摘要
企业破产是市场经济中的普遍现象。近年来，我国上市公司因财务危机
导致经营陷入困境的例子屡见不鲜。事实上，上市公司的财务风险发生总是
有一个过程的，由潜伏期到爆发期需要很长时间。及时准确地发现上市公司
存在的财务风险, 对其各利益相关者主体来说都具有极其重要的意义。建立
预警系统对企业财务运营进行预测预报, 是十分必要而重要的。本文回顾了
有关财务风险预警的相关理论，在介绍 Altman 的 Z 计分模型的基础上，
随机抽取了深市和沪市共 60 只 A 股股票对 Z-score 模型的适用性进行了实
证研究：选取了 30 家 ST 公司和 30 家非 ST 公司 2008 年、2009 年及 2010
年三年的相关财务数据，计算各个指标，最终得出 Z 值，根据 Z 值的大小
确定 Z-score 模型并不能直接用于我国上市公司预警。但是，通过比较 ST
公司与非 ST 公司 Z 值，对 Z 值的波动性和各财务比率做分析，适当降低临
界点的大小，可以有效的提高准确程度。
关键词 Z-score 模型，财务预警，适用性，实证研究；
Abstract
The enterprise bankruptcy is a common phenomenon in the market economy. In
recent years, the listed companies in China got into trouble because of the
financial crisis common occurrence. In fact, the listed company's financial risk
occurs always having a process, and the incubation period of the outbreak will
take a long time. Timely and accurately finding the listed companies’ financial
risk has very important significance for all the stakeholders’ subjects. It is very
necessary and important to establish the early warning system to predict
enterprise financial operation. Based on the introduction of Altman’s Z-score
model, this paper reviews the financial risk pre-warning related theory, and
randomly selects 60 only A shares from the Shanghai and Shenzhen stock
markets to do the empirical research about the applicability of Z-score model: we
select the relevant financial dates of 30 ST companies and 30 normal companies
in 2008, 2009 and 2010 three years, then calculate each index, eventually get Z
value, and get the conclusion that we can’t directly used Z -score model in the
early warning of the listed companies in China according to the value Z.
However, by comparing the ST companies’ value Z with the normal’, analyzing the
volatility of the value Z and the financial ratios, reducing the size of the critical
point properly, we can effectively improve the accuracy.
Keywords Z-score model, Financial warning, applicability, empirical
research；
目录
摘要 .....................................................................................................................I
Abstract .............................................................................................................II
第 1 章 绪论........................................................................................................1
研究目的及意义 .......................................................................................1
国内外研究现状 .......................................................................................2
国外研究现状 ....................................................................................2
国内研究现状 ....................................................................................5
第 2 章 财务风险预警理论 ................................................................................9
财务风险的相关概念................................................................................9
财务风险 ............................................................................................9
财务危机 ............................................................................................9
财务风险与财务危机的关系 ...........................................................10
财务风险预警系统理论 ..........................................................................10
财务风险预警系统的涵义 ...............................................................10
财务风险预警系统的功能 ...............................................................11
阿特曼 Z-score 模型 ...............................................................................11
第 3 章 实证研究 ..............................................................................................13
研究假设 .................................................................................................13
样本选取与研究设计..............................................................................13
样本的选择 ......................................................................................13
数据来源 ..........................................................................................13
指标设定 ..........................................................................................13
数据分析 .................................................................................................15
ST 公司与非 ST 公司 Z 值比较 ........................................................15
Z 值波动性比较分析 ........................................................................16
ST 公司与非 ST 公司 Z 模型各财务比率的比较分析 .....................17
