企業(yè)財務預警模型的比較研究

摘 要：采用實證和規(guī)范相結(jié)合的研究方法，以我國制造業(yè)A股上市公司因“財務狀況異常”而被特別處理的公司作為研究對象，選擇2003-2005年65家財務危機公司，同時采用配對的方法逐年選擇65家財務健康公司；初步選定53個變量指標并通過柯爾莫哥洛夫-米諾夫檢驗、曼-惠特尼-威爾科克森檢驗逐步判別分析進行篩選，建立和檢驗了Fisher二類判別模型、Logistic回歸模型和BP網(wǎng)絡模型，并對其進行了比較研究。

關鍵詞：財務預警模型；Fisher二類判別模型；Logistic回歸模型；BP網(wǎng)絡模型；比較研究

中圖分類號：F275 文獻標識碼：A 文章編號：1672-3198（2007）09-0163-02

1 研究樣本的設計

財務預警模型的研究樣本設計過程，主要包括如何確定陷入財務危機公司的樣本組，如何確定作為配對標準的控制因素以及如何進行兩組間樣本個體數(shù)量分配的問題等。

（1）樣本組的選擇。

在選擇樣本組時，需要考慮以下幾個因素的影響：

①考慮樣本個體所處的行業(yè)。縱觀陷入財務危機的公司所處行業(yè)，發(fā)現(xiàn)制造業(yè)公司占大多數(shù)。為了消除行業(yè)因素的影響，在具體的環(huán)境下對財務預警模型進行比較研究，把研究對象局限于制造業(yè)。

②確定陷入財務危機公司的一定研究期間。均衡地考慮樣本規(guī)模的大小和時間跨度的影響，選取了2003-2005年因“財務狀況異常”被ST的65家公司及65家財務健康公司作為配對樣本。同時，采用了Altman的研究方法，控制進入樣本的個體，使其在三年的分布大致平均。其中，2003年24家財務危機公司和24家財務健康公司，2004年18家財務危機公司和18家財務健康公司，2005年23家財務危機公司和23家財務健康公司。

③考慮公司規(guī)模。樣本公司的規(guī)模雖然都在億元以上，但是沒有資產(chǎn)超過百億元的超大型公司，規(guī)模配合比較適中。

④對樣本數(shù)據(jù)完整性的要求。Zmijewski（1984）檢驗了由于選樣時所持的數(shù)據(jù)完整性標準所帶來的模型偏差。他認為前人的研究都將數(shù)據(jù)完整性作為選樣的標準，實際破壞了建立預測模型過程中所采用統(tǒng)計技術的應用前提——隨機選樣的要求，而且一般陷入財務危機的公司更可能提供不完整的數(shù)據(jù)。建立在完整數(shù)據(jù)基礎上的模型忽視這一信息，無疑會使模型低估了公司破產(chǎn)的概率。他的研究表明這種偏差的確存在，但經(jīng)他修正以后的模型卻未在參數(shù)的統(tǒng)計顯著性和總體預測精度上有顯著提高。因此，本文并沒有按照隨機選樣的要求來選擇樣本，還是根據(jù)前人人為的可獲取資料的完整性來作為樣本選擇的標準之一。

2003-2005年，在滬深A股上市公司制造業(yè)中，共有69家公司被ST，其中2003年27家，2004年19家，2005年23家（如果樣本同時在兩年內(nèi)以ST的身份出現(xiàn)，歸為第一年樣本）。另外，剔除了4家數(shù)據(jù)不完整的公司，分別為ST金馬、ST珠峰、ST金泰、ST盛工。

（2）配對組的選擇。

①配對標準的控制因素。在制造業(yè)中，按照會計年度、資產(chǎn)規(guī)模（ST前1-5年期末資產(chǎn)總額最接近）配對的標準來選擇一定的配對樣本。

②兩組間樣本個體的數(shù)量分配。考慮到選樣并沒有顯著的影響模型總體的預測精度，選擇樣本的時候仍然是按照兩組間樣本數(shù)量一一對應的標準來選取的。

根據(jù)上述選樣標準，2003-2005年共有65家財務危機公司，ST前1-5年分別有65家財務健康公司與之配對。隨機抽取45家財務危機公司（2003-2005每年各15個公司）和45家財務健康公司，作為建模樣本，剩下的20家財務危機公司和20家財務健康公司作為預測樣本。由于本文通過五次配對抽樣得到五組財務健康公司樣本，因而各組的財務健康公司不盡相同。

