成長期上市公司財務(wù)危機預(yù)測
——基于Kalman濾波與Logistic回歸的實證研究

朱兆珍，董小紅，汪 健

(安徽財經(jīng)大學(xué)商學(xué)院，安徽 蚌埠 233000 )

?

成長期上市公司財務(wù)危機預(yù)測
——基于Kalman濾波與Logistic回歸的實證研究

朱兆珍，董小紅，汪 健

(安徽財經(jīng)大學(xué)商學(xué)院，安徽 蚌埠 233000 )

本文將Kalman濾波智能算法與Logistic回歸傳統(tǒng)模型相結(jié)合，對成長期上市公司財務(wù)危機進行預(yù)測。結(jié)果表明：公司治理因素對上市公司是否發(fā)生財務(wù)危機具有顯著影響；比較而言，Kalman濾波算法算得的專一性優(yōu)于Logistic回歸模型；臨近被ST的T-1期模型I、II以及T-3期模型II計算所得敏感性高于Kalman濾波算法敏感性結(jié)果，但T-3期模型I及T-5期模型I、II敏感性皆低于Kalman濾波算法得到的敏感性。文章最后提出了成長期上市公司避免陷入財務(wù)困境的政策建議。

成長期；財務(wù)危機；Kalman濾波；Logistic回歸

一、引 言

企業(yè)財務(wù)危機預(yù)警(Financial early warning，亦可簡稱為FEW)是一個世界性的問題和難題[1]，隸屬于公司治理的重要研究領(lǐng)域，對于公司管理者、投資者、債權(quán)人等做出決策起著重要作用[2]。預(yù)防財務(wù)危機，對企業(yè)財務(wù)危機進行盡可能有效和精細地預(yù)警和監(jiān)測是擺在財務(wù)理論研究和實務(wù)工作者面前急需研究的重要課題[3]。國內(nèi)外財務(wù)危機預(yù)警研究文獻汗牛充棟，大多數(shù)文獻僅憑借財務(wù)危機發(fā)生當期前若干期的截面數(shù)據(jù)就做出是否發(fā)生財務(wù)危機的判斷，缺乏動態(tài)性。基于企業(yè)生命周期視角的文獻不多，且多停留在理論分析層面，這為本文研究提供了空間。企業(yè)生命周期理論認為企業(yè)猶如生命體，經(jīng)歷出生、成長、成熟、衰退直至死亡的全過程。處于不同生命周期階段的企業(yè)會表現(xiàn)出不同的典型行為模式[4]。Miller和Friesen(1984)[5]將“典型行為模式”具體化，他們認為企業(yè)在成長期，銷售迅速增長、能夠積累豐富的資源用于擴張，尤其是組織結(jié)構(gòu)更加健全，許多決策權(quán)力下放給中層管理者；在成熟期，銷售水平趨于平穩(wěn)、創(chuàng)新水平有所下降，組織結(jié)構(gòu)出現(xiàn)官僚化；在衰退期，由于缺少創(chuàng)新和市場，盈利能力會很快下降。也有一些學(xué)者發(fā)現(xiàn)處于早期階段的企業(yè)籌措資金時比后期階段企業(yè)籌資面臨更多潛在的苛刻條件[6]。成長期是企業(yè)的關(guān)鍵發(fā)展時期[7]，但不乏某些管理者因過度自信而進行過度投資或盲目擴張等非理性行為致使企業(yè)陷入財務(wù)危機[8][9][10][11]，因此更有必要針對成長期上市公司展開財務(wù)危機預(yù)警研究。

