我國上市公司財務失敗劃分標準合理性的探討

胡寶予　李超偉

【摘要】證券市場是一個充滿信息的市場，上市公司的財務信息對投資者的投資決策起著舉足輕重的影響。然而我國金融監管機構劃分正常上市公司與ST上市公司方法單一不夠合理。本文首先選取了經營較好的10家上市公司做樣本，利用綜合和評分法確定七大財務指標，再利用主成分分析方法確定3大財務指標，最后利用LVQ神經網絡模型對現行的20家上市公司財務失敗狀況進行驗證，并給出相關模型評價及建議。

【關鍵詞】主成分分析 LVQ神經網絡模型 財務失敗

一、前言

隨著我國經濟的發展，加入WTO的不斷深化，以及證券體制的不斷完善。企業面臨的市場競爭力越來越大。尤其是我國企業起步較晚，在財務及公司的運行管理與國外存在較大的差距，因此我國上市公司在經營發展的過程中面臨著更多的風險，其中一個最重要的因素就是財務失敗。從目前來看我國上市公司對于財務失敗的研究較少，大多集中在理論階段，在實際領域的運用不多，且在研究的方法上明顯滯后，缺乏必要的數學模型，考慮的因素較少，思考問題不夠全面，量化指標不夠清晰，這大大影響了我國上市公司的發展，對證券市場的穩定產生影響。在現實中，我國金融公司及監管機構對正常上市公司和ST上市公司，大多是依靠資不抵債這一標準進行劃分，缺乏一定的合理性。本文將對我國正常上市公司于ST上市公司的劃分展開深入探討，并在此基礎之上提出合理的建議。

二、模型準備

（一）本文假設

1.上市公司公布的財務數據真是可靠，沒有造假。

2.金融機構對上市公司的評級不受主觀影響，客觀真實。

3.排除上市公司短期財務變化對公司評級的影響。

（二）所選上市公司的合理性

由于篇幅問題，本文選取10家上市公司的財務數據，且數據為最新一期的數據。由于本文首先是在沃爾評分法的基礎之上進行的，因此對于沃爾分析法的7大指標本文直接進行應用，但是由于沃爾分析法選取的指標較多，對于各指標權重的分析不夠合理所以本文首先會利用主成分分析法對這7大因素進行篩選，然后在此基礎之上對正常上市公司和ST上市公司進行研究，進而判斷現行的財務失敗劃分標準是否合理。

在所選的10家上市公司中全部為機構評級在A級及其以上的綜合評級的公司，評級為上海益盟軟件技術股份有限公司的官方評級。軟件技術股份有限公司的官方評級。通過股票的個股走勢、板塊走勢、公司運營、消息評測、機構動向、行業背景6大維度參數，將股票分為A+至D-等12級。筆者所選的10個股票分別為三安光電、順網科技、華策影視、石基信息、凱利泰、烽火通信、中國衛星、光迅科技、達實智能、天津港。這10支股票分別涵蓋了光電行業、文化傳媒行業、信息技術行業、醫療行業、電信行業、航空航天行業、人工智能以及正在開發的新貿易區等眾多領域。所以樣本選取合理，分布廣，涉及面廣，股票的成長性高，基金持有量大，投資者追捧程度高，基本是引領各個行業的龍頭，是國家重點扶持、發展的企業，且這些公司風險控制意識強烈，財務報表良好，公司運行優良，經營業績突出。

從不同行業板塊選取上市公司，使數據更具均勻性，減少數據的隨機性、誤差波動，提高接下來的模型的準確性，從而為較好的預測財務失敗提供依據。

（三）沃爾綜合評分法確定7大財務指標

確定財務指標的分析方法有很多，比較經典的有杜邦分析法和沃爾綜合評分法，本文采用的是考慮因素較多的沃爾綜合評分法。

1928年，亞歷山大·沃爾出版的《信用晴雨表研究》和《財務報表比率分析》中提出了信用能力指數的概念，他選擇了7個財務比率（不同的教材或文獻上，叫法略有差異，但意思相同，不影響研究）即流動比率、產權比率（凈資產/負債）、固定資產比率（資產/固定資產）、存貨周轉率（銷售成本/存貨）、應收賬款周轉（銷售額/應收賬款）、固定資產周轉率（銷售額/固定資產）和自有資金周轉率（銷售成本/存貨），分別給定各指標的比重，然后確定標準比率（以行業平均數為基礎），將實際比率與標準比率相比，得出相對比率，將此相對比率與各指標比重相乘，得出總評分。提出了綜合比率評價體系，把若干個財務比率用線性關系結合起來，以此來評價企業的財務狀況。

本文只是直接運用了沃爾綜合評分法的7大財務指標，并沒有進行總評分的計算，本文旨在利用該方法，減少財務指標，使模型更簡單具體，應用性更廣。

下表給出了10家上市公司的7大財務指標的數據：

三、模型建立

財務失敗是一個復雜系統，整個系統內部的各個因素關系復雜。為了便于我們研究，我們對于收集到的數據利用spss進行主成分分析，以部分數據來代替原因素對環境的影響。建立主成分分析模型如下：

