上市公司財務預警模型的研究

摘要：本文首先以滬深證交所2003年和2004年財務困境公司與非財務困境公司為樣本，構建判別上市公司財務危機的模型，然后根據T檢驗的檢驗結果和以往研究的經驗，最終選擇流動比率、累積盈余、總資產報酬率和凈資產收益率4個主要變量，分別運用單變量和多變量研究方法進行判別分析。研究表明，預測數據與建立模型的數據年度越臨近，模型的預測能力越強，而離ST越遠模型預測力越差。

關鍵詞：財務困境；財務預警；單變量判別法；多變量判別法

中圖分類號：F234 文獻標識碼：A 文章編號：1000—176X(2007)06—0092—06

財務預警的研究方法主要包括定性預警分析方法和定量預警分析方法兩大類。由于定性分析方法更多的是利用主觀判斷而形成的結論，所以本文主要是從定量分析的角度分析，選取主要樣本，利用單變量分析方法和多變量分析方法建立與應用財務預警模型。

一、財務預警模型樣本的確定

(一)模型樣本數量的確定

本文在選擇樣本時把上市公司中ST板塊界定為財務困境公司。首先，確定財務困境公司的樣本量，在2003—2004年中首次被ST的公司數量有限，同時還要剔除由于非財務因素導致ST的公司，所以本文選擇38家ST公司作為財務困境公司樣本已經具有較強的代表性，而且在以后的模型建立過程中可以證明所選取的樣本量能夠滿足建立模型的需要。其次，在財務困境公司樣本確定之后再相應地選擇與財務困境公司相配對的38家非ST公司作為對比樣本，本文選用公司總資產標準。之所以選擇76家公司作為模型建立樣本，是因為配對選擇能保證兩類公司在行業和規模等不可量化的其他特征上保持一致，盡量減少不可量化因素對所建模型的影響。

(二)模型樣本的選擇

本文從上海和深圳交易所中選取了76家公司作為建立模型樣本，選取數據的時間跨度為首次ST前三年的財務數據，38家財務困境樣本和38家配對樣本；為使本文研究選取的76個樣本具有普遍的代表性，樣本公司的行業分布較為廣泛，包括紡織化纖、機械制造、信息技術、服務業、批發零售以及醫藥生物等等。

二、財務預警模型指標的選取

(一)基礎指標的選擇

本文根據經驗判斷，初步選出認為在進行模型研究中具有預測能力的基礎指標，主要從反映公司償債能力、盈利能力、營運能力、成長能力、籌資政策及現金狀況選擇25個指標。

1．反映公司償債能力的指標包括：流動比率(X5)、速動比率(X6)、資產負債率(X16)、權益負債比(X21)、利息保障倍數(X22)和營運資金占用率(X20)6項指標。

2．反映公司盈利能力的指標包括：凈資產收益率(X23)、凈利潤率(X24)、資產報酬率(X25)和累計盈余(X17)4項指標。

3．反映公司營運能力的指標包括：應收賬款周轉率(X13)、存貨周轉率(X12)、固定資產周轉率(X14)和總資產周轉率4項指標。

4．反映公司成長能力的指標包括：主營收入增長率(x1)、股東權益增長率(X2)、總資產增長率(X3)和營業利潤增長率(X4)4項指標。

5．反映公司現金流量的指標包括：現金流入流出比(X7)、經營現金凈流量流動負債比(X8)、經營活動現金凈流量與負債比(X9)、經營現金凈流量總資產比(X10)和經營現金凈流量銷售收入比(X11)5項指標。

6．反映公司籌資政策的指標包括：資產流動負債率(X18)和負債流動資產率(X19)2項指標。

(二)模型指標的確定

用于建立模型的指標是從上述25個基礎指標中篩選出具有代表性的指標。本文對76家樣本的數據資料，使用SPSS12.0統計分析軟件中的樣本顯著性檢驗功能即T檢驗功能，對模型樣本財務困境前1—3年各財務指標進行T檢驗，結果如表1所示。

在表1中，我們得到各指標顯著性檢驗的結果，顯著性檢驗概率欄中，帶有“*”標識的指標可認為通過了檢驗。

T檢驗顯著的變量表明，該變量對公司財務狀況的反應能力較強，在反映公司財務狀況的眾多指標中具有一定的代表性，利用其對公司的財務狀況進行預測能力較強；反之，則不具有代表性，對公司財務狀況的預測能力較弱。從表中結果可以發現：在公司被宣布為ST之前第一年中通過檢驗的指標有15個，在宣布ST之前第二年通過檢驗的指標就僅有5個，而到了前三年T檢驗中已經沒有通過檢驗的指標，所以利用這樣的數據對所建立的模型進行檢驗已經沒有實際意義。因此，我們在以后的模型運用中只對ST前兩年的指標進行檢驗，將第三年的指標剔除。

三、財務預警模型的建立與應用

(一)單變量判別法應用

我們可以運用單變量判別法中的比率判別法進行分析。利用比率判別法進行分析時首先應該選取判別變量，本文在選擇判別變量時，主要考慮反映公司的盈利能力、償債能力和成長能力等方面的財務指標，根據T檢驗的檢驗結果和以往研究的經驗，本文選擇的財務指標主要有：