吳應(yīng)宇和朱兆珍(2015)[12]指出，財務(wù)失敗上市公司一般會經(jīng)歷這樣一個過程：從財務(wù)健康到面臨財務(wù)風險；當財務(wù)風險達到一定程度，無法自行調(diào)整便會陷入財務(wù)困境，甚至遭遇財務(wù)危機直至摘牌或破產(chǎn)。正如孫曉琳(2013)[13]所言，企業(yè)財務(wù)危機的發(fā)生是財務(wù)狀況逐步惡化，直至陷入困境的演變過程。假如僅用財務(wù)危機發(fā)生當期前的若干期截面數(shù)據(jù)就做出未來是否會發(fā)生財務(wù)危機的判斷，顯然缺乏動態(tài)性[14]。莊倩等(2014)[14][15]對財務(wù)預(yù)警模型進行了動態(tài)性改進，但是因為所使用模型本身對海量指標數(shù)據(jù)的苛刻要求，僅考慮了財務(wù)指標，顯然與實際脫離。財務(wù)危機的發(fā)生是財務(wù)因素及非財務(wù)因素共同作用和交叉影響的結(jié)果，僅考慮財務(wù)指標不可避免會忽視非財務(wù)因素的作用。另外，本研究需要通過配對的方法探索財務(wù)危機企業(yè)和財務(wù)健康企業(yè)中各種財務(wù)因素和非財務(wù)因素對財務(wù)危機產(chǎn)生的影響，此時出現(xiàn)因變量為二分變量的情況。Logistic回歸模型適用于因變量為二元變量的情況或分析某事件(財務(wù)危機)發(fā)生率的問題。因此，在回歸模型中我們選取二元Logistic回歸模型。最終，本文嘗試將凸顯動態(tài)預(yù)警優(yōu)越性的Kalman濾波智能算法與適合納入非財務(wù)指標進行靜態(tài)預(yù)警的Logistic回歸模型有機結(jié)合，對處于成長期這一關(guān)鍵時期的上市公司財務(wù)危機預(yù)警有效性加以實證分析。

與已有研究相比，本文的創(chuàng)新之處在于：(1)Kalman濾波智能算法凸顯動態(tài)預(yù)警的優(yōu)越性，Logistic傳統(tǒng)回歸模型適用于非線性情況，且可解決判別分析中自變量數(shù)據(jù)呈非正態(tài)分布的問題，而邏輯回歸存在只能進行截面數(shù)據(jù)靜態(tài)FEW的缺陷。本文將這兩種方法有機結(jié)合比較討論成長期上市公司FEW問題，既可以實現(xiàn)對樣本公司財務(wù)指標時序立體數(shù)據(jù)的動態(tài)預(yù)警，又能夠納入公司治理指標對整個FEW指標體系關(guān)鍵時期截面數(shù)據(jù)進行全面邏輯回歸，嘗試探尋不同建模方法的預(yù)測有效性。(2)基于企業(yè)生命周期理論，本文將研究對象鎖定在企業(yè)發(fā)展的關(guān)鍵時期——成長期階段的上市公司，并嘗試引入“管理者過度自信”指標。一方面為企業(yè)FEW指標的選取提供新的思路，另一方面也在一定程度上解決了建立財務(wù)危機預(yù)警指標體系的理論依據(jù)和完整性問題。

二、變量選取及數(shù)據(jù)來源

(一)變量選取

孫曉琳(2013)[12]指出，企業(yè)財務(wù)狀況在開始惡化前會以某種跡象表現(xiàn)出來，這種跡象運用財務(wù)指標來體現(xiàn)最為合適。按照曹裕(2010)[16]的觀點，在進行FEW時，財務(wù)指標基本可以全面體現(xiàn)企業(yè)內(nèi)外部各種復(fù)雜因素的作用，所以預(yù)警企業(yè)財務(wù)危機時仍堅持以財務(wù)指標為主。遵循全面性和完整性原則，本文構(gòu)建由21個反映企業(yè)償債能力、盈利能力、成長能力、經(jīng)營能力和現(xiàn)金流狀況的財務(wù)指標和8個映射企業(yè)內(nèi)部經(jīng)營管理行為的公司治理指標構(gòu)成的財務(wù)危機預(yù)警指標備選集。鑒于成長期上市公司因管理者過度自信實施非理性財務(wù)活動或做出非理智財務(wù)決策導(dǎo)致企業(yè)陷入財務(wù)危機，本文借鑒Tang(2010)等[10]的測量方法，通過計算盈利預(yù)測與實際盈利之間的差額占據(jù)實際盈利絕對值的百分比來度量管理者過度自信程度。若一個年度內(nèi)存在多個盈利預(yù)測值，則取其平均值，記為Con。Con值越大，說明管理者自信程度越高。該指標并入公司治理指標進行分析。

