上市公司財務預警的面板logit模型

張醒洲　張瑞麗

摘要：本文利用1989-2012年上市公司財務數據建立面板logit回歸模型，對上市公司下一年虧損情況進行預測。研究結果表明，上市公司財務預警的面板logit模型在預測上市公司是否會虧損方面具有較高的準確率，可為投資者提供一定的參考。

關鍵詞：面板數據 財務預警 面板logit

一、引言

資本市場建立以來，不少上市公司出現虧損現象，陷入財務困境，甚至面臨生存危機。而企業一旦出現虧損，就會影響投資者、債權人和企業自身的利益。因此，財務預警的建立對上市公司所有的利益相關者都具有重要的現實意義。

財務預警通過對上市公司財務指標進行統計分析來預測企業發生財務困境的可能性。Beaver（1966）使用了30個財務變量，比較分析了破產公司和健康公司的財務指標后，提出了單變量預測模型。Altman（1968）綜合了5個財務變量，提出了Z-score多元線性判別模型，研究表明Z計分模型大大提高了模型的預測能力。Ohlson（1980）使用了多元Logistic回歸建立了財務預警模型，克服了多元判別分析模型的局限性，并發現公司規模和資本結構等指標有顯著的預測能力。此外，Olson（2012）還使用了支持向量機等數據挖掘方法研究財務破產預警。國內財務預警的研究起步較晚，陳靜（1999）以1998年27家ST公司和非ST公司為樣本，進行了單變量分析和多元線性判定分析。朱永明和邵庚云（2013）選取我國制造業40家ST上市公司和260家非ST上市公司進行實證研究，采取Cox生存模型進行財務困境預測。

目前大多數研究把樣本分為ST公司和非ST公司進行來對比建立預測模型，而公司陷入財務困境是個動態的過程。為了給投資者等提供更為詳細的反映公司未來財務狀況的信息，應該對上市公司單年虧損的情況引起足夠的重視。因此，本文試圖利用面板數據建立上市公司虧損情況的預測模型，預測上市公司下一年度虧損的可能性。

二、研究設計

（一）樣本選取和數據來源

本文選取1989-2012年滬深主板A股虧損過的上市公司作為虧損公司樣本，同時要求虧損前至少三年的財務數據，同時將從未虧損過的上市公司作為未虧損公司樣本。對于兩類樣本的數量問題，本文并未遵循配對原則，因為配對會高估模型的準確率。對于虧損公司中的ST公司，只選取第一次出現虧損前的數據；對于虧損公司中的非ST公司，若出現多次虧損，則保留不同時間段，如1993年上市的江南紅箭（000519）在2004年、2008年分別出現虧損情況，則分別保留1998-2004年和2005-2008年的數據，年份分別以1-7和1-4代替。為保證面板數據的非重復性，第二段數據（1-4）的股票代碼后加1，即0005191，其他虧損上市公司數據處理方式類似。對于非虧損公司的數據處理方式，只需對公司年份賦值，處理方式與對虧損公司年份賦值一樣。剔除數據缺失和異常的上市公司后，本文最終確定了1775條虧損公司樣本和2112條非虧損公司樣本。數據均來源于RESSET金融研究數據庫，以SPSS19.0和Stata10.0軟件進行數據分析。

（二）研究變量

上市公司的財務指標主要包括盈利能力、償債能力、營運能力、成長能力和資產結構五個方面，為了建立全面的上市公司財務預警模型，本文初步選取了25個財務指標作為研究變量。具體變量見表1。

（三）研究方法

1、因子提取

如果解釋變量之間存在較強的相關性，那么容易產生多重共線性，因此本文采用主成分分析來提取財務預警模型的影響因子，消除多重共線性的影響。數學表達式為：

2、模型的選擇

三、模型變量的選取

（一）均值差異檢驗

（二）模型預測效果檢驗

在運用面板Logit模型進行判別時，通常將0.5作為概率閾值，即當P0.5時，公司被認為將會虧損，否則認為不虧損。但閾值定的過高或過低都會影響模型的準確率。因此，為了提高判斷的正確率，本文通過多次測試，最終選擇0.05作為最優閥值，模型的預測結果見表5。虧損公司被錯判為非虧損公司的比率為1.52%，非虧損公司被錯判為虧損公司的比率為2.57%，面板Logit模型預測準確率高達97.5%。

