基于COX模型的财务危机动态预测方法

管河山，李溪溪，王 谦

(南华大学 经济管理与法学学院，湖南 衡阳 421000)

在国际资本市场，由美国次贷危机引起的全球性金融危机使得许多原本健康的企业迅速陷入财务危机，而作为风险管控领军者的金融企业却成为了这次危机的重灾区。2015年，A股市场大跌引发了国内许多企业的财务出现了不同程度的危机，作为创业板领头羊的乐视网也于2019年步入退市环节。2020年初，全球股市急速下跌，A股上市公司一季度报和半年报的成绩单中，上市公司亏损面大幅度增加，加剧了资本市场对企业经营业绩和财务风险的担忧。企业财务危机从萌芽到爆发是一个渐变的过程，也是多种因素共同作用的结果，建立财务危机预警体系，对企业财务状况的精准掌控和化解危机有着重要的意义。由此，财务危机预警模型就显得至关重要了。

一 文献综述

财务危机预警效果依赖于模型设定和样本选取，而模型设定又涉及到变量选择和具体的模型。现有文献研究对自变量的选择主要考虑企业经营业绩与财务状况等财务因素[1-3]、公司治理与董事会结构等非财务因素[4-5]、宏观经济指标与股票价格等外部因素[6-7]，以上均是结构化数据分析。近年来，已有学者开始研究文本等非结构化数据以拓展危机预警的指标选取[8-10]，但是，这些研究仍停留在对若干关键字的频率统计上，无法上升到对文本语义的系统捕捉。

学者们对财务危机预警模型进行了大量的研究。单变量预警模型、多元线性判别模型[11]、Logistic回归模型[12-14]是具有代表性的统计模型，虽然它假定样本服从正态分布，但实际中获得的样本数据很难满足该假设，并且这些模型重在探究数据之间的线性特征，而财务危机可能呈现出非线性特征，这极大地降低了模型预测的准确率。随着计算机技术和人工智能[15]的发展，财务危机预警逐渐转向神经网络[16-17]、支持向量机[18]、机器学习[19-20]等方法的实践应用，尽管模型可以给出预测准确率，但却无法直接给出传统的计量统计解析。预警模型构建过程与变量选择息息相关，过多的自变量采集通常会带来变量的共线性问题。李长山等人对财务数据进行主成分分析以求降低变量维度，构建更为精简的Logistic回归模型用于财务风险预警[21]。上述文献中模型研究和实证存在一些不足：实证时只是采取某一时刻点横截面数据开展危机预警研究，这种静态的分析并没有考虑财务危机演化的时变性。企业陷入财务危机是一个动态演变过程，而企业的财务数据在时间上是滞后的，并不能体现其动态性，因此有必要引入动态数据(或模型)构建适合我国上市公司特点的动态财务危机预测模型。国内学者中，彭大庆提出了以危机爆发前3年数据变化趋势构建动态预警模型[22]；余玉苗开展财务舞弊识别研究时采用增量信息方式来捕捉其动态演化特征[23]。这些研究尽管突出了危机演化的动态特征分析，但是分析过程中忽视了“数据绝对值大小”对危机预警的作用。后续学者对动态建模分析的研究十分匮乏，而给予了预测变量选择的更多研究，以求拓展财务危机预警的视角。

在财务危机预警研究中，生存分析模型考虑了时间对风险的影响，能够较好地解决时变性问题。COX模型能够通过基准生存率描绘出上市公司陷入财务危机的变化趋势，即时点预测功能，其他模型很难实现这种动态预测功能。正如马超群等人研究的观点，生存分析模型不受样本观测期选择的影响，具有较稳定的预测能力[24]。此外，COX模型能给出财务危机的因素分析[25-26]，这为财务危机防范提供了很好的参考。也有学者研究认为生存分析模型的实际效果受行业的影响[27]，这为实验数据的行业分层抽样提供了依据。

