基于三元Logistic的财务困境预警模型实证研究，本文主要内容关键词为：困境论文,模型论文,财务论文,实证研究论文,Logistic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。
一、引言
财务困境又称“财务危机”，它往往会引起“公司破产”。财务困境预警，就是通过对企业财务报表及相关资料的分析，采用统计等方法来预测企业发生财务困境的可能性。财务预警研究最早始于美国，Beaver比较分析了危机公司与健康公司的财务指标后，给出了基于单变量的破产预测模型，运用实证分析得出现金流量与负债总额的比率能够更好地判定公司的财务状况，其次是资产负债率[1]。影响最大的是Altman的Z——Score模型，它是最早的多元判别预警模型。他将若干变量合并入一个函数方程，用Z值进行判定，结果表明，在破产前一年的预测准确率较单变量的预测模型有很大提高[2]。Ohlson使用了多元Logistic回归方法构造了财务危机预警模型，并发现公司规模、资本结构、业绩和变现能力指标有显著的预测能力[3]。在随后的研究中，许多学者用多元概率比回归模型、人工神经网络模型也得到了较好的预测结果。
国内学者大多以因财务状况异常而被特别处理的公司(下文简称ST公司)为财务困境公司样本，在财务预警方面也做出了可贵的探索。周首华、杨济华、王平利用Compustat PC Plus会计数据库中1977～1990年的62家公司建立了F分数模型[4]。陈静以1998年的27家ST公司和27家非ST公司为样本，使用1995～1997年的财务报表数据，分别构建了单变量判别模型和多元线性判别模型[5]。吴世农、卢贤义应用单变量判定、多元线性判别和多元逻辑回归方法，分别建立ST公司预测模型，结果证明，这些模型均获得较高的判定精度，且Logistic预测模型的误判率最低[6]。何沛俐、章早立建立了以时序立体数据空间为基础的财务危机判别模型，在Logistic回归分析之前使用全局主成分分析，准确率达到71.3％[7]。
综上所述，国内外学者多把公司分为财务困境公司和非财务困境公司两类进行财务困境的研究，而公司陷入财务困境往往会经历一个逐步衰败的过程，仅仅将公司分为财务困境公司和非财务困境公司，可能会忽视非困境公司面临的其他财务状况的问题。据统计，截止到2005年末，沪深A股主板市场1275家上市公司中有167家被特别处理(ST)，而在1108家非ST上市公司中，亏损公司有134家，绩差公司(每股收益、净资产收益率均小于0.05)有201家，其总数远大于ST公司。因此，将上市公司仅分为财务困境公司和非财务困境公司两类进行财务困境预警的研究，难以判断非财务困境公司的财务状况良好的程度及其是否处于财务困境的边缘，不能给投资者、公司管理层和债权人等相关各方提供更为明确的反映公司未来财务情况的信息。本文采用三分法，即在将公司分为财务困境公司和非财务困境公司两类的同时，又将非财务困境公司按一定标准分为财务状况不稳定公司和财务状况良好公司(下文简称为不稳定公司和良好公司)。利用上市公司的财务数据，构建了一个基于三元Logistic的财务预警模型；二是选取的样本没有局限于制造业上市公司，而是涵盖了除金融类上市公司以外的八大类上市公司。而且在配对样本抽样时，没有按照资产规模相似的标准1∶1配对抽样，而是将非困境公司分为不稳定公司和良好公司两组分别抽样，增加了模型的适用性和稳定性。
二、研究设计
1.分类标准
由于我国证券市场的退市制度建立较晚，退市的企业很少，因此，与国内众多学者一样，本文将公司因财务状况异常而被特别处理作为陷入财务困境的标志。这不仅符合中国的实际情况，而且与国内大部分研究保持一致。
一般来说，反映公司财务状况的指标主要有偿债能力指标、盈利能力指标和资产营运能力指标。因此，基于以下原因，本文采用盈利能力指标作为界定不稳定公司和良好公司的标准：1)偿债能力指标和资产营运能力指标受行业因素影响较大，不同行业公司之间可比性不强；2)企业的偿债能力是暂时的，盈利能力才是长久的。从长远来看，企业的偿债能力最终取决于企业的盈利能力；3)上市公司发行证券和被特别处理的标准都是盈利能力指标。
另一方面，国内许多学者研究发现，我国上市公司的盈利能力指标具有较强的解释力。张思宁发现，我国上市公司盈利水平与其市场价值基本呈正向变化关系[8]。陆静、孟卫东的研究表明，每股收益比现金流量能更精确地解释股票价格[9]。因此，以盈利能力指标作为界定不稳定公司和良好公司的标准是可行的。
具体选用的盈利指标参照中国证监会2006年5月6日最新公布的《上市公司证券发行管理办法》。办法规定，上市公司发行证券需满足“最近三个会计年度连续盈利”、“最近三个会计年度加权平均净资产收益率平均不低于百分之六”等条件。据此可以推测，有些上市公司即使未被特殊处理，也可能由于盈利能力差且不能满足上述条件，财务状况会出现波动。因此，本文选用每股收益和净资产收益率作为界定非困境公司中不稳定公司和良好公司的标准。具体分类标准如下：1)不稳定公司：每股收益＜0.15且净资产收益率＜6％；2)良好公司：净资产收益率≥6％且每股净资产≥1或者净资产收益率＜6％且每股收益≥0.15。
2.样本选取和数据来源
本文是以我国2002年至2005年的沪深A股上市公司为研究对象，数据来源于CCER经济研究中心色诺芬数据库。