Z-score 模型临界点调整 ...................................................................18
实证结果分析 .........................................................................................20
建议.........................................................................................................20
结论 ...................................................................................................................22
参考文献 ...........................................................................................................23
附录 ...................................................................................................................25
致谢 ...................................................................................................................38
第1章 绪论
研究目的及意义
全球经济在 2008 年开始的金融海啸中受到重大打击，一蹶不振的大小
企业不在少数，投资者更是蒙受重大损失。如何改善我国上市公司的状况，
遏制其财务恶化，扭转大面积亏损的现状，是现代财务理论界急于解决的问
题。如何利用公开披露的财务信息，做好公司财务困境的事前预警工作，构
建相对安全的投资组合成为人们关注的又一热点。而建立完善的财务危机预
警系统，是公司降低财务风险的关键所在。建立一套有效的财务危机预警模
型，获得这些财务状况出现严重恶化的上市公司的预警信号，能够改善公司
的融资、投资、审计、经营和财务状况。同时，这套系统对国家证券监管部
门监控上市公司质量和减少证券市场风险也有着重要的现实意义。一个良好
的财务危机预警系统，作为一种成本低廉的诊断工具，能提早发现问题并告
知企业经营者，从而能有效地防范与解决问题、回避财务危机的发生。因此
研究财务预警，无论在理论上还是实务中都具有重要意义。
美国学者 Altman 在 20 世纪 60 年代建立的多元线性函数公式 Altman—
Z 模型是其中重要的模型，在企业财务风险监测与危机预警中占很重要的地
位，频频被各大投行分析师所引用。Altman—Z 模型旨在运用多个财务比率
的加权综合得分(即 Z 得分)来判别企业的财务健康状况。由于其客观准确、
简单易懂、计算简便，所有数据均可根据财务报表得到，具有很强的可操作
性，广泛地被机构及个人投资者乃至企业管理层作为决策工具。
由于 Altman—Z 模型是针对美国资本市场的实际情况构建的，面对我国
的实际情况，“Z-Score”模型虽然也有它使用的空间，但是我国企业由于自身
的情况，Z 值在财务预测中的应用与西方存在着差异。所以应就目前我国的
实际情况，研究“Z-Score”模型在我国企业财务分析方面的作用，为我国经
济发展作出应有的贡献。为此，本文现就 Z-score 模型对我国上市公司的适
用性做一实证分析，分析该模型对我国上市公司的应用意义。
国内外研究现状
国外研究现状
1．单变量财务预警模型
单变量分析是最早应用于财务危机预测的模型，其主要思想是通过比较
财务危机企业和非财务危机企业之间各个财务指标的显著差异，选定某个指
标作为排序变量，让样本数据根据该指标进行排序，然后根据最佳判定点对
财 务 危 机 企 业 和 财 务 健 康 企 业 进 行 分 类 的 一 种 分 析 方 法 。 Fitzpatrick
（1932）最早利用该模型对企业财务危机进行预测，他以 19 家公司作为样
本，运用单个财务指标进行预测，结果发现净利润/股东权益、股东权益/负
债这两个财务指标判别能力最高。应用单变量进行破产预测研究在二十世纪
六十年代前较为普遍，其中比较有影响的学者主要为 Beaver 和 Zmijewski。
1966 年, 美国的威廉•比弗(William Beaver) 运用精确的统计方法, 提出了单
变量分析法,运用个别财务指标来预测企业财务风险的大小。单变量分析法
中预警企业财务风险的指标主要有: 现金流量债务比、资产净利率、流动比
率、资产负债率、资产安全率(即资产变现金额 P 资产账面金额与资产负债
率之差) 等。
2．多变量财务预警模型
（1）多元 Z 值判断模型
由于单变量分析法一次只能分析一个指标, 而不同的指标只能反映企业
财务状况的一个侧面, 因此难以有效地预警企业的财务风险。1968 年, 爱
德华•奥特曼( Edward Altman) 运用一组数据进行综合分析,采用配对抽样法,
通过配比研究 , 首次提出了企业财务风险预警的“Z 值”模型。按照这一模
型, 通过计算企业连续几年的 Z 值就可发现企业发生财务风险的征兆。
按照奥特曼的思路, 许多学者通过实证研究建立了自己的模型, 较具代
表性的模型有 1972 年埃德米斯特(Edmister) 建立的小企业财务危机预警分
析模型和 1977 年英国的塔夫勒(Taffler) 提出的财务风险预警模型，塔夫勒
的模型形式如下: Z = + + + 。式中 W1 表示
税前利润 P 流动负债; W2 表示流动资产 P 负债总额; W3 表示流动负债 P
资产总额; W4 表示( 流动资产- 流动负债) P (经营费用- 折旧) 。
20 世纪 70 年代, 日本开发银行调查部综合了更广的财务数据, 建立了
如下预警模型 : Z = + – - W4 + + 。其中 ,
W1 表示销售额增长率; W2 表示总资本利润率; W3 表示他人资本分配率;
W4 表示资产负债率; W5 表示流动比率; W6 表示粗附加值生产率(即折旧
费、人工成本、利息与利税之和与销售额之比) 。
1972 年，埃德米斯（Deakin）专门针对小企业建立了小企业财务危机
预警分析模型，该模型假定所有变量服从 N(0， 1)分布，以标准值为界限
进行判别，变量值只能为 l 或 0。模型如下：
Z=+；
X1=(税前净利+折旧)/流动负债：若该比率小于 则 X1=1；否则，
X1=0；
X2=所有者权益/销售收入：若该比率小于 则 X2=1；否则 X2=0；
X3=净营运资金与销售收入比值再除以行业平均值：若该比率小于
则 X3=1；否则 X3=0；
X4=流动负债/所有者权益：若该比率小于 则 X4=1；否则 X4=0；
X5=存货与销售收入比值再除以行业平均值：若该比值有上升趋势(根
据连续三年的数据判断)，则 X5=1；否则 X5=0；
X6=速动比率/行业平均速动比率趋势值：若该比值有下降趋势并同时该
值小于 ，则 X6=1；否则 X6=0
X7=速动比率/行业平均速动比率：若该比值有下降趋势(根据连续三年
的数据判断)，则 X7=1；否则 X7=0。
（2）逻辑（logit）和概率比（probit）回归模型
自 20 世纪 70 年代末以来，财务困境研究人员引进了逻辑（logit）和概
率比（probit）回归方法。从而将问题简化为已知一个公司具有某些性质
（由财务比率指标加以呈现），计算它在一段时间里陷入财务困境的条件概
率有多大。如果算出的概率大于设定的分割点，则判定该公司在这段时间内
会陷入财务困境。logit 模型的形式为：ｌｎ［ｐ÷（１－ｐ）］＝α０＋β１
ｘ１＋β２ｘ２＋…＋βｋｘｋ。其中：ｐ取值为０、１；ｐ为概率；ｘ１，
ｘ２，…，ｘｋ为ｋ个预测变量，即财务指标；α０、β１、β２、…、βｋ
为系数。
Ohlson(1980)使用 Logit 方法进行财务预警研究。他用 1970-1976 年间
的 105 家破产公司及 2058 家正常公司为研究对象，采取 9 个财务变量来估
计模型。实证结果表明，其中 4 项财务资料对评估破产概率具有统计显著
性，依次是规模（总资产/GNP 物价指数后取对数）；资本结构（总负债/总
资产）；资产报酬率或来自经营的总负债/总资产；短期流动性（营运资金/
总资产、流动负债/流动资产），判别正确率也高达 92%以上。他构造了两个
虚拟变量，OPNEG 和 INTWO，前者当企业总资产超过总负债是值为 1，否
则为 0；后者当企业破产前两年的净利润负时值为 1，否则为 0。其研究结
果表明这两个虚拟变量对模型的解释能力甚至不低于某些常用的财务比率。
他指出采用破产之后获得的信息来预测破产会高估破产模型的预测能力。
3．新的研究方向
（1）神经网络模型
在 19 世纪 80 年代末期，神经网络理论（NN）开始兴起，其影响也及
于财务危机预测研究领域。虽然神经网络判别模型可谓是研究方法上的重大
创新，但实际效果却很不稳定。例如，Coats 和 Fant（1991）对 47 家财务
危机公司和 47 家正常公司运用神经网络模型进行判别时，对财务危机公司
的预测准确率达到了 91%，明显高于多元判别法 72%的准确率。然而，
Back 等人在 1994 年所做的一项研究却并不认为神经网络模型具有比多元判
别分析（MDA）和 Logistic 分析明显更佳的预测效果。不过，由于财务数
据可以表现企业生命的各种特征，其变化规律也与达尔文进化论有许多相似
之处，因此随着遗传算法（Genetic algorithms）模型等思路的不断完善（如
Back 和 Laitinen 等人 1996 年的相关研究），该方法可能代表着未来的一种
重要趋势。
（2）期权定价理论
Charitou 和 Trigeorgis（2000）使用 B-S 期权定价模型中的相关变量构
建了财务危机判别模型，对 1983 年到 1994 年期间的 139 对美国企业进行了
对比检验，结果发现到期债务面值、企业资产的当期市价、企业价值变化的
标准差等期权变量在预测破产方面作用显著。不过，该研究的基础方法仍然