样本选择是危机预警设计中的一个重要问题，很多文献实证过程中采取了非随机选择方式，比如一一配对的选择方式[28-29]，理论上这将直接导致模型估计系数有偏。彭大庆研究发现：一一配对抽样的研究报告中判别正确率一般都超过了80%，甚至高达90%，然而若按1∶9抽取ST公司和正常公司，则财务危机公司的预测准确率低于70%[22]。由此可知，非随机样本选取产生的结果是有严重偏差的，采用这类方法预测现实是无法达到预警的预期目标。因此，样本选取是实证时需要关注的问题[30]。另外，采用一一匹配的方式来研究危机预警势必降低结果的实用价值，采用全样本分析可提高实证结果的可靠性，为政府创新资本市场监管手段、企业优化财务管理及投资者制定科学决策提供坚实的理论支持。

纵观现有的财务危机研究文献，可以发现：除了少部分文献在危机预警的具体模型方面做了一些研究，大多数文献研究的重点在于拓展数据采集视角，以求提高预测效率。比如，从早期的财务数据，拓展到公司治理等非财务数据、宏观经济指标数据、公司研报等文本数据，这也是实证分析的数据基础。然而，他们在实证分析时，通常采用某一个时刻点(截面)的财务数据来预测企业未来陷入财务危机的概率，这“忽视了”危机演化的动态特征。尽管有学者提出了采用某一时间段数据来开展动态预警，但后续研究并未深入，相关研究成果十分匮乏、不够系统。采集企业陷入财务危机之前的历史数据并不困难，为何大多数文献却一直致力于数据采集维度的拓展(或者说是研究视角的创新)，而不充分利用现有的历史数据来进行研究，这一现象实在让人难以理解。我们将财务危机预测分析对照到人脸模式识别研究中，数据采集仅关注某一个时刻点，就好像仅根据左脸进行人脸识别的做法，如此以来，再精确的预测方法(识别方法)也难以战胜根据全脸进行人脸识别的方法。因此，我们应该尽可能多地采集对财务危机预警有价值的数据，并对其进行预测分析。理论上，这包括了可以利用的一切历史数据，而不是某个时刻点的历史数据。为此，本文研究的重点不在于拓展数据采集视角(数据指标)，而是对采集企业财务危机爆发前的若干时间段数据进行动态分析，以求捕捉企业陷入财务危机的动态轨迹特征。

本文的贡献在于：本文以A股全体上市公司为样本，从财务指标和非财务指标的视角展开研究，结合COX模型的动态预测功能，采用两个时期原始数据的真实值，增加一期的数据作为动态模型的增量信息，以此来刻画个体之间的动态变化特征，以指标的动态增量为解释变量构建出多元时间序列特征的动态预测模型，与静态预测模型进行对比研究，突破了单一的静态分析模式，拓展了财务危机的视角，捕捉企业陷入财务危机的演化特征，从而构建适合我国上市公司特点的动态财务危机预测模型，提高了财务预警研究的实用性。

二 COX模型构建

生存分析方法常见的模型有非参数模型、参数模型和半参数模型3种类型。由于COX模型能展现危机的动态发展过程，揭示出企业陷入财务危机的时变规律，不仅对将来时点企业财务危机的发生可能性有较准确的预测，而且具有较好的稳健性[31]，因此，本文选用COX比例风险模型(半参数模型)进行分析。COX模型的主要前提是假定风险比率为固定值，即协变量对生存概率的影响不随时间变化。具体模型如下：

λ(t丨X)=λ0(t)g(X)

(1)

此模型表示样本个体在t时刻的风险概率函数，也称为顺势死亡率，即具有预警变量X的企业在t时刻发生财务危机的概率。其中，λ0(t)为基线风险率，是指当所有危险因素为0时的基础风险率，只与t有关且对形式没有要求；g(X)写成参数形式g(X)=X·β=(X1，X2，...，Xn)·(β1，β2，...βn)′，为了能够保证g(X)>0，记g(X)=ex。设Xi={Xi1，Xi2，...，Xip}为第i个观测对象的协变量值，则可得到COX模型的形式为：

λ(t|Xi)=λ0(t)exp(β1Xi1+β2Xi2+...+

βpXip)=λ0(t)exp(Xi·β)

(2)

COX模型的重点是求出协变量参数β的估计值，而观察对象i在Yi时刻被观测到的事件发生的似然函数可以写成如下形式：

(3)

其中θj=exp(Xj·β)，从函数可得0

(4)

