企业财务困境预测：重访Z-SCORE和ZETA模型外文翻译资料

英语原文共 54 页，剩余内容已隐藏，支付完成后下载完整资料

外文文献翻译

企业财务困境预测：重访Z-SCORE和ZETA模型

1.背景

本文讨论了两个经典的评估企业财务困境的模型，分别是Z-Score计分模型（1968）和ZETA信用风险模型（1977）。这两个模型至今仍在被世界各地的从业者们所使用。后者是一个为ZETA服务的用户所用的专有模型。

本文的目的是双重的。首先，要为指定和量化能够有效预测企业困境的变量而检测企业不同失败业务中的特点。这样做，是希望能够突出分析的价值，它应该和财务比率所固有的实践价值同样重要。具体而言，是将会对陷入财务困境中企业的一组财务经济指标用多个统计方法进行判别。通过这样的做法，不仅可以探索企业潜在破产情况中可量化的特点，而且可以研究一个备受争议的财务分析技术——比率分析法的功效。虽然我们要讨论的模型是在1960年代后期至1970年代中期发展起来的，但我将会延伸测试到非上市企业和非制造业企业中去，并且会将一个新的债券评级模型应用到新兴市场企业债券中去，其中后者利用了Z-Score模型中一个叫做“Z”的版本。此外，本文还补充了1999年违约和破产预测实验的信息。

正如我在1968年写到的那样，学者们似乎在向着消除将比率分析作为评价企业绩效分析技术的方向在发展，这一情况在1990年代后期更加明显，理论界不满随意规定的经验法则（如企业比率比较）被从业者们广泛使用。由于比率分析的实用性备受学术界权威的诟病，这是否意味着比率分析法被要求实质内容的现实社会所限制住了呢？又或者这种方法是有意义的，但由于人们戴上了有色眼镜而因此不能被公平看待？对待传统的比率分析法和在近些年流行的更严密的统计方法，我们应该去修正弥补差距，而不是割断联系。由于我们的主要兴趣所在是企业困境的研究，因此我也将把比率分析法作为评价企业的技术方法。

应该指出的是，本文中大部分材料的基础研究是基于1967年和一些之后评价Z-Score模型及其有效性的研究上的，包括1995年为适应对新兴市场企业信用分析而进行的改进。此外，这名作者还在1976年与别人合作开发了“第二代”模型（ZETA）。

2.传统比率分析

企业经营和财务困境检测是一个特别适合用财务比率分析进行研究的课题。在适用于企业的定量检测方法发展之前，中介的建立就是为了对指定对象企业进行信誉检测并提供有质量保障的权威信息（例如，行业内著名的领跑者邓白氏企业，成立于1849年俄亥俄州辛辛那提，企业旨在提供独立的信用调查）。预测经营业务失败的研究在19世纪30年代是很流行的。

Beaver（1967）曾进行过一个有关比率分析和破产分类的经典研究。在某种意义上，他对破产预测的单因素分析为其他后继者对多因素分析的研究奠定了基础。Beaver发现在一些指标辨别匹配样本中无论是失败的还是非失败的企业，对其预测可以提前长达五年。尽管有讨论者建议Beaver尝试使用多因素分析法，因为Z-Score模型就有使用，但他仍旧质疑该法。由Deakin（1972）进行的后续研究中使用了Beaver分析过的14个变量，但他将这些变量使用在了一系列多因素判别的模型中。

上述研究意味着财务比率有被作为预测破产方法的明确潜力。一般来说，财务比率是测量企业盈利能力、流动性和偿付能力的最重要指标。不过他们重要性的先后顺序是不明确的，因为几乎每一个研究都列举了不同的比率来作为最有效的预测问题的指标。

虽然这些研究工作概括了特殊测量手段的功效和发展趋势，但无论是理论上还是实际上，那些关于企业破产潜在可能的评估结果是值得怀疑的。几乎每个案例中，测量方法本质上都是单变量式的，并且测量重点都被放在未来可能发生问题的个别信号上。按这种方式进行的比率分析十分容易出错并误导他人。例如，一个有着不良盈利能力或偿付能力的企业可能被视作潜在的破产对象。然而，由于它高于平均水平的流动性，情况可能并没有那么严重。几个企业相关表现可能存在误判。所有单因素分析法中固有的缺点症结所在就在于此。因此，一个合理的模型应当对过去研究内容进行拓展研究，在前人成果的基石上，结合多种方法建立一个有意义的预测模型。这样做，比率分析法作为分析方法才会被重视而不是被贬低。而问题是（1）哪种比率在预测企业破产可能性中是最重要的，（2）这些选定的比例测量时权重应当如何分配，（3）这些权重应当如何客观确立。

