航運上市公司財務預警的Logistic回歸分析

甘愛平， 柳亮， 陳可楨

(上海海事大學 經濟管理學院，上海 201306)

0 引 言

國際航運市場在世界經濟危機爆發后陷入長期的低迷之中，航運公司都遭遇到運營成本增加、運輸訂單減少的困難.2012年，國內上市航運企業大概有80%處于虧損狀態.據張守國(中國船東協會副會長)稱，2012年航運企業的生存環境繼續惡化，原來沒有虧損的企業在2012年也出現虧損狀況，且2013年航運業將繼續低迷.因此，如何預測并緩解財務困境是航運業界普遍面臨的問題.

財務預警，又稱為“財務危機預警”，是從財務角度對企業進行預警，通過對企業財務報表及相關經營資料的分析，利用及時的財務數據和相應的數據化管理方式，預先告知企業所面臨的危險情況，同時分析企業發生財務危機的原因，發現企業財務運營體系隱藏的問題，以提早制訂防范措施并提出相應的排警對策.它貫穿于企業經營活動的全過程.

目前，研究財務預警的模型主要集中于以下幾類：一元判定模型、多元線性判定模型、多元邏輯模型、多元概率比回歸模型和人工神經網絡模型.[1-3]

FITZ-PATRICK 1932年開展單變量破產預測研究，運用單個財務比率將19家樣本公司劃分為破產組和非破產組.BEAVER[4]提出單一變量模型(一元判定模型)，利用單一的財務比率預測企業的財務風險.由于一元判定模型過于簡單，很多學者轉向研究多元線性判定模型.最早和最著名的多元線性制定模型是ALTMAN[5]提出的Z-score模型.ALTMAN應用費希爾線性判別分析法分析美國1946—1965年間兩組規模相當及行業對應的破產和非破產企業，使用的數據是破產企業破產前一年的數據和非破產企業在相應時段的數據，最終的判別準確率高達95%.OHLSON[6]率先提出條件概率模型，運用最大似然估計分析1970—1976年間眾多破產和非破產公司，預測準確率達96.12%.ODOM等[7]用BP神經網絡預測財務困境，以文獻[5]所構建的5個財務比率為研究變量，用類神經網絡與判別分析進行驗證比較，發現樣本的實際輸出和期望輸出較為接近.

國內學者[8-10]在企業財務預警方面的研究一般都涵蓋各個行業，對單個行業的財務預警模型還需進一步研究.而且以前的研究對象均為一組被ST的上市公司和與之相配對的財務正常公司，但是由于航運上市公司數量有限，被ST(或*ST)的公司更少，因此本文選取那些財務虧損但未被ST的航運上市公司作為研究對象，對航運類企業進行財務前瞻預警，達到風險控制的目的.

1 研究樣本的選取和財務指標的處理

1.1 研究樣本的選取

航運上市公司是航運業中優秀企業的代表，其業績代表整個行業的發展情況，因此，本文從在主板上市的13家航運公司中選取11家(未被選取的兩家分別是渤海輪渡(603167)和海峽股份(002320)，其主營業務都是客滾運輸業務，受經濟波動的影響較小，與主營貨運業務的航運公司不具有可比性),見表1.

表1 研究樣本

1.2 財務指標的選擇

財務比率的選取是構建財務危機預警模型極其重要的一步，選擇恰當與否關系到財務危機預警模型的有效性.本文采用定性分析與定量分析相結合的方法，借鑒國內外學者的實證研究成果[11]并結合我國航運上市公司的實際情況，經過多重共線性檢驗的篩選，保留以下變量：攤薄凈資產收益率(X1)、主營業務利潤率(X2)、攤薄每股收益(X3)、成本費用利潤率(X4)、流動比率(X5)、現金流動負債比率(X6)、已獲利息倍數(X7)、資產負債率(X8)、應收賬款周轉率(X9)、固定資產周轉率(X10)、總資產增長率(X11)、凈利潤增長率(X12).分析數據來自各公司公布的2010—2012年度的財務報表，設虧損的年份為t，實證分析采用t-1年份的數據.分析統計軟件則使用主流的社會經濟統計軟件SPSS 18.0.

1.3 數據的標準化

不同原始指標變量有不同的量綱，導致不同指標數據之間缺乏可比性，因此在實證分析前需通過數學變換對原始數據進行標準化處理保證模型分析結果的可靠性.設Xij表示第i家公司第j個指標的值，則其標準化值

(1)

其中：

(2)

(3)

標準化后的數據服從(0，1)標準正態分布.標準化變換后并不改變變量之間的相關系數.

2 財務預警模型的建立

2.1 Logistic回歸分析概述

Logistic模型是一種更符合實際經濟情況的模型，它不要求樣本滿足多元正態分布.一般情況下被研究的樣本并不服從多元正態分布，并且在現實中發生財務危機和未發生財務危機的企業也并不具有同樣的方差.因此，Logistic模型是解決0-1回歸問題的有效方法.

假設Yi為第i個發生財務危機的預警變量，那么其發生財務危機的概率Pi和Yi之間存在的回歸關系為

Pi=exp(Yi)/(1+exp(Yi))

(4)

其中：

Yi=α+b1F1+b2F2+b3F3+…+biFi

(5)

Logistic模型預警的最大值越趨近于1(即D→1)，表示企業存在的財務風險越小；最小值越趨近于0(即D→0)，表示企業存在的財務風險越大.

