（会计学专业论文）我国制造业上市公司财务风险预警研究.pdf

i 摘 要 摘 要 在世界经济一体化和金融全球化的今天 我国作为世界经济的重要组成部 分 必将对世界经济和金融产生重大影响 我国证券市场的发展和变化集中反映 了我国经济的发展变化情况并与世界经济息息相关 作为我国证券市场主体并参 与国际竞争的上市公司不仅面临着国内外宏观经济和金融市场变动产生的风险 并且在自身经营过程中面临风险 而各种类型的风险最终都会转化为财务风险 因此 财务风险是上市公司必须谨慎对待的风险之一 如果不及时采取措施防范 和化解 当财务风险积聚到一定程度时 就会引发企业财务失败 本文以财务管理理论 统计理论和财务风险预警理论为基石 在对财务险的 形成机制进行分析并对国内外财务风险预警研究进行系统梳理的基础上 选取我 国制造业上市公司作为研究样本进行财务风险预警实证研究 旨在为我国制造业 上市公司找到一个可行的财务风险预警模型 使其能够据此提前判断企业所处的 财务风险阶段 及时调整财务战略和经营战略 防患于未然 在实证研究中 本文运用描述统计和 t 检验对初步选定的 28 的财务指标进 行甄别后 选出可显著区别财务失败公司和非财务失败公司的 9 个财务指标用于 构建财务预警模型 随后运用主成分分析法对选定样本公司 9 个财务指标的三年 数据进行分析 分别构建出三个制造业上市公司主成分分析预警模型 同时运用 logistic 回归法构建财务预警模型 作为主成分分析模型判别效果的比较对象 突显出主成分分析预警模型的相对优势 关键词 财务风险预警 主成分分析 logistic 回归 ii abstract with the development of economic integration and financial globalization china forms an important part of world economy the development and change of chinese economy can be reflected by chinese securities market to a large extent as the major constituents of chinese securities market listed companies not only face risks during their operation all of which will transfer into financial risk in the end the accumulation of financial risk will lead to financial failure of enterprises therefore enterprises should take measures to guard against financial risk and deal with it prudently based on financial management theories statistic theories and financial risk early warning theories this thesis selects listed manufacturing corporations in china as research samples and makes an empirical research on these sample companies after analyzing the formation of financial risk and summarizing the domestic and foreign literatures on financial risk early warning the purpose is to construct a feasible financial risk early warning model for listed manufacturing companies so that they can rely on it to determine the actual financial stage and adjust relevant financial and operating strategy beforehand in the process of empirical research this thesis first applies descriptive statistics and paired sample t test to determine financial indexes that can be used to distinguish between financial failure and non financial failure companies and to construct financial risk early warning model then uses principal component analysis to analyze the nine financial