分行业的企业财务危机预警模型比较研究，本文主要内容关键词为：模型论文,财务危机论文,行业论文,企业论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
企业财务危机预警模型，大致经历了从建立单变量模型到多变量模型，多元判别模型到Logistic模型等其他参数模型，从统计的参数模型到非参数模型，从单一模型到综合系统的过程。技术的进步，改变了以往单纯依赖专家进行危机识别的局限性，大大提高了信用风险判别的有效性、准确性和一致性，同时也明显降低了判别成本。
国际上，Fitzpatrick最早认为企业的财务比率能够对企业未来财务状况进行预测分析[1]。Beaver首先运用统计方法建立了单变量财务预警模型[2]。Altman利用多元判别分析法建立了著名的、多变量预警模型——Z模型，随后进行了修正，提出了ZETA模型[3]。Ohlson首先运用Logistic回归模型进行企业财务预警研究[4]。
近10多年，中国学者也开展了大量的财务预警模型实证研究。陈静、张玲、吴世农和卢贤义等，运用多元判别对上市公司进行了财务危机预警分析[5-7]。刘旻、齐治平、余妙志、朱曦、冯田、印丽娟等，运用Logistic模型对财务危机进行了研究[8-10]。周兵、张军，周思恩、丁莉用主成分分析法，生成线性的或Logistic的函数方程进行财务预警研究[11-12]。
分析认为，中国的企业财务危机预警模型研究尚处在起步阶段。由于受到数据的可获得性和样本量的制约，大量研究主要是针对上市公司开展的。而上市公司的特殊性，使得研究结果的运用受到一定的限制。运用商业银行的大量实际数据，对非上市公司进行分行业的企业财务预警模型研究尚属空白。同时，对基于同一样本数据的预警模型结果进行对比分析验证在公开资料上也不多见。
本文将运用多种模型技术，对商业银行大样本量的企业财务数据进行分行业的财务危机预警研究，以期能够得到一些实用的信贷风险度量模型。
一、多元判别分析原理
判别分析是判别样本隶属类型的一种统计方法。一般来讲，有K个总体G[,1]，G[,2]，…，G[,K]，它们的分布密度函数分别为f[,1](x)，f[,2](x)，…，f[,k](x)，对于给定的一个样品X=(x[,1]，x[,2]，…，x[,m])[T]，判别分析是判断它属于K个总体中哪一个的统计方法。
本文采用多元线性判别，基本思想是将K组(类)m维数据投影到某一方向，使得组与组之间的投影尽可能地分开。
若从K个总体分别取得K组m维观察值：
G[,1]：｛x[,1][(1)]，x[,2][(1)]，…，x[,n][(1)]｝；…；G[,K]：｛x[,1][(k)])，x[,2][(k)]，…x[,n][(k)]｝，n=n[,1]+n[,2]+…+n[,k]
设a为一m维列向量，y(X)=a[T]X为X以a为法线方向的投影，则
(i=1，2，…，k)。
选取适当的a，使得不同组(类)之间的区分能力越大越好，每个组内的y值离散程度越小越好。
二、Logit回归原理
Logit模型采用二元的Logistic概率函数作为模型方程，该函数又称增长函数，是1838年比利时P.F.Verhulst首次提出来的。
假设响应变量y为二值定性变量，用0，1分别表示企业财务正常和危机两个不同的状态，y=1的概率p是研究的对象，自变量为x[,1]，x[,2]，…，x[,m]，Logistic回归拟合的回归方程为：
ln
=β[,0]+
β[,i]x[,i]其中m是自变量个数，β[,0]，β[,1]，…，β[,m]是待估参数，p是自变量取值为X=(x[,1]，x[,2]，…，x[,m])[T]时，原响应变量y取值为1时的概率，Logistic回归方程的另一种形式为
p=exp(Z)/[1+exp(Z)]其中Z=β[,0]+β[,i]x[,i]或Z=ln
显然，Z是自变量X的线性函数，通常称上式为Logit变换，它有很强的统计意义，表示y取值为1的概率与取值为0的概率比值的对数。
三、主成分分析原理
主成分分析法，也称因子分析法，最早是由美国心理学家Charles Spearman在1904年提出，其基本思想是将实测的多个指标，用少数几个潜在的相互独立的主成分指标(因子)的线性组合来表示，构成的线性组合可反映原多个实测指标的主要信息。它的优点是可以对观测样本进行分类，并根据各因子在样本中所起的作用自动生成(确定)各因子权重，简化实测指标系统。主成分分析方法的一般模型为：
其中F[,1]，F[,2]，…，F[,n]为实测变量；a[,ij](i=1，2，…，m；j=1，2，…，n)为因子载荷；X[,i](i=1，2，…，m)为选择确定的m个因子；K[,i](i=1，2，…，m)为因子的权重(即第i个因子的贡献率)；Y是因子加权和。
