基于財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的財(cái)務(wù)困境預(yù)警研究

[摘 要] 本文以滬深A(yù)股市場2005-2009年294家制造業(yè)上市公司為樣本，以因財(cái)務(wù)狀況異常而被ST作為公司發(fā)生財(cái)務(wù)困境的標(biāo)志，分別建立了僅包含財(cái)務(wù)比率指標(biāo)的單一模型和同時(shí)包含財(cái)務(wù)和非財(cái)務(wù)指標(biāo)的綜合模型。研究結(jié)果表明，加入非財(cái)務(wù)類指標(biāo)后的綜合模型，無論是在預(yù)測能力方面還是在誤判成本方面均得到顯著優(yōu)化。

[關(guān)鍵詞] 財(cái)務(wù)困境預(yù)警;非財(cái)務(wù)類指標(biāo);Logit回歸分析

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2010 . 21 . 011

[中圖分類號(hào)]F275 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1673 - 0194(2010)21- 0016- 06

一、引 言

上市公司財(cái)務(wù)困境問題一直是理論界和實(shí)務(wù)界探討的焦點(diǎn)，是資本結(jié)構(gòu)理論研究的前沿和熱點(diǎn)問題。隨著全球證券市場規(guī)模的不斷擴(kuò)大，中國金融業(yè)對外開放程度不斷加深，中國上市公司在迎接改革和發(fā)展機(jī)遇的同時(shí)，也面臨著更為激烈的競爭和更大的風(fēng)險(xiǎn)。隨著風(fēng)險(xiǎn)意識(shí)的強(qiáng)化，投資者、債權(quán)人和政府監(jiān)管部門對在不確定環(huán)境中提前預(yù)測企業(yè)財(cái)務(wù)危機(jī)有著巨大的需求。客觀評(píng)價(jià)上市公司財(cái)務(wù)狀況，預(yù)測可能出現(xiàn)財(cái)務(wù)失敗的公司，對于維護(hù)投資者和債權(quán)人利益，對于經(jīng)營者防范財(cái)務(wù)危機(jī)，對于政府監(jiān)管部門監(jiān)控上市公司質(zhì)量和證券市場風(fēng)險(xiǎn)都具有現(xiàn)實(shí)意義。

國外證券市場由來已久，西方學(xué)者早在20世紀(jì)60年代就開始了財(cái)務(wù)困境預(yù)測研究，一些主流財(cái)務(wù)困境預(yù)警模型已經(jīng)比較完善且已經(jīng)被廣泛運(yùn)用;由于我國證券市場歷史短，國內(nèi)學(xué)者對該領(lǐng)域的研究從20世紀(jì)90年代才開始。加上中國正處于經(jīng)濟(jì)和社會(huì)轉(zhuǎn)型期，其金融體系、資本市場、社會(huì)信用體系、產(chǎn)權(quán)市場等方面還很不完善，如果照搬國外模型，極有可能產(chǎn)生假設(shè)上、方法上進(jìn)而結(jié)果上的偏差。故借鑒國外經(jīng)驗(yàn)，結(jié)合中國實(shí)際情況，構(gòu)建一套適合中國企業(yè)的財(cái)務(wù)困境預(yù)警模型勢在必行。

二、文獻(xiàn)簡要回顧

Fitzpatrick(1932)最早發(fā)現(xiàn)企業(yè)的財(cái)務(wù)比率對企業(yè)未來信用發(fā)展具有預(yù)測作用?；谪?cái)務(wù)信息的財(cái)務(wù)困境預(yù)警研究根據(jù)使用變量多少可分為單變量模型、多變量模型。William Beaver(1966)通過比較研究79個(gè)財(cái)務(wù)失敗企業(yè)和配對成功企業(yè)的六大類共30個(gè)指標(biāo)的判別能力，認(rèn)為對財(cái)務(wù)困境的預(yù)測能力由強(qiáng)到弱依次為:債務(wù)保障率、資產(chǎn)負(fù)債率、資產(chǎn)收益率、資產(chǎn)安全率。盡管單變量模型簡單易用，但其存在很大的局限性:單個(gè)財(cái)務(wù)變量所能反映的信息非常有限，沒有哪個(gè)財(cái)務(wù)指標(biāo)能夠概括一個(gè)企業(yè)財(cái)務(wù)狀況的全貌。這就催生了多變量財(cái)務(wù)預(yù)警模型。