其中x為各財務指標，m為主成分因素個數，分別為流動比率（x1）、產權比率（x2）、固定資產比率（x3）、存貨周轉率（x4）、應收賬款周轉（x5）、固定資產周轉率（x6）和自有資金周轉率（x7），p為提取的財務失敗的因素，ei=（e1i，e2i，e3i，…epi為系數向量，m為主成分因素個數。

（一）模型求解

首先利用spss計算相關系數矩陣，如下表所示：

將統計數據中的因素帶入spss中進行主成分分析。由相關系數矩陣計算特征值，以及各個主成分的貢獻率與累計貢獻率，由下表可知，第一、第二、第三主成分的累計貢獻率已達86.349%，故只許求出第一、第二、第三主成分z1，z2，z3即可。

圖2是主成分碎石圖，結合特征根曲線的拐點及特征根值，從圖上可以看出，前3個主成分的折線坡度較陡，而后面的較趨平緩，該圖說明選取三個主成分較為合理。

對于特征值λ1=3.494，λ2=1.707，λ3=0.843，分別計算特征向量e1，e2，e3，并計算各變量x1，x2，x3，…，x7在各主成分上的載荷得到主成分載荷矩陣，如下表所示：

從上表我們可以看出，第一主成分z1與x1，x2，x3，x4，x5，x7存在較大正相關，主成分z2與x1，x2，x6，x7存在較大的正相關，與x4，x5存在較大的負相關，z3與x1，x4，x5，x6存在負相關，與存在較大正相關，與基本無關。因此我們可以確定，財務失敗的主要財務指標為應收賬款周轉率、固定資產周轉率、產權比率。

下面我們將利用上述的三大指標，對我國正常上市公司和ST上市公司的財務失敗劃分標準及預測進行探討。上文中筆者選取的是10支優勢股，其目的是為了更好的篩選出影響財務的主要因素，減少對主成分的影響，使主成分的準確性更高，所以沒有選取ST上市公司的財務數據。而要進行財務失敗的預測和劃分，則必須加入ST上市公司的數據，這樣，才使模型更具推廣性，結果才會更準確。

四、LVQ神經網絡財務預測模型的建立與求解

筆者在研讀了相關文獻后，大致可以把目前財務預測的模型分為以下兩類：統計模型和人工智能模型。傳統的統計模型包括多元判別分析模型MDA和對數回歸模型Logistics Regression等，這兩者也是應用最為廣泛的模型。統計模型最大的優點在于其明顯的解釋性，存在的缺陷是在于過于嚴格的前提條件。如MDA要求數據分布服從多元正態分布、同協方差等；對數回歸模型雖然對數據的要求降低，但仍對財務指標之間的多重共線性干擾敏感，而現實中大量數據分布都不符合這些前提假設，從而限制了統計模型在這一領域中的應用。

這里我們把樣本數據分為兩類，分別是訓練集和測試集。已有研究表明，在分類模型的建立過程中，如果訓練集兩類樣本數據數量相當，則所建立的模型具有較強的強壯性，這里我們選用訓練集由前7個正常上市公司和前7個ST上市公司，測試集分別為后光迅科技、達實智能、天津港、ST宜紙、*ST珠江、*ST中華B，用于測試在訓練集上構建的LQV網絡模型的預測精度。

首先，創建一個LVQ網絡，詳細的Matlab程序及說明見附錄。這里我們只簡單介紹一下編程的思路，文中，p為訓練樣本的輸入向量，8表示競爭層神經元的數目，[0.5，0.5]表示輸入樣本中屬于第一類的占0.5，另一類占0.5，由于競爭層神經元的數目會影響分類性能，1表示正常上市公司，2表示ST上市公司，故上面給出的程序是筆者多次試驗的選擇。

程序在運行了100次后達到仿真的要求，并得到網絡訓練結果：

網絡輸出結果為：2、1、1、2、2、1、1、2、2、2、2、2、2、1。從網絡輸出結果上看，我們可以得到第1、4、5、14個屬于錯誤分類，模型正確區分率80%左右，這一結果在小樣本數據的情況下可以保持到這樣，我們認為是可以接受的。至于出現錯誤分類的原因我們將在下文的模型評價中給予說明。

接下來是對網絡的交叉訓練，利用訓練樣本以外的6組數據進行分類，其輸出為：2、2、1、2、1、2，這里面我們可以看出，在6組樣本中第3、4、6個出現偏差。

五、模型評價

從上面的模型運行結果上我們不難看出，在現行的財務失敗的劃分標準不盡合理，利用目前的方法劃分正常上市公司與ST上市公司也不夠合理，并且存在一定的差距。但是由于本文篇幅有限，我們只是采用了16家上市公司的數據作為訓練樣本，用6家上市公司作為測試樣本，在樣本的選取不大，對結果可能存在一定的影響。