建立于 Logistic 回归检验之上，仅仅在变量设计方面引入了期权因子，因此
实际的理论贡献不大。正如我们前文所指出的，“破产”要件受到债权人选择
等非线性因素的影响而具有不确定的后果，因此期权理论目前仅在企业总体
估价中得到有限应用，若作为财务危机预测研究的一种方法，仍然具有不可
克服的先天局限。
国内研究现状
国内关于企业财务风险预警系统的研究除借鉴国外的预警模型以外, 一
部分学者也做了扩展性的研究工作。国内大部分学者在财务预警分析时所涉
及的指标较多，有时高达 20 多项。最典型的是北京化工大学会计系周首
华、美国夏威夷大学会计学院杨济华和中国人民大学王平在 1996 年应用多
微区分分析，建立的“供管理当局使用而又区别于传统的公司偿付能力分析
的新的预测模式—F 分数模式（Failure Score Model）”。
1996 年，周首华等对 Z 计分模型加以改造，建立了财务危机预测的新
模式——F 分数模型。F 分数模型使用的样本更加扩大，使用了 Compustat
PC Plus 会计数据库中 1990 年以来的 4160 家公司的数据作为样本进行了验
证，在模型中加入了现金流量这一预测自变量，许多专家证实现金流量比率
是预测公司破产的有效变量。其模型表达式是：
F=+++++
其中：F 为判别函数值
X1——（期末流动资产-期末流动负债）/期末总资产
X2——期末留存收益/期末总资产
X3——（税后收益+折旧）/平均总资产
X4——期末股东权益的市场价值/期末总负债
X5——（税后纯收益+折旧+利息）/平均总资产
这个模型的判别临界点是 ，比率越低，企业发生财务失败或破
产的可能性越大。
但是，F 分数模式的研究对象并不是中国的证券市场。
1986 年，吴世农、黄世忠曾撰文介绍企业破产的财务分析指标及其预
测模型。
蔡红艳、韩立岩（2003）采用了 Fisher 判别方法建模，进入建模的指标
有：资产收益率、资产负债率等几个指标。Fisher 二类线性判定模型在财务
危机发生前的第 1 年的判定准确率达到了 %。
上海财经大学的陈静在 1999 年对上市公司财务恶化预测进行了实证研
究，她选用了 1998 年 27 家 ST 上市公司作为样本，并将其界定为财务失败
公司，主要借鉴了 Beaver 和 Altman 的模型，采用 1998 年财务数据，应用
判定分析建立了两个模型。
Z1=+++
Z2=++++
X1——资产负债率 ；
X2——净资产收益率 ；
X3——总资产收益率 ；
X4——流动比率；
X5——营运资本比率；
X6——总资产周转率。
陈静的研究结果表明，各上市公司样本在其中 ST 公司之前的前一年
（1997 年）、前两年（1996 年）、前三年（1995 年）的判别准确率分别是
%、%和 %。模型在 ST 宣布前一年的判别准确率较高，离宣布
日越远，准确率越低。成经所做研究中样本包括制造业、商业、房地产等不
同的行业，而不同的行业的财务比率在一定程度上缺乏可比性，因此很难保
证模型预测的正确率；样本仅局限于 1998 年一个年度，这在 1999 年来说，
时效性很强，但六年来我国证券市场的发展变化十分显著，如果将原研究成
果应用于现代的证券市场，缺乏说服力，很难保证模型的有效性；陈静在分
析建模时所用数据是各 ST 公司被 ST 当年的数据，而非 ST 之前的数据，这
样就会在一定程度上削弱所建模型的预测准确性。
张玲（2000）以上市公司的财务比率为基础，根据样本进行统计推断，
最后判别函数用到了资产负债比率、总资产利润率、营运资金与总资产比
率、留成收益、资产总额比 5 个指标。以原始样本判别值得分界线作为预警
临界点，120 家公司为研究样本，使用其中 60 家公司的财务数据估计二类
线性判别模型，并使用另外 60 家公司进行检验，发现模型具有超前 4 年的
预测效果。
吴世农、卢贤义（2001）选取了 70 家处于财务困境的公司和 70 家对照
公司为样本，检验了 Fisher 线性判定分析、多元线性回归分析和 Logistic 回
归分析三种方法，并结合中国的实际情况建立了相应的模型。他们的研究结
果表明，在财务危机发生前 2 年或 1 年，盈利增长指数、流动比率、负债比
率、总资产周转率等 16 个指标的时效性较强：多元线性判定模型，Fisher
二类判定模型和 Logistic 回归模型均能在财务危机发生前做出较为准确的判
断；相比于同一信息集而言，Logistic 回归模型的误判率最低，在财务危机
发生前 1 年的误判率只有 %。
黄岩、李元旭以沪深两市的上市公司为样本，建立了中国工业类上市公
司财务失败预测模型，给出了所研究上市公司的 Z 值范围，用到的指标处
理方法主要是聚类分析和判别分析。
我国台湾学者陈肇荣经过研究、测试，得出如下财务危机预测模型：
Y=+++
其中：Y 为判别函数值
X1——速动总额/流动负债；
X2——营运资金/资本总额 ；
X3——固定资本/资本净额 ；
X4——应收账款/销货净额；
X5——现金流入量/现金流出量
按照此模型，当 Y 值低于 时，企业有可能在未来一年内发生财务
危机。
除此以外，我国学者关于 Altman 的 Z-score 模型也做了诸多实证研究。
金婷婷在《我国上市公司财务预警实证研究———基于 Z- score 模型的探
析》一文中，以我国上市公司中的 72 家企业为样本 , 采用实证分析方法 ,
建立基于 Z- score 模型的上市公司财务线性判别预警模型。根据典则线性
判别模型 ,, 得到危机型企业与健康型企业的平均 Z 值分别为 和
, 因 而 可 确 定 分 界 值 应 为 ( 和 的 平 均
数) 。王玻在《Z- score 模型对我国上市公司适用性实证研究》中运用实证
分析方法，就深市的 40 家制造业公司来验证“Z 记分法”在评价企业经营风
险方面的有效性程度。根据数据得知，Altman 标准对我国的上市公司仍然
有较好的适用性，但同这个标准相比，我国的 ST 公司的 Z 值相对较低。文
章就 Z 记分模型对我国上市公司的适用性做一实证分析，力争找到适合上
市公司的预警模型。梁谋和卞鹰在《2 0 0 4 -2 0 0 8 我国中药上市企业财务
风险的实证研究》中利用 z 值模型和上市公司年报数据对我国 27 家中药上
市企业的财务状况进行分析，指出企业应当根据自身特点，采取针对性的策
略，避免财务风险。王永生和李洁的《Z-score 预警模型的研究与分析》对
Z-score 预警模型进行了新的研究，将模型中各财务比率的权数及常数项进
行调查；并对各模型预测概率进行比较，以获得其预测准确率；然后在此基
础上提出 P 模型（百分数模型），同时用 ST 公司和非 ST 公司的财务数据
对 P 模型进行实证检测分析。赵健梅与王春莉的《财务危机预警在我国上
市公司的实证研究》说明的是 z 一 score 模型对我国上市公司的财务危机有
着较强的预警作用，但并未制定出一套适合我国上市公司的 z 值判定标准。
滕为与杨娟在《基于战略视角的 Z-Score 模型临界值修正研究》中以我国上
市公司财务预警系统的建立和完善为主线，运用 Altman 的模型对我国上市
公司的适用情况作了实证研究，并依据计算结果对其临界值进行了修正研
究，提出企业要进行财务战略预警分析。刘凤娇的《“ Z - Score ”模型在企
业财务预警分析中应用的研究》研究结果表明,“Z -Score”模型对某个行业或
某类企业经营风险的整体性分析的指导作用较强,并且随着会计准则与国际
接轨、会计信息真实性的提高,其在国内的适用前景将更加广泛。陈文俊在
《企业财务困境修正 Z 模型的实证研究》中针对奥特曼 Z 模型的不足之处
进行了修正，寻找尽可能准确预测财务困境的模型。
第2章 财务风险预警理论
财务风险的相关概念
财务风险
财务风险(financial risk)是指公司财务结构不合理、融资不当，使公司可
能丧失偿债能力而导致投资者预期收益下降的风险。
财务风险有广义的定义和狭义的定义，决策理论学家把风险定义为损失
的不确定性，这是风险的狭义定义。日本学者龟井利明认为，风险不只是指
损失的不确定性，而且还包括盈利的不确定性。这种观点认为风险就是不确
定性，它既可能给活动主体带来威胁，也可能带来机会，这就是广义风险的
概念。
财务风险的基本类型共有 5 种：筹资风险、投资风险、经营风险、存货
管理风险以及流动性风险。
财务危机
1．国外学者对财务危机的界定
（1）为了使样本企业有较明确的标识，便于区分，很多学者将财务危
机企业定义为已宣告破产的企业。如 Altman(1968)认为“企业失败包括在法
律上的破产、被接管和重整等”，实质上是把财务危机基本视同为企业破
产，即法定破产。遵循这条思路，Deakin(1972)认为财务危机企业是指已经
破产、无力偿债或者为了债权人的利益已经进行清算的企业。将财务危机基
本等同于法定破产的学者还有 Casey、Bartczark(1984)，Gentry (1985)，Aziz
(1988)和 Gilbert (1990)等等。
（2）为全面收集财务危机企业样本进行财务危机预警的实证研究，很
多学者扩大了财务危机企业样本的选择范围。如 Beaver(1966)将财务危机企
业定义为：银行透支、未支付优先股股利、债券违约和宣告破产等几个状
态。
总的来看，国外学者对财务危机的定义是根据研究课题的需要而定，通
常在文献中会明确给出研究样本的选择特性，其定义和描述财务危机企业样
本的方式有多种，归结起来有变现拍卖、无力支付短期债务、无力支付债券
利息、无力支付债券本金、无力支付优先股股息、重整及法定破产等。因
而，Charles H Gibson&Patricia AFrishkoff 指出，财务失败有各种各样的标
准，财务失败这个词的含义要根据所设的标准而定。
2．国内学者对财务危机的界定
在我国，暂时没有对财务危机进行深入研究及下一个准确的定义。由于
国内财务危机预测的研究对象主要针对上市公司, 故一般将财务危机界定为
财务状况异常而被“特别处理”。 由于我国证券市场的退市制度建立较晚，
退市的企业不多，因而大部分研究者都把上市公司被特别处理作为企业陷入
财务危机的标志，如陈静（1999），陈晓、陈治鸿（2000），吴世农，卢贤
义（2001），李华中（2001）等。
财务风险与财务危机的关系
财务危机是财务风险积聚到一定程度的产物，它同财务风险一样，是在
不断运动变化着的。陷入财务危机的上市公司必然面临着较大的财务风险，
