1、 本科 毕业 论文 (设计 ) （二零 届） 杭州市上市公司财务危机预测的实证分析 所在学院 专业班级 统计学 学生姓名 学号 指导教师 职称 完成日期 年 月 摘要 ： 财务危机预测研究在我国才刚刚起步，具有较高的实用价值，是一个极富吸引力的研究领域，但同时也是一个极具 艰巨、富有挑战性的探索过程。本文旨在通过借鉴前人研究成果，进行财务危机预测的实证研究，找到预测财务危机效果显著的财务指标，并建立财务危机的预测模型。 最后，筛选和确定了对上市公司陷入财务危机影响最为显著的七个财务指标为作为建立预测模型的判定指标，应用 一元 线性回归 分析和 Fisher 二类线性判定分析方法，本文建立了上市
2、公司财务危机的预测模型 ， 并比较了这两种模型的预测效果，得到了相关结论。 关键词 ： 财务危机；线性回归模型；上市公司；预测模型 3 Empirical Analysis on Predicting Financial Crisis of Listed Companies in Hangzhou Abstract： The research on predicting financial crisis is at stage in China of attraction, and it has high practical value. So it is a field early full
3、 an extremely arduous and challenging exploration process. Based on the former research achievements, this paper makes an empirical study on prediction of financial crisis. Moreover, they are defined as the variables to establish the predicting models. Through Linear Regression Analysis and Fisher B
4、inary Discriminate Analysis, the predicting models ultimately are established. Furthermore, the paper compares the predicting effect of the different methods, and draws some conclusions from the different methods. Keyword: Financial Crisis; Linear regression model; Listed companies; Predicting Model
5、 4 目录 1. 引言 . 5 2. 主要现金流指标的财务危机预测模型建立 . 7 2.1 财务危机的基本概念 . 7 2.2 ZETA 模型和一元线性回归模型 . 7 2.3 多元线性判别法 . 9 2.3.1 判别分析的含义 . 9 2.3.2 判别分析的统计背景 . 9 2.4 一元线性判别法 . 11 2.5 回归方程的统计检验 . 12 2.5.1回归方程的显著性检验 . 12 2.5.2 多重共线性检验。 . 12 2.5.3. 序列相关性检验 . 12 3. 上市公司财务危机的预测分析 . 13 3.1 预测模型的建立与分析 . 13 3.2 实 证结果分析 . 19 3.3 模
6、型外推判定的效果分析 . 20 4. 结论 . 22 4.1 研究成果 . 22 4.2 建议方案 . 22 致谢 . 23 参考文献 . 24 附表 . 25 5 1. 引言 公司上市是当今世界发展的普遍趋势和潮流，并被公认为是全球最为显著的社会经济现象之一， 上市公司最大的特点在于可利用 证券市场 进行筹资，广泛地吸收社会上的闲散资金，从而迅速扩大企业规模，增强产品的竞争力和市场占有率 1。因此，股份有限公司发展到一定规模后，往往将公司股票在交易所公开上市作为企业发展的重要战略步骤。从国 际经验来看，世界知名的大企业几乎全是上市公司。 公司上市对我国国民经济持续健康发展有着不容忽视的重要意