多變量模型的典型代表是多元判別分析(MDA)模型和Logistic回歸模型。Altman(1968)通過分析美國破產(chǎn)企業(yè)和非破產(chǎn)企業(yè)的22個(gè)財(cái)務(wù)指標(biāo)，從中選出了最能夠反映借款人財(cái)務(wù)狀況、對貸款質(zhì)量影響最大、最具有預(yù)測和分析價(jià)值的5個(gè)關(guān)鍵指標(biāo)，建立了著名的5變量Z-score模型和在此基礎(chǔ)上改進(jìn)的7變量Zeta模型。由于模型簡便、成本低、效果佳，Z-score模型已經(jīng)商業(yè)化，廣泛應(yīng)用于美國商業(yè)銀行，取得了巨大的經(jīng)濟(jì)效益。受美國影響，日本開發(fā)銀行和德國、英國、法國、澳大利亞、加拿大等許多發(fā)達(dá)國家的金融機(jī)構(gòu)紛紛研發(fā)了各自的判別模型。然而MDA模型要求變量數(shù)據(jù)服從正態(tài)分布，但實(shí)際上財(cái)務(wù)比率并不符合該假設(shè);另外，這個(gè)方法只能對企業(yè)進(jìn)行違約與非違約的二元分類，卻不能對企業(yè)的具體違約概率作出估計(jì)，從而導(dǎo)致模型的誤判率較高。

為解決上述問題，后續(xù)學(xué)者便假設(shè)違約事件發(fā)生的概率服從某種累積概率分布(服從累積Logistic分布的稱為Logit模型，服從累積標(biāo)準(zhǔn)正態(tài)分布的則稱為Probit模型)。Logit和Probit模型不要求變量服從正態(tài)分布，更符合客觀事實(shí)，受到了廣泛推崇。Martin(1977)首次使用Logit方法在銀行業(yè)中建立了財(cái)務(wù)困境預(yù)警模型。他選取25個(gè)財(cái)務(wù)比率變量預(yù)測銀行破產(chǎn)概率，實(shí)證結(jié)果顯示凈利潤/總資產(chǎn)、費(fèi)用/營業(yè)收入、貸款/總資產(chǎn)、商業(yè)貸款/總貸款、壞賬/營業(yè)凈利潤、總資產(chǎn)/風(fēng)險(xiǎn)資產(chǎn)等6個(gè)財(cái)務(wù)比率具有顯著的預(yù)測能力。Ohlson(1980)以1970-1976年間在美國上市的105家破產(chǎn)公司和2 058家正常公司為樣本(排除公用事業(yè)、運(yùn)輸業(yè)和金融服務(wù)公司樣本)，采用9項(xiàng)財(cái)務(wù)比率變量來估計(jì) Logit回歸模型。實(shí)證結(jié)果顯示，資產(chǎn)規(guī)模、資本結(jié)構(gòu)、資產(chǎn)報(bào)酬率和短期流動(dòng)性4項(xiàng)財(cái)務(wù)指標(biāo)對預(yù)測企業(yè)破產(chǎn)概率具有統(tǒng)計(jì)顯著性，判別正確率高達(dá)96.12%。

