財務(wù)困境預(yù)測在西方又普遍被稱為破產(chǎn)預(yù)測，西方的研究人員從20世紀(jì)40年代開始研究這一問題，取得了相對比較成熟的研究成果。

1、判別分析法（Discriminant Analysis，DA）

（1）單變量判別分析法（Univariate Discriminant Approach，UDA）

最早的財務(wù)困境預(yù)測研究是Fitzpatrick(1932)開展的單變量破產(chǎn)預(yù)測研究。1932年Fitzpatrick的相關(guān)文章“A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms”。 他發(fā)現(xiàn)在所有指標(biāo)中判別能力最高的是凈利潤/股東權(quán)益和股東權(quán)益/負(fù)債這兩個指標(biāo)。由于當(dāng)時缺乏先進(jìn)的統(tǒng)計和計算工具，因此主要的研究方法是對失敗企業(yè)和正常企業(yè)的一系列財務(wù)比率進(jìn)行經(jīng)驗(yàn)分析和比較。這種狀況一直延續(xù)到1960年代初期，之后財務(wù)風(fēng)險判別研究才真正進(jìn)入系統(tǒng)化階段。

1966年，William Beaver(1966) 在其論文“Financial Ratios as Predictors of Failure”中率先提出了單變量分析法，提出了單一比率模型，即利用單一的財務(wù)比率來預(yù)測企業(yè)的財務(wù)困境。他發(fā)現(xiàn)最好的判別變量是營運(yùn)資本流/負(fù)債(在公司破產(chǎn)的前一年成功地判別了90%的破產(chǎn)公司)和凈利潤/總資產(chǎn)(在同一階段的判別成功率是88%)。

（2）多變量判別分析法（Multivariate Discriminant Approach，MDA）

美國財務(wù)專家Altman(1968) 首先使用了多元線性判別模型研究公司的破產(chǎn)問題。他根據(jù)行業(yè)和資產(chǎn)規(guī)模，為33家破產(chǎn)公司選擇了33家非破產(chǎn)配對公司，確定了資產(chǎn)營運(yùn)資本率、資產(chǎn)留存收益率、資產(chǎn)報酬率、債務(wù)權(quán)益市價率和總資產(chǎn)周轉(zhuǎn)率這5個變量作為判別變量，產(chǎn)生了一個總的判別企業(yè)財務(wù)狀況惡化程度的概率值即Z值。之后，Altman等 (1977)又提出了一種能更準(zhǔn)確預(yù)測企業(yè)財務(wù)困境的新模型?ZETA模型，由于向企業(yè)提供這項服務(wù)是有償?shù)模麄儾]詳細(xì)介紹這一模型的具體操作方法。

2、邏輯(1ogit)和概率比(probit)回歸分析

多元判別分析模型存在嚴(yán)格的假設(shè)條件：如多元變量多元正態(tài)分布、多元變量的等協(xié)方差以及多元指標(biāo)變量的平均向量、協(xié)方差、先驗(yàn)概率及錯分成本必須為已知。但實(shí)證發(fā)現(xiàn)大多數(shù)財務(wù)比率并不滿足這一要求。且一旦出現(xiàn)虛擬變量，聯(lián)合正態(tài)分布的假設(shè)就完全不成立，而且產(chǎn)生的Z 值沒有明確的含義。為克服這些局限性，自20世紀(jì)70年代末以來，財務(wù)困境研究人員引進(jìn)了邏輯(1ogit)和概率比(probit)回歸方法。從而將問題簡化為已知一個公司具有某些性質(zhì)(由財務(wù)比率指標(biāo)加以呈現(xiàn)),計算它在一段時間里陷入財務(wù)困境的條件概率有多大。如果算出的概率大于設(shè)定的分割點(diǎn),則判定該公司在這段時間內(nèi)會陷入財務(wù)困境。

