[摘　要]本文分析国内外对持续经营审计判断模型的研究成果，从研究目的、变量设计、样本选取、建模方法、应用效果等方面比较研究各种模型，指出现有模型的不足和有待进一步研究的方向，以期对改进我国持续经营审计手段与方法提供借鉴。

　　[关键词]持续经营；审计判断；预测模型

　　企业的持续经营能力状况直接影响到投资者的决策行为。因此，对上市公司持续经营能力进行判断和评价是注册会计师进行财务报告审计时所必须考虑的重要内容，也是政府监管部门关注的一个焦点问题。近年来，为了减少审计期望差距，审计界制定并完善了持续经营审计准则及相关指南，特别是加强了对持续经营审计判断模型的研究，期望提高持续经营审计判断的客观性和一致性。我们搜集了ABI/INFORMGlobal、BusinessSourcePremier（BSP）、和ElsevierScience等国际著名数据库以及中国期刊网中关于持续经营审计判断模型研究的70余篇文献，对审计判断模型的构建方法、应用效果及局限性进行了总结和整理，以期对改进我国持续经营审计手段及方法提供借鉴。

　　持续经营审计判断模型根据研究对象的不同可分成两大类：持续经营危机预测模型和持续经营审计意见预测模型。前者关注公司是否会向法院申请破产（国内研究以是否被ST为标准），后者关注公司是否会被出具涉及持续经营存在重大不确定性的非标准无保留审计意见（下简称持续经营审计意见），二者都可以为持续经营审计判断提供辅助决策信息。但是，这两类模型的研究目的并不相同，前者认为模型在预测公司是否破产的准确性上要高于审计师，借助模型有助于减少审计期望差距[1-2].后者认为提出破产申请和被出具持续经营审计意见并不是一一对应的，被出具持续经营审计意见的公司并非都会提出破产申请，而且持续经营危机预测模型未能包含审计师进行持续经营审计判断时所考虑的一些重要因素，如行业前景、管理层能力等[3].Hopwood[4]等还证实在控制样本配对比例及分类错误成本的条件下，持续经营危机预测模型在预测是否破产的准确性上并不优于审计师。

　　一、持续经营危机预测模型

　　持续经营危机预测模型按照所用概率统计方法的不同，可分成多元线性判别模型、多元概率比（Probit）模型、多元逻辑回归（Logistic）模型、人工神经网络模型等4类，下文将分别予以阐述。

　　（一）多元线性判别模型

　　Altman[1]以美国1946—1965年提出破产申请的33家公司和33家健康公司为研究样本，采用多元线性判别方法构建了如下预测模型，即“Z分值模型”：Z=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5，其中：X1为营运资本/资产总额；X2为留存收益/资产总额；X3为息税前利润/资产总额；X4为优先股和普通股市值/负债账面价值；X5为销售收入/资产总额。当计算出来的Z值等于或低于1.8时，预示企业破产的可能性非常高；当Z值介于1.81和2.99之间时，企业是否破产不能确定；当Z等于或高于3时，企业则不可能破产。Z模型对破产公司样本的预测准确率为82%，而只有46%的破产公司在破产前被出具持续经营审计意见。Altman认为Z模型可以提高审计师在持续经营审计判断上的准确性和一致性。Altman[5]用1970—1982年间109家破产公司为样本对“Z分值模型”进行了有效性验证，发现模型对破产公司样本破产前一年的预测准确率达到86.2%，而审计师在公司破产前一年的预测准确率为48.1%，表明Z模型对持续经营危机的预测准确性高于审计师。

　　继Altman之后，Levitan、Knoblett[6]，Koh、Killough[2]，Cormier[7]，陈静[8]和张玲[9]等都采用多元判别分析方法构建了持续经营危机预测模型。这些模型的构建方法基本相同，所不同的是在持续经营危机标准界定上、样本时间窗口、对照组样本选取方法、变量选取上有差异。对这些模型的有效性验证表明预测模型比审计师在预测公司是否破产方面具有更高的准确性，应用模型有助于减少审计期望差距。

　　针对多元线性判别分析要求数据服从正态分布和等协方差的假设与企业数据实际状况的矛盾，以及配对抽样法因样本中两类公司比例与它们在总体中的比例严重不一致而夸大了预测模型判别准确性的缺陷[10]，不需要正态分布和等协方差假设的Probit、Logistic模型被大量采用，它们都是建立在累积概率函数的基础上，一般运用最大似然估计，而不需要满足自变量服从多元正态分布和等协方差的假设。

　　（二）多元概率比模型

　　Zmijewaki[10]选取了1972—1978年间发生破产的40家公司和800家健康公司作为样本，采用Probit方法建立了预测模型，即X模型：X=-4.3-4.5Xl+5.7X2-0.004X3，其中：Xl=净利润/总资产，X2=负债总额/资产总额，X3=流动资产/流动负债。陈明贤运用台湾企业样本建立了如下Probit模型：X=0.29354+20.491X1+4.3209X2-29.515X3，其中：X1为In（流动资产/流动负债）；X2为In（固定资产/股东权益）；X3为营运资本/负债总额。结果表明Probit模型在持续经营危机出现之前1年至前5年的判别正确率分别为93.33%、83.33%、83.33%、83.33%和80%64%.

