馮春琳

摘要：本文以我國上市公司指標(biāo)為研究對象，以25家因財務(wù)狀況進入特別處理的公司和25家財務(wù)正常的上市公司為樣本，選取了6個變量指標(biāo)，通過單變量模型，一元判定模型，F(xiàn)isher判定模型和logistic模型四種分析方法對公司的財務(wù)狀況進行實證分析。單邊變量立面分析模型和一元判定模型運用單變量對財務(wù)危機進行簡單預(yù)測，誤差大，預(yù)測能力差，而Fisher模型和logistic模型從多變量進行預(yù)測，預(yù)測能力明顯比單變量強，其中l(wèi)ogistic模型預(yù)測能力最強。

關(guān)鍵詞：財務(wù)危機 財務(wù)指標(biāo) Fisher線性模型 logistic模型

一、引言

財務(wù)危機，又稱作財務(wù)困境，最嚴(yán)重的財務(wù)困境是“企業(yè)破產(chǎn)”，企業(yè)因財務(wù)困境導(dǎo)致破產(chǎn)實際上一種違約行為，所以財務(wù)困境又可以為“違約風(fēng)險”（吳世農(nóng)，盧賢義；2001年）。財務(wù)預(yù)警是以企業(yè)的財務(wù)報表，經(jīng)營計劃及其他企業(yè)相關(guān)會計資料為依據(jù)，利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷論，采用比率分析、比較分析、因素分析及多種統(tǒng)計方法，對企業(yè)的經(jīng)營活動、財務(wù)活動等進行預(yù)測，以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動中潛在的經(jīng)營風(fēng)險和財務(wù)風(fēng)險（尹俠，肖序，胡永康；2001年）。

最早運用統(tǒng)計方法來研究上市公司失敗的是美國的威廉·比弗（William.Beaver），提出了單變量預(yù)測模型。分析指出債務(wù)保障率（現(xiàn)金流量/債務(wù)總額）能夠較好地判定企業(yè)的財務(wù)狀況，其次是資產(chǎn)收益率和資產(chǎn)負(fù)債率。離經(jīng)營失敗日越近，誤判率越低，預(yù)見性越強（William.Beaver；1966年）。奧曼（Edwardl.Altman）于1968年提出了多元判定模型（Z值判定模型），運用其財務(wù)指標(biāo)擬合出多元線性函數(shù)模型，發(fā)現(xiàn)模型的預(yù)測能力在上市公司提出破產(chǎn)前一年的成功率超過單變量預(yù)測模型（Edwardl.Altman；1968年）。在我國早在1999年，陳靜運用了四種方法來對財務(wù)的惡化進行分析，總結(jié)出不同的模型具有各自的優(yōu)勢與局限性，但是仍不失為簡單而有效的預(yù)測方法（陳靜；1999年）。2001年，吳世農(nóng)，盧賢義以我國70家財務(wù)困境公司和70家財務(wù)正常公司為樣本，運用剖面分析和單變量判定分析，選擇6個預(yù)測指標(biāo)，建立Fisher線性模型，多元線性模型和logistic回歸分析模型，三種模型均能在財務(wù)困境發(fā)生前做出相對準(zhǔn)確的預(yù)測（吳世農(nóng)，盧賢義；2001年）。在2002年，姜秀華，任強，孫錚在研究財務(wù)危機預(yù)警模型中，同樣運用了logistic回歸方法，創(chuàng)新之處在于選擇了最優(yōu)概率閥值來進行判別分析，不同的樣本數(shù)據(jù)，根據(jù)概率計算出最優(yōu)的判別值（姜秀華，任強，孫掙；2002年）。

二、樣本設(shè)計和研究變量

1、樣本的設(shè)計

本文選取了來自A股市場的25家ST公司，樣本的時間跨度為2009年-2011年，同時選取了規(guī)模同等的非ST公司，樣本容量達(dá)到50家，可望在一定程度上降低估計和預(yù)測誤差。

2、變量指標(biāo)的選取

選擇財務(wù)比率作為變量指標(biāo)是，要綜合考慮到這些指標(biāo)要反映出上市公司的盈利能力，流動性以及財務(wù)杠桿等，根據(jù)本論文的模型需要，選取了一下指標(biāo)和財務(wù)比率：

X1：凈利潤同比增長

X2：資產(chǎn)負(fù)債比率=負(fù)債總額/資產(chǎn)總額

X3：總資產(chǎn)收益率=凈利潤/年末總資產(chǎn)