Ohlson (1980)使用logit方法分析了選用的非配對樣本在破產(chǎn)概率區(qū)間上的分布以及兩類判別錯誤和分割點(diǎn)的關(guān)系,認(rèn)為以前根據(jù)行業(yè)和資產(chǎn)規(guī)模來進(jìn)行樣本配對的選樣方法過于武斷,將資產(chǎn)規(guī)模變量直接放入模型中。用1970-1976年間105家破產(chǎn)公司及2058家正常公司為研究對象。采取9個財務(wù)變量來估計模型，實(shí)證結(jié)果表明，其中4項財務(wù)資料對評估破產(chǎn)概率具有統(tǒng)計顯著性，依次是規(guī)模（總資產(chǎn)/GNP物價指數(shù)后取對數(shù)）；資本結(jié)構(gòu)（總負(fù)債/總資產(chǎn)）；資產(chǎn)報酬率或來自經(jīng)營的資金/總負(fù)債；短期流動性（營運(yùn)資金/總資產(chǎn)、流動負(fù)債/流動資產(chǎn)），判別正確率也高達(dá)92%以上。他構(gòu)造了兩個虛擬變量, OPNEG和INTWO,前者當(dāng)企業(yè)總資產(chǎn)超過總負(fù)債時值為1,否則為0;后者當(dāng)企業(yè)破產(chǎn)前兩年的凈利潤負(fù)時值為1,否則為0。其研究結(jié)果表明這兩個虛擬變量對模型的解釋能力甚至不低于某些常用的財務(wù)比率。他指出采用破產(chǎn)之后獲得的信息來預(yù)測破產(chǎn)會高估破產(chǎn)模型的預(yù)測能力。

1984年Zmijewski 使用probit分析模型，用邏輯比分析的方法對財務(wù)困境的預(yù)測進(jìn)行了新的探索。他研究了兩組間樣本個體數(shù)量分配的問題,認(rèn)為一一配對會使樣本中兩類公司的比例嚴(yán)重偏離兩類公司在實(shí)際總體中的比例,從而高估模型的預(yù)測能力,特別會高估對破產(chǎn)公司的預(yù)測能力。他的研究結(jié)果表明這種過度選樣所帶來的模型偏差的確存在,但并未顯著影響統(tǒng)計參數(shù)和模型的總體預(yù)測精度。

3、現(xiàn)代分析方法

隨著近年來計算機(jī)技術(shù)和信息技術(shù)的發(fā)展, 西方研究人員還將人工神經(jīng)元網(wǎng)絡(luò)、專家系統(tǒng)、遺傳算法等技術(shù)引入對財務(wù)困境的預(yù)測研究。

（1）人工神經(jīng)網(wǎng)絡(luò)分析方法（ANN）

在1980年代末期，神經(jīng)網(wǎng)絡(luò)理論（NN）開始興起，其影響也及于財務(wù)危機(jī)預(yù)測研究領(lǐng)域。雖然神經(jīng)網(wǎng)絡(luò)判別模型可謂是研究方法上的重大創(chuàng)新，但實(shí)際效果卻很不穩(wěn)定。例如，Coats 和Fant（1991）對47家財務(wù)危機(jī)公司和47家正常公司運(yùn)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行判別時，對財務(wù)危機(jī)公司的預(yù)測準(zhǔn)確率達(dá)到了91%，明顯高于多元判別法72%的準(zhǔn)確率。然而，Back等人在1994年所做的一項研究卻并不認(rèn)為神經(jīng)網(wǎng)絡(luò)模型具有比多元判別分析（MDA）和Logistic分析明顯更佳的預(yù)測效果。Altman, Marco和Varetto(1995)對意大利公司財務(wù)危機(jī)預(yù)測中應(yīng)用了神經(jīng)網(wǎng)絡(luò)分析法。Coats, Fant(1993)、Trippi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)采用了神經(jīng)網(wǎng)絡(luò)分析法分別對美國公司和銀行財務(wù)危機(jī)進(jìn)行了預(yù)測，取得了一定的效果。Altman(1995)在對神經(jīng)網(wǎng)絡(luò)法和判別分析法的比較研究中得出結(jié)論“神經(jīng)網(wǎng)絡(luò)分析方法在信用風(fēng)險識別和預(yù)測中的應(yīng)用,并沒有實(shí)質(zhì)性的優(yōu)于線性判別模型”。

（2）期權(quán)定價理論

Charitou 和Trigeorgis（2000）使用B-S期權(quán)定價模型中的相關(guān)變量構(gòu)建了財務(wù)危機(jī)判別模型，對1983年到1994年期間的139對美國企業(yè)進(jìn)行了對比檢驗(yàn)，結(jié)果發(fā)現(xiàn)到期債務(wù)面值、企業(yè)資產(chǎn)的當(dāng)期市價、企業(yè)價值變化的標(biāo)準(zhǔn)差等期權(quán)變量在預(yù)測破產(chǎn)方面作用顯著。不過，該研究的基礎(chǔ)方法仍然建立于 Logistic回歸檢驗(yàn)之上，僅僅在變量設(shè)計方面引入了期權(quán)因子，因此實(shí)際的理論貢獻(xiàn)不大。

