前言：我們精心挑選了數篇優質財務危機預警分析文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

【關鍵詞】上市公司；財務指標；財務危機；預警變量

近年來我國資本市場的快速發展，使得上市公司在獲得巨大發展契機的同時面臨的經營風險和財務風險也在不斷的加大，這些風險都直接或間接的形成了上市公司的財務危機。因此有必要對企業的財務指標進行分析，找出能有效的反映財務危機的指標作為財務危機預警的解釋變量，對于建立預警模型進行危機預測具有現實意義。

一、財務危機預警變量選擇原則

Edward·Altman教授在建立企業破產預測的Z-Score模型時，財務指標的最初選取遵循了兩個原則：一是該指標在以前的研究中出現的頻率；二是指標與所要研究問題的潛在相關性。本文認為這兩個原則比較科學，是選擇財務預警變量的基本原則。此外在選取研究變量指標時還應該考慮如下幾個原則：

（1）高度敏感性和強烈預示性。選擇指標要能夠比較靈敏地反映企業財務運行的主要情況，有發生財務危機的苗頭時，能在指標上比較迅速的反映出來，并且指標值一旦惡化就預示著公司很有可能發生財務危機。

（2）重要性和代表性。指標反映的內容在經濟活動中居重要地位，對于特定的環節有重大的影響或代表性。

（3）可操作性。指標不能太復雜，能方便的從公司中獲取所需要的財務指標數據，便于實際操作。

目前，多數研究者財務指標的選取存在顯著的差異，即便是反映同一類型的指標，不同的研究者選取的指標差異也很大，一方面由于缺乏理論的指導，研究者在指標選擇時受到自身價值判斷的影響；另一方面由于上市公司所處的行業、經營特點和所處時期不同等原因，指標的敏感度也不盡相同造成的。

二、財務危機預警指標初選

從國內財務預警研究情況看，在變量選擇方面缺乏具體的理論指導，不同的研究者選擇的研究變量各不相同，但通過考察和歸納國內外研究中選擇的有顯著貢獻的預測變量，可以劃分為綜合反映公司財務狀況的四類財務指標，即償債能力指標、盈利能力指標、營運能力指標和發展能力指標。本文結合我國實際使用的績效評價指標體系，及研究變量獲取的難易程度，選擇了20個財務指標作為財務預警研究的備選變量，各指標如表1所示。

三、財務危機預警指標的篩選與分析

1.數據來源與研究樣本的選取

本文數據主要來源：上市公司年報、銳思數據庫、新浪財經等各財經類網站。搜集樣本公司的財務數據，這些財務數據與指標綜合反映了公司的盈利能力、償債能力、資產運營能力、發展能力和現金流量情況。

研究的ST樣本選用2010至2012年被特別處理的A股上市公司，根據公司的行業分類和總股本規模選擇相應的控制樣本，構成非ST樣本組。在研究樣本的數據選擇時，選取樣本被特別處理前1～3年的財務數據，用t-1表示被特別處理前1年的數據，t-2表示被特別處理前2年的數據，t-3表示被特別處理前3年的數據，利用三年的財務數據進行財務指標的比較和選擇。

2.財務預警變量的篩選

為了確定各個指標是否具有判定上市公司財務危機的能力，利用SPSS統計軟件，計算ST公司與非ST公司的20個財務指標在被特別處理前1～3年的均值、標準差和各年T統計檢驗量及檢驗概率，然后比較兩組公司的20個財務指標各年的均值是否存在顯著性差異。當顯著性概率小于10%時，一般認為樣本數據之間有顯著性差異，隨著樣本公司被特別處理時間的臨近，本文逐年提高顯著性判別標準，減少誤判率，將t-3年的顯著性概率設為5%，t-2年和t-1年設為1%，顯著性檢驗結果見表2。

3.財務預警變量的分析和確定

根據表2顯著性檢驗結果進行分析，分析結果如下：

（1）在短期償債能力方面，選取的四個指標中營運資金對資產總額比率連續三年通過顯著性檢驗，流動比率、營運資金比率連續兩年通過顯著性檢驗，表明這三個指標在兩樣本組之間具有顯著性差異，具有較強的判別能力，而速動比率判別效果不明顯。