X4：資產(chǎn)流動比率=流動資產(chǎn)/總資產(chǎn)

X5：總資產(chǎn)周轉(zhuǎn)率=營業(yè)總收入/年末總資產(chǎn)

X6：流動資產(chǎn)負(fù)債比率=流動負(fù)債/流動資產(chǎn)

以上財務(wù)比率中的數(shù)據(jù)均來自同花順炒股軟件數(shù)據(jù)庫。

三、模型介紹

1、單變量立面分析模型

單變量分析方法是最簡單的一種分析方法，是美國學(xué)者比佛提出的，對兩組財務(wù)比率進行等權(quán)均值，然后逐年進行比較，進而來發(fā)現(xiàn)兩組均值差異，得出相關(guān)的結(jié)論。

2、一元判定模型

一元判定模型將所有的樣本數(shù)據(jù)進行隨進分組，進行兩分法檢驗，一組是估計樣本，一組是有效樣本。通過對估計樣本中財務(wù)比率進行排序選出分割點，使得誤判率最低，包括第一類錯誤和第二類錯誤，用選出的該分割點對有效樣本進行檢驗。

3、Fisher判定模型

本文運用的Fisher二類線性判定模型，因變量Y取值為1（ST）和0（非ST），同時運用財務(wù)比率作為自變量，進行線性回歸分析，得出判別函數(shù)和相應(yīng)的Z得分，通過Z的取值來判定一個公司的財務(wù)狀況，判定的Z的公式：

其中，a為截距，Wi為解釋變量Xi的判別權(quán)重。

4、logistic回歸模型

上市公司發(fā)生財務(wù)困境或者財務(wù)正常，都是以一定的概率發(fā)生，并討論的是發(fā)生概率p大小與那些因素有關(guān)系。logistic回歸模型并不是直接以p為因變量，而是處理p的一個嚴(yán)格單調(diào)函數(shù)Q=Q（P），通常是將logistic函數(shù)是：

X表示包含截距項的自變量的矩陣形式。根據(jù)logistic函數(shù)，任意給定上市公司的財務(wù)比率，就可以判定出上市公司發(fā)生財務(wù)困境的概率。

四、實證分析

1、單變量立面實證分析

本文針對二組自變量進行單邊量分析，分別是資產(chǎn)負(fù)債比率，流動資產(chǎn)負(fù)債比率，用相等的權(quán)數(shù)計算兩組樣本的財務(wù)比率的均值，對比情況如圖所示：

從圖1資產(chǎn)負(fù)債比率變化中，非ST公司三年的資產(chǎn)負(fù)債率基本維持的同一水平，變化幅度較小，總體有下降的趨勢；而ST公司三年的資產(chǎn)負(fù)債比例變化劇烈，并且越靠近宣布日，比率越高。從圖2流動資產(chǎn)負(fù)債，非ST公司的流動資產(chǎn)負(fù)債率變化顯著，而ST公司變化不明顯，在某一范圍內(nèi)波動。兩項指標(biāo)表明，ST公司與非ST公司的財務(wù)比率差異大。

通過這種單變量立面分析法，可以簡單直觀的分析出比較出ST公司和非ST公司之間存在顯著差異，但是這樣分析方法利用財務(wù)比率的均值進行分析的，可能會受到樣本中極值的影響而對分析的結(jié)果產(chǎn)生差異，可以通過增大樣本容量或者剔除異常值的方法來提高此方法的判別水平。

2、一元判定模型實證分析

（1）選取分割點

在一元判定模型中，從50家公司中隨機抽取了25家公司，運用2011年的總資產(chǎn)收益數(shù)據(jù)對選出的估計樣本進行判定，按總資產(chǎn)收益率大小進行排序，根據(jù)順序結(jié)果選取分割點，采取的辦法是分組平均法，首相按順序分成五組數(shù)據(jù)，計算每一小組的平均值，分別是：-0.18685，-0.02538，0.010827，0.04748，0.326777，剔除兩端值，確定三個分割點，分別對其進行檢驗，檢驗結(jié)果為：選擇-0.02538分割點，錯誤率為0.32，選取0.010827分割點，錯誤率為0.24，選取0.04748分割點，錯誤率為0.36，選擇錯誤率最低的分割點，即0.010827。

（2）有效樣本檢驗

運用上述方法篩選出的分割點對有效樣本進行檢驗，獲得相應(yīng)的判別效率。結(jié)果表名，以0.010827為分割點，在有效樣本中，一類錯誤有三個，二類錯誤有三個，誤判率為0.24。通此次判別方法，我們只能簡單初步的進行判別，由于存在的抽樣的誤差不可避免，同樣指標(biāo)判定為單一變量判定法，具有及其不穩(wěn)定性。

