上市公司财务失败模型实证分析定稿8.3.doc

上市公司财务失败模型实证分析 张晓晴 王巍内容摘要：近年来，国内学者对上市公司财务失败的关注越来越广泛。本文在分析国内和国外研究文献的基础上，分析了目前国内建立财务失败模型误区，然后选用了上海A股市场的数据，对数据间的多重共线性进行了处理，建立了Logit模型，结果表明模型的拟和度较高，达到了了78.9%。最后，还用建立的模型进行了测试，结果模型的判正率达到72%，说明该模型总体效果较好。关键词：财务失败 多重共线性 Logit模型1. 绪论11财务失败简析所谓财务失败是指一个企业的盈利能力实质性的减弱，持续经营遇到了困难，无力偿还到期债务的困难和危机。从资产存量角度看，财务失败表现为企业总资产账面价值低于总负债账面价值，即企业净资产为负数；从现金流量角度看，财务失败表现为企业现金流入小于现金流出，即企业现金净流量为负数。本文以ST公司为财务失败的典型表现。12文献回顾Beaver（1966）使用由79对公司组成的样本，通过对30多个比率进行单个检验，他发现最好的判别变量是现金流量/总负债。Beaver还发现越临近破产日，误判率越低。由于企业的财务特征不可能由一个变量充分反映，因此，此后的大量研究倾向于采用多变量分析方法。Altman于1968年首先使用了多元线性判别模型来研究公司的破产问题。根据行业和资产规模，他为33家破产公司选择了33家非破产配比公司，选用22个变量作为破产前15年的预警备选变量，根据误判率最小的原则，最终确定了5个变量为最佳判别变量。最终的估计判别函数为：Z=0.12X1+0.14X2+0.33X3+0.06X4+1.0X5线性判别模型对预警变量有着严格的联合正态分布要求，但现实中大多数财务比率并不满足这一要求，且一旦在预警变量中出现虚拟变量，那么联合正态分布的假设完全不成立。为克服这一局限性，研究人员引进了逻辑（Logit）和概率比（Probit）回归方法。Ohlson（1980）分析了样本公司在破产概率区间上的分布以及两类判别错误和分割点的关系，他发现至少存在四类显著影响公司破产概率的变量：公司规模、资本结构、业绩和当前的变现能力。由此，Ohlson认为：以前根据行业和资产规模来进行样本配比的选样方法显得有些武断，还不如将资产规模变量直接放在模型中考虑。此后，Coats和Fant在1991年对47家财务困境公司和47家正常公司运用神经网络模型进行判别时，对财务困境公司的预测准确率达到了91%，明显高于多元判别法72%的准确率。然而，back等人在1994年等人在1994年所做的研究中并不认为神经网络模型具有多元判别分析和logit分析更加明显的预测效果。国内学者陈静以27对同行业同规模的ST和非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，最后的结果为在宣布日前一年总的准确率为100%和85%。吴世农、卢贤义（2001）采用单变量模型、多元线性判定和Logit模型，结果证明，在财务困境发生前三种模型均能够做出相对准确的预测，误判率在28%以内。卢宇林等采用多种判别分析方法，模型的总体有效性达到81%。2 判别分析方法的选择 2.1判别分析方法的选择综合大量文献可以看出，目前学术界主要采用的方法有Z-score模型，多元判别分析，Logit模型。但是在具体运用中存在大量的误用，特别是忽视了模型的前提假设。Z-score模型是Altman根据美国的破产公司得出的经验数据，不论选取的指标和系数都不一定适合于中国，但国内现在很多学者是直接用该模型判断我国上市公司的财务状况，其结果的可信性可想而知。在判别分析法中，贝叶斯判别要求满足整台分布，协方差矩阵相等，判别函数为线性函数的形式。如果总体不服从正态分布，则判别形式虽然能够成立，但结果肯定可能不是最优的结果。Fisher判别对分布类型的要求相对较松，可以是任何概率分布，但要求协方差矩阵相等，判别函数也要求是线性函数。在Fisher 判别中如果协方差阵不相等，也会影响模型的正确性。从常识中，我们即容易得出结论：财务危机公司和正常公司各自财务比率的协方差阵是不可能完全相同的，因为两类公司的各项财务指标的波动情况不会完全一致。同时，和其他金融数据一样，企业的财务比率并不服从正态分布，而具有明显的高峰厚尾分布的特征。因此，多元判别分析在分布类型、协方差阵等方面严格的假定，使其在实践中的应用难度非常大。基于多元判别分析的种种限制，Logit 的应用相对更多，这是因为Logit 回归模型的理论前提相对判别分析法要宽松得多，且没有关于分布类型、协方差阵等方面的严格假定。不过，在大量运用Logistic 回归的研究中往往忽视了另一个相当重要的问题，即模型自变量之间可能存在的多重共线性干扰。基于以上分析，本文将主要采用Logit方法，但在采用该方法时，先消除指标间的多重共线性。2.2 模型方法介绍 参考了张文彤：“SPSS统计分析高级教程”，高等教育出版社，2004.09Logit模型回归的假设前提是：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。显而易见，Logistic 回归没有关于自变量分布的假设条件，因此Logistic 回归法避开了判别分析中所面临的各种难以满足的前提假设。