五、結束語

本文通過對上市公司財務數據的分析，建立了基于面板logit的財務預警模型，并且模型的研究樣本充分考慮了公司不連續發生虧損的情況，研究結果表明：基于面板Logit模型的上市公司財務預警模型反映了上市公司虧損概率與財務指標之間的關系；資產報酬率、營業利潤率、利潤總額增長率等指標是減緩上市公司下一年度發生虧損的因素，固定資產比率是加速上市公司發生虧損的因素；財務預警模型的面板Logit模型對預測上市公司虧損可能性具有較高的準確率，可為投資者提供一定的參考。

參考文獻：

[1]Beaver W.H. Financial ratios as predictors of failure[J]. Journal of accounting research， 1966： 71-111

[2]Altman E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The journal of finance， 1968， 23（4）： 589-609

[3]Ohlson J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of accounting research， 1980， 18（1）： 109-131

[4]Olson D L， Delen D， Meng Y. Comparative analysis of data mining methods for bankruptcy prediction[J]. Decision Support Systems， 2012， 52（2）： 464-473

[5]陳靜.上市公司財務惡化預測的實證分析[J].會計研究， 1999， （ 4）： 31-38

[6]朱永明，邵庚云.基于Cox生存模型的上市公司財務困境預測研究[J].商業研究，2013，11：108-116endprint

摘要：本文利用1989-2012年上市公司財務數據建立面板logit回歸模型，對上市公司下一年虧損情況進行預測。研究結果表明，上市公司財務預警的面板logit模型在預測上市公司是否會虧損方面具有較高的準確率，可為投資者提供一定的參考。

關鍵詞：面板數據 財務預警 面板logit

一、引言

資本市場建立以來，不少上市公司出現虧損現象，陷入財務困境，甚至面臨生存危機。而企業一旦出現虧損，就會影響投資者、債權人和企業自身的利益。因此，財務預警的建立對上市公司所有的利益相關者都具有重要的現實意義。

財務預警通過對上市公司財務指標進行統計分析來預測企業發生財務困境的可能性。Beaver（1966）使用了30個財務變量，比較分析了破產公司和健康公司的財務指標后，提出了單變量預測模型。Altman（1968）綜合了5個財務變量，提出了Z-score多元線性判別模型，研究表明Z計分模型大大提高了模型的預測能力。Ohlson（1980）使用了多元Logistic回歸建立了財務預警模型，克服了多元判別分析模型的局限性，并發現公司規模和資本結構等指標有顯著的預測能力。此外，Olson（2012）還使用了支持向量機等數據挖掘方法研究財務破產預警。國內財務預警的研究起步較晚，陳靜（1999）以1998年27家ST公司和非ST公司為樣本，進行了單變量分析和多元線性判定分析。朱永明和邵庚云（2013）選取我國制造業40家ST上市公司和260家非ST上市公司進行實證研究，采取Cox生存模型進行財務困境預測。

目前大多數研究把樣本分為ST公司和非ST公司進行來對比建立預測模型，而公司陷入財務困境是個動態的過程。為了給投資者等提供更為詳細的反映公司未來財務狀況的信息，應該對上市公司單年虧損的情況引起足夠的重視。因此，本文試圖利用面板數據建立上市公司虧損情況的預測模型，預測上市公司下一年度虧損的可能性。

二、研究設計

（一）樣本選取和數據來源

本文選取1989-2012年滬深主板A股虧損過的上市公司作為虧損公司樣本，同時要求虧損前至少三年的財務數據，同時將從未虧損過的上市公司作為未虧損公司樣本。對于兩類樣本的數量問題，本文并未遵循配對原則，因為配對會高估模型的準確率。對于虧損公司中的ST公司，只選取第一次出現虧損前的數據；對于虧損公司中的非ST公司，若出現多次虧損，則保留不同時間段，如1993年上市的江南紅箭（000519）在2004年、2008年分別出現虧損情況，則分別保留1998-2004年和2005-2008年的數據，年份分別以1-7和1-4代替。為保證面板數據的非重復性，第二段數據（1-4）的股票代碼后加1，即0005191，其他虧損上市公司數據處理方式類似。對于非虧損公司的數據處理方式，只需對公司年份賦值，處理方式與對虧損公司年份賦值一樣。剔除數據缺失和異常的上市公司后，本文最終確定了1775條虧損公司樣本和2112條非虧損公司樣本。數據均來源于RESSET金融研究數據庫，以SPSS19.0和Stata10.0軟件進行數據分析。

