我国在这方面比较有代表的学者包括姜秀华、孙铮等。他们以2000年11月20日为基准点，选取了在沪深证 券交易所被实施sT的42家上市公司，同时从两市所有非sT公司中随机选出42家配对公司。在13个原始财务比率的基础上，筛选出毛利率、其他应收款与总资产的比率、短期借款与总资产的比率及股权集中系数四个指标建立Lo－gistic判别模型。该模型在财务危机发生前1年对ST公司与非ST公司的回判准确率分别为88.1％和80.95％；线性函数却具有其本身不能克服的两个问题：固定影响假设和完全线性补偿假设。正由于这两个缺陷使得模型的分类和预测能力有限。基于此，齐治平等(2002)建立了含有二次项和交叉项的Logistic模型，该模型可以帮助金融机构、投资者、基金经理们进行财务危机、信用风险预测分析。
这种模型克服了单变量和多变量预警模型中自变量服从多元正态分布和两组间协方差相等的假设的局限性，使财务预警得到了重大改进。但Logistic模型用于企业财务风险预测的缺点是计算程序较为复杂，使用该模型前需要根据企业实际财务数据做大量转换工作。
4.非统计模式预警模型。随着研究的深入和技术的发展，国外在财务失败预警模型方面突破了传统的统计方法模型，建立了一些非统计方法模型，其中较有代表性的是神经网络模型的运用。
神经网络模型是一套人工智慧系统，以模拟生物神经系统的模式，利用不断重复的训练过程，使本身能够透过经验的积累达到学习的效果。Tam和Kiang(1992)应用这种方法对得克萨斯银行的财务危机案例进行预测；Ahlnan、Mar－co和Varetto(1994)也用这种方法对意大利的企业进行了财务危机的分析预测。由于神经网络模型具有较好的纠错能力，这些研究与以往的线形分析模型相比都取得了较好的结果。 关于神经网络模型应用的研究，杨保安等(2001)将BP神经网络分析方法运用到商业银行贷款风险中有关财务信息预警信号中，构建了非线性财务预警模式。喻胜华等(2005)利用神经网络方法对财务风险进行了识别。该研究表明，网络特征识别的准确率为80％，该网络对财务健康公司的判断的准确率为100％。杨淑娥(2005)采用BP人工神经网络工具，以120家上市公司作为建模样本，从企业的短期偿债能力、长期偿债能力、盈利能力、资产管理能力、主营业务鲜明程度、公司增长能力6个方面，选取了15个备选财务指标，通过剔除未通过T显著性检验的速动比率、利息保障倍数、应收账款周转率、存货周转率以及资本保值增值率5个指标，将保留下来的10个财务指标作为建模的原始变量，并使用同期60家公司作为检验样本建立了财务危机预警模型。与采用主成分分析法建立的模型对同一建模样本和检验样本的预测精度相比有很大的提高。
5.非财务指标的财务预警模型。以财务指标来建构预警模型，往往容易因财务报表资料不真实，而使财务发生危机的公司在预警模型上无法完全事前预警，因此，考虑非财务指标的加入，希望能够提高预警模型的准确与时效性。在非财务指标变量使用上，大致可分为公司治理因素(如交叉持股、股权结构、董事会组织、管理变量等)，以及会计师信息等。Gilson(1989)认为高层管理者如CEO总经理或总裁等离职也可以作为财务危机的指标，他以1979年至1984年共381家发生财务危机的公司为样本，发现52％公司的有高级管理人员异动之情形而正常公司只有19％。Shumway(2001)以会计变量和市场变量两类变量应用Logistic模型进行研究，结果表明运用会计和市场两类变量可以提高破产公司预测的准确性。
国内这方面的研究还较少。叶银华等(1997)指出关联方股权交易是一种权益代理问题，并由此推论，关联方股权交易比率愈高，利益输送愈严重，隐含伤害公司生存的可能性愈高。其2002年的研究又指出，公司治理不佳的企业，控制股东会出现持续伤害公司价值的行为，亦即挪用资金及非常规关联方交易，将减少增强公司竞争力的投资，而危及公司生产力及获利能力，若控制股东没有考虑上述现象，则其所决定伤害公司价值的金额过大时，会增加公司产生财务危机的概率。
三、小结
与单变量定量分析法依赖个别变量进行判断相比，定性分析考虑的问题可能更加全面，进行判断的基础更加扎实。此外，相对于一些定量财务风险分析法用财务风险变量与标准值相比较的方法来判断财务风险发生的可能性，定性分析主要依赖人的经验判断来作出预测，而人的判断可以将企业面临的复杂内外环境因素考虑进去，特别是将个别企业面临的一些特殊因素考虑进去，这是定量分析难以达到的。但是，定量财务风险识别方法是根据数据进行决策，避免了定性分析中依靠人的经验进行判断使得判断结果的主观性较强的缺陷。同时，由于定量分析是根据数据进行决策，因此，只需要收集被决策企业的有关数据，进行计算，然后与标准值相比较，就可以对企业的财务状况进行判断。显然，这种决策程序简单，决策成本低。
综上所述，财务风险识别的研究受到了国内外实务界和学术界的高度重视且取得了重大进展。对于该领域的研究主要有两个特点：(1)以线性方法为主；(2)以财务指标为解释变量。虽然非参数方法与人工智能方法具有较高的预测准确性，但根据前人的研究结果，还是以线性方法，尤其是Logistic回归的判别能力最强，稳健性也较好。此外，国内外学者大
多数偏重用财务指标来构建模型，这些财务指标都来源于公司公开披露的财务报表。但是，当采用财务指标建立预警模型时，如果某个指标具有很强的预测和解释能力，那么公司就会有很大的动力去尽可能粉饰该指标，甚至整张财务报表。因此，在今后的研究中，可以适当多关注一些无法量化的非财务因素，如企业出现过度扩张、过度依赖银行贷款、企业市场定位不清等，以构建更加完善的定量分析与定性分析相结合的模型。随着研究的深入，我国企业也可以根据自身实际情况，量身设计出符合本身企业要求和特点的财务预警模型。
[责任编辑：昱文]