上市公司財務危機預警實證研究

李益騏　田高良

摘要：通過采用樣本分析等方法對中國證券市場上市公司的財務危機預警進行實證研究，首先對國內外財務預警的發(fā)展歷程和研究成果進行了評述，對上市公司財務預警的相關理論及方法作了總結和分析。然后結合中國上市公司的現狀和特點，設計了樣本A，對樣本分別從行業(yè)和規(guī)模方面進行了分析。選取了37個財務指標，并按照財務指標的特性分為6個組，根據t檢驗的p值大小在37個財務指標中篩選出若干指標，作為預測模型的初始輸入變量。運用Logistic回歸分析作為主要建模方法，數據收集的時間延至樣本公司可能出現財務危機的前五年或財務惡化的前三年。在此基礎上，通過實證研究檢驗出若干預警能力強的財務指標，建立了一套動態(tài)財務危機預警模型。最后，通過有效性檢驗，得出了2007年上市公司有54家出現財務危機，模型的總判別率為80.30％，并在此基礎上指出了模型的實際運用情況。

關鍵詞：上市公司；財務危機；預警模型；Logistic回歸分析

中圖分類號：F275文獻標識碼：A文章編號：1000-2731(2009)05-0079-05

一、研究設計

(一)數據資料的來源及樣本選取

本文的數據資料取自上市公司各年年度報告。數據來源于中國證券監(jiān)督委員會網站(www.csrcgov.cn)。(1)數據截止到樣本發(fā)生的前五年，分別為t－1年，t－2年，t－3年，t－4年，t－5年。(2)數據截止到1999年。(3)數據截止到樣本公司上市之年度。在研究中我們也發(fā)現，t－4年和t－5年的數據作用不是很明顯，故我們在檢驗財務危機程度方面的研究只采用了樣本發(fā)生前三年的數據。

我們對樣本的定義如下：

樣本A

(1)控制樣本A1：2000—2006年滬深交易所首次出現虧損的上市公司。

(2)控制樣本A2：與控制樣本A1相同行業(yè)、相同資產規(guī)模的盈利上市公司。

根據上述樣本選擇標準，我們最終獲得了804家樣本。

(二)指標選擇

1.預警指標的選擇在財務指標的選取上，本研究廣泛考察和借鑒國內外相關成果，最終選取具有解釋力和顯著性統(tǒng)計結果的財務指標。我們對樣本A從規(guī)模方面進行了分析，對出現財務危機的樣本公司的資產規(guī)模進行區(qū)間劃分，并統(tǒng)計樣本發(fā)生的頻率，發(fā)現，出現財務危機公司的資產規(guī)模大多處于10 000萬—500 000萬元之間，其中資產規(guī)模處于50 000萬元—500 000萬元之間的公司發(fā)生財務危機的頻率最高，并隨著資產規(guī)模的擴大，頻率密集度也有所下降。資產規(guī)模在500 000萬元以上出現財務危機公司的家數較少，這些結論也與公司規(guī)模大，抗風險能力強的理論相一致。

因此，本文對財務危機出現的頻率根據顯著性統(tǒng)計分兩個指標衡量：資產規(guī)模大小和同規(guī)模情況，并提出相應假設：

假設1：資產規(guī)模的大小與出現財務危機的頻率成負相關。

假設2：在同規(guī)模的情況下，財務危機公司與盈利公司在財務指標上存在顯著的均值差異。

2.根據顯著性對指標進行選擇為了分析上述財務指標能否有效區(qū)分巨虧公司與盈利公司，分別從償債能力指標、盈利能力指標、現金流量指標、經營能力指標、清償資產／總資產指標、規(guī)模與成長指標等六個方面，分別對樣本A的37個財務指標進行T檢驗和中位數的Wilcoxon z檢驗，在5％的概率范圍內，根據T檢驗的P值大小，按照連續(xù)三年顯著或者至少四年顯著的原則，我們篩選出18個P值小于0.05的財務指標，作為我們建立財務危機預警系統(tǒng)時的初始輸入變量，并提出假設：

假設3：不同程度財務危機公司的財務差異主要體現在經營能力、盈利能力、規(guī)模和成長性等指標上。

假設4：導致上市公司財務危機的指標變量主要集中在應收賬款周轉率、營業(yè)利潤增長率、投資收益、凈利潤／總資產等方面。

3.指標變量的進一步篩選及多重共線性檢驗我們對樣本A指標變量分別進行三層篩選，得到了建立財務危機預警模型的變量。將顯著性分析中呈現出的18個變量作為建模的初始變量，在Logistic回歸中選用逐步排除法進行第三層篩選模型變量，對虧損前五年的樣本數據依次進行回歸，從18個變量中選擇若干變量。篩選結果：第(t－1)年為x8、X13、X17、X20、X36。為減弱變量之間的共線性程度，需對選定的五個變量進行多重共線性檢驗。檢驗結果表明，各指標之間的相關系數均小于O.5。我們對樣本A指標變量分別進行三層篩選，得到了建立財務危機預警模型的變量。