indexes chosen by using three year data from sample companies and constructs three financial risk early warning models and at the same time uses logistic regression approach to construct the same year s financial early warning model as a comparison in order to emphasize the relative advantages of the former keywords financial risk early warning principal component analysis logistic regression 学位论文原创性声明学位论文原创性声明 本人郑重声明 所呈交的学位论文 是本人在导师的指导下 独立进行研究工作所取得的成果 除文中已经注明引用的内容 外 本论文不含任何其他个人或集体已经发表或撰写过的作品成 果 对本文所涉及的研究工作做出重要贡献的个人和集体 均已 在文中以明确方式标明 本人完全意识到本声明的法律责任由本 人承担 本人郑重声明 所呈交的学位论文 是本人在导师的指导下 独立进行研究工作所取得的成果 除文中已经注明引用的内容 外 本论文不含任何其他个人或集体已经发表或撰写过的作品成 果 对本文所涉及的研究工作做出重要贡献的个人和集体 均已 在文中以明确方式标明 本人完全意识到本声明的法律责任由本 人承担 特此声明特此声明 学位论文作者签名 学位论文作者签名 年年 月月 日日 学位论文版权使用授权书学位论文版权使用授权书 本人完全了解对外经济贸易大学关于收集 保存 使用学位 论文的规定 同意如下各项内容 按照学校要求提交学位论文的 印刷本和电子版本 学校有权保存学位论文的印刷本和电子版 并采用影印 缩印 扫描 数字化或其它手段保存论文 学校有 权提供目录检索以及提供本学位论文全文或部分的阅览服务 学 校有权按照有关规定向国家有关部门或者机构送交论文 在以不 以赢利为目的的前提下 学校可以适当复制论文的部分或全部内 容用于学术活动 保密的学位论文在解密后遵守此规定 本人完全了解对外经济贸易大学关于收集 保存 使用学位 论文的规定 同意如下各项内容 按照学校要求提交学位论文的 印刷本和电子版本 学校有权保存学位论文的印刷本和电子版 并采用影印 缩印 扫描 数字化或其它手段保存论文 学校有 权提供目录检索以及提供本学位论文全文或部分的阅览服务 学 校有权按照有关规定向国家有关部门或者机构送交论文 在以不 以赢利为目的的前提下 学校可以适当复制论文的部分或全部内 容用于学术活动 保密的学位论文在解密后遵守此规定 学位论文作者签名 学位论文作者签名 年年 月月 日日 导师签名 导师签名 年年 月月 日日 1 第 1 章 绪论 第 1 章 绪论 1 1 研究背景及意义 1 1 研究背景及意义 当今世界已进入知识经济和信息经济时代 随着世界经济一体化和贸易金融 国际化的发展 我国作为世界经济的重要组成部分 必将对世界经济和金融产生 重大影响 同时也要受到国外经济和金融状况的影响 我国证券市场的发展和变 化集中反映了我国经济的发展变化情况并与国际经济息息相关 作为我国证券市 场主体并参与国际竞争的上市公司面临着国内外宏观经济和金融市场变动产生 的风险和自身在经营过程中产生的风险 目前 风险的重要性已为各企业所重视 风险管理业已成为企业管理中重要内容 而各种类型的风险最终都会转化为财务 风险 因此财务风险是上市公司必须谨慎对待的风险之一 关系着上市公司的生 死成败 本文旨在通过对我国制造业上市公司进行的实证研究 构建出财务风险预警 模型 为制造业上市公司提供一种财务风险防范的手段 从而使它们能够提前判 断企业所处的财务风险阶段 及时调整财务战略和经营战略 防患于未然 广大 证券市场的投资者也可以运用财务风险预警模型作为自己投资决策的辅助工具 据以确定投资进入时机和撤出时机 避免投资损失 债权人则可以运用财务风险 预警模型判断借款和债权投资的安全性 决定是否为上市公司提供融资 1 2 研究方法与研究思路 1 2 研究方法与研究思路 本文以财务管理理论 统计学理论和财务预警理论为基石 综合运用主成分 分法和 logistic 回归法对研究样本进行实证研究 在定量分析和比较分析的基 础上 构建出我国制造业上市公司的财务预警模型 本文对国内外财务风险预警研究进行系统梳理和回顾 分析财务风险的内涵 和形成原因 并在对财务风险预警理论进行概述的基础上 选取我国制造业上市 公司作为研究样本 以相关财务指标作为研究对象 采用主成分分析法构建制造 业上市公司财务预警模型 并将其判别效果与 logistic 回归构建的模型进行比 较 突出主成分分析预警模型的相对优势 1 3 研究内容与结构框架 1 3 研究内容与结构框架 本文分为五个部分对我国制造业上市公司财务风险预警进行实证研究 第一部分是绪论 主要介绍了研究背景和意义 研究思路和方法以及研究内 容框架 为后面的研究做出铺垫 2 第二部分是财务风险预警研究回顾 主要对国内外财务预警的相关研究进行 综述 从而明确本文的研究方向 