企業的財務報表等所提供的會計信息綜合反映了企業財務狀況和經營成果，根據企業會計信息的結構、比率和比較分析可以研究企業的償債能力、盈利能力、發展能力和資金運營狀況，可以分析企業的安全狀況。
（1）單變量判定模型（UnavailableDiscriminateModel）。
以單壹的財務比率指標為基本變量，運用配對樣本法，隨機挑選了1954年到1964年間79家危機中的企業，並針對這79家企業逐壹挑選與其產業相同且資產規模相近的79家正常企業，再將樣本企業分為訓練樣本與測試樣本兩組。先以訓練樣本企業破產前5年的30項財務比率進行二分類檢驗（Dichotomous
Classification Test ）。用以找出最具區別能力的財務比率及其分界點，並利用測試樣本預測及驗證其財務比率及分界點的危機預警能力。
威廉·比弗的結論是，最能對企業危機做出預警的指標是“現金流量/總負債”比率，其次為“總負債/總資產”比率和“凈利潤/總資產”比率。在企業破產前5年可達70%以上的預測準確率，在企業破產前1年可達87%的預測準確率。
（2）多元判定模型（Multivariate Discriminate Model）。
該模型又稱奧爾特曼模型或Z分數模型（Z-score Model）是由美國財務專家愛得華?奧爾特曼(Edward .I.
Altman)提出的。他認為，償債能力的喪失是引起企業破產的主要原因，企業在財務狀況良好——財務危機——破產——清算這壹過程中，是有信號可預測的。經過大量實證考察和研究之後，於1968年才提出了多元Z值判定模型，即：
Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5
（3）F分數模型（F-Score Model）。
由於Z分數模型在建立時並沒有充分考慮到現金流量變動等方面的情況，因此有壹定的局限性。為此，我國學者周首華、楊濟華對Z分數模型加以改造，於1996年提出了財務危機預測的新模型——F分數模型。在F分數模型中加入現金流量這壹有效的預測變量，彌補了Z分數模型的不足。同時，該模式還考慮到現代企業財務狀況的發展及標準的更新，比如，由於現金管理技術的提高，致使企業所應維持的必要流動比率有所降低，該模式的樣本選用更為擴大，它使用了Compustat
PC Plus 會計數據庫中1990 年以來416 家公司的數據進行檢查，而Z分數模型的樣本僅為66 家。
F分數模型如下：
F=
-0.1774+1.1091X1+0.1074X2+1.9271X3+0.0302X4+0.4961X5
（4）神經網絡預警模型。
1987年，Lapeds和Fayber首次應用神經網絡進行預測，開創了神經網絡預警的先河。該模型適合於對復雜性、時變性和模糊性的系統進行預測。神經網絡方法預警模型主要建立在“黑箱法”的基礎上。它把復雜系統當作壹個黑箱，然後通過刺激（輸入）、反應（輸出）來研究系統的結構和性質。人腦的思維機制可分為抽象思維（邏輯推理）和形象思維（不確定性推理），神經網絡模型根據生物神經元的外部行為特征，推測具有類似於閥值邏輯的結構，提出人工神經元的閥值邏輯模型。
BP(Back
propagation)模型是神經網絡方法中壹種比較常用的模型，這種模型把系統看作壹個黑箱，考慮其輸入和輸出之間的非線性映射，輸入過程可用輸入節點來表示，輸出過程可用輸出節點來表示。假定系統內部結構為未知，同時用隱節點來表示內部機制，從而形成壹種用人腦神經元突觸行為模擬節點機制的類似神經的人工神經網絡。這樣，可通過不斷地輸入和輸出，以及對有限多個樣本的學習來達到對所研究系統內部的模擬。