1.戰略分析。關註企業的外部環境，目的是掌握以下內容:
(1)企業所處行業的特點；
(2)企業的特點；
(3)企業正在從事和可能從事的各種戰略業務領域的成功關鍵是什麽，發展速度是多少，資金利潤率是多少，建立戰略優勢所需的最佳經濟規模是多少，平均投資是多少；
(4)在企業所從事和可能從事的所有戰略業務領域中，成本的戰略地位如何，行業平均和先進水平如何；
(5)企業融資環境特征，包括供求狀況、融資條件、行業與融資機構的壹般關系、同行業競爭對手的融資能力和資金實力；
(6)同業競爭者的資金籌集和運用效果，包括資金效率、資金流動性和資金安全性。
戰略分析的任務是把握企業總體環境、行業環境和財務環境的風險程度、成功的關鍵因素、機會和威脅，從籌資、投資和成本管理等方面為企業的財務管理體系提供客觀的參考標準。
2.執行分析。它著眼於企業財務系統，目的是把握以下幾點:
(1)企業財務管理系統現狀；
(2)企業資金流的現狀及其作用(效率、流動性和安全性)；
(3)企業投融資現狀及其管理；
(4)企業成本和成本管理的現狀；
(5)改善企業財務管理現狀的條件。
執行分析的任務是掌握企業財務系統的特點、成熟度、優缺點，資金管理和成本管理中的關鍵問題，掌握改善財務系統功能的可行因素。
3.設計改進方案。這裏描述的改進方案是對企業整個財務系統的全面改進方案。
改進方案包括兩部分:財務戰略政策和財務戰術管理體系。
財務預警模型是診斷企業財務狀況、提供財務危機信號的有效幫手，對其進行研究無疑具有積極的意義。本文試圖對目前國內外各種財務預警模型進行比較分析，為構建適合中國企業的財務預警模型提供壹些思路和方法。
壹，財務預警模型的分類
單變量模型
單變量模型是指利用單個變量和單個財務比率或現金流量指標來預測財務危機的方法。Fitzpatrick最早的研究發現，財務困境公司的財務比率與正常公司的財務比率顯著不同，從而使企業的財務比率可以反映企業的財務狀況，並指出財務比率可以分別預測企業的未來。Beaver在此基礎上用統計學方法建立了單變量財務預警模型，發現債務擔保比例對公司的預測效果較好，其次是資產收益率和資產負債率的預測效果。此外，日本的Shoichi Tanabe提出了利息和票據貼現費用的單變量判別分析方法，可以通過利息和票據貼現費用的大小來判斷企業是否正常，從而也可以對企業起到預測作用。
多變量模型
多變量模型是利用多個財務指標或現金流量指標綜合反映企業的財務狀況，並在此基礎上建立預警模型進行財務預測。根據模型是否具有動態預警能力和財務預警系統是否易於修改和擴展，多變量模型可分為靜態統計模型和動態非統計模型。
1.靜態統計模型。①線性判別模型。多元線性判別模型是用多元統計分析方法中的判別分析建立的。它是根據壹定的樣本數據建立判別函數，確定判別區域來預測企業的財務狀況。這個模型以美國教授Atlman的Z模型為代表。②主成分預測模型。該模型還形成線性判別函數，類似於判別分析模型。而模型是利用多元統計分析中的主成分分析方法，提煉綜合因素形成主成分，利用主成分建立的。我國學者張愛民、楊舒等人運用主成分分析法對我國上市公司財務預警模型進行了研究。③簡單線性概率模型。采用多元線性回歸方法建立模型，其形式為:y = c+β1x 1+β2 x2+…+βkxk。其中:c，β1，β2，…，βk為系數；X1，x2，…，xk為k預測變量，即財務指標；y是企業財務失敗的概率。模型以0.5作為危機分界點。Y值越大，企業財務失敗的可能性越大，Y值越接近0，說明企業財務越安全。④logit模型和probit模型。也分別稱為對數比模型和概率單位模型，都屬於概率模型，分別由logit和probit概率函數在克服簡單線性概率模型的基礎上建立。Logit模型的形式如下:ln[p \u( 1-p)]=α0+β1x 1+β2 x2+…+βkxk。其中:p的值為0，1；p是概率；X1，x2，…，xk為k預測變量，即財務指標；α0，β1，β2，…，βk是系數。probit概率模型的預測效果壹般和logit模型差不多，這裏就不介紹了。
