上市公司财务危机实证研究，本文主要内容关键词为：上市公司论文,实证研究论文,财务危机论文，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。
截至2005年9月，沪深两市上市公司的数量已达1 390家。面对这样一个规模日益扩大的市场，无论是对于监管者，还是对于广大的投资者来说，如果可以借助某种方法，科学评价上市公司财务状况，无疑具有重要的现实意义。本文研究的目的意在通过一套上市公司财务危机预警系统，为监管部门和投资者揭示哪些上市公司处于财务危机或即将出现财务危机。
一、上市公司财务危机预警研究综述
关于财务危机预警系统的研究在海外历史悠久，在国内则是近几年才开始的。陈静(1999)[1]以1998年的27家ST公司和27家非ST公司为例，使用1995～1997年的财务报表数据进行单变量和二类线性判定分析。在单变量分析中，发现负债比率、流动比率、总资产收益率、净资产收益率4个指标中，流动比率和负债比率误判率最低；在多元判定分析中，有负债比率、净资产收益率、流动比率、营运资本/总资产和总资产周转率等5个指标构建的模型，在ST发生的前3年能较好的预测公司状况。吴世农、卢贤义(2001)[2]应用线性判定分析、多元线性回归和逻辑回归分析三种方法，分别建立三种预测财务困境的模型。研究结果表明：①在财务困境发生前2年或前1年，有16个财务指标的信息是较强的，其中净资产报酬率判别成功率较高；②三种模型均能在财务困境发生前做出相对的预测，在财务困境发生前4年的误判率在28％以内；③相对同一信息集而言，逻辑预测模型的误判率最低，财务困境发生前1年的误判率仅为6.47％。喻胜华、李军(2005)[3]将前馈神经网络方法用于财务风险的识别，研究结果表明：模型的仿真度提高到100％，财务状况识别率达到90％。
二、研究设计
(一)样本选择
研究对象为2001～2003年三年内上海证券交易所57家ST公司(组合A)，同时选择控制样本非ST公司(组合B)57家。控制样本的选择方法为与组合A行业相同、规模相近、上市时间相同的非ST上市公司。本文所指的财务危机前年份，是指ST当年往前追溯所得的会计年度数，ST当年定义为财务危机前第0年，财务危机前1年是指ST当年的前1年。
(二)研究方法
(1)剖面分析
剖面分析是一种单变量研究方法，使用相同的权重描述ST公司和对应样本非ST公司ST之前几年的描述统计量，使用图表进行简单的比较。主要统计量有最小值、最大值、标准差、偏度和峰度。
(2)Logistic回归模型
Logistic回归模型主要用来预测二值响应变量(如成功和失败)或者多次序变量(如疾病治疗的好转、治愈和无效)的值。二值响应模型中，通常用Y代表个体，它的取值有两种可能，记为1和0(如财务危机Y=1，否则Y=0)；
(三)财务指标选择
(四)剖面分析
本文选择财务危机公司和非财务危机公司在财务危机前5年的某些财务指标。样本分为财务困境公司组合(A)和非财务困境公司组合(B)，采用相同权重计算各组合的财务指标及各组合间财务困境前5年内单个财务指标的变动趋势。
(1)净利润增长率
5年内两个组合的净利润增长率最小值、最大值、均值、标准差、偏度、峰度和显著性检验的情况如表1。
其中，Z值可用如下公式求得：
在财务困境前4年，A的均值均小于B，且5年内A的均值都小于0，从两个均值的显著性检验来看，第二年两样本均值差异显著，其余年份不显著。在偏度上，5年A均左偏，B除第4年右偏，其余年份均左偏。在峰度上，A和B前5年均具有尖峰后尾的特征。
(2)资产报酬率
表2是两个组合的资产报酬率的描述性统计量。根据表2，A组合的前3年均值均小于B组合，且前2年小于0，B组合5年中均值均大于0。前2年均值差异显著。在偏度上，5年中A、B均左偏，且A的左偏程度均大于B。在峰度上A、B均值均有尖峰后尾的特征。
(3)资产周转率
表3是两组合的资产周转率的描述性统计量。由表3可见，在5年中，A的均值均小于B，Z统计量在财务困境前2年显著，其余年份不显著，表明前2年两组合的均值差异性较大。在偏度上，两组合均右偏，且前4年A右偏程度均大于B。在峰度上，两组合均呈尖峰后尾的特征。
三、回归估计与判别结果
对上述的9个财务指标进行如下筛选：对历年的数据进行逐年检验，得出较显著的几个独立变量；考虑变量间多重共线性；文献中使用较多的指标。经过以上处理，选取了营业利润增长率(X[,2])、资产报酬率(X[,5])、流动比率(X[,6])、资产周转率(X[,7])、应收账款周转率(X[,9])5个财务指标作为进入模型的变量。
关于建模及预测有如下几点说明：①我们对样本的t-1年、t-2年、t-3年、t-4年、t-5年的数据分别进行建模。②建模过程中，如果因为某个变量缺少数据使得整个样本作为缺失而被排除，这样真正用来建模的数据将会很少，所建立的模型准确率必然降低。为此，用所有样本的平均值代替变量中的缺失值。③Logistic回归模型一般选择0.5组为判别点，即如果通过模型计算出来的某事件发生的概率大于或等于0.5，就判定该事件发生，否则判为不发生。④用似然函数值“—2loglikelihood”来反映模型的拟合程度。⑤Logistic回归方程的总体检验用卡方检验(chi—square)。
(1)方程的总体检验。回归方程的总体检验通常用卡方检验。
表5 模型系数综合检验结果
卡方统计量 自由度 显著性水平
模型卡方
66.407 5
0.000
步检验166.407 5
0.000
检验结果表明：当模型的显著性水平为0.000，拒绝各系数均为零的假设。
(2)模型的判定准确度分析。根据回归分析得到判定模型，以0.5为判定点，对样本的原始数据进行回代判定。
在57个非财务危机公司中，有49个判定正确，在57个财务危机公司中，有44个判定正确，总体来看，114个公司中，有93个判定正确，总判定正确率为81.6％。
同样，使用Logistic回归对财务危机前2～5年的情况判定分析。
从表上可以看出：模型的总体判别率随着数据年份的后移而逐步降低，前2年的判别率较高。对此的解释是：随着数据年份的后移，财务危机公司和非财务危机公司之间的差异变小，使得判别率有所下降。
四、结论
上市公司陷入财务危机是一个逐步的过程，在财务危机出现之前，上市公司在经营和财务上都有征兆，这就使得建立上市公司财务危机预警系统成为可能。
(1)财务危机公司和非财务危机公司在财务危机发生的前2年，其财务指标的均值和变动趋势之间的差异较为明显，在财务危机发生的前3～5年，大部分财务指标的差异并不显著。
(2)剖面分析表明，9个财务指标中，资产报酬率是最显著的指标。
(3)Logistic模型在预测上市公司是否会发生财务危机上，营业利润增长率、资产报酬率、流动比率、资产周转率和应收账款周转率等5个指标有着显著的判定作用。
(4)Logistic判定模型在财务危机的前两年的判别率较高，分别达到81.6％和79.8％，因此，模型在财务危机发生前有较强的预测能力。