对式(4)取对数形式l=lnL(β)，对β求偏导后令其为0可得：

(5)

求解上式便可得到β的极大似然估计。

三 基于多元时间序列特征表达的COX模型

正如前文所述，企业陷入财务危机是一个持续的动态演化过程，因此需要对静态的财务数据进行调整以便更好地刻画企业陷入财务危机的动态轨迹。本文采用观测期的前若干年数据构建面板数据，并采用多元时间序列进行数据特征的表达，从时间轨迹角度描述样本的动态变化特征，继而运用COX比例风险模型对上市公司进行财务危机预警分析。对传统的静态模型和动态模型进行对比分析，深入探讨COX比例风险模型提高财务危机预测准确率的可能性。

首先，我们分析现有文献的静态分析方式。假定公司在t时刻发生财务危机，若提取t-3期数据来进行分析，则可以得到一个数据矩阵为：

(6)

(7)

正常经营公司的财务指标通常在某个特定范围内波动，因此，正常公司财务指标之间存在某种程度的动态均衡，当公司多个财务指标波动值超出正常范围时，这种动态均衡将被打破，公司发生财务危机的风险就会增大。为了构建动态模型来描述个体的动态变化特征，需要重点考虑企业特征的演化轨迹，因此，采取观测期前若干年数据来进行分析，可以更好地建立财务危机预警。比如，同时采取前3年数据来刻画公司财务危机演化的特征，则对某个公司i而言，其特征数据呈现出一个单独的矩阵，如下所示：

(8)

其中，上标3表示同时采用前3年数据来刻画公司特征。此时，每个公司都对应到一个多元时间序列，其时间长度为3，变量维度为m，继而用于COX模型预测。相对于静态预测方式而言，该动态预测方式模型能有效地描绘出每个公司个体的变化轨迹。为了更好地利用矩阵中数据的信息，本文分析时直接采用原始数据进行COX模型分析，而非进一步的特征提取。我们认为，企业财务数据变化趋势和数据绝对值大小对危机预警同样重要，进一步的特征提取仅保留了数据变化趋势，而“忽视了”数据绝对值大小对危机预警的作用，这一点与彭大庆[22]和余玉苗[23]的研究方式不同。为此，进一步将矩阵特征转化成行向量来描述公司样本数据的变化特征以更好地匹配COX模型分析的需求。

由于证监会是根据上市公司前两年的年报判断其是否出现财务状况异常，因此，采用t-1期和t-2期数据进行危机预警显然会高估了模型的预测能力。具体来说，现有文献中，有采用t-1期数据进行危机预警，然而根据我国上市公司财务数据公布制度，公司第t期被认定为ST是根据t-1期财务数据来判定的，因此，根据t-1期数据进行危机预警显然不合理。同时，考虑到后文实证时考察了*ST情况，因此，t-2期数据也不纳入特征采集范围中。

本文将采取t-3期的数据构建静态特征，同时采取t-3期和t-4期的财务数据构建动态特征，并将公司样本两期的特征转化成行向量，由此得到n个公司的动态特征数据矩阵如下：

(9)

其中，上标34表示同时采取t-3期与t-4期的财务数据构建动态特征。本文采用两个时期数据的真实值来分析，最大程度地保留数据的原始信息，以期为有效鉴别我国证券市场中公司财务状况提供足够的数据信息。

四 研究设计

在财务危机预警研究的过程中，一部分公司在观察期内已陷入财务危机，而另一部分公司继续保持正常经营，但是保持正常经营状态的公司无法继续观测将来是否会陷入危机以及何时陷入危机，故采用生存时间数据类型来分别表示非截尾数据和截尾数据(又称删失数据)。参照现有财务风险预测研究文献，本文将所有因为“财务异常状况”而被特别处理的上市公司作为财务危机预警的研究对象，即非截尾样本，而未被打上标志的上市公司定义为截尾样本。至于生存时间的界定，在公司初次上市时是同质的前提下，本文选定公司首发上市的交易时间为生存时间的起点，便可以获取所有上市公司生存时间数据的起点信息，进而可以避免删失数据对模型分析的影响。对于财务危机样本，上市公司在观察期内被首次实施ST时间为观测终点，不考虑在观察期之前被ST的情况；对于非财务危机样本，将观测期的终点设定为2019年12月31日(数据采集的截止日期)。在生存分析中，将上市公司因“财务异常状况”而被“特别处理”的“死亡”事件作为生存时间的终点，所采用的时间尺度统一为年。

