[摘　要]本文分析國內外對持續經營審計判斷模型的研究成果，從研究目的、變量設計、樣本選取、建模方法、應用效果等方面比較研究各種模型，指出現有模型的不足和有待進一步研究的方向，以期對改進我國持續經營審計手段與方法提供借鑒。

　　[關鍵詞]持續經營；審計判斷；預測模型

　　企業的持續經營能力狀況直接影響到投資者的決策行為。因此，對上市公司持續經營能力進行判斷和評價是注冊會計師進行財務報告審計時所必須考慮的重要內容，也是政府監管部門關注的一個焦點問題。近年來，為了減少審計期望差距，審計界制定并完善了持續經營審計準則及相關指南，特別是加強了對持續經營審計判斷模型的研究，期望提高持續經營審計判斷的客觀性和一致性。我們搜集了ABI/INFORMGlobal、BusinessSourcePremier（BSP）、和ElsevierScience等國際著名數據庫以及中國期刊網中關于持續經營審計判斷模型研究的70余篇文獻，對審計判斷模型的構建方法、應用效果及局限性進行了總結和整理，以期對改進我國持續經營審計手段及方法提供借鑒。

　　持續經營審計判斷模型根據研究對象的不同可分成兩大類：持續經營危機預測模型和持續經營審計意見預測模型。前者關注公司是否會向法院申請破產（國內研究以是否被ST為標準），后者關注公司是否會被出具涉及持續經營存在重大不確定性的非標準無保留審計意見（下簡稱持續經營審計意見），二者都可以為持續經營審計判斷提供輔助決策信息。但是，這兩類模型的研究目的并不相同，前者認為模型在預測公司是否破產的準確性上要高于審計師，借助模型有助于減少審計期望差距[1-2].后者認為提出破產申請和被出具持續經營審計意見并不是一一對應的，被出具持續經營審計意見的公司并非都會提出破產申請，而且持續經營危機預測模型未能包含審計師進行持續經營審計判斷時所考慮的一些重要因素，如行業前景、管理層能力等[3].Hopwood[4]等還證實在控制樣本配對比例及分類錯誤成本的條件下，持續經營危機預測模型在預測是否破產的準確性上并不優于審計師。

　　一、持續經營危機預測模型

　　持續經營危機預測模型按照所用概率統計方法的不同，可分成多元線性判別模型、多元概率比（Probit）模型、多元邏輯回歸（Logistic）模型、人工神經網絡模型等4類，下文將分別予以闡述。

　?。ㄒ唬┒嘣€性判別模型

　　Altman[1]以美國1946—1965年提出破產申請的33家公司和33家健康公司為研究樣本，采用多元線性判別方法構建了如下預測模型，即“Z分值模型”：Z=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5，其中：X1為營運資本/資產總額；X2為留存收益/資產總額；X3為息稅前利潤/資產總額；X4為優先股和普通股市值/負債賬面價值；X5為銷售收入/資產總額。當計算出來的Z值等于或低于1.8時，預示企業破產的可能性非常高；當Z值介于1.81和2.99之間時，企業是否破產不能確定；當Z等于或高于3時，企業則不可能破產。Z模型對破產公司樣本的預測準確率為82%，而只有46%的破產公司在破產前被出具持續經營審計意見。Altman認為Z模型可以提高審計師在持續經營審計判斷上的準確性和一致性。Altman[5]用1970—1982年間109家破產公司為樣本對“Z分值模型”進行了有效性驗證，發現模型對破產公司樣本破產前一年的預測準確率達到86.2%，而審計師在公司破產前一年的預測準確率為48.1%，表明Z模型對持續經營危機的預測準確性高于審計師。

　　繼Altman之后，Levitan、Knoblett[6]，Koh、Killough[2]，Cormier[7]，陳靜[8]和張玲[9]等都采用多元判別分析方法構建了持續經營危機預測模型。這些模型的構建方法基本相同，所不同的是在持續經營危機標準界定上、樣本時間窗口、對照組樣本選取方法、變量選取上有差異。對這些模型的有效性驗證表明預測模型比審計師在預測公司是否破產方面具有更高的準確性，應用模型有助于減少審計期望差距。