國內(nèi)有關(guān)財(cái)務(wù)困境預(yù)警的研究起步較晚，且多使用財(cái)務(wù)指標(biāo)建立模型。周首華、楊濟(jì)華(1996)對Z-score模型加以改造，建立F-score模型。陳靜(1999)在多元判別分析中使用資產(chǎn)負(fù)債率、凈資產(chǎn)收益率、凈利潤/年末總資產(chǎn)、流動(dòng)比率、營運(yùn)資產(chǎn)/總資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率6個(gè)指標(biāo)進(jìn)行分析，ST前1年的預(yù)測精度達(dá)到92.6%，ST前2年達(dá)到85.2%。陳曉和陳治鴻(2001)以38家ST和132家非ST上市公司作為樣本，運(yùn)用Logit模型對上市公司進(jìn)行預(yù)測，發(fā)現(xiàn)負(fù)債/權(quán)益比率、應(yīng)收賬款周轉(zhuǎn)率、主營利潤/總資產(chǎn)比率和留存收益/總資產(chǎn)比率對我國上市公司財(cái)務(wù)困境具有顯著的預(yù)測效果。張玲(2000)選取滬深兩市14個(gè)行業(yè)120家上市公司為樣本，從償債能力、盈利能力、資本結(jié)構(gòu)狀況和營運(yùn)狀況4個(gè)方面15個(gè)相關(guān)財(cái)務(wù)比率中篩選出4個(gè)變量構(gòu)建了多元線性判別分析模型，發(fā)現(xiàn)該模型有超前4年的預(yù)測能力。萬希寧(2005)認(rèn)為財(cái)務(wù)危機(jī)具有模糊性和復(fù)雜性，為克服純量化因素建立預(yù)警模型的不足，結(jié)合財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)體系，運(yùn)用專家評(píng)分法和模糊優(yōu)先關(guān)系排序決策法進(jìn)行了指標(biāo)的有效選擇，最后借助模糊數(shù)學(xué)構(gòu)建了綜合模糊預(yù)測模型。

由以上綜述可以看出，國內(nèi)學(xué)者在財(cái)務(wù)困境預(yù)警指標(biāo)的選取上以單一財(cái)務(wù)信息指標(biāo)占主導(dǎo)。財(cái)務(wù)因素的可量化性、數(shù)據(jù)的可得性使其在傳統(tǒng)的預(yù)警模型研究中得到廣泛運(yùn)用。然而，一個(gè)企業(yè)的健康狀況并不能通過財(cái)務(wù)報(bào)表上披露的信息完全反映出來?；谝陨险J(rèn)識(shí)，本文克服以往財(cái)務(wù)預(yù)警研究基于傳統(tǒng)財(cái)務(wù)指標(biāo)的單一層面的弊端，引入公司治理、現(xiàn)金流狀況等因素，系統(tǒng)分析公司困境的深層原因，進(jìn)而比較分析基于傳統(tǒng)財(cái)務(wù)指標(biāo)的預(yù)測模型與基于包含非財(cái)務(wù)類指標(biāo)的綜合預(yù)測模型的預(yù)測效果，為中國上市公司更加有效地防范財(cái)務(wù)困境提供政策建議。

本文其余部分的結(jié)構(gòu)安排如下:第三部分為研究設(shè)計(jì)，對財(cái)務(wù)困境概念界定、樣本及指標(biāo)選取作簡要介紹;第四部分為實(shí)證檢驗(yàn);第五部分為模型的檢驗(yàn)與比較，最后是研究結(jié)論。

三、研究設(shè)計(jì)

(一)財(cái)務(wù)困境的界定

財(cái)務(wù)困境(Financial Distress)又稱財(cái)務(wù)危機(jī)(Financial Crisis)，最嚴(yán)重的財(cái)務(wù)困境便是“企業(yè)破產(chǎn)”。已有的財(cái)務(wù)困境預(yù)警研究文獻(xiàn)對“財(cái)務(wù)困境”本身的概念界定有著不同觀點(diǎn)。Beaver(1966)將破產(chǎn)、拖欠優(yōu)先股股利、拖欠債務(wù)界定為財(cái)務(wù)困境;Altman(1968)將“進(jìn)入法定破產(chǎn)程序的企業(yè)”界定為財(cái)務(wù)困境企業(yè);Carmichael(1972)認(rèn)為“財(cái)務(wù)困境”是企業(yè)履行義務(wù)時(shí)受阻，具體表現(xiàn)為流動(dòng)性不足、權(quán)益不足、債務(wù)拖欠以及資金不足4種形式;Deakin(1972)則認(rèn)為財(cái)務(wù)困境“僅包括已經(jīng)經(jīng)歷破產(chǎn)、無力償債或者為了債權(quán)人利益而已經(jīng)進(jìn)行清算的公司”;Wruck(1990)認(rèn)為，財(cái)務(wù)危機(jī)是指一個(gè)公司目前的現(xiàn)金流量無法應(yīng)付目前的支付義務(wù)。