為保證預(yù)警的準確性和有效性，通過K-S正態(tài)性檢驗、獨立樣本T檢驗以及Mann-Whitney U非參數(shù)檢驗，剔除在財務(wù)危機樣本及其配對樣本之間不存在顯著性差異的指標，最后保留流動比率、速動比率、現(xiàn)金比率、資產(chǎn)負債率、現(xiàn)金流量債務(wù)比、營運資本/總資產(chǎn)、凈資產(chǎn)收益率、總資產(chǎn)報酬率、總資產(chǎn)凈利率、銷售毛利率、營業(yè)收入現(xiàn)金凈含量、固定資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)增長率、總資產(chǎn)增長率、凈利潤增長率、流動資產(chǎn)資產(chǎn)比率16個財務(wù)指標和董事會規(guī)模、獨立董事比例、管理者過度自信3個公司治理指標作為研究變量。

(二)數(shù)據(jù)來源

不同行業(yè)競爭強度不同，發(fā)生財務(wù)危機的可能性存在差異，將FEW模型鎖定在一個特定行業(yè)有助于提高預(yù)警效度[17]。因為制造業(yè)企業(yè)相對服務(wù)、零售等其他行業(yè)有更加復(fù)雜的財務(wù)危機演化過程，可以觀察財務(wù)危機產(chǎn)生原因的變動情況，且在數(shù)據(jù)收集期間制造業(yè)企業(yè)較少受到經(jīng)濟衰退的影響。所以本文將制造業(yè)上市公司作為研究對象。成長期階段的確定借鑒Dickinson(2011)[18]三種現(xiàn)金流量組合法。

沿用我國學(xué)者研究慣例，將被實施ST作為發(fā)生財務(wù)危機的標志。一般數(shù)據(jù)庫公開上市公司報表包括季報、半年報和年報，但是季度報表數(shù)據(jù)缺失嚴重，又因為擬構(gòu)建卡爾曼濾波模型對數(shù)據(jù)有“長周期和短間隔”的要求，理論上輸入的時間序列動態(tài)數(shù)據(jù)越多，模型輸出越趨于穩(wěn)定和精確，因此，本文最終選擇研究期間間隔為半年，研究期數(shù)為16期。將企業(yè)被ST的當期作為T期，選取被ST前8年16期數(shù)據(jù)作為財務(wù)危機樣本公司的時間序列數(shù)據(jù)集。依據(jù)研究期間、所處行業(yè)、資產(chǎn)規(guī)模、生命周期階段相同原則按照1：1比例選取財務(wù)健康公司作為配對樣本，共選取財務(wù)危機樣本公司和財務(wù)健康樣本公司96家，至此構(gòu)建一個96家成長期樣本公司、16個財務(wù)指標、16期時間序列數(shù)據(jù)的三維立體數(shù)據(jù)庫，共計1336個半年度觀測數(shù)據(jù)。其中，2005～2012年8家、2006～2013年24家、2007～2014年28家，共計60家樣本作為訓(xùn)練集，用來建立預(yù)警模型；2008～2015年36家樣本成為檢測集，用來檢驗?zāi)Ｐ偷念A(yù)測效果。所有樣本公司數(shù)據(jù)取自國泰君安數(shù)據(jù)庫和銳思數(shù)據(jù)庫。

三、基于Kalman濾波的成長期上市公司FEW實證分析

Kalman濾波算法是一種最優(yōu)估計方法，由R.E.Kalman提出。提出描述動態(tài)系統(tǒng)的狀態(tài)空間模型是Kalman重大貢獻之一。Kalman濾波算法無需保存之前的測量數(shù)據(jù)。只需將新測得的真實數(shù)據(jù)與上一時刻估計值代入狀態(tài)轉(zhuǎn)移方程(也稱為動態(tài)方程)，依據(jù)遞推公式，便可計算出新的狀態(tài)估計值。該法使用前提之一是輸入的噪聲和觀測值呈高斯分布，因此需要對時序數(shù)據(jù)進行標準化處理，使樣本公司時序數(shù)據(jù)的總體特征均值為0，方差值等于1。本文在Matlab2012b中使用Zscore函數(shù)將上述三維立體數(shù)據(jù)庫進行標準化，結(jié)果保留在程序中以備下一步計算所用。