　　針對多元線性判別分析要求數據服從正態分布和等協方差的假設與企業數據實際狀況的矛盾，以及配對抽樣法因樣本中兩類公司比例與它們在總體中的比例嚴重不一致而夸大了預測模型判別準確性的缺陷[10]，不需要正態分布和等協方差假設的Probit、Logistic模型被大量采用，它們都是建立在累積概率函數的基礎上，一般運用最大似然估計，而不需要滿足自變量服從多元正態分布和等協方差的假設。

　?。ǘ┒嘣怕时饶Ｐ?/p>

　　Zmijewaki[10]選取了1972—1978年間發生破產的40家公司和800家健康公司作為樣本，采用Probit方法建立了預測模型，即X模型：X=-4.3-4.5Xl+5.7X2-0.004X3，其中：Xl=凈利潤/總資產，X2=負債總額/資產總額，X3=流動資產/流動負債。陳明賢運用臺灣企業樣本建立了如下Probit模型：X=0.29354+20.491X1+4.3209X2-29.515X3，其中：X1為In（流動資產/流動負債）；X2為In（固定資產/股東權益）；X3為營運資本/負債總額。結果表明Probit模型在持續經營危機出現之前1年至前5年的判別正確率分別為93.33%、83.33%、83.33%、83.33%和80%64%.

　?。ㄈ┒嘣壿嫽貧w模型

　　Ohlson[11]以美國1946—1965年期間提出破產申請的105家公司和2058家健康公司為研究樣本，采用logistic建立了企業持續經營危機預測模型，即“Y模型”：Y=-1.32-0.4X1+6.03X2-1 .43X3+0.76X4-2.37X5-1.83X6+0.285X7-1.72X8-0.52X9，其中：X1為Log（資產總額/GNP物價指數）；X2為負債總額/資產總額；X3為營運資本/資產總額；X4為流動負債/流動資產；X5為凈利潤/資產總額；X6為經營活動產生的現金凈流量/負債總額；X7：如果前兩年有一年虧損，為1；否則為0；X8：如果負債總額>資產總額，為1；否則為0；X9：（當年凈利潤-上年凈利潤）/（5當年凈利潤5+5上年凈利潤5）。Ohlson利用上述模型進行預測，結果發現破產公司前一年的Y值平均為27%，顯著高于非破產公司的Y平均值4%.

　　Kuruppu、Laswad和Oyelere[12]將清算作為發生持續經營危機的標準，以新西蘭1987—1993年間85家破產清算的公司和50家未清算但處于財務困境狀況的公司為研究樣本，用Logistic方法構建模型，研究結果表明在破產法案以債權人為導向的國家，清算預測模型可能比破產預測模型在判斷準確度及誤判成本方面更為優越。

　　吳世農、盧賢義[13]以我國1998—2000年上市公司為研究對象，選取了70家處于財務困境的公司和70家財務正常的公司為樣本，應用逐步回歸法，從21個財務指標中最后選定6個為預測指標：盈利增長指數、資產報酬率、流動比率、長期負債與股東權益比率、營運資本與總資產比、資產周轉率。他們分別應用線性概率模型、Fisher二類線性判別模型、Logistic回歸三種方法，建立了三種預測財務困境的模型。研究結果表明：三種模型均能在財務困境發生前作出相對準確的預測，在財務困境發生前4年的誤判率在28%以內；其中Logistic預測模型的誤判率最低，財務困境發生前1年的誤判率僅為6.47%.

