论文部分内容阅读
本文以我国上市公司为研究对象，选取了2003—2005年ST的108家公司和非ST的108家公司共216家为样本，利用上市公司公开披露的年报财务信息和数据，选取了38个财务指标，应用逐步回归方法，选取显著的预测变量，运用判别分析法，借助SPSS统计分析软件，建立上市公司财务困境预测模型。研究发现，判别分析能比较准确地预测上市公司。
一、 引言
1968年，Altman在他的研究中首次使用了多元判别分析(Multivariate Discriminant Analysis,MDA)预测财务困境。该模型的预测能力比以往模型的判别效率有了较大提高，后来的研究者通常称该模型为“Z记分模型”(Z-score model)。1977年，Altman、Haldeman和Narayanan在“Z记分模型”的基础上提出了著名的ZETA模型。Raman于1982年运用逐步判别分析法对证券评级中的会计指标的预测能力进行研究，发现经营活动中的清偿能力是主要的判别因素，并建议在财务报告中有必要将经营业务和资本业务分开。Scott于1981比较了相关学者的实证结果，很难得出哪个模型最优的结论。但他认为，多元模型优于单比率模型，在多元模型中Zeta模型又是最优的。国内学者对财务困境预测的研究起步较晚。陈静对1998年的27家ST公司和27家非ST公司，使用了1995—1997年的财务报表数据，进行了单变量分析和二类线性判别分析。陈静的研究是国内第一个以上市公司为样本判别企业财务困境的，标志着国内研究财务困境问题的开始。张玲于2000年以我国实际运营的上市公司的财务比率为依据，利用SPSS统计软件，从原来的15个财务比率中抽取4个财务比率，建立财务困境判别分析模型。吴世农、卢贤义以我国上市公司为对象，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，应用剖面分析和单变量判别分析，研究财务困境出现前五年内这两类公司21个财务指标各年的差异，最后确定6个为预测指标，应用Fisher线性判别分析、多元线性回归分析和逻辑回归分析三种方法，分别建立三种预测财务困境的模型。张爱民等首次运用了主成分分析法对上市公司财务困境问题进行了研究。研究结果表明，判别分析法的分类准确率达到75%。
二、样本的采集
从2003年1月1日到2005年12月31日止，沪深两市共出现148家ST公司。但我们选择样本时剔除了以下几种情况的ST公司：⑴上市两年内就进入特别处理的公司。原因是财务数据过少和存在严重的包装上市的嫌疑，因此与样本中的其他公司不具有同质性。⑵因巨额负债进行特别处理的公司。排除原因是负债属偶然事件，不是由企业正常经营造成的，与样本中的其他公司不具有同质性。⑶因自然灾害、重大事故等进行特别处理的公司。因其属“出现其他异常状况”原因，故排除之。⑷指标数据存在异常值的公司。因与其他公司的同一指标数据存在巨大差异而被排除。⑸被注册会计师出具无法表示意见或否定意见的审计报告，或是在法定期限内未依法披露定期报告。鉴于以上原因，我们剔除了40家“ST”公司，财务困境的有效样本变为108家。为了剔除不同年份、行业和资产规模因素对企业财务困境预测的影响，我们根据以下原则按1∶1的比例选择财务健康的上市公司作为配对样本。据此，本文确定了216个研究样本。
三、预测变量的选择
经过分析，第一步选择了资产收益率、净利润率、每股收益等38个指标（见表1）本次研究采用的预测变量即财务指标有如下特点：⑴比较全面。分别从流动性、盈利性、营运性、成长性等不同的角度选择财务指标。⑵突出现金流量。专门选取了每股经营现金净流量、经营现金净流量对销售收入的比率、经营现金净流量与净利润比率、资产的经营现金流量回报率、经营现金净流量对负债比率等五个现金流量指标进行分析。
表1 初始预测变量及其分类
本文采用逐步判别分析对变量进行筛选。最后进入模型的预测变量是X1、X2、X7、X11、X12、X15、X16、X21和X24。为了避免多重共线性，本文采用容许度(TOL)和方差膨胀因子(VIF)对选定的7个变量进行了多重共线性检验，经检验表明选择的预测变量并不存在多重共线性。
我们可以看到，在入选的变量中，并不包括发展能力指标，这说明该类指标在用于财务困境预测时作用并不突出；而偿债能力指标和赢利指标有变量入选，说明该类指标在企业财务困境预测中具有重要作用。
四、典则线性判别分析的实证
在T-21年中以每股收益、资产周转率、经营现金净流量对负债比率、应收账款周转率、资产收益率、净资产收益率、固定资产净值率、调整后每股净资产、主营利润比重作为预测变量；在T-3年中以扣除非经常性损益后的每股收益、资产周转率、总资产增长率、经营现金净流量对负债比率、市净率、负债对净利润比率、调整后每股净资产作为预测变量；在T-4年中以资产周转率、每股收益、固定资产净值率、应收账款周转率、净资产收益率、主营业务收入增长率作为预测变量；在T-5年中以资产周转率、每股收益、固定资产净值率作为预测变量；取ST公司为0，非ST公司为1作为因变量值，利用SPSS统计软件，对财务困境前五年到前二年的样本公司的财务数据分析，得到了典则线性判别模型。统计结果如下：