(三)回歸模型

在財務危機預警模型的建立過程中，本文選用的模型仍然是Logistic回歸模型，以及描述性分析中呈現出顯著性的18個變量，以及行業(yè)變量(賦值制造行業(yè)為1，而非制造行業(yè)為0)和規(guī)模變量(總資產)作為建模的初始變量。在Logistic回歸中選用逐步排除法選擇模型變量，在決定某個變量是否有資格進入模型和是否應該繼續(xù)留在模型時判斷概率設為0.05。根據選取樣本的截止年限不同，本文建立了三個模型，這三個模型建立的方法相同，所不同的只是采用的樣本不一樣，本文將t－1年數據所建立的三個模型作為財務危機預警模型，命名為2004年模型、2005年模型、2006年模型。2004模型所采用的樣本為A1、A2樣本中截止2004年的所有出現財務危機公司及其對應的同行業(yè)同規(guī)模的盈利公司，2005年模型所采用的樣本為A1、A2樣本中截止2005年的所有出現財務危機公司及其對應的同行業(yè)同規(guī)模的盈利公司，2006年模型所采用的樣本為A1、A2樣本中截止2006年的所有出現財務危機-的公司及其對應的同行業(yè)同規(guī)模的盈利公司。在這三個模型中，我們采用的數據是樣本公司出現財務危機的前五年數據t－1，t－2，t－3，t－4，t－5年的數據。

二、分組樣本回歸分析結果

(一)模型判別正確率分析

模型能否對用來建立模型的數據進行有效判別是區(qū)分模型好壞的一個重要標志。模型總判別率的高低除了與模型本身有關以外，還與區(qū)分點的選擇有關。一般說來，隨著區(qū)分點由0增加到1，虧損公司的判別正確率會逐步下降，而盈利公司的判別正確率會逐步上升，總正確率呈現先增加后減少，

根據確立的原則，選擇總正確率最高的概率點作為我們的區(qū)分點。表1分別列出了以上15個模型的最佳判別點以及判別正確率。

從表1可以看出：模型的總判別率隨著數據年份的后移而逐步降低，在當年度數據中，隨著樣本量的增加，模型的總判別正確率有所下降，例如，用t-1年數據建立的三年模型中，模型的總判別率分別達到了85.2％、82.8％、80.9％，并能夠分別正確判斷出91.00％、82.90％、82.30％的虧損公司。而用-t 2年數據建立的三個模型的平均總判別率為78.3％、74.3％、74.9％，能夠正確判斷出虧損公司

的比例分別為86.70％、78.30％、84.20％。對于模型的總判別率隨著數據年份的后移而逐步降低，本文的解釋是隨著數據年份的后移，虧損公司和盈利公司之間的差異變小，使得判別率有所下降。至于為何模型中t-4年和t-5年的判別率突然上升，本文的解釋是：在t-4年和t-5年的數據中，由于虧損公司的樣本數目是盈利公司樣本數目的將近兩倍，從而導致模型的判別率很高。

(二)模型預測結果分析

本文所建立的財務危機預警模型對建立模型自身的樣本有很好的判別能力，判別正確率分別達到85.2％、82.8％、80.9％，但這只是對已經發(fā)生的事件的判別，作為一個預警模型，它要真正發(fā)揮作用，還應該對未來將要發(fā)生的事件具有良好的預警功能或者稱為預測功能。為此，本文根據2004年和2005年年報數據，并結合2006年年報數據對2004年模型、2005年模型的預測能力進行了檢驗，具體步驟如下：

第一，將所有當年度盈利公司的原始財務數據分別代入預警模型計算虧損概率。

第二，將計算得到的虧損概率與最佳判別點比較，如果大于最佳判別點則預測為虧損，否則認為盈利。

第三，將所有預測虧損公司與下一年度真正虧損公司比較，計算得到模型的預測正確率(當年正確預測家數占下一年度真正首虧公司家數比例)和預測精度(當年正確預測家數占當年預測首虧公司家數比例)。三個模型的預測結果如表2所示。虧損公司范圍大幅度縮小，三個模型由原來的1 140家、1 202家、1 307家減少為276家、262家、243家，分別縮減為原來總數的24.2％、21.8％、18.6％，三年縮減幅度基本相等。

從以上表格可以歸納出：

(1)本文建立的財務危機預警模型可以將預測虧損公司范圍大幅度縮小，三個模型由原來的1 140家、1 202家、1 307家減少為276家、262家、243家，分別縮減為原來總數的24.2％、21.8％、18.6％，三年縮減幅度基本相等。