（2）在長期償債能力方面，選取的四個指標中資產負債率和所有者權益比率連續三年通過顯著性檢驗，考慮到這兩個指標的相關性，在判別時可以選擇其中的一個指標；負債與權益市價比率連續兩年通過顯著性檢驗，而權益對負債比率判別效果不明顯。

（3）在資產營運能力方面，選取的三個指標中只有流動資產周轉率連續三年通過顯著性檢驗，固定資產周轉率只有一年通過顯著性檢驗，而總資產周轉率判別效果不明顯，可見，流動資產周轉率在兩樣本組之間具有顯著性差異，具有較強的判別能力。

（4）在盈利能力方面，選取的四個指標中固定資產凈利潤率連續三年通過顯著性檢驗，資產報酬率、總資產凈利潤率、主營業務收入增長率連續兩年通過顯著性檢驗，表明上市公司盈利能力的下降，盈利指標在ST公司和非ST公司之間具有很高的顯著性差異，具有較強的判別能力。

（5）在現金流量方面，選擇的三個指標中每股經營活動現金凈流量、每股現金凈流量連續兩年通過顯著性檢驗，現金流量對流動負債比率只有一次通過顯著性檢驗。表明上市公司在沒發生虧損的情況下，現金流量在ST公司和非ST公司之間差異不明顯，當ST公司發生首次虧損后，現金流量在ST公司和非ST公司之間具有顯著性差異，判別效果明顯。

（6）在發展能力方面，選取的兩個指標中總資產增長率連續兩年通過顯著性檢驗，判別效果明顯，而資本積累率只有在ST公司虧損兩年后才表現出與非ST公司之間的明顯差異。

通過上述分析，由篩選出的財務指標可以發現，在判斷上市公司由盈利到首次虧損，再到出現連續兩年虧損方面，不同的財務指標表現出不同的判別能力，按照至少連續兩年顯著的原則，選擇了14個財務指標作為財務危機預警的指標體系。具體財務指標見表3。

四、小結

文章選用被特別處理的A股上市公司為研究樣本，選取ST樣本公司沒有發生虧損、首次發生虧損、連續兩年發生虧損的財務數據和非ST公司的三年財務數據進行財務指標的比較和選擇。使用SPSS統計軟件，采取顯著性檢驗篩選預警指標，選擇了14個財務指標作為財務危機預警系統的指標體系。

通過研究發現，在上市公司陷入財務危機的過程中，公司在經營和財務上出現的危機征兆可以通過一系列的財務指標來反映和判別，并且不同的財務指標表現出不同的判別能力。其中，營運資金對資產總額比率、資產負債率、所有者權益比率、流動資產周轉率、固定資產凈利潤率在不同的時期都表現出顯著的判別能力。因此，對于上市公司來說，在揭示風險時應該密切關注這些指標的變化。

參考文獻

[1]Edward I.Altman.Financial ratios，Discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance Vol.XXⅢ，1968，September：589-609.

[2]吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001，6.

[3]耿貴彬.上市公司中長期財務危機預警模型的構建[J].財會月刊，2007，9.

第2篇

關鍵詞:財務危機;預警模型;財務風險;Logit模型

中圖分類號:F230文獻標志碼:A文章編號:1673-291X(2010)30-0084-02

財務危機預警是以財務會計報表為基礎,通過建立和觀測一些敏感指標的變化,對企業可能發生的財務危機實施評價、預測和預警,此過程中使用的數學模型即為財務危機預警模型。在理論和經驗檢驗中所使用的財務危機預警模型可以分為判別分析模型、Logit模型和人工神經網絡模型三大類。其中,判別分析模型又可分為一元判別模型和多元判別模型。本文對幾種主要的財務危機預警模型進行比較分析,希望能夠為進一步的研究提供一些借鑒。

一、判別分析模型

判別分析是對研究對象所屬類別進行判別的一種統計分析方法。進行判別分析的必要條件是已知觀測對象的分類和若干表明預測對象特征的變量值,然后從中篩選出能提供較多信息量的變量,進而建立判別函數,使推導出的判別函數對觀測樣本分類時的錯判率最小。