國外學(xué)者在研究財(cái)務(wù)預(yù)警問題時(shí)多以公司破產(chǎn)為標(biāo)準(zhǔn)。這是因?yàn)閲獾钠飘a(chǎn)制度比較完善，對破產(chǎn)企業(yè)的界定比較容易。而我國由于破產(chǎn)制度不健全，造成對企業(yè)破產(chǎn)的界定困難。因此我國學(xué)者在財(cái)務(wù)困境預(yù)警研究中多以“被ST”作為對上市公司財(cái)務(wù)狀況的分類標(biāo)準(zhǔn)。

本文對財(cái)務(wù)困境的界定遵循國內(nèi)大多數(shù)學(xué)者的觀點(diǎn)，即將因?yàn)樨?cái)務(wù)狀況異常而被“特殊處理”的公司界定為財(cái)務(wù)困境公司。

(二)樣本選擇

由于行業(yè)因素、國家政策導(dǎo)向等因素的存在，不同行業(yè)上市公司的財(cái)務(wù)指標(biāo)缺乏可比性。同時(shí)，又因?yàn)橹圃鞓I(yè)公司占據(jù)全部上市公司數(shù)目的一半以上，具有代表性，故本文選擇滬深兩市A股制造業(yè)上市公司作為研究對象。

1.ST公司

根據(jù)我國上市公司有關(guān)監(jiān)管政策，上市公司被ST的原因有“財(cái)務(wù)狀況異常”和“其他狀況異?！薄Ｓ捎诤笳甙T如自然災(zāi)害等不可抗力因素的影響，具有很大的不確定性和不可測性，故不屬于的研究范圍。

新資本協(xié)議規(guī)定，估計(jì)違約概率的時(shí)間段是一年。根據(jù)我國上市公司財(cái)務(wù)報(bào)表披露的時(shí)間特點(diǎn):公司第(t-1)年的報(bào)表于第t年才予以披露，這就幾乎與該公司是否會(huì)在第t年被ST同時(shí)揭曉，所以用第(t-1)年財(cái)務(wù)報(bào)表數(shù)據(jù)來估計(jì)公司在第t年成為ST公司的概率缺乏實(shí)際意義，故實(shí)際研究中，多以第(t-2)年的數(shù)據(jù)進(jìn)行財(cái)務(wù)困境預(yù)警。新資本協(xié)議同時(shí)規(guī)定，估計(jì)時(shí)至少使用5年數(shù)據(jù)，故本文以我國2005-2009年度的ST公司作為研究樣本，同時(shí)要求樣本公司預(yù)測年度前兩年的財(cái)務(wù)數(shù)據(jù)完整。

剔除因“其他狀況異?！北籗T以及ST前兩年數(shù)據(jù)不完整的公司，最終得到98家符合要求的ST公司樣本。其中2005年19家，2006年21家，2007年34家，2008年15家，2009年9家。

2.非ST公司

為避免因?qū)T公司過度抽樣而導(dǎo)致高估模型預(yù)測能力的問題，本文未采用傳統(tǒng)的1∶1配對方式選擇正常公司。又由于我國ST公司占全部上市公司的比例較小，本文也未采用按兩類公司占實(shí)際總體的比例來配對樣本，以避免低估模型預(yù)測能力?；谏鲜隹紤]，本文采用1∶2的比例選取非ST公司樣本，同時(shí)要求非ST公司與ST公司時(shí)間窗一致，且預(yù)測年度前兩年的數(shù)據(jù)完整。最后確定非ST公司196家，其中2005年38家，2006年42家，2007年68家，2008年30家，2009年18家。

