電子信息板塊上市公司的財務危機預警

摘要：本文將基于馬氏距離的費歇判別方法應用到財務危機預警中來，針對證券市場電子信息板塊上市公司，建立基于臨界值的財務危機判別模型和基于馬氏距離的財務危機判別模型。經檢驗，兩模型均具有提前四年的預警能力，且后者效果上總體優于前者。

關鍵詞：電子信息；財務危機預警；馬氏距離；費歇判別

一、引言

（一）電子信息產業概論

電子信息產業是二十世紀后半期全球發展最快的產業之一，作為當代高科技產業的代表，電子信息產業對現代經濟增長的貢獻十分顯著，也是我國重要支柱產業。國內學者十分關注電子信息產業的發展，站在不同角度對其展開研究，例如：中國電子信息產業發展的現狀、問題與對策，論全球價值鏈下的電子信息產業集群升級等。

（二）上市公司財務危機預警

財務危機是企業財務活動面臨或處于失控或遭受嚴重挫折的危險與緊急狀態。它是企業盈利能力和償付能力實質性地削弱、企業趨于破產等各種困境的總稱。在本文中，被施行“特別處理”（即被列入ST和*ST行列）的上市公司即被認定為陷入財務危機。財務危機的發生是可預測的，建立有效的財務危機預警模型，可在危機發生前給予企業及時的警告，經營者可以采取有效措施規避風險，從而防止企業財務危機的出現。

對上市公司而言，財務危機預警無論對于上市公司自身還是對投資者、債權人都具有十分重要的意義：能幫助投資者做出投資決策，有利于證券監管部門推進監管工作，有利于上市公司防患于未然，有利于債權人等利益相關者的決策。國內外的財務危機預警模型主要有單變量預警模型，多變量統計分析模型及其它財務危機預警模型，如基于混沌理論的模型，神經網絡預警模型等。

（三）電子信息板塊財務危機預警

國內大多數學者都著眼于統一的上市公司財務預警模型，即用統一的指標體系及評判標準進行財務危機預測，極少深入到某一具體行業中。目前已有學者注意到上市公司財務指標數據具有顯著的行業差異性，如陳志斌等于2006年發表的《財務預警的行業差異模型研究》。首先，不同行業間的財務數據并不具可比性，且相同變量在不同行業中包含的信息量也不同。其次，因為宏觀經濟情況對行業內企業的影響是同向的，這樣就可在一定程度上控制宏觀經濟形勢對企業財務狀況的影響。另外，不同行業財務危機的影響因素也不同。因此，深入特定行業建立的財務危機預警模型將更加準確合理，也更具有靈活性及應變能力。

滬深股市電子信息板塊是以行業為依據劃分的。本文結合電子信息行業特色，建立電子信息板塊上市公司的財務危機預警模型，為上市公司的管理者及相關利益人提供決策理論依據，以期促進電子信息行業上市公司的健康發展。

二、研究方法

本文采用多元統計分析中的費歇判別方法建立多變量財務危機預警的統計分析模型。費歇判別的基本原理是利用投影技術將所有樣本數據投影到某一方向上，使不同類型的樣本盡可能地分離，同類型樣本盡可能地集中。

在國內的絕大多數文獻中，在采用費歇判別方法進行實證分析時都是使用基于臨界值的費歇判別，而使用基于馬氏距離的費歇判別的例子鮮有見到。在財務危機預警研究的文獻中筆者也未見使用基于馬氏距離的費歇判別方法的先例。本文試圖將基于馬氏距離的費歇判別方法引入到財務危機預警的研究中，分別利用基于臨界值的費歇判別和基于馬氏距離的費歇判別建立電子信息板塊的財務危機預警模型，并對兩模型的檢驗結果進行對比，以期為財務危機預警模型的研究提供新的思路。

（一）基于臨界值的費歇判別

設總體Gi的均值和協差陣為μ（i），V（i），在得到判別系數u后， 可得ei=uTμ（i）（i=1，…，k）。將ei按大小重排：e1*≤e2*≤…≤ek*。令μi=（ei*+e*i+1）或μi*=，i=1，…，k-1，用μi或μi*作為判別的臨界值。若樣本y滿足ei*≤uTy≤e*i+1時，當uTy≥μi或μi*時，則y屬于第i+1類；當uTy≤μi或μi*時，則y屬于第i類。

（二）基于馬氏距離的費歇判別

計算樣本y的判別函數值uTy與總體Gi的馬氏距離，即，

d2i=（uTy+uTμ（i））T（uTV（i）u）-1（uTy-uTμ（i））=（y-μ（i））Tu（uTV（i）u）-1uT（y-μ（i）），若d2i≤mind2j，1≤i，j≤k，則y屬于第i類。總體參數未知時，用樣本估計值代替，即d2i=（y-滋贊（i））Tu（uT災贊（i）u）-1uT（y-滋贊（i）），其中滋贊（i）=y，災贊（i）=（y-滋贊（i））（y-滋贊（i））T，i=1，…，k（y表示第i類的第個j樣本）。

三、樣本選取及指標體系的建立

（一）樣本選取

截至2007年12月31日，滬深兩市電子信息板塊共有71家上市公司，其中61家為正常上市公司，10家為被特別處理（被冠以“ST”）的上市公司。本文中將非“ST”公司視為第一類，“ST”公司為第二類。采用2007年年度財務指標數據建模，并利用2004至2008年五年的財務數據進行回代。數據來源于國泰安數據庫（CSMAR）、搜狐證券頻道網站及大智慧軟件。數據處理過程中為保留相對充足的樣本數量，特別是“ST”樣本，對存在數據值缺失的樣本未作刪除，而是采用組內變量的平均值代替。同時為消除量綱影響，需對原始數據作標準化處理。