（二）研究變量

上市公司的財務指標主要包括盈利能力、償債能力、營運能力、成長能力和資產結構五個方面，為了建立全面的上市公司財務預警模型，本文初步選取了25個財務指標作為研究變量。具體變量見表1。

（三）研究方法

1、因子提取

如果解釋變量之間存在較強的相關性，那么容易產生多重共線性，因此本文采用主成分分析來提取財務預警模型的影響因子，消除多重共線性的影響。數學表達式為：

2、模型的選擇

三、模型變量的選取

（一）均值差異檢驗

（二）模型預測效果檢驗

在運用面板Logit模型進行判別時，通常將0.5作為概率閾值，即當P0.5時，公司被認為將會虧損，否則認為不虧損。但閾值定的過高或過低都會影響模型的準確率。因此，為了提高判斷的正確率，本文通過多次測試，最終選擇0.05作為最優閥值，模型的預測結果見表5。虧損公司被錯判為非虧損公司的比率為1.52%，非虧損公司被錯判為虧損公司的比率為2.57%，面板Logit模型預測準確率高達97.5%。

五、結束語

本文通過對上市公司財務數據的分析，建立了基于面板logit的財務預警模型，并且模型的研究樣本充分考慮了公司不連續發生虧損的情況，研究結果表明：基于面板Logit模型的上市公司財務預警模型反映了上市公司虧損概率與財務指標之間的關系；資產報酬率、營業利潤率、利潤總額增長率等指標是減緩上市公司下一年度發生虧損的因素，固定資產比率是加速上市公司發生虧損的因素；財務預警模型的面板Logit模型對預測上市公司虧損可能性具有較高的準確率，可為投資者提供一定的參考。

參考文獻：

[1]Beaver W.H. Financial ratios as predictors of failure[J]. Journal of accounting research， 1966： 71-111

[2]Altman E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The journal of finance， 1968， 23（4）： 589-609

[3]Ohlson J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of accounting research， 1980， 18（1）： 109-131

[4]Olson D L， Delen D， Meng Y. Comparative analysis of data mining methods for bankruptcy prediction[J]. Decision Support Systems， 2012， 52（2）： 464-473

[5]陳靜.上市公司財務惡化預測的實證分析[J].會計研究， 1999， （ 4）： 31-38

[6]朱永明，邵庚云.基于Cox生存模型的上市公司財務困境預測研究[J].商業研究，2013，11：108-116endprint

摘要：本文利用1989-2012年上市公司財務數據建立面板logit回歸模型，對上市公司下一年虧損情況進行預測。研究結果表明，上市公司財務預警的面板logit模型在預測上市公司是否會虧損方面具有較高的準確率，可為投資者提供一定的參考。

關鍵詞：面板數據 財務預警 面板logit

一、引言

資本市場建立以來，不少上市公司出現虧損現象，陷入財務困境，甚至面臨生存危機。而企業一旦出現虧損，就會影響投資者、債權人和企業自身的利益。因此，財務預警的建立對上市公司所有的利益相關者都具有重要的現實意義。

財務預警通過對上市公司財務指標進行統計分析來預測企業發生財務困境的可能性。Beaver（1966）使用了30個財務變量，比較分析了破產公司和健康公司的財務指標后，提出了單變量預測模型。Altman（1968）綜合了5個財務變量，提出了Z-score多元線性判別模型，研究表明Z計分模型大大提高了模型的預測能力。Ohlson（1980）使用了多元Logistic回歸建立了財務預警模型，克服了多元判別分析模型的局限性，并發現公司規模和資本結構等指標有顯著的預測能力。此外，Olson（2012）還使用了支持向量機等數據挖掘方法研究財務破產預警。國內財務預警的研究起步較晚，陳靜（1999）以1998年27家ST公司和非ST公司為樣本，進行了單變量分析和多元線性判定分析。朱永明和邵庚云（2013）選取我國制造業40家ST上市公司和260家非ST上市公司進行實證研究，采取Cox生存模型進行財務困境預測。