2.2 主成分指標的選定

運用SPSS 18.0，根據上述已確定的12個研究變量進行主成分分析.在對數據進行標準化的基礎上提取主成分因子，先得出主成分對應的特征值和貢獻率，見表2.

表2 特征值和貢獻率

根據表2中的累積貢獻率，特征值大于1的前4個主成分只能提取原始財務數據80.819%的信息量，而一般認為要達到85%以上才是合理的，所以提取前5個主成分.以這5個主成分代替原來的12個財務指標，即可對大部分數據給出充分的概括.根據因子載荷，對這5個主成分進行解釋.由于因子載荷矩陣中每個因子與原始變量相關系數沒有很明顯的差別，需要對因子載荷矩陣進行旋轉以便對研究變量進行分組.常用的方法是通過方差最大正交旋轉法實現因子結構的簡化，拉大原始變量與各因子之間的距離.旋轉后的因子載荷矩陣見表3.

由表3可以看出:F1與X2,X4和X8的相關程度較高，因此F1由這3個變量解釋，反映營利能力和償債能力；F2與X1,X3,X6和X12的相關程度較高，因此F2由這4個變量解釋，反映營利能力、償債能力和發展能力；F3與X5和X10的相關程度較高，因此F3由這2個變量解釋，反映償債能力和資產運營能力；F4與X9的相關程度較高，因此F4由這個變量解釋，反映資產運營能力；F5與X11的相關程度較高，因此F5由這個變量解釋，反映發展能力.

表3 旋轉后的因子載荷矩陣

3 基于主成分因子的Logistic回歸分析及模型的最終確立

根據上述主成分分析得出5個主成分作為Logistic回歸分析的解釋變量，采用 SPSS 18.0進行回歸分析，得出最終的模型統計結果見表4.

表4 Logistic回歸分析結果

由表4，將回歸分析結果代入式(5)，得出預警模型為

Y5=427.717+1 249.292F1-73.720F2-351.260F3-157.705F4+793.494F5

(6)

將式(6)代入式(4)中，得到房地產企業最終的財務預警模型為

(7)

一般選擇0.5為分界點，即如果P5≥0.5，那么該上市公司可以視為正常公司；如果P5<0.5，那么該上市公司可以歸入發生財務虧損的公司.

研究結果表明，影響我國航運企業財務狀況的因素主要是償債能力和資產運營，其中影響其財務狀況的主要財務指標為流動比率和固定資產周轉率.

4 最終模型的預測效果

通過Logistic回歸分析得出該模型的預警效果，見表5.

表5 模型預警效果

從表5可以看出該模型的預測準確率為100%.根據各航運公司財務狀況預測表可得出同樣的結論.

5 結束語

本文將財務預警研究應用于我國的航運業,采用主成分分析方法提取主要成分反映原始數據的大部分信息，然后利用Logistic回歸分析構建出符合我國航運上市公司實際情況的財務危機預警模型.這不僅可以避免自變量需要滿足多元正態分布等嚴格的假設條件，而且還可以克服傳統預警研究中憑個人經驗“人為賦值”的缺陷.研究結果表明，可以從營利能力、償債能力、資產運營能力和發展能力等方面判斷我國航運企業財務狀況的好壞.該預警模型的整體預測準確率達到100%，模型的擬合程度高.

然而，本文選取的財務危機預警指標只涉及到會計數據和財務比率，未考慮非量化因素；所采集的數據只與上市公司有關，故可有效利用的數據量有限，研究結論未必適用于大量的小型公司和未上市的大型國有集團公司.

參考文獻：

[1]郝其友, 傅冠男, 幸萬光. 財務預警模型實證研究綜述[J]. 山東經濟, 2006(2): 133.

[2]楊遙. 基于現金流量的我國上市公司財務預警實證研究[D]. 昆明: 云南財經大學, 2011.

[3]李志強. 上市公司財務預警研究述評[J]. 金融理論與實踐, 2009(3): 86-90.

[4]BEAVER W H. Market prices, financial ratios, and the prediction of failure[J]. J Accounting Res, 1968(3): 179-192.

[5]ALTMAN E I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy[J]. J Finance, 1968, 23(4): 589-609.

[6]OHLSON J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. J Accounting Res, 1980, 18(1): 109-131.

[7]ODOM M D, SHARDA R. A neural network model for bankruptcy prediction[C]//Neural Networks, 1990 IJCNN Int Joint Conf. IEEE, 1990: 163-168.

[8]趙健梅, 王春莉. 財務危機預警在我國上市公司的實證研究[J]. 數量經濟技術經濟研究, 2003(7): 56-57.

[9]李小蘭, 徐志蓮, 李朝榮. 引入EVA指標后的財務預警實證研究[J]. 財會月刊: B財苑, 2004(6): 44-45.

[10]楊寶安, 季海. 基于人工神經網絡的商業銀行貸款風險預譽研究[J]. 系統工程理論與實踐, 2001(5): 37-38.

[11]楊美萍. 企業財務風險預警指標體系的研究——以航運上市公司為例[D]. 北京: 中國地質大學, 2010.