模型的一般形式如下：其中：为自变量；为在给定系列自变量值时的事件发生概率；为截距，为回归系数，和均由最大似然估计所得。3 我国上市公司财务失败模型的建立 3.1 样本企业的抽取 样本可以是配对抽取，也可以是非配对抽取。配对样本的抽取主要按照行业相同、资产规模相同或相近的原则在非失败企业中找出一家配对的企业，作为“非失败企业的样本”。但配对抽样有以下的缺点 数据样本的选取参考了卢宇林等：“上市公司财务失败预警系统实证分析”，全景网络：1、配对抽样等同于默认了财务失败企业与非财务失败企业的发生概率是相等的，样本数量也相应地减少了。而且，如果是一一配对，被选中的非财务失败企业具有偶然性，不一定能代表该类企业。2、配对抽样只能成对的对比研究得出结论，而不能根据单个公司的研究得出结论。3、很多大公司的经营是多样化的，界定他们属于什么行业并不容易。因此对这些公司进行配对很难达到预期效果。4、配对抽样不能解释为什么只是按照行业和资产规模配对，而不采用按公司成立期限配对。实际上，公司成立初期的财务失败率远高于成立期限长的公司。因此，本文采用非配对抽样，即抽取相对少量的财务失败企业与相对较多的非财务失败企业。本文随机选取了上证A股市场150家非财务失败企业和50家财务失败企业。并收集了2002-2004年三年的财务数据。剔除了数据缺失后，最终得到117家非财务失败企业和36家财务失败企业，数据的选取来自WIND数据库。3.2 财务比率数据的收集样本确定后，收集样本财务失败前几年的财务报表数据，然后再逐年逐一计算选定的财务比率。选定的比率是应在满足以下条件的前提下确定的：1、首要条件是在历史文献中被普遍地使用，证明比率的重要性；2、次要条件是在以前的研究中是有效的，以便与前后比较；3、穆迪、标普等资信评估公司在评价企业资信中采用的财务指标。经过分析，第一步选取了23个指标，见表1：表1：选取的财务指标及其财务指标计算方法每股收益(EPS)每股收益=净利润/普通股总数销售净利率销售净利率=净利润/主营业务收入销售毛利率销售毛利率=主营业务利润/销售收入资产净利率(ROA)资产净利率=净利润/总资产主营业务利润率主营业务利润率=主营业务利润/主营业务收入净资产收益率(ROE)净资产收益率=净利润/净资产每股收益(EPS)同比增长率每股收益增长率=（当年每股收益-上年每股收益）/当年每股收益主营业务收入同比增长率主营业务收入同比增长率=（当年主营业务收入-上年主营业务收入）/当年主营业务收入主营业务利润同比增长率主营业务利润同比增长率=（当年主营业务利润-上年主营业务利润）/当年主营业务利润总资产同比增长率总资产同比增长率=（当年总资产-上年总资产）/当年总资产每股净资产同比增长率每股净资产同比增长率=（当年每股净资产-上年每股净资产）/当年每股净资产存货周转率存货周转率=主营业务成本/存货应收账款周转率应收账款周转率=主营业务收入/（应收帐款+应收票据）流动资产周转率流动资产周转率=主营业务收入/流动资产净额固定资产周转率固定资产周转率=主营业务收入/固定资产净额净资产周转率净资产周转率=主营业务收入/净资产总资产周转率总资产周转率=主营业务收入/总资产流动比率流动比率=流动资产/流动负债速动比率速动比率=（流动资产-存货）/流动负债资产负债率资产负债率=总负债/总资产产权比率产权比率=负债/所有者权益有形净值债务率=负债总额/(股东权益-无形资产净值) 上述财务指标体系体现如下特点：1、财务指标比较全面，涵盖了所有平常遇到的财务指标，分别反映了盈利性、成长性、偿债能力、营运能力等不同角度的财务指标。2、静态指标和动态指标相统一。上述指标既有反映当年情况的静态指标，也有反映变化的动态指标，如主营业务收入增长率、净利润增长率、总资产增长率等。3.3 数据的处理和分析将抽取的153家企业随机分成两组，分别记为A组和B组。由于我们抽取的财务失败企业是以2004年为准，因此本文主要以2003年的数据为研究样本。剔除异常数据后，形成了每组16个ST样本和58个ST数据的两个样本组，一个为测试样本，一个为检验样本。3.3.1对ST和非ST数据的均值和方差比较 对测试样本的数据运用spss软件进行统计分析，首先对其进行t检验，目的是检验财务指标在不同信用风险企业之间的差异性。两组企业财务指标均值和方差的比较如下图表2： 表2：两组数据的均值和方差对比表 均值标准差非stst非stst每股收益0.234322-0.439850.2914590.753527销售净利率0.044426-30.50380.296667177.3759销售毛利率0.251248-0.853140.1320225.706285资产净利率0.043751-0.126650.0444760.252838主营业务利润率0.240967-0.868430.1292565.715266净资产收益率0.067211-0.328190.1334040.724059每股收益(EPS)同比增长率-0.67153-1.792888.5368753.816856主营业务收入同比增长率0.3246820.2833740.4403921.050905主营业务利润同比增长率0.2520830.3240290.7489582.254777总资产同比增长率0.35623-0.015250.4845710.349567每股净资产同比增长率0.263686