基于非財(cái)務(wù)和財(cái)務(wù)信息的財(cái)務(wù)預(yù)警實(shí)證研究

摘要：文章在通過對(duì)包括非財(cái)務(wù)信息和財(cái)務(wù)信息的52個(gè)指標(biāo)變量進(jìn)行統(tǒng)計(jì)分析的基礎(chǔ)上，運(yùn)用logit回歸方法，分別建立基于財(cái)務(wù)指標(biāo)變量和引入非財(cái)務(wù)指標(biāo)變量的兩種模型，實(shí)證結(jié)果表明引入非財(cái)務(wù)指標(biāo)后，預(yù)警模型的判別準(zhǔn)確率有所提高。說明企業(yè)危機(jī)不僅僅可以從其財(cái)務(wù)報(bào)表上發(fā)現(xiàn)征兆，在一些非財(cái)務(wù)信息當(dāng)中同樣有跡可循。

關(guān)鍵詞：財(cái)務(wù)困境；非財(cái)務(wù)信息；logit回歸

隨著我國(guó)市場(chǎng)經(jīng)濟(jì)體系的建立與完善，企業(yè)陷入財(cái)務(wù)困境甚至破產(chǎn)的頻率越來越高，對(duì)企業(yè)財(cái)務(wù)困境預(yù)測(cè)的需求也越來越多。從已有的財(cái)務(wù)預(yù)警研究來看，國(guó)內(nèi)外大多數(shù)研究都是以會(huì)計(jì)信息或財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)建立財(cái)務(wù)困境預(yù)警模型，把非財(cái)務(wù)信息考慮到預(yù)警模型中的研究相對(duì)較少。而公司的財(cái)務(wù)狀況出現(xiàn)危機(jī)，很大程度上和公司治理、股權(quán)結(jié)構(gòu)等非財(cái)務(wù)信息相關(guān)。而且，在以往的財(cái)務(wù)預(yù)警文獻(xiàn)中，絕大部分預(yù)警模型都是通過選擇關(guān)鍵財(cái)務(wù)指標(biāo)建立的，指標(biāo)的選擇缺乏全面性，存在信息遺漏可能。

本文在選擇了全面財(cái)務(wù)指標(biāo)的基礎(chǔ)上，試圖把公司治理、股權(quán)結(jié)構(gòu)、審計(jì)意見等因素引入到財(cái)務(wù)預(yù)警模型研究當(dāng)中，以提高模型的預(yù)測(cè)能力，并在一定程度上幫助投資者、債權(quán)人、監(jiān)管部門、審計(jì)部門判斷上市公司是否處于困境當(dāng)中。

一、 研究樣本的選擇

本文選取2002年~2006年深滬兩市160家非金融保險(xiǎn)類ST公司作為研究樣本，并按照1:1的比例選取了相同會(huì)計(jì)年度、相同或相近資產(chǎn)、行業(yè)的160家非ST公司樣本作為配對(duì)樣本.樣本分為建模樣本和檢驗(yàn)樣本，各包括80家ST公司和80家非ST公司。（樣本所有財(cái)務(wù)數(shù)據(jù)來自天軟數(shù)據(jù)庫，公司治理數(shù)據(jù)是根據(jù)上市公司資訊網(wǎng)www.cnlist.com、金融界www.jrj.com的歷年公司年報(bào)整理所得）

二、 指標(biāo)的確定

為了使預(yù)測(cè)變量的選擇范圍更加廣泛，更加全面。本文選擇了涵蓋償債能力、盈利能力、資本結(jié)構(gòu)、經(jīng)營(yíng)能力、公司治理、審計(jì)意見、股權(quán)結(jié)構(gòu)等方面的52個(gè)指標(biāo)作為備選變量。根據(jù)160家建模樣本ST公司前一年的數(shù)據(jù)，將52個(gè)指標(biāo)分別進(jìn)行配對(duì)樣本顯著性T檢驗(yàn)，總共有33個(gè)指標(biāo)在0.1的顯著性水平通過，其中包括6個(gè)非財(cái)務(wù)指標(biāo)。具體數(shù)據(jù)見表1。

為了保證所建的模型具有合理的指標(biāo)數(shù)量，同時(shí)避免產(chǎn)生多重共線性問題，在建模之前首先將通過顯著性檢驗(yàn)的33個(gè)指標(biāo)進(jìn)行相關(guān)性分析，剔除了導(dǎo)致相關(guān)系數(shù)超過0.7的指標(biāo)：X2、X5、X7、X9、X11、X13、X15、X20，剩下25個(gè)指標(biāo)。