需说明的是，因子载荷a[,ij]是第F[,j]个实测变量在第X[,i]个因子上的载荷，或者说，第F[,j]个变量与第X[,i]，个因子的相关系数。载荷越大，说明第F[,j]个实测变量与第X[,i]个因子的关系越密切；反之亦然。
在主成分分析的基础上，对主成分因子，运用Logit回归模型，生成相关的预警模型，对企业财务危机进行预警分析。
四、研究设计
(一)财务危机企业的界定
财务危机企业的界定，是预警模型研究的关键性内容。本文利用商业银行实际的企业客户数据，界定了两类财务危机企业。将企业信用等级下降三个及以上等级的企业，界定为第一类危机企业。为区分企业财务状况优劣，将有不良贷款、信用等级低的客户，界定为第二类财务危机企业。与此相匹配，界定正常类企业。
(二)样本选择
经过筛选，本文选择了17个大类行业9 700多家企业2004年的财务数据进行财务预警研究。每个行业平均有285个样本，其中平均正常企业样本数为145个，平均危机企业样本数为140个。
为验证预警模型的适用范围，根据国家的行业统计标准，本文选择了某个大类行业及其下属中类行业的样本数据进行了相关分析。为验证预警模型的预测准确度，本文选择了某个行业最近几年的企业样本，生成了一年、两年、三年的预警模型。为验证样本数据对模型参数及判别准确度的影响，本文选择了某个行业最近几年的数据，分别生成了多个一年的预警模型。
(三)变量定义
分析国内外已有财务预警模型变量的选取情况，本文首先汇总整理了偿债能力、财务效益、资金营运、发展能力、企业规模共五大类47个财务指标。
初步选择某个行业客户的财务数据，对此进行预警分析。根据客户数据的可获得性，剔除了一些数据质量不高或难以获得的指标(目前企业现金流量表的数据不易获得，真实性相对也较差)，剔除了一些经过T检验后不显著的、均值与方差对判别区分力不强的指标，又剔除一些相关系数较高的指标。最后，得到24个财务指标，作为拟建立模型的备选变量，包括资产负债率、全部资本化比率、速动比率、(现金+短期投资+应收票据)/资产总额、流动资产/资产总额、现金/流动负债、净资产收益率、销售(营业)利润率、总资产报酬率、成本费用利润率、主营业务鲜明率、总资产周转率(次)、存货周转率(次)、应收账款周转率、固定资产净值/所有者权益、营运资产与总资产比率、营运资金/销售收入、固定资产周转率、销售(营业)收入增长率、资本积累率、总资产增长率、留存利润比、营业利润增长率、LOG(总资产)。
(四)计算方法
本文运用SPSS软件，通过多元判别、Logit回归、主成分分析+Logit回归三个统计原理，使用了全部变量一次生成模型、全部变量逐步筛选生成模型、经过T检验再筛选部分变量生成模型三种计算方法来实现预警研究。同时，根据模型公式回判准确率的高低来最终取舍相关模型。
五、计算结果及分析
(一)17个行业的预警模型比较分析
本文研究生成了17个行业的第一、第二类危机、三种预警方式的预警模型。限于篇幅，仅展示黑色金属冶炼及压延加工业第一类危机的多元判别、Logit回归、主成分分析+Logit回归的模型结果。
1.多元线性判别
采用24个指标逐步回归得到模型的回判准确率为92.5％，公式为：
Y=-4.815-0.042X[,1]+0.076X[,2]+0.084X[,3]+0.803X[,4]-0.046X[,5]+0.005X[,6]+1.095X[,7]其中X[,1]表示资产负债率；X[,2]表示总资产报酬率；X[,3]表示主营业务鲜明率；X[,4]表示总资产周转率(次)；X[,5]表示存货周转率(次)；X[,6]表示销售(营业)增长率；X[,7]表示LOG(总资产)。
判别区间点分别为-0.846 95、0.226 6。
2.Logit回归
采用全部变量逐步回归得到模型的回判准确率为94.9%，公式为：
p=
其中E的指数：
Y=10.383+0.161X[,1]-0.165X[,2]-3.422X[,3]+0.17X[,4]-0.049X[,5]-3.124X[,6]
其中X[,1]表示资产负债率；X[,2]表示总资产报酬率；X[,3]表示总资产周转率；X[,4]表示存货周转率；X[,5]表示资本积累率；X[,6]表示LOG(总资产)。
3.主成分+Logit回归
由主成分分析，通过指标筛选，生成了5个主成分，具体参数见下表。
表1 主成分分量参数表
主成分
1 2
3 4
5
资产负债率
-0.110 -0.047
0.593 0.062
0.036
速动比率 0.357 -0.073 -0.085 -0.032
0.075
(现金+现金
等价物)/资产 0.170 -0.030
0.253 -0.066
0.585
流动资产/资
0.292 -0.039
0.408 0.036 -0.094
销售(营业)利
0.001 -0.101 -0.010 0.569
