上市公司财务危机预警模型实证对比分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇上市公司财务危机预警模型实证对比分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

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X1、速动比率X2、现金流量比率X3、资产负债率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、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P>0.5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P

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。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之间进行比较。若y0，为财务状况正常公司。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%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）