而具有财务风险的上市公司不一定陷入了财务危机。不同上市公司财务风险
与财务危机有不同的表现形式，即使是同一上市公司，在不同时点其财务风
险与财务危机也会有所不同。
财务风险预警系统理论
财务风险预警系统的涵义
财务预警就是通过对企业财务活动运行状态进行监控，预先告知企业即
将发生的警情，并采取一定的措施，排除警情，保证企业财务活动安全运行
的管理行为。
根据警情界定程度的不同，可将其分为广义和狭义的财务预警。广义的
财务预警是对所有可能引起企业财务活动波动的因素进行研究，只要引起企
业财务活动产生不利因素就进行预警。它与财务风险控制的区别主要在于它
更偏重于研究如何规避影响企业财务运转正常的那些风险所带来的不利因
素，目的只在于保证企业生存。而财务风险控制还要研究影响企业盈利的那
些风险，目的还在于发展和获利。
狭义的财务预警偏重于研究财务危机，实际上就是财务危机预警。财务
危机主要表现为企业财务状况恶化，丧失了偿还到期债务的能力，企业的净
现金流量小于企业需偿还的到期债务;它是一个时期的概念，从技术性失败
到公司破产都属于财务危机过程，并且有程度轻重之分。它与财务风险紧密
相连，实质上就是财务风险规模化、高强度化的集中爆发。本文中所述的财
务预警指的是狭义的财务预警，即财务危机预警。
财务风险预警系统的功能
1.监测功能。
跟踪企业的经营过程, 监控企业日常财务状况, 在危害企业的财务关键
因素出现之前, 预先发出警讯, 从中找出偏差及偏差发生的原因, 以便及时
寻求对策。
2.诊断功能。
根据跟踪监测, 对企业的实际财务状况与行业或标准财务状况进行对比
分析, 找出导致企业财务运行恶化的原因以及企业运行中的弊端及其病根所
在。
3.预防功能。
即避免类似的情况再次发生，系统详细记录危机的发生、处理和解决过
程, 作为前车之鉴, 增强企业规避危机的能力。
阿特曼 Z-score 模型
美国学者 Altman 于 1968 年在《金融杂志》发表的一篇题为《财务比
率、判别分析和公司破产预测》的文章中提出了预测企业破产的多元 Z 值
判断模型，这是最早的多变量型财务预警模型。他将若干变量拟合成一个函
数方程，用 z 值进行判断，从而克服了一元判定模型的缺陷。其实证结果表
明，在破产前一年的预测准确性比一元模型有较大的提高，但在破产前五年
进行预测准确性却不如一元模型。Altman 的多元 z 值判定模型的重要性在
于他介绍了一种方法技术，使用几个变量综合进行估计，获得企业的有关信
息。人们已经无法用一个比率，获得足够的信息来描述企业所有特性，而一
个一个地分析比率则过于复杂。因此，把多个比率合并入一个方程式的做法
较为可取。
Altman 最初选择的样本共有 66 家公司，分两组，每组 33 家。破产组
（组 1）包含了从 1946 年到 1965 年申请破产的 33 家制造业公司。考虑到
无论是从行业还是从资产规模进行比较，这些公司的差别都较大。因此，在
选择非破产组（组 2）时，Altman 采用了分层随机抽样的方式对应选择了另
外 33 家在 1996 年仍在经营的未破产的制造业企业。每层样本的设计主要考
虑了行业和规模因素，样本中剔除了小公司（总资产 100 万以下）和超大型
公司，因为小公司的报表数据不全，而超大型公司的破产概率较小，不适于
用来做普遍意义上的预测模型。
Altman 共选择了 22 个可能有用的财务比率分五大类（流动性、获利能
力、财务杠杆、偿债能力和活动性）进行研究。选择原则是该比率在以前研
究中出现的频率和其与研究问题的潜在相关性。Altman 经过因素分析最终
找出最具解释力的五个财务指标，建立的判别函数模型如下：
Z = + + + +
X1：营运资金/总资产=(流动资产-流动负债)/ 总资产
X2：留存收益/ 总资产=(股东权益合计 — 股本)/ 总资产
X3：息税前利润/ 总资产=(税前利润+ 财务费用)/ 总资产
X4:股权市价总值/总负债=(每股市价×流通股数+ 每股净资产×非流通股
数)/ 总负债
X5:销售收入/总资产=主营业务收入/总资产。
根据对过去经营失败企业统计数据的分析，Altman 得出经验性临界数
据值判断企业破产的临界值：如果Ｚ值大于 ，则表示企业的财务状
况、经营状况良好，发生破产的可能性小；如果Ｚ值小于 ，则表明企业
正处于破产的边缘；如果Ｚ值在 ～ 之间，则表明企业的财务及经
营极不稳定，被称为“灰色地带”。通过计算，观察某个企业连续若干年的Ｚ
值大小，就能发现企业发生财务危机的先兆。
第3章 实证研究
研究假设
根据 Z-score 模型，ST 公司具有较大的财务风险，Z 值应小于 ；Z
值大于 的公司，不具有财务风险。若计算结果符合以上论述，则 Z-
score 模型适用于我国公司；若有一条不符，则不适用。
样本选取与研究设计
样本的选择
本文从深市的 808 只 A 股股票和沪市的 888 只 A 股股票共 1696 只股票
中，剔除了数据不完整的样本后，从剩下的股票中随机抽取了 60 只股票为
样本，其中包括 ST 公司和非 ST 公司各 30 只。数据来源来自最股网。
数据来源
上市公司 2008 年、2009 年和 2010 年的年报数据。
指标设定
本文采用多元分析方法。多元分析是将几个指标综合起来，反映企业总
体财务状况，预测财务危机。多元分析选择相对较简单、且数据易于获取，
并且在实际中应用较广，国际上也较为流行 Altman 的 Z-score 模型。Z-
score 模型的判别函数如下所示：
Z = + + + +
其中，X1=营运资金／资产总额，它反映了公司资产的变现能力和规模
特征。一个公司营运资本如果持续减少，往往预示着公司资金周转不灵或出
现短期偿债危机。
X2=留存收益／资产总额，反映了公司的累积获利能力。对于上市公
司，留存收益是指净利润减去全部股利的余额。留存收益越多，表明公司支
付股利的剩余能力越。
X3=息税前利润／资产总额。即 EBIT／资产总额。可称为总资产息税
前利润率，而通常所用的总资产息税前利润率为 EBIT／平均资产总额，分
母间的区别在于平均资产总额。避免了期末大量购进资产时使 X3 降低，不
能客观反映一年中资产的获利能力，衡量上市公司运用全部资产获利的能
力。
X4=股东权益的市场价值总额／负债总额．测定的是财务结构，分母为
流动负债和长期负债的账面价值之和．分子以股东权益的市场价值取代了账
面价值，使分子能客观地反映公司价值的大。
X5=销售收入／资产总额，即总资产周转率，企业总资产的营运能力集
中反映在总资产的经营水平上。因此, 总资产周转率可以用来分析企业全部
资产的使用效率。如果企业总资产周转率高, 说明企业利用全部资产进行经
营的成果好, 效率高; 反之, 如果总资产周转率低, 则说明企业利用全部资
产进行经营活动的成果差, 效率低, 最终将影响企业的获利能力。如果总资
产周转率长期处于较低的状态, 企业就应当采取措施提高各项资产的利用程
度, 对那些确实无法提高利用率的多余、闲置资产应当及时进行处理, 加速
资产周转速度。
文章《运用 Z 计分模型对我国上市公司财务风险的实证研究》认为，
在 Z-score 模型中,五个指标充分考虑了企业的盈利能力(Ｘ2、Ｘ3)、资产管
理水平(Ｘ1)、成长能力(Ｘ5)及企业市场价值或账面价值(Ｘ4)等方面,比较全
面地反映企业的经营状况,但在目前市场经济条件下,我们认为 Z-score 模型
还存在问题,使其模型具有明显的不适应性。其中，Ｘ4 指标的适用性不够。
Ｘ4 指标反映的是普通股和优先股市价或企业的账面价值与负债的账面价值
的比值 ,此项指标在现阶段不管对上市公司 ,还是非上市公司都有其不适应
性。对上市公司来讲,由于我国股市运行时间较短,存在着许多不规范之处,股
票市价并不能真实地反映企业的市场价值;对于非上市公司来讲,该项指标也
只能反映公司的财务结构,即净资产与负债的比例,这与Ｘ1、Ｘ2 指标有重复
之嫌,其应用价值大打折扣。因此，我们将 Z-score 模型中的Ｘ4 改为总资产
现金回收率,计算公式为：营业现金净流量/总资产。这样模型中的五个指标
充分考虑了企业的盈利能力、资产管理水平、成长能力及企业获取现金的能
力等方面,增强其判别函数的适用性,更好地为企业发挥预警作用。调整后的
模型中相关指标系数仍采用第一个模型中的相关系数。我们认为,可以在不
改变Ｚ判别值的计算结果及破产界限划分的前提下,根据行业盈利水平和现
金流量状况进行测算,然后确定判断范围,在一段时期内适用。这样既可以保
证行业内有统一的评价标准,又可以充分考虑不同行业的不同经营环境、不
同风险程度。
根据以上思路和建议,调整后“Z-score 模型”为：
Z = + + + +
X1=营运资金／资产总额
X2=留存收益／资产总额
X3=息税前利润／资产总额
Ｘ4=经营净现金流量/资产总额
X5=销售收入／资产总额
数据分析
计算样本中 ST 公司与非 ST 公司三年的 Z 值，具体计算结果见附录
1，附录 2 和附录 3。根据计算结果进行数据分析，详细分析如下：
ST 公司与非 ST 公司 Z 值比较
Altman 认为如果公司的 Z 值低于 时，公司有很大的破产风险；但
当 ＜Z＜ 时，公司的财务状况极不稳定；当 Z＞ 时，公司的
财务状况良好，破产的可能性极小。但这个标准是否适用于我国的上市公
司，我们对样本的 Z 值结果进行统计，情况见表 3-1。
表 3-1 Z 值结果统计表
Z＜ ＜Z＜ Z＞ 值范围
公司数量 比 例
（%）
公司数量 比 例
（%）
公司数量 比 例
（%）
2008 28 1 1
2009 28 1 1
ST 公司
2010 24 80 3 10 3 10
2008 20 6 20 4
2009 18 60 10 2
非 ST 公
司
2010 20 8 2
由表 3-1 可以看出，有超过四分之三的公司的 Z 值小于 ，这说明我
国上市公司的 Z 值相对西方是比较低的。而非 ST 公司中也有大半 Z 值小
于 ，这表明仅仅依靠 Z-score 模型来判别公司的财务状况存在局限性。
从投资者的角度看，将 ST 公司误分为非 ST 公司的成本可能会更高一些，
错误的判断会使投资者做出错误的决策，进而可能会有大量的损失，而且上
市公司的股东人数较多，会产生较大范围的损失，并有可能影响证券市场的
稳定。因此，我以 为分割点对计算所得的 Z 值进行分析。假定第一类