3.判别分析

经过仔细地考虑问题的性质和分析的目的后，我选择了多元判别法（MDA）作为合适的统计方法。尽管不如回归分析法流行，但多元判别法自1930年第一次被使用后就已被应用在各个学科中了。在早些时候，多元判别法主要应用于生物学和行为科学。近几年，这项技术才日益在商业领域及学术界流行起来。Altman（1981）等人讨论了判别分析方法，并对其在若干财务领域的应用进行了深入探讨。

多元判别法是一种统计手段，即根据观察对象的个体特征将观察到的内容分类到几个先验分组中去。它主要用于分类和预测相关变量在不同条件下的表现，例如，男性或女性情况，破产或非破产情况。因此，第一步是建立明确的分组。初始的组数可以是两个或多个。只有组数超过两个时，一些分析师才把判别分析看作多因素。我们更偏向认为多因素是指分析的多元性。

分组完成后，搜集小组中实验对象的数据。多元化判别最简单的形式是尝试获得这些小组中区分得“最好的”特点的线性组合。如果一个特定的对象，比如一家企业，可以量化分析其所有的特点，多元化判别确定一组判别系数。当这些系数被应用到实际比率时，分类的基础是要求组别互斥。多元化判别方法的优点是考虑到了相关企业具有的共性以及这些特性的相互作用。另一方面，单变量测量可以考虑应用于一次测量一组数据。

多元化判别的另一个优势是缩减了分析师的分析范围，即从不同的独立变量的数量到G-1范围，G相当于先验组的数量。这一分析关注的是两组数据，破产企业和非破产企业。因此，分析转化为最简单的形式：一维分析。Z=V₁X₁ V₂X₂ ... V_nX_n的判别函数将单变量的值转化为单一判别计数或Z值，然后当V₁,X₂,...V_n等于判别系数或V₁,X₂,...X_n等于独立变量时，使用该对象进行分类。多元化判别计算的是判别系数，当V_i是独立变量时，X_i代表实际值。

当利用一系列财务指标评价企业破产潜在可能性时，我们有理由相信，一些测量会与彼此有高度的相关性或同线性。当这方面在判别分析中不是很严重时，通常会促使对预测变量进行谨慎选择。它也有一个优势，即在模型中用相对较小的被选测量传递大量交易信息。这些信息能够很好地显示组别间的差异，但这些差异是否显著和有意义则是分析中更值得注意的方面。

或许在处理分类问题时，多元判别分析的主要优点是分析对象的整个变量的分布，而不是按顺序检查它的个体特征的潜在可能性。正如线性和整数规划改进了传统的资本预算技术，接近传统比率分析法的多元判别分析方法有潜力重新正确地计算问题。具体而言，各种比率可以组合到一起分析，这样可以消除在早期传统比率分析法中可能存在的歧义和错误分类。

正如我们将看到的，Z-Score模型是在五种测量法客观加权后的一种线性分析法，最后加总得到一个总分，这个分数成为判断实验企业是否要被分类进先验组别（困境和非困境）的基础。

4.Z-Score模型发展

4.1样本选择

初始样本是由66家企业分成的每组33家企业的两组样本。破产（困境）组（组1）是从1946至1965按国家破产法令第十章申请破产的生产企业。由于平均比率会随着时间的推移而改变，因此以20年为周期不是最好的选择。理想的情况下，我们更偏向选择在t时期对一系列比率进行检测，并在接下来的t 1时期对其他企业进行预测。不幸的是，由于数据限制，以上情况是不可行的。意识到这组数据并不完全均匀（由于行业和规模差异），我尝试仔细挑选非破产（非困境）的企业。组2由一个随机基础上选择的制造业企业配对组成。这些企业按行业和规模分层，资产规模限定在100万至2500万美元之间。组2企业的平均资产规模（960万美元）比组1略高，但精确匹配两组的资产规模在检测中似乎是不必要的。此外，收集的数据是所有破产企业同年编制的。对于最初的样本测试，数据来自于财务报表，日期为破产的前一个年度报告期。这些数据来自于穆迪工业手册，也来自于选定的年度报告。这些财务报表的平均周期大约为七个半月。

一个重要的问题是确定资产规模组的抽样。从组1提供的初始样本企业中，根据资产大小排除所有小企业（总资产低于100万美元）和大企业。此外，在1966年之前，大型资产规模企业破产的发生率是相当罕见的。这种认识从1970年一些大规模企业出现破产起开始改变。如PennCentral R.R，大型工业的破产现象自1978年起逐渐增多。总的来看，自1978年（现存破产法颁布的那一年）起至少有100家超过10亿美元的破产案例。