將全部294家樣本公司分成兩組:2005-2007年作為訓(xùn)練樣本組，用于估計(jì)Logit模型參數(shù);2008-2009年作為檢驗(yàn)樣本組，用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測能力。全樣本的分布如表1所示。

(三)指標(biāo)選取

1.變量的分類

本文選取的財(cái)務(wù)困境預(yù)警變量主要分為3類:

(1)財(cái)務(wù)指標(biāo)。這里指的是狹義的財(cái)務(wù)類指標(biāo)，即來自資產(chǎn)負(fù)債表和利潤表的財(cái)務(wù)比率。主要反映企業(yè)的償債能力、盈利能力、成長能力以及營運(yùn)能力。

(2)現(xiàn)金流量指標(biāo)。現(xiàn)金流量類信息的財(cái)務(wù)困境預(yù)警模型基于理財(cái)學(xué)的一個(gè)基本原理:公司的價(jià)值應(yīng)等于預(yù)期的現(xiàn)金流量的凈現(xiàn)值。因此過去和現(xiàn)在的現(xiàn)金流量應(yīng)該能夠很好地反映公司的價(jià)值和破產(chǎn)概率。

(3)公司治理指標(biāo)。自20世紀(jì)90年代亞洲金融危機(jī)以來，公司治理問題引起了全世界的關(guān)注。公司內(nèi)部治理結(jié)構(gòu)的弱化不僅影響產(chǎn)業(yè)結(jié)構(gòu)，而且導(dǎo)致大量公司陷入財(cái)務(wù)困境，甚至最終破產(chǎn)。

本文將現(xiàn)金流指標(biāo)與公司治理指標(biāo)統(tǒng)稱為與狹義財(cái)務(wù)指標(biāo)相對的非財(cái)務(wù)類指標(biāo)。在參照前人研究的基礎(chǔ)上，根據(jù)數(shù)據(jù)可得性原則，最終選取下列基礎(chǔ)指標(biāo)，見表2。

注:若ST/非ST年度為第t年，則樣本數(shù)據(jù)窗口為第(t-2)年。但第一大股東持股比例(x25)為第(t-1)年數(shù)據(jù)，因?yàn)楸M管第一大股東持股比例也是在財(cái)務(wù)報(bào)表中予以披露，但是在報(bào)表披露之前還是有可能通過其他途徑獲得及時(shí)信息的。

(四)模型構(gòu)建

目前財(cái)務(wù)危機(jī)預(yù)警存在多種模型，其中Logit模型經(jīng)過多年發(fā)展已經(jīng)比較完善，是目前為止國內(nèi)外使用最廣泛的財(cái)務(wù)困境預(yù)警模型。本文借鑒國內(nèi)外經(jīng)驗(yàn)，也將采用Logit回歸模型進(jìn)行實(shí)證研究。

Logit模型的一般形式為:

式中，pi為i公司陷入財(cái)務(wù)困境的概率，xik為影響i公司財(cái)務(wù)狀況的第k個(gè)因素。

四、實(shí)證檢驗(yàn)結(jié)果

本文共選定26個(gè)基礎(chǔ)指標(biāo)，然而并不是每一個(gè)指標(biāo)都對ST與非ST公司具有顯著的區(qū)分能力;同時(shí)，具有顯著區(qū)分作用的指標(biāo)之間又有存在多重共線性的可能。所以首先要對這26個(gè)基礎(chǔ)指標(biāo)進(jìn)行篩選，獲得構(gòu)建模型所需的變量。

