關于上市公司財務風險預警系統的實證研究

[摘 要] 文章以2000年～2007年深滬兩市64家上市公司作為研究對象，在基礎財務指標的基礎上采用相關分析法和邏輯回歸法篩選指標，并采用主成分分析法進一步提煉財務指標。最后運用神經網絡模型，建立起上市公司財務危機前1年的預警系統，且進行了預測。

[關鍵詞] 財務危機 相關分析 邏輯回歸 主成分分析 神經網絡模型

在過去的幾十年里，我國的證券市場一路經歷考驗和改革，取得了突飛猛進的發展。迄今，滬深兩市共有近1500家上市公司。然而，由于管理和操作的原因，許多公司都遭遇了財務困境，甚至因為財務風險而變成ST或PT公司，嚴重影響了公司的信譽和流通市值，同時也給投資者帶來巨大的恐慌和經濟損失。因此，這就需要在公司陷入財務危機前，找到一套切實可行的預警方法，為市場主體各方敲響警鐘，以促進上市公司及早采取應對措施，改善公司的財務狀況。

一、財務預警系統的指標體系

1.財務風險的定義

風險(Risk)是人們因對未來行為的預測及客觀條件的不確定性而可能引起的后果與預定目標發生多種負偏離的結合。企業總是在不同的風險環境下生存和發展的，經營企業離不開風險。

2.財務管理指標簡述

現在財務管理理論認為，衡量一個企業的財務狀況，取決于盈利能力、資產管理能力、企業償債能力和成長能力。因此，企業的財務指標可分成以下幾類: 償債能力指標、資產運營能力指標、收益能力指標、成長能力指標。在每一類指標中包括若干個財務比率指標，用這些指標來反映企業的財務狀況和經營成果。

(1)盈利能力指標

獲得利潤是企業生產經營的目的，也是企業生存發展的前提。反映企業盈利能力的主要指標有:每股收益(EPS)(全面攤薄)；銷售凈利率；銷售毛利率；資產凈利率(ROA)；主營業務利潤率；凈資產收益率(ROE)(全面攤薄)。

(2)成長能力指標

成長能力指標是對企業的各項財務指標與往年相比的縱向分析。反映企業成長能力的指標主要有: 每股收益(EPS)同比增長率(全面攤薄)；主營業務收入同比增長率；主營業務利潤同比增長率；總資產同比增長率；每股凈資產(NAVPS)同比增長率；每股現金流量增長率。

(3)營運能力指標

企業的營運能力即企業的資產運用效率，是指企業的營業收入凈額對各項營運資產的比率關系。一般而言，反映企業資產管理能力指標主要有:營業周期；存貨周轉率；應收賬款周轉率；流動資產周轉率；固定資產周轉率；凈資產周轉率；總資產周轉率。

(4)償債能力指標

企業償債能力是指企業支付債務的能力，它表明企業對債務的承擔能力和償還債務的保障能力。企反映企業償債能力指標主要有:流動比率；速動比率；保守速動比率；資產負債率；產權比率；有形凈值債務率；已獲利息倍數。

二、企業財務預警系統的構建

在上述基礎指標體系中的26個指標，并不是所有指標都能反映出漸入財務危機的企業與健康型企業的差異；并且，各指標對財務危機的預示程度也各不相同。一般可使用專家選擇法定性確定對財務危機敏感的指標，本文從實證分析出發建立數學模型，應用定量方法對上述指標進行篩選、提煉并綜合考慮進行預測。

1.數據來源

本文從滬深兩市所有上市公司中隨機選取64家公司作為樣本數據，其中有于2000年～2007年八年中被特別處理的34家ST公司作為財務困境公司的研究樣本，其選取標準為:

(1)會計年度的審計結果顯示的凈利潤為負值

(2)交易所證監會認定為財務狀況異常

其余30家公司為財務狀況良好的企業，作為健康型公司的研究樣本。利用WIND咨詢金融終端提取上市公司公布的相關數據，對于ＳＴ公司提取其被特別處理前一年度的數據（如＊ST濟百， 編號為600807，于2003年3月7日宣布進行特別處理，則提取該公司2002年度的26個指標值進行研究）。并將健康型企業賦值為1; ST企業賦值為0。

2.指標的篩選

正如上文所述，每個指標對企業財務困境的敏感程度有強有弱。在建立企業財務預警系統時，我們需要將26個基礎指標精簡，以那些能夠充分預警企業財務危機的指標作為預警系統的主要組成成分，本文利用相關分析方法和建立Logit邏輯回歸模型，根據指標對財務危機的敏感程度進行篩選。

(1)相關分析方法

描述客觀事物相互間關系的密切程度并用適當的統計指標表示出來，這個過程就是相關分析。兩個變量之間的相關程度通過相關系數R來表示。正相關時，R值在0和1之間；負相關時，R值在-1和0之間。

