指標，但是僅用一個財務指標不能充分反映企

25、業的財務特征，預警結果難免會有誤差。2改進單變量模型法的建議首先，單變量模型法雖然簡單易行，工作量小，但是總體判別精度不高。在前一年的預測中，一元斷定模型的預測精度明顯低于多元斷定模型。銀廣廈的判別結果就是如此。不過，眾多的實證研究說明，一元斷定模型在危機發生的前兩年、前3年的預測中表現出了很強的預測才能。這也說明有些企業的財務困境是從某些財務指標的惡化開始的。假設能設置一些適宜企業自身特點的單變量指標進展財務危機的監測，就有可能做到早知道早預防。因此可以利用單變量分析法進展企業財務危機的遠期預測，作為財務預測的一種輔助方法來使用，不失為一種理想的選擇。其次，由于我國企業財務信息失真現象比擬普

26、遍，建立單變量預警指標監測企業財務危機時，應更多地使用基于現金流量根底上的財務指標。銀廣廈的單變量模型預測中，現金流量，總負債指標的預測效果好于總負債，總資產和凈利潤，總資產兩個指標。眾所周知，建立在權責發生制根底上利潤指標經常受到經營者的控制，經營者可通過調整會計政策，控制相關費用等手段來調節會計凈利潤的上下。這種利潤操縱行為，在西方被稱為“會計戲法。“會計戲法演示的結果，導致財務信息失真，造成決策信息混亂。它會演繹成一種非常奇特、非常矛盾的狀況：一方面企業賬面有會計利潤；另一方面，企業的現金支付才能極差，而這種企業現金流量和現金支付才能的危機，正是1997年亞洲金融風暴形成的基矗(二)多變

27、量模型法實證應用研究結論1比擬分析從上述多元判別模型的應用結果來看，z記分模型和f分數模型在危機全面爆發的前一年(銀廣廈被戴上“st的帽子)的預測結果都是準確的，即2001年的模型預警結果還是準確的。這說明我們可以借助財務預警模型早日發現企業經營活動中存在的潛在風險和危機，不管是z記分模型還是f分數模型至今仍具有強大的生命力，而且間隔 危機發生期越近預測結果越準確。但是也應該看到，不管是z模型還是f模型，都是以財務信息的真實性為前提條件的。一旦會計信息失真，預警結果就會不準確。由此可見，經典的財務預警模型具有很好的“財務判斷功能，而在“財務識別功能上略顯缺乏，從而總體預測精度會受影響。f分數模

28、型雖然加進了現金流量因素，但是仍然沒有本質性的改進。從模型的建立方法來看，z記分模型和f分數模型都屬于多元判別模型。多元判別模型在很大程度上抑制了一元判別分析的缺陷，該方法的優點表如今：(1)可以包容反映企業財務狀況的多個指標，因此在財務危機預測中適用范圍較廣；(2)可以包含獨立變量；(3)一旦完成模型構建，運用相對容易；(4)預測精度比擬高，特別是在危機發生的前一年，不管是z記分模型還是f分數模型，都具有較高的判別精度。但是利用多元判別模型進展財務危機預警的缺陷也是不容無視的。多元判別模型本身存在的缺陷有：(1)預測工作量比擬大，研究者需要做大量的數據搜集和數據分析工作。(2)在前一年的預測

29、中，多變量斷定模型的預測精度比擬高，但在前兩年、前三年的預測中，其預測精度那么大幅下降。甚至低于一元判別模型。可能的原因就是很多財務變量只是企業陷入財務困境的征兆，或者說是一種表象，而不是陷入財務困境的原因和本質。過多的財務指標，將“因和“果混淆在一起。反而增加了模型的噪音。(3)多元線性斷定模型有嚴格的假設條件。從模型的建立方法來看，不管是z記分模型，還是盼數模型的建立，實際上都有這樣三個假設條件：一是樣本財務資料要服從多元正態分布；二是每一個變量都不是其他變量的線性組合；三是兩樣本群體的協方差矩陣相等。但是在企業財務危機研究的實務中，財務資料大多不符合常態概率分布的根本假設，當這個假設條件