本文采用SPSS 13.0統(tǒng)計(jì)分析軟件自帶的向前逐步回歸法(LR)進(jìn)行變量篩選。向前逐步回歸分析是指從模型沒有自變量開始，按照一定判別依據(jù)(Likelihood Ratio)每次引入一個(gè)最符合判別依據(jù)的變量進(jìn)入模型，直至所有符合判別依據(jù)的變量都進(jìn)入模型為止。

(二)加入非財(cái)務(wù)類變量后的綜合Logit模型Ⅱ

模型Ⅱ的回歸結(jié)果見表4。最終篩選出的4個(gè)顯著變量，分別是x9(資產(chǎn)凈利率)、x15(每股凈資產(chǎn)同比增長率)以及x18(流動(dòng)資產(chǎn)周轉(zhuǎn)率)以及x24(現(xiàn)金獲利指數(shù))。

得模型Ⅱ的回歸方程:

五、模型的檢驗(yàn)與比較

本文的第四部分已經(jīng)利用訓(xùn)練樣本組估計(jì)出Logit模型參數(shù)，為測試模型的樣本外適用性，利用檢驗(yàn)樣本組對所構(gòu)建模型的判別能力進(jìn)行檢驗(yàn)和比較。將檢驗(yàn)樣本組數(shù)據(jù)代入模型之后，為了判定一個(gè)公司是ST還是非ST，需要確定一個(gè)最佳分割點(diǎn)，也就是模型的閾值。當(dāng)結(jié)果大于閾值時(shí)，則認(rèn)為該公司有可能被ST，即有可能陷入財(cái)務(wù)困境;反之亦反。

閾值的確定至今尚無定論，以前學(xué)者大多采用SPSS 13.0默認(rèn)的0.5作為分割點(diǎn)，如鮮文鐸(2007)、張鳴(2005)。然而將0.5作為分割點(diǎn)缺乏理論依據(jù)，同時(shí)其在實(shí)證檢驗(yàn)中的效果也并不理想。本文經(jīng)多次試驗(yàn)，最終確定以0.35作為最佳分割點(diǎn)。

1.最佳分割點(diǎn)的確定

凡是預(yù)測模型，必然存在誤判問題。模型的誤判分為兩種:Ⅰ類誤判指將ST公司誤判為非ST公司，Ⅱ類誤判指將非ST公司誤判為ST公司。根據(jù)實(shí)際經(jīng)驗(yàn)可知，Ⅰ類誤判的成本要遠(yuǎn)遠(yuǎn)高于Ⅱ類誤判，Altman(2000)估計(jì)Ⅰ類誤判成本大約是Ⅱ類誤判成本的31倍。故理想狀態(tài)時(shí)在保持總體準(zhǔn)確率基本不變的情況下，應(yīng)盡量降低Ⅰ類誤判率。

由表5可知，分別以0.5與0.4作為分割點(diǎn)，總體準(zhǔn)確率保持不變，而后者的Ⅰ類誤判率顯著降低(由13/74降至11/74)，故0.4優(yōu)于0.5;而分別以0.35與0.3作為分割點(diǎn)時(shí)，盡管0.3情況下其I類誤判率相對較低，但總體判別準(zhǔn)確度卻受到較大損失(由93.2%降至91.0%)。而0.4與0.35二者的取舍理由是顯而易見的。綜上所述，本文選取0.35作為最佳分割點(diǎn)是合理的。同理可得，綜合模型的最佳分割點(diǎn)亦為0.35(參見表6)。

由于logit模型是非線性模型，不能使用最小二乘估計(jì)，而是采用最大似然估計(jì)。似然函數(shù)值(Likelihood)越大說明擬合程度越好。-2log likelihood(-2LL)是似然函數(shù)值自然對數(shù)的-2倍，習(xí)慣上用以反映模型的擬合程度，該值越小表示擬合程度越好。

Cox Shell R2 和 Nagelker R2兩個(gè)統(tǒng)計(jì)量主要反映由模型解釋的變異百分比，類似于線性模型檢驗(yàn)中的R2。其值越大，說明模型擬合度越高(模型100%完美，則Cox Shell R2=1， Nagelker R2=1，-2LL=0)。

