上市公司財務困境預測
—基于Logit模型的實證研究

文/馮浩洋　袁嘉帥

?

上市公司財務困境預測
—基于Logit模型的實證研究

文/馮浩洋袁嘉帥

摘要：本文以2008年經濟危機以來的經濟環境為背景，以上市公司受到退市風險警示作為其陷入財務困境的標志，在滬深股市中選取19家財務困境公司和57家正常公司作為樣本，利用所有者權益比率、現金比率等財務指標建立Logit回歸模型，以探索同新經濟形勢相適應的我國上市公司財務預警模型。根據所建立的模型對2016年部分上市公司財務狀況進行預測分析，并針對我國制造業提出了加強信息化水平、淘汰落后產能等政策性建議。

關鍵詞：財務困境；財務指標；Logit模型；預測

2008年的美國次貸危機引發全球性的經濟蕭條，各國經濟均出現不同程度的下滑，其影響至今尚未完全消除。作為美國次貸危機的延續和深化，2009年爆發的歐洲主權債務危機對我國的出口貿易、大宗商品價格以及投資信心造成一定程度的影響，是中國外部經濟面臨的一場重要危機。2012年起，中國GDP增速回落，經濟增長階段發生根本性變化，經濟發展總體呈現出從高速增長轉為中高速增長、經濟結構不斷優化升級、從要素驅動、投資驅動轉向創新驅動的特征，步入“新常態”。2015年，我國經濟總體下行，三大產業增速均下滑，全年出口負增長，經濟下行壓力持續增大。嚴峻的經濟形勢可能導致公司資金鏈斷裂的風險加大，公司應針對經濟環境的變化及時調整戰略以避免財務困境。財務困境作為上市公司在市場經濟中的普遍現象，對于其界定，目前尚無定論。由于我國不健全的上市公司破產制度，申請破產不能作為判別我國上市公司財務困境的依據。而 “退市風險警示”作為滬深交易所對出現財務狀況異常的上市公司股票交易的處置措施，可以作為對上市公司陷入財務困境的評判標準。筆者通過閱讀大量文獻發現，關于上市公司財務困境模型的研究大多集中在2008年以前，而之前學者建立的財務困境模型，很可能因為經濟形勢的不斷變化而失去時效性。因此，在新經濟形勢下，如何對上市公司的財務困境進行準確預測，對于投資者正確判斷公司前景、做出投資決策，對于公司管理層及時調整經營戰略、防范財務危機，對于政府、監管層監控證券市場風險、進行宏觀調控均具有重要現實價值。本文擬根據財務指標建立我國上市公司財務困境預警模型，并對2016年可能出現財務困境的上市公司進行預測。

一、文獻綜述

（一）財務困境預警指標綜述

國內外學者在財務困境預警指標方面都進行了相關研究，目前比較流行的是在傳統財務指標中加入非財務指標以構建全面的指標體系。1966年，Beaver［1］首次在財務困境指標體系中加入現金流量指標，通過單變量分析方法發現債務保障率對企業財務困境具有良好判別性。Glassman（2003）［2］在財務指標體系中引入經濟增加值進行研究，發現經濟增加值對財務困境的預測要優于傳統財務指標。Campbell（2006）［3］將杠桿率、盈利能力、市場資本總額、股票收益率及其穩定性等因素引入財務預警模型，并發現相對于單一指標體系，綜合指標體系對財務困境預測的準確性更強。Blanco-Oliver等（2015）［4］將公司所有權特點等非財務因素引入模型，并獲得比人工神經網絡模型更好的預測效果。2016年，Chan等［5］在財務預警模型中引入公司治理因素，并提出決策者可通過制定相應的公司治理機制來避免破產。

聶麗潔和趙艷芳（2011）［6］同時利用財務指標與現金流量指標進行財務困境預警，得到比傳統財務指標體系更佳的預測精度及錯判率。2011年，梁杰等［7］將經濟增加值指標引入財務困境模型，通過研究得出經濟增加值對上市公司財務困境具有顯著判別能力。盧永艷（2013）［8］在財務預警模型中同時加入財務指標與宏觀經濟因素，發現貸款利率及國內生產總值增長率對上市公司是否陷入財務困境有顯著影響。劉小淇和曾繁榮（2015）［9］將股權結構、人力資本等非財務因素納入財務預警指標體系。研究發現：相對于僅含財務指標的預警模型，非財務指標的引入使模型具備更佳的預測準確性。

