| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
提要 本文针对目前企业财务危机预警模型存在的问题，提出基于Logit模型的上市公司财务预警方法。并选取60家上市公司作为样本，筛选若干个常用的财务指标，经过严格的实证数据测试，建立上市公司财务预警模型，运用该模型对公司进行预测，结果表明所设计的预警模式是有效的；同时，将人工神经网络中的BP神经网络工具运用于构建上市公司财务危机预警模型，进行对比研究。
上市公司是现代公司的最高形式，上市公司的数量和质量直接影响着证券市场的兴衰。在我国的股票市场上，公司上市需要最近三年连续盈利，但对于已经上市的公司，它们有可能因为经营不善，或者是其他的原因，出现亏损。所以，如何提前分析、判定或预测上市公司是否开始面临财务困境、经营失败或破产风险，是广大投资者关心的问题。设立和建立财务预警模型对企业的财务运营过程进行跟踪、监控，及早发现财务危机信号，不仅能为广大投资者和包括银行在内的债权人判定上市公司质量和经营业绩提供科学的手段和可靠的依据，而且还可以使经营者在财务危机出现的萌芽阶段采取有效措施，改善企业经营状况。
从研究方法看，预测企业是否发生财务危机的方法一直在不断地改进和创新之中，主要有基于SPSS(社会统计软件分析包)的统计判定、时间序列回归预测、主成分因子分析和基于人工神经网络的BP神经网络等方法。这些方法各有千秋，但都存在各自的不足，如统计变量中的单变量分析信息含量不足，容易缺乏解释力和产生相互冲突；而线性判别模型需要变量服从正态分布并且分组样本间的协方差要相等，但事实上各变量之间存在着多重共线性和相关性；再如，各类评价指标缺乏一致性，定量研究仅限于简单的横截面或者时间序列分析，财务危机判别模型的统计量没有检验效应等，因此无法全面、客观、动态的预警。
本文在借鉴现有研究成果的基础上，以财务理论为基础，选取一系列较为全面的财务指标，首先，判别入选解释变量的线性相关性；其次，利用模型对所选解释变量进行逐步回归构建出财务预警模型，通过数据测试来筛选具有解释力的预警指标；最后，建立了上市公司财务预警的模型，运用该模型对公司进行了预测，结果表明所设计的预警模式是有效的。同时，将人工神经网络中的BP神经网络工具运用于构建上市公司财务危机预警模型进行对比研究。
一、研究方法
Logit方法采用logistic回归建立一个非线性模型，其曲线是S型或倒S型。因变量的取值在0～1之间，回归方程为：㏑[Pj/（1-Pj）]=a+Σbixij 或者Pj=exp（a+bixij）/[1+exp（a+bixij）]。本文将ST公司赋值1，将非ST公司赋值0。Pj是在条件xij=(Xlj，X2j……Xmj)下某事件发生的概率，1-Pj是该事件不发生的概率，其中m是自变量的个数。a是截距，b是待估计的参数。利用最大似然估计法估计参数，在研究中取0.5作为概率的阀值，将样本数据代入回归方程得到P值大于0.5时，判断该样本属于财务困境公司，否则属于非财务困境公司。
Logit模型的最大优点是，不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，不需要满足正态分布和两组协方差矩阵相等的条件，得出的结果直接表示企业发生财务失败的可能性大小，操作简单，结果明了。目前，这种模型的使用较为普遍，但其计算过程比较复杂，而且在计算过程中有很多的近似处理，这不可避免地会影响到预测精度。
二、样本采集与指标选择
（一）样本采集。本文样本公司的财务数据主要来自深圳国泰安信息技术有限公司提供的《中国股票市场研究数据库》，本文选取60家上市公司，应用Logit模型建立预测模型预测上市公司是否面临财务危机，其中ST样本30个，非ST样本30个。随机抽取其中的2/3样本作为模型的训练集，用以模型的训练，剩下的1/3作为模型的测试集，用以验证模型的预测准确率，但是为了数据的完整，笔者将训练集也在模型上做了测试，因此可以看到所有60个样本的测试结果，训练集和测试集中，ST样本和非ST样本比例都保持1:1。需要说明的是在样本构成中，我们几乎选取了全部的ST公司，而对非ST样本的选取则采用了随机抽取的办法，取得了与ST公司相对应的数量。因此，从样本选择的范围看，应该说是比较客观的，基本符合我国上市公司目前的分布状况。