本文数据来自国泰安CSMAR数据库，以2017年1月1日至2019年12月31日的沪深A股上市公司为研究样本，这三年期间因“财务异常状况”而被特别处理的上市公司，简称为ST公司(含*ST公司)，作为完全数据样本(非截尾样本)，其生存时间界定为公司上市交易起到被实施ST的时间。截止2019年12月31日还没有被ST标志的正常公司，简称非ST公司，作为截尾样本(删失数据样本)，其生存时间确定为股票上市交易起到2019年12月31日止的时间长度。故本文选择在上市公司被ST的前三年数据进行预测，故需剔除样本中生存时间小于3的公司(如果是动态预警，则剔除样本中生存时间小于4的公司)。静态分析时，样本数据按照下述方式确定：对于非截尾样本，若2017年被ST的上市公司，采用2014年的数据进行预测，对于截尾样本，即正常经营的上市公司，依据2016年的数据进行分析。动态分析时，样本数据按照下述方式确定：对于非截尾样本，若2017年被ST的上市公司，采用2014年和2013年的数据进行预测，对于截尾样本，即正常经营的上市公司，依据2016年和2015年的数据进行分析。

根据公司所属行业特征，采用分层抽样方式将数据集划分成训练集和检验集。为了保证训练样本的代表性，优先确保：存在ST现象的行业中至少有1个ST公司样本被划归到训练集，未出现ST现象的行业中至少有1个正常公司样本被划归到训练集。依上述方法，本文从CSMAR数据库选取沪深A股上市公司全样本作为研究对象。静态数据分析时，非截尾样本即ST公司195家，截尾样本即非ST公司2 427家，共2 622家上市公司，其中，70%用于估计，30%用于检验，即137家ST和1 699家正常公司构成训练集，58家ST公司和728家正常公司构成检验集。动态数据分析时，样本非截尾样本即ST公司194家，截尾样本即非ST公司2 201家，共2 395家上市公司，其中，70%用于估计，30%用于检验，即136家ST和1541家正常公司构成训练集，58家ST公司和660家正常公司构成检验集。得到训练集和检验集的公司样本数，见表1。

表1 样本数据 (单位：个)

在建立财务预警模型时，数据变量的选取尤为重要。事实上，非财务指标在财务预警中越来越多地受到学者们重视。在财务指标的筛选中，有的是基于变量的重要性进行筛选，而有些是基于变量间的相关性程度进行筛选，很少能兼顾变量的重要性和相关性这两个方面进行变量的筛选。本文在变量选取时，借鉴已有经典文献中的高频指标(文献中出现次数较多的指标，通过阅读财务危机预警的80篇文献，综合统计指标的应用情况，选择了排名前30的指标)，在传统财务指标的基础上，考虑了现金流分析、公司治理、董事会结构和管理层激励等因素，从8个方面初选了30个变量，尽量确保变量选择更加全面、合理。通过一定的计算处理得到财务危机预警变量体系所需的各项财务指标和非财务指标，见表2和表3。表2是根据企业各项能力分析相关的财务指标；表3非财务指标是关于管理方面的因素和将企业财务状况与市场相结合的分析。

表2 财务指标的度量

表3 非财务指标的度量

五 实证结果与分析

本文初步构建了财务危机预警的变量集，从财务和非财务指标两个角度刻画企业经营和发展情况。一方面，由于这些变量对财务危机预警的贡献存在差异，出于效率考虑，对于一些有预警作用但是预警贡献很小的变量予以删除。另一方面，过多的变量可能存在较强的相关性，这将给财务危机预警结果带来偏差，从而影响预测的准确性。因此，本文在建立财务危机预警模型之前，要先筛选出具有代表性和预测能力的变量。