错误为将 ST 公司误分为非 ST 公司；第二类错误为将非 ST 公司误分为 ST
公司。分析结果如表 3-2 所示。
表 3-2 准确率分析表
以 为分割点判定结果
时间
样本数
总 体 正 确 率
（%）
Ⅰ 类 误 分 率
（%）
Ⅰ 类 误 分 率
（%）
2008 60
2009 60 30
2010 60 10
由表 3-2 可以看出，第一类误分率较低，平均值为 ；而第二类误分
率较高，平均值为 。3 年中，有超过 80%的非 ST 公司的 Z 值小于
，而根据 Altman 的 Z 计分模型，这些公司应该正面临或已经陷入财务
危机，特别是 Z 值低于 的非 ST 公司比率高达 60%以上，根据模型这
些应该是破产企业。因此，仅根据 Z 值来判断我国非 ST 上市公司的财务状
况时，会存在较大误判的可能。根据以上分析可以看出， Z 计分模型在验
证我国上市公司中的 ST 公司时有较高的准确度，而作为预测非 ST 公司财
务状况的模型时，可能具有很大的误判性。
Z 值波动性比较分析
根据上述分析，我国上市公司的 Z 值有普遍偏低的现象，仅根据其大
小难以对公司财务状况作出正确判断。进一步分析样本公司 Z 值的波动
性，由于 ST 公司及非 ST 公司内部 Z 值平均数差异较小，选择标准差作为
衡量波动程度的指标。标准差反映总体各单位标志值的变动程度，标准差越
大，表示标志变动越大；反之，标准差越小，表示变动度越小。分别计算
ST 公司和非 ST 公司 Z 值的标准差，计算结果如表 3-3 所示。
表 3-3 样本公司 Z 值标准差分类统计表
公司类型 平均标准差 标准差<1 的公司个数 标准差>1 的公司个数
非 ST 公司 28 2
ST 公司 16 14
由表 3-3 所示数据可看出，非 ST 公司 Z 值的标准差的平均值是 ，
而 ST 公司的达到 。如果以 1 作为 Z 值标准差的临界值，非 ST 公司
的 Z 值有 %的标准差小于 1，而 ST 公司的 Z 值中有 %的标准差
大于 1，表明非 ST 公司的 Z 值变动程度较小，而 ST 公司的 Z 值变动程度
较大。因此，当一个公司的 Z 值变动程度较大时，有可能出现财务危机。
根据以上对样本公司 2008 年至 2010 年 Z 值的波动性分析可以发现，非 ST
公司和 ST 公司的 Z 值波动性有较大的差异。ST 公司的 Z 值连续几年的变
动度较大，说明公司的发展不稳定，财务状况有不断恶化的趋势；而非 ST
公司的 Z 值变动度较小，说明企业发展稳定，财务状况稳定。
ST 公司与非 ST 公司 Z 模型各财务比率的比较分析
仅凭 Z 值来判断我国上市公司的财务状况存在很大误差，还可以进一
步分析样本公司 Z- score 模型中的五个财务比率及其变动情况。计算样本
中 ST 公司与非 ST 公司 Z 值各财务比率的 2008 年至 2010 年平均值，结果
见表 3-4。
表 3-4 ST 公司与非 ST 公司 Z-SCORE 模型各财务比率比较表
公司类型 年份 X1 X2 X3 X4 X5
2008
2009 非 ST 公
司 2010
2008
2009
ST 公司 2010
为净营运资本 / 资产总额，反映了企业资产的折现能力和规模特
征。营运资本是企业的周转资金，具有周转速度快、变现能力强、项目繁
多、性质复杂、获利能力高、投资风险小等特点。一个企业营运资本的持续
减少，往往预示着企业资金周转不灵或出现短期偿债危机。由表 3-4 可以看
出，2008 年至 2010 年间，非 ST 公司的净营运资本在总资产中所占的比率
变动不大，且逐年增加，说明非 ST 公司的资金周转正常，短期偿债能力较
好；而 ST 公司的该比率一直为负值，且普遍低于非 ST 公司的该比率，说
明 ST 公司可能存在资金周转危机和短期偿债危机。
2．X2 为留存收益／资产总额，反映了企业的累积获利能力。期末留存
收益是企业税后利润累积而造成的，一般来讲，X2 越小，企业财务危机的
风险越大。2008 至 2010 年间，非 ST 公司的 X2 比率变动不大，说明其累
积获利能力发展稳定，且其值基本在 30%以上，说明其累积获利能力较
强；而 ST 公司的该比率变动较大，比率值为负值，且明显低于非 ST 公
司，说明 ST 公司遭受财务危机的风险普遍大于非 ST 公司。
3．X3 为息税前利润/资产总额，反映的是企业投入的全部资金的获取
报酬的能力。该比例越高，说明企业的全部资金获得的报酬越高。从平均值
看，ST 公司的 X3 值要高于非 ST 公司，然而，这只是因为 ST 公司的 X3
值相差很大，而非 ST 公司的 X3 值相差不大所造成的。事实上，从具体数
据看，非 ST 公司的 X3 值大多数都大于 0，而 ST 公司的 X3 值很多都是负
值，且大多数 ST 公司的 X3 值要小于非 ST 公司，这说明 ST 公司的盈利能
力出现了问题。
4．修改后的 X4 是总资产现金回收率，反映的是企业获取现金的能
力。一般来说，该比率越高，企业获取现金的能力越强，偿还负债的能力越
强，财务风险越小。
5．X5 为总资产周转率，企业总资产的营运能力集中反映在总资产的经
营水平上，因此，总资产周转率可以用来分析企业全部资产的使用效率。如
果企业总资产的周转率高，说明企业利用全部资产进行经营的成果好，效率
高；反之，如果总资产周转率低，则说明企业利用全部资产进行经营活动的
成果差，效率低，最终将影响企业的获利能力。如果总资产周转率长期处于
较低的状态，企业就应当采取措施来提高各项资产的利用程度。
Z-score 模型临界点调整
由于 Z 模型是根据西方的数据计算出来的，我国的上市公司 Z 值普遍
较低，因此，在文章《运用 Z 计分模型对我国上市公司财务风险的实证研
究》中，作者对 Z 模型的临界点进行了调整，将其从 和 降低为
和 ，使得准确度有了大幅度的提升。本文也借鉴这一结论，用 和
来重新计算一下准确程度。分析结果如表 3-5。
表 3-5 Z 值结果统计表
Z＜ ＜Z＜ Z＞
Z 值范围 公司数
量 比例（%） 公司数量 比例（%） 公司数量
比例
（%）
2008 23 1 6 20
2009 18 60 7 5 公司
2010 17 4 9 30
2008 6 20 4 20
2009 3 10 5 22
非 ST 公
司
2010 2 6 20 22
我们分别以 和 为分割点对计算所得的 Z 值进行分析。同上文一
样，假定第一类错误为将 ST 公司误分为非 ST 公司，第二类错误为将非 ST
公司误分为 ST 公司。分析结果如表 3-6 所示。
表 3-6 Ｚ值预测效果表
以 为分割点 以 为分割点
判定结果
时间
样本
数
总 体 正
确 率
（%）
Ⅰ 类 误
分 率
（%）
Ⅰ 类 误
分 率
（%）
总 体 正
确 率
（%）
Ⅰ 类 误
分 率
（%）
Ⅰ 类 误
分 率
（%）
2008 60 10 10
2009 60 75 20 5
2010 60 75 15
对照表 3-1、3-2 与表 3-5、3-6，可以清楚的看出，修改临界点后的 Z
模型的准确程度有较大幅度的上升，总体正确率都在 70%以上，两类误分
率也都有所下降，这表明修改临界点后的 Z 模型有了一定程度上的优化。
实证结果分析
从上面的分析可知， Z-score 模型并不完全适用于我国上市公司，还不
能直接用于对我国上市公司的财务预警。
从上述讨论可以看出，我国上市公司的 Z 值普遍偏低，虽然该模型对
ST 公司有较强的预警作用，但与此同时，非 ST 公司的 Z 值也偏低，低于
临界值的比率很大，Z 计分模型在验证我国上市公司中的 ST 公司时有较高
的准确度，而作为预测非 ST 公司财务状况模型时，可能具有很大的误判
性。所以，现阶段该模型还不能直接用于对我国上市公司的财务预警。分析
我国上市公司 Z 值偏低的原因，很可能是由于现阶段我国证券市场上市公
司的股权结构特别复杂。股权分置改革后存在大比例的限售股，从目前限售
股解禁的情况看，对股价的影响相当巨大，即使某公司已实现全流通，其股
价的表现依然很不稳定，使 Z 值偏低，影响 Z- SCORE 模型的应用效果。随
着我国证券市场的发展，当限售股问题对股价影响逐渐减少以致平息时，Z-
SCORE 模型对我国上市公司的财务预警的作用应该可以显现。另外，由于
我国一些上市公司的效益不好，各项财务指标如流动比率、资产收益率等都
很差，特别是每股净资产、未分配利润等都是负数，这大大地降低了 Z
值。
建议
虽然 Z-score 模型不能直接用于我国上市公司的财务预警，但结合其他
分析，还是可以提高准确程度，大体上判断出公司的财务状况的。针对这一
问题，我有如下建议：
1.虽然现阶段还不适合直接利用 Z 值的大小进行财务预警，但如果结合
Z 值的波动性分析，就能在一定程度上起到较好的预警作用。从前面的分析
看，虽然 ST 公司和非 ST 公司 Z 值都偏低，但两者 Z 值的波动特性有很大
的区别，ST 公司的 Z 值在偏低的同时，波动特别大，且一般表现为持续降
低。非 ST 公司在连续研究的几年中，Z 值也偏低，但其变动平稳，也没有
持续走低的情况。
2.有效考虑 Z 模型所涉及的 5 个变量的变化，也有利于提高准确度。一
般来讲，ST 公司的 5 个变量一般表现为持续降低，且大小低于同年的非 ST
公司；非 ST 公司的 5 个变量一般变动平稳，且大小一般高于 ST 公司
3.修改模型的临界点，将其从 和 降至 和 ，使得模型的
准确度上升了接近 10 个百分点，两类误分率都下降，这表明适当的降低临
界点的值，有利于提高模型的准确性程度。当然，这也是由于我国上升公司
的 Z 值偏低造成的。
综上所述，企业若想使用 Z-score 模型来判断公司的财务状况，我建议
企业先搜索一下该行业代表性企业的 Z 值大小，Z 值近几年的波动性，Z 模
型财务比率的波动性，然后再将本企业的 Z 值大小，Z 值与财务比率的波动
性与之相比，就可以得出本企业的财务状况，用此方法得到的结论准确性也
比较高。当然，若是能适当的降低一下模型的临界值，准确程度会更高。
结论
全球经济在 2008 年开始的金融海啸中受到重大打击，许多大小企业濒
临破产，投资者更是蒙受重大损失。如何利用公开披露的财务信息，做好公
司财务困境的事前预警工作，成为人们关注的一大热点。而建立完善的财务
危机预警系统，正是公司降低财务风险的关键所在。z-score 模型作为财务