我們也不得不承認，機構在對上市公司的財務狀況進行評級是可能還不夠完善，考慮的因素還不夠全面，存在一定的誤差。另外不同的機構對上市公司的財務狀況評級也有差別，本文只是采取 在機構評級中比較準確的一家公司的評級結果，對于其他公司的評級結果沒有考慮。另外，就是本文模型的前提是上市公司財務數據真實，不虛假，不粉飾，不包裝，是真實的數據，但現實中部分公司出于經營業績的考慮，對財務進行虛假包裝，即使在行業的龍頭企業也存在這種現象。

最后，還有一大因素造成結果誤差就是：上市公司的財務數據存在財務失真的現象。財務失真在現在學術研究中還比較少，所以本文也只是拋磚引玉的介紹下這個概念，已給后續研究者提供思路。

我國財務失敗（財務困境）的劃分標準不夠準確，筆者在閱讀大量文獻后，認為美國教授查爾斯·吉布斯在《財務報告與分析》一書中對企業的財務失敗的論述比較合理。其主要概述如下：

一是被迫清算，所謂清算，是企業為了履行法定的關系，在解散或者是在向法院申請破產的過程中必須執行的一項措施，請專業的第三方機對企業進行的一項專業性評估；內容涉及公司的資產、債務等等。一般情況下只有企業到達法定營業期，才會進行該項工作。如果在法定營業期限內進清算則從直接反應表現出企業的財務陷入嚴重困境。

二是延期償還利息；企業通過發行債券進行融資，也是債權人之間債務關系的有價憑證。企業對債權人的融資行為是需要在固定時間內支付利息作為對債券人的回報，如果企業方不能在約定的期限內支付利息，那么債券就會貶值，從而降低企業價值，形成財務困境。

三是對短期債權人延期付款；企業向債權人融資是需要對融入的資金進行償還，其償還的期限也是固定的。如果企業延期付款，則違反事先與債權人的約定，從而降低了企業的信譽度。這也是企業財務困境的表現之一。

四是研究償還債券本金；一個企對本金的償還是其二次融資的開始，如果無法按期償還，則會引起社會公眾的關注，企業的經營實力和償還能力會給廣大債權人造成虛構的印象，從而降低了債券的市場價值和發行企業的價值。

五是優先股利的拖欠；優先股利一般是公司股東所擁有，如發生優先股利的拖欠行為，會改變大股東即企業投資方的不信任，從而會改變其投資方向的改變。降低企業價值。

六、結論

本文通過沃爾評分直接確定了7大財務指標，并利用主成分分析的方法對確定三大指標因素，在此基礎上利用LVQ神經網絡進行財務預測，發現在輸出的14家上市公司數據中成功劃分的僅有10家，三安光電、石基信息、凱利泰、*ST傳媒、沒有正確劃分，在訓練樣本中，未能正確劃分率為50%，這進一步說明了，公司財務劃分標準不夠統一，不夠合理。當然本文也存在一定缺陷，那就是選取的數據樣本空間不夠龐大，可能在大樣本的前提下，在該標準下的劃分正常公司與ST公司的準確率就會大大提高。但是仍然難以保證其很高的準確率，這進一步說明了現行的財務失敗劃分存在誤區與盲區，但是由于筆者學術有限，只是驗證了其不合理性，并給出一點建議。希望中國證券市場的改革不斷推進，不斷完善。

參考文獻

[1]王慶成，李相國著.財務管理學，中國經濟出版社，2006，568-571.

[2]鄧維斌等編著.spss19（中文版）統計分析實用教程.北京電子工業出版社，2012.3，233-2441.

[3]李志強.基于財務失敗與財務失真的投資風險預警研究，2009（7），1-27

[4]飛思科技產品研發中心.神經網絡與MATLABR2007實現.北京：電子工業出版社，2007，

[5]周品.MATLAB神經網絡設計與應用.北京：清華大學出版社，2013.3，179-183.

[6]http：//baike.baidu.com/link？url=hqW9BIzIIQAmtxo9dau9e3pD Fw_7yUqjiR2GW0L-tKodw3nS7FoPc8kbvAZY-AqW .

[7]徐建豪，辛萍芳主編.概率論與數理統計教程.北京：科學技術出版社，2010，210-250，283-336.

[8]Beaver，W.H.Financial Ratios as Predictors of Failure，EmPirieal Research In Accounting：SelectedStudy[J].Journal of Aceounting Researeh.1966，5（4）：209-234.

作者簡介：胡寶予（1991-），女，遼寧鞍山人，湖北經濟學院，研究方向：產業經濟學；李超偉（1992-），男，江蘇徐州人，湖北經濟學院，專業：金融學，研究方向：金融與投資。