第三部分是财务风险和财务预警理论概述 分析了财务风险的内涵 特征和 形成机制 并概述了财务预警理论 为财务预警模型的构建确定理论基础 第四部分是实证研究 采用主成分分析法对我国制造业上市公司进行实证研 究 构建了制造业上市公司财务预警模型 并将它的判别效果与 logistic 回归 法构建的模型进行了比较 第五部分是研究结论和局限 分析本文的研究结论和不足之处 1 4 论文创新之处 1 4 论文创新之处 本文将主成分分析法运用于我国制造业上市公司财务预警的实证研究中 分 别对三年的财务数据进行统计分析和比较分析 从而构建出制造业上市公司三年 的主成分分析财务预警模型 同时将主成分分析模型的判别效果与 logistic 回 归分析构建的财务预警模型进行比较 突显出主成分分析模型的优势 3 第 2 章 财务风险预警研究回顾 第 2 章 财务风险预警研究回顾 2 1 国外相关研究回顾 2 1 国外相关研究回顾 国外的学者对财务风险预警已经做了相当多的研究 总体而言 财务风险预 警的研究方法大致可以分为单变量预警分析和多变量预警分析两大类 1 单变量预警分析方法 单变量预警分析方法是通过单个财务比率指标的走势变化来预测企业的财 务危机 最早进行财务困境预测研究的是 fitzpatrick 1932 1 他以 19 对破 产公司和非破产公司作为样本 运用单个财务比率将样本分为破产和非破产两 组 研究发现判别能力最高的两个财务比率是 净利润 股东权益 和 股东权 益 负债 smith 和 winakor 1935 2 进行了单变量分析研究 结论是发现营运 资本 总资产比的指标预测能力最高 此外 merwin 1942 3 也探讨了单变量分 析模型 研究结论是营运资本 总资产比 股东权益 负债比 流动资产 流动负 债比三个比率对企业破产的预测能力强 在较早的单变量分析模型研究时期 影响较大且广为引用的是美国芝加哥大 学教授 william beaver 1966 4 提出的单变量分析模型 他在对 1954 至 1964 年 79 家失败企业和与之在同一行业且规模相近的 79 家成功企业进行比较研究后 发现 相对于其他财务比率而言 债务保障比率 现金流量 总负债 能够最好 地判定企业的财务状况 其误判率最低 其次则是资产收益率 净利润 总资产 和资产负债率 总负债 总资产 并且与经营失败日越近 误判率越低 预见性 越强 2 多变量预警分析方法 多变量预警分析方法即运用多种财务比率指标加权汇总而构造多元线性函 数公式来预测财务危机 l 多元线性判别模型 altman 1968 5 教授首次将多元线性判别方法引入到财务危机预测领域 创立了 z 值模型 altman 教授选取了 1946 1965 年期间提出破产申请的 33 家企 业和 33 家非破产的企业作为样本 在大量数据调察和分析研究的基础上 从最 初的 22 个财务比率中选择了 5 个 使用破产企业破产前一年的数据和非破产企 业在相应时段的数据用统计方法对 5 个财务比率分别给出一定权数 进而计算其 加权平均值 即 z 值 故此模型又称 z score 模型 z score 模型的差别函数表 示如下 4 z 0 012 1 x 0 014 2 x 0 033 3 x 0 006 4 x 0 999 5 x z 是差别函数值 1 x 是营运资金 资产总额 2 x 是留存收益 资产总额 3 x 是息税前利润 资产总额 4 x 是普通股和优先股市场价值总额 负债账面价值总 额 5 x 是销售收入 资产总额 altman 结合美国股票市场的实际情况确定 z 值的分界点 如果 z 值大于 2 675 那么公司的财务状况是稳健的 如果 z 值小于 1 81 那么公司很有可能走向 破产的边缘 如果 z 值介于 1 81 和 2 675 之间则处于 灰色区域 无法准确判 断公司的财务状况 经过对 33 对样本公司进行检验 它正确预测了这 66 家企业 中 63 家企业的结果 预测的成功率明显超过了单变量预测模型 但由于每个国 家的经济环境不同 每个国家 z 值的判断标准也各不相同 因而各国家公司 z 值 的临界值也各不相同 但各国 财务失败组 的 z 值均明显低于 财务不失败组 且财务失败企业的 z 值的平均值都低于临界值 1 8 altman haldeman 和 narayanan 1977 6 运用美国 1969 年 1975 年企业数 据 以 111 家企业为样本 对 z score 模型加以修订 建立了第二代模型 zeta 模型 zeta 值模型结论如下 zeta a 1 x b 2 x c 3 x d 4 x e 5 x f 6 x g 7 x altman 保留着各系数的知识产权 只公布了模型中的七个变量 没有公布 系数 所以系数只能以 a b c d e f g 代替 模型中的七个变量分别为 1 x 是息税前收益 资产总额 2 x 是息税前收益 资产总额的十年的标准差 3 x 是 息税前收益 应付利息 4 x 是留存收益 总资产 5 x 是流动比率 流动资产 流动 负债 6 x 是普通股权益 总资本 7 x 是总资产的对数 zeta 模型无论是在变量的选择 变量的稳定性方面 还是在样本开发和统 计技术方面都比以前的 z score 模型有很大的改进 特别是破产前预测的年限越 长 预测准确性相对也越高 