(一)一元判別模型

一元判別模式是以某一項財務指標作為判別標準來判斷企業是否處于財務危機狀態的預測模型。通常將樣本分為“估計樣本”和“有效樣本”兩組,首先將估計樣本按某一財務比率排序,之后最為關鍵的是尋找臨界值,它可使兩組的錯判率最小,最后依據此臨界值對有效樣本進行預測。Fitzpatrick(1932)最早運用一元判別模型進行財務危機預警研究,他選用19家企業作為樣本,并將其劃分為破產與非破產兩組,運用一項財務比率進行分析,結果表明預測能力最強的指標是凈利潤/股東權益和股東權益/負債。之后,Beaver(1966)選取美國1954―1964年間79家陷入財務危機的企業和79家正常企業,考察了30個財務比率,發現具有良好財務預測的財務比率分別是營運現金流/負債,凈利潤/資產和負債/資產。

一元判別模型首次把財務比率運用于預測財務危機,并且僅需對單個財務比率進行分析考察,計算簡便。但它的缺點也較明顯,如果對同一公司使用不同比率進行預測,往往會得出不同的結果,而且企業通過粉飾財務報表掩蓋財務危機的可能性較大。

(二)多元判別模型

多元判別模型是指通過統計技術篩選出那些在兩組間差別盡可能大但在兩組內部的離散度最小的變量,這樣多個標識變量可在最小信息損失下轉換為分類變量。多元判別模型能有效提高預測精度。

1.Z值模型

Edward.Altman(1968)提出了Z值模型(也稱為Altman模型),其基本原理如下:首先將樣本分為預測樣本和測試樣本,再根據預測樣本建立多元判別模型:Z=V1X1+V2X2+…+VnXn,其中,V1,V2,…Vn是權數,X1,X2,…Xn是各種財務比率。之后,根據此模型確定臨界值Z值,然后把測試樣本的數據代入此判別方程,并計算測試樣本的Z值,最后依據判別標準進行判定。

Altman分別選取了33家失敗企業和33家成功企業的22個財務數據,使用軟件逐步淘汰區分能力差的財務數據,最后保留了5個財務比率:X1=營運資本/資產,X2=留存收益/資產,X3=息稅前利潤/資產,X4=權益的市場價值/負債的市價,X5=銷售額/資產。其Z值模型為:Z=1.2X1+1.4X2+

3.3X3+0.6X4+0.999X5。Z值越低,企業發生財務危機的概率越高,當Z

Z值模型簡單易懂,數據易于獲取,計算簡便,不僅有利于企業管理當局進行財務分析,也為投資人、債權人作出有效的投資決策提供了依據。但使用Z值模型時必須注意時間性,Z值模型只適應于對企業短期風險的判斷。而且,Z值模型沒有充分考慮現金流量等方面的影響。此外,由于該模型只適用于上市公司,Altman后來對該模型進行了修訂,建立了非上市公司財務危機預警的Z′模型和跨行業的Zeta模型。

2.F分數模型

為了克服Z值模型的局限性,周首華、楊濟華和王平(1996)對Z值模型進行改進,建立了F分數模型。F分數模型擴大了Z值模型的樣本容量,使用了Compustat PC Plus會計數據庫中的4 160家企業的數據。F分數模型中加入了現金流量這一自變量,現金流量的計算是長期投資決策中所用到的營業現金流量,等于稅后凈利潤加上折舊,這里暗含非付現費用只有折舊?；贒onalson理論,F分數模型同樣選取了5個財務比率,與Z值模型不同的是X3和X5這兩個變量,其中X3是一個現金流量變量,X3=(稅后凈利潤+折舊)/平均負債,它用來衡量企業使用全部現金流償還債務的能力;X5=(稅后凈利潤+利息+折舊)/平均資產,它測量了企業的資產創造現金流的能力。F分數模型為:F=-0.1774+

1.1091X1+0.1074 X2+1.9271X3+0.0302X4+0.4961X5。F分數模型測算的臨界值為0.0274,如果F

二、Logit模型

Logit模型又被稱為評定模型、分類評定模型和邏輯回歸模型,建立的基礎是累計概率函數,目標是尋找觀察對象的條件概率,據此判斷觀察對象的財務狀況和經營風險。Logit模型是一個非線性模型,曲線呈S型或倒S型,模型公式為:

lnP/1-P=αβiXi,其中,P是在因素(X1,X2,…,Xm)的影響下企業發生財務危機的概率,0≤P≤1;1-P是企業不發生財務危機的概率;Xi(i=1,2,…,m)是影響財務危機的第i個因素;αi,βi(i=1,2…,m)是待估計參數。然后利用最大似然估計法估計參數。判別規則是:取0.5作為概率的臨界值,將樣本數據代入回歸方程后,如果P>0.5,表明其也發生財務危機的概率較大,否則,判斷企業財務正常。