风险预警的一种方法，具有很强的可操作性。但是，由于我国会计准则与国
外不同，金融市场也不够完善，这对模型的计算结果可能会产生一定影响，
因此在使用过程中应当注意模型的适用范围。尽管如此，z 值模型对判定我
国企业的财务风险仍具有较强的指导意义。
本文选取了在深市和沪市发行的 60 只 A 股为样本，其中包括 ST 公司
和非 ST 公司各 30 只，以此为样本进行了实证研究。
本文根据上市公司 2008 年、2009 年及 2010 年三年的年报数据，计算
出这三年 ST 公司与非 ST 公司的 Z 值，并将其做了比较分析，得出以下结
论：
- SCORE 模型还不能直接用于对我国上市公司的财务预警，该模型
在验证 ST 公司时有较高的准确度。
2.虽然现阶段还不适合直接利用 Z 值的大小进行财务预警，但如果结
合 Z 值的波动性分析，能起到较好的预警作用。
3.结合模型所涉及的 5 个变量分析，可以有效的提高准确度。
4.适当降低临界点，可以使模型的准确率提高。
参考文献
1 王芳云 .运用 Z 计分模型对上市公司财务风险的实证研究[J].山东纺织经
济.2005，（5）:42-44
2 Beaver ， W ． H ． Financial Ratios as Predictors of Failure[J] ． Journal of
Accounting (Supplement to Vol 5)：71—111
3 Beaver ， W ． H ． Financial Ratios as Predictors of Failure[J] ． Journal of
Accounting (Supplement to Vol 5)：71—111
4 田爱国.企业财务危机预警定量分析初探.当代经济.2005，（9）:65-66
5 吴 世 农 ， 卢 贤 义 . 我 国 上 市 公 司 财 务 困 境 的 预 测 模 型 研 究 [J]. 经 济 研
究.2001，（6）:46-51
6 梁谋,卞鹰.2004 年～2008 年我国中药上市企业财务风险的实证研究. 商业
研究.2009(9) :10-13
7 王永生，李洁. Z-score 预警模型的研究与分析[J].财会通讯.2006，（2）:52-
55
8 赵健梅，王春莉.财务危机预警在我国上市公司的实证研究[J].数量经济技
术经济研究.2003，（7）:134-138
9 Yongsheng Ding ， Xinping Song ， Yueming Zen. Forecasting financial
condition of Chinese listed companies based on support vector machine .
Expert Systems with Applications, 2008.
10 俞 军 ， 张 锴 ， 殷 辉 ． 安 徽 上 市 公 司 财 务 风 险 实 证 研 究 ． 华 东 经 济 管
理．2006 (5):P24—27
11 Altman ， E ． I ． Financial Ratios ， Discriminant Analysis and the
Predictionof Corporate Bankruptcy[J] ． Journal of ． 1968 ：
589—609
12 Altman，I．E，Haldeman，R．G．and Narayanan． ZETA Analysis-A
New model to identify bankruptcy risk of corporations[J] ． Journal of
Banking and ．1977：29—54
13 Altman ， E ． Predicting Financial Distress of Companies ： Revisting the
Hcore and ZETA Models[J].2000
14 邱云来. Z 计分模型的改进及实证检验.理论新探.2009(12) :P22-24
15 王 玻 . Ｚ － ｓ ｃ ｏ ｒ ｅ 模 型 对 我 国 上 市 公 司 适 用 性 实 证 研 究 . 岁 月 联
盟.2010,(6)
16 李 荣 ， 李 永 芳 .基 于 上 市 公 司 现 金 流 的 财 务 风 险 预 警 .商 业 研 究 .2009
（391）:146-149
17 胡刚.基于上市公司财务困境修正 Z 模型的实证研究.中南大学硕士学位论
文.2004,（5）
18 徐秀渠 . Altman's Z-Score 模型在企业风险管理中的应用研究 . 经济经
纬.2010(4).P103-106
19 万希宁.关于上市公司财务失败预警的实证分析[J].商业研究.2003，（12）
20 周剑涛,庞文凤. Z- SCORE 财务预警模型在上市公司应用的实证研究.财会
通讯.2009(8) :25-27
21 尹侠.上市公司财务预警的实证分析[J].财经理论与实践.2002，（1）:83-87
22 李小青，董全 .企业财务预警系统及其定量分析探讨[J].会计之友 .2000，
（1）：28-29
附录
附录 1 2008 年 Z 值计算表
公司类型 样本 X1 X2 X3 X4 X5 Z1
浦发银行
中原高速
浙江广厦
浙江富润
中视传媒
重庆路桥
长征电气
岷江水电
德赛电池
长江证券
国恒铁路
佛山照明
科学城
美达股份
西藏发展
康佳集团
用友软件
北京城乡
岳阳纸业
西部矿业
北辰实业
上海电气
中国远洋
世荣兆业
威尔泰
华帝股份
海特高新
兔宝宝
传化股份
非 ST 公
司
巨轮股份
*ST 夏新
ST 华光
ST 公司
ST 中葡
*ST 华源
S*ST 黑龙
ST 松江
*ST 昌鱼
ST 中农
*ST 博盈
ST 银广夏
*ST 创智
ST 盛润 A
-
*ST 威达
SST 中华
A
锦化氯碱
ST 科健
*ST 九发
ST 珠峰
ST 香梨
ST 筑信
*ST 北生
*ST 白猫
S*ST 北亚
ST 马龙
ST 春兰
*ST 中房
*ST 三联
ST 宝龙
*ST 琼花
*ST 张铜
附录 2 2009 年 Z 值计算表
公司类型 样本 X1 X2 X3 X4 X5 Z2
浦发银行
中原高速
浙江广厦
浙江富润 非 ST 公
司 中视传媒
重庆路桥
长征电气
岷江水电
德赛电池
长江证券
国恒铁路
佛山照明
科学城
美达股份
西藏发展
康佳集团
用友软件
北京城乡
岳阳纸业
西部矿业
北辰实业
上海电气
中国远洋
世荣兆业
威尔泰
华帝股份
海特高新
兔宝宝
传化股份
巨轮股份
*ST 夏新
ST 华光
ST 中葡
*ST 华源
S*ST 黑龙
ST 松江
*ST 昌鱼
ST 中农
*ST 博盈
ST 银广夏
*ST 创智
ST 盛润 A
*ST 威达
ST 公司
SST 中华
A
*ST 锦化
ST 科健
*ST 九发
ST 珠峰
ST 香梨
ST 筑信
*ST 北生
*ST 白猫
S*ST 北亚
ST 马龙
ST 春兰
*ST 中房
*ST 三联
ST 宝龙
*ST 琼花
*ST 张铜
附录 3 2010 年 Z 值计算表
公司类型 样本 X1 X2 X3 X4 X5 Z3
浦发银行
中原高速
浙江广厦
浙江富润
中视传媒
重庆路桥
长征电气
岷江水电
德赛电池
长江证券
国恒铁路
佛山照明
科学城
美达股份
西藏发展
康佳集团
用友软件 非 ST 公
司 北京城乡
岳阳纸业
西部矿业
北辰实业
上海电气
中国远洋
世荣兆业
威尔泰
华帝股份
海特高新
兔宝宝
传化股份
巨轮股份
*ST 夏新
ST 华光
ST 中葡
*ST 华源
S*ST 黑龙
ST 松江
*ST 昌鱼
ST 中农
*ST 博盈
ST 银广夏
*ST 创智
ST 盛润 A
*ST 威达
SST 中华
A
-
*ST 化工
ST 科健
*ST 九发
ST 珠峰
ST 香梨
ST 筑信
*ST 北生
*ST 白猫
S*ST 北亚
ST 马龙
ST 春兰
*ST 中房
ST 公司 *ST 三联
*ST 宝龙
*ST 琼花
*ST 张铜
附录 4 外文文献原文
This paper develops a new early warning system (EWS) model, based on a
multinomial logit model, for predicting financial crises. It is shown that
commonly used EWS approaches, which use binomial discrete-dependent-
variable models, are subject to what we call a post-crisis bias. This bias arises
when no distinction is made between tranquil periods, when economic
fundamentals are largely sound and sustainable, and crisis/post-crisis periods,
when economic variables go through an adjustment process before reaching a
more sustainable level or growth path. We show that applying a multinomial
logit model, which allows distinguishing between more than two states, is a valid
way of solving this problem and constitutes a substantial improvement in the
ability to forecast financial crises. The empirical results reveal that, for a set of
20 open emerging markets for the period 1993e2001, the model would have
correctly predicted a large majority of crises in emerging markets.