　　姜秀華和孫錚[14]還考慮了公司治理因素對持續經營能力的影響，他們運用Logistic逐步回歸法從13個變量中最終選取了4個變量：毛利率、其他應收款與總資產比率、短期借款與總資產的比率、股權集中系數，模型對ST公司的判別準確率達到84.52%.他們的研究拓展了變量選擇的傳統財務框架，但股權集中度是否為治理效能的惟一、有效替代還有待檢驗。姜國華、王漢生[15]也證實主營業務利潤水平和第一大股東持股比例是影響公司是否被ST的最重要因素。

　?。ㄋ模┤斯ど窠浘W絡模型

　　人工神經網絡（ArtificialNeuralNetwork，ANN）是對人類大腦神經運作的模擬，模型具有較強的容錯能力和自主學習能力，可隨時依據新的數據資料進行自我學習，并調整其內部儲存的權重參數。田偉福、周紅曉[16]選取了A股市場30家公司作為樣本構建了前向三層BP神經網絡模型，模型包括反映償債能力、資產管理能力、負債水平、盈利能力及成長能力等12項財務比率，測試的結果表明神經網絡模型預測是否發生持續經營危機的準確性較高。周敏、王新宇[17]對判別分析、Logistic回歸和神經網絡進行了比較，她們以1999—2001年ST公司和健康公司各73家作為訓練樣本，以2002年ST公司和健康公司各43家作為檢驗樣本，分析了15個財務指標，結果表明神經網絡的預測效果要優于其他兩種方法。

　　二、持續經營審計意見預測模型

　　持續經營審計意見預測模型同樣按照所用概率統計方法的不同，可分成多元線性判別模型、多元邏輯回歸（Logistic）模型、人工神經網絡模型、持續經營審計專家系統等4類，模型研究的重點是持續經營審計意見是否可以用公開的會計信息進行預測。

　　（一）多元線性判別模型

　　Mutchler[18]選取了1981年被出具持續經營非標準審計意見的119家制造業公司，并選取了119家表現出一些經營困境征兆但卻被出具標準審計意見的制造業公司作為參照物，采用多元判別法構建了預測模型，模型使用了Mutchler通過調查問卷獲取的審計師進行持續經營審計判斷最關注的8個變量，它們是：（1）經營性現金流量/負債；（2）流動比率；（3）所有者權益/負債；（4）長期負債/總資產；（5）資產負債率；（6）稅前凈收益/銷售收入；（7）有關持續經營不確定性的好消息和壞消息數量；（8）總資產凈利潤率的變動率。模型對是否被出具持續經營非標準審計意見的預測準確率為82.8%，結果表明持續經營非標準審計意見可以用公開發表的會計信息進行預測。

　?。ǘ┒嘣壿嫽貧w模型

　　Menon、Schwartz[19]以1974—1980年間89家破產公司為樣本，其中37家被出具持續經營非標準審計意見。變量選取參照了SASNo.34和前人的研究結果，最終選取了7個變量采用了Logistic回歸構建模型，分別是：（1）流動比率；（2）流動比率變動率；（3）留存收益/總資產；（4）資產負債率；（5）總資產凈利潤率；（6）是否發生持續的經營性虧損；（7）經營性現金流量/總負債，結果表明持續經營非標準審計意見與財務比率顯著相關，最重要的解釋變量是流動比率的變動率和持續發生經營性虧損。Menon、Schwartz還分別用1981—1983年間破產公司和非破產公司樣本對模型的有效性進行了驗證，破產公司樣本數為39家，其中14家被出具持續經營非標準審計意見。非破產公司樣本數為46家，其中11家被出具持續經營非標準審計意見，模型對持續經營非標準審計意見預測的準確率為78%.

　　Bell、Tabor[20]發現反映水平比率的財務指標對于持續經營審計意見的預測準確率高于反映趨勢比率的財務指標。Chen、Church[21]研究證實在模型中增加反映償還到期債務狀況的變量可以顯著提高模型的預測準確率性。