0.071
总资产报酬率 0.059 0.264 -0.125 0.163 -0.081
主营业务鲜
-0.045 0.062
0.127 0.588 -0.133
营运资产与总
0.357 -0.023 -0.118 -0.032 -0.014
销售(营业)增
-0.040 0.286 -0.139 -0.291
0.286
资本积累率
-0.072 0.382 -0.077 0.038 -0.152
总资产增长率 -0.074 0.354
0.151 0.021 -0.018
LOG(资产
-0.104 -0.040 -0.117 0.070
0.565
再通过筛选变量logit一次回归，得到模型，其回判准确率为90％，公式为：
p
其中E的指数：
Y=1.415 824+0.08723X[,1]-0.007 608X[,2]-1.883 776X[,3]+4.522 977X[,4]-0.075 461X[,5]-0.128 892X[,6]-0.133 204X[,7]-2.122 952X[,8]-0.014 58X[,9]-0.019 822X[,10]-0.010 139X[,11]-0.991 426X[,12]，其中X[,1]表示资产负债率；X[,2]表示速动比率；X[,3]表示(现金+现金等价物)/资产总额；X[,4]表示流动资产/资产总额；X[,5]表示销售(营业)利润率；X[,6]表示总资产报酬率；X[,7]表示主营业务鲜明率；X[,8]表示营运资产与总资产比率；X[,9]表示销售(营业)增长率；X[,10]表示资本积累率；X[,11]表示总资产增长率；X[,12]表示LOG(总资产)。
由此，现将分行业预警模型的回判准确率列表如下。
表2 行业的企业财务预警模型回判准确率表
回判准确率
行业预警类别
多元线性判别 Logit回归 主成分+logit回归 平均
黑色金属冶炼及压延加工业
第一类92.50％ 94.90％ 90.00％92.47％
黑色金属冶炼及压延加工业
第二类88.10％ 90.50％ 87.70％88.77％
纺织服装、鞋、帽制造业 第一类80.70％ 81.10％ 85.70％82.50％
纺织服装、鞋、帽制造业 第二类82.20％ 84.80％ 83.70％83.57％
医药制造业 第一类83.30％ 80.90％ 80.90％81.70％
医药制造业 第二类83.50％ 87.20％ 84.70％85.13％
通用设备制造业 第一类80.10％ 80.90％ 76.80％79.27％
通用设备制造业 第二类95.70％ 96.30％ 94.90％95.63％
通信设备、计算机及其他电子设备制造业
第一类82.10％ 79.40％ 72.50％78.00％
通信设备、计算机及其他电子设备制造业
第二类89.90％ 92.10％ 88.70％90.23％
电气机械及器材制造业
第一类80.40％ 84.20％ 82.60％82.40％
电气机械及器材制造业
第二类93.30％ 93.80％ 92.10％93.07％
专用设备制造业 第一类86.60％ 88.80％ 87.20％87.53％
专用设备制造业 第二类91.80％ 93.30％ 90.20％91.77％
非金属矿物制品业
第一类84.20％ 83.30％ 79.10％82.20％
非金属矿物制品业
第二类89.70％ 90.70％ 89.20％89.87％
交通运输设备制造业 第一类88.20％ 86.20％ 80.00％84.80％
交通运输设备制造业 第二类92.10％ 93.10％ 89.10％91.43％
食品制造业 第一类88.00％ 88.80％ 84.80％87.20％
食品制造业 第二类91.60％ 93.30％ 92.50％92.47％
仪器仪表及文化、办公用机械制造业
第一类91.10％ 91.90％ 89.40％90.80％
仪器仪表及文化、办公用机械制造业
第二类88.8％ 91.2％ 88.5％ 89.50％
饮料制造业 第一类85.0％ 81.6％ 80.4％ 82.33％
饮料制造业 第二类85.9％ 88.8％ 84.8％ 86.50％
印刷业和记录媒介的复制 第一类87.2％ 89.1％ 93.3％ 89.87％
印刷业和记录媒介的复制 第二类86.9％ 89.7％ 85.6％ 87.40％
皮革、毛皮、羽毛(绒)及其制品业 第一类85.9％ 86.4％ 88.5％ 86.93％
皮革、毛皮、羽毛(绒)及其制品业 第二类90.0％ 93.0％ 93.0％ 92.00％
金属制品业 第一类85.30％ 88.50％ 83.10％85.63％
金属制品业 第二类88.80％ 90.40％ 89.40％89.53％
有色金属冶炼及压延加工业
