上市公司財務(wù)預(yù)警實證研究

摘 要：利用數(shù)學(xué)模型對企業(yè)進行財務(wù)預(yù)警，并以此來反應(yīng)財務(wù)風(fēng)險及采取相對應(yīng)的化解措施就成為企業(yè)利益相關(guān)者日漸關(guān)注的問題。上市公司的財務(wù)預(yù)警判別問題是國內(nèi)外財務(wù)研究的熱點，建立過多種財務(wù)預(yù)警模型。本文以2012年33家上市公司公開披露的財務(wù)數(shù)據(jù)作為檢驗數(shù)據(jù)來源，采用多元統(tǒng)計中的逐步判別法確立出3個判別分析變量，運用逐步判別法來確定具體的篩選指標(biāo)，從而得出相應(yīng)的財務(wù)預(yù)警檢驗?zāi)Ｐ汀?/p>

關(guān)鍵詞：上市公司；財務(wù)預(yù)警

一、文獻綜述

回顧國內(nèi)外學(xué)者對財務(wù)預(yù)警系統(tǒng)各類研究，發(fā)現(xiàn)已經(jīng)形成一個成熟的體系。早期的財務(wù)預(yù)警模型的實證研究是一元模型，此模型用19家公司作為樣本，運用單個財務(wù)比率將樣本劃分為破產(chǎn)和非破產(chǎn)兩類來研究。結(jié)果表明，最具財務(wù)危機的判別能力的是凈利率比股東權(quán)益和股東權(quán)益比負債這兩個比率。但一元判定模型在指標(biāo)選取上過于單一，不能完全展現(xiàn)出企業(yè)的財務(wù)狀況。Ohlson（1980）是第一個將邏輯回歸方法引入財務(wù)危機預(yù)警領(lǐng)域，他選擇了1970年—1976年間破產(chǎn)的105家公司和2058 家非破產(chǎn)公司組成的配對樣本，分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類錯誤和分割點之間的關(guān)系，發(fā)現(xiàn)公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當(dāng)前的融資能力進行財務(wù)危機的預(yù)測準(zhǔn)確率達到96.12%。在我國，目前慣用的用于財務(wù)預(yù)警的方法主要有一元判別法、多元判別法以及多元邏輯回歸法。雖然這些方法并不十分穩(wěn)定，但對上述模型進行修正后，大大降低了不穩(wěn)定性。本文結(jié)合了奧特曼（1968）的研究和我國上市金融公司公開披露的財務(wù)數(shù)據(jù)，運用逐步判別的實證檢驗做出有顯著判斷能力的模型。

二、方法介紹

判別分析法是指根據(jù)某一研究對象的各種特征值判別其類型歸屬問題的一種多變量的統(tǒng)計分析方法。判別分析有二級判別、多級判別、逐步判別等多種方法。本文主要講述的逐步判別法運用于上市公司財務(wù)預(yù)警系統(tǒng)中的實際應(yīng)用。

逐步判別分析法的主旨思路：根據(jù)組內(nèi)離差和總離差形成的判別能力構(gòu)造F統(tǒng)計量，判斷指標(biāo)的取舍，每引入一個新指標(biāo)的時，也同樣在檢驗己經(jīng)存在指標(biāo)的判別能力，若其判別能力由于新指標(biāo)的引入而變的不明顯，就刪除該指標(biāo)。然后檢驗剩余指標(biāo)中的判別能力，其中最大指標(biāo)能不能納入評價體系，按此種模式，直到所有有顯著影響的指標(biāo)全部納入評價體系，且其中指標(biāo)均不能剔除掉。筆者認為對模型的正確判別能力和預(yù)警的可靠性產(chǎn)生較大的影響的關(guān)鍵是如何選取最具判別能力的指標(biāo)。為此，本文在判別分析前先用逐步判別法來篩選指標(biāo)。

三、實證分析

從1968年奧特曼的研究文獻中可知，根據(jù)指標(biāo)的流動性、獲利能力、財務(wù)杠桿、償債能力和周轉(zhuǎn)能力五個方面，結(jié)合普遍性與潛在相關(guān)性選擇了22個財務(wù)比率，顯著判別分析變量即為這5個財務(wù)比率。其所得到的判別模型為：

Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5

X1=營運資金/總資產(chǎn)；X2=留存收益/總資產(chǎn)；X3=資產(chǎn)報酬率；X4=權(quán)益市場值/總債務(wù)的賬面值；X5=銷售收入/總資產(chǎn)。