2.動態非統計模型。動態財務預警模型主要是將人工智能中的歸納學習方法應用於財務危機預測。目前，該方法中最常用的是神經網絡預測模型。在神經網絡模型中，當輸入壹些數據時，網絡會用當前權值計算出相應的預測值和誤差，然後將誤差值反饋給網絡調整權值，經過反復調整，預測值會逐漸逼近真實值。當這個網絡應用於壹個新案例時，只要輸入新案例的相關值，神經網絡就可以根據當時的權重得到輸出值，即預測值。神經網絡分析是壹種並行分布式模式處理系統，具有高計算能力、自學習能力和容錯能力。該模型由壹個輸入層、幾個中間層和壹個輸出層組成。案例推理是壹種動態的非統計模型方法，近年來才開始嘗試應用於金融危機預測。它是壹種基於經驗的推理方法，即根據過去的案例來判斷未來可能出現的問題。是典型的“上次被騙，學壹次”的推理方法。當壹個新問題被輸入到基於案例的推理系統中時，系統會從已有的案例庫中搜索相似案例，並判斷新案例的類型。案例推理方法的關鍵步驟是根據相似度算法計算案例之間的距離，然後轉化為案例之間的相似度，從相似度中選擇最接近的案例，並據此進行推理判斷。
二，各種財務預警模型的比較
(壹)單變量模型與多變量模型的比較
1.單變量模型法比較簡單，多變量模型法比較復雜。單變量模型只分析單壹的財務比率，觀察企業的發展趨勢，據此判斷企業的財務狀況，不需要復雜的計算。而多元模型都是同時選取多個財務指標或現金流指標，然後通過壹定的方法進行綜合分析。模型的構建涉及許多方法和理論，操作復雜。
2.與多變量模型相比，單變量模型分析有更多的局限性。①不同財務比率的預測目標和能力往往差距較大，容易產生用不同的比率對同壹家公司預測不同結果的現象。②單壹指標分析的結論可能會受到壹些客觀因素的影響，如通貨膨脹。(3)只重視對個別指標影響的分析，容易受到管理者粉飾會計報表、粉飾財務指標、掩蓋財務危機等主觀行為的影響，導致模型判斷失敗。多變量模型比單變量模型更能避免上述情況，因為它綜合考慮了包括金融危機在內的反映公司財務環境的諸多因素，反映的是基礎性和全局性。
(二)靜態統計模型與動態非統計模型的比較
1.建模方法。兩者在建立模型的方法上有明顯的區別。靜態統計模型建立在統計數學和分析的基礎上，如計量經濟學中的判別分析、主成分分析、回歸分析等。這些模型的建立都有壹定的統計學理論基礎，涉及到決策區間的確定和誤判率的估計，建立的模型壹般都是線性的。動態非統計模型不是基於統計理論，而是通過人工智能中的歸納學習建立的。整個分析和預測過程就像人類的學習和思考。這是壹個自然的非線性模型。
2.模型建立的假設。靜態統計模型的建立壹般對樣本數據的分布做壹定的假設，並以假設為前提。比如多元統計分析中數據的正態分布假設，等協方差矩陣假設，簡單線性概率模型中的二項分布假設等。壹般來說，只有基本滿足這些假設，才能保證靜態統計模型預測的準確性。另外，靜態統計模型的建立是基於對數據之間關系的清晰認識，壹般假設變量之間是簡單的線性關系，更註重數據本身的完整性和壹致性。而動態非統計模型壹般對數據分布、結構等方面沒有要求，適用於非線性數據且對數據丟失有相當的容忍度，基本可以處理任何類型的數據。
3.是否具有動態預警功能和容錯能力。靜態統計模型只是基於以前的樣本數據建立的。樣本數據壹旦確定，除非重新建立模型，否則很難調整。隨著財務狀況的發展和財務標準的更新，這種基於以往數據和標準的模型很難對變化後的財務狀況做出準確的預測和判斷，即這種模型不具備動態預警能力，不易修改和擴展。而且靜態統計模型對錯誤數據的輸入不具有容錯性，不能自我學習和調整。動態非統計模型具有隨環境變化而自學習的能力。隨著樣本數據的積累，可以定期更新知識，從而實現企業危機的動態預警。而且由於動態預警模型具有較高的自學習能力，對錯誤數據的輸入具有很強的容錯能力，因此更具有實用性。
