建模型，包括资产报酬率、盈利的稳定性、债务偿付能力、累积盈利能力、流动性、资本化程度、资产规模。结果表明 ZETA 模型用于预测五年和一年的财务危机企业精度分别为 70%和 91%，而且对相同样本的比较分析表明，ZETA 模型明显优于 1968 年 Altman 发明的 Z 模型。
多变量模型可以说是对单变量模型的修正，在一定程度上弥补了单变量模型的一些缺陷，但仍然有自身的局限性。具体局限性如下：①工作量大，研究者需要做大量的数据收集和数据分析工作。②多元线性判定模型有一个很严格的假设，假定自变量是呈正态分布的，两组样本要求等协方差，而现实的样本数据往往并不能满足这一要求。③使用多元判别分析技术，财务困境组与控制组之间一般要进行配对，配对标准如何恰当确定是一个难题。④多变量模型可从总体角度检查公司财务状况，有利于不同时期财务状况的比较，但不具有横向可比性，即不可用于规模、行业不同的公司之间的比7较。
3) 多元逻辑回归模型
多元逻辑回归模型的目标在于寻求观察对象的条件概率，从而据以判断观察对象的财务状况和经营风险。它是建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的假设条件（张鸣等，2004）。多元逻辑回归模型假设企业破产的概率 p（破产取 1，非破产取 0），并假设 Ln[p/(1-p)]可以用财务比率线性 解 释 。 首 先 假 定 Ln[p/(1-p)]=a+bX ， 然 后 根 据 推 导 可 以 得 出p=exp(a+bX)/[1+exp(a+bX)]，从而计算出公司破产的概率。其判别方法和其他的模型一样，先是根据多元线性判断模型确定公司破产的 Z 值
(Z=abs)，然后推导出公司破产的条件概率。其判别规则是：如果 p 值大于 0.5，则表明公司破产的概率比较大，那么判定公司为即将破产类型；如果 p 值低于 0.5，则表明公司财务正常的概率比较大，判定公司为财务正常。
Ohlson (1980)第一次采用多元逻辑回归模型进行破产预测。他选择了 1970-1976年间破产的 105 家公司和 2058 家非破产公司组成的配对样本，分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系。他发现至少存在四类影响公司破产概率的变量：公司规模、资本结构、业绩和当前的融资能力。研究结果表明用这四类变量进行财务危机的预测准确率达到 96.12%。
多元逻辑回归模型最大的优点就在于不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，从而具有广阔的适用范围。这种方法计算过程比较复杂，而且在计算的过程中有很多的近似处理，不可避免地会影响到其预测精度。
2、 非统计类财务危机预警方法
近年来，许多研究人员尝试采用各种非统计方法将财务危机预测工作推向深入。例如：Wilkins (1997)的研究发现对于技术上违约的企业而言，审计师的意见可以在一定程度上反映公司将来是否会陷入财务危机。其他的非统计类方法主要有：
（1） 递归划分算法
递归划分算法是一种以单变量分类法和多元法的模型识别为基础的计算机处理的非参数技术。Frydman, Altman 和 Kao(1985)用递归划分算
法进行财务分析，并在公司财务危机的背景下与判别分析作了比较。发现递归划分算法在许多原始样本和对比样本上比判别分析更好。
递归划分算法兼具多变量模型的信息容量大和单变量模型简洁的优点，同时，由于这种方法属于非参数研究方法，从而避免了参数类研究方法的诸多缺陷。
（2） 人工神经网络模型
人工神经网络模型是将神经网络的分类方法应用于财务预警的模型。人工神经网络是一种平行分散处理模式，其构建原理是基于对人类大脑神经运作的模拟。（张鸣等，2004）
(二) 国内预警模型研究现状
国内对于公司财务危机预警模型的研究始于 20 世纪 80 年代末，1986 年，吴世农、黄世忠曾撰文介绍公司破产的财务分析指标及其预测模型。虽然公司财务危机的研究在我国起步时间不长，但是国内学者也做出了可贵的探索。
1、 统计类财务预警模型 （1） 单变量财务预警模型
由于国内财务预警研究起步较晚，可以借鉴国外的成果较多，再加上单变量判别有其自身的局限性，所以国内采用单变量模型进行财务预警研究的不多。其中，影响比较大的是陈静（1999）的研究。她使用了 1998 年我国证券市场中的 27 家 ST 上市公司作为危机公司样本，同时按同行业、同规模选取了 27 家非 ST 的上市公司作为配对样本，研究发现：资产负债比率、流动比率、总资产收益率、净资产收益率等四个财务比
率的预测能力较强。其中资产负债率和流动比率的误判率最低。
（2） 多元线性判别模型
周首华、杨济华和王平（1996）注意到 Z 分数模型没有充分考虑到现金流量变动的局限性。对 Z 分数模型加以改造，建立了财务危机预测的新模型——F 分数模型，
F 分数模型如下：
F=-0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5 (2-3) 其中：X1 、X2 及 X4 与 Z 分数模型中的 X1、X2 及 X4 相同。 X3=(税后纯收益+折旧）/平均总负债 X5=(税后纯收益+利息+折旧)/平均总资产
F 分数模型与 Z 分数模型中主要的区别就在于 X3、X5的变化。一般来讲，企业提取的折旧费，可以看成是公司创造的现金流入，必要时可将这部分资金用来偿还债务，因此，X3是衡量公司所产生的全部现金流量可用于偿还公司债务能力的重要指标，X5则衡量公司总资产在创造现金流量方面的能力。相对于 Z 模型，它可以更准确地预测出公司是否存在潜在的财务危机。
F 分数模式中的五个自变量的选择都基于财务理论，有一定的理论依据。其临界点为 0.0274，若某一公司的 F 值低于 0.0274，则被预测为破产公司；反之，则被预测为可继续生存公司。
F 分数模型的优点是：①F 分数模型中添加了关于现金流量预测的自变量。弥补了 Z 模型的不足。②F 分数模型根据现代公司财务状况的新理念及新标准对模型进行了调整。③F 分数模型使用的样本范围更广。
在分析使用了 4100 多家公司的数据的基础上，验证检查了 F 分数模型的有效性，表明 F 模型可以更准确地预测出公司是否存在财务危机。
（3） 多元逻辑回归模型
程涛(2005)运用逻辑回归方法，引入现金管理特征变量和现金管理结果变量，从财务指标和现金流量角度共同构建综合预警模型，结果表明：在 ST 前一年的预警中，财务指标模型预警效果比较好，而在 ST 前两年、前三年，综合预警模型的效果比较好。
2、 非统计类财务预警模型
黄小原、肖四汉(1995)提出了神经网络预警系统的构建；柳炳祥、盛昭翰(2002)分析了评价财务危机的指标体系和财务危机等级的划分和基于粗神经网络的财务预警方法,并用一个预警实例进行了验证。之后相继出现了粗糙集神经网络(柳炳祥，2002)、基于模糊优选的神经网络(周敏，2002)和人工神经网络(刘洪，2004)财务预警模型；2003 年柳炳祥、盛昭翰又提出了基于案例推理的财务危机预警系统的初步构想。
四、 总结
纵观国内外财务预警研究，可看出有以下特点：
(一) 几乎所有的研究都集中于寻找最佳的公开财务指标来预测财务危机。但是，对于那些不能直接反映在财务指标中却能够造成财务危机的因素，例如，人为因素、战略因素、重大灾害等，这些模型的适用性受到限制。
(二) 从研究模型的选取方面来看，使用多元线性判别模型与多元逻辑回归模型要显著多于其他预警模型。