3、Fisher判定模型實證分析

Fisher判定模型是多元判定分析的一種方法，判定函數(shù)為：

其中，W1，W2是帶求得判別系數(shù)。以2011年的上述財務(wù)比率數(shù)據(jù)，運用SPSS統(tǒng)計分析軟件進行分析，分別得出了ST公司與非ST公司的Fisher判別函數(shù)，分析結(jié)果如表一所示：

表一：

判別式：

樣本觀測值帶入判定函數(shù)，得出判別結(jié)果表二所示：

表二：

根據(jù)Fisher判別分析方法，一類錯是五個，二類錯誤是1個，總正確率為88%，明顯比一元判定準(zhǔn)確率高。運用此方法對2010年和2009年的數(shù)據(jù)進行的判斷，正確率分別80%，90%。判斷率與宣布上市公司為ST公司的時間聯(lián)系不大，和其他研究者得出的離宣布日較遠(yuǎn)，成功率越低的結(jié)論不相符，可能選取的樣本本身存在誤差，上市公司內(nèi)部操控信息，或者上市公司公布的財務(wù)數(shù)據(jù)與公司實際運用情況不符合等原因造成。

4、logistic回歸模型實證分析

在logistic回歸模型中，仍然以2011年的樣本數(shù)據(jù)并運用SPSS統(tǒng)計分析軟件，對所有的財務(wù)指標(biāo)變量進行分析，分析結(jié)果如表三所示：

表三：

logistic模型使用的是最大似然估計，似然估計的數(shù)值越大，擬合程度越好，分析結(jié)果，變量X1，X3，X5的顯著性不明顯，說明其預(yù)測能力差，為X2，X4，X6的顯著性明顯，表明預(yù)測能力較高。以0.5為最佳判定點，對2011年的原始數(shù)據(jù)的判定結(jié)果，如表四所示：

表四：

在25個非ST上市公司中，有1個公司被誤判為ST公司，誤判率為0.04，在25個ST上市公司中，有2被誤判為非ST公司，誤判率為0.08。整體分析，正確率高達(dá)94%。同樣的方法對2010年和2009年的數(shù)據(jù)進行分析，判定的正確率分別是：80%，92%。

五、結(jié)論

通過非ST和 ST上市公司公布的財務(wù)信息，運用多種統(tǒng)計方法對公司的財務(wù)狀況進行實證研究分析，得出以下結(jié)論：（1）上市公司的財務(wù)信息中，包含了預(yù)測財務(wù)危機的信息量，通過計算財務(wù)比率，可以對上市公司進行財務(wù)困境預(yù)測，做好財務(wù)危機處理，減少不必要的損失。（2）單變量和一元模型進行預(yù)測，過程簡單，操作性強，但是誤差較大，其中從單變量分析中，我們可以看出，由于不同的指標(biāo)信息含量不同，預(yù)測能力也有所不同。（3） Fisher分析模型和logistic回歸模型通過分析多項指標(biāo)來預(yù)測財務(wù)困境，相對比單變量而言，結(jié)論更有說服力，準(zhǔn)確率高，其中，判定能力最高的是logistic回歸模型。（4）由于樣本本身的局限性，存在誤差是難免的，盡管四種方法都有各自的局限性，但是在對財務(wù)危機進行預(yù)測，各自具有重要的實踐意義。

參考文獻(xiàn)：

[1]吳世農(nóng)，盧賢義.我國上市公司財務(wù)困境的預(yù)警模型研究 [J].經(jīng)濟研究，2001；（6）.46-55

[2]陳靜.上市公司財務(wù)惡化預(yù)測的實證分析[J].會計研究，1999；（4）.31-38

[3]尹俠，肖序，胡永康.上市公司財務(wù)預(yù)警的實證分析[J].財經(jīng)理論與實踐，2001；（11）.83-87

[4]姜秀華，任強，孫錚.上市公司財務(wù)危機預(yù)警模型研究 [J].預(yù)測，2002；（3）.56-61

[5]William H .Beaver. Financial Ratios As Predictors of Failure[J].Journal of Accounting Research，1966；71-111

[6]Edward I.Altman.Ration，Discriminant Analysis and Prediction of Corporate Bankruptcy [J]. The Journal of Finance，1968；（9）.586-609