[摘 要]企业通过构建财务预警模型，能及时掌握企业财务风险的信息，有效地加以防范和化解，这对于保证企业持续、健康、有效的经营具有重要的作用。在这种背景下，本文首先概述了企业财务预警模式的价值，进而探讨了财务预警模式相关变量，并对变量进行了分析，最后给出了变量分析及验证的结果。
[关键词]财务预警；模式；构建；变量
1 企业财务预警模式的价值
最近许多学者将财务预警模式以混合模式（Hybrid Model）来预测，将统计分析与算法、人工智能分析手法做结合，财务预警模式分为两阶段模式：筛选变量与分类预测。第一阶段是筛选变量，利用不同手法筛选出具有贡献性与相关性的财务与非财务变量；第二阶段是分类预测手法，将第一阶段所筛选出的变量作为分类预测手法中的输入变量，获得分类预测值。
2 财务预警模式的相关变量
早期的研究都只采取财务方面的变量，但近年来许多研究指出公司治理层面对于企业财务危机占有一定的影响性，例如Daily&Dalton研究中结果发现加入公司治理（监理）方面的变量，可以增加模式预测正确率。还有研究发现利用会计信息、公司治理变量及盈余管理这些方面所建构的财务预警模式比单一方面会有更好的模式绩效与预测正确率。TCRI信用评级是最近发展的企业风险衡量指标，它是TEJ研发出来的一套评估企业信用风险方案，利用公开信息有效过滤出信用风险较高的企业，许多金融机构都采用该指标作为企业核贷的标准。根据先前研究，可以将财务预警模式的变量分为财务变量、非财务变量。财务变量按照证监会的规定，又可分为财务结构、偿债能力、现金流量、经营能力和获利能力五个方面，共18种财务比率变量，提供投资人及银行加以参考。而非财务变量包含公司治理、盈余管理、信用评级等方面的变量。
财务变量：财务结构，显示公司使用资本融资的程度；偿债能力，显示公司的变现力（流动性）；现金流量，显示公司的现金流动方向及额度；经营能力，显示衡量公司运用各种资产的效能；获利能力，显示公司获得利益能力。非财务变量：公司治理，显示防范管理者伤害及强化公司竞争力与管理效能；盈余管理，显示公司借助合法范围达到预期盈余目标的管理能力；信用评级，显示公司的信用程度；其他相关变量。
3 变量分析
3.1 财务变量方面
一是财务结构：负债比率越高代表负债金额越高，该危机公司在负债比率是稳定公司的两倍。二是偿债能力：流动比率与速动比率越高，代表公司流动性越高，短期内发生财务危机概率越低。若利息保障倍数为负，代表此公司亏损。三是现金流量：现金流量比率若跌且有明显跌幅，代表公司资金操作已恶化，代表公司呈现危机概率升高，负值代表营业活动净现金流量为负，代表营业活动净现金流量流出大于流入。四是经营能力：净值周转率在表示自有资本在一年期间内从营业收入收回的次数多少，净值周转率太高表示自有资本少，稳定性较弱，太低则表示自有资本太多或营业额太少。因此，净值周转率指标并无法明显看出该数值与公司健全或危机状态有明显的相关，太高或太低都不好。应收账款周转率（次），衡量企业在特定期间内，收回赊销账款的能力。数值越高，表示公司从客户端的收款能力越好。存货周转率（次）若越高，代表公司的营运状况、流动性较好。总资产周转率（次）综合评价企业全部资产经营质量和利用效率的指针，次数越多，周转速度越快，营运能力也就越大。总资产成长率、净值成长率、营收成长率都是关于成长的指标，这三个指标越高代表公司的经营能力是肯定的。五是获利能力：总资产报酬率、营业毛利率、税后净利率、每股盈余、营业利益率这些指标都是有关于获利能力高低，因此指标越高代表获利能力高。
3.2 非财务变量方面
一是公司治理方面：董监持股比率、董监持（质）押股比率、经理人持股比率这三个持股比率指标，是关于公司内部高层所持股的情形，不宜比例太重或偏向某方，因此稳定公司在这3个指标上都低于危机公司。二是信用评级方面：由于TCRI信用评级为1到10级，等级越低代表企业信用评级越好，而本研究数据危机公司大概呈现在8，稳定公司为5.5。
4 研究结论
早期的财务预警模式考虑的变量较少且大多采用过去文献中的变量，并没有进行筛选变量阶段，直接利用统计方法去建构财务预警模式，预测企业公司的健全或危机。1990年之后随着人工智能方法流行，许多财务预警模式采用人工智能方法去建构，虽然许多研究指出人工智能方法的预测绩效比过去传统方法要好，但很多应用性的研究多以培训资料的准确率作为结论基础，是否纳入类神经方法的过度训练的问题，有待商榷。本研究的实证数据显示，类神经方法在训练数据往往呈现高准确率，但以测量数据检验其类神经训练模式，不一定有相对高的准确率，无法排除类神经方法过度训练的问题，因此本研究在模式绩效比较上，评估包含类神经模式的方法是以训练绩效为主，测量绩效为辅。
在财务类神经预警模式上，近年来许多研究尝试以两阶段混合模式来处理，本研究在两阶段中先分别进行Eta Square与Stepwise LR筛选变量阶段，再利用BPNN与GRNN做分类预测阶段，形成4个混合模式，探讨这4个混合模式绩效高低，并且另外进行不经过筛选变量阶段直接利用3个方法（Stepwise LR，BPNN，GRNN）建构单一方法模式，实证研究采用我国电子产业作为研究对象。整体来说，本研究所实验的7个模式中，结果呈现两阶段混合模式在准确率上，测试数据混合模式的平均绩效优于单一类神经模式。在预测平均准确率方面，其中Eta Square+GRNN（先以Eta Square作变量筛选，再以GRNN作分类预测）有最高的平均准确度86.9%。研究也显示，虽然逐步罗吉斯回归所得的平均准确率81.6%不是所有模式最高的，但其绩效具有相当稳定的效果。筛选变量阶段模式对于绩效分别有平均5.6%（准确率）和9.1%（检验水平）的正面提升。至于在筛选阶段的两种变量筛选方法与类神经的搭配方面，根据本研究数据显示，BPNN搭配Stepwise LR和GRNN搭配Eta Square有较高的绩效。在筛选阶段中，两种方法的筛选后变量相同部分为负债比率与TCRI信用评级。负债比率呈现公司的负债数值，TCRI信用评级则是银行常用的评级企业是否核贷或放款的重要指标，这两项指标与企业是否危机有重要的相关程度。