7、义，因此，对上市公司的财务危机进行预测，无疑具有极其重要的现实意义。 上市公司的财务危机会给投资者和债权人带来无可挽回的损失。加强上市公司财务危机预警，对于监控上市公司质量、防范 证券 市场风险、保护投资者和债权人利益，具有重大的 现实意义和应用价值 2。因此，在此过程中建立一个综合高效的危机识别体系 尤为关键和必要。财务危机的预测指标，考虑各个指标预测后反应的问题，在此基础上选择需要的指标结合与之相应的模型进行财务预测。出于统计数据的准确性及统计分析的现实意义等因素的考虑，本文采用多元线性判别的分析方法，通过 ZETA 模型，对杭州市上市公司财务危机预测的实际应用。 国内外研究现状： 陈静
8、3（ 1999）采用资产负债率。净资产收益率，流动比率，总资产周转率等指标建模；张玲 4（ 2000）用资产负债率、营运资金与总资产比率、总资产利润率、留成收益与资产总额比率建模；吴世农、卢贤义 5（ 2001）所建的预测 模型中的变量有：盈利增长指数。资产报酬率，流动比率，长期负债与股东权益比率、营运资本与总资产比率，资产周转率共六个权责发生制下的指标 。 采用权责发生制下的传统指标所建立的预警模型的预警效果是：在财务危机发生前第 1 年的误判率最低为 0%，第 2 年的误判率最低为 13%，第 3 年的误判率最低为 20.4%. 1968 年美国学者奥特曼 Altman6首次将多元线性判别
9、方法引入到财务危机预测领域。他1946-1965 年间提出破产申请的 33 家公司和同样数量的非破产公司作为样本进行研究，采用了 22个财务比率，经过数理统计筛选， 留下了建立模型的五个财务指标，它们分别是 :营运资本 /总资产，留存盈余 /总资产，息税前利润 /总资产，股权的市场价值 /债务的账面价值，销售 /总资产。通过多元判别分析产生了一个总的判别分，称为 Z 值，并依据 Z 值进行判断。研究表明 :息税前利润 /总资产、销售 /总资产、股权的市场价值 /债务的账面价值三个财务指标预测能力比较强，模型的预测精度高达 94%。 1977 年 Altman7， Haldeman (2)三种模
10、型均能在财务危机发生前做出相对准确的预测，在财务危机发生前 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，财务危机发生前 1 年的误判率仅为 6.47%. 李华中 (2001)选择 1997年全部 ST公司作为失败类组，选择一小部 1999年为 ST、而 1997, 1998年非 ST 类个股样本作为预测之用，再按照配对原则从同行业、相近资产规模的企业中选出同样数量的非 ST 公司作为非失败类组。选择贝叶斯方法、费歇方法， logit 方法及 Tobic 方法，作为备选的判断方法，前两种方法是距离判断方法，后两种方法是回归判别方法。从实证结果看，模型判
11、别的平均误判率为 5.66，而模型预测的误判率为 14.5%，表明模型是有很强的判别分类能力，是有效的判别工具，可用于外推预测。 目前，关于财务危机预测的研究采用的都是 权责发生制下的传统指标 。应全面利用各个指标，综合预测财务危机。 本文结构是以如下安排的，第二章中，模型的建立以及模型的参数估计。主要介绍财务危机预测的基本原理和计算方法。第三章，主要是 ZETA 模型和一元线性模型对杭州市上市公司的财务危机的预测，根据预测结果进行比较。第四章结论。 7 2. 主要现金流指标的财务危机预测模型建立 2.1 财务危机的 基本概念 财务危机是 指企业明显无力按时偿还到期的无争议的债务的困难与危机。
12、对于财务危机，通常公认有两种确定的方法：一是法律对企业破产的定义，企业破产是用来衡量企业财务危机最常用的标准，也是最准确和最极端的标准；二是以证券交易所对持续亏损、有重大潜在损失或者股价持续低于一定水平的上市公司给予特别处理或退市作为标准。财务危机是导致企业生存危机的重要因素，因此，需要针对可能造成财务危机的因素，采取监测和预防措施，及早防范财务风险，控制财务危机 9。 财务预测 对于提高 公司经营管理 水平和 经济效益 有着十分重要的作用。具体表现在以下几个方面 ： 1、 财务预测使进行经营决策的重要依据。管理的关键在决策，决策的关键使预测。通过预测为决策的各种方案提供依据，以供决策者权衡利
