1、1上市公司财务危机预警模型实证对比分析本文运用国内外学者研究比较广泛的二元 Logistic以及 Fisher判别构建财务危机预警模型，并且在财务指标为核心的基础上结合非财务指标进行构建模型，力求在反映公司的整体状况下进行实证对比分析。 一、财务危机预警模型 二、研究设计 （一）样本选取及数据来源 本文选取 2010、2011 年沪深两市 A股首次被 ST的上市公司作为研究样本，共计 42家，按照财务危机理论，选择 32家财务状况异常而被特别处理（即 ST）的上市公司作为本文的研究样本。此外，根据会计期间一致、行业相同、企业资产规模相似的配对样本选择标准以及 1：1 原则，从沪深股市选择配对样
2、本 A股上市公司32家， 共 64家公司作为本文的研究样本。 ST 公司 T-1、T-2 年度的审计计算结果中“净利润”为负，公司出现财务危机的特征已经非常明显，研究意义不大；此外，早在 2002年就有学者研究发现，在 T-4年度，财务危机企业与正常企业之间不存在显著性差异。因此，本文选用最有效的预测年度 T-3年度数据，力求准确地预测企业未来的健康状况。 （二）财务指标 根据信息的完整性原则，结合我国上市公司的财务危机特征，本研究初步选择偿债能力、营运能力、盈利能力、获现能力和发展能力 5个方面的 24个财务指标。其中偿债能力包括：流动比率2X1、速动比率 X2、现金流量比率 X3、资产负债
3、率 X4、产权比率 X5、利息保障倍数 X6；营运能力包括：存货周转率 X7、应收账款周转率 X8、流动资产周转率 X9、固定资产周转率 X10、总资产周转率 X11；盈利能力包括：销售净利率 X12、主营业务毛利率 X13、主营业务净利率 X14、成本费用利润率 X15、净资产收益率 X16、总资产收益率 X17；获现能力包括：经营活动现金流入流出比率 X18、经营活动现金净流量增长率 X19、每股经营活动净现金流量 X20；发展能力包括：主营业务收入增长率 X21、营业利润增长率 X22、净资产增长率 X23、总资产增长率 X24。 （三）非财务指标 根据信息的重要性原则，本文初步选择股权
4、结构、管理结构、重大事项、人力资本和其他指标 5个方面的 12个非财务指标，如表 1所示。 三、实证结果与分析 （一）正态性检验 本文统一整理 36个预警指标，利用 K-S检验进行正态性检验，其中有现金流动比率、资产负债率、固定资产周转率、总资产周转率、净资产收益率、总资产收益率、每股经营活动净现金流量、主营业务收入增长率、第一大股东持股比例、前五大股东持股比例和、员工素质 11个样本指标通过了正态性检验，符合正态分布；剩余的25个样本指标总体不符合正态性分布。 （二）显著性检验 具体有： （1）T 检验。对 11个服从正态性的预警指标利用两个独立样本的 T检验做显著性检验，其中有现金流量比率
5、、固定资产周转率、每股经营活动净现金流量、主营业务收入增长率、员工素质这 5个样本指标没有3通过显著性水平，指标没有显著性差异。而资产负债率、总资产周转率、净资产收益率、总资产收益率、第一大股东持股比例、前五大股东持股比例和这 6个样本指标的通过了显著性检验，指标具有显著性差异。 （2）非参数检验。25 个总体不服从正态性分布的预警指标利用两独立样本的非参数检验做显著性检验，其中有 7个预警指标存货周转率、经营活动现金流入流出比率、经营活动现金净流量增长率、董事长和总经理双职合一、管理费用率、会计师事务所变更、地区生产总值没有通过显著性检验；剩余的 18个样本指标通过了显著性检验。 综合以上的
6、分析，在 T检验的 11个样本指标当中，有 6个指标通过了显著性检验，在非参数检验的 25个样本指标中有 18个通过了显著性检验，合计 24个预警指标将成为本文的最终指标体系，其余不具有显著性的指标则予以剔除。 （三）因子分析 采用主成分法提取公共因子如表 2所示。 （四）Logistic 回归方法 根据前文提取的用于反映整体指标信息的公共因子构建二元 Logistic回归财务危机预警模型，选用Forward：Wald 逐步向前法对变量进行剔除，检验每一步引入新的变量之后所有变量对于整个模型的显著性，保留每一步对于整个模型显著的变量，得到最后的预警模型。模型构建函数如表 3所示： 根据构建结果
7、知道，最后留在预测模型中的变量有 6个，包括F2、F3、F4、F5、F6 和常数项。公共因子显著性判别 Sig的值都小于0.05，证明这 5个变量 F2、F3、F4、F5、F6 对预测模型具有显著性影响；而常数项的 Sig值为 0.675比预先设定的临界值 0.05大，证明常数项4对整个模型没有显著性影响。在 Logistic回归里，Exp（B）反映了自变量变动一个单位而引起的发生比 Odds的变化率，可见 F2因子对于 Odds比的影响最大，每变动一个单位将会引起 Odds比 132.339个单位的变化；其次是 F6， 每变动一个单位 Odds比变动 24.635；而其他几个公共因子包括常数
