关于上市公司财务失败预警的实证分析，本文主要内容关键词为：实证论文,公司财务论文，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、研究背景及意义
随着我国证券市场的日益规范化，证券法规的出台，监管力度的加强，上市公司的虚假行为逐步减少，投资者无需花费过多的精力判别其披露的公开信息的真伪，只需对信息本身进行综合分析判别，并由此决定自己的投资行为。由于上市公司数目众多，信息量大，不仅有年报、中报信息和日常重大事件信息，而且信息间相关、交叉重复等的程度又较大，加之普通投资者由时间限制及缺乏判别分析所需的高深的数理统计知识，因而根据在客观、公允基础上披露的上市公司的财务报告，通过构造合理的预测模型，获得对那些财务状况出现严重恶化的上市公司的预警信号，对于有关方面毋庸置疑具有现实意义。通过这样的预警，借贷者（银行）可以避免贷款的高风险；投资者可以在股票价格下跌前获得财务风险的警示；供应商可以在获知公司财务状况的情况下制定信用政策；对上市公司本身而言，通过预警可以事先进行补救措施，以防损失扩大。
国外证券市场发展已经相当完善，对公司财务失败的研究数量很多，成果也很成熟。资料表明，西方国家从20世纪60年代起，就致力于以财务指标为基础的比率分析，并得出两个代表性著名的研究成就：一是Beaver的单变量研究，即运用一组单个财务指标来预测企业破产，并得出结论：预测能力最强的是现金流量与总负债之比，其次是净收益与总资产之比。二是美国纽约大学Alteman教授提出的多变量组合模型-Zeta模型。该模型（1968年）是根据统计结果，对与企业财务状况有重大影响的5个财务指标进行加权平均而成为“Z分数”，并根据分数的高低而综合评价财务失败的可能性程度的方法。
由于我国证券市场起步较晚，有关财务失败预测的研究尚属探索阶段。因此，借鉴国内外企业判别模型的理论和方法，从定量的财务指标分析入手，建立上市公司的判别模型，并进一步构建预警系统，对上市公司不断挖掘有价值的信息，在上市公司失败（戴帽）或成功（摘帽）之前准确地给出预警信号，提醒广大投资者，为其投资决策提供有益的帮助。
二、研究方法的设计
关于财务失败有不同的观点。Carmichael(1972)认为财务失败是企业履行义务时受阻，具体表现为流动性不足、权益不足、债务拖欠及资金不足四种不同的表现形式。Beaver把财务失败包括为破产、拖欠优先股股利、拖欠债务。而Deakin(1972)则认为财务失败公司仅仅包括已经破产、无力偿债或者为债权人利益而进行清算的公司。
在我国，《企业破产法》刚刚出台不久，而且由于各方面的因素影响，许多处于破产状态的企业仍然挣扎地经营着。对于非上市公司数据收集困难，本文从上市公司选取研究对象，以对外公布的报表数据作为观测数据，对于ST公司，选取公司被实施ST前两年的指标作为观测值；以公司被实施ST为财务失败的标准。
（一）研究样本的选取
本文选取了1999年、2000年、2001年被实ST的部分公司和非ST公司作为总的研究样本。将总样本分为两组，一组为估计样本，用于构建预测模型；一组为测试样本，用于检验预测模型的有效性。
表1 数据样本的分布
被实施ST时间1999
2000
2001
非ST公司
样本数
10 17
11 62
（二）变量的选择
财务指标变量的选择。选择什么样的财务指标作为建模的变量，对模型的正确判别能力及预警的可靠性都会产生较大的影响。为了全面客观地描述上市公司的经营好坏，入选的财务比率：一要具有全面性，要求反映企业的偿债能力、获利能力、营运能力、成长能力等各方面的财务状况；二要具有有效性，要选择那些能够对预测企业财务失败有指示作用的重要的财务比率；三要具有同趋势性，即当财务比率增大量，表示财务状况的改善，反之财务比率减小时，表示财务状况的恶化。根据国外的一些实证研究成果，结合我国实际，选取得财务指标见表2：
表2 反映公司财务状况的财务指标
（三）数据的处理－判别分析
判别分析是利用原有的分类信息，得到体现这种分类的函数关系式（称之为判别函数，一般是与分类相关的若干指标的线性关系式），然后利用该函数取判断未知样品属于那一类。类别分析方法有距离判别法、Fisher判别法和Bayes判别法。根据处理变量的方式不同，又可以分为典型判别法和逐步判别法。本文采用Fisher判别法；由于已经对变量进行了选择，因此在变量处理方式上采用典型判别，即判别法生成的判别函数包含所有参与分析的变量。
Fisher判别准则指的是较优的判别函数应该能根据待判对象的n个指标最大限度地将它所属的类别与其他类区分开来。基本方法是首先假设判定函数，然后根据已知信息对判别函数进行训练，得到函数关系式的系数值，从而确定判别函数。