(一)数据标准化与缺失值替补

原始数据中变量取值存在量纲差异，在此对数据进行标准化处理，将所有变量的取值范围转换到[0，1]区间，用xij表示第i个公司样本的第j个变量的取值，i=1，2，...，n，j=1，2，...，m；max{xij}表示第i个公司第j个变量的最大取值，min{xij}表示第i个公司第j个变量的最小取值，转换公式如下：

(10)

标准化处理之后，进一步分析数据缺失情况。在对数据进行统计描述后，发现部分样本的变量取值存在缺失情况。对缺失比例大于20%的样本进行删除，即某个公司样本的30个变量中，如果超过6个变量取值缺失便被删除。对缺失比例较少的样本，我们采用均值替代方法进行处理。

(二)显著性检验

为了筛选出对上市公司财务危机样本和正常样本产生显著性影响的变量，采用非参数检验—Mann-Whitney U检验进行分析，剔除不存在显著性差异的变量。检验结果见表4和表5。

表4 静态数据的Mann-Whitney U非参数检验结果

表5 动态数据的Mann-Whitney U非参数检验结果

从Sig取值的结果来看，在95%的置信水平下，静态数据的X15，X16，X20，X22，X24，X25，X26，X27共8个变量不显著，动态数据的X13，X15，X16，X17，X22，X24，X25，X26，X27，X28，X29，X43，X44，X45，X46，X50，X52，X54，X55，X56，X57，X58共22个变量不显著，即这些变量不能揭示ST公司与正常公司的财务风险差异，可以认为它们对公司陷入财务危机没有显著性影响，可以剔除；而其余的变量体现出了这两类公司间的财务风险差异，可以选作为公司财务危机预警的变量。

(三)多重共线性检验

在财务危机预警变量的选取中，评价变量应该是独立的或不存在较强相关性，变量间存在多重共线性会影响预测结果，因此需要进一步进行多重共线性检验。采用方差膨胀系数VIF和容忍度TOL进行检验，将TOL>0.1且VIF<10定义为可以接受的范围，在这个范围内可以判定自变量之间不存在共线性的问题。多重共线性检验结果见表6。

表6 静态数据多重共线性检验

由表6可得，静态数据变量存在共线性。同理分析可得，动态数据变量中也存在着共线性；为节省篇幅，动态数据的多重共线性检验统计表略。部分文献采用相关系数分析删减变量的做法过于主观[32-33]，因为，对相关的阈值界定比较主观，对相关的两个变量删除其中的一个变量缺乏具体的理论原则。所以，本文采用主成分分析(PCA分析)对预警变量进行降维，消除多重共线性的影响。

(四)PCA分析

首先，对静态数据的变量进行PCA分析，KMO值为0.679，Bartlett球形检验显著性为0，表明变量之间存在相关关系，可以进行降维处理。提取累计方差解释度大于85%时的主成分变量，对静态数据进行分析，共提取出13个主成分变量，这13个主成分变量的累计方差解释度达到87.54%，同理，动态数据提取出17个主成分变量，17个主成分变量的累计方差解释度达到86.44%。

(五)财务预警实证分析

将ST企业的生存状态记为1，将未被ST状况企业的生存状态记为0。完全数据样本的生存时间t为从企业上市到第1次因财务状况被ST的时间段；删失数据样本的生存时间为从企业上市到2019-12-31的时间段。建立COX回归模型，在10%的显著性水平下，得到以下结果，见表7和图1。

表7 静态数据进入COX模型变量的统计量

图1 静态生存函数图

结合前文的主成分分析结果，得到因子得分模型分别为：

FAC1_1=-0.064X1-0.049X2+0.021X3+

0.002X4+0.341X5+0.345X6+

0.334X7+0.072X8-0.072X9+

0.049X10-0.008X11-0.003X12+

0.011X13-0.012X14+0.040X17+

0.001X18+0.065X19-0.011X21-

0.073X23+0.033X28+0.048X29+

0.017X30

(11)

FAC2_1=0.474X1+0.463X2-0.040X3-

0.070X4-0.067X5-0.072X6-

0.118X7+0.105X8-0.195X9+

0.120X10-0.004X11+0.007X12-

0.032X13-0.024X14-0.067X17-

0.038X18-0.018X19-0.248X21+

0.073X23+0.007X28+0.072X29-

0.033X30

(12)