　　（三）多元逻辑回归模型

　　Ohlson[11]以美国1946—1965年期间提出破产申请的105家公司和2058家健康公司为研究样本，采用logistic建立了企业持续经营危机预测模型，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为Log（资产总额/GNP物价指数）；X2为负债总额/资产总额；X3为营运资本/资产总额；X4为流动负债/流动资产；X5为净利润/资产总额；X6为经营活动产生的现金净流量/负债总额；X7：如果前两年有一年亏损，为1；否则为0；X8：如果负债总额>资产总额，为1；否则为0；X9：（当年净利润-上年净利润）/（5当年净利润5+5上年净利润5）。Ohlson利用上述模型进行预测，结果发现破产公司前一年的Y值平均为27%，显著高于非破产公司的Y平均值4%.

　　Kuruppu、Laswad和Oyelere[12]将清算作为发生持续经营危机的标准，以新西兰1987—1993年间85家破产清算的公司和50家未清算但处于财务困境状况的公司为研究样本，用Logistic方法构建模型，研究结果表明在破产法案以债权人为导向的国家，清算预测模型可能比破产预测模型在判断准确度及误判成本方面更为优越。

　　吴世农、卢贤义[13]以我国1998—2000年上市公司为研究对象，选取了70家处于财务困境的公司和70家财务正常的公司为样本，应用逐步回归法，从21个财务指标中最后选定6个为预测指标：盈利增长指数、资产报酬率、流动比率、长期负债与股东权益比率、营运资本与总资产比、资产周转率。他们分别应用线性概率模型、Fisher二类线性判别模型、Logistic回归三种方法，建立了三种预测财务困境的模型。研究结果表明：三种模型均能在财务困境发生前作出相对准确的预测，在财务困境发生前4年的误判率在28%以内；其中Logistic预测模型的误判率最低，财务困境发生前1年的误判率仅为6.47%.

　　姜秀华和孙铮[14]还考虑了公司治理因素对持续经营能力的影响，他们运用Logistic逐步回归法从13个变量中最终选取了4个变量：毛利率、其他应收款与总资产比率、短期借款与总资产的比率、股权集中系数，模型对ST公司的判别准确率达到84.52%.他们的研究拓展了变量选择的传统财务框架，但股权集中度是否为治理效能的惟一、有效替代还有待检验。姜国华、王汉生[15]也证实主营业务利润水平和第一大股东持股比例是影响公司是否被ST的最重要因素。

　　（四）人工神经网络模型

　　人工神经网络（ArtificialNeuralNetwork，ANN）是对人类大脑神经运作的模拟，模型具有较强的容错能力和自主学习能力，可随时依据新的数据资料进行自我学习，并调整其内部储存的权重参数。田伟福、周红晓[16]选取了A股市场30家公司作为样本构建了前向三层BP神经网络模型，模型包括反映偿债能力、资产管理能力、负债水平、盈利能力及成长能力等12项财务比率，测试的结果表明神经网络模型预测是否发生持续经营危机的准确性较高。周敏、王新宇[17]对判别分析、Logistic回归和神经网络进行了比较，她们以1999—2001年ST公司和健康公司各73家作为训练样本，以2002年ST公司和健康公司各43家作为检验样本，分析了15个财务指标，结果表明神经网络的预测效果要优于其他两种方法。

　　二、持续经营审计意见预测模型

　　持续经营审计意见预测模型同样按照所用概率统计方法的不同，可分成多元线性判别模型、多元逻辑回归（Logistic）模型、人工神经网络模型、持续经营审计专家系统等4类，模型研究的重点是持续经营审计意见是否可以用公开的会计信息进行预测。

　　（一）多元线性判别模型

　　Mutchler[18]选取了1981年被出具持续经营非标准审计意见的119家制造业公司，并选取了119家表现出一些经营困境征兆但却被出具标准审计意见的制造业公司作为参照物，采用多元判别法构建了预测模型，模型使用了Mutchler通过调查问卷获取的审计师进行持续经营审计判断最关注的8个变量，它们是：（1）经营性现金流量/负债；（2）流动比率；（3）所有者权益/负债；（4）长期负债/总资产；（5）资产负债率；（6）税前净收益/销售收入；（7）有关持续经营不确定性的好消息和坏消息数量；（8）总资产净利润率的变动率。模型对是否被出具持续经营非标准审计意见的预测准确率为82.8%，结果表明持续经营非标准审计意见可以用公开发表的会计信息进行预测。