假设A、B两类总体观测数据矩阵分别为：
三、实证研究分析
（一）财务比率的进一步选择
1.财务指标的统计描述及均值T检验
由表3可以看出，ST类与非ST类公司的财务指标有的存在较大差异，如X1、X2、X3、X4等；有的指标差异较小，互相交叉严重，如X9、X10、X11等。因此仅仅靠单一指标很难准确地把ST与非ST公司分别开来，必须有多个指标。从T检验的结果可以看出，X9、X10、X11、X12、X14、X19、X20、X21的双侧检验的显著性概率分别为0.179、0.238、0.713、0.472、0.735、0.054、0.476和0.206，都大于0.05，因此这些变量不能有效的区分ST与非ST类别，应该剔除。
表3 所选样本财务指标的统计描述
2.剩余变量的相关性检验
在进行多元分析时，如果变量之间高度相关，那么就会使某些特征重复计算，引起夸大的危害，不利于作出正确地决策，因此在选择变量时必须尽量消除变量的高度相关性。由表4可以看出：
表4 各财务指标的相关系数表
(1)X7与X8高度相关，相关系数达到0.98接近1，因此X7与X8只能留下一变量。X7流动比率包含的信息多于速动比率，为了避免信息损失，因此剔除X8是比较明智的。
(2)X2、X4、X6与X17这四个变量之间高度相关。由上表4可以看出，是变量的解释效力基本相同。X2总资产净利润率、X4总资产贡献率是反映企业盈利能力；X6资产负债率反映企业的资本结构，也是企业的长期偿债能力指标；X17是反应企业的成长能力。四个变量反映企业不同的财务能力，但是盈利能力、成长能力都还存在其他指标，而长期偿债能力没有其他替代指标，因此，选择X6也是明智之举。
经过上述筛选，最终选择了X1、X3、X5、X6、X7、X13、X15、X16、X18这9个指标作为最终变量。
（二）判别分析
1.以非标准化的典则判别函数方程
y=0.456X1+0.818X3+0.544X5-0.349X6+0.302X7+0.070X13+1.394X15+0.056X16-0.144X18-0.415
2.确定类别分割点（阀值）
把各公司的财务指标代入典则方程，得到各公司的得分，根据得分值确定ST与非ST公司的分类标准，使得误判率达到最小；并且保证第一类错误（本来属于ST公司被误判为非ST公司）尽量小。
由表5可以看出，阀值为0.01为最佳值，这样使得发生第一类错误的概率3.6%，而第二类错误（本来属于非ST公司被误判为ST公司）的概率6.4%。由于两类错误的产生的损失不同，对于第二类错误，其成本相对较低，只是加强对公司财务监控，避免财务失败的出现，而第一类，其成本就很高，如果公司在财务预测、诊断上产生错误，可能误导公司的财务决策，导致企业陷入更深的困境。因此控制第一类错误比控制第二类错误更为重要。
表5 阀值确定
（三）模型的检验
把测试样本数据代入模型，进行预测。得到结果如下：
表6 模型检测结果
通过对模型的检测，在ST公司的前一年，其正确率达到90%，而非ST公司的判别正确率达到93.3%，其有效性基本通过。
四、研究结论及局限
通过前文的实证分析，得到的模型如下：
y=0.456X1+0.818X3+0.544X5-0.349X6+0.302X7+0.070X13+1.394×X15+0.056X16-0.144X18-0.415
该模型具有以下优点：
1.模型的全面性。该模型包含了9个财务指标：X1、X3、X5反映盈利能力；X6反映长期偿债能力；X7反映短期偿债能力；X13反映资产管理能力；X15、X16反映企业成长能力，X18反映企业的现金能力。这些指标基本上包含了企业所有的财务能力，信息全面。
2.模型的有效性。通过对国内上市公司的检验，在ST公司进行ST处理的前一年的预测正确率达到96.4%，发生错误的概率较小，具有很强的现实意义。
3.模型的可行性。本模型是现行模型，通俗易懂，没有深奥专业术语及不可量化的指标，不仅专业人士可以借鉴，而且一般的投资者也可以直接利用。
模型同样存在不可避免局限。这种局限性体现在：(1)财务失败预测的前提是企业发布的财务数据必须是真实可信的。但由于目前上市公司的会计信息失真现象依然存在，一些企业的财务数据并不如实反映企业的财务状况，正如我国学者陈小悦实证研究(1999)发现上市公司为争取扩股权向普遍存在操纵利润现象。(2)从理论上讲，判别分析预测模型的两类（ST和非ST）研究样本需满足协方差矩阵相等，实际上协方差矩阵存在着一定的差异。
企业在财务失败甚至濒临破产之前的相当一段时间内，往往已显露出企业失败的种种潜在财务信号，假如我们能选用适当的定性或定量的方法，分析这些财务信号，建立企业财务失败或破产的早期预警系统，这无疑对企业经营管理者、股东、债权人以及企业员工均具有重要意义。