破产前 1 年的准确度超过 90 破产前 5 年的准确 率超过 70 altman 认为 zeta 模型优于 z score 模型 zeta 模型比 z score 模 型更加准确有效 2 logistic 回归模型 由于 altman 教授创立的多变量线性判别模型对预警变量具有严格的要求 即要求预警变量符合严格的联合正态分布 而现实经济生活中大多数企业的财务 比率无法满足这一要求 logistic 回归模型是特殊因变量模型的一种类型 模型对于变量的分布没 有具体要求 而且 logistic 模型回归时通过概率值进行预测 具有较好的实用 性 将 logistic 回归模型引入企业失败预测 也就是依据失败企业的某些特征 5 计算其发生失败的概率 如果失败概率大于设定的分界点 那么判断该企业失败 logistic 模型建立在累计概率函数基础上 因此 变量可以不必服从多元 正态分布 及组间协方差相等假设 logistic 回归模型的假设前提是 1 因变量y是二分变量 2 数据必须 来自于随机样本 3 因变量y被假定为k个自变量的 k x k 1 2 k 的函数 因变量与自变量之间的关系是非线性的 4 自变量之间不存在多重共 线性 在一般的多变量回归模型中 若以p 概率 为应变量 则方程为 01122 kk pbb xb xb x 用该方程计算时 常会出现 p 1 或 p0 时 做 因子分析的效果最理想 kmo0 5 用因子分析应慎重 kmo 统计量与 bartlett 球形检验结果如下表 kmo 为 0 698 0 5 p 0 5 表明适宜做因子分析 表 4 3 kmo and bartlett s test kaiser meyer olkin measure of sampling adequacy 0 6980 approx chi square 803 6968 df 36bartlett s test of sphericity sig 0 000 4 4 4 主成分分析 4 4 4 主成分分析 运有 spss 对估计样本组标准化的 st 前 1 年的数据进行主成分分析 分析结 果如下 表 4 4 财务比率相关系数表 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 x 9 x 1 x 1 0000 0 5562 0 4825 0 83710 33580 65790 83650 9027 0 8655 2 x 0 5562 1 0000 0 9503 0 68930 70180 31770 37670 3460 0 3237 3 x 0 4825 0 9503 1 0000 0 71510 65590 29480 34550 3027 0 2726 4 x 0 8371 0 6893 0 7151 1 00000 38460 53950 71500 7083 0 6150 5 x 0 3358 0 7018 0 6559 0 38461 00000 32710 36260 2817 0 2569 6 x 0 6579 0 3177 0 2948 0 53950 32711 00000 72620 7299 0 8044 7 x 0 8365 0 3767 0 3455 0 71500 36260 72621 00000 9517 0 8485 8 x 0 9027 0 3460 0 3027 0 70830 28170 72990 95171 0000 0 9469 9 x 0 8655 0 3237 0 2726 0 61500 25690 80440 84850 9469 1 0000 11 spss13 0 统计软件应用教程 陈平雁主编 人民卫生出版社 2005 31 从上表可以看出 相关系数均为正数 表明 9 个财务指标之间均呈正相关关 系并符合同趋势化的要求 盈利能力指标 6 x 7 x 8 x 9 x 之间相关性较 高 最小的相关系数为 0 7262 偿债能力指标 1 x 2 x 3 x 4 x 之间相关 性略弱 而偿债能力指标所有者权益比率 1 x 与盈利能力指标相关性尤为明显 现金流量指标 5 x 与偿债能力指标有一定的相关性 表 4 5 主成分特征值与贡献率 extraction sums of rotation sums of initial eigenvalues squared loadings squared loadings component total of variance cumulative total of variance cumulative total of variance cumulative 1 5 76 64 03 64 03 5 7664 03 64 03 4 1345 94 45 94 2 1 88 20 91 84 94 1 8820 91 84 94 2 6329 17 75 11 3 0 61 6 80 91 74 0 616 80 91 74 1 0011 15 86 26 4 0 34 3 79 95 53 0 343 79 95 53 0 839 27 95 53 5 0 19 2 12 97 65 6 0 12 1 34 98 99 7 0 06 0 72 99 71 8 0 02 0 21 