The last decade saw a large number of financial crises in emerging market
economies (EMEs) with often devastating economic, social and political
consequences. These financial crises were in many cases not confined to
individual economies but spread contagiously to other markets as well. In
particular, the Latin American crisis of 1994e1995 and the Asian crisis of
1997e1998 affected a wide group of countries and had systemic repercussions for
the international financial system as a whole.
As a result, international organizations and also private sector institutions
have begun to develop early warning system (EWS) models with the aim of
anticipating whether and when individual countries may be affected by a
financial crisis. The IMF has taken a lead in putting significant effort into
developing EWS models for EMEs, resulting in influential papers by Kaminsky
et al. (1998) and Berg and Pattillo (1999b). But also many central banks, such as
the US Federal Reserve (Kamin et al., 2001; Kamin and Babson, 1999) and the
Bundesbank (Schnatz, 1998, 1999), academics and various private sector
institutions (JP Morgan, 1998; Goldmane Sachs, 1998; Deutsche Bank, 2000;
Credit Suisse First Boston, 2001; Morgan Stanley Dean Witter, 2001) have
developed models in recent years.
EWS models can have substantial value to policy makers by allowing them
to detect underlying economic weaknesses and vulnerabilities, and possibly
taking pre-emptive steps to reduce the risks of experiencing a crisis. The central
concern is, however, that these models have been shown to perform only
modestly well in predicting crises ex ante (Berg and Pattillo, 1999a).
The contribution this paper aims to make to the literature is to identify a bias in
existing EWS models e what we call the post-crisis bias e and to develop a new
type of EWS model, based on a multinomial discrete-dependent-variable
approach, that solves for this bias. The post-crisis bias implies that
existingEWSmodels fail to distinguish between tranquil periods, when economic
fundamentals are largely sound and sustainable, and post-crisis/recovery periods,
wheneconomic variables go through an adjustment process before reaching a
more sustainable level or growth path.
We show that making this distinction by using a multinomial logit model
with three regimes (a tranquil regime, a pre-crisis regime, and post-
crisis/recovery regime) constitutes a substantial improvement in the forecasting
ability of EWS models. Our empirical model is based on the analysis of 20
openEMEs using a monthly frequency for the period 1993e2001. In particular,
the use of the multinomial logit model reduces substantially the number of false
alarms (., the number of times the model indicates that a crisis is likely to
occur but no crisis actually happens) and of missed crises (., when the model
issues no signal but a crisis occurs) as compared to the binomial logit model.
Overall, the EWS model based on the multinomial logit would have predicted
most EME financial crises since the early 1990s, while entirely missing a crisis
only in one case (Singapore in 1997). Moreover, the out-of-sample performance
of the multinomial EWS model is robust and would have allowed the correct
anticipation of most emerging market crises of the 1990s.
The paper proceeds in Section 2 by outlining our definition of a financial
crisis and by reviewing the two most commonly used approaches for EWS
models, the leading indicator approach and the discrete-dependent-variable
approach. Section 3 presents the results obtained from a simple binomial logit
model, which is comparable to existing EWS models in the literature. Section 4
then discusses the post-crisis bias and the multinomial logit as a way of solving
it. Section 5 presents the results from the multinomial logit and compares them
with alternative models; it also presents robustness tests and out-of-sample
estimates. A discussion of the findings concludes the paper in Section 6.
There are various types of financial crises: currency crises, banking crises,
sovereign debt crises, private sector debt crises, equity market crises. The EWS
model in this paper focuses primarily on currency crises. Currency crises often
coincide or occur in quick succession with other types of crises, for instance
together with banking crises in what has been dubbed the ‘ ‘ twin crises’’
(Kaminsky and Reinhart, 1999). More specifically, our EWS model employs the
commonly used exchange market pressure (EMPi,t) variable for defining a
currency crisis for each country i and period t:
EMPi,t is a weighted average of the change of the real effective exchange
rate (REER), the change in the interest rate (r) and the change in foreign
exchange reserves (res). Taking the real variables for the exchange rate and the
interest rate accounts for differences in inflation rates across countries and over
time. The weights uREER, ur and ures are the relative precision of each variable
so as to give a larger weight to the variables with less volatility. Precision is
defined as the inverse of the variance of each variable for all countries over the
full sample period 1993e2001. The key advantage of the EMP measure is that it
allows capturing both successful and unsuccessful speculative attacks.
As a next step, we define a currency crisis (CCi,t) as the event when the
exchange market pressure (EMPi,t) variable is two standard deviations (SD) or
more above its country average EMPi:
This is the definition of currency crises that will be used below in our
econometric analysis. It is identical or quite similar to the measures commonly
used in the The next crucial question is what we are trying to predict:
the timing of a currency crisis or merely its occurrence. As the state of the
literature on EWS models for financial crises shows, predicting not only whether
a currency crisis happens but also the timing when it will happen (the precise
month) is a highly ambitious, if not unrealistic goal. The objective of our EWS is
therefore not to predict the exact timing of a crisis, but to predict whether a crisis
occurs within a specific time horizon. Our approach consists in transforming the
contemporaneous variable CCt into a forward-looking variable Yi,t
In other words, our model attempts to predict whether a crisis will occur
during a particular period of time, in this case in the coming 12 months.
Choosing the length of this period requires striking a balance between two
opposite requirements. On the one hand, economic fundamentals tend to weaken
the closer an economy comes to a financial crisis, and therefore a crisis can be
anticipated more reliably the closer the crisis is. On the other hand, from a policy
maker’s perspective it is desirable to have as early an indication of economic
vulnerabilities as possible in order to be able to take pre-emptive policy
measures. Although other EWS models sometimes use even longer time
horizons, the 12-month horizon provides what we believe is a good trade-off
between these two issues.
Previous early warning systems of currency crises have used methods that fall
into two broad One approach extracts signals from a range of
indicators (Kaminsky and Reinhart, 1999; Kaminsky et al., 1998; Goldstein et al.,
2000), whereas the other uses logit or probit models (Frankel and Rose, 1996;
Eichengreen et al., 1995; Berg and Pattillo, 1999b).
The leading indicators approach transforms each economic indicator into a
binary signal: if a given indicator crosses a critical threshold, it is said to send a
signal that a crisis is imminent. The lower the chosen threshold, the more signals
this indicator will send over time, but at the cost of more ‘‘false alarms’’. The
threshold is then chosen to minimize the noise to signal ratio, through a grid
search. This approach represented a major contribution to the literature when it
appeared. Yet, as discussed in Bussiere (2001), it has a number of disadvantages.
Most importantly, the transformation of each independent variable into binary
variables constitutes a significant loss of information compared with the discrete-
dependent-variable approach (logit and probit).
To evaluate the performance of EWS models, one ideally would like to
compare the predicted probability of a crisis obtained from the EWS model with
the actual probability. Since the latter is not directly observable, one needs to
compare the predicted probability with the actual occurrence of crises. As the
predicted probability is a continuous variable, a necessary step consists in
defining a probability level above which the probability signals most reliably
predicted that a crisis is about to occur. In other words, one needs to specify a
cut-off or threshold probability above which the predicted probability can be
interpreted as sending a signal of a pending crisis.
The key issue to be solved is what the ‘‘optimal’’ threshold level is. The
lower it is chosen, the more signals the model will send, but having the drawback
of also raising the number of wrong signals (Type 2 errors). By contrast, raising
the threshold level reduces the number of wrong signals, but at the expense of
increasing the number of missing crisis signals, ., the absence of a signal when
a crisis actually occurs within the next 12 months (Type 1 errors).
Choosing a threshold level therefore requires making a judgment on the
relative importance of Type 1 errors versus Type 2 errors. In general, Type 2
errors may be less worrisome from a policy maker’s perspective for two reasons.
First, Type 2 errors tend to be less costly from a welfare perspective than Type 1
errors. Second, Type 2 errors may not always be due to the predictive failure of
the model, but simply reflect the fact that although fundamentals were indeed
vulnerable, appropriate policy initiatives were taken to improve the resilience of
the economy and prevent a crisis. We therefore choose for all our models a
probability threshold of 20%. This is clearly an ad hoc choice, as any threshold
choice depends on the preferences of the modeler. We choose this relatively low
threshold level because we are interested in the analysis from the perspective of a
policy maker, hence giving a relatively large weight to avoiding Type 1 errors.
