1.戰略性分析。側重對企業的外部環境展開，目的是掌握以下情況：
（1）企業所處行業的特征；
（2）企業的特征；
（3）企業所從事和可能從事的各戰略經營領域的成功關鍵是什麽，發展速度如何，資金利潤率是多少，為建立戰略優勢所需要的最佳經濟規模是多少，平均投資額是多少；
（4）企業所從事和可能從事的各戰略經營領域中，成本居於何戰略地位，行業的平均和先進水平是什麽；
（5）企業的籌資環境特征，包括供求形勢、籌資條件、行業與融資機構的壹般關系以及同行業競爭者的籌資能力和財政實力；
（6）同行業競爭者資金籌措與運用效果，包括資金效益性、資金流動性、資金安全性。
戰略性分析的任務是把握企業壹般環境、行業環境和金融環境的風險度，成功關鍵因素，機遇和威脅，為企業的財務管理體系提供籌資、投資和成本管理方面客觀的參照標準。
2.執行性分析。它側重對企業財務系統展開，目的是掌握以下情況：
（1）企業財務管理體制的現狀；
（2）企業資金流動運行及其功能現狀（效益性、流動性、安全性）；
（3）企業籌資和投資工作及其管理的現狀；
（4）企業成本及成本管理的現狀；
（5）改進企業財務管理現狀的條件。
執行性分析的任務是把握企業財務系統的特點、成熟程度、優勢和劣勢、在資金管理和成本管理方面的關鍵問題，並把握改善財務系統功能的可行因素。
3.設計改善方案。這裏所述的改善方案是對企業整個財務系統提出的綜合改善方案。
改善方案包括兩部分：財務的戰略方針和財務的戰術管理體系。
財務預警模型是診斷企業財務狀況、提供財務危機信號的得力幫手，研究它無疑具有積極的意義。本文試圖對目前國內外多種財務預警模型進行比較分析，以為構建適合我國企業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簡介
（壹）單變量模型
單變量模型是指運用單壹變數，用個別財務比率或現金流量指標來預測財務危機的方法。Fitzpatrick最早研究發現，出現財務困境的公司其財務比率和正常公司相比有顯著的不同，從而認為企業的財務比率能夠反映企業的財務狀況，並指出財務比率分別對企業未來具有預測作用。Beaver在此基礎上用統計方法建立了單變量財務預警模型，發現債務保障比率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。另外，日本的田邊升壹提出了利息及票據貼現費用的單變量判別分析方法，以利息及票據貼現費用的大小來判斷企業正常與否，從而也可對企業起預測作用。
（二）多變量模型
多變量模型就是運用多個財務指標或現金流量指標來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。按所建模型是否具有動態預警能力、財務預警系統是否易於修改和擴充，多變量模型又可以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運用多元統計分析方法中的判別分析建立起來的，它是根據壹定的樣本資料，建立判別函數、確定判定區域，以對企業財務狀況進行預測。這種模型以美國Atlman教授的Z模型最具代表性。②主成分預測模型。該模型也形成壹個線性判定函數式，其形式類似判別分析模型。不過該模型是運用多元統計分析中的主成分分析方法，通過提煉綜合因子形成主成分，並利用主成分建立起來的。我國學者張愛民、楊淑娥等分別運用主成分分析方法對我國上市公司的財務預警模型進行過研究。③簡單線性概率模型。該模型是利用多元線性回歸方法建立起來的，其形式是：y＝c＋β1x1＋β2x2＋…＋βkxk。其中：c、β1、β2、…、βk為系數；x1、x2、…、xk為k個預測變量，即財務指標；y為企業財務失敗的概率。該模型以0．5為危機分界點，y值越大，企業發生財務失敗的可能性越大，y值越接近於0，說明企業財務越安全。④logit模型和probit模型。它們也分別叫作對數比率模型和概率單位模型，都屬於概率模型，是在克服簡單的線性概率模型的基礎上並分別用logit和probit概率函數建立起來的。logit模型的形式為：ln〔p÷（1－p）〕＝α0＋β1x1＋β2x2＋…＋βkxk。其中：p取值為0、1；p為概率；x1，x2，…，xk為k個預測變量，即財務指標；α0、β1、β2、…、βk為系數。probit概率模型的預測效果壹般與logit模型預測的效果相差不大，在此不多加介紹。