本文从2002年至2005年间因财务状况异常原因而首次被实施特别处理且无B股、H股的ST公司中，选取了86家作为困境公司样本。为了消除行业类型不同和由于上市时间不同所采用的会计政策差异等因素的影响，根据以下原则按1∶1的比例选择不稳定公司和良好公司作为配对样本：1)无B股和H股；2)行业大类、小类均相同；3)上市时间相近。本文最终确定了86组258个研究样本。公司的资产规模会随着时间而改变，因此未把资产规模相近作为配对抽样的标准，但作为研究变量进行研究。
由于证监会是根据上市公司前一年的年报所公布的业绩判断其是否出现财务状况异常并决定是否要对其进行特别处理的，所以采用上市公司前一年的年报数据预测其是否会被ST显然会夸大模型的预测能力。因此，本文选择样本公司前两年的年报数据进行预测研究。
3.研究变量
选择什么样的财务指标作为研究变量，对模型的预测能力及预警指标的可靠性都会产生比较大的影响。而从我国上市公司来看，导致企业陷入财务困境的主要原因在于、盈利能力下降、负债过高和资产营运效率低下等原因。因此，在借鉴前人研究成果的基础上，本文分别从盈利能力、偿债能力等六个方面初步选取了31个财务指标作为研究变量，其中特别增加了未被以前的研究者关注的其他应收款与流动资产比率和应收账款增长率指标。具体指标见表1。
4.研究方法
(1)因子提取
主成分分析是数学上处理降维的一种方法。由于财务指标之间相关性较强，信息重叠，不利于分析和后续预警模型的构建，因此本文采用主成分分析来提取财务困境影响因子。
其表达式为：
(2)模型选择
Logistic回归是处理定性因变量的常用的统计分析方法，相对于多元线性回归，Logistic回归不要求变量服从正态分布，因而比判别分析更加稳健。Logistic回归模型在实际运用中简单、方便，是研究财务困境的主流方法。因此，本文选择使用多元Logistic回归分析进行上市公司财务困境预警模型的研究。
其表达式为：
由于本文将构建基于三元Logistic的预警模型，因此，i取0、1、2，分别代表困境公司、不稳定公司和良好公司。
三、实证研究
1.均值差异检验
本文采用K-S检验来检验变量是否服从正态分布。结果显示，只有X[,4](主营业务利润率)、X[,9](营运资本总资产比)等8个指标的样本序列在0.05的显著性水平下符合正态分布。根据正态分布检验结果，又分别采用单变量方差分析和K独立样本非参数检验，来检验变量的均值是否有显著性差异。结果显示：X[,1](总资产利润率)、X[,2](销售净利率)等26个预警指标在5％的水平下，均值有显著差异。需要指出的是，X[,31](Ln(总资产))在0.01的水平下，均值有显著差异，因此以资产规模相近作为配对标准，有可能会忽视资产规模指标的预警信息。具体检验结果分别见表2。
2.研究变量的筛选
本文采用逐步判别分析对均值有显著差异的26个变量进行筛选，进入模型的判据一般是根据事先指定的F值及对应的显著性概率水平。本文在F值对应的显著性概率水平为0.05、0.1、0.2、0.3、0.4、0.5分别进行了测试，发现在显著性概率水平为0.4时判别结果最好，这时进入模型的变量是X[,3](净资产收益率)、X[,5](成本费用利润率)等12个变量。结果见表3。
3.财务困境影响因子的提取
与所有其他多元回归一样，logistic回归也对多重共线性敏感，在多重共线性程度较高时，系数标准误差的估计将产生偏差。为消除多重共线性的影响，保证模型的稳健性，对上述选取的12个变量进行主成分分析，来提取财务困境影响因子。表4结果显示，KMO测试系数为0.694，样本分布的球形Bartlett卡方检验值为1866.136，表明各变量间的相关程度较高，适合进行主成分分析。
主成分分析的因子旋转分为正交旋转和斜交旋转。本文采用方差最大正交旋转法，旋转后因子之间保持不相关，而且方差最大。最终，本文提取了8个财务困境影响因子，表5结果显示对原始数据的信息涵盖率达到93.855％。
根据主成分的特征值和因子载荷矩阵可以得到财务困境影响因子的数学表达式：
4.模型的建立
利用SPSS统计分析软件对提取的8个财务困境影响因子进行logistic回归分析，回归分析过程中，剔除判别作用不显著的财务困境影响因子
等7个财务困境影响因子的三元Logistic预警模型。具体参数见表7。
从上表可以得到公司在t年的财务困境预警模型(
表示公司财务状况处于困境、一般或良好的概率)：
5.模型的预测能力检验
利用建立的三元Logistic预警模型分别对样本回判检验，取中最大的值来判断公司的财务状况。检验结果表8显示，困境公司被误判为非困境公司的比率为18.6％，非困境公司被误判为困境公司的比率为7.6％，总误判率为11.2％，综合准确率为88.8％。从判别结果中可以发现，对样本的误判多集中在相邻两类公司的误判，而困境公司被误判为良好公司和良好公司被误判为困境公司的概率都非常低，因此误判成本也大大减小。
同时，本文运用同样的样本和实证方法构建了二元logistic预警模型，对比结果显示，三元Logistic预警模型的判别能力优于二元logistic预警模型，误判成本也相对降低许多。
四、结论
本文采用三分法，在将公司分为财务困境公司和非财务困境公司两类的同时，又将非财务困境公司按一定标准分为财务状况不稳定公司和财务状况良好公司后，所构建的三元logistic预警模型判别能力较好，误判成本低。但本文的分类标准只局限于盈利指标，还不够全面。如何将公司进一步分为四类或五类，给相关各方提供更为明确的信息，还有待今后研究。
而且从实证结果可以看出，有些上市公司虽然暂时没有被特别处理，但是它们的财务状况也不容乐观。因此，我们对于财务困境的研究不能仅局限于ST公司，也应该给予非困境公司中的不稳定公司更多的关注，防患于未然。