　　Mutchler[18]認為持續經營審計判斷可以分成三個階段：第一階段是判斷被審計單位持續經營能力是否存在重大疑慮；第二階段是判斷被審計單位是否應該被出具持續經營審計意見；第三階段是應出具何種具體審計意見。Lasalle、Anandarajan和Miller[22]對第三階段，即持續經營能力存在重大不確定性應出具何種具體審計意見進行了研究。他們收集了183份調查問卷（其中130份問卷的樣本公司被出具持續經營強調無保留意見，53份問卷的樣本公司被出具持續經營無法表示意見），按照審計意見的具體類型為被解釋變量，以虧損持續年數、壞消息和好消息數量、被審計單位規模、內部控制水平、審計風險大小、審計任期、會計事務所規模等7個變量為解釋變量，采用Logistic回歸構建判別模型，模型對兩種審計意見鑒別的準確率為83.85%，結果表明兩種審計意見類型在持續經營不確定性程度上存在顯著差異。

　?。ㄈ┤斯ど窠浘W絡模型

　　Lenard、Alam和Madey[23]選取了1982—1987年被出具持續經營審計意見的40家公司，并選取同時期40家被出具標準審計意見的公司為參照對象，構建了基于GRG2的神經網絡模型，模型自主學習采用了8個變量，它們是：（1）經營性現金流量/負債；（2）流動比率；（3）所有者權益/負債；（4）長期負債/總資產；（5）資產負債率；（6）稅前凈收益/銷售收入；（7）總資產凈利潤率；（8）上一年度是否虧損。神經網絡模型對持續經營審計意見的預測準確率達到95%，而基于相同變量的Logistic模型預測的準確率為83%，結果表明人工神經網絡模型對持續經營審計意見具有較好的預測能力。

　　（四）持續經營審計專家系統

　　持續經營審計專家系統是人工智能在持續經營審計判斷領域的應用，它將該領域的專家知識經驗轉化為系統知識庫的推理規則，被審計單位所處行業、外部經營環境、內部管理控制水平、異常事件等難以量化的因素都被加以考慮，并且專家系統具有自主學習知識功能，因此，專家系統能提高審計判斷的一致性和可靠性。Biggs、Selfridge和Krupka[24]研究設計了一個GC X持續經營審計專家系統，該系統認為審計師進行持續經營審計判斷需要依據三類知識：財務知識、事件知識及程序知識，持續經營危機（體現為異常的財務指標）則是某些具體事件的必然結果。GC X系統通過4個程序對持續經營審計判斷提供決策支持作用，這4個程序分別是：持續經營不確定性問題識別、問題緣由的后向推理、對管理層擬采取改善措施的有效性和可行性評估、出具持續經營審計意見。Lenard、Madey和Alam（1998）[25]還將持續經營審計專家系統與一個基于馬氏距離的聚類模型相結合構建了一個混合模型，并隨機選取了1990年間26家破產公司和26家健康公司，對該混合模型與其他破產預測模型的預測準確率進行了驗證，結果顯示混合模型的預測準確率達到96.2%.

　　三、總結與評述

　　從以上文獻的回顧可以看出，國內外審計學界對持續經營審計判斷模型進行了大量的研究，有關涉及分類的定量方法在模型構建中得到了大量應用。這些模型的研究在總體方向上呈現出兩個發展趨勢：一方面，從僅考慮財務指標擴展到綜合考慮財務、經營、股票市場表現、管理能力等因素，從定量分析向定性與定量分析相結合的方向發展；另一方面，從線性統計方法向更符合實際的非線性預測方法發展。盡管這些模型被證實在預測持續經營危機方面具有較高的準確性，但以下幾個方面的問題仍有待于進一步研究和探討：

　?。ㄒ唬Τ掷m經營危機的定義

　　對持續經營危機的定義在學術界尚未形成一致的意見，而對持續經營危機的不同定義會直接影響到樣本的選擇標準，從而得出不同的預測模型。持續經營審計意見預測模型建立在將被出具持續經營審計意見作為持續經營危機發生標準的基礎上，而持續經營審計意見尚可進一步分為強調無保留、保留意見、無法表示意見和否定意見等4種具體意見類型。顯然，這4種具體意見在持續經營不確定性程度上具有顯著差異，不加區別地同等對待影響了模型參數估計的穩定性。持續經營危機預測模型則建立在將申請破產、破產清算作為發生標準的基礎上，而在破產機制還不健全的國內，通常選用ST作為標準。將ST作為標準自然使得盈利能力低下是導致持續經營危機的主要原因，虧損與否將是持續經營危機與非持續經營危機公司之間存在顯著差異的變量，這種變量的自選擇問題也是國內相關研究的一個不足之處。