一种常见的说法是，财务比率从其自身性质来看，可以缩小统计范围，由此许多规模因素带来的影响就被消除了。接下来讨论的Z-Score模型就足以容纳大型企业。ZETA模型既足以容纳大型财务困境企业，也无疑能够包括中小型企业。

4.2 变量选择

在初始分组被确定和企业被选择后，就开始收集资产负债表和损益表的数据了。由于大量的变量在过去的研究中被发现是反映企业问题的重要指标，22个就有潜在有用性的变量被应用到评测中。变量被分为五个标准比例类别，分别是流动性、盈利能力、杠杆水平、偿债能力和反应能力。这些比率是根据它们在文献中的普及度和与研究的潜在相关性而选择的，并且还有一些“新”比率出现在本次分析中。Beaver（1967）研究得出的结论是，现金流量比负债比率是最好的单个比率预测。这个比率在我1968年的研究中没有被考虑，因为缺乏一致和精确的折旧和现金流数据。然而，研究结果表明仍然优于Beaver用他的单个比率预测得出的结果。现金流测量在ZETA模型中被考虑在内（见稍后讨论）。

在初始的22个变量中，有5个被选定为预测企业破产的最佳变量。这里没有包含全部最重要的独立测量的变量。在早期发现的单变量传统分析法中，这不是必须要改进的地方。整个方法已经被评估并且发现过程基本上是迭代的，没有所谓最优的结果判别函数。但是，能使用大量计算机分析不同比率的函数一定是最好用的函数。

为了达到变量的最终形态，将采用以下步骤：（1）观察各种可替代函数的统计显著性，包括各独立变量的相对贡献的测定；（2）估测相关变量之间的相关性；（3）观测各种案例的预测准确性：（4）分析员进行判断。

最后的判别函数如下：

Z = 0.012X₁ 0.014X₂ 0.033X₃ 0.006X₄ 0.999X₅

X₁ = 营运资本/总资产

X₂ = 留存收益/总资产

X₃ = 息税前利润/总资产

X₄ = 股东权益市值/总负债面值

X₅ = 营业收入/总资产

Z = 总指数

需要注意的是，这个模型不包含常数项。因为特定软件的使用，这两组间的相关截距值不是零。其他的软件，如SAS和SPSS，如果两组样本的规模是同等的，就会有一个常数项规定截距值。

1.X₁，营运资本/总资产（WC/TA）

营运资本/总资产比率经常在企业问题的研究中使用，是一个衡量企业净流动资产比总资产的方法。营运资本被定义为流动资产与流动负债之间的差额。流动性和规模特征被明确考虑到了。一般情况下，一个经历了营运亏损的企业相对于总资产，流动资产将会萎缩。三个被评估的流动比率中，这一个被证明是最有价值的。另外两个流动比率是流动比率和速动比率，有人认为不是很有帮助并且有可能让企业预测出偏颇的趋势。

2.X2，留存收益/总资产（RE/TA）

留存收益是报告企业全部生命周期总投资损益的账户。这一账户也被称为营业盈余。应当指出的是，留存收益账户是通过企业拟重组和公告股利分配来“操纵”的。尽管这些现象在研究中并不明显，可以想象的是，一个偏差将会由实质重组和股票分配而制造，所以对这个账户应当作出适当的调整。

这一估测过去累积盈利能力的方法就是我早前提过的“新”比率。在这一比率中，企业的经营时间会被隐含地考虑进去。例如，一个相对年轻的企业可能会表现出较低的留存收益/总资产比，因为它没有时间来积累利润。因此，可以说年轻的企业在分析中被有所歧视，并且它被列为破产情况的机率比同等条件下经营时间长的企业要高。但是，这正是现实世界中的情况，在企业经营早期，失败的发生率要高得多。在1993年，大约有50%的企业都没能挺过前五年（邓白氏，1994）。

另外，留存收益/总资产比率可以测量企业的财务杠杆。那些相对总资产有较高留存收益的企业能利用留存收益来增加资产，而不是通过借贷。

3.X3，息税前利润/总资产（EBIT/TA）

这一比率是衡量企业资产的真实生产力，独立于任何税收或杠杆因素。由于企业的存在主要基于其资产的盈利能力，所以这一比率似乎格外适合于研究企业失败情况。此外，当总负债超过公司由资产盈利能力决定的资产的公允价值时，破产意义上的倒闭就会发生了。正如我们将展现的那样，这一比率不断优于其他盈利能力测量指标，包括现金流。

4.X4，股东权益市值/总负债面值（MVE/TL）

股东权益是由包括优先股和普通股在内的所有

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[150866]，资料为PDF文档或Word文档，PDF文档可免费转换为Word