此部份之文獻回顧將蒐集歷年來探討關於一般公司財務狀況為主題的國外相關文 獻，茲分述如下：
Beaver(1966)首度應用單變量迴歸，分析 30 項的財務比率變數以建立財務危機預測 模型，並首先採用二分類選擇法(Binary Choice)，與隨機抽樣後以 B-A(79:79)樣本配對 法，以使公司規模與產業一致之樣本設計，顯著變數包括現金流量/總負債、總負債/總 資產、淨收益/總資產、營運資金/總資產、流動比率與(速動資產－流動負債)/營業費用 等六個比率。
Altman(1968)表示財務危機的發生乃伴隨多項因素，使單變量迴歸之預測能力因而 受限，其針對 1946 年至 1965 年，33 對破產與正常公司為樣本，以逐步多元區別分析 (Stepwise Multiple Discriminant Analysis；簡稱 MDA)自 22 項具關鍵的財務比率變數並選 取具代表性之變數，其模型與變數如下所列：
Z =0.012 X1+0.014 X2+0.033 X3+0.006 X4+0.999 X5 其中，X1=營運資金/總資產
X2=保留盈餘/總資產 X3=稅前息前盈餘/總資產 X4=權益市值/負債帳面價值 X5=銷貨/總資產
Altman, Haldeman, Narayanan(1977)由於 Altman 在 1968 年所發表的 Z 模型在企業破 產前兩年之後區別正確率大幅下降，且隨時間經過經濟條件改變，原有的 Z 模型已經無 法解釋當時財務危機現象，因此 Altman 等人於 1977 年採 1969 至 1975 年共 53 家破產 企業配對 53 家正常公司，利用 27 個財務比率進行區別分析，最後以七個變數形成 Zeta 模型，這 7 個變數包括資產報酬率(稅前息前淨利與總資產比)、盈餘穩定性(稅前息前淨 利與十年期資產總額標準差之比)、利息保障倍數(稅前息前淨利與利息支出比)、保留盈
餘率(保留盈餘與總資產比)、流動比率、普通股市值五年帄均與總資本比、資產規模。
Zeta 模型亦採用多元線性區別模型，但與 Z 模型不同點在於 Zeta 模型採用的變數更多 元，包括財務報表帳面資料以及市場資料，並且更進一步建議財務預警模型應用於授信 分析和資產組合管理。但利用線性區別模型所形成的財務預警模型如 Z 模型及 Zeta 模 型，亦存在一些假設上的缺點，例如需假設自變數之間符合多元常態分配，並且假設正 常與破產公司兩群體的變異數-共變數矩陣相等。
Martin(1977)首先使用 Logit 模型建立財務危機預警模式，其認為多變量區別分析，
只能以樣本企業是否發生財務危機來進行分類，無法衡量發生危機的機率。該學者選出 25 個財務比率作為變數，分別預測財務危機發生前二年可能倒閉的機率，實證結果顯示 淨利/總資產、費用/營業收入、商業放款/總放款、壞帳/營業淨利、總資產/風隩性資產 等六個財務比率，具有顯著的預測能力。
Ohlson(1980)從 1970 至 1976 年在美國上市上櫃製造業公司中，隨機選取 105 家破 產公司及 2058 家正常公司為樣本，以九個變數分別建立三個 Logit 模型，分別用來預測 一年內、兩年內、及三年內企業發生財務危機的機率，同時模型並無明確指出公司破產 與正常的臨界值，而是給予每個公司一個破產的機率，其結果發現企業規模、財務結構、
經營績效及流動性等因素與企業發生破產的機率有密切關係，而其三個模型的準確度分 別達到 96.12%、95.55%、92.84%。
Frydman, H.、Altman, E.I. and Kao, D.L.(1985)Frydman、Altman 和 Kao 等學者，結 合了簡單易行的單變量及多變量多構面情報的優點，而發展出一種新的預測企業成敗技 術，稱為迴覆分割演算法(Recursive Partitioning Algorithm，簡稱 RPA)，實證結果其預測 企業財務危機之正確率優於區別分析，RPA 是一種無母數(Nonparameter)估計技術，具 單變量與多變量之雙重特性，Frydman 等學者認為理論上優於區別分析與迴歸分析，實 證結果亦能證實。
Zavgren, C.V.(1985)此篇研究選取 1972 年至 1978 年間的 45 家失敗之企業及配對之 45 家正常營運之企業、使用 7 項財務比率，分別為：總收入/總資本、現金流量/總資產、
速動資產/流動資產、應收帳款/存貨、負債/總資本、存貨/銷貨淨額、銷貨淨額/淨資產，
以企業失敗前五年的財務比率進行 Logit 分析，總錯誤率在失敗前一年至前五年分別 為：18%、17%、28%、27%、20%。
Gentry, J.A.、Newbold, P. and Whitfold, D.T.(1985)以 Logit 來建立財務預警模型，選
