上市公司財務危機預警實證研究

摘 要：從20世紀60年代起，國內外的學者對上市公司財務危機預警問題就進行了大量研究，從方法上看，主要有線性判別分析、多元線性回歸分析和Logistic三種。大量的實踐證明，運用Logistic模型判定上市公司財務危機預警的準確性相對較高。

關鍵詞：財務危機，預警模型，主成分分析，Logistic回歸

中圖分類號：F276.6 文獻標識碼： Ａ 文章編號：１００３－３８９０（２００8）07－００24-03

一、文獻綜述

（一）國外財務危機預警模型的研究現狀

在20世紀60年代前影響最為廣泛的美國財務分析專家Beaver（1966年）提出了單變量判定模型。在財務危機預測研究中，美國紐約大學教授Altman做出了突出貢獻。Altman在1968年首次使用了多元判定分析（MDA）預測財務危機，后來的研究者通常稱之為Z模型。Meyer和Yifer1970年使用了最小二乘法對財務危機進行預測。1977年，Altman，Haldeman和Narayanan在Z模型的基礎上又提出了一個更能準確預測企業財務失敗的新模型——著名的ZETA模型。Martin（1977）在財務危機預測研究中首次采用Logistic模型。1988年，Aziz，Emanuel和Lawson在財務危機的預警模型研究中，發展了基于現金流量預警破產的模型。1998年，Mossman.Bell，Swartz和Turtle在總結以前研究的基礎上，比較了財務指標模型、現金流量模型、市場收益率信息類模型，發現不存在令人完全滿意的區分破產和非破產的預測模型。除了線形判別模型和條件概率模型外，一些學者還用人工神經網絡系統模型和引用了期權定價理論對財務危機進行預測。

（二）國內財務危機預警模型的研究現狀

1986年，吳世農、黃世忠曾撰文介紹企業破產的財務分析指標及其預警模型。1996年，周首華、楊濟華和王平應用多微區分分析方法建立了F分數模型。1999年，陳靜對西方預警模型在中國是否適用進行了實證分析。張愛民、祝春山、許丹健（2001）借鑒Altman的多元Z值判別模型，建立了一種新的預測財務危機的模型——主成分預測模型。楊保安（2001）等針對判別分析方法在構建財務危機判別模型中存在的問題引入神經網絡分析方法并應用于企業財務危機判定與預測。吳世農、盧賢義（2001）應用Fisher線性判別分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預測財務危機的模型。張延波、彭淑雄（2002）指出，在建立風險監測與危機預警指標體系中，可考慮加入現金流量指標。劉洪、何光軍（2004）建立了Logistic回歸模型、Fisher判別模型和BP神經網絡模型，實證結果表明：BP神經網絡方法的預測精度遠高于其他兩種方法。李秉祥、啟文秀（2004）以現代理論和期權理論為依據，建立了公司財務危機的動態預測模型。譚久均（2005）建立了財務指標與違約距離相融合的上市公司財務預警模型。

二、實證研究

（一）研究樣本的選擇和變量的定義

本文主要針對文獻綜述中存在的問題，進行財務危機預警研究技術上的改進，探索性地在自變量中加入基于現金流量表的財務比率進行動態財務危機預警模型的構建。筆者選擇2006年滬深兩市首次被ST或*ST的36家上市公司作為研究樣本。按照行業相同、資產規模相似等原則進行配對，找到對應的非ST公司作為參照樣本，以確保兩組樣本之間的相互可比性。在盡量擴大財務比率數目的同時，取前4年內的財務比率進行分析。實證中，本文最終建立的仍是Fisher判別分析和Logistic回歸模型。不過與前面學者研究過程不同的是，筆者先對樣本連續多年的多個財務比率進行主成分分析，提取多個完全正交的主成分，然后將這些主成分納入到模型中。整個處理過程既考慮了現金流的重要性，同時也克服了財務比率之間的多重共線性問題。

本文的財務數據來自Wind資訊、證券之星數據中心、全景證券網數據中心、巨潮資訊網以及聚源財務分析數據庫等（選取的研究樣本見表1）。

我們參考了國內外反映財務危機預警的既有指標，并考慮了指標數據獲取的難易程度，確定了反映和測度中國上市公司財務危機預警的指標體系，包括5個一級指標（償債能力、盈利能力、資產管理能力、成長能力和現金流量）和22個二級指標。