FAC11_1=-0.043X1-0.061X2-0.028X3+

1.014X4-0.005X5+0.007X6+

0.041X7+0.066X8+0.138X9-

0.057X10-0.087X11+0.024X12-

0.018X13+0.001X14+0.083X17-

0.006X18-0.041X19-0.030X21+

0.022X23+0.018X28-0.024X29-

0.023X30

(13)

根据因子系数的取值大小，可以判定：观察期产权比率(X5)、观察期经营活动产生的现金流量净额/流动负债(X6)、观察期资产报酬率(X7)等变量决定了FAC1_1主成分因子，该成分因子反映的是企业偿债能力和盈利能力；观察期流动比率(X1)、观察期速动比率(X2)等财务变量决定了FAC2_1主成分因子，该成分因子反映的是企业短期偿债能力；观察期资产负债率(X4)、观察期总资产净利润率(X9)等变量决定了FAC11_1 主成分因子，该成分因子反映的是企业的债务清偿能力和资本的收益水平。由此建立的静态COX模型为：

λ(t|X)=λ0(t)e-0.211FAC1_1-0.118FAC2_1-0.2191FAC11_1

(14)

由图1分析可知：一般在20年后，企业生存率开始下降，25年后，生存率急剧下降，生存率取值变得很低。

本文进一步选取连续2年的数据(共60个变量)建立动态数据变量，采用COX模型进行动态分析，从而得到动态COX模型，动态预测的相关分析结果见表8和图2。

表8 动态数据进入COX模型变量的统计量

图2 动态生存函数图

结合前文的主成分分析结果，得到因子得分模型分别为：

FAC1_2=-0.018X1-0.016X2+0.010X3-

0.005X4+0.180X5+0.183X6+

0.181X7+0.063X8+0.035X9-

0.007X10+0.004X11-0.001X12-

0.011X14-0.027X18+0.034X19+

0.002X20+0.020X21-0.023X23+

0.007X30-0.034X31-0.029X32+

0.042X33-0.004X34+0.191X35+

0.195X36+0.198X37+0.005X38+

0.036X39+0.032X40-0.007X41+

0.003X42+0.004X47+0.013X48+

0.032X49-0.020X51-0.056X53+

0.018X59+0.008X60

(15)

FAC3_2=0.038X1+0.035X2+0.012X3+

0.036X4+0.019X5+0.025X6+

0.018X7-0.020X8-0.007X9+

0.002X10-0.010X11-0.006X12+

0.035X14-0.044X18+0.407X19-

0.001X20-0.015X21+0.023X23-

0.017X30-0.022X31-0.028X32-

0.032X33-0.009X34+0.019X35+

0.024X36+0.021X37-0.036X38-

0.004X39-0.005X40+0.014X41-

0.006X42+0.324X47+0.029X48+

0.396X49+0.019X51-0.010X53+

0.006X59-0.015X60

(16)

观察期产权比率(X5)、观察期经营活动产生的现金流量净额/流动负债(X6)、观察期资产报酬率(X7)、观察期前一年产权比率(X35)、观察期前一年经营活动产生的现金流量净额/流动负债(X36)、观察期前一年资产报酬率(X37)等变量决定了FAC1_1主成分因子，该成分因子反映的是企业的偿债能力和盈利能力；观察期净利润增长率(X19)、观察期前一年营业收入增长率(X47)、观测期前一年净利润增长率(X49)等变量决定了FAC3_2主成分因子，该成分因子反映的是企业的发展能力；由此建立的动态COX模型为：

λ(t|X)=λ0(t)e-0.139FAC1_2-0.160FAC3_2

(17)

由图2分析可知：一般在20年后，生存率开始下降，30年后，生存率趋近于0。

(六)COX模型判别能力检验

使用COX模型进行预测时，必须先确定一个特定的临界值C。如果估计的生存概率小于临界值C，则将其视为爆发财务危机的公司。相反，如果估计的生存概率大于临界值C，则确定为正常公司。因此，在检验模型的判别能力之前需要选择临界值C，临界值C的选择不同会产生不同的分类结果，这些结果直接影响模型的判断。