取 33 家正常及非正常之企業為第一組樣本，使用資金流量為因素，其模型之預測正確 率為 77%至 83%，使用第二組保留樣本以驗證模型之正確率，而其驗證之正確率為 72%
至 74%。
Gentry, J.A.、Newbold, P. and Whitfold, D.T.(1987)本研究選取 1970 年至 1981 年間 失敗的企業 33 家並選取非失敗支配對企業 33 家，使用 7 個財務比率來分析，而此 7 項 財務比率乃是學者參考 1966 年至 1985 年間至少 15 份研究報告所廣泛使用之財務比率。
其比率為：稅後淨利/總資產、總負債/總資產、現金流量/總資產、營運資金/總資產、流 動資產/流動負債、速動資產/流動負債、息前稅前淨利/總資產。
Keasey, K. & McGuinness, P.(1990)以 1976 年至 1984 年間 43 家失敗公司及優良公司 配對，以 Logit 模型、危機機率，並使用 Entropy measure，以能明瞭是否公司失敗年度 越近，決策人員掌握訊息有所增加，實證結果發現越接近失敗時間，決策人員掌握訊息 越加明顯。
Platt, H.D. and Platt, M.B.(1990)本研究的作者認為產業差異使各公司財務比率有很 大差異，必頇將公司財務比率轉換成產業的相對財務比率，以消除不同產業間差異性問 題，使變數更為穩定。實證結果顯示，以產業的相對財務比率為變數的 Logit 迴歸分析 法，其預測正確率高達 90%，較財務比率的正確率 78%為優。
Odom, M.D. and Sharda, R.(1990)分別採用類神經網路模式與區別分析模式，研究 1975 年至 1982 年間的 65 家失敗企業與 64 家正常企業，樣本分成訓練樣本及測詴樣本 兩組，使用 Altman(1968)研究中的 5 個財務比率。實證結果發現區別分析的正確率為 86.84%，類神經網路正確率可達 100%，可見類神經網路應用在失敗預測上，較區別分 析模式有較佳之結果。
Tim, K.Y., and Kiang, M.Y.(1992) 研究中針對導傳遞類神經網路與線性區別模式、
Logit、決策樹(ID3 Decision Tree)等方法，進行實證研究比較。以美國德州的銀行為研究 對象，以 1985 年至 1987 年間的 59 家失敗銀行及 59 家正常銀行，使用 19 個財務比率，
分訓練樣本及保留樣本，建立無隱藏層及一層隱藏層的類神經網路模式，發現以一層的 隱藏層的網路模式較佳，其中 ID3 決策樹獲得較佳之預測結果，其即為資料採擷(Data Mining)之方法。
Paul Asquith, Robert Gertner and David Scharfstein(1994)研究財務危機公司發現負債
程度對於危機發生與否有顯著之影響，而債權人為公開或私人借貸對於公司發生危機後 傾向於重整或購併有顯著之影響，但主要仍依據負債程度而定，因過高的舉債會因利息 成本而影響公司發生危機後的再生能力，最後推論利息費用太高、營業績效比同業差與 產業衰退等三項因素對於公司危機發生與否與再生能力有顯著之影響性。
Lawrence and Arshadi（1995）係利用多項 logit 迴歸分析來實證銀行對逾期放款有 效的解決途徑，經 52 家銀行提供 155 筆從 1978 年到 1989 年期間違約借款客戶，提出 問題放款以讓售、破產清算、協商和解、增加額度或借新還舊等四種解決方案，採取 19 個財務及非財務變數為影響問題放款解決方案的主要因素，主要歸類於三大指標：借款 人之財務與貸款特質、銀行的決策變數及地區性經濟因素。經實證結果，成功地解決問 題放款之決定因素為：（1）解決方案的成本越低，銀行越易成功；（2）獨資或合夥的 借款者，解決問題放款時擁有較高的成功機率；（3）借款者未還清餘額愈多，銀行愈 會積極採取有效解決方案，以致獲得更高的成功機率。
Tae Kyung Sung, Namsik Chang and Gunhee Lee(1999)以韓國 1997 年 2 月至 1998 年 1 月發生財務危機之公司為例，探討亞洲金融風暴爆發前後，不同經濟狀況之財務危機 預測模型，並使用 40 個財務變數，分別建立區別分析與 C4.5 之模型，再以同時期之後 期樣本進行模型檢測；正常經濟狀況之顯著變數包括 cash flow to total asset, productivity of capital,averageturnover period for inventories(負號)三項變數；而危機經濟狀況則有 cash flow to liabilities,productivity of capital, fixed assets to stockholders’ equity and long-term liabilities 三項變數。