三、 模型的建立和檢驗(yàn)

由于logit方法不要求樣本數(shù)據(jù)滿足正態(tài)分布和等協(xié)方差，而且國(guó)內(nèi)外研究結(jié)果表明通過此方法建立的模型具有較好的預(yù)測(cè)精度，因此，本文將采用logit方法構(gòu)建財(cái)務(wù)預(yù)警模型。

1． 基于財(cái)務(wù)指標(biāo)的模型Ⅰ的建立。首先將ST公司賦值為“1”，將非ST公司賦值為“0”，然后將最后的25個(gè)指標(biāo)中的19個(gè)財(cái)務(wù)指標(biāo)有關(guān)數(shù)據(jù)作為建模的輸入變量，采用向前（wald）逐步回歸法進(jìn)行選擇。所有運(yùn)算都是在SPSS11.5統(tǒng)計(jì)軟件上完成的。指標(biāo)X1（每股收益）、X19（總資產(chǎn)增長(zhǎng)率）、X22（凈利潤(rùn)增長(zhǎng)率）、X23（可供分配利潤(rùn)增長(zhǎng)率）進(jìn)入方程。具體回歸結(jié)果見表2。由表2數(shù)據(jù)可以看到4個(gè)變量都在0.05顯著性水平通過，且其wald值都較大，說明變量解釋能力比較強(qiáng)。CoxSnell R—Square值為0.580，Nagelkerke R—Square值為0.774，模型擬合度尚可以接受。

由回歸結(jié)果得到財(cái)務(wù)預(yù)警模型表示為：

2． 引入非財(cái)務(wù)指標(biāo)的預(yù)警模型Ⅱ的建立。將通過顯著性檢驗(yàn)并剔除導(dǎo)致高度相關(guān)的指標(biāo)X2、X5、X7、X9、X11、X13、X15、X20后剩下的全部25個(gè)指標(biāo)有關(guān)數(shù)據(jù)導(dǎo)入SPSS統(tǒng)計(jì)分析軟件，同樣采用向前（wald）逐步回歸法進(jìn)行選擇。在非財(cái)務(wù)指標(biāo)進(jìn)入統(tǒng)計(jì)分析的影響下，進(jìn)入模型的財(cái)務(wù)指標(biāo)有所變化，分別是X4（銷售凈利率）、X8（三項(xiàng)費(fèi)用比例）、X22（凈利潤(rùn)增長(zhǎng)率）、X23（可供分配利潤(rùn)增長(zhǎng)率）、X27（托賓Q值），非財(cái)務(wù)指標(biāo)有X28（審計(jì)意見）、X33（董事會(huì)會(huì)議次數(shù)）進(jìn)入方程。具體回歸結(jié)果見表3。由表3可知進(jìn)入方程的指標(biāo)變量解釋能力都比較強(qiáng)，且模型擬合度比模型Ⅰ高。

根據(jù)表3的數(shù)據(jù)，可以得到模型Ⅱ：

3． 模型的比較。logit回歸方法的先驗(yàn)概率為0.5，當(dāng)以相關(guān)指標(biāo)數(shù)據(jù)代入回歸方程得到的概率值大于0.5，則判為組合1（財(cái)務(wù)困境公司）；當(dāng)回歸方程得到的概率值小于0.5，則判為組合0（非財(cái)務(wù)困境公司）。表4顯示了兩種模型對(duì)財(cái)務(wù)困境公司被ST年度前一年的建模樣本預(yù)測(cè)和檢驗(yàn)樣本預(yù)測(cè)的結(jié)果。

根據(jù)表4的數(shù)據(jù)，在模型Ⅰ中，建模樣本對(duì)財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為87.50%，誤判率為12.50%；對(duì)非財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為93.75%，誤判率為6.25%，總體正確率為90.63%。在檢驗(yàn)樣本中，對(duì)財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為87.50%，誤判率為12.50%；對(duì)非財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為97.50%，誤判率為2.50%，總體正確率為92.50%。綜合全部樣本判定結(jié)果，模型的綜合正確率為91.56%。

模型Ⅱ中，建模樣本對(duì)財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為95.00%，誤判率為5.00%；對(duì)非財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為97.50%，誤判率為2.50%，總體正確率為96.25%。在檢驗(yàn)樣本中，對(duì)財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為92.50%，誤判率為7.50%；對(duì)非財(cái)務(wù)困境公司的預(yù)測(cè)準(zhǔn)確率為96.25%，誤判率為3.75%，總體正確率為94.38%。綜合全部樣本判定結(jié)果，模型的綜合正確率為95.30%。其判定準(zhǔn)確度比模型Ⅰ略高。

