上市公司财务困境实证研究.docx

上市公司财务困境实证研究 财务困境又称“财务危机”，最严重的财务困境是“企业破产”。企业因财务困境导致破产实际上是一种违约行为，所以财务困境又可称为“违约风险”。事实上，企业陷入财务困境是一个逐步的过程，通常从财务正常渐渐发展到财务危机。实践中，大多数企业的财务困境都是由财务状况正常到逐步恶化，最终导致财务困境或破产的。因此，企业的财务困境不但具有先兆，而且是可预测的。正确地预测企业财务困境，对于保护投资者和债权人的利益、对于经营者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险，都具有重要的现实意义。 上市公司是证券市场的基石，其行为的规范与否和财务状况的好坏将直接影响到证券市场的发展和投资者的利益。正是由于上市公司的财务状况的重要性，许多国外学者对上市公司财务失败做了许多研究，而国内在这方面的研究才刚刚起步。在近几年的文献中也有学者对上市公司财务失败问题进行研究，他们大多使用判别分析的方法建立线性判别函数，然后利用这个函数对财务状况进行研究。然而，线性函数具有其本身不能克服的两个缺陷：固定影响假设和完全线性补偿假设。正由于这两个缺陷使得模型的分类和预测能力有限。基于这一点，本文运用Logistic回归模型进行财务失败的研究。 一、关于预警模型文献综述 企业财务预警分析主要有两种模式：一种是单变量模式；另一种是多变量模式。单变量模式是指运用单一指标，即个别财务指标来预测财务危机。更为常见的是多变量模式，即通过运用多元函数，运用多种财务指标加权汇总产生的总判别来预测危机。 早在1967年，美国的会计研究发表了一篇研究财务比率有用性的文章，作者是当时芝加哥大学会计系的副教授比弗，他在这一研究上取得了突破性进展。他最初选了14个比率进行实证分析，最终选用了对于预测财务失败最有效的三个比率：现金流量/债务总额；净收益/资产总额；债务总额/资产总额。比弗的单变量失败预警模型不仅把财务比率用于预测财务失败，而且提到了多比率分析方法和市场价格的信息可能更有效地用于预测目的，这为多变量模型的建立奠定了基础。 在单变量预警模型提出不久，中外许多学者开始研究多变量预测模型。多元线性函数模型有多种，最早也最有影响力的要数美国的奥特曼，他于1968年创建Z记分模型。奥特曼使用了33家失败公司和33家成功公司的财务数据，并且挑选了22个财务比率进行实验。但是，奥特曼的Z模型只适用于短期（2年以内）预测。后来许多学者根据奥特曼的思路建立了改进模型，如日本开发银行的多变量预测模型、中国台湾陈肇荣的多元预测模型、中国大陆学者周首华、杨济华F分数模型等。当然，除了这些，我国许多研究人员正在从事相关工作，并已设计出相应模型，如陈静以27对同行业、同规模的ST公司与非ST公司的财务数据为基础，进行了单变量判别分析和多变量判别分析，在宣布日前一年总的准确率分别为100%和85%；张玲以120家公司为研究样本，使用其中60家公司的财务数据估计二类线性判别模型，并使用另外60家公司进行检验，发现模型具有超前4年的预测结果；吴世农、卢贤义选取了70家处于财务困境的公司和70家财务正常的公司为样本，应用Fisher线性判定分析、多元线性回归分析和Logistic回归分析三种方法，分别建立三种预测财务困境的模型，研究结果发现，三种模型均能在财务困境发生前做出相对准确的预测。虽然以上研究的预测准确率相当高，但是这些结果是以少量样本为基础，另外并没有考虑现金流量的有关指标，其结果是否具有代表性，仍需要进一步深入研究。但至今为止，还没有一套适合我国上市公司情况，并得到普遍验证的财务危机预警模型，需要我们进一步探索。 二、Logistic回归分析的基本原理 （一）变量特点。因变量：二分因变量，若设y=1为有风险，那么y=0即为无风险。自变量：可以为分类变量，也可以为连续自变量。 （二）logistic模型 Logistic回归模型中的回归系数反映的是每一个自变量的变化对因变量概率的对数的影响，具体到每个自变量回归系数的作用时，也可以通过对自变量的发生比率（数学表达式为ExpBi）的考察来确定自变量每一个单位的变化给原发生比率所带来的变化。 （三）自变量的相对重要性分析。衡量变量相对重要性的指标： 1、wald值，近似卡方分布，用于检验自变量的显著性。 2、对自变量进行显著性检验的概率P值。 当wald值越大，P值越小时，自变量的影响就越大。 （四）自变量的筛选。与多元线性回归分析相类似，有Forward法（实际上是逐步向前法）和Backward法（默认方法为Enter）。 （五）模型拟合的优良性指标 1、拟合分类表。根据logistic模型，对样本重新判别分类，符合率越高，拟合度越好。注意：logistic模型对于判别分类很粗劣，此法仅做参考。 2、最大似然函数值L。“Likelihood”为似然函数值，SPSS提供了-2Loglikelihood（缩写为2LL）是似然函数值的自然对数的2倍，常用来反映模型的拟合程度，其值越小，表示拟合程度越好（L1）。因为logistic模型是使用最大似然估计，似然函数值越大，则表明越接近最大似然值，拟合程度越好。 三、实证研究 （一）研究假设 1、经典的logistic模型要求因变量为二分类变量，但其因变量也可以是多分类变量（SPSS中Multinomial logistic菜单）。 2、样本不能完全线性可分（完全线性可分是指L=1，此时模型有无数多组解，回归系数的估计是不准确）。 3、样本量足够大。 （二）样本选取。样本来自于2005年在上海交易所上市的31家公司的年报，但排除了：（1）上市两年内就进入特别处理的公司，共1家。排除原因是财务数据过少和存在严重的包装上市嫌疑，因此与样本中的其他公司不具有同质性；（2）因巨额或有负债进行特别处理的公司，共1家。排除原因是或有负债属偶发事件，不是由企业正常经营造成的，与其他样本公司不具有同质性；（3）因自然灾害、重大事故等进行特别处理的，共1家。排除原因同（2）。所以，最后入选的公司只有28家，构成了我们研究的样本，数据准确，真实可靠。 （三）财务预警模型的建立。选择财务预警logistic模型判断财务危机通常采用的财务指标有： x1=（总负债/总资产）100% x2=净资产利润率=（净利润/平均净资产总额）100% x3=（公司现金流量/总资产）100% P是财务失败的条件概率。 在一般多元回归中，若以P为因变量，则方程P=B0+B1x1+B2x2+Bixi，但用该方程时，常会出现P1或P0的不合理情况，为此，对P做对数单位转换，即logitP=ln（P/1-P），于是可得到logistic方程： 由该式可知logistic模型是一个具有如下性质的概率模型： 随着xi，i=1，2，3的变化，条件概率也在变化，但是不会超过01之外。 P与xi，i=1，2，3之间的关系是非线性的，而且概率趋于0，1的速度会越来越慢。 引入数据文件，定义变量名：Y为风险情况；1为有风险，0为无风险；x1，x2，x3根据2005年上海交易所28家上市公司年报中数据计算所得。运用SPSS软件计算如下：（表1、2、3、4） Block1：Method=Enter Omnibus Tests of Model Coefficients 表4输出了模型参数的估计，Logistic回归过程用来估计参数的方法是最大似然估计法。对于模型的截距Constant和3个自变量分别给出了自由度（DF）、标准误、Wald卡方、概率。 结果是：总体参数检验的P值小于0.05，则据此可写出本例的Logistic回归方程： （四）模型检验。据表1可知：X2=35.165，P=.0000.05（模型所要求的显著性水平），所以回归参数有效。 据表2为Logistic回归模型是否成立的假设检验：无效假设是总体回归系数b=0；检验结果是b=0的概率值P0.05（-2 LOG L检验）；结果的推断是拒绝b=0的无效假设，接受备择假设，备择假设是b=1，即回归模型成立。 （五）模型预测能力分析。一个公司从非ST公司转化为ST公司需要一个过程，及早地预测公司财务危机征兆无疑对各方都有很大的意义，因为这样可以使各方赢得时间以采取措施防范风险。为此，本文引入了Logistic模型的预测能力。根据回归所得到的Logistic方程，以0.5为最佳判定点，对检验样本中10家非ST公司的原始数据进行回代判定，结果见表5。（表5） 从表5可以看出：Logistic模型具有超强预测能力，预测正确率相当的高，这是十分喜人的结果。 四、小结 从上面的实证结果可知，笔者所建立的Logistic模型的预测能力是比较令人满意的。因而本文所建立模型可以帮助金融机构、投资者、基金经理们进行财务危机、信用风险预测分析。但是，任何模型都不能代替人脑的分析，上文中的模型同样如此，一方面它的正确性是建立在数据真实可靠基础之上的，而当前证券市场中上市公司财务数据混乱；另一方面每一模型都存在一定的时效性，随着时间的推移，当数据环境发生重大变化时，实证模型的准确性肯定会下降，因此要经常的对经济环境进行分析，从而制定出与经济环境相适合