99 92 9 0 01 0 08 100 00 在本文中取包含原指标信息含量 95 53 即累计贡献率为 95 53 的前 4 个主成分 经方差最大化旋转后的 4 个主成分的贡献率分别为 45 94 29 17 11 15 和 9 27 表 4 6 因子荷载矩阵 rotated component matrix a component 1 2 3 4 1 x 0 8699 0 4099 0 0171 0 1105 2 x 0 1809 0 8990 0 3307 0 0713 3 x 0 1270 0 9362 0 2595 0 0866 4 x 0 6432 0 7071 0 0606 0 0628 5 x 0 1362 0 4456 0 8706 0 0936 6 x 0 5911 0 1382 0 1219 0 7786 7 x 0 9153 0 1616 0 1887 0 1618 8 x 0 9644 0 1368 0 0933 0 1740 9 x 0 8829 0 1022 0 0746 0 3664 extraction method principal component analysis rotation method varimax with kaiser normalization a rotation converged in 7 iterations 32 从上表中可以看出主成分 1 中 6 x 7 x 8 x 9 x的负荷量较为明显且集 中 因此主成分 1 主要代表了企业的盈利能力 主成分 2 中 2 x 3 x 4 x的负荷 量明显大于其他比率 因而它代表了企业的偿债能力 主成分 3 中 5 x的负荷量 为 0 8706 远高于其他指标 因而代表了企业的现金流量水平 在主成分 4 中 6 x 的负荷量为 0 7786 远大于其他指标 主成分 4 代表了企业的盈力能力水平 4 5 构建预警模型4 5 构建预警模型 表 4 7 因子得分系数矩阵 rotated component matrix a component 1 2 3 4 1 x 0 29441 0 08553 0 1451 0 3137 2 x 0 1352 0 41741 0 0078 0 05849 3 x 0 1956 0 50313 0 1593 0 17401 4 x 0 11941 0 39392 0 458 0 1678 5 x 0 0131 0 2148 1 11886 0 1814 6 x 0 2726 0 02499 0 1502 1 38782 7 x 0 36782 0 1971 0 26354 0 3489 8 x 0 37872 0 1682 0 12551 0 3184 9 x 0 19695 0 1248 0 01889 0 20256 extraction method principal component analysis rotation method varimax with kaiser normalization a rotation converged in 7 iterations 根据因子得分系数矩阵 可得到如下主成分 用f表示 关于财务比率的线 性表达式 1123456789 0 29440 13520 19560 11940 01310 27260 36780 37870 197fxxxxxxxxx 2123456789 0 08550 41740 50310 39390 21480 0250 19710 16820 1248fxxxxxxxxx 3123456789 0 14510 00780 15930 4580 11890 15020 26350 12550 0189fxxxxxxxxx 4123456789 0 31370 05850 1740 16780 18141 38780 34890 31840 2026fxxxxxxxxx 根据各主成分的贡献率构建预警模型为 1234 0 45940 29170 11150 0927zffff 1 f代表盈利能力 2 f代表偿债能力 3 f代表现金流量能力 4 f代表盈利能 力之营业毛利率 将估计样本财务指标数据组标准化后的代入上述函数 并按 z 值由大到小排 序如下 33 表 4 8 z值 公司编号 1 f 2 f 3 f 4 f z n36 0 38269 3 92666 2 96121 0 32277 1 32981 n04 0 00534 3 22404 1 85196 0 36683 1 17859 n12 0 50902 1 58461 2 34247 0 24000 0 93502 n03 0 15347 2 29416 0 43095 0 31753 0 72119 n19 0 27184 1 45577 0 00814 0 00951 0 54779 n02 0 48057 0 77385 0 82634 0 15096 0 36840 n34 0 05783 1 94544 1 84748 0 25177 0 36481 n37 0 55616 0 45479 0 40949 0 18387 0 35957 n32 0 67370 0 12994 0 35956 0 40198 0 34458 n08 0 