指標1：流動比率=流動資產／流動負債

指標2：累計盈余=留存收益／年末總資產

指標3：總資產收益率(ROA)：凈利潤／平均總資產

指標4：凈資產收益率(ROE)=凈利潤／年末凈資產

對所選擇的指標利用二分法進行判別分析。在二分法測試中，首先，將38家非ST公司與38家ST公司進行隨機分類，產生一個估計樣本(38家公司)與一個檢驗樣本(38家公司)。然后，利用估計樣本選取使錯誤分類率最低的分割點。最后，用獲得的分割點對檢驗樣本進行檢驗，從而得出誤判比率。

從76家公司中隨機抽取38家作為估計樣本，以它們被宣布ST之前第一年的凈資產收益率為例，選取分割點。

第一步，排序

將預測樣本按凈資產收益率進行排序，本文按升序排序，結果如表2所示。

再運用相同的方法，對宣布ST前兩年的流動比率、累積盈余、總資產報酬率和凈資產收益率4個指標進行判別分析，檢驗不同的單變量比率的預測誤判率，結果表明，離宣布ST的日期越近，其誤判率越低。其中，總資產報酬率在宣布ST之前第一年的誤判率最低，流動比率、累計盈余和凈資產收益率在宣布ST之前第一年的誤判率相同，并且流動比率在宣布ST之前第一年對第一類錯誤的誤判率最高，累計盈余在宣布ST之前第一年對第二類錯誤的誤判率最高。對投資者而言，一類錯誤的成本要高于二類錯誤的成本，因此可以說在對以上所選公司進行判別時，流動比率第一年的判別率最不顯著；在宣布ST之前第二年時，除凈資產收益率指標以外，其他指標的誤判率都大幅度地增加，其中流動比率和累計盈余的誤判率顯著提高，流動比率在宣布ST之前第二年對非ST公司已不具有判別作用，因其誤判率已達到73.68％。從判別結果發現，利用單變量進行預測時，在宣布ST之前第一年的判別能力較強，離宣布ST的年份越遠，指標的判別力越低，有些指標甚至失去了判別能力。

單變量分析方法雖然可以方便且有效地進行預警，但一個公司的財務狀況是由多方面指標所反映的，沒有哪一個比率能夠概括全貌，所以單變量分析方法的判別能力還具有一定的局限性。同時，單變量指標的判別能力還會受指標代表性的影響，一般來說，不同行業、不同規模和不同地區的公司，其指標的選擇應有所不同，不能一概而論，要具體情況具體分析。

(二)多變量財務預警模型應用

本文將利用所選取的76家樣本建立模型，并檢驗出模型對以前年度數據的判別效果，同時利用模型以外的樣本進行檢驗。

1．模型應用的技術處理

本文在多變量判別部分，利用前面所選的76家公司作為樣本。對于最終用于建立模型指標的選取，本文利用線性概率模型(LMP模型)中的逐步回歸方法來選取，利用宣布ST之前第一年的樣本數據進行回歸分析，從25個變量中選擇模型構建指標。選取的標準是：顯著性水平的概率值小于0.10時進入，大于0.10時剔除。本文最終選取了X5(流動比率)、X17(累計盈余)、X23(凈資產收益率)和X25(總資產報酬率)4個指標作為建立模型的變量。這4個指標分別反映了公司償債能力、成長能力和盈利能力，指標的選擇具有一定的代表性，本文在利用其它模型進行驗證時，均運用了這4個變量來建立模型。

2．模型的建立與應用

(1)線性概率模型(EPM模型)

線性概率方程理論上取0.5為最佳判定點。根據估計的模型對原始數據進行回代判定，預測值大于0.5的判定為財務困境公司；否則為非財務困境公司。本文以樣本公司宣布ST之前第一年的數據為基礎，利用前面選取的4個系統指標作為自變量，以其線性組合的數值Y為因變量建立模型，模型中變量Y、X5、X17、X23、X25分別為判別值、流動比率、累計盈余、凈資產收益率、總資產報酬率。

對樣本公司發生財務困境之前第一年的數據進行統計分析，得出的結果如表5所示。

建立判別模型為：

Y=0.603-0.135X5+0.388X17-0.056X23-1.851X25

將ST公司和非ST公司前一年和前兩年的財務數據代入模型中進行預測，結果表明，在回判過程中發現對宣布ST之前第一年的判別準確率為86.84％，誤判率為13.16％；對宣布ST之前第二年的判別準確率為65.79％，誤判率為34.21％。模型對于宣布ST之前第一年的判定準確率較高，宣布ST之前第一年與宣布ST之前第二年模型判別準確率相差較大，尤其是宣布ST之前第二年判別發生一類錯誤的比率很高，由此導致模型的整體判別準確率大大降低。

(2)二類線性判別模型(Fisher模型)