　　（二）多元逻辑回归模型

　　Menon、Schwartz[19]以1974—1980年间89家破产公司为样本，其中37家被出具持续经营非标准审计意见。变量选取参照了SASNo.34和前人的研究结果，最终选取了7个变量采用了Logistic回归构建模型，分别是：（1）流动比率；（2）流动比率变动率；（3）留存收益/总资产；（4）资产负债率；（5）总资产净利润率；（6）是否发生持续的经营性亏损；（7）经营性现金流量/总负债，结果表明持续经营非标准审计意见与财务比率显著相关，最重要的解释变量是流动比率的变动率和持续发生经营性亏损。Menon、Schwartz还分别用1981—1983年间破产公司和非破产公司样本对模型的有效性进行了验证，破产公司样本数为39家，其中14家被出具持续经营非标准审计意见。非破产公司样本数为46家，其中11家被出具持续经营非标准审计意见，模型对持续经营非标准审计意见预测的准确率为78%.

　　Bell、Tabor[20]发现反映水平比率的财务指标对于持续经营审计意见的预测准确率高于反映趋势比率的财务指标。Chen、Church[21]研究证实在模型中增加反映偿还到期债务状况的变量可以显著提高模型的预测准确率性。

　　Mutchler[18]认为持续经营审计判断可以分成三个阶段：第一阶段是判断被审计单位持续经营能力是否存在重大疑虑；第二阶段是判断被审计单位是否应该被出具持续经营审计意见；第三阶段是应出具何种具体审计意见。Lasalle、Anandarajan和Miller[22]对第三阶段，即持续经营能力存在重大不确定性应出具何种具体审计意见进行了研究。他们收集了183份调查问卷（其中130份问卷的样本公司被出具持续经营强调无保留意见，53份问卷的样本公司被出具持续经营无法表示意见），按照审计意见的具体类型为被解释变量，以亏损持续年数、坏消息和好消息数量、被审计单位规模、内部控制水平、审计风险大小、审计任期、会计事务所规模等7个变量为解释变量，采用Logistic回归构建判别模型，模型对两种审计意见鉴别的准确率为83.85%，结果表明两种审计意见类型在持续经营不确定性程度上存在显著差异。

　　（三）人工神经网络模型

　　Lenard、Alam和Madey[23]选取了1982—1987年被出具持续经营审计意见的40家公司，并选取同时期40家被出具标准审计意见的公司为参照对象，构建了基于GRG2的神经网络模型，模型自主学习采用了8个变量，它们是：（1）经营性现金流量/负债；（2）流动比率；（3）所有者权益/负债；（4）长期负债/总资产；（5）资产负债率；（6）税前净收益/销售收入；（7）总资产净利润率；（8）上一年度是否亏损。神经网络模型对持续经营审计意见的预测准确率达到95%，而基于相同变量的Logistic模型预测的准确率为83%，结果表明人工神经网络模型对持续经营审计意见具有较好的预测能力。

　　（四）持续经营审计专家系统

　　持续经营审计专家系统是人工智能在持续经营审计判断领域的应用，它将该领域的专家知识经验转化为系统知识库的推理规则，被审计单位所处行业、外部经营环境、内部管理控制水平、异常事件等难以量化的因素都被加以考虑，并且专家系统具有自主学习知识功能，因此，专家系统能提高审计判断的一致性和可靠性。Biggs、Selfridge和Krupka[24]研究设计了一个GC X持续经营审计专家系统，该系统认为审计师进行持续经营审计判断需要依据三类知识：财务知识、事件知识及程序知识，持续经营危机（体现为异常的财务指标）则是某些具体事件的必然结果。GC X系统通过4个程序对持续经营审计判断提供决策支持作用，这4个程序分别是：持续经营不确定性问题识别、问题缘由的后向推理、对管理层拟采取改善措施的有效性和可行性评估、出具持续经营审计意见。Lenard、Madey和Alam（1998）[25]还将持续经营审计专家系统与一个基于马氏距离的聚类模型相结合构建了一个混合模型，并随机选取了1990年间26家破产公司和26家健康公司，对该混合模型与其他破产预测模型的预测准确率进行了验证，结果显示混合模型的预测准确率达到96.2%.