52276 0 78292 2 41800 0 64911 0 34150 n11 0 38056 0 62373 0 73478 0 24755 0 29783 s13 0 26659 1 77419 3 75039 0 58682 0 27637 n07 0 46749 0 02873 0 25348 0 10781 0 26139 n16 0 62769 0 13631 1 03367 0 40221 0 25017 n01 0 80210 1 22434 1 93142 0 10053 0 23593 n09 0 44120 0 08751 0 14132 0 20284 0 23126 n18 0 74340 1 02817 1 37498 0 14620 0 20840 n35 0 49935 0 24960 0 04964 0 20625 0 18123 n10 0 58472 0 21121 0 58766 0 31640 0 17082 s41 0 13529 0 09659 0 58510 0 02569 0 15318 n41 0 44531 0 40838 0 37777 0 19160 0 14531 n06 0 42260 0 36617 0 30222 0 25087 0 14426 n14 0 41845 0 02100 0 91133 0 37057 0 13112 n15 0 34061 0 21974 1 12320 0 37739 0 13035 n38 0 38502 0 32041 0 25456 0 18002 0 12847 n39 0 41702 0 35634 0 10487 0 28738 0 12595 n13 0 41078 0 43560 0 33577 0 25304 0 12252 n33 0 52007 0 67940 0 39580 0 29429 0 11212 s15 0 12178 0 15831 0 05862 0 06447 0 08962 n05 0 39548 0 65662 0 33176 0 32007 0 05678 n20 0 40014 0 47631 0 37840 0 39761 0 03954 n40 0 27748 0 51802 0 01731 0 56852 0 03099 s11 0 04153 0 50885 0 62392 0 52223 0 01139 s17 0 10217 0 10279 0 41750 0 37587 0 00525 n17 0 31404 0 72927 0 38188 0 27265 0 00064 s05 0 17060 0 50606 0 33279 0 19477 0 01410 s10 0 28749 0 30786 0 08194 0 73280 0 03483 34 s38 0 09351 0 31969 0 38707 0 44422 0 05227 s02 0 05644 0 21429 0 54320 0 24598 0 07434 s36 0 03219 0 39550 0 20429 0 26276 0 09901 s06 0 08381 0 37268 0 08593 0 23675 0 11569 s03 0 09316 0 08538 0 52884 0 00894 0 12749 s07 0 44426 0 18276 0 01578 0 06103 0 15467 s08 0 28961 0 68912 1 42444 3 74587 0 17203 s33 0 11010 0 47735 0 13593 0 78291 0 17643 s12 0 00997 0 61171 0 57721 0 54284 0 18790 s01 0 48272 0 06005 0 44783 0 61700 0 23199 s16 0 32242 0 45596 0 13297 3 31479 0 27743 s18 0 13433 0 80419 0 15471 0 05090 0 28379 s39 0 20555 0 69288 0 70868 0 85698 0 29612 s14 0 20649 0 94053 0 24140 0 45019 0 30059 s32 0 37123 0 43303 0 24484 0 22677 0 34519 s20 0 46035 0 80927 0 25188 0 65322 0 35892 s04 0 19715 1 23912 0 55176 0 05730 0 39587 s40 0 48359 0 67864 0 12872 0 20476 0 42477 s37 0 43085 0 99138 0 16441 0 13695 0 49278 s09 1 02564 0 40441 0 19574 0 67156 0 50506 s35 0 75754 0 80531 0 17457 0 36587 0 59741 s19 1 98871 0 27223 0 73190 4 90553 1 36625 s34 6 72208 0 10698 0 17694 1 40835 2 94597 在保证判别分类错误最小的前提下 