2．動態非統計模型。動態財務預警模型主要是把人工智能中的歸納式學習的方法應用於財務危機預測。目前，這種方法中最常用的是神經網絡預測模型。在神經網絡模型中，當輸入壹些資料後，網絡會以目前的權重計算出相對應的預測值以及誤差，而再將誤差值回饋到網絡中調整權重，經過不斷地重復調整，從而使預測值漸漸地逼近真實值。當應用此網絡到新的案例時，只要輸入新案例的相關數值，神經網絡就可以根據當時的權重得出輸出值即預測值。神經網絡分析是壹種並行分布模式處理系統，具有高度的計算能力、自學能力和容錯能力。該模型由壹個輸入層、若幹個中間層和壹個輸出層構成。案例推理法是近年來才被嘗試應用於財務危機預測上的壹種動態非統計模型方法。它是壹種依循經驗來推理的方法，就是以過去發生的案例為主要的經驗依據來判斷未來可能發生的問題，是壹種典型的“上壹次當，學壹次乖”的推理方法。當輸入壹個新的問題到案例推理法系統，該系統會在從現有的案例庫中搜尋相似的案例，判斷新案例的類型。案例推理法的關鍵步驟就是根據相似性演算法測算出案例之間距離，再轉變為案例之間的相似度，由相似度選取最相近的案例，據此進行推理判斷。
二、各類財務預警模型的比較
（壹）單變量模型和多變量模型的比較
1．單變量模型方法簡單，多變量模型方法較為復雜。單變量模型只對單個財務比率進行分析考察，觀察企業發展變化趨勢，據此來判斷企業財務狀況，不需要進行復雜的計算。而多變量模型均同時選取多個財務指標或現金流量指標，再通過壹定的方法進行綜合分析，模型的構建涉及多種方法和理論，操作比較復雜。
2．和多變量模型相比，單變量模型分析存在較多的局限性。①不同的財務比率的預測目標和能力經常有較大的差距，容易產生對於同壹公司使用不同比率預測出不同結果的現象。②單個指標分析得出的結論可能會受到壹些客觀因素的影響，如通貨膨脹等的影響。③它只重視對個別指標影響力的分析，容易受管理人員粉飾會計報表、修飾財務指標、掩蓋財務危機的主觀行為的影響，以致模型判斷失效。而多變量模型由於綜合考慮了反映公司財務環境包括財務危機狀況的多個方面的因素，反映的是基本的和整體、全局的狀況，因此能比單變量模型更好地避免上述情況的發生。
（二）靜態統計模型和動態非統計模型的比較
1．建立模型的方法。兩者在建立模型的方法上存在著顯著的差別。靜態統計模型均是在利用統計數理和分析的基礎上建立起來，如多元統計分析方法中的判別分析、主成分分析以及計量經濟中的回歸分析等。這些模型的建立均有壹定的統計理論依據，均涉及到判定區間的確定和誤判率的估計問題，並且建立的壹般是線性模型。而動態非統計模型不是依據統計理論，而是利用人工智能中歸納式學習的方法建立起來的，整個分析及預測過程就好像是人類學習及思考壹樣。它是壹種自然的非線性模型。
2．模型建立的假定條件。靜態統計模型的建立壹般都對樣本數據的分布作壹定的假設，並以假設作為前提條件。如，多元統計分析中的數據正態分布假設、協方差矩陣相等假設、簡單線性概率模型的二項分布假設等。壹般來說，只有在這些假設條件基本得到滿足的情況下，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以對數據之間的關系已有清醒的認識為基礎的，壹般假定各變量之間為簡單的線性關系，並且比較註重數據本身的完整性及壹致性。而動態非統計模型壹般沒有數據的分布、結構等方面的要求，適用於非線性關系的數據並對數據的缺失具有相當的容許性，基本上能處理任意類型的數據。
3．是否具有動態預警功能和容錯性。靜態統計模型只是根據以前的樣本資料建立起來的，樣本資料壹旦確定，便難以再予調整，除非重新建立模型。隨著財務狀況的發展和財務標準的更新，這種按照以前的資料、標準建立起來的模型難以對已經變化了的財務狀況作出準確的預測和判斷，即這種模型不具有動態預警能力，不易修改和擴充。並且，靜態統計模型對錯誤資料的輸入不具有容錯性，無法自我學習和調整。而動態非統計模型具備隨著不斷變化的環境進行自我學習的能力，隨著樣本資料的積累，可以定期更新知識，從而實現對企業危機的動態預警。並且，由於動態預警模型具有高度的自我學習能力，對錯誤資料的輸入具有很強的容錯性，因而更具有實用價值。