(一)FEW狀態(tài)空間模型的建立

1.FEW狀態(tài)空間模型基本原理

在動態(tài)數(shù)學(xué)描述上，狀態(tài)空間定位為狀態(tài)變量的一個集合，狀態(tài)空間與狀態(tài)變量具有相等的維數(shù)。狀態(tài)變量維數(shù)由具體問題和要求而定。一個n維的狀態(tài)變量的取值隸屬于一個n維的歐氏空間Rn，也即意味著n維狀態(tài)變量的取值是Rn中的一個“點”，我們稱Rn即為狀態(tài)空間。引入了時間序列的狀態(tài)空間模型可以表示為：

狀態(tài)方程：Xt=AtXt-1+BtUt-1

(1)

觀測方程：Zt=HtXt+Vt

(2)

式中，Xt是系統(tǒng)的n維狀態(tài)向量；At稱為系統(tǒng)的n×n維狀態(tài)轉(zhuǎn)移矩陣；Bt稱為n×p維干擾輸入矩陣；Ut-1代表系統(tǒng)的p維過程噪聲向量；Zt稱為系統(tǒng)的m維觀測向量；Vt為系統(tǒng)的m維觀測噪聲向量；Ht是m×n維觀測矩陣。

運用卡爾曼濾波算法首先需要滿足如下三個假設(shè)：①系統(tǒng)噪聲和觀測噪聲是高斯白噪聲；②最優(yōu)標準是均方誤差最小；③系統(tǒng)是線性的并且是已知的。那么，關(guān)于系統(tǒng)噪聲和觀測噪聲的統(tǒng)計特性描述為：

(3)

式中，Qt是系統(tǒng)過程噪聲Ut的p×p維對稱非負定方差矩陣；Rt為系統(tǒng)觀測噪聲Vt的m×m維對稱正定方差矩陣；δtj代表Kronecker-δ函數(shù)。

狀態(tài)一步預(yù)測：

(4)

一步預(yù)測誤差方差矩陣：

(5)

卡爾曼增益矩陣：

(6)

卡爾曼增益也稱為卡爾曼系數(shù)，它是用來最小化均方誤差估計的調(diào)整因子。

(7)

(8)

式(4)至(8)是運用卡爾曼濾波算法的五個基本方程，實際的濾波計算是一個不斷進行“預(yù)測-修正”的遞歸過程。運用卡爾曼濾波不斷循環(huán)進行“預(yù)測-修正”的遞歸過程具體如下：

2.FEW狀態(tài)空間模型的建立

假設(shè)Xt代表一個公司在第t期的財務(wù)狀況，是由xt組成的隨機變量；Zt代表一個研究樣本在第t期的財務(wù)指標值，它是由zt組成的N維隨機向量；在此Zt并非原始數(shù)據(jù)，而是代表全局主成分分析結(jié)果中的主成分。假設(shè)xt不能被觀測到但是與zt有關(guān)，即：

Zt=Bgxt+Vt

(9)

式(9)即是卡爾曼濾波基本方程中的觀測方程(為了區(qū)別上述Kalman濾波五個基本方程，本研究在具體運用時字母有所差異，但意義并無不同。其中，Bg是從財務(wù)指標數(shù)據(jù)中可以估計出的參數(shù)向量，Vt是系統(tǒng)的觀測噪聲向量，且Vt～N(0,Rt)。Rt是系統(tǒng)觀測噪聲Vt的m×m維對稱正定方差矩陣，Bg和Rt可以是與時間無關(guān)的向量。zt、Bg和Rt是在t時刻維數(shù)為N、列數(shù)為1的向量。N是從原數(shù)據(jù)中得到的全局主成分個數(shù)，依據(jù)成長期公司全局主成分分析解釋的總方差，N取值為6。限于篇幅，全局主成分分析結(jié)果未列出。

系統(tǒng)方程為：Xt=AtXt-1+QtUt-1

(10)

式中，At和Qt是參數(shù)，U～N(0,Qt)，Qt是方差。

根據(jù)前述經(jīng)過處理的三維立體數(shù)據(jù)庫，應(yīng)用Matlab2012b編寫主程序，確定最合適的參數(shù)估計值Bg、Rg和Qg，其中Bg=[0.057，1.020，-1.024，0.593，-0.819，2.356，-0.869，0.532，0.568，-1.245，0.134，0.749，-0.451，3.023，0.737，0.156]T；Qg=0.047，Rg是16×16的矩陣，具體值限于篇幅，正文未列出。