30、破壞時，計算的概率將非常不準確，最終影響預警精度。同時，由于多在近似狀態下使用，適用范圍受到了限制。通過上述單變量與多變量判別模型的優缺點分析，可以清楚地比擬兩者的區別。主要方面的區別如表7所示。五、改進多變量模型的建議(一)考慮采用其他方法建立多變量預警模型為了抑制多元斷定模型嚴格的假設條件，可以采用以下幾種方法建立多變量財務危機預警模型。1多元邏輯模型hlsn(1980)提出了多元邏輯模型(lgit)的建立方法。多元邏輯模型的目的在于尋求觀察對象的條件概率，從而據以判斷觀察對象的財務狀況和經營風險。它是建立在累計概率函數的根底上，不需自變量服從多元正態分布和兩組間協方差相等的假設條件，lg

31、it模型假設破產企業的概率p(破產取1，非破產取)，并假設hlp/(1-p)可以用財務比率線性解釋。首先假定ln(p/(1-p)=a+bx，然后根據推導可以得出p=exp(a+bx)，1+exp(a+bx)，從而計算出破產企業的概率。其判別規那么是：假設p值大于0.5，那么說明企業破產的概率比擬大，那么那么斷定企業為即將破產類型；假設p值低于0.5。那么說明企業財務正常的概率比擬大，斷定企業為財務正常類型。2多元概率比模型(prbit)zijeski(1984)提出了多元概率比模型(prbit)。多元概率比模型同樣假定企業破產的概率為p，并假設企業樣本服從標準正態分布，其概率函數的p值可以用財

32、務指標線性解釋。其計算方法和lgit很類似，先是確定企業樣本的極大似然函數，然后通過求似然函數的極大值就可以得到參數a、b，接下來就可以利用下面的公式求出企業破產的概率。假設概率p小于0.5，就斷定為財務正常型，假設p大于0.5，那么為即將破產型。p=(1/2)edtprbil模型與lgit模型的思路很相像，但是在詳細的itgt方法和假設前提上又有一定的差異，主要表達在三個方面：一是假設前提不同，lgit不需要嚴格的假設條件，而prbit那么假設企業樣本服從標準正態分布，其概率函數的p值可以用財務指標線性解釋；二是關于參數a、b的求解方法略有不同，雖然兩者都采用極大似然法，但是，lgit采用的

33、是極大化對數似然函數求解，而prbit采用極大化積分似然函數求解；三是求破產概率的方法不同，lgit采用相對數方法，而prbit采用積分處理的方法。3人工神經網絡(ann)模型人工神經網絡(ann)模型就是將神經網絡的分類方法應用于財務預警。傳統的分類方法大部分屬于母參數統計方法，其中以判別分析(disfiinatinanalysis，簡稱da)和lg-it回歸分析等最為廣泛。母參數統計方法均以選定的獨立變量結合歷史數據資料建立一個預測模型，并作為將來分類判別之用。傳統的統計區分方法須受制于假設干母體分配的假設前提，已經很不適用當今復雜多變的企業運作環境。而且它對錯誤資料的輸入不具有容錯性，無

34、法自我學習與調整，也無法處理資料遺漏的狀況。而人工神經網絡是一種平行分散處理形式，其構建原理是基于對人類大腦神經運作的模擬。ann除具有較好的形式識別才能外，而且還可以抑制統計方法的限制。因為它具有容錯才能和處理資料遺漏或錯誤的才能，最為可貴的是，ann還具有學習才能，可以隨時根據新數據資料進展自我學習、訓練，并調整其內部的儲存權重參數以應對多變的企業環境，這是傳統統計方法所無法比擬的。它通常由輸入層、輸出層和隱藏層組成，其信息處理分為前向傳播和后向學習兩步進展。網絡的學習是一種誤差從輸出層到輸入層向后傳播并修正數值的過程，學習的目的是使網絡的實際輸出逼近某個給定的期望輸出。根據最后的期望輸出，得出企業的期望值，然后根據學習得出的判別規那么來對樣本進展分類。考特斯特(ats)和范特(fant)1993年開始利用神經網絡理論建立財務預警模型，由于該模型是模擬生物大腦神經網絡學習過程，不需要考慮研究變量是否符合正態分布，并且可以有效處理非量