（二）财务指标的选择。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、运营能力、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财务比率；三要具有同趋势性，即当财务比率增大时，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。我们采用定性分析和定量分析相结合的方法，从企业的短期偿债能力、长期偿债能力、盈利能力、资产管理能力、主营业务鲜明程度、公司增长能力等6个方面，提供了5个备选财务指标。结合我国上市公司实际情况，特选定债务保障率、总资产报酬率、负债权益比率、资产留存收益率、运营资金占用率五个财务比率指标作为预测模型中的变量，经过统计方法分析，所选的指标符合既相互独立又相互补充的要求。（表1）
为了分析上述财务比率能否有效区别ST公司与非ST公司，下面我们就40家样本企业分别对初步选定的5个财务比率进行单变量T检验，根据检验结果，我们对训练样本的两组40个数据进行了样本均值比较，发现除了X4资产留存收益率以外，债务保障率、总资产报酬率、负债权益比率、运营资金占用率4个指标的均值存在明显差异，故ST公司与非ST公司的这4个指标存在显著性差异，所以这4个指标被选择作为建立财务困境预警模型的变量。由于X1债务保障率是关于财务困境的一个关键衡量值，所以下面用主成分分析法，以期将改变量的有效信息整合入新生成的变量。
三、基于Logit模型上市公司财务预警模型构建、预测结果和检验
（一）模型的构建。将选定的4个变量的有关数据输入Eviews统计分析软件，得到如下结果。（表2）
由表2可以看出，每个指标的显著性水平均小于0.05，说明单个指标的解释能力较强。由表2，可得t-1年上市公司财务危机预警模型方程：
P=e■/(1+
e■)
其中，X1=债务保障率；X2=总资产报酬率；X3=资产留存收益率；X5=营运资金占用率；该模型的整体预测效果为86.1%，其中ST公司的预测准确率为87.8%，非ST公司的预测准确率84.4%。
（二）预测结果及检验。将20个检验样本的数据代入回归模型进行预测，即运用上面根据训练集样本得出的方程来预测测试集样本：在Eviews中选择Proces/forecast命令，预测结果。（表3）
当P值大于0.5时，公司被认为会陷入财务困境，反之则被认为是财务健康。由表3可知，利用2004年的财务数据进行预测，有17家公司会陷入财务困境，正确率是85%。
四、基于BP神经网络上市公司财务预警模型对比研究
近年来，人工智能广泛应用于预警领域。如：人工神经网络、案例推理技术、专家系统等，并取得了良好的预警效果。本文也尝试利用人工神经网络中的BP神经网络工具构建上市公司财务危机预警模型，应用Matlab编程语言，借助计算机工具可以方便地完成BP网络模型的算法设计和数据运算，建立上市公司财务危机的预警模型，在财务危机预警系统的实证研究方法上有所创新，同时做一对比研究。（表4）由上文两种方法的对比我们可以看出，Logit模型的预测准确度低于BP神经网络模型，这可能因为我国市场不够成熟，影响财务数据准确性的不确定性因素较多，而采用Logit回归法建立模型对建模样本的要求很高，所以较难达到理想要求；而人工神经网络对企业没有假设要求，具有很强的容错能力、学习能力和纠错能力。
五、简单评述
本文基于我国上市公司公开披露的会计信息，选取常用的5项财务指标作为预警指标，这在理论上是假定5项财务指标对财务预警有很好的解释力，但经过实际数据测试后，最后保留在模型中的指标仅有4项，这说明实证分析排除了另外1项指标在财务预警中的主要贡献。当然，这并不意味着其余指标没有预警作用，而只意味着基于模型而言，另外1项指标解释力不强。在模型预测中，我们总是希望构造一个预测值的置信区间，以判断预测的精度；其中一种解决方法就是用随机模拟法生成置信区间，但这需要估计的系数服从正态分布，而Logit模型回归系数难以满足这一要求。因此，本文选择临界值0.5作为预测判断标准，如何提供一个科学的置信区间有待进一步研究。■ |
|
|
|