而且，在考慮誤判成本的情況下，第一類錯(cuò)誤（將財(cái)務(wù)困境樣本判為非財(cái)務(wù)困境樣本）成本遠(yuǎn)遠(yuǎn)大于第二類錯(cuò)誤（將非財(cái)務(wù)困境樣本判為財(cái)務(wù)困境樣本）成本，因此，預(yù)警模型判別能力好的標(biāo)準(zhǔn)是第一類錯(cuò)誤小，總體識(shí)別率高。模型Ⅰ的總體一類錯(cuò)誤率為12.50%，模型Ⅱ的總體一類錯(cuò)誤為6.25%。所以模型Ⅱ相比模型Ⅰ有更為明顯的優(yōu)勢(shì)。

四、 結(jié)束語

實(shí)證結(jié)果表明，非財(cái)務(wù)指標(biāo)的引入能有效提高財(cái)務(wù)預(yù)警模型的精確度。在以往的大多數(shù)研究中，建立財(cái)務(wù)預(yù)警模型所采用的財(cái)務(wù)指標(biāo)多取自財(cái)務(wù)報(bào)表數(shù)據(jù)，而處于困境的公司面對(duì)內(nèi)外的壓力，很有可能利用各種手段粉飾財(cái)務(wù)報(bào)表，公布虛假的財(cái)務(wù)數(shù)據(jù)。雖然本文中基于財(cái)務(wù)指標(biāo)建立的預(yù)警精確度比較高，可以在一定程度上說明公司報(bào)表的有效性，但不能完全排除困境公司弄虛作假的可能。困境公司若披露虛假的財(cái)務(wù)信息，僅依靠財(cái)務(wù)指標(biāo)所建立的預(yù)警模型效果就會(huì)大打折扣。而公司類似治理結(jié)構(gòu)、股權(quán)結(jié)構(gòu)等非財(cái)務(wù)信息做假的可能性比較小，其信息可信度很高。因此，筆者認(rèn)為，在上市公司ST問題的研究中應(yīng)綜合考慮財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)，將非財(cái)務(wù)信息與財(cái)務(wù)信息有效結(jié)合建立預(yù)警模型必將更好的預(yù)警上市公司的財(cái)務(wù)困境問題。在本文的研究中，獨(dú)立董事比例、監(jiān)事會(huì)相關(guān)指標(biāo)都沒有通過顯著性檢驗(yàn)，說明我國(guó)獨(dú)立董事、監(jiān)事會(huì)的監(jiān)督作用不夠明顯，獨(dú)立董事和監(jiān)事會(huì)制度還有待完善。考慮到非財(cái)務(wù)信息資料獲取的難度，本文沒有將預(yù)警模型擴(kuò)展到公司發(fā)生危機(jī)的前幾年，所采用的非財(cái)務(wù)指標(biāo)變量也比較有限。進(jìn)一步的研究中應(yīng)該嘗試?yán)酶娴姆秦?cái)務(wù)指標(biāo)，并將預(yù)測(cè)能力擴(kuò)展到危機(jī)發(fā)生的前幾年，以盡早的提醒上市公司利益相關(guān)者。

參考文獻(xiàn)：

1．Altman E I．Financial ratios，discriminant analysis and the prediction of corporate bankruptcy．Journal of Finance，1968，（23）：189-209．

2．張玲，陳收，張昕．基于多元判別分析和神經(jīng)網(wǎng)絡(luò)技術(shù)的公司財(cái)務(wù)困境預(yù)警．系統(tǒng)工程，2005，23（11）：49-56．

3．陳曉，陳治鴻．企業(yè)財(cái)務(wù)困境研究的理論、方法及應(yīng)用．投資研究，2000，（2）：125-126．

4．張玲．財(cái)務(wù)危機(jī)預(yù)警分析判別模型及其應(yīng)用．預(yù)測(cè)，2000，19（6）：38-40．

作者簡(jiǎn)介：張玲，湖南大學(xué)工商管理學(xué)院院長(zhǎng)助理、教授、博士生導(dǎo)師；廖永強(qiáng)，湖南大學(xué)工商管理學(xué)院企業(yè)管理碩士生；劉玲，湖南大學(xué)工商管理學(xué)院企業(yè)管理碩士生。

收稿日期：2008-03-26。

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