采用逐步判別法生成的判別函數(shù)的一般形式是：

Z=aX1+bX2+cX3+dX4+…

Xi（i=1，2，3…s）是反映研究對象的特征變量a，b，c，d…為各變量的判別系數(shù)，Z為判別分值。

數(shù)據(jù)的選取對于一個檢驗?zāi)Ｐ偷某晒εc否有直接關(guān)系，樣本的選取就直接關(guān)系到模型的預(yù)警能力，應(yīng)因不同的行業(yè)而異。本文所選取的是2012年A股主板上市公司的相關(guān)財務(wù)數(shù)據(jù)，以及2012年被ST的公司。在非ST樣本的選取中，應(yīng)依據(jù)ST公司的分類相近原則，選取2012年具有經(jīng)營代表性的金融上市公司。采取一個ST公司與一個非ST公司對應(yīng)的方式，且每一對公司的經(jīng)營狀況與總體規(guī)模相近。因此通過仔細選擇，最后得到16家ST公司和16家非ST公司，組成一個32家主板上市公司的樣本數(shù)據(jù)作為構(gòu)建財務(wù)預(yù)警模型的數(shù)據(jù)。

聚類成員

這些數(shù)據(jù)是根據(jù)分類以及表明估計樣本特征的財務(wù)比率變量推導(dǎo)出的模型函數(shù)，并以所屬類別為依據(jù)進行判別。將經(jīng)過單變量T檢驗的16個財務(wù)預(yù)警變量，導(dǎo)入SPSS進行逐步判別分析。以下即為通過SPSS所做出的數(shù)據(jù)：

初始聚類中心

最終聚類中心

a.協(xié)方差矩陣的自由度為13。

b.軟件采用Wilkslambda方法進行逐步判別分析，使用F值作為判別統(tǒng)計量，并采用F>=3.84時進入模型，F(xiàn)<=2.71時從模型中移除的篩選標(biāo)準(zhǔn)。

對相等總體協(xié)方差矩陣的零假設(shè)進行檢驗。有些協(xié)方差矩陣是奇異矩陣，因此一般程序不會起作用。將相對非奇異組的匯聚組內(nèi)協(xié)方差矩陣檢驗非奇異組。其行列式的對數(shù)為3.856。

輸入的/刪除的變量a，b，c，d

在每個步驟中，輸入了最小化整體Wilk的Lambda的變量。a，b，c，d

a.步驟的最大數(shù)目是14。

b.要輸入的最小偏F是3.84。

c.要刪除的最大偏F是2.71。

d.F級容差或VIN不足以進行進一步計算。

所以，根據(jù)這三個變量得出標(biāo)準(zhǔn)化的典型判別函數(shù)公式：

Z=0.406X1+0.604X2+0.607X3

其中，X1為資產(chǎn)負債率，X2為凈資產(chǎn)比率，X3為凈資產(chǎn)收益率。

根據(jù)檢驗結(jié)果，Wilkslambda和F統(tǒng)計檢驗表明，現(xiàn)金流量比率、總資產(chǎn)凈利潤率和每股留存收益這三個變量的顯著性水平均小于0.001，檢驗通過。

針對篩選出的32家主板上市公司樣本數(shù)據(jù)（其中16家ST公司和16家非ST公司），采用逐步判別法剔除顯著性不高的變量，獲取判別出的高顯著性變量：資產(chǎn)負債率、凈資產(chǎn)比率和凈資產(chǎn)收益率，從而構(gòu)建出財務(wù)預(yù)警模型。

通過實證檢驗可以清楚地看出，所構(gòu)建的判別模型具有良好的判別能力和較高的判別精度，同時，也說明了逐步判別分析方法在構(gòu)建財務(wù)預(yù)警模型中的可行性和有效性，它的分析結(jié)果不僅能夠為投資者的科學(xué)決策以及銀行等金融機構(gòu)的放貸決策提供一定的依據(jù)，而且能夠為上市公司的財務(wù)風(fēng)險提供預(yù)警和防范思路。

雖然文中的財務(wù)預(yù)警模型存在一定的局限性，但仍然是一種較為有效的預(yù)警方式，不僅可以在上市公司的財務(wù)預(yù)警方面發(fā)揮較好的示警作用，甚至可以不斷擴展在其他風(fēng)險管理中的應(yīng)用。

作者簡介：張彥寧（1990- ），女，漢族，河南洛陽，研究生，貴州財經(jīng)大學(xué)，金融