目前大多數研究把樣本分為ST公司和非ST公司進行來對比建立預測模型，而公司陷入財務困境是個動態的過程。為了給投資者等提供更為詳細的反映公司未來財務狀況的信息，應該對上市公司單年虧損的情況引起足夠的重視。因此，本文試圖利用面板數據建立上市公司虧損情況的預測模型，預測上市公司下一年度虧損的可能性。

二、研究設計

（一）樣本選取和數據來源

本文選取1989-2012年滬深主板A股虧損過的上市公司作為虧損公司樣本，同時要求虧損前至少三年的財務數據，同時將從未虧損過的上市公司作為未虧損公司樣本。對于兩類樣本的數量問題，本文并未遵循配對原則，因為配對會高估模型的準確率。對于虧損公司中的ST公司，只選取第一次出現虧損前的數據；對于虧損公司中的非ST公司，若出現多次虧損，則保留不同時間段，如1993年上市的江南紅箭（000519）在2004年、2008年分別出現虧損情況，則分別保留1998-2004年和2005-2008年的數據，年份分別以1-7和1-4代替。為保證面板數據的非重復性，第二段數據（1-4）的股票代碼后加1，即0005191，其他虧損上市公司數據處理方式類似。對于非虧損公司的數據處理方式，只需對公司年份賦值，處理方式與對虧損公司年份賦值一樣。剔除數據缺失和異常的上市公司后，本文最終確定了1775條虧損公司樣本和2112條非虧損公司樣本。數據均來源于RESSET金融研究數據庫，以SPSS19.0和Stata10.0軟件進行數據分析。

（二）研究變量

上市公司的財務指標主要包括盈利能力、償債能力、營運能力、成長能力和資產結構五個方面，為了建立全面的上市公司財務預警模型，本文初步選取了25個財務指標作為研究變量。具體變量見表1。

（三）研究方法

1、因子提取

如果解釋變量之間存在較強的相關性，那么容易產生多重共線性，因此本文采用主成分分析來提取財務預警模型的影響因子，消除多重共線性的影響。數學表達式為：

2、模型的選擇

三、模型變量的選取

（一）均值差異檢驗

（二）模型預測效果檢驗

在運用面板Logit模型進行判別時，通常將0.5作為概率閾值，即當P0.5時，公司被認為將會虧損，否則認為不虧損。但閾值定的過高或過低都會影響模型的準確率。因此，為了提高判斷的正確率，本文通過多次測試，最終選擇0.05作為最優閥值，模型的預測結果見表5。虧損公司被錯判為非虧損公司的比率為1.52%，非虧損公司被錯判為虧損公司的比率為2.57%，面板Logit模型預測準確率高達97.5%。

五、結束語

本文通過對上市公司財務數據的分析，建立了基于面板logit的財務預警模型，并且模型的研究樣本充分考慮了公司不連續發生虧損的情況，研究結果表明：基于面板Logit模型的上市公司財務預警模型反映了上市公司虧損概率與財務指標之間的關系；資產報酬率、營業利潤率、利潤總額增長率等指標是減緩上市公司下一年度發生虧損的因素，固定資產比率是加速上市公司發生虧損的因素；財務預警模型的面板Logit模型對預測上市公司虧損可能性具有較高的準確率，可為投資者提供一定的參考。

參考文獻：

[1]Beaver W.H. Financial ratios as predictors of failure[J]. Journal of accounting research， 1966： 71-111

[2]Altman E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The journal of finance， 1968， 23（4）： 589-609

[3]Ohlson J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of accounting research， 1980， 18（1）： 109-131

[4]Olson D L， Delen D， Meng Y. Comparative analysis of data mining methods for bankruptcy prediction[J]. Decision Support Systems， 2012， 52（2）： 464-473

[5]陳靜.上市公司財務惡化預測的實證分析[J].會計研究， 1999， （ 4）： 31-38

[6]朱永明，邵庚云.基于Cox生存模型的上市公司財務困境預測研究[J].商業研究，2013，11：108-116endprint