2 變量指標的選擇

企業(yè)財務預警模型的理論基礎相對比較薄弱，缺乏能夠準確預測模型所應包括的變量指標的經(jīng)濟理論支持，所以目前該領域內(nèi)的實證研究還處于初期探索的艱苦階段。根據(jù)以往的研究，財務預警模型根據(jù)所用的變量指標類型不同可分為財務指標類模型、現(xiàn)金流量類模型和市場收益類模型。

在借鑒國內(nèi)外已有文獻，同時考慮數(shù)據(jù)的可獲得性的前提下，初步確定了53個變量指標，分別反映了企業(yè)流動性及償債能力、盈利能力、營運能力、發(fā)展能力和現(xiàn)金流量等方面。部分變量指標直接來自中國股票市場交易數(shù)據(jù)庫，部分是數(shù)據(jù)庫中的三張財務報表計算得出的。

3 模型的建立與檢驗

（1）Fisher二類判別模型的建立與檢驗。

①異常值的處理。本文采用標準化數(shù)值（Z分數(shù)）來檢測異常值，剔除了Z分數(shù)小于-3或大于+3的值。

②柯爾莫哥洛夫-米諾夫（K-S）檢驗。通過單樣本的K-S檢驗來驗證變量指標是否符合正態(tài)分布，檢驗結(jié)果表明：部分指標符合正態(tài)分布，部分指標不符合正態(tài)分布。

③曼-惠特尼-威爾科克森（MWW）檢驗。根據(jù)樣本數(shù)據(jù)的特征，采用MWW非參數(shù)檢驗法來分析財務危機公司和財務健康公司的53個變量指標總體分布是否相同。檢驗結(jié)果表明：

④方差-協(xié)方差相等的檢驗（BoxM檢驗）。在0.000的顯著性水平上拒絕了總體協(xié)方差陣相等的零假設。因此，采用合并的方差-協(xié)方差陣進行判別分析。

⑤逐步判別分析（多重共線性）。采用容許度（TOL）統(tǒng)計量檢驗多重共線性，TOL統(tǒng)計量值都大于0.1，說明進入模型的六個變量不具有多重共線性。

⑥Fisher二類判別模型的建立。

⑦Fisher二類判別模型的擬合優(yōu)度檢驗。

使用Fisher二類線性判別模型，以原始數(shù)據(jù)分別進行回代，組合的平均Z值分別是2.468和-2.139。確定的先驗概率為0.5，所以確定最佳判定點為兩者的平均值0.1645。

當以原始數(shù)據(jù)代入判別模型所得的判別分Z值大于最佳判定點0.1645，則判定為組合0，即財務健康公司；否則判定為組合1，即財務危機公司。Wilkλ值為0.1540，較小；顯著性水平為0.0000，拒絕兩組判別函數(shù)均值相等的零假設；說明此Fisher二類判別函數(shù)模型擬合較好。

⑧Fisher二類判別模型的預測結(jié)果。

在ST前1年，采用Fisher二類判別模型，選擇進行建模的樣本組，預測準確率為92.7%；留作預測的樣本組，預測準確率為91.9%；選擇進行交互式檢驗的樣本組，預測準確率為91.5%。

同理，對ST前2-5年分別建立了Fisher二類判別模型，并進行了檢驗。最后得出，ST前1-5年，F(xiàn)isher二類判別模型的預測準確率分別為91.9%，87.5%，72.5%，72.5%，63.4%；離ST時間越近，預測準確率越高；具有提前4年的預測能力。

（2）Logistic回歸模型的建立與檢驗。

①Logistic回歸模型的建立。

Fisher二類判別模型中篩選的變量指標已進行了多重共線性檢驗，不存在多重共線性；因變量被分為兩組分別為組1和組0；樣本數(shù)量遠遠大于參數(shù)個數(shù)，符合Logistic回歸模型的適用條件。采用Fisher二類判別模型中篩選的變量指標，分別建立ST前1-5年的Logistic回歸模型。

②Logistic回歸模型的擬合優(yōu)度檢驗。在SPSS的Logistic回歸程序中，輸出的-2LL值為23.672，較小，說明所建模型擬合較好。Hosmer and Lemeshow Test統(tǒng)計量大于0.05，接受觀測數(shù)據(jù)和預測數(shù)據(jù)之間沒有顯著差異的零假設，即認為模型對數(shù)據(jù)的擬合度較好。