（二）指標體系建立

本文選擇財務指標進行建模，考慮到各指標在目前財務危機預警研究中出現的頻次，以及與企業財務困境的潛在相關性，同時又考慮到指標的有效性、全面性和可操作性，選擇了反映企業盈利能力，償債能力，營運能力，現金流量，股東獲利能力以及發展能力六個方面共46個財務指標作為初選財務指標（篇幅所限，未列出）。為判斷指標能否有效區分正常公司和“ST”公司，首先用SPSS軟件對初選指標進行假設檢驗，過程如圖1。

于是共13個指標進入最終指標體系：資產報酬率（X1），固定資產增長率（X3），凈利潤（X12），每股未分配利潤（X21），總資產增長率（X24），每股收益（X26），每股凈資產（X27），凈資產收益率（X28），凈利潤增長率（X32），總資產凈利潤率（X37），營運資本總資產比（X39），主營業務收入現金比率（X43），每股投資活動現金凈流量（X44）。

四、實證研究

（一）基于臨界值的財務危機判別模型

用軟件編程算得費歇判別系數u：（0.36，0.60，-0.67，2.12，0.48，0.53，0.10，-0.89，-0.30，-0.40，-0.40，-0.16，-0.07）T

于是基于臨界值的財務危機判別模型為：

u（y）=0.36X1+0.60X3-0.67X12+2.12X21+0.48X24+0.53X26+0.10X27-0.89X28-0.30X32-0.40X37-0.40X39-0.16X43-0.07X44，

算得判別臨界值μ=-1.80，若uTy≥μ，則將y判為第一類，即非“ST”公司；若uTy≤μ，則y將判為第二類，即“ST”公司。

（二）基于馬氏距離的財務危機判別模型

用Matlab軟件編程計算y的判別函數值uTy與第i個總體Gi（i=1，2）的馬氏距離：d2i=（y-滋贊（i））Tu（uT災贊（i）u）-1uT（y-滋贊（i）），此即為基于馬氏距離的財務危機判別模型，其中滋贊（1），滋贊（2）分別為：（0.09，0.12，-0.11，

0.27，0.16，-0.110.18，0.03，-0.03，0.05，0.11，

0.09，-0.11）T，（-0.58，-2d6f4859357d22f9df2f363dd40c32608fa61d7c85bf11acf591777216cc95110.75，0.65，-1.66，-1.00，0.67，-1.08，-0.18，0.18，-0.29，-0.66，

-0.54，0.69）T。

兩總體協差陣見表1。

當d12≤d22時，y屬于第一類，即非“ST”組；當d12≥d22時，y屬于第二類，即“ST”組。

（三）兩模型的檢驗及對比

為檢驗兩模型的有效性和準確性，將2004至2008年五年的財務數據分別回代到兩模型中進行判別，得到的判別結果與截至2009年證券市場電子信息板塊的實際情況作比較，結果見表2。

可見，兩模型五年的回代準確率均高于80%，表明兩模型在電子信息板塊上市公司財務危機預警上具有有效性，且均具備提前四年的預警能力。在2006到2008年這三年，基于馬氏距離的財務危機判別模型的預測準確率均高于85%，且準確率均高于基于臨界值的財務危機判別模型，2008年的總正確率高出4.2個百分點， 2006年的總正確率高出1.7個百分點。可見，基于馬氏距離的財務危機判別模型總體上優于基于臨界值的財務危機判別模型。

我們不妨從兩模型的理論實質來解析此結論。在建立指標體系時，無論如何篩選指標，指標間總是或多或少存在相關關系的。基于臨界值的費歇判別方法并未將指標間的相關性考慮在內，而馬氏距離的定義式中包含了協差陣Vi，說明基于馬氏距離的費歇判別方法考慮到了指標的相關性，這樣一來后者的判別準確性高于前者也就不足為奇了。筆者曾利用這兩種方法分別計算過多個判別分析的實例，計算結果均印證了基于馬氏距離的費歇判別的準確率高于基于臨界值的費歇判別。

綜上，本文建立的基于臨界值和基于馬氏距離的財務危機判別模型都具有提前四年的預警能力。基于馬氏距離的財務危機判別模型的預警效果更加理想，此方法為財務危機預警的研究提供了新的思路。

參考文獻：

[1]楊歡進，王鶯.中國電子信息產業發展的現狀、問題與對策[J].經濟與管理，2008（1）.

[2]藍慶新.論全球價值鏈下的電子信息產業集群升級[J].山西財經大學學報，2005（5）.

[3]陳余有.財務危機運營：企業理財安全機制探索[M].合肥工業大學出版社，2004.

[4]宋力，李進中，孫暉.會計信息、盈余質量與財務預警[M].東北大學出版社， 2004.

[5]Lindsay D H， Campbell A. A chaos approach to bankruptcy prediction. Journal of Applied Business Research， 1996.

[6]Patrick L B， Linda L G， Jaeho J， etal. A Comparison of Neural Network， Statistical Methods， and Variable Choice for Life Insurers’Financial Distress Prediction. Journal of Risk & Insurance， 2006，73（3）.

[7]陳志斌，譚瑞娟.財務預警的行業差異模型研究[J].南京師大學報，2006（5）.

[8]張方方，卿平樂.中國上市公司財務困境的預測—基于制造業上市公司數據的分析[J].暨南學報，2008（6）.

[9]周靜芋，宋世德，郭滿才.常用費歇判別準則的比較[J].西北農林科技大學學報，2002（5）.