对于任何一个临界点，所有模型都会产生两种类型的错误：将财务状况不佳的公司误判为财务状况良好的公司，或者将财务状况良好的公司误判为财务状况不佳的公司。前者误差的增加意味着后者误差的减少，但是前者误差的成本远远大于后者误差，并且指定不同的临界点和不同的采样率均会影响两者的错误概率。Ⅰ型错误又称第一类错误：拒绝了实际上成立的，为“弃真”的错误，即财务正常公司被判定为ST公司；Ⅱ型错误又称第二类错误：不拒绝实际上不成立的，为“存伪”的错误，即ST公司被判定为财务正常公司。

学者们研究认为生存概率等于生存时间超过t年的观察样本数除以总样本数，因此，本文采用正常样本占总样本的比例作为临界值，当生存概率C时，认为企业财务状况健康。因此得到COX模型的判别准确率，见表9、表10和表11。

表9 静态COX模型的识别准确率

表10 动态COX模型的识别准确率

表11 其他模型的识别准确率

由表9和表10可以看出：静态COX模型对训练样本和检验样本的综合识别准确率分别为80.88%和79.90%，而财务危机样本的识别准确率却只有63.50%和62.07%；动态COX模型对训练样本和检验样本的综合识别率分别为85.09%和85.38%，而财务危机样本的识别准确率分别为69.85%和65.52%；对正常公司样本而言，静态COX模型和动态COX模型的识别准确率均可达到80%以上。由表11可以看出：其他模型的第II类错误显著高于静态COX模型和动态COX模型，预测效力较差。基于A股上市公司的全样本分析可知，动态COX模型比静态COX模型具有更高的精准率，且第I类准确和第II类准确率均有所提高，与其它模型相比具有较好的预测效力。

六 结论与建议

(一)结论

本文以沪深两市A股上市公司为样本进行实证研究，从企业偿债能力、盈利能力、经营能力、发展能力、现金流分析、公司治理、董事会结构和管理层激励等8个方面选取30个变量构成静态数据；在静态数据基础上分析连续2年的数据建立动态数据，对比静态COX模型、动态COX模型和其它模型分析结果发现：动态模型的综合识别准确率相对静态模型有所提高，且第I类准确率和第II类准确率均有所提高，与其它模型相比具有较好的预测效力。

本文研究过程中还存在一些不足。比如，对财务危机预警的动态预测尚停留在连续2年的数据分析，从理论上而言，若采集更多年份的数据可以得到更多的危机预警信息，但是，这也会得到更多的噪声信息，因此，尚未得出动态预警的最优时间年限。此外，本文并未对变量数据选取做过多探讨，虽然考虑了治理结构等一些非财务指标对财务预警的影响，但没有将宏观经济变量、公司研报文本等数据变量考虑在内，这些都是今后研究需要考虑的问题。

(二)建议

企业财务危机是一个动态变化的过程，也是多种因素共同作用的结果，具有一定的先兆且是可以预测的，其演化也存在一定的规律，企业应建立有效的财务预警机制，增强其识别财务危机的能力。经过上述分析与实证检验，本文提出以下建议：

1.企业财务危机是一个可以提前预测的渐进过程，由于企业发生财务危机的渐进性以及信息具有代表性，我们可以在保证企业信息安全可靠的情况下采用两年的数据对其财务危机预警，从而获得较高的预测准确率。

2.在企业的财务危机预警研究中，我们不仅要监测财务指标的波动，非财务指标的变化同样十分重要，企业应关注它们之间的相互作用对财务危机预警的影响。

3.企业应重视财务危机预警对其生产经营的重要性，树立危机意识，从而有效地配置公司资源，使财务危机预警机制发挥出它的效力。本文选取的上市公司是我国全部上市公司，企业如想要建立更适用自身的财务危机预警机制，需结合公司自身的特点进行指标的选取与设计，在实践中灵活运用模型进行动态的反馈，对模型进行不断优化，从而排除危机。

4.企业应加强公司偿债能力、盈利能力、经营能力、发展能力、现金流分析、公司治理、董事会结构和管理层激励等指标的关注，且同时需要密切关注市场的不断变化，采取相应的应对措施，增强内外部控制，从而为企业的长期发展奠定坚实的基础。