　　三、总结与评述

　　从以上文献的回顾可以看出，国内外审计学界对持续经营审计判断模型进行了大量的研究，有关涉及分类的定量方法在模型构建中得到了大量应用。这些模型的研究在总体方向上呈现出两个发展趋势：一方面，从仅考虑财务指标扩展到综合考虑财务、经营、股票市场表现、管理能力等因素，从定量分析向定性与定量分析相结合的方向发展；另一方面，从线性统计方法向更符合实际的非线性预测方法发展。尽管这些模型被证实在预测持续经营危机方面具有较高的准确性，但以下几个方面的问题仍有待于进一步研究和探讨：

　　（一）对持续经营危机的定义

　　对持续经营危机的定义在学术界尚未形成一致的意见，而对持续经营危机的不同定义会直接影响到样本的选择标准，从而得出不同的预测模型。持续经营审计意见预测模型建立在将被出具持续经营审计意见作为持续经营危机发生标准的基础上，而持续经营审计意见尚可进一步分为强调无保留、保留意见、无法表示意见和否定意见等4种具体意见类型。显然，这4种具体意见在持续经营不确定性程度上具有显著差异，不加区别地同等对待影响了模型参数估计的稳定性。持续经营危机预测模型则建立在将申请破产、破产清算作为发生标准的基础上，而在破产机制还不健全的国内，通常选用ST作为标准。将ST作为标准自然使得盈利能力低下是导致持续经营危机的主要原因，亏损与否将是持续经营危机与非持续经营危机公司之间存在显著差异的变量，这种变量的自选择问题也是国内相关研究的一个不足之处。

　　（二）变量选择

　　持续经营审计判断模型的变量选择依然处于试错原则阶段，缺乏理论基础。在如何选择变量及是否存在最佳的变量组合来预测持续经营危机发生的概率仍然存在较大分歧。Chen、Church[21]指出增加无力偿还到期债务这一变量可以显著提高持续经营审计意见的预测准确率，Koh、Killough[2]等研究表明现金流量信息能有效地反映公司发生持续经营危机的概率，Bell、Tabor[20]发现持续经营危机公司股票存在负的市场收益率，股票收益率可以用来预测持续经营危机，Goodman[26]证实管理当局的经营管理能力变量与是否被出具持续经营审计意见显著相关。新修订的《持续经营准则》明确规定审计师在进行持续经营审计判断时应密切关注管理层拟采取改善措施的可行性和有效性。

　　（三）样本选择

　　选择不同的样本会直接影响到模型的有效性，多元线性判别方法多采用等额配对抽样法，这样作可能因为样本量的限制，但却过分夸大了持续经营危机公司比例，使得系数对样本和模型设置都非常敏感，模型设置的微小变化、在样本总体中加入或删除案例等变动，都会导致系数估计的较大变化。其次，现有的样本选取忽略了行业特征，将一定期间不同行业的持续经营危机公司作为测试样本组，糅合在一起进行研究，损害了模型的价值，因为不同行业的公司具有不同的特征，即使影响持续经营的因素相同，但是其相对重要性却可能有所不同。最后，对于不同的样本选取时间，由于其外在经济环境的差异，得出的模型可能存在显著差异，模型的预测准确性也会因经济环境、时间区间的不同而产生变动。

　　（四）建模方法

　　多元线性判别方法、多元概率比回归、多元逻辑回归方法均被大量采用，而多元概率比回归、多元逻辑回归方法运用最大似然估计，克服了多元线性判别分析要求数据服从正态分布和等协方差的假设与公司数据实际状况不相符合的矛盾，在理论上更为完善。值得关注的是持续经营危机预测的研究方法又有新的进展，人工神经网络、遗传算法、模糊数学、专家系统开始被应用于构建预测模型，一些对持续经营审计判断有重要影响但却因难以量化而放弃的变量被重新予以考虑，而且这些新的方法整合了专家在该领域的知识经验，具有自主学习功能，显示了独特的优越性。

　　（五）误判成本

　　现有模型将分类的一类错误、二类错误等同看待，模糊了误受和误拒的成本，而事实上问题并非如此简单。一般而言，从投资者或银行的角度，一类错误成本要大于二类错误成本；而从企业看，由于借贷者、顾客、供货商、股东或其他投资人的不必要的戒备状态，会使二类错误的成本更高。对审计师而言，既要保证客户的正当权益，又要避免过高的法律诉讼风险。因此，如何综合权衡一类错误成本与二类错误成本也是未来模型研究的重点之一。

　　（六）模型的适用性

　　从持续经营准则和专家访谈可以看出，持续经营审计判断属于多阶段性决策问题。Mutchler[18]将持续经营审计判断分成三个阶段，Goodman[26]认为审计师还应当评估管理当局拟采取改善措施的有效性和可行性。现有大多数模型仅仅集中于判断的某一阶段，而对从持续经营疑虑事项识别到出具具体的审计意见进行全面系统的建模还较为少见，模型的适用范围还较为局限。如何结合审计实践，构建多阶段、多目标的全面模型将是一个很有前景的研究方向。