13、弊，进行正确选择。 2、 财务预测是公司合理安排收支，提高资金使用效益的。公司做好资金的筹集和使用工作，不仅需要熟知公司过去的财务收支规律，还要善于预测公司未来的资金流量，即公司在计划期内有哪些资金流入和流出，收支是否平衡，要做到 瞻前顾后 ，长远规划，使 财务管理 工作处于主动地位。 3、 财务预测使提高公司管理水平的重要手段 10。财务预测不仅为科学的财务决策和 财务计划提供支持，也有利于培养财务管理人员的超前性、预见性思维，使之居安思危， 未雨绸缪 。同时，财务预测中涉及大量的 科学方法 以及现代化的管理手段，这无疑对提高财务管理人员的素质使大有裨益。需要指出的使，财务预测的作用大小受到
14、其准确性的影响。准确性越高，作用越大；反之，则越小。 在研究方法的选择方面，本文主要采用 ZATA 模型和一元线性回归模型来计算财务危机指标，采用多元判别分析法分别得出 资产收益率、收益稳定性指标、债务偿付能力指标、累计盈利能力指标、流动性指标、资本化程度的指标 、规模指标 ，得出财务危机的预测 13。 2.2 ZETA 模型和一元线性回归模型 ZETA 模型 （ ZETA Credit Risk Model） ， 是继 Z 模型后的第二代信用评分模型 ,变量由原始模型的五个增加到了 7 个，适应范围更宽，对不良借款人的辨认精度也大大提高。 1 1 2 2 3 3 4 4 5 5 6 6 7
15、7Z E T A x x x x x x x ， 8 模型中的 721 ， 分别是无法获得 ZETA 模型中其变量各自的系数。 17,xx分别表示 模型中的 7 个变量， 7 个变量是：资产收益率、收益稳定性指标、债务偿付能力指标、累计盈利能力指标、流动性指标、资本化程度的标、规模指标。 ZETA 模型的优点： ZETA 这种新模型在破产前 5 年即可有效地划分出将要破产的公司，其中破产前 1 年的准确度大于 90%，破产前 5 年的准确度大于 70%。新模型不仅适用于制造业，而且同样有效地适用于零售业。 缺乏内部风险评分系统的机构可以通过 ZETA 的分值段与实际违约经验相结合的评分系统。Z
16、ETA 等价评级（ ZER）提供了处理不同区域、规模或所有权的客观且一致的方法。通过 ZER 结 果与金融机构自己的评分结果相比较，可以分析一些异常现象以验证已给定的等级是否合适。 ZETA 模型所提供的风险评估方法成本低而且速度快。通过利用分值与违约率之间的一致关系，可以在定价模型中考虑目标信用利差和意外损失。 一元线性回归模型的 定义 11： 一元回归分析法，是在考虑预测对象发展变化本质基础上，分析因变量随一个自变量变化而变化的关联形态，借助回归分析建立它们因果关系的回归方程式，描述它们之间的平均变化数量关系，据此进行预测或控制。 性质： 假定从理论上或经验上已经知道输出变量 y 是输入变
17、量 x 的线性函数，但表达其线性关系的系数是未知的，要根据输入输出的 n 次观察结果 ( , ) ( 1, , )iix y i n 来确定系统的值。按 最小二乘法 原理来求出系数值，所得到的 模型 为一元线性回归模型。 一元线性回归模型， 01t t ty b b x u ， (2.1) 上式表示变量 ty 和 tx 之间的真实关系。其中 ty 称作被解释变量（或相依变量、因变量）， tx 称作解释变量（或独立变量、自变量）， tu 称作随机误差项， 0b 称作常数项（截距项）， 1b 称作回归系数。 在模型 (2.1) 中， tx 是影响 ty 变化的重要解释变量。 0b 和 1b 也称作
