（1968）[19]Z计分模型所使用的5个财务比率为研究变量，使用神经网络构建模型。结果表明他们的模型要优于当时的判别分析模型，能更好的解决分类问题。
Coats和Fant(1993)[20]在1993年利用Altman研究中的5个财务比率建立模型，以1970-1989年间94家失败公司与188家正常公司为样本。研究结果发现，从危机发生的前三年起，失败公司的财务比率逐年恶化，且与正常公司的财务比率有明显差距，对财务危机公司的预测准确率达到了91%，高于多元判别法的准确率。
Lee等(1997)[21]就韩国的财务数据比较了神经网络方法和多元线性判别法，发现在预测破产问题上神经网络模型的预测效果和适应性均优于多元线性判别法。
1.2.2 国内关于企业财务预警的研究现状
国内对于企业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[22]。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）[23]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）[24]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分数模型如下：
F=-0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5 其中：X1、X2及X4与Z分数模型中的X1、X2及X4相同。
6
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分数模型的主要区别在于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分数模型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。
张玲(2000)[25]选取了深、沪两市1998-1999年涉及14个行业共计120家的上市公司为样本，并将样本公司分为两组：第一组样本作为推导判别函数的开发样本，由60家公司组成，其中有30家1998年或1999年被ST的公司，配对的30家为1998年排名前50名的绩优公司；第二组也由60家公司组成，其中有21家ST公司和随机选择的39家非ST公司。设定ST公司为处于财务危机状态的公司，非ST公司为处于财务正常状态的公司，利用判别分析的方法，从偿债能力、盈利能力、资本结构状况和营运状况等四个方面共计15个相关财务比率筛选出4个构建判别模型。如下所示：Z=0.517-0.46X1-0.388X2+9.32X3+1.158X4，式中，X1、X2、X3、X4分别代表资产负债率、营运资金与总资产比率、总资产利润率、留存收益与资产总额比率，并给出判别法则：当Z<0.5时判定为财务危机公司；当0.5
杨淑娥、徐伟刚(2003)[26]选取了67家非ST上市公司（1999年被ST类公司41家，2000年被ST公司26家），同时选取了67家配对公司，用建立的Z分数模型对样本进行分析，研究结果：非ST类公司的预测准确率为88%；ST类公司的预测准确率为85%，效果较为理想。
（3）多元逻辑回归模型
7
陈晓、陈治鸿(2000)[27]以截至1999年7月1日38家因“财务状况异常”而被特别处理ST公司为研究对象，运用多元逻辑回归模型，对上市公司的财务危机进行了预测。结果发现负债权益比率、应收账款周转率、主营利润率/总资产和预留收益/总资产对上市公司财务危机有着显著的预示效应。研究表明，总体判别正确率为78.24%。
吴世农、卢贤义(2001)[28]以我国上市公司为研究对象，从1998-2000年我国A股市场中选取了70家处于财务危机的公司和70家财务正常的公司为样本，来研究财务困境出现前五年内两类公司21个财务指标的差异。最后选定六个为预测指标（分别为盈利增长指数、资产报酬率、流动比率、长期负债/股东权益比率、营运资本/总资产、资产周转率），应用了Fisher线性判定分析、多元线性判定模型和多元逻辑回归模型三种方法，分别建立三种财务危机预警的模型。研究结果表明：①我国上市公司的财务指标包含着预测财务困境的信息含量，因此其财务困境具有可预测性；②三种模型均能在财务危机发生前作出相对准确的预测，在财务危机发生前4年的误判率在28%以内；③相对同一信息集而言，逻辑预测模型的误判率最低，财务危机发生前1年的误判率仅为6.47%。
李华中(2001)[29]选取1997年被ST的公司和一小部分1999年被ST公司作为财务困境组，按照配对原则从同行业、相近资产规模的公司中选出同样数量的非ST公司作为财务正常组。他运用了多元判别和逻辑回归模型两种方法。从实证结果看，两种模型判别的平均误判率为5.66%，表明这两种模型是有很强的判别分类能力，是有效的判别工具。