附录 5 外文文献译文
过去的十年里见证了大量的新兴市场经济国家的金融危机(EMEs)，经
常伴随着毁灭性的经济、社会和政治后果。这些金融危机在许多情况下不仅
仅局限于个体经济传播，还蔓延到其他市场。特别是 1994—1995 年的拉美
危机和 1997—1998 年的亚洲金融危机，影响了一大群国家，这从整体上将
国际系统金融系统看做是一个整体。
因此，国际组织和私人机构也已经开始发展预警系统，预期目标是判断
个别国家是否可能受金融危机的影响，什么时候会受影响。国际货币基金组
织 在 发 展 早 期 预 警 系 统 上 采 取 了 很 大 努 力 ， 得 到 了 一 种 由 Kandinsky
（1998）和 Berg and，Pattillo（1999b）完成的 EMEs 模型。还有许多中央
银行，例如美国联邦储备委员会(Kamin 等，2001;Kamin 和 Babson 1999)、
德国联邦银行（Schnatz，1998、1999)，学者和各种私人机构(摩根大通，
1998; Goldmane 萨克斯，1998 分;德意志银行，2000;瑞士第一波士顿信贷，
2001; 摩根斯坦利添惠、2001)在近几年来发展了模型。
EWS 模型对政策制定者会有重大价值，可以让它们检测潜在的经济弱
点和漏洞，并尽可能地采取先发制人的措施来减少经历一个危机的风险。但
是，主要关心的事是，这些被使用的模型在事先预测风险时要谨慎地使用
(Berg and Pattillo， 1999a)。
本文的理论目的是确定现存 EWS 模型存在的偏差——我们所称的后危
机偏差——和开发一种新型 EWS 模型，从一个多项离散变量着手来解决这
种偏差。这种偏差意味着现存 EWS 模型不能区分经济状况健康的稳定时期
和经济变量在达到一个更加持久稳定的水平之前趋于调整的后危机/恢复时
期。
我们的分析表明，通过在三个时期采用多项回归模型(一个稳定的时
期，一个危机前的时期，和一个危机后/恢复的时期)， 使这一差别在 EWS
模型的预报能力上有了实质性的改进。我们的经验模型是建立在 20 家公开
的 EME 分析基础上的，从 1993 到 2001 年每月分析一下。特别是，相比于
二项回归模型，多项 logit 模型的使用大幅度减少了错误警报 (即，该模型
的次数表明，一个危机很可能发生，但实际上没有发生)和错过危机(即，当
模型表明没有问题，而危机发生了) 的数量。总体而言，建立在多项回归模
型基础上的 EWS 系统将会预测更多的 EME 金融危机，只有一个案例整体
失效（新加坡 1997）。此外， 多项 EWS 模型的样本性能很稳定，并且能
对 20 世纪 90 年代的新兴市场危机做出正确的预测。
本文从第二章开始，概述金融危机的定义和回顾两个最常用的 EWS 模
型方法，主要指标法和离散变量法。第三章从一个简单的二项回归模型得到
结论，该模型与现有文献的 EWS 模型类似。第四章讨论了后危机偏差和解
决这种偏差的一种方法多项回归法。第五部分提出了多项回归法并与替代模
型进行了比较；这部分也给出了稳定性试验和样本估计。讨论的结果本文总
结在第 6 部分。
金融危机有各种形式:货币危机，金融危机，主权债务危机，私营部门债
务危机，股票市场危机。本文中的 EWS 模型主要聚焦于货币危机。货币危
机经常同时或紧接着其他类型的危机发生，比如同银行业危机同时发生的危
机被称为“共生危机”(Kaminsky 和 Reinhart，1999)。更确切地说，我们的
EWS 模型采用了常用的外汇市场控制(EMPi，t)变量来定义一个货币危机，
每一个国家 i 和每一周期 t:
EMPi， t 是实际有效汇率(REER)变化，利率(r)变化和外汇储备(res)变化
的加权平均。作为真正变量的汇率和利率引起不同国家和时期的通货膨胀率
的差异。权数ⅠREER， Ⅰr and Ⅰres 是每个变量的相对精度，因此波动越小的
权数越大。精度被定义为各国在 1993 年到 2001 年这一完整的采样周期中每
一个相反变量的方差。利用 EMP 测量的关键优势在于，成功和失败的投机
性攻击它都能捕捉到。
下一步， 当交易市场控制变量(EMPi， t)是两个标准偏差变量(SD)或高
于其国家平均水平 EMPi 时，我们定义货币危机(CCi，t)作为一个事件。
这是货币危机的定义，将被用在我们下面的的计量分析中。它同文献中
常用的措施是相同或非常相似的。下一个至关重要的问题是我们所要预测
的：货币危机的时间或仅仅是其发生率。国家在金融危机EWS模型的文献
资料显示，如果不是不现实的目标，预测货币危机及其发生的时间（精确
月），是需要极大努力的。因此我们的EWS的目的不是预测危机的确切时
间，而是预测危机是否会发生在一个特定的时间范围内。我们的方法在于将
同一时期的变量CCt转变为一个前瞻性的变量Yi，t。
换句话说，我们的模型试图预测危机是否会发生在特定的一段时间，在
这种情况下的未来的12个月。选择这一时期的长度要求在两种对立之间寻求
一种平衡。一方面，当经济越接近危机时，经济基础会越弱，因此越接近危
机，危机被预期的越可靠。另一方面，从一个决策者的角度看，越早发现经
济漏洞越好，以便能够采取先发制人的政策措施。因此尽管其他的EWS模
型有时能使用更长时间，12个月这一时间范围在这两个问题之间给我们提供
了一个好的平衡。
以前关于货币危机的早期预警系统采用的方法有两大类。一种方法是从
一系列指标中提取标志(Kaminsky和Reinhart，1999;Kaminsky等，1998；
Goldstein等，2000)，另一种是使用回归或概率模型(Frankel 和 Rose，
1996; Eichengreen 等，1995; Berg 和Pattillo， 1999b)。
领先指标方法将各种经济指标转换成二进制标志:如果一个给定的指标
到达了一个关键性的临界值，这发出一个信号，那就是一场危机迫在眉睫。
所选临界值越低，随着时间的过去，这个指标发送的信息越多，但这是以更
多的“错误警报”为代价的。通过网络搜索，所选的临界值通过减少干扰来标
明比率。这种方法的出现表明了理论上的一个重大贡献。然而，如
Bussiere(2001)所述，它还有很多的不足。最重要的是，与离散变量分析方
法（回归法和概率法）相比，每一个独立变量转变成二进制变量会造成重要
信息的丢失。
要评价EWS模型的性能，一个的理想方法是比较由EWS模型预测的危
机概率和实际概率。由于后者是不能直接观测的，这需要将预测概率和实际
发生的危机相比。因为预测概率是一个连续的变量，定义一个当危机即将发
生时最可靠的概率水平是很有必要的步骤。换句话说，需要指定一个预示危
机即将发生的临界值。
要解决的关键问题是“最优”的临界值水平。选择的临界值越低，模型表
现出的内容越多，但是缺点是这会增加错误信号(2型错误)的数量。相比之
下，提高临界值水平会减少错误信号的数量，但是这会增加漏掉危机信号的
成本，比如，没有注意在接下来的12个月内危机爆发的信号（1型错误）。
选择一个临界值水平往往需要判断1型错误和2型错误的相对重要性。一般
来说，从一个决策者的角度来看，2型错误可能不是那么可怕，这有两个原因
。第一，同1型错误相比，2型错误的成本较少。第二，2型错误可能不全归因
于模型的预测失败，而仅仅是反映出一个事实：尽管基础确实是脆弱的，适当
的政策措施是可以提高经济的恢复力和防止危机的。因此，我们在我们的模型
中选择20%为临界值。这显然是一个特设的选择，任何一个临界值的选择都取
决于模型制造者的偏好。我们选择这个相对较低的临界值，是因为我们有兴趣
从一个决策者的角度来分析，因此给予了一个相当大的权数来避免1型错误。
致谢
通过这一阶段的努力，我的毕业论文《Z 模型对我国上市公司财务预警
适用性研究》终于完成了，这意味着大学生活即将结束。大学阶段的学习令
受益非浅，这与各位老师、同学和朋友的关心、鼓励和帮助是分不开的。
完成毕业论文是一次系统学习的过程，毕业论文的完成，同样也意味着
新的学习生活的开始。我将铭记我曾是一名哈工大的学子，在今后的工作中
把哈工大的优良传统发扬光大。
非常感谢李老师在我大学最后的学习阶段——毕业设计阶段给我的指
导，从最初的定题，到资料收集，到写作、修改，到论文定稿，她给了我耐
心的指导和无私的帮助，在此我向李老师表示我诚挚的谢意。同时，感谢所
有任课老师和所有同学在这四年来给自己的指导和帮助，是他们教会了我专
业知识，教会了我如何学习，教会了我如何做人。正是由于他们，我才能在
各方面取得显著的进步，在此向他们表示我由衷的谢意。
在本论文的撰写过程中，我的指导老师李老师倾注了大量的心血，从选
题到开题报告，从写作提纲，到一遍又一遍地指出每稿中的具体问题，严格
把关，循循善诱，在此我表示衷心感谢。另外，我的同学田同学和孙同学在
论文完成过程中也给予了我一定的帮助，在此我对她们表示真挚的谢意。同
时我还要感谢在我学习期间给我极大关心和支持的各位老师以及关心我的同
学和朋友。