③Logistic回歸模型的預測準確性檢驗。Cox Snell R2，Nagel ker ke R 解釋的是回歸變異，值分別為0.666和0.888，說明自變量對因變量具有很強的解釋能力。

④Logistic回歸模型的Χ2檢驗。本文僅考慮到兩種模型：僅包含常數(shù)項的模型和包含常數(shù)項與6個變量的模型，所以三種模型的卡方值全部相同。整體顯著性水平檢驗的P值為0.000，說明模型中所包含的自變量對因變量有顯著的解釋能力，所擬合的方程具有統(tǒng)計學意義。

⑤Logistic回歸模型的預測結(jié)果。在ST前1年采用Logistic回歸模型，建模樣本達到93.9%的預測準確率，預測樣本達到91.9%的預測準確率。

同理，對ST前2-5年建立Logistic回歸模型并進行檢驗，得出預測準確率分別為94.6%，70%，71.8%，69.2%。這說明此模型具有提前五年的預警能力。但是，出現(xiàn)ST前2年的預警能力比ST前1年高、ST前4年的預警能力比ST前3年高的異常現(xiàn)象，說明Logistic回歸模型的預測不穩(wěn)定，可能是由于建模樣本與預測樣本選擇的隨機性所致。

（3）BP網(wǎng)絡模型的建立與檢驗。

本文建立了一個輸入層、兩個隱層和一個輸出層的BP網(wǎng)絡模型。其中，輸入層有6個結(jié)點，第一個隱層有3個結(jié)點，第二個隱層有2個結(jié)點，輸出層有1個結(jié)點。指定學習參數(shù)r=0.1，對ST前1年的90個建模樣本進行訓練，經(jīng)過1483次訓練結(jié)束，得到各結(jié)點之間的權(quán)數(shù)。

ST前1年，訓練樣本達到96.67%的預測準確率，學習樣本達到95%的預測準確率。ST前2年，有3個指標進入模型；ST前3-5年，只有兩個指標進入模型。這樣，輸入層結(jié)點過少，導致隱藏層沒有存在的必要，從而使得神經(jīng)網(wǎng)絡模型線性化。在原來進入模型的變量指標基礎之上，又進行了定性分析，分別加入了幾個指標，使得每年的輸入層都保持與ST前1年相同的6個結(jié)點。ST前2年，訓練樣本達到93.33%的預測準確率，學習樣本達到85%的預測準確率。對于ST前3-5年數(shù)據(jù)，不管學習參數(shù)如何設定，訓練樣本都很難收斂，說明再用神經(jīng)網(wǎng)絡建立財務預警模型意義不大。

4 預測結(jié)果的比較

ST前1年，F(xiàn)isher二類判別模型、Logistic回歸模型和BP網(wǎng)絡模型的預測準確率分別為91.9%，91.9%，95%，說明BP網(wǎng)絡模型具有最強的預測能力。ST前2年，三種模型的預測準確率分別為87.5%，94.6%，85%，說明Logistic回歸模型具有最強的預測能力。ST前3年、前4年，F(xiàn)isher二類判別模型比Logistic回歸模型具有更好的預測能力。ST前5年，F(xiàn)isher二類判別模型和Logistic回歸模型的預測準確率都低于70%，預測能力有限。

參考文獻

［1］Fitzpatrick. A Comparison of Ratios of Successful Industrial Enterprises with those of Failed Firms. Certified Public Accountant， 1932，（4）:598-662.

［2］Beaver W. Financial Ratios as Predictors of Failure［J］. Journal of Accounting Research， 1966：71-111.

［3］Altman E. Financial Ratios， Discriminant Analysic and the Prediction of Corporate Bankruptcy［J］.The Journal of Finance， 1968，（9）:589-609.

［4］陳曉，陳治鴻. 中國上市公司的財務困境預測［J］. 中國會計與財務研究，2000，（3）：55-75.

［5］馬喜德. 上市公司財務困境預測模型比較研究［J］. 經(jīng)濟師，2005，（3）：180-181.

注：“本文中所涉及到的圖表、注解、公式等內(nèi)容請以PDF格式閱讀原文。”