Ohlson(1980)第一個采用Logit方法進行破產預測,使用9個自變量,估計了三個模型,分析了樣本公司在破產概率區間上的分布以及兩類判別錯誤和分割點的關系。他發現至少有四類顯著影響公司破產概率的變量:公司規模、資本結構、業績和當前資產的變現能力。繼Ohlson之后,Gentry,Newbold and Whitford(1985);Casey and Bartczak(1985);Zavgren(1985)也采用類似的方法進行研究。程濤(2002)以1998―2000年被ST的A股上市公司為研究樣本,運用時間序列回歸和Logit回歸方法,從財務指標角度和現金流量角度分別構建預警模型,并在此基礎上構建綜合預警模型。姜秀華(2001)、吳世農、盧賢義(2001)、李華中(2001)等也采用類似的方法進行了研究。

同一元判別模型相比,Logit模型信息含量大,解釋能力強,并且不容易發生沖突。此模型最大的優點在于克服了多元判別模型要求變量服從正態分布并且分組樣本間的協方差相等的局限性。但是,Logit模型是建立在累計概率函數的基礎之上,同樣要求各個自變量之間不存在多重共線性。而且,運用Logit模型在計算過程中有許多的近似處理,這會影響預測精度。

三、人工神經網絡模型

人工神經網絡(Artificial Neural Networks)建構理念植根于人類對大腦神經網絡認識,人工構造一種神經網絡以實現某種功能,最為廣泛使用的是反向傳播人工神經網絡,即BP網絡。

Odom and Sharda(1990)是用BP神經網絡預測財務困境這一方法的開拓者,其研究是以Altman所構建的五個財務比率為研究變量,使用類神經網絡與判別分析作驗證比較,結果發現類神經網絡具有更佳的預測能力。Tam(1991)通過對人工神經網絡(ANN)的模擬,得出神經網絡可以應用于財務預警,而且具有較高的預測精度。Koh and Tan在1999年以6個財務指標為研究變量作了類似的研究,認為類神經網絡模型的預測效果優于Probit模型。楊保安等(2002)采用ANN模型進行財務危機預警研究,結果表明:樣本的實際輸出和期望輸出較為接近,顯示出神經網絡是進行財務評估的一種很好的應用工具。柳炳祥、盛昭翰(2002)分析了評價財務危機的指標體系、財務危機等級的劃分和基于粗神經網絡的財務預警方法,并用一個預警實例進行了驗證。

已有的研究表明,人工神經網絡具有較好的模式識別能力,而且它具有容錯能力,對數據的分布不做嚴格要求,能夠處理有噪聲和不完全的數據,誤差小,建模更科學,克服了傳統統計方法的限制。更為重要的是人工神經網絡具有學習能力,可依據新的數據資料自我學習、訓練,調整內部的儲存權重參數以應對多變的企業運作環境。

四、對已有模型的述評

可以看出,已有的很多模型構筑精巧,使用了很多量化技術,但也產生了一個問題,模型的應用性和可操作性較差,模型在使用中受到樣本選擇范圍和選擇時間的限制,模型成立的前提條件也較苛刻,模型中所涉及變量的選擇也缺乏理論支持,更多的是憑“通用性”和經驗。因此,我們認為,財務危機預警分析需要考慮諸多方面的因素,除了關注模型的設計外,還應該加強財務比率的設計和選擇,積極探索將非量化因素引入財務危機預警指標體系。同時,財務危機預警模型必須以大量的真實信息為基礎,因此,應加強信息管理,建立使用信息和分析信息的合理機制,進一步增強財務信息的有用性。

參考文獻:

[1]A1tman E.I,“Financial Ratios,Discriminant Analysis,and the Prediction of Bankruptcy”,Journal of Finance[J].September 1968.

[2]Tam and Kiang,“Predicting Bank Failures:A Neural Network Approach”,Management Science[J].1992,8:926-947.