4.實際應用。動態模型(如神經網絡模型)的分發是免費的。當變量從未知分布中取出，協方差結構不相等時(企業失敗樣本中的常態)，神經網絡可以提供準確的分類。但在實際應用中還存在壹些問題，如模型的拓撲定義、網絡架構的確定、學習參數和轉換公式的選擇等，這些問題比較復雜，難以確定。其工作具有高度的隨機性，耗費大量的人力和時間，在決策方法上表現為黑箱，難以接受和應用。此外，該模型需要大量的學習和訓練樣本進行分析。如果樣本數量不足，代表性不夠，覆蓋面不廣，就會極大地影響系統分析和預測的結果。奧特曼(1995)在神經網絡方法和判別分析方法的對比研究中得出結論“神經網絡分析方法在風險識別和預測中的應用並不實質性優於線性判別模型”。而傳統的統計模型相對成熟，計算相對簡單，應用廣泛。而且有些統計方法，如logit、probit模型，對數據是否具有正態分布、兩組協方差是否相等都沒有要求。當兩個總體的協方差矩陣不相等時，也可以使用普通判別分析中的距離判別法。因此，目前財務預警模型中仍以傳統的統計方法為主，而動態模型還不夠成熟，其應用仍處於探索和實驗階段。
(C)各種統計模型之間的比較
1.各種統計方法的功能比較。判別分析和主成分分析屬於多元統計分析。其中，判別分析主要研究在將研究對象分為若幹類型，並已獲得各種樣本的觀測數據的基礎上，如何區分壹個新樣本的類別，即判別分析的目的是判斷新病例的類別。主成分分析法的主要作用是解決樣本數據中指標過多和指標間信息重復的問題。它的作用是雙重的:壹是降維，二是減少信息的重復，從而簡化分析。簡單線性概率模型和logit概率模型屬於回歸分析方法，其目的是研究模型中解釋變量和被解釋變量之間的具體關系，尤其是數值關系。所以，如果僅從各種方法的主要作用來看，用判別分析建立財務預警模型是最合適的，因為這種方法是研究類別歸屬的。
2.不同統計方法建立的財務預警模型比較。判別分析方法的核心是根據距離判斷樣本的歸屬，通常形成壹個線性判別函數來判斷待判斷企業的歸屬。壹般要求數據服從正態分布，兩組總體之間的協方差矩陣相等。主成分分析法主要是對多維財務指標進行綜合降維，然後對每個綜合指標賦予壹定的權重進行綜合分析形成判斷公式，根據財務正常企業和財務失敗企業各自的得分形成判斷區間，並據此計算出待判斷企業的得分。
用主成分分析法建立財務預警模型有壹個明顯的缺陷:綜合評分權重的確定和判斷區間的確定具有主觀性和不準確性，尤其是後者受樣本數據分布的影響較大。簡單的線性概率模型就是把每個財務指標作為解釋變量，財務狀況作為被解釋變量，把財務狀況分為正常和失敗，分別取0和1，利用樣本數據建立回歸方程，把待判斷企業的財務指標數據代入方程，得到的值就是預測值，代表企業財務失敗的可能性。簡單線性概率模型有四個缺陷:①殘差不滿足正態分布，而是二項分布；②異方差性；③壹般樣本的決定系數太小，回歸方程擬合度低；④很難保證回歸值在[0，1]的範圍內。因此，用這種方法建立的財務預警模型，其預警判別能力不如其他方法。Logit和probit模型的建立是為了克服簡單線性概率模型的缺點。壹般采用極大似然估計法進行估計，不需要滿足正態分布和兩個協方差矩陣相等的條件。得到的結果直接表明了企業財務失敗的可能性，簡單明了。這種方法目前被廣泛使用。
根據有關學者對各種統計模型判別精度的比較研究可知，判別分析是80年代以前的主要建模方法，其預測精度壹直較高，是迄今為止使用的主要方法之壹。Altman2000在2000年通過判別分析建立了預警模型，其預測準確率仍高達96%。Logit預測模型近年來也得到了廣泛的應用，其預測精度相對較高。我國學者吳世農和陸建立的財務預警模型具有樣本新、容量大的特點。2001，他們分別用判別分析法和logit法對同壹組經過嚴格檢驗的樣本指標的財務狀況進行了預測。結果表明，logit模型的預測精度(93.6%)明顯優於判別分析方法(89.9%)。