　?。ǘ┳兞窟x擇

　　持續經營審計判斷模型的變量選擇依然處于試錯原則階段，缺乏理論基礎。在如何選擇變量及是否存在最佳的變量組合來預測持續經營危機發生的概率仍然存在較大分歧。Chen、Church[21]指出增加無力償還到期債務這一變量可以顯著提高持續經營審計意見的預測準確率，Koh、Killough[2]等研究表明現金流量信息能有效地反映公司發生持續經營危機的概率，Bell、Tabor[20]發現持續經營危機公司股票存在負的市場收益率，股票收益率可以用來預測持續經營危機，Goodman[26]證實管理當局的經營管理能力變量與是否被出具持續經營審計意見顯著相關。新修訂的《持續經營準則》明確規定審計師在進行持續經營審計判斷時應密切關注管理層擬采取改善措施的可行性和有效性。

　　（三）樣本選擇

　　選擇不同的樣本會直接影響到模型的有效性，多元線性判別方法多采用等額配對抽樣法，這樣作可能因為樣本量的限制，但卻過分夸大了持續經營危機公司比例，使得系數對樣本和模型設置都非常敏感，模型設置的微小變化、在樣本總體中加入或刪除案例等變動，都會導致系數估計的較大變化。其次，現有的樣本選取忽略了行業特征，將一定期間不同行業的持續經營危機公司作為測試樣本組，糅合在一起進行研究，損害了模型的價值，因為不同行業的公司具有不同的特征，即使影響持續經營的因素相同，但是其相對重要性卻可能有所不同。最后，對于不同的樣本選取時間，由于其外在經濟環境的差異，得出的模型可能存在顯著差異，模型的預測準確性也會因經濟環境、時間區間的不同而產生變動。

　　（四）建模方法

　　多元線性判別方法、多元概率比回歸、多元邏輯回歸方法均被大量采用，而多元概率比回歸、多元邏輯回歸方法運用最大似然估計，克服了多元線性判別分析要求數據服從正態分布和等協方差的假設與公司數據實際狀況不相符合的矛盾，在理論上更為完善。值得關注的是持續經營危機預測的研究方法又有新的進展，人工神經網絡、遺傳算法、模糊數學、專家系統開始被應用于構建預測模型，一些對持續經營審計判斷有重要影響但卻因難以量化而放棄的變量被重新予以考慮，而且這些新的方法整合了專家在該領域的知識經驗，具有自主學習功能，顯示了獨特的優越性。

　　（五）誤判成本

　　現有模型將分類的一類錯誤、二類錯誤等同看待，模糊了誤受和誤拒的成本，而事實上問題并非如此簡單。一般而言，從投資者或銀行的角度，一類錯誤成本要大于二類錯誤成本；而從企業看，由于借貸者、顧客、供貨商、股東或其他投資人的不必要的戒備狀態，會使二類錯誤的成本更高。對審計師而言，既要保證客戶的正當權益，又要避免過高的法律訴訟風險。因此，如何綜合權衡一類錯誤成本與二類錯誤成本也是未來模型研究的重點之一。

　?。┠Ｐ偷倪m用性

　　從持續經營準則和專家訪談可以看出，持續經營審計判斷屬于多階段性決策問題。Mutchler[18]將持續經營審計判斷分成三個階段，Goodman[26]認為審計師還應當評估管理當局擬采取改善措施的有效性和可行性?，F有大多數模型僅僅集中于判斷的某一階段，而對從持續經營疑慮事項識別到出具具體的審計意見進行全面系統的建模還較為少見，模型的適用范圍還較為局限。如何結合審計實踐，構建多階段、多目標的全面模型將是一個很有前景的研究方向。