本文以樣本公司宣布ST之前第一年的數據為基礎，采用Fisher二類線性判別分析方法建立相應的判別模型，然后再利用模型進行回判，模型中自變量和因變量與前一模型相同。

對樣本公司發生財務困境之前第一年的數據進行統計分析，得出的結果如表6所示。

Fisher線性判別方程

建立判別模型分別為：

對于非財務困境型公司，判別函數為：

Y0=-2.248+1.679X5+1.233X17-0.32X23-9.554X25

對于財務困境型公司，判別函數為：

Y1=-2.934+2.576X5-1.352X17+0.052X23+2.766X25

得到模型后將ST公司和非ST公司前一年和前兩年財務數據代人模型進行預測，預測標準為：預測的公司數據代入上述2個模型中，得到2個數值，從中選出較大的1個，這個較大數值所對應的模型類型即反映出該公司的財務狀況所屬類別。利用Fisher模型對所選樣本預測，結果表明，模型對公司發生ST之前第一年的判別準確率為86.84％，誤判率為13.16％；對公司宣布ST之前第二年的判別準確率為67.11％，誤判率為32.89％。從判別結果可以發現，離公司發生ST的時間越近，模型判別的準確率越高，宣布ST之前第一年判別準確率與宣布ST之前第二年判別準確率相差較大，在宣布ST之前第二年一類錯誤的發生的比率與LPM模型大致相同，兩種多元線性模型對宣布ST之前第二年樣本的判別中出現一類錯誤的比率均比較高，這與一般結論相一致，一般情況下多元線性判別方法往往對第一年的預測效果較好，以后各年的預測效果會明顯下滑。同時我們發現，該判定模型在財務困境發生之前第一年的誤判率為86.84％，與LPM模型的誤判率相同，這表明2個多元線性模型具有相似的判別力。

(3)多元邏輯回歸模型(LogiSTic模型)

運用SPSS統計分析軟件中的邏輯回歸方法，對發生財務困境之前第一年的數據進行分析，可得到的結果如表7所示，該模型中因變量為P，自變量與前面模型相同。

第一步進入的變量：X5，X17，X23，X25。(下接右圖)

建立邏輯回歸法模型為：

此模型以0.5為判別分界點，P值范圍為[0，1]，當P值大于0.5時，判別為財務困境型公司，數值越大，該公司未來發生財務困境的可能性就越大；當P值小于0.5時，判別為非財務困境型公司，數值越小，該公司的未來的財務狀況越好，越安全。若P值恰好等于0.5，則說明該公司的財務狀況不夠明朗，處于灰色地帶。

將ST公司和非ST公司前一年和前兩的財務數據代入模型進行預測，結果表明，邏輯回歸法模型對公司宣布ST之前第一年的判別準確率高達90.8％，誤判率為9.2％。對公司宣布ST之前第二年的判別準確率為77.63％，誤判率為22.47％。該判別結果同樣說明，離公司發生財務困境的時間越短，模型判別的準確率越高，這與財務困境發生的實際情況相一致。從判別結果中可以發現，邏輯回歸法模型判斷的準確率相對較高，尤其是對公司宣布ST之前第二年的判別力比較好，這種判別方法與線性判別模型相比對樣本限制條件較少，因此是一種比較好的財務困境預測方法。

(4)三種多元判別方法比較

將這三種多元判別方法判別的結果進行匯總如表8所示。

從判別結果中可以得出以下主要結論：

第一，我國上市公司的財務數據是有效的，具有一定的預測能力。利用上市公司以前年度的數據能夠用來預測其以后年度的財務狀況。從匯總結果可以看出，在樣本公司財務困境發生前的第一年，邏輯回歸模型的判別力高達到90.8％，多元線性判別法模型和二類線性判別模型的準確性也能達到86.84％，而在樣本公司財務困境發生之前的第二年邏輯回歸模型的判別力能達到77.63％，多元線性判別法模型和二類線性判別模型的準確性分別僅能達到65.79％和67.11％，這說明預測數據與建立模型的數據年度越臨近，模型的預測能力越強，而離ST越遠，模型預測力越差。

第二，上市公司陷入財務困境是一個階段性的概念，有一個演化的過程，因此財務困境是可以利用一些方法進行預測的，通過建立財務預警模型對上市公司進行財務預警研究不失為一種行之有效的研究方法。

第三，借助本文所選擇的樣本，在利用模型進行預測中發現，流動比率、累計盈余、總資產報酬率和凈資產收益率這4個財務指標判別作用顯著，這些指標可以從公司的流動能力、獲利能力兩方面綜合對上司公司的財務狀況進行判別。

第四，在財務預警中單變量分析方法和多變量分析方法對于上市公司的財務狀況均能起到預警的功效。對宣布ST之前第一年的預測中，多變量判別模型優于單變量判別模型；對于單變量分析中，總資產報酬率判別效果最優；對于多變量分析方法建立的三種判別模型中，邏輯回歸模型的判定準確性最高，在發生財務困境的前一年，邏輯回歸模型的判別力高達90.8％。

責任編輯 韓淑麗