（二）財務困境研究方法綜述

在研究方法的選擇上，過去學者大多采用判別分析、回歸模型等傳統方法，隨著計算機技術的進步，學者開始利用人工神經網絡、決策樹等復雜的分析方法進行預測研究。Ohlson（1980）［10］使用Logistic模型進行財務困境預警，同時對樣本公司在破產概率區間的分布及分割點與兩類錯誤間的關聯性進行說明。Hensher等（2007）［11］使用多項誤差分量Logit模型對財務困境進行研究，取得比標準多項Logit模型更佳的擬合優度。2012年，Sánchez-Lasheras等［12］結合自組織映射（Self-Organizing Map）與多元自適應回歸樣條法來建立混合模型，發現所采用的混合模型較神經網絡模型能夠更準確地識別財務困境。2014年，Heo和Yang［13］針對韓國建筑公司利用Adaboost算法來預測財務困境，通過比較，他們發現該算法較其他算法具有更佳的預測性能。2016年，Slavici等［14］利用統計方法對人工神經網絡進行優化，并認為經改進的模型的預測性能可達國際適用水平。

周建濤，龐文鳳（2009）［15］通過建立Z值財務預警模型，發現財務困境公司與正常公司的Z值波動特征有顯著不同。2012年，周喜和吳可夫［16］利用粗糙集優化人工神經網絡的輸入端以提高其學習推理能力，并取得比傳統模型更高的判別準確性。2014年，謝赤和趙亦軍［17］利用經過CFaR模型識別的變量建立Logistic模型并驗證模型具有良好的預測效果。莊倩和陳良華（2014）［18］通過劃分財務困境動態發展各時期的不同特征，在進行動態預測時嵌入卡爾曼濾波算法，提升了模型的前瞻預測能力。2015年，李力和馮濤［19］基于自適應神經網絡模糊推理系統與馬氏距離判別法的組合模型，發現在結合貝葉斯判別法時綜合模型的預測能力有顯著提升。

由上述綜述可看出，對于財務困境，國內外學者均作了大量研究。相比較而言，國外學者的研究起步早、成果豐富。而國內學者對財務困境的研究起步晚，與國外的研究水平存在一定差距。同時，雖然國內外學者在研究指標和研究方法上不斷取得新的成果，但由于經濟環境的不斷變化，即便是具備較強學習能力的模型也很難對環境的變化做出完美的調整。因此，我們需要根據國內經濟的實際情況、國內上市公司的經營特點來構建與實際相適應的預警模型，以在最大程度上減少公司及投資人的損失。

二、研究設計

（一）研究假設

根據上海、深圳證券交易所股票上市規則，當上市公司出現財務狀況或其他狀況異常，可能導致其股票退市或損害投資者利益的，其股票交易將被實施風險警示。股票交易的風險警示實施分為兩種情形：當上市公司出現近兩年連續虧損、近一年經審計的期末凈資產小于零等情況時，該公司的股票交易將被實施退市風險警示，其股票簡稱前將被冠以“*ST”字樣；當上市公司被凍結重要銀行賬號、無法召開董事會等情況時，該公司的股票交易將被實施其他風險警示，其股票簡稱前將被冠以“ST”字樣。由上述股票上市規則，實施“退市風險警示”時的條件符合上市公司財務狀況異常的判定標準，實施“其他風險警示”時則可認定為上市公司其他狀況異常?；谏鲜稣f明及研究預測的需求，本文假設如下：

假設一：我國上市公司中，股票交易被實施“退市風險警示”的為財務困境公司，股票交易被實施“其他風險警示”的為其他狀況異常公司。除此之外為正常公司。

假設二：在本文所研究的年限內，樣本數據不存在非同質性問題，均可代回所建立的Logit模型進行分析。

（二）數據來源

根據我國上市公司年報披露制度，上市公司（t-1）年的財務數據和其股票交易在t年是否被實施“退市風險警示”具有很強的相關性。故本文基于Logit模型對上市公司進行財務困境的預測，采用2013年的數據作為研究數據并利用2015年公司的財務狀況檢驗模型的準確性。最后，以2014年的數據預測2016年可能陷入財務困境的公司。為避免正確判別率過低 （Ohlson，1980），本文未按財務困境公司與正常公司的實際比例來選取樣本。而根據Zmijewski（1984）的經驗，財務困境公司的正確判別率會因對財務困境公司的過度抽樣而高估，因此本文摒棄一比一的配比方式。因此，本文選取滬深股市2015年出現財務困境但此前財務狀況持續正常的19家上市公司，按照一比三的配對比例，按照同時期、同行業、資產規模相似（相差在10％以內）的原則選取57家正常公司與之配比，以此建立財務困境預測模型。另外，按上述原則及各行業間實際上市公司數量比例，選取60家上市公司，利用其2014年數據對其2016年是否出現財務困境進行預測。本文所采用的數據來源于國泰安數據庫。