-0.291520.4917020.650325存货周转率191.2935716.1003482.53772201.233应收账款周转率12.285984.89843825.296335.620838流动资产周转率9.06837630.4161832.91103136.5011固定资产周转率2.7632481.0747069.2749851.445009净资产周转率4.7715382.03588221.050352.381197总资产周转率1.1249575.2229411.1864520.04133流动比率1.3022220.4885291.6429110.417722速动比率1.7594020.7865711.8798470.482017资产负债率0.1808220.5645710.2348210.454981产权比率0.7072110.9439110.6703230.68998有形净值债务率1.261052-3.276681.96122137.62524 从上表可以看出：流动资产周转率、每股收益同比增长率、固定资产周转率、销售净利率、净资产周转率、存货周转率这些指标之间存在显著的差异。3.3.2 Mann-Whitney U检验 检验方法参考了张文彤：“SPSS统计分析高级教程”，高等教育出版社，2004.09为了近一步验证两个样本的差异性是否显著，我们采用SPSS软件非参数检验中的Mann-Whitney U检验对两个样本的23个指标进行检验。检验结果如下表3 ：表3：Mann-Whitney U检验结果指标名称Sig(2-tailed)在5%的显著水平下是否存在显著差异每股收益0.0000是销售净利率0.0000是销售毛利率0.0000是资产净利率0.0000是主营业务利润率0.0000是净资产收益率0.0000是每股收益(EPS)同比增长率0.557否主营业务收入同比增长率0.016是主营业务利润同比增长率0.005是总资产同比增长率0.000是每股净资产同比增长率0.000是存货周转率0.000是应收账款周转率0.004是流动资产周转率0.025是固定资产周转率0.000是净资产周转率0.524否总资产周转率0.057否流动比率0.000是速动比率0.000是资产负债率0.000是产权比率0.144否有形净值债务率0.036是注：显著性水平0.05，表明两者不存在明显的差异。反之，则表明两个独立变量存在明显的差异。从检验结果看，除了每股收益(EPS)同比增长率、净资产周转率、总资产周转率、产权比率这四个不存在显著性差异之外，其他指标都存在显著性差异。3.3. 3 对数据做相关系数检验相关系数表因篇幅所限，不能在此列出，从表中可以看出，每股收益和资产净利率，销售毛利率和主营业务利润率、流动比率和速冻比率、总资产同比增长率和每股净资产同比增长率、资产净利率和净资产收益率之间的相关性较强。综合以上三种方法的分析，我们筛选了每股收益、净资产收益率、销售净利率、主营业务利润率、主营业务收入同比增长率、净资产收益率、主营业务利润同比增长率、存货周转率、应收账款周转率、流动资产周转率、固定资产周转率、流动比率、资产负债率和有性净值债务率这14个指标。3.3.4 聚类分析综合来看，这14个指标数量可能偏多，为了进一步简化变量，我们对这14个变量进行聚类分析，聚类分析中我们采用Hierarchical Cluster进行分层，选用between-group linkage方法，对数据进行Z-SCORE变化，聚类分析结果如下图表4：结果发下，这14个指标之间的关联性已经不是很强，通过聚类结果分析，我们剔除了每股收益、净资产收益率、每股净资产同比增长率、主营业务收入同比增长率这四个指标，选定销售净利率、主营业务利润率、主营业务利润同比增长率、存货周转率、应收账款周转率、流动资产周转率、固定资产周转率、流动比率、资产负债率和有性净值债务率这10个指标：图表4：聚类分析结果 C A S E 0 5 10 15 20 25 Label Num +-+-+-+-+-+ VAR00001 1 VAR00002 2 VAR00004 4 VAR00013 13 VAR00007 7 VAR00012 12 VAR00003 3 VAR00014 14 VAR00011 11 VAR00009 9 VAR00005 5 VAR00006 6 VAR00008 8 VAR00010 10 3.4 模型的建立把选定的这些指标建立logit模型，把非ST的企业设为1，ST的企业设为0，以此列变量为因变量，上述选择的10个财务指标作为自变量。在这个模型中，我们反复尝试了分界值，最终得出分界值为0.5时，模型的正确率最高，因此，我们选择了该临界值，同时为了保留尽可能多的信息，把所有的指标都作为因变量进入模型。模型结果如下图表5：图表5：模型结果 ObservedPredicted VAR00001Percentage Correct.001.00Step 0VAR00001.0012475 1.00104882.76Overall Percentage 78.9a Constant is included in the model.b The cut value is .500从图中可以看出，模型对非ST企业的判别率较高，对ST企业的判别率稍微低一些，但模