(2)預測正確率高，2004年和2005年模型分別為68.8％、68.6％，也即兩模型預測的虧損公司中分別涵蓋了真正虧損公司總數的68.8％、68.6％，兩模型的預測正確率也基本相等。

(3)預測精度比較高，2004年和2005年模型預測精度分別為22.6％和15.8％。如果沒有采取任何預測手段的話，則真正首虧公司占盈利公司的比例分別為5.3％和5.4％?？梢?，本文的預測精度分別提高了三倍和兩倍。由上面可以看出，本文的模型在大幅度縮小預測范圍(縮小為原來的21.8％和18.6％)的同時仍然正確預測了大部分(超過2／3)的虧損公司，而且兩年的結果基本一致，可見模型能幫助我們提高預測成功率，而且模型在預測能力方面既保持了相當高的精確度，也保持了相當高的穩(wěn)定性，這再次說明我們的預測模型是比較成功的。

(三)模型預測結果檢驗

與此同時，本文還根據2006年年報數據和2006年模型，對2007年的首虧公司進行了預測。具體預測虧損公司名單見附表。

第一，選擇2007年上半年滬深A股首次虧損的66家上市公司和相同行業(yè)、相同資產規(guī)模的66家盈利上市公司，并將其2007年盈利的原始財務數據分別代入預警模型計算虧損概率。

第二，將計算得到的虧損概率與判別點(0.5)比較，如果大于判別點則預測為虧損，否則認為盈利。

第三，將所有預測虧損公司與2007年上半年真正首次虧損的66個公司比較，計算得到模型的預測正確率。

本模型準確預測了2007年66家虧損公司中的54家，預測正確率為81.81％，同時準確預測了66家盈利公司中的52家，預測正確率為78.78％，二者的加權平均模型總預測正確率為80.30％?；貧w檢驗結果證明該模型的預測能力較好。

三、研究結論

通過實證分析可以看出，資產規(guī)模的大小與出現財務危機的頻率相關性不顯著，在同行業(yè)同規(guī)模的情況下，財務危機公司與盈利公司在財務指標上存在顯著的均值差異，前文所提的假設的檢驗結果如表3所示。

(1)上市公司的財務危機是一個時期概念，有著開端和終止，從財務危機出現的那一時點起，直至公司破產都屬于財務危機過程，并且上市公司出現的財務危機有著程度之分。上市公司陷入財務危機是一個逐步的過程，一旦出現財務危機，上市公司在經營和財務上都有征兆。這也使得建立上市公司的財務危機預警模型成為可能。在財務危機的開端界定方面，本文以上市公司是否虧損作為判別公司發(fā)生財務危機的主要標志。在界定財務危機的程度方面，本文選用的指標是每股凈資產和每股收益。

(2)根據建立的上市公司財務危機預警模型，本文預測出2007年有54家上市公司發(fā)生首次虧損。對于出現財務危機的上市公司，運用Logistic-回歸分析作為主要建模方法，在t－1，t－2，t－3，t－4，t－5年分別建立了2004模型、2005模型和2006模型共15個模型。從上市公司發(fā)生財務危機的前五年來看，模型的穩(wěn)定性和總判別率隨著數據年份的后移而逐步降低。在上市公司出現財務危機的前兩年，模型的穩(wěn)定性強；在上市公司出現財務危機的前三年，模型的最低總判別率為71.50％。我們將t－1年數據所建立的2004模型、2005模型和2006模型三個模型作為財務危機預警模型，這三個模型的總判別率分別達到了85.2％、82.8％、80.9％。

(3)在預測上市公司是否發(fā)生財務危機上，凈利潤比總資產、投資收益占利潤總額比重、應收賬款周轉率、營業(yè)利潤增長率、凈資產增長率、長期負債比總資產、凈利潤增長率、存貨周轉率等共八個財務指標有著顯著的判別作用。

參考文獻：

[1]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,2004，(12)：119-142.

[2]楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型[J].系統(tǒng)工程理論與實踐,2005，(1)：12-18.

[3]李秉祥.基于期望違約率模型的上市公司財務困境預警研究[J].中國管理科學,2004，(5)：12－16.

[4J余立凡，曾五一.上市公司財務危機預警的Loot模型[J].東南學術，2005，(2)：110-114.

[5]朱順泉.上市公司財務困境預警判別分析模型的建立及應用研究[J].中國管理信息化，2006，(3)：45-46.

[6]于瑩.建立我國中小企業(yè)板上市公司財務預警系統(tǒng)[J].財會審計，2006，(12)：51-52.

[責任編輯衛(wèi)玲]