由表7可見，相較于模型Ⅰ，模型Ⅱ的-2LL值顯著降低，說明加入非財(cái)務(wù)變量后的綜合模型(模型Ⅱ)對數(shù)據(jù)的擬合度得到了顯著提高;同時(shí)，模型Ⅱ的Cox Shell R2和Nagelker R2值也分別有所提高。這就意味著綜合模型的預(yù)警變量要比單一財(cái)務(wù)類模型的預(yù)警變量對企業(yè)財(cái)務(wù)困境具有更高的解釋力。

從判別能力來看，加入非財(cái)務(wù)類指標(biāo)后的模型Ⅱ的總體判別準(zhǔn)確率要遠(yuǎn)遠(yuǎn)高于模型Ⅰ;同時(shí)Ⅰ類誤判率也有了顯著下降。前文已經(jīng)提及，在總誤判率相同的情況下，Ⅰ類誤判率越低越好。

六、研究結(jié)論

本文的創(chuàng)新之處主要體現(xiàn)在兩個(gè)方面:首先，在模型構(gòu)建上，本文在傳統(tǒng)單一財(cái)務(wù)指標(biāo)類預(yù)警模型的基礎(chǔ)上，引入包括現(xiàn)金流量指標(biāo)和公司治理指標(biāo)在內(nèi)的非財(cái)務(wù)類指標(biāo)，構(gòu)建綜合預(yù)警模型;其次，在模型效果檢驗(yàn)上，本文嘗試尋找更合理的最佳分割點(diǎn)，從而提高了模型預(yù)測效果檢驗(yàn)的說服力。

通過前文實(shí)證研究，我們發(fā)現(xiàn)，加入非財(cái)務(wù)類指標(biāo)后，預(yù)警模型的判別準(zhǔn)確度由76.4%提高至86.1%，同時(shí)，Ⅰ類誤判率和Ⅱ類誤判率分別由37.5%、14.6%下降至29.2%、6.25%。即綜合模型無論是在預(yù)測能力方面還是在誤判成本方面均得到顯著優(yōu)化。由此說明，我國上市公司的非財(cái)務(wù)指標(biāo)中包含著預(yù)測財(cái)務(wù)困境的有效信息。

主要參考文獻(xiàn)

[1]E Altman.Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23(4):589-609.

[2]W H Beaver.Financial Ratios as Predictors of Failure[J]. Journal of Accounting Research，VoL.4，Empirical Research in Accounting:Selecated Studies，1966:71-111.

[3]J A Ohlson.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research， 1980，18(1):109-131.

[4]陳靜.上市公司財(cái)務(wù)惡化預(yù)測的實(shí)證分析[J].會(huì)計(jì)研究，1999(4):31-38.

[5]陳曉，陳治鴻.企業(yè)財(cái)務(wù)困境研究的現(xiàn)論、方法及應(yīng)用[J].投資研究，2000(6):29-33.

[6]陳曉，陳治鴻.中國上市公司的財(cái)務(wù)困境預(yù)測[J].中國會(huì)計(jì)與財(cái)務(wù)研究，2000(3):55-92.

[7]吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究，2001(6).

[8]張玲.財(cái)務(wù)危機(jī)預(yù)警分析判別模型[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2000(3).

[9]周首華，陸正飛.現(xiàn)代財(cái)務(wù)理論專題[M].大連:東北財(cái)經(jīng)大學(xué)出版社，2003.

[10]胡錦明，呂俊.上市公司財(cái)務(wù)危機(jī)預(yù)測模型比較研究[J] .審計(jì)與經(jīng)濟(jì)研究，2009(3).

[11]鮮文鐸，向銳.基于混合Logit模型的財(cái)務(wù)困境預(yù)警研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2007(9).

[12]王志仁，曾繁榮.制造業(yè)上市公司BP神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警[J].財(cái)會(huì)月刊:理論版，2008(1).