8、项的变动引起 Odds比的变动比较微弱。根据 B列系数项得到最终的财务预警模型为： 本文根据前人研究的经验，选取以 0.5为判别分界点：当 P0.5时，判别为危机企业，数值越大，说明该企业在未来几年内发生财务困境的可能性就越大；当 P0.5时，判别为健康型企业，数值越小，说明该企业在未来几年的财务状况越安全；当 P=0.5时，说明该企业的财务状况不够明朗，处于灰色地带。由以上判别模型以及原数据，可以得到财务危机预警模型对于样本的判别结果，判别结果如表 4所示。 二元 Logistic回归预警模型预测结果中，预警模型对于样本公司的两个类别 ST公司和配对公司的判别结果相差不多，并且预测效果都很好
9、。样本公司的 32家 ST公司中有 31家被判断正确，判断正确率为 96.9%；只有 1家公司被判断错误，错判率为 3.1%。原来的 32家配对公司中，有30家被判断正确，判断正确率为 93.8%；只有 2家公司被判断错误，错判率为 6.2%。整体预测准确率达到了 95.3%，判断错误率为 4.7%。 （五）Fisher 判别分析方法 利用 Fisher判别构建财务危机预警模型，运用步进式方法中最常用的 Wilks-Lambda方法将变量引进构建判别模型可以得到判别模型，分析中的变量系数如表 5所示。 根据预警模型可以计算出样本的判别值 y，y 值与判别阀值 0之间进5行比较。若 y0，为财务
10、状况正常公司。预警模型的预测能力如表 6所示：Fisher 预警模型预测结果中，预警模型对于样本公司的两个类别 ST公司和配对公司的判别结果相差不多，并且预测效果都很好。 32家 ST公司中有 29家被判断正确，判断正确率为 90.6%；只有 3家公司被判断错误，错判率为 9.4%。32 家正常公司中，同样也有 30家被判断正确，判断正确率为 93.8%；只有 2家公司被判断错误，错判率为 6.3%。整体预测准确率达到了 92.2%，判断错误率为 7.8%。 （六）logistic 回归与 Fisher判别模型对比分析 由表 7得知，两种判别分析方法对于研究样本的判别结果比较接近，没有太大的差
11、异，而 Logistic回归对于总体的判断正确率为 95.3%，比 Fisher判别的92.2%高出了 3.1个百分点。从模型结果层面上看造成这种结果的原因：Logistic回归对于被 ST公司的判断正确率为 96.9%，比 Fisher判别的90.6%高出 6.3个百分点；Logistic 回归对于配对公司的判断正确率为93.8%，等于 Fisher判别的 93.8%。从模型构建层面上看造成这种结果的原因：假如对于引入的自变量 X总体满足正态性分布、且有相等的方差-协方差矩阵等条件，从二分点判别的角度上来讲 Fisher判别模型可以作为 Logistic判别模型的一个特例来看待；引入的变量指
12、标不全是总体上满足正态性分布的，并且本文在选择配对样本的时候主观上本着相似性原则，但是相似与理论上面的相等还是有一定的差距，而引入 Fisher判别模型时已经默认了样本的协方差矩阵是相等的；Logistic 模型在计算过程中使用最大似然估计法，其实并不是最优无偏估计，但统计学认为6大样本（样本量大于 30）情况下，是渐近无偏的。因此，从理论上面来讲 Fisher判别在使用时具有比较严格的使用条件，而 Logistic回归相对于 Fisher判别却不存在这些制约条件。 四、结论 在本文研究中，选用样本公司财务危机发生前 3年的财务数据结合一些量化的非财务信息进行预测，两种方法的准确率都在 92%
13、以上，而且不管对于 ST公司、正常公司还是总体，判别效率都超过 90%；尤其是Logistic回归预警模型，总体判别准确率达到 95%以上，对于配对公司的判别正确率基本达到 97%。这说明：第一，非财务信息能够很好地配合财务指标进行预警分析，提高预测的准确性；第二，本文采用 logistic回归与 Fisher判别分析构建的财务危机预警模型都具有很强的预测性，在实际中都有着重要的实践指导意义；第三，比较两种判定模型的预测效果表明，Logistic 模型的判定准确性较高。 参考文献： 1吴星泽：财务危机预警研究：存在问题与框架重构 ， 会计研究2011 年第 2期。 本文系教育部人文社会科学院研究一般项目“西部地区地方高校债务化解方案及风险防范长效机制研究” （项目编号： 11XJA8 80011）的阶段性研究成果（编辑 向玉章）