可见判别分割点在 0 03099 和 0 01139 之间 本文中取二者的平均值 0 02119 作为判别分割点 z 值大于 0 02119 判定 为非 st 类公司 否则为 st 类公司 4 6 检验预警模型 4 6 检验预警模型 将检验样本组 st 前 1 年财务指标数据标准化后代入预警模型 其结果如下表 4 9 模型检验结果 公司编号 1 f 2 f 3 f 4 f z n23 0 28391 2 23409 0 19151 0 20796 0 78012 n24 0 82875 0 27215 0 90394 0 14663 0 54729 n45 1 11155 5 90220 6 60748 0 74399 0 54360 n28 1 01082 0 03305 0 06038 0 02922 0 45874 n31 0 93592 0 43766 1 40277 0 20435 0 43971 n42 0 78500 0 27403 0 76516 0 08424 0 35817 n43 0 74205 0 38133 1 02876 0 15780 0 35207 35 n26 0 68806 0 17631 0 33419 0 09497 0 33907 n44 0 72148 0 09669 0 22757 0 02267 0 33070 n21 0 89066 0 47924 0 26983 0 17412 0 31557 n30 0 78193 0 82374 1 52128 0 03591 0 29182 n27 0 69912 0 27432 0 25974 0 12202 0 28141 n46 0 54996 0 14248 0 25161 0 13175 0 27838 n25 0 71369 0 85152 0 63611 0 23997 0 17261 n22 0 46602 0 24569 0 04984 0 30126 0 16478 n29 0 59028 0 79050 0 83978 0 17368 0 15027 s43 0 46056 1 30806 0 64868 0 18540 0 11491 s22 0 02086 0 08204 0 40794 0 17860 0 07639 s28 0 31743 0 93350 0 32641 0 26050 0 06597 s44 0 04996 0 03852 1 29555 0 29870 0 10502 s26 0 17763 0 51636 0 41090 0 40031 0 14932 s21 0 22634 0 35403 0 13480 0 67001 0 16017 s29 0 09068 0 81408 0 44554 0 50347 0 18280 s45 0 29297 0 47037 0 16988 0 42290 0 21366 s42 0 13494 0 41186 0 35042 1 71765 0 25649 s46 1 28635 1 07769 0 61295 0 55495 0 25965 s30 0 39436 0 74403 0 49714 0 62487 0 28486 s23 0 04323 0 74267 0 46847 1 87119 0 31807 s27 0 92363 0 86320 0 29471 0 89086 0 56068 s31 1 35287 0 35007 0 29806 0 81174 0 68158 s25 1 43919 0 20600 0 54368 0 64963 0 84209 s24 3 45621 0 82523 1 21407 2 39559 1 91526 根据判别分割点可以知道 st 公司 s22 s43 被误判为非 st 公司 判别正确 率为 93 75 按照上述方法可以构建出 st 前 2 年和前 3 年预警模型 前 2 年的模型为 1234 0 33930 30250 20480 0873zffff 1123456789 0 11240 00970 15440 22720 01950 07240 35280 34610 4454fxxxxxxxxx 2123456789 0 17630 31460 41850 14550 53210 01170 4420 13470 0191fxxxxxxxxx 3123456789 0 61210 01860 09540 62760 35540 1010 04040 11930 1947fxxxxxxxxx 4123456789 0 52940 16210 24950 38730 07361 08780 34890 31840 2026fxxxxxxxxx 此模型的判别分割点 0 022 前 3 年的模型为 1234 0 34090 20720 20510 1789zffff 1123456789 0 03020 09620 09350 07820 10180 37320 37310 30960 1371fxxxxxxxxx 2123456789 0 2160 1070 32010 63890 14910 24330 11720 00980 4985fxxxxxxxxx 36 3123456789 0 