(二)財務(wù)危機閾值的確定

財務(wù)危機的產(chǎn)生是一個企業(yè)財務(wù)狀態(tài)由好向壞、由輕及重漸進的動態(tài)過程。將財務(wù)狀況籠統(tǒng)分為財務(wù)健康和財務(wù)危機兩個等級不利于準確把握財務(wù)危機程度。構(gòu)建多階段的FEW模型有助于提高預(yù)測準確度，并且對防控企業(yè)財務(wù)風險具有舉足輕重的實踐價值。本文將上市公司財務(wù)狀況劃分為財務(wù)健康、輕度財務(wù)危機和重度財務(wù)危機三個等級。

采用統(tǒng)計分析法，根據(jù)成長期訓(xùn)練集樣本數(shù)據(jù)提取ST的判斷閾值。在置信水平alpha=95%的前提下，置信系數(shù)為1.6449，則企業(yè)被ST的置信下限和置信上限為：

置信下限=meanST-alpha×stdST

(11)

置信上限=meanNST+alpha×stdNST

(12)

式中，meanST為訓(xùn)練樣本中各財務(wù)危機樣本公司財務(wù)狀態(tài)值的平均值；stdST為訓(xùn)練樣本中財務(wù)危機樣本公司財務(wù)狀態(tài)的標準差；meanNST為訓(xùn)練樣本中財務(wù)健康樣本公司財務(wù)狀態(tài)的平均值；stdNST為訓(xùn)練樣本中財務(wù)健康樣本公司財務(wù)狀態(tài)的標準差。

運用Matlab2012b編寫主程序計算的結(jié)果，進一步計算得出：置信下限值等于-0.327，置信上限值等于0.073。當財務(wù)狀態(tài)預(yù)測值小于-0.327時，預(yù)示著企業(yè)可能發(fā)生重度財務(wù)危機；當財務(wù)狀態(tài)預(yù)測值大于0.073時，可以判定企業(yè)的財務(wù)狀況良好；當財務(wù)狀態(tài)預(yù)測值處于-0.327和0.073之間時，企業(yè)的財務(wù)狀態(tài)有發(fā)生輕度財務(wù)危機的可能。

(三)卡爾曼濾波預(yù)警結(jié)果及分析

對36家成長期測試樣本構(gòu)建Kalman濾波動態(tài)模型進行預(yù)測效果檢驗，構(gòu)建模型為：

Zt=(1 1)Xt

(13)

(14)

模型中，參數(shù)A的估計值和協(xié)方差矩陣R在36家檢測樣本中隨每期濾波情況不斷更新，將2007～2014年財務(wù)指標數(shù)據(jù)和財務(wù)狀態(tài)值輸入上述模型，得到各家樣本公司各期的預(yù)測值，并繪制動態(tài)預(yù)測圖。

受篇幅所限，本文只列出其中6家測試樣本的動態(tài)預(yù)測圖，其中3家為財務(wù)危機樣本公司，3家為相應(yīng)配對的財務(wù)健康樣本公司。樣本公司股票名稱和代碼依次為：*ST申科(002633)、*ST安泰(600408)、*ST華賽(000068)、金宇車城(000803)、山河智能(002097)、精倫電子(600355)。這6家測試樣本公司動態(tài)預(yù)測圖如圖1所示。

圖1 部分成長期測試樣本公司財務(wù)狀態(tài)動態(tài)預(yù)警曲線

由于對T-1期的預(yù)測值需要知道T-3期的財務(wù)狀態(tài)最優(yōu)估計值和T-2期的觀測值，本文以T-16期的真實值作為初始財務(wù)狀態(tài)的最優(yōu)估計值，因此從T-14期開始才能獲得預(yù)測值。

