财务困境预测
财务困境预测是指对企业财务运作可能出现的困难状态所做的具体预测。它是企业保持竞争优势的重要基础。
判别分析
单变量判别分析法（Univariate Discriminant Approach，UDA）
最早的企业财务困境预测研究是由Fitzpatrick（1932）开展的单变量破产预测研究。他在《A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms》一文中发现，在所有指标中，净利润/所有者权益和股东权益/负债这两个指标的判别能力最强。由于当时的统计和计算工具有限，主要的研究方法是对失败企业和正常企业的一系列财务比率进行经验分析和比较。直到1960年代初，财务风险判别研究才逐渐走向系统化。1966年，William Beaver在其论文《Financial Ratios as Predictors of Failure》中提出了单变量分析法，即利用单一的财务比率来预测企业的财务困境。他发现最佳的判别变量是营运资本流/负债和净利润/总资产。
多变量判别分析法（Multivariate Discriminant Approach，MDA）
美国财务专家Altman（1968）首先使用多元线性判别模型研究公司的破产问题。他选择33家破产公司及其对应的33家非破产配对公司，确定了五个变量作为判别变量，包括资产营运资本率、资产留存收益率、资产报酬率、债务权益市价率和总资产周转率，最终产生了表示企业财务状况恶化程度的概率值——Z值。此后，Altman等人（1977）提出了更为精确的ZETA模型，但由于商业原因，未详细说明其具体操作方法。
逻辑和概率比回归
为了克服多元判别分析模型的严格假设条件限制，自20世纪70年代末起，财务困境研究人员引入了逻辑（logit）和概率比（probit）回归方法。这种方法简化了问题，通过已知的公司特征（由财务比率指标体现）计算其在未来时间段内陷入财务困境的条件概率。Ohlson（1980）使用logit方法分析了非配对样本在破产概率区间上的分布，并提出了新的模型，取得了较高的判别正确率。Zmijewski（1984）使用probit分析模型，对财务困境的预测进行了新探索，研究了样本个体数量分配的问题。
现代分析方法
人工神经网络分析方法（ANN）
1980年代末，神经网络理论（NN）开始应用于财务危机预测研究。尽管神经网络判别模型是一种重要的创新，但其实际效果并不稳定。Coats和Fant（1991）的研究显示，神经网络模型对财务危机公司的预测准确率达到91%，超过了多元判别法的72%。然而，其他研究表明，神经网络模型的预测效果并没有显著优于多元判别分析（MDA）和Logistic分析。
期权定价理论
Charitou和Trigeorgis（2000）使用B-S期权定价模型中的相关变量构建了财务危机判别模型，发现期权变量在预测破产方面的显著作用。但他们仅在变量设计上引入了期权因子，实际的理论贡献有限。
专家系统方法应用（ES）
1988年，Messier和Hansen首次将专家系统引入财务困境预测领域，他们在知识获取角度探讨了专家系统的应用，并将其与其他方法进行了比较，结果显示专家系统分类效果最佳。
国内外研究
在中国，周首华等（1996）利用Compustat Pc Plus会计数据库中的数据，使用Spss-X统计软件建立了F分数模式。陈静（1999）对中国证券市场的财务困境进行了单变量和二类线性判别分析，总体正确率达92.6%。张玲（2000）以120家上市公司为对象，使用二类线性判别模型进行了预测。陈晓等（2000）将多元逻辑回归模型引入上市公司的财务困境预测。黄岩等（2001）采用了费歇尔判别分析建立了中国工业类上市公司财务困境预测模型。吴世农等（2001）比较了多种模型的预测效果，发现多元逻辑回归模型的判定能力最佳。杨保安（2001）和薛锋（2002）探讨了基于BP算法和LM算法的神经网络在企业财务危机预测上的应用。