（三）變量選取

本文從比率結構、償債能力、發展能力、經營能力、每股指標、盈利能力六個方面進行指標選取，結合之前學者的研究成果［8,20,21］，并剔除殘缺值較多的指標后，得到38個財務指標，將其分別命名為X1～X38（見表1）。

1.指標正態分布檢驗及均值比較檢驗

利用SPSS 22.0對上述指標進行K-S單樣本檢驗，根據結果，3個財務指標符合正態分布。為繼續驗證所選財務指標在財務困境公司和正常公司之間是否具有顯著差異，本文進一步對上述3個財務指標進行兩樣本T檢驗，根據結果，兩類上市公司間有顯著差異的財務指標只有X19，對應總資產增長率。對之前未通過正態分布檢驗的38個指標進行曼-惠特尼 U檢驗，根據結果，在兩類公司間具有顯著區分度的指標有所有者權益比率（X5）、主營業務利潤占比（X9）、現金比率（X12）、所有者權益增長率（X21）、固定資產周轉率（X27）、每股凈資產（X30）和每股經營活動產生的現金流量凈額（X31）。

2.指標相關性檢驗

經過上述篩選所得到的8個指標并不能直接帶入方程。為避免指標間的多重共線性對預測模型的影響，本文利用Eviews 8.0對變量間相關性進行分析（見表2）。

根據表2，經篩選得到的8個指標中，X19和X21的相關系數大于0.5，呈現較高的相關性。經比較，由于X19與其他變量間的相關程度相對X21而言較小，故刪除X21，并確定建模變量為所有者權益比率（X5）、主營業務利潤占比（X9）、現金比率（X12）、總資產增長率（X19）、固定資產周轉率（X27）、每股凈資產（X30）和每股經營活動產生的現金流量凈額（X31）7個變量。最終確定變量如下表所示（見表3）。

表1　初始財務指標

表2　變量相關性分析

如表3所示，所有者權益比率是公司所有者權益與資產總額的比例，是反映公司長期償債能力的重要指標，筆者認為，當該指標較高時，公司發生財務困境的概率會變小。主營業務利潤占比。主營業務利潤占比為（營業收入-營業成本）與利潤總額的比例，反映公司日常經營活動產生的利潤對其利潤總額的貢獻程度?，F金比率是現金及現金等價物期末余額與流動負債的比率，可衡量公司資產流動性，筆者認為，該指標越高，公司償債能力越強，故發生財務困境的概率越小?？傎Y產增長率是公司本期總資產增長額同年初資產總額的比率，筆者認為,該指標越高，則公司取得收入、償還債務的能力越強，故陷入財務困境的可能性越小。固定資產周轉率表示在一個會計年度內，固定資產周轉的次數，可以說明公司廠房、設備等固定資產利用的效率，筆者認為，該指標越高，公司發生財務困境的可能性越小。每股凈資產反映每股股票所擁有資產的現值，可通過該指標評價公司發展潛力與股票的投資價值，筆者認為，當該指標越大時，公司發生財務困境的可能性越小。每股經營活動產生的現金流量凈額是一個會計年度內經營活動產生的現金流量凈額與實收資本本期期末值之比，筆者認為，該比值越大，代表公司支付股利和資本支出的能力越強，故發生財務困境的可能性會越小。

表3　變量設置及說明

筆者嘗試利用上述指標所構成的指標體系來對上市公司未來發生財務困境的可能性進行推測，即根據指標體系所反映的目前財務狀態來推測公司股票交易未來被實施“退市風險警示”的概率。

（四）模型構建

國內外大量學者的研究表明，Logit模型對財務困境具有較強的預測能力，同時不需要變量滿足正態分布，是一種成熟的分析方法，故本文采用Logit模型進行分析。通過Logit變換可得如下方程：

方程（1）的等價形式為：

其中：P是在因素（X1,X2,…,Xm）之下上市公司發生財務困境的概率，如果上市公司發生財務困境，則P=1，否則P=0；Xi（i=1,2, …,m）是上市公司發生財務困境的第i個影響因素；βi（i=0,1,2, …,m）是模型的待估參數。