第3篇

*ST國祥成立于1993年，公司全稱為浙江國祥制冷工業股份有限公司，是首個在大陸A股上市的臺資企業。注冊資本145，324，675，法人代表王學文。公司的主要產品為螺桿式冷水機組、風冷式冷熱水機組、組合式空調機組、風機盤管機組。

2009年9月*ST國祥實現了資產重組，河北地產開發商華夏幸福基業股份有限公司成功注入旗下房地產開發企業，實現了地產資產整體借殼上市。浙江國祥制冷工業股份有限公司因其2007年和2008年連續兩個會計年度的審計結果顯示的凈利潤均為負值，根據《上海證券交易所股票上市規則》的有關規定，公司股票自2009年5月4日起被上海證券交易所實行退市風險警示的特別處理，公司簡稱變更為“*ST 國祥”。

公司經審計的2009年財務報告顯示2009年度歸屬于上市公司股東的凈利潤為7，465，255.23元，歸屬于上市公司股東的扣除非經常性損益后的凈利潤為-3，037，420.57元。公司于2010年4月30日向上海證券交易所提交申請撤銷退市風險警示及實施其他特別處理的報告，若得到核準，公司股票簡稱將變更為“ST 國祥”。

由于各國對財務失敗的界定不一致，而我國主要把上市公司ST作為財務失敗的標志，這也是選擇*ST國祥作為樣本的原因。本文中的財務數據均由企業2009年財務報告得出。

二、基于z-score財務預警模型的財務危機分析

所謂的財務預警分析，是通過對企業財務報表及相關經營資料的分析，利用及時的財務數據和相應的數據化管理方式，預先告知企業所面臨的危險情況，同時分析企業發生財務危機的原因，發現企業財務運營體系隱藏的問題，及時做好防范措施的財務分析系統。

其一，預警模型的建立。z-score模型又稱多元線性判定模型（Multivariate discriminant model），是美國學者奧特曼（Edward Altman）以1946年至1965 年期間提出破產申請的33 家公司和相對應的33 家非破產公司作為樣本，用其財務比率擬合出的一個多元線性函數方程。

z-score模型是一種運用多變量思路建立多元線性函數公式，即運用多種財務指標加權匯總產生的總判別值（即Z值）來預測財務危機。

上市公司Z-Score 模型判別函數為：

Z=0.012X1+0.014 X2+0.033 X3+0.006 X4+0.999 X5

X1=營運資金/ 資產總額，X2=留存收益/ 資產總額，X3=息稅前利潤/ 資產總額，X4=股東權益的市場價值總額/ 負債的賬面價值總額，X5= 銷售收人/ 資產總額。基于*ST國祥2009年的財務數據分別得出結果如表1所示：

得出z=0.673903。

運用Z值模型計算出數據的幾點說明：

一是營運資金由流動資產減去流動負債得出；

二是息稅前利潤計算中所需的利息費用由財務費用代替；

三是股東權益的市場價值由該公司2010年6月11日的股票收盤價乘以發行在外的股票數得出。

奧特曼通過對Z- Score 模型的研究分析得出Z值的如下定量判斷臨界值：1.8以下存在嚴重財務危機，破產機率很高；1.8~2.8以下存在一定的財務危機，破產機率；2.8~3.0 以下存在某些財務隱患，解決不好有破產可能；3.0 以上財務狀況良好，無破產可能。

雖然Z值模型運用到我國上市公司存在一定的局限性，Z值模型計算的數字對我國上市公司來說可能過于偏激，如一些業績良好的上市公司的Z值仍然在臨界值上界之下，但此模型仍能起到一定的財務警示作用，從上述臨界值可以看出*ST國祥存在財務危機。

其二，基于財務預警模型的財務危機分析。從上述Z值模型的計算可以看出該公司存在嚴重的財務危機。從實際情況來看，該公司2007、2008年凈利潤均為負值，被上交所給予ST處理。2009年營業利潤仍為負值，但通過處置大量的固定資產，使得利潤總額達到正值從而避免退市的風險。

（1）利潤貢獻因素分析。由于面臨退市的風險，企業有必要采取措施實現利潤為正值，因此需對企業利潤表各項目進行分析，得出其對企業利潤總額的貢獻比例，并由此找出企業實現利潤的途徑。根據該企業2009年與同行業領先企業TCL集團股份有限公司利潤表得出表2所示數據：