第一类75.60％ 79.50％ 79.40％78.17％
有色金属冶炼及压延加工业
第二类87.70％ 87.40％ 81.70％85.60％
塑料制品业 第一类83.80％ 85.90％ 82.60％84.10％
塑料制品业 第二类88.80％ 89.10％ 85.90％87.93％
由上表可见，各个行业的预警模型回判准确率普遍较高，而且比较接近，说明预警模型的技术是稳定可靠的。同时，进行分行业的财务危机预警，可以有更高的预测精度，更专业性的预警效果。进而，商业银行依托模型可以更有针对性地进行信贷风险管理，开展行业预警分析。
同时，根据针对不同行业生成的模型，选用的财务指标也有差异。据此，可以更有针对性地来分析不同行业财务指标的经济含义，为选择财务指标进行企业财务状况分析，提供了有益的参考。
(二)不同预警方法回判准确率的比较分析
不同的判别方法中Logit模型的回判准确率相对最高，多元判别和主成分+Logit模型的判别方法回判准确率没有明显的高低差异。由此说明，以上各种预警方法没有明显的优劣之分，见表3。
表3 不同预警方法的回判准确率表
主成分+
回判准确率 多元线性判别 Logit回归
logit回归
平均 86.91％88.12％85.82％
最高 95.70％96.30％94.90％
最低 75.60％79.40％72.50％
(三)多年度预警模型的比较分析
用三种方法生成了医药行业提前三年、两年和一年预警的模型，其回判准确率结果如表4。
表4 医药行业多年预警回判准确率表
回判准确率
平均
最高
最低
1年80.70％85.20％74.30%
2年77.60％82.00％72.70％
3年75.18％78.50％70.10％
由表4可见，提前1年预警的平均准确率最高，随时间的推移，风险预警的平均准确度有所降低，但三年内预警模型的平均准确程度仍较高。由此证明，提前预警是可行的，但是随着提前预警的时间延长，预警的准确率会有所下降。
(四)三个一年度的预警模型比较分析
分别对电气机械及器材制造业和医药制造业的2001年、2002年、2003年三年的报表，生成三个一年度的预警模型，其准确率见表5。
表5 多个一年度预警模型回判准确率表
回判准确率
平均 最高
最低
2001年度预警模型 93.52％
96.50％89.90％
2002年度预警模型 96.13％ 100.00％92.90％
2003年度预警模型 95.48％ 100.00％80.10％
由上可见，用近三年的年度数据建立一年度的预警模型，其所用指标参数及权重比较接近，平均回判准确率大致相同，说明一年度的预警模型回判准确率较为稳定，不会因样本数据变化而导致太大的差别。同时，将某一年份的数据用其他年份的模型进行验证，发现判别准确率没有显著差异，进一步说明预警模型在风险预判方面具有稳定性，不会因为年度经济变化而导致判别准确率的异动。
以上实证结果表明，可以将不同年份的平板数据混合作为预警模型的样本，从而拓宽了财务危机样本的限制。同时将不同年份的危机样本综合考虑，可以提高预警模型的鲁棒性。
(五)相关的大类、中类行业预警模型比较分析
运用大类行业—黑色金属冶炼及压延加工业，及其所属中类行业—钢压延加工业，分别生成预警模型，模型的判别准确率见表6。
表6 预警模型回判准确率验证表
黑色金属冶炼及压延
加工业及相关中类行业
平均
验证方式
多元线性判别 Logit回归 准确率
模型准确率 模型准确率
用中类行业数据验
90.53％ 86.51％ 88.52%
证大类行业模型
用大类行业数据验
89.85% 85.17％ 87.51%
证中类行业模型
由上可见，用中类行业数据验证大类行业模型准确率稍微高一点，说明大类行业模型对于本行业内的所有客户都具有普遍适用性；用大类行业数据验证中类行业模型的准确率相对水平较低，但绝对水平较高，说明中类行业模型对于相关及相近行业的客户预警具有一定的可拓展性，但可拓展性有一定局限。
六、总结
预警模型作为一个成熟的技术方法，已在国际风险管理实践中广泛运用。其主要优势有：成本低，便于操作和调整，预警的及时性比较强等等。不足之处在于模型只分析了财务危机发生的可能性，没有进行风险精确度拟合，因此在贷款定价、风险拨备等方面运用不多。
由此认为，预警模型在数据基础和技术方法上，都是适用于中国信用风险管理实践的。商业银行在预警模型的基础上开发相应的预警系统，不仅可以对企业财务危机进行分类预警，而且可以对信贷风险进行有效管理，从而在短时间内缩短中国与国外在风险管理方面的差距。同时，依托大量的基础数据和统计分析形成具有鲜明行业特点的财务预警模型，是不断提高信用风险分析的能力和质量及实现金融工程化的有效途径。
标签：多元回归分析论文; 财务预警论文; 回归模型论文; 判别分析论文; 因子分析论文; 因子载荷论文; 企业财务论文;