三、實證分析

（一）變量描述性統計

表4是利用Eviews 8.0對建模變量按上市公司財務狀況的兩種情形分別進行描述性統計?？梢钥闯?，全部7個變量在財務困境狀態相對于財務正常狀態都有明顯的惡化現象。

（二）Logit回歸分析

由于本文研究內容符合Logit模型的特點，故采用Logit模型進行分析。將選取的7個變量的有關數據導入SPSS 22.0軟件，利用Binary Logistic選項對2013 年76家上市公司的數據進行擬合建模（見表5）。

根據回歸結果，主營業務利潤占比、現金比率、總資產增長率、每股經營活動的現金流量凈額與預期相符，上述指標越高，公司出現財務困境的概率越低。但所有者權益比率、固定資產周轉率、每股凈資產則與公司財務困境的發生概率呈正向關系。經筆者分析，對于所有者權益比率，雖然該比率越高時公司融資結構的穩固性和所有者對公司控制的穩固性越強，但若該比率過高，會增加公司融資成本，會間接導致導致公司陷入財務困境。

根據表5所得結果，結合方程（2），可得預測模型：（見方程式（3））

（三）模型的檢測與預測

將2013年上市公司的財務數據代回預測模型，當P＞0.5時，認定上市公司發生財務困境，反之則認為上市公司財務狀況正常。檢驗結果如表6所示。

從表6可得，預測模型的綜合準確率達94.7％，可認為本文所建立的Logit模型具備一定程度的可靠性和準確性。為對2016年可能出現財務困境的上市公司進行預測，本文同樣以0.5為最佳判定點，將2014年各上市公司財務數據代回所建預測模型。在結果中選取P值大于0.5的上市公司，可得目前可能發生財務困境的4家公司，公司名稱及對應P值分別為：石油濟柴 0.91，興業礦業0.63，滄州大化0.80，八一鋼鐵 0.90。

四、結論與建議

（一）研究結論與局限性

本文采用二分類Logit模型對我國上市公司建立財務困境預警模型，同時利用現有數據進行模型的檢測，并對目前部分上市公司的財務狀況進行預測分析。從準確性方面而言，根據上市公司發生財務困境前兩年的財務指標建立的模型綜合準確率達94.7％，說明擬合效果較好。同時，對2016年上市公司財務狀況的預測結果也大致符合我國目前經濟形勢?？紤]到我國上市公司管理人員目前的信息技術水平，本文所建立的Logit預警模型不失為一種簡單可行的財務困境預警方法。

表4　變量描述性統計

表5　回歸結果

表6　檢驗結果

本文在研究中存在一些不足之處：首先，在樣本選擇方面，本文所選取的樣本范圍為我國全體上市公司，覆蓋各個行業及各個板塊，但若從某具體行業來看，行業間的差別可能會影響模型的準確性。其次，在指標選擇方面，本文僅從財務角度選取7個指標來建立模型，并不能全面刻畫上市公司的財務狀況，同時，沒有考慮公司治理結構等非財務因素，但有學者證實，部分非財務指標對上市公司的財務狀態有顯著影響。最后，在研究方法方面，本文選取截面數據利用Logit模型進行研究，雖能取得較好的判別能力，但是在預測的準確性以及動態預測性能等方面仍與當前先進的模型、算法存在一定差距。

（二）政策建議

根據觀察，所預測的四家可能被實施“退市風險警示”的上市公司分別屬于通用設備制造、有色金屬礦采選、化學原料及化學制品制造和黑色金屬冶煉及壓延加工行業。其中，通用設備制造化學原料及化學制品制造和黑色金屬冶煉及壓延加工行業屬制造業大類。通過分析，筆者認為預測結果中制造業上市公司占比較大的原因可能是：經濟增長階段變化及產品結構落后帶來的產能過剩共同導致相關公司陷入財務困境。鑒于上述分析，并結合目前供給側改革的思想，本文提出以下建議：

1.提高企業創新能力與信息化水平。一方面，要通過政府引導創造適宜創新環境，同時聯合高技術制造企業及科研機構進行關鍵技術突破以及對落后企業的技術幫扶。另一方面，應做好上下游企業間及企業內部的信息化建設，提升供需對接效率及資源信息的統籌規劃能力。

2.政府部門要進行體制改革，發揮市場的作用。政府在積極引導的同時，要做到簡政放權、減少企業的制度性成本，同時，進一步釋放市場的調節作用，使得企業加強應對市場變化的水平，在市場需求旺盛時，增加供應，在市場需求減少時，又能夠靈活地調整產能。

3.化解過剩產能，調整資源配置。對于產能過剩的企業，需要依靠調整發展戰略、挖掘市場需求。充分利用互聯網、技術進步的力量來進行轉型升級；對于經營困難、創新乏力的僵尸企業，一方面，可以通過兼并重組來重新配置資源，另一方面，政府要出臺政策引導其平穩退出市場，以達到消化過剩產能的目的。

參考文獻：

［1］Beaver，W.Financial Ratios as Predictors of Failure［J］. Journal of Accounting Research，1966，4（1）：71-111.