(2)Logit邏輯回歸模型基本思路

Logit邏輯回歸模型是一種非線性概率模型，其最大優點是，不需要嚴格的假設條件，克服了線性方程受統計假設約束的局限性，且具有了較其他模型更廣泛的適用范。

(3)指標篩選結果

利用EVIEWS軟件，對64個樣本數據進行分析，建立各個指標與公司財務狀況的相關關系和Logit邏輯回歸關系，通過分析結果，我們可以清晰的辨別出與陷入財務危機的企業相關性較大的指標。①通過觀察相關系數值，大于0.5的指標即具有中度相關性，大于0.8的指標具有高度相關性；②通過觀察各個指標Logit邏輯回歸模型的P值，可以判斷P值小于0.05的指標即為回歸系數顯著不為零，進而拒絕原假設，認為該指標的變動將對公司屬性（屬于健康型企業或是漸近財務危機的企業）具有不可忽略的影響。依據上述兩條判斷標準，選取以下指標作為預警系統的主要組成成分：每股收益(EPS)(全面攤薄)；銷售凈利率(NP)；資產凈利率(ROA)；主營業務利潤率(MR)；凈資產收益率(ROE)(全面攤薄)；主營業務收入同比增長率(IRG)；主營業務利潤同比增長率(IRP)；總資產同比增長率(IRS)；每股凈資產(NAVPS)同比增長率(INAVPS)；流動資產周轉率(LT)；總資產周轉率(TT)；流動比率(LDBL)；保守速動比率(BSSDBL)；資產負債率(ZCFZL)；已獲利息倍數(YHLXBS)。

3.利用主成分分析提煉指標

(1)主成分分析方法基本思想

主成分分析（Principal Component Analysis）是考察多個定量（數值）變量間相關性的一種多元統計方法。它是研究如何通過少數幾個主分量（即原是變量的線性組合）來解釋多變量的方差－協方差結構。

(2)主成分分析結果

在SPSS軟件中，對上述15個基礎指標進行主成分分析，有以下結論:①主成分F1和F2一起解釋了總方差的51.72％（累計貢獻率），這說明前兩個主成分提供了原始數據相當的信息。②前5個主成分特征根大于1，而其他主成分的特征值小于1，可以認為前五個主成分能概括絕大部分信息。③第一主成分、第二主成分與原始變量關系，可用下列線性組合表示:④依照上式計算64家樣本企業的F1和F2，為方便后續計算，記為：

4.應用神經網絡算法建立綜合預警系統

(1)神經網絡算法

人工神經網絡(Artificial Neural Network，簡稱ANN)是由大量神經元互相聯接而組成的復雜網絡系統，對非線性系統具有很強的模擬能力。此外，神經網絡的“黑箱”特性很適合預測領域的應用需要，它不需要任何經驗公式，就能從已有數據中歸納規則，獲得這些數據的內在規律，因此即使不清楚預測問題的內部機理，只要有大量的輸入、輸出樣本，經神經網絡“黑箱”內部自動調整后，便可建立良好的輸入、輸出映射模型。

(2)應用神經網絡建模

本文應用BP神經網絡方法中的一種feed-forward backprop建立模型，經過多次試驗，有三個模型擬和程度較好(見下表)。

三個模型的擬和程度十分相近，神經網絡的訓練步數均在10步左右即可達到目標。下圖展示了第二個模型的擬和程度和“黑箱”內的訓練步數。

5.模型的檢驗和評價

為了評價模型的優劣，本文隨機選取了10個上市公司的數據，分別為：伊泰B股、魯抗醫藥、亞通股份、青島海爾、中國鋁業、大化B股、平煤天安、ST天目、*ST成商、S*ST滬科，將其相關數據帶入模型進行檢驗。結果，除了ST天目的判斷出現錯誤，其他的模型擬合結果良好，應用該模型判斷的結論十分接近于真實值。

總的來說，采用MATLAB的神經網絡工具箱進行建模，取得了非常好的擬和效果，對企業財務危機的預警精確度高，且建模操作簡便。進一步研究上述神經網絡的三個模型，正確率均為90％，其中Model2效果最好，結果簡潔清楚，可以直接用于判斷預測企業是否面臨著重大的財務危機。而對于ST天目這個樣本數據，三個模型均在此預測出錯，有可能是公司提供的數據有出入。具體原因有待進一步分析。

三、結論

本文從四個方向26個財務指標出發，逐步進行指標的篩選、提煉和綜合考慮，混合使用了相關關系分析、Logit邏輯回歸分析、主成分分析方法，以及神經網絡模型，建立起上市公司發生財務危機前一年的預警系統，并應用其進行預測。模型的檢驗說明其擬和度達到90％。該系統為預警上市公司的財務危機提供了一個有效的方法。

參考文獻：

[1]衛海英 劉 瀟:SPSS在經濟管理中的應用.北京:中國統計出版社，2003

[2]龐 皓:計量經濟學.北京:科學出版社，2006

[3]盛 驟 謝式千 潘承毅:概率論與數理統計.北京:高等教育出版社，2005

[4]卞毓寧:統計學.北京:科學出版社，2005

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”