通過圖1可以看出，Kalman濾波財務(wù)危機動態(tài)預(yù)警模型借助財務(wù)狀態(tài)值隨時間的累積偏移來反映財務(wù)危機產(chǎn)生的演化過程。模型會通過對給定財務(wù)狀態(tài)的初始估計值加入每期的修正財務(wù)信息以修改估計值，使預(yù)測值與財務(wù)狀態(tài)真實值逐步一致，可以說Kalman濾波過程也是一個遞歸更新的過程。Kalman濾波模型進行動態(tài)預(yù)警能夠使我們觀測到企業(yè)財務(wù)狀況由財務(wù)健康到財務(wù)風險，再逐步到財務(wù)危機發(fā)生的演變軌跡，也意味著在一定期間內(nèi)，一個財務(wù)狀態(tài)處于良好范圍內(nèi)的財務(wù)健康公司，在經(jīng)營過程中，其財務(wù)狀態(tài)可能會出現(xiàn)更加理想、逐漸弱化甚至短暫惡化等趨勢。Kalman濾波模型以累積偏移的思想對企業(yè)財務(wù)危機進行預(yù)警，體現(xiàn)出動態(tài)性。

成長期18家危機測試樣本中有9家(50%)樣本公司在T-7期時即出現(xiàn)輕度報警，有7家(18.15%)樣本公司在T-5期和T-3期即出現(xiàn)重度報警。表明Kalman模型比較準確地預(yù)測了財務(wù)危機演變的程度，而且能夠及時發(fā)出警告，準確度高達88.89%，因此可用判斷出Kalman濾波模型具有較強的預(yù)警能力。

財務(wù)健康測試樣本的財務(wù)狀態(tài)值沒有一家低于重度報警線。成長期18家健康測試樣本中有12家測試樣本公司在整個研究期間內(nèi)的若干期出現(xiàn)過財務(wù)狀態(tài)值偏離財務(wù)健康值的情形，但是很快又步入正軌，并未進一步惡化，Kalman濾波模型準確反映了這些信息，這也說明Kalman濾波模型客觀追蹤并比較準確地預(yù)測了測試樣本的財務(wù)狀況。

四、基于 Logistic回歸模型的 FEW實證分析

基于Kalman濾波的財務(wù)危機動態(tài)預(yù)警模型需要時間序列數(shù)據(jù)周期長、間隔短、趨勢性差異明顯。然而公司治理指標數(shù)據(jù)相對比較穩(wěn)定，趨勢性并不明顯。但弱化的公司治理狀況是引發(fā)財務(wù)危機的深層次原因，因此，下文進一步納入公司治理指標建立二元Logistic回歸模型，檢驗公司治理因素對財務(wù)危機預(yù)警作用問題。

將董事會規(guī)模、獨立董事比例與管理者過度自信(Con)3個公司治理指標納入Logistic模型。由此建立兩個模型：模型I，僅包含16個財務(wù)指標的96家成長期樣本公司；模型II，包含3個公司治理指標和16個財務(wù)指標的96家樣本公司。研究期間分別選取被ST的前3年年末，即T-1期、T-3期和T-5期。

表1 Logistic回歸模型匯總

Nagelkerke R2的取值范圍在0～1之間。越接近于1，說明模型的擬合優(yōu)度越高。越接近于0，說明模型的擬合優(yōu)度越低。表1表明，納入公司治理指標的模型II的擬合優(yōu)度分別為1.000、0.875和0.787，比同期僅包含財務(wù)指標的模型I擬合優(yōu)度(擬合優(yōu)度分別為0.980、0.812和0.625)要高；越臨近被ST的研究期間，模型擬合優(yōu)度越好。

當一家ST公司被識別為ST公司時，則這一判別具有敏感性。反之，它被誤判為健康公司，則認為發(fā)生了Ⅰ類錯誤；當一個健康公司被正確識別時，則該判別具有專一性，反之，它被誤判為ST公司時，意味著發(fā)生了Ⅱ類錯誤。從表2可以看出，在T-1期，模型I將“ST公司”判斷為“健康公司”的個數(shù)為1，Ⅰ類錯誤率為4.2%；將“健康公司”誤判成“ST公司”的個數(shù)是0，則Ⅱ類錯誤率為0%。納入公司治理指標模型II將“ST公司”判別為“健康公司”的個數(shù)和將“健康公司”誤判成“ST公司”的個數(shù)皆為0，表明兩組樣本中犯Ⅰ類和Ⅱ類錯誤的錯誤率都為0%。這也顯示了納入公司治理指標的模型II降低了犯Ⅰ類錯誤，即降低了將危機公司判斷成健康公司的概率。其他研究期間判錯矩陣也印證了這一結(jié)論。納入公司治理指標的模型II比同期僅包含財務(wù)指標的模型I敏感性和專一性都要高；越臨近被ST的研究期間，敏感性和專一性越強，模型識別正確率也越高。