73350 32120 05920 03460 16770 25440 00560 03630 4746fxxxxxxxxx 4123456789 0 24910 31950 13990 25810 80170 21350 09680 03750 1338fxxxxxxxxx 此模型的判别分割点 0 0859 4 7 logistic 回归法构建预警模型 4 7 logistic 回归法构建预警模型 运用 spss 软件对财务指标 st 前 1 年的原始数据进行 logistic 回归分析 在分析时赋予非 st 公司的值为 1 赋予 st 公司的值为 0 分析结果如下 4 10 variables in the equation b s e wald df sig 1 x 275 85 93296 16 0 00 1 1 00 2 x 77 42 35365 07 0 00 1 1 00 3 x 32 46 58634 23 0 00 1 1 00 4 x 68 67 99834 47 0 00 1 1 00 5 x 80 17 18714 53 0 00 1 1 00 6 x 33 95 30458 19 0 00 1 1 00 7 x 1964 90 454922 99 0 00 1 1 00 8 x 860 93 2627577 41 0 00 1 1 00 9 x 460 54 402711 13 0 00 1 1 00 constant 81 83 60751 30 0 00 1 1 00 因此前 1 年的判别模型为 123456789 123456789 275 8577 4232 4668 6780 1733 951964 9860 93460 5481 83 275 8577 4232 4668 6780 1733 951964 9860 93460 5481 83 1 xxxxxxxxx xxxxxxxxx e p e 同样可得到 前 2 年判别模型为 123456789 123456789 15 643 296 0412 333 443 5938 2732 0310 619 5 15 643 296 0412 333 443 5938 2732 0310 619 5 1 xxxxxxxxx xxxxxxxxx e p e 前 3 年判别模型为 123456789 123456789 9 070 281 194 954 8210 3591 56268 414 436 46 9 070 281 194 954 8210 3591 56268 414 436 46 1 xxxxxxxxx xxxxxxxxx e p e 4 8 模型效果分析 4 8 模型效果分析 在运用 16 对检验样本数据对以上两种方法构建的模型进行检验 主成分分 析模型用的是经标准化的数据 logistic 回归模型用的是原始数据 检验结果 如下 表 4 11 模型效果比较 37 前 1 年 前 2 年 前 3 年 主成分 分析法 logistic 回归法 主成分 分析法 logistic 回归法 主成分 分析法 logistic 回归法 检验样本数 32 32 32 32 32 32 检验正确数 30 32 31 27 25 23 检验准确率 93 75 100 00 96 88 84 38 78 13 71 88 误判率 6 25 0 00 3 12 15 62 21 87 28 12 从表中的可以年出在 st 前 1 年主成分分析法模型判别准确率略低于 logistic 回归法模型 而前 2 年 前 3 年的主成分分析法模型的判别正确率均高 于 logistic 回归法模型 整体而言 主成分分析模型判别准确率相对较高 这 也是主成分分析法的主要优点 但主成分分析模型在选判别分割点时不如 logistic 回归模型简便和计算步骤较多 这在得到良好判别效果的前提下也是值 得的 张爱民 祝春山 许丹健 2001 12在运用主成分分析构建上市公司预测模 型时前 1 年 前 2 年 前 3 年的检验正确率分别为 92 50 87 50 和 77 50 比较而言本文的检验正确率均略高 这主要是因为 第一 本文的样本出自制造 业公司 从而剔除了行业特点对构建模型的影响 而张爱民等学者所选样本存在 跨行业情况 必然对构建模型的准确率有所影响 第二 本文在构建模型时估计 样本组样本容量为 30 对样本公司 基本符合统计学和统计实践对大样本的要求 而张爱民等学者估计样本组只有 20 对 略少 12 张爱民 祝春山 许丹健 上市公司财务失败的主成分预测模型及其实证研究 金融研究 2001 年 3 月 10 25 页 38 第 5 章 研究结论和局限 第 5 章 研究结论和局限 5 1 研究结论 5 1 研究结论 本文将主成分分析法运用于我国制造业上市公司财务预警的实证研究中 分 别对三年的财务数据进行统计分析和比较分析 从而构建出制造业上市公司三年 的财务预警的主成分分析模型 同时将主成分分析模型的效果与 logistic 回法 构建的财务预警模型进行比较 突显出主成分分析模型的相对优势 从理论上讲 通过主成分分析法具有合理性 主要表现在 首先 在构建模 型时所采用的原始财务比率的个数不受限制 只要该财务比率能够在一定程度上 区分财务失败企业与非财务失败企业 其次