姜秀华与孙铮(2001)[30]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、其它应收款/总资产、短期借款/总资产和股权集中系数四个指标建立逻辑回归模型。与其他相关文献不同的是，作者进一步讨论了最佳分割点，选取概率0.1为最佳分割点，如果逻辑回归模型估计的概率P>0.10，则判定为ST公司；如果估计概率P<0.10，则判定为非ST公司。该模型在财务危机发生前1年对ST公司与非ST公司的判别准确率分别为88.1%和80.95%。
长城证券课题组(2001)[31]选取了37个财务指标，采用多元逻辑回归模型，
8
设计了财务危机预警系统和财务危机恶化预警系统，发现净利润/总资产、投资收益/利润总额、应收账款周转率、营业利润增长率、净资产增长率、长期负债/总资产、净利润增长率、存货周转率等指标具有显著的判别作用。
程涛(2005)[32]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
杨保安等(2002)[33]采用人工神经网络模型进行财务危机研究，通过输入层、隐藏层和输出层的人工神经网络的模拟，构建财务预警模型。研究结论表明：样本的实际输出和期望输出较为接近，显示出神经网络是进行财务评估的一种很好的应用工具，能够为用户贷款授信、财务预警提供有力的决策支持。
此外，黄小原、肖四汉(1995)[34]提出了神经网络预警系统的构建；柳炳祥、盛昭翰(2002)[35]分析了评价财务危机的指标体系、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)[36]、基于模糊优选的神经网络(周敏，2002)[37]和人工神经网络(刘洪，2004)[38]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[39]。 1.2.3 基于现金流量的财务预警的研究现状
国外非常重视企业危机管理和风险管理的研究，研究多以传统财务指标为基础。20世纪70年代以来，随着对现金流量信息重要性认识的加强，国外许多学者尝试运用现金流量信息预测企业财务困境。
早在1968年，Beaver[40]就利用单变量判定模型对企业财务困境进行预测，研究发现现金流量与负债比率能够最好地判定企业的财务状况（误判率最低）。
James Agentry、Newbold和Whitford（1987）[41]认为，以现金为基础的财务比率提供了用于区分财务失败与非财务失败公司的显著的信息。
在借鉴Agentry、Newbold和Whitford的基础上，Aziz、Emanuel和Lawson（1988）[42]设计了运用现金流量预测财务困境的模型。1989年，他们又对Z模型和现金流量模型预测企业财务困境的准确率进行了比较，结果发现现金流量模
9
型的预测效果较好。
Ward(1994)[43]在对非金融业的研究中，发现经折旧和摊销调整后的净利润在预测财务危机方面效果较好。Ward选择了1988年到1989年385个企业的数据，他发现现金流量指标尤其是投资活动产生的现金流在预测采掘、石油和天然气行业中作用明显，而经营活动产生的现金流在预测非资源性行业中较为重要。
Hossman,Bell,Swartz和Turtle（1998）[44]运用了1980年到1991年的数据，比较了基于财务比率、现金流、股价收益率以及收益率标准差的四种预测破产模型。结果发现，就单个模型而言，现金流模型能在破产前的第2年和第3年预测多数破产案例，预测精度较高。
在国内，由于证券市场起步较晚，能够满足统计分析要求的数据较少，而我国的现金流量表会计准则1998年才公布，再加上国内实证会计研究主要集中于对会计盈余数据有用性的实证分析上，因此，国内对现金流量信息的研究和构建现金流量财务预警模型及实证分析尚处于摸索起步阶段。
阎达五、张友棠(2004)[45]在《财务预警系统管理研究》中构建了基于现金流量指标——现金盈利值CEV和现金增加值CAV的财务预警指数测度系统和分析系统。现金盈利值是指在现金制条件下根据现金流量表提供的财务信息所计算出来的企业现金净收益；现金增加值是指在现金制条件下的企业实际的“现金盈利值”的基础上，扣除分配股利付现后的余额，是企业支付了各项现金分配后的留存现金收益。CEV和CAV是现金制下的财务指标，换句话说，现金盈利值是用现金制表示的企业净利润，现金增加值是用现金制表示的企业留存收益。这对现金流量财务预警研究起到了指导性的作用。
晏静(2004)[46]在其《现金流量信息功能研究》中创造性地设计了ST公司平均样本，并考察发现公司被ST前虽然净利润仍维持在原水平上，但亏损出现前3年现金流量就开始出现明显的下降，说明现金流量具有较好的预警功能。
章之旺(2004)[47]在《现金流量信息含量与财务困境预测》中研究发现，经营性现金流量在财务困境出现前一至两年，具有明显的预测作用；投资性现金流量在财务困境出现前两年，也具有预测作用。如果同时使用这两种现金流量建立模型，则预测结果准确率会提高。这为今后财务困境预测研究充分挖掘现金流量的预测价值提供了实证依据。
10