表2 Logistic回歸模型判錯矩陣

五、結(jié)論及政策建議

(一)主要研究結(jié)論

本文以保留的16個財務(wù)指標16期的時序立體數(shù)據(jù)作為濾波器的輸入，以運用全局主成分分析得到的財務(wù)狀態(tài)值作為濾波器的輸出，由計算機實現(xiàn)循環(huán)遞推算法，得到Kalman濾波算法預(yù)測成長期危機公司財務(wù)危機的準確率(敏感性)88.89%，預(yù)測財務(wù)健康公司的準確率(專一性)為100%。納入公司治理指標建立僅包含16個財務(wù)指標的Logistic回歸模型I和包含3個公司治理指標和16個財務(wù)指標的Logistic回歸模型II。實證結(jié)果發(fā)現(xiàn)：納入公司治理指標的模型II比同期僅包含財務(wù)指標的模型I敏感性和專一性都要高。說明公司治理因素對上市公司財務(wù)危機的發(fā)生具有重要作用，可以通過健全公司治理機制預(yù)防財務(wù)危機的發(fā)生。比較而言，Kalman濾波算法算得的專一性優(yōu)于Logistic回歸模型；臨近被ST的T-1期模型I、II以及T-3期模型II計算所得敏感性高于Kalman濾波算法敏感性結(jié)果，但T-3期模型I及T-5期模型I、II敏感性皆低于Kalman濾波算法得到的敏感性。

(二)政策建議

成長期上市公司已擁有較強的財務(wù)實力且逐漸主導(dǎo)市場，資本結(jié)構(gòu)相對穩(wěn)定，為了把公司“做大、做強、做優(yōu)”，宜采用擴張戰(zhàn)略，但是擴張會引起資源緊張，擴張速度太快會使公司陷入不利境地。因此，成長期公司應(yīng)通過對市場環(huán)境和公司資源條件及經(jīng)營整合能力進行充分分析，決定公司發(fā)展方向，明確競爭地位，掌控擴張速度，重視公司發(fā)展質(zhì)量。具體來說，在籌資方式上更多地利用負債經(jīng)營，享受財務(wù)杠桿收益；在投資方面要防止盲目擴張，多方位出擊新的領(lǐng)域。根據(jù)公司外部環(huán)境和內(nèi)部條件，決定橫向擴張還是縱向擴張；分配方面可以采用“多留利，少分配”策略，在保證公司發(fā)展所需資金的前提下，實現(xiàn)公司股東現(xiàn)實收益的增長。另外仍需注意，成長期公司擴張沖動往往與管理者的過度自信高度相關(guān)。因此，對于成長期階段公司的管理者，應(yīng)認識到自身可能具有的過度自信傾向，克制自己想要快速擴張的沖動，追求成長期公司穩(wěn)健發(fā)展。

[1] 吳星澤.財務(wù)危機預(yù)警研究：存在問題與框架重構(gòu)[J]. 會計研究，2011，(2)：59-65.

[2] Sun J.，Li H.，Huang Q. H.Predicting Distress and Corporate Failure：A Review From the State-of-the-art Definitions，Modeling，Sampling，and Featuring Approaches [J]. Knowledge-based Systems，2014，(57)：41-56.

[3] 陳志斌，譚瑞娟.FEW的行業(yè)差距模型研究[J]. 南京師大學(xué)報(社會科學(xué)版)，2006，(9)：62-67.

[4] Adizes I. Organizational Passages： Diagnosing and Treating Life Cycle Problems in Organizations[J]. Organizational Dynamics，1979，9(1):3-24.

[5] Miller D.，F(xiàn)riesen P.H. A Longitudinal Study of the Corporate Life Cycle [J]. Management Science，1984，30(10)：1161-1183.