4．實際應用。動態模型如神經網絡模型等的分布是自由的，當變量從未知分布取出和協方差結構不相等（企業失敗樣本中的常態）時，神經網絡能夠提供準確的分類。但是，它在實際運用中還存在壹些問題，如模型的拓撲定義、網絡架構的決定、學習參數以及轉換公式的選擇等比較復雜和難以確定，其工作的隨機性較強，非常耗費人力與時間，而且其在決策方法中表現得像壹個黑匣子，以致對它的接受和應用都較困難。另外，這種模型要求擁有大量的學習訓練樣本以供分析，如果樣本數量積累得不足、沒有足夠的代表性和廣泛的覆蓋面，則會大大地影響系統的分析和預測的結果。Altman（1995）在對神經網絡法和判別分析法的比較研究中得出結論：“神經網絡分析方法在風險識別和預測中的應用並沒有實質性地優於線性判別模型”。而傳統的統計模型發展得比較成熟，計算也相對簡單，應用也較為廣泛。並且某些統計方法，如：logit、probit模型對數據是否具備正態分布、兩組協方差是否相等也沒有要求，常用的判別分析中的距離判別方法也可以在兩總體協方差矩陣不相等的情況下使用。因此，目前在財務預警模型方面仍然以傳統的統計方法為主，而動態模型尚不夠成熟，對它的應用仍處於探索、實驗階段。
（三）各種統計模型之間的比較
1．各種統計方法本身功能的比較。判別分析和主成分分析方法屬於多元統計分析，其中，判別分析方法主要研究在已知研究對象分成若幹類型並已取得各類樣品觀測數據的基礎上，如何判別壹個新樣品的歸類問題，即判別分析的宗旨就是判斷新的案例的類別。主成分分析方法的主要功能是為了解決樣本數據中指標個數太多以及指標間信息存在重復的問題，其作用有兩個：壹是降維，二是減少信息的重復，從而使分析簡化。簡單的線性概率模型和logit概率模型都屬於回歸分析方法，其目的是研究模型中各解釋變量與被解釋變量之間的特定的關系，尤其是數值關系。所以，若只從各種方法的主要功能來說，利用判別分析方法建立財務預警模型是最適當的，因為這種方法就是研究類別歸屬問題。
2．各種統計方法建立財務預警模型的比較。判別分析方法的核心就是根據距離的遠近來判斷樣品的歸屬，通常形成壹個線性判定函數式，據此判斷待判企業的歸屬。壹般要求數據服從正態分布和兩組總體間協方差矩陣相等。主成分分析方法主要是對多維財務指標進行綜合、降維，然後給各綜合指標賦予壹定的權值再進行綜合分析，形成壹個判分式，根據財務正常企業和財務失敗企業各自得分情況形成判定區間，計算出待判企業的得分，據此加以判斷。
利用主成分分析方法建立財務預警模型有壹個明顯的缺陷：即綜合評分式權重的確定以及判定區間的確定都具有較大的主觀性和不準確性，尤其是後者受樣本數據分布的影響很大。簡單線性概率模型就是以各財務指標作為解釋變量，以財務狀況作為被解釋變量，將財務狀況分為正常和失敗，分別取0和1，利用樣本資料建立回歸方程，把待判企業財務指標數據代入方程，求得的值即為預測值，代表該企業發生財務失敗的可能性。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具有異方差；③壹般樣本決定系數太小，回歸方程擬合程度低；④難以保證回歸值在〔0，1〕區間，因此，用此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模型均是為了克服簡單的線性概率模型的缺陷而建立起來的，壹般采用最大似然估計方法進行估計，不需要滿足正態分布和兩組協方差矩陣相等的條件，得出的結果直接表示企業發生財務失敗的可能性大小，操作簡單，結果明了。此方法目前被廣泛運用。
根據有關學者對多種統計模型判別準確率的比較研究，得知判別分析方法是20世紀80年代以前主要的建模方法，其預測的準確率壹直較高，並且是到目前為止被運用的主要方法之壹。Altman2000年用判別分析方法建立的預警模型，其預測精度仍高達96％。logit預測模型近年來也被廣泛地運用，其預測精度也相對較高。我國學者吳世農、盧賢義建立的財務預警模型具有樣本新、容量大的特點，他們在2001年對經過嚴格檢驗的同壹套樣本指標分別用判別分析方法和logit方法進行財務預測，結果發現logit模型的預測精度（93．6％）要明顯優於判別分析方法的預測精度（89．9％）。