［2］David Glassman，華彬.財務挑戰. EVA 革命-以價值為核心的企業戰略與財務、薪酬管理體系［M］.北京：社會科學文獻出版社，2003：49-50.

［3］Compbell，Jens Hilscher， Jan Szilagyi. In Search of Distress Risk［J］. Journal of Finance， 2008，63（6）：2899-2939.

［4］A Blanco-Oliver， A Irimia-Dieguez， M Oliver-Alfonso， N Wilson. Improving bankruptcy prediction in micro-entities by usingnonlinear effects and non-financial variables［J］. Finance a Uver-Czech Journal of Economics and Finance，2015，65（2）：144-166.

［5］ CY Chan， DW Chou，JR Lin， FY Liu. The role of corporate governance in forecasting bankruptcy： Preand post-SOX enactment［J］. North American Journal of Economics & Finance， 2016， 35：166-188.

［6］聶麗潔，趙艷芳，高一帆.基于現金流的財務危機預警指標體系構建研究——基于我國制造業上市公司數據［J］.經濟問題，2011（3）：108-112.

［7］梁杰，歐陽雅麗，張冬冬.基于EVA的制造業上市公司財務危機階段性預警研究［J］.財會通訊：綜合，2011（11）：150-151.

［8］盧永艷.宏觀經濟因素對企業財務困境風險影響的實證分析［J］.宏觀經濟研究，2013（5）：53-58.

［9］劉小淇，曾繁榮，周鴻.基于非財務視角的上市公司財務困境預警研究——基于主成分邏輯回歸的方法［J］.財會通訊：綜合，2015（6）：90-93.

［10］Ohlson，James.A Financial Ratios and the Probabilistic Prediction of Bankruptcy［J］.Journal of Accounting Research， 1981， 18（1）：109-131.

［11］Hensher D A， Jones S， Greene W H. An Error Component Logit Analysis of Corporate Bankruptcy and Insolvency Risk in Australia［J］. Economic Record， 2007（83）： 86-103.

［12］F Sánchez-Lasheras， JD Andrés， P Lorca， FJDC Juez. A hybrid device for the solution of sampling bias problems in the forecasting of firms' bankruptcy［J］Expert Systems with Applications An International Journal，2012， 39（8）：7512-7523.

［13］J Heo， JY Yang. AdaBoost based bankruptcy forecasting of Korean construction companies［J］.Applied Soft Computing， 2014，24（24）：494-499.

［14］T Slavici， S Maris， M Pirtea. Usage of artificial neural networks for optimal bankruptcy forecasting. Case study： Eastern European small manufacturing enterprises［J］. Quality & Quantity，2015：1-14.

［15］周劍濤，龐文鳳.Z-SCORE財務預警模型在上市公司應用的實證研究［J］.財會通訊，2009（24）：25-27.

［16］周喜，吳可夫.基于混合粗糙集與ANN的上市公司財務危機預警研究［J］.企業經濟，2012（2）：37-40.

［17］謝赤，趙亦軍，李為章.基于CFaR模型與Logistic回歸的財務困境預警研究［J］.財經理論與實踐，2014，35（1）：57-62.

［18］莊倩，陳良華.財務困境理論的預測動態性改進與應用［J］.審計與經濟研究，2014（5）：69-76.

［19］李力，馮濤.上市公司財務困境預測——基于ANFIS和馬氏距離判別法的組合模型［J］.財會月刊，2015（11）：60-64.

［20］肖艷.上市公司財務困境預警的Logit模型實證研究［J］.湖南工程學院學報（社會科學版），2004， 14（4）：11-14.

［21］喬卓，薛鋒，柯孔林.上市公司財務困境預測Logit模型實證研究［J］.華東經濟管理，2002，16（5）：103-104.

（作者單位：西北農林科技大學經濟管理學院）