[6] Dodge H. J.，F(xiàn)ullerton S.，Robbins J. E. Stage of the Organizational Life Cycle and Competition as Mediators of Problem Perception for Small Businesses [J]. Strategic Management Journal，1994，15(1)：121-134.

[7] 陳佳貴.關(guān)于企業(yè)生命周期與企業(yè)蛻變的探討[J]. 中國工業(yè)經(jīng)濟，1995，(11)：5-13.

[8] Richardson B.，Nwankwo S.，Richardson S.Understanding the Causes of Business Failure Crisis [J]. Management Decision，1994，32(4)：9-22.

[9] Ooghe H.，Prijcker S. D.Failure Processes and Causes of Company Bankruptcy： A Typology [J]. Management Decision，2008，46(2)：223-242.

[10] Li J.，Tang Y. I. CEO Hubris and Firm Risk Taking in China： The Moderating role of Managerial Discretion[J]. Academy of Management Journal，2010，53(1)：45-68.

[11] 李秉成，朱慧穎.管理者過度自信、企業(yè)價值與企業(yè)財務(wù)困境的關(guān)系——基于東星集團的案例研究[J]. 管理案例研究與評論，2012，(5)：391-403.

[12] 吳應(yīng)宇，朱兆珍.基于突變級數(shù)法的創(chuàng)業(yè)板上市公司成長態(tài)勢研究[J]. 東南大學(xué)學(xué)報(哲學(xué)社會科學(xué)版)，2015，(1)：49-57.

[13] 孫曉琳.基于狀態(tài)空間的財務(wù)危機動態(tài)預(yù)警模型在中國的實證研究[J]. 中國軟科學(xué)，2013，(4)：140-147.

[14] 莊倩，陳良華.財務(wù)困境理論的預(yù)測動態(tài)性改進與應(yīng)用[J]. 審計與經(jīng)濟研究，2014，(5)：69-76.

[15] Zhuang Q.，Chen L. H. Dynamic Prediction of Financial Distress Based on Kalman Filtering [J]. Discrete Dynamics in Nature and Society，2014,(1)：1-10.

[16] 曹裕.復(fù)雜環(huán)境下我國企業(yè)財務(wù)困境模式及預(yù)警研究——基于企業(yè)生命周期的視角[D]. 長沙：中南大學(xué)博士學(xué)位論文，2010.

[17] Kim S. Y.，Upneja A.Predicting Restaurant Financial Distress Using Decision Tree and AdaBoosted Decision Tree Models[J]. Econmic Modeling,2014，(36)：354-362.

[18] Dickinson V.Cash Flow Patterns as a Proxy for Firm Life Cycle [J]. The Accounting Review,2011，86(6)：1969-1994.

(責任編輯:趙 婧)

Research on the FEW of Listed Companies in Growth Period based on the CombinationKalman Filtering Algorithm and Logistic Regression Model

ZHU Zhaozhen, DONG Xiaohong, WANG Jian

(Business Institue Anhui University of Finance & Economics, Bengbu 233000, China)

This research on the financial early-warning of the companies in the growth period is conducted by combining Kalman filtering algorithm and Logistic regression model. The results are as follows：(1) Corporate governance factors have significant effects on the occurrence of financial crisis; (2) By comparison，it is showed that the specificity generated from the Kalman filtering model is superior to that from the Logistic regression model; the sensitivity of the listed companies in the growth period of Model I & II on time T-1 and Model II on time T-3 is higher than that by Kalman filtering algorithm，but lower of Model I on time T-3 and Model I & II on time T-5. The paper puts forward suggestions to avoid financial distress.

Growth Period; Financial Distress; Kalman Filtering Algorithm; Logistic Regression

2016-08-11

安徽省高校自然科學(xué)研究重點項目(KJ2017A788)；國家自然科學(xué)基金資助項目(71602001)；國家社會科學(xué)基金資助項目(16BGL010)

朱兆珍 (1982-)，女，安徽淮南人，安徽財經(jīng)大學(xué)商學(xué)院講師，博士；董小紅(1981-)，女，安徽廬江人，安徽財經(jīng)大學(xué)商學(xué)院講師，博士；汪健(1972-)，男，安徽財經(jīng)大學(xué)商學(xué)院副教授，博士。

F275

A

1004-4892(2017)07-0068-09