（二）財務指標的正態分布檢驗

本文利用SPSS中的K-S檢驗方法對基礎財務指標進行正態性檢驗。經過計算，中國的財務指標整體上并不符合正態分布，這一結果與國內外學者所得出的結論一致。因而兩類公司財務指標的顯著性檢驗不能進行t檢驗，而應當使用非參數檢驗的方法。通過非參數檢驗，我們發現在最初所選的22個基礎財務指標中，有17個財務指標在4年間通過了顯著水平為5%的顯著性檢驗。因此，本文初步選定通過顯著性檢驗的17個財務指標來建立預警模型。他們分別是反映償債能力的流動比率、速動比率、資產負債率、產權比率、利息保障倍數指標；反映盈利能力的主營業務比率、股東權益收益率、留存收益總資產比率、總資產利潤率指標；反映資產管理能力的應收賬款周轉率、總資產周轉率、存貨周轉率指標；反映成長能力的凈利潤增長率、資本積累率、總資產增長率指標；反映現金流量的現金債務總額比、現金獲利指數指標。

（三）主成分的計算

由于變量之間存在多重共線性的問題，我們對選取的變量按年度進行主成分分析，得到相應的主成分和初始因子載荷矩陣，根據初始因子荷載矩陣與特征值矩陣，計算出主成分系數矩陣，進而求得主成分的分值，得到5個主成分后，代入Fisher判別模型和Logistic回歸模型進行進一步分析。

（四）Fisher線性判別模型的建立

把財務危機公司劃分為組合1，非財務危機公司劃分為組合0，對上述72家上市公司的5個主成分進行Fisher回歸分析，可以建立分年度的財務危機預警模型（見表2）。

為了檢驗判別函數的效果，我們把數據分別代回去，得到財務危機前1~4年財務危機公司與非財務危機公司的判別和預測結果，判斷正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

（五）Logistic預警模型的建立

利用SPSS統計分析軟件，對上述72家上市公司的5個主成分進行Logistic回歸分析，可以建立分年度的財務危機預警模型（見表3）。

我們把財務危機企業和非財務企業危機前1—4年的數據代入模型，如果P值大于0.5，則判定企業為財務危機企業，如果P值小于0.5，則判定企業為正常企業。如此，財務危機企業和非財務危機企業財務危機前1~4年的判定正確率逐年依次為：91.7%，86.1%，69.4%，66.7%。

三、結論

總結本文的研究過程和結果，可以得到以下結論：

1. ST公司的大部分財務指標值在其被特別處理前4個會計年度內呈現出了逐漸惡化的趨勢，“ST”公司與非“ST”公司財務指標之間所呈現的差距逐漸加大，說明了“ST”公司財務狀況的惡化并非是突然發生的，從而使得財務危機預警不僅必要，而且成為可能。因而我們完全可以通過分析財務指標的變化來預測公司未來的財務狀況。

2． 本文采用了Fisher判別分析法和Logistic回歸方法建立中國上市公司分年度的財務危機預警模型，結果表明這兩種模型可以提前4年預測財務危機。

3． 分析比較模型的預測效果，我們還發現財務危機預警具有一定的時間跨度，時間跨度與預測的準確程度成反比。一般情況下，時間跨度越長，財務危機預警的準確程度就越低，反之亦然。因此，在實際應用過程中，應根據需要和可能，適當規定財務危機預警的時間跨度，從而保證預測結果的可靠性和相關性。

4. 比較二種判定模型的效果表明，Logistic模型的判定準確性較高。

參考文獻:

［1］Altman，E .L， Predicting Financial Distress of Company:：Revisiting The Z-Score and ZETA Models，unpublished Journal of Finance［J］ ．July 2000.

［2］Beaver， W H. Financial ratios as predictors of failure. Empirical research in accounting: selected studies［J］ ．Journal of Accounting Research 1966.4.

［3］Ohlson， J .Financial ratios and the probabilistic prediction of bankruptcy［J］． Journal of Accounting Research：1980，18.109-130.

［4］石曉軍，肖遠文，任若恩．Logistic違約模型的最優樣本配比與分界點研究［J］．財經研究，2005，（9）.

［5］吳世農，盧賢義．中國上市公司財務困境的預測模型研究［J］．經濟研究，2001，（6）.

［6］陳靜．上市公司財務惡化預測的實證分析［J］．會計研究.1999，（4）.

［7］張玲．財務危機預警分析判別模型極其應用［J］．預測，2000，（6）.

［8］張玲．財務危機預警分析判別模型［J］．數量經濟技術經濟研究，2000，（3）.

責任編輯：學 詩

責任校對：世 玲