表2反映的是利潤表各項目對利潤總額（不考慮所得稅因素）的貢獻水平，通過與同行業業績良好的企業的比較可以看出企業在獲取利潤方面的優勢和不足，從而加深企業對自身的認識，并采取改進措施。

第一列表示毛利對利潤總額的貢獻。國祥的毛利對利潤總額的貢獻是4.45倍，而TCL是將近7倍，說明國祥主營業務對企業利潤的貢獻有限，這可以歸因于該行業競爭激烈，大企業擁有品牌價值和消費者忠誠度優勢，因此國祥應該加強自身品牌建設，提高品牌知名度，加大企業創新投入，讓產品更滿足消費者需求，尤其是消費者的個性化需求。提高主營業務的盈利水平是提高企業利潤水平的根本途徑。

第二列表示企業費用的控制，從上表可以看出，國祥對企業費用的控制比較好，同時從財務報表得出，國祥的主營業務成本率比TCL低了3%，說明企業在成本費用控制方面占優勢，企業應該發揮此方面的優勢，但是成本控制一定要以質量為前提。

第三列是非經營損益對利潤的貢獻。從上表可以看出TCL的非經營性凈損益是國祥的5倍，2009年財務報表中反映的國祥的投資收益只有處置長期股權投資凈收益13萬。在企業主營業務呈下降趨勢的情況下，國祥沒有積極的拓寬收入來源，做出很好的投資決策，良好的投資決策也是企業扭虧為盈的關鍵。

第四列是營業外凈損益對利潤總額的貢獻。由上表可以看出，2009年度企業的營業外凈收益異常多，且本年度的營業外凈收益主要是通過處置企業的固定資產實現的，這也是企業2009年度凈利潤呈現正值的主要原因。企業2007、2008年凈利潤均為負值，為避免停牌的風險，企業有必要扭虧為盈。但是營業外收益并不是企業利潤的主要來源，處置固定資產也不是企業實現利潤為正的長久之計，因此企業有必要按照根據第一列得出的結論增強企業的實力，使企業徹底的扭虧為盈。

（2）行業因素分析。從“完全競爭”行業到“完全壟斷”行業，企業競爭程度依次遞減，財務風險的程度亦依次遞減，即競爭性越強財務風險越大。本企業處于家電行業，該行業競爭比較激烈，形成了企業容易產生財務風險的大環境。該企業2009年營業總收入比2008年減少40%，而且在家電行業原材料（如鋼鐵）價格上漲的情況（從財務報告得出）也促成了企業財務危機的發生。

（3）企業創新因素。由于家電行業處于行業生命周期的成熟期，市場基本飽和。企業必須加強創新，才能使企業的產品利于不敗之地，而且在市場基本飽和的情況下也只有通過創新才能吸引消費者的注意，給企業創造收益。但是從企業資產負債表可以看出企業2009年無形資產有減無增，沒有發生開發支出，而作為行業領先企業的TCL集團股份有限公司2009年開發支出占非流動資產總額的比例為7%。因此，企業有必要加強構建無形資產的支出，增強企業產品的競爭力。

（4）投資決策因素。從2009年財務報表附注可以看出，企業2008年權益法核算的長期股權投資收益-22萬元，處置長期股權投資產生的投資收益-129萬元，而本期處置長期股權投資產生的投資收益僅為13萬元。企業投資失敗導致了企業的營業利潤變為負值，從而凈利潤為負值，形成了累計效應。因此，企業投資要把握好投資方向，尋找好的投資企業，否則不但給企業帶來負擔而且可能把企業的主業拖垮，使企業得不償失。

綜上所述，根據財務預警警兆研究得出，該企業處于財務風險的“潛伏期”，因此通過對導致企業財務問題的上述因素的有效管理，企業是可以走出危機的。

三、結論

所有企業而并非僅限于ST企業都有必要建立財務預警模型對其財務狀況進行檢測，并及時發現存在的財務問題，提高企業財務管理的質量。通過對企業財務預警模型的建立及企業財務問題的分析對企業的財務危機進行事前控制，增強企業化解危機的主動性，減少發生嚴重財務危機甚至破產的可能性。