（3）專家系統(tǒng)方法應(yīng)用（ES）

1988年Messier和Hansen將專家系統(tǒng)首次引入到財務(wù)困境預(yù)測領(lǐng)域，他們從知識獲取角度探討比較了專家系統(tǒng)(Expert System, ES)在信用分析領(lǐng)域的應(yīng)用。通過對71家公司的數(shù)據(jù)條件下將該方法與線性判別分析（LDA）、群決策等方法加以比較，結(jié)果證明專家系統(tǒng)分類效果最好，ES對檢驗(yàn)樣本的正確分類率為87.5，而DA為57，并且比群決策的正確率穩(wěn)定。

財務(wù)困境預(yù)測模型所用信息可以分為財務(wù)指標(biāo)類信息、現(xiàn)金流量類信息和市場收益率類信息。

1.財務(wù)指標(biāo)類信息

Altman(1968)等學(xué)者(Altman，Haldeman和Narayanan，1977；Platt和Platt，1991)使用常規(guī)的財務(wù)指標(biāo)，如負(fù)債比率、流動比率、凈資產(chǎn)收益率和資產(chǎn)周轉(zhuǎn)速度等，作為預(yù)測模型的變量進(jìn)行財務(wù)困境預(yù)測。

盡管財務(wù)指標(biāo)廣泛且有效地應(yīng)用于財務(wù)困境預(yù)測模型，但如何選擇財務(wù)指標(biāo)及是否存在最佳的財務(wù)指標(biāo)來預(yù)測財務(wù)困境卻一直存在分歧。Harmer(1983)”指出被選財務(wù)指標(biāo)的相對獨(dú)立性能提高模型的預(yù)測能力。但是，自z模型(1968)和ZETA模型(1977)發(fā)明后，還未出現(xiàn)更好的使用財務(wù)指標(biāo)于預(yù)測財務(wù)困境的模型。

2.現(xiàn)金流量類信息

現(xiàn)金流量類信息的財務(wù)困境預(yù)測模型基于一個理財學(xué)的基本原理：公司的價值應(yīng)等于預(yù)期的現(xiàn)金流量的凈現(xiàn)值。如果公司沒有足夠的現(xiàn)金支付到期債務(wù)，而且又無其他途徑獲得資金時，那么公司最終將破產(chǎn)。因此，過去和現(xiàn)在的現(xiàn)會流量應(yīng)能很好地反映公司的價值和破產(chǎn)概率。

在Gentry，Newbold和Whitford(1985；1985b)”研究的基礎(chǔ)上，Aziz、Emanuel和Lawson(1988)”發(fā)了現(xiàn)金流量信息預(yù)測財務(wù)困境模型。公司的價值來自經(jīng)營的、政府的、債權(quán)人的、股東的現(xiàn)金流的折現(xiàn)值之和。他們根據(jù)配對的破產(chǎn)公司和非破產(chǎn)公司的數(shù)據(jù)，發(fā)現(xiàn)在破產(chǎn)前5年內(nèi)兩類公司經(jīng)營現(xiàn)金流量均值和現(xiàn)金支付的所得稅均值有顯著的差異。這一結(jié)果是符合現(xiàn)實(shí)的，破公司與非破產(chǎn)公司的經(jīng)營性現(xiàn)金流量會因投資質(zhì)量和經(jīng)營效率的差異而不同，二者以現(xiàn)金支付所得稅也會因稅收會計的處理差異而不同。Aziz、Emanuel和Lawson(1989)比較了Z模型、ZETA型、現(xiàn)金流量模型預(yù)測企業(yè)發(fā)生財務(wù)困境的準(zhǔn)確率，發(fā)現(xiàn)現(xiàn)金流量模型的預(yù)測效果較好。

3.市場收益率類信息

Beaver(1968)是使用股票市場收益率信息進(jìn)行財務(wù)困境預(yù)測研的先驅(qū)。他發(fā)現(xiàn)在有效的資本市場里，股票收益率也如同財務(wù)指標(biāo)一樣可以預(yù)測破產(chǎn)，但時間略滯后。Altman和Brenner(1981)的研究表明，破產(chǎn)公司的股票在破產(chǎn)前至少一年內(nèi)在資本市場上表欠佳。Clark和Weinstein(1983)發(fā)現(xiàn)破產(chǎn)公司股票在破產(chǎn)前至少3年內(nèi)存在負(fù)的市場收益率。Harony，Jones和Swary(1980)”提出了一個基于市場收益率方差的破產(chǎn)預(yù)測模型。他們發(fā)現(xiàn)正式的破產(chǎn)公告日之前的4年內(nèi)，破產(chǎn)公司的股票的市場收益率方差與一般公司存在差異。在近破產(chǎn)公告日時，破產(chǎn)公司的股票的市場收益率方差變大。