18、回归参数。这两个量通常是未知的，需要估计。 t 表示序数。当 t 表示时间序数时， tx 和 ty 称为时间序列数据。当 t 表示非9 时间序数时， tx 和 ty 称 为截面数据。 tu 则包括了除 tx 以外的影响 ty 变化的众多微小因素。 tu 的变化是不可控的。上述模型可以分为两部分：（ 1） 01tb bx 是非随机部分；（ 2） tu 是随机部分。 2.3 多元线性判别法 2.3.1 判别分析的含义 判别分析是 指通过预先设立的判别准则和建立已知分类的判别函数，将未知分类的个体观测值代入相应的变量，在根据判别准则（如函数值大于某值）判断未知分类的个体应属于已知分类中哪一类的一种方
19、法 12. 判别分析应满足的基本前提条件： （ 1）预测变量尽可能服从正态分布； （ 2）所选择的预测变量之间的相关性应较弱且保持一致，即相关性检验不能达到显著水平，且2 个变量之间的相关性在不同的判断类别或组别中应一致； （ 3）预测变量应是连续、不间断变量，判断类别或组别应是间断变量； （ 4）预测变量的平均值和方差没有相关性。 判别分析的数学 描述是：有 k 个总体 1G 2G ,， kG ，对应的分布函数分别为1fx, 2fx， kfx， ifx均为 m 维分布函数， 12 TmX x x x 根据计算得到的新样品 X 的数量特征判断这个样品究竟来自哪一个总体，用判别函数组表示为 18
20、 ： 1 0 1 1 1 1 12 0 2 1 2 1 20 1 1,i i m imi i m imin n n i m n imc a a x a xc a a x a xc a a x a x 其中 n 为判别函数的个数； inc 为自变量的数目； mna 为判别函数的系数； imx 为个体的取值。 2.3.2 判别分析的统计背景 判别分析的方法 13有参数方法和非参数方法。参数方法假定每个类的观测来自（多元） 正态分布 总体，各类的分布的均值（中心）可以不同。非参数方法不要求知道各类所来自总体的分布，它对每一类使用非参数方法估计该类的分布密度，然后据此建立判别规则。 记 X 为用来建立
21、判别规则的 p 维随机变量， S 为合并协方差阵估计 , 1,tG 为组的下标，共有 G 个组。记 tn 为第 t 组中训练样本的个数， tm 为第 t 组的自变量均值向量， tS 为第 t 组的协方10 差阵， tS 为 tS 的行列式， tq 为第 t 组出现的先验概率 ， ptx 为自变量为 x 的观测属于第 t 组的后验概率 ， tfx为第 t 组的分布密度在 Xx 处的值， fx为非条件密度 1Gttt q f x。 按照 贝叶斯（ Bayes） 理论，自变量为 x 的观测属于第 t 组的后验概率 /ttp t x q f x f x。于是，可以把自变量 X 的取值空间 pR 划分为
22、 G 个区域 tR （ 1, ,tG ）， 使得当 X 的取值 x 属于 tR 时后验概率在第 t 组最大，即 1 , ,m a x ,s G tp t x p s x x R ， 建立的判别规则为：计算自变量 x 到每一个组中心的广义平方距离，并把 x 判入最近的类。广义平方距离的计算可能使用合并的 协方差 阵估计或者单独的协方差阵估计，并与先验概率有关，定义为 22 12ttD x d x g t g t ， 其中 21t t t td x m V x m ， 1 ln tSgt 采 用 单 类 的 协 方 差 阵 估 计0 采 用 合 并 协 方 差 阵 估 计， 2 ln tqgt 各
23、 类 先 验 概 率 相 等 ,0 各 类 先 验 概 率 不 等 . ttVS （使用单个类的协方差阵估计）或 tVS （使用合并的协方差阵估计）。 tm 可以用第 t 组的均值 tX 代替。在使用合并协方差阵时， 2 1 1 1 12 l n 2 l n 2T t t t t t tD x x X S x X q x S x X S X q x S X ， 其中 1xS 是共同的可以不考虑，于是在比较 x 到各组中心的广义平方距离时，只要计算线性判别函数 2 1 1t 1 ln2 t t t tD x X S X q x S X ，当 x 到第 t 组的线性判别函数最大时把 x 对应观测判入第 t 组。在如果使用单个类的协方差阵估计 ttVS 则距离函数是 x 的二次函数，称为二次判别函数。 后验概率可以用广义距离表示为