表2 典则判别函数特征值表(Eigenvalues)
由表2可知：T-2年至T-5年的特征值(Eigenvalues)分别为1.781、0.728、0.429、0.170。方差百分比和方差累计百分比均为100%，T-2年至T-5年的典则相关系数(Canonical Correlation)分别为0.800、0.649、0.548、0.381。T-2年至T-5年的特征值与典则相关系数呈下降趋势。
表3 Wilks’Lambda
表3是对典则判别函数的有效性的检验，判断该判别函数能否将两类很好地区分开。由上表可知：T-2年的Wilks’Lambda值等于0.360，卡方统计量值(Chi-square)为214.273，自由度为9，显著性概率Sig.=0.000,Sig.<0.01,从而认为判别函数有效。同理，从表3可知，其他几年的判别函数同样有效。
据此，我们可得到典则线性判别函数为：
T-2年：
Z=-0.101+1.888X7+0.661X12+0.877X21+14.691X2-4.203X1-0.895X24+0.074X11-0.008X1
T-3年：
Z=-0.223+2.582X9+0.921X12+0.011X36+1.198X21-0.091X32-0.001X30-0.189X11
T-4年：
Z=1.846+0.814X12+3.139X7-4.324X24+0.001X15-2.398X1+0.002X34
T-5年：Z=0.139+1.169X12+2.154X7-2.057X24
根据以上判别模型，以被ST前的原始数据分别进行回判。T-2年两个组合的平均Z值分别是-1.328和1.328，由于样本个数都为108个，所以按完全对称原则确定的最佳判别点为Z’=(-1.328+1.328)/2=0,由此可知：当把ST发生前的原始数据代入判别模型所得的判别值Z大于Z’,则判为组合1，即非ST公司，否则判为组合0，即ST公司。判别结果如表4。
表4 典则判别结果
从表4我们可以看出，T-2年中典则判别模型估计样本的I类错误率为2.8%，II类错误率为8.3%，综合准确率为94.4%；T-3年中典则判别模型估计样本的I类错误率为14.8%，II类错误率为21.8%，综合准确率为81.8%；T-4年中典则判别模型估计样本的I类错误率为17.6%，II类错误率为32.6%，综合准确率为75.5%；T-5年中典则判别模型估计样本的I类错误率为22.4%，II类错误率为37.3%，综合准确率为71.1%；
五、结论
运用逐步判别分析选择出来的判别作用显著的变量，运用这些变量建模，得出典则线性判别模型。在第二年、第三年、第四年、第五年判别率为94.4%、81.8%、75.5%、71.1%，判别率很高。因此，我们可以得出以下结论：应用多元线性判别分析可以比较准确的预测上市公司的财务困境。
(湖南省监察厅财务监察所、中南大学商学院)
一、 引言
1968年，Altman在他的研究中首次使用了多元判别分析(Multivariate Discriminant Analysis,MDA)预测财务困境。该模型的预测能力比以往模型的判别效率有了较大提高，后来的研究者通常称该模型为“Z记分模型”(Z-score model)。1977年，Altman、Haldeman和Narayanan在“Z记分模型”的基础上提出了著名的ZETA模型。Raman于1982年运用逐步判别分析法对证券评级中的会计指标的预测能力进行研究，发现经营活动中的清偿能力是主要的判别因素，并建议在财务报告中有必要将经营业务和资本业务分开。Scott于1981比较了相关学者的实证结果，很难得出哪个模型最优的结论。但他认为，多元模型优于单比率模型，在多元模型中Zeta模型又是最优的。国内学者对财务困境预测的研究起步较晚。陈静对1998年的27家ST公司和27家非ST公司，使用了1995—1997年的财务报表数据，进行了单变量分析和二类线性判别分析。陈静的研究是国内第一个以上市公司为样本判别企业财务困境的，标志着国内研究财务困境问题的开始。张玲于2000年以我国实际运营的上市公司的财务比率为依据，利用SPSS统计软件，从原来的15个财务比率中抽取4个财务比率，建立财务困境判别分析模型。吴世农、卢贤义以我国上市公司为对象，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，应用剖面分析和单变量判别分析，研究财务困境出现前五年内这两类公司21个财务指标各年的差异，最后确定6个为预测指标，应用Fisher线性判别分析、多元线性回归分析和逻辑回归分析三种方法，分别建立三种预测财务困境的模型。张爱民等首次运用了主成分分析法对上市公司财务困境问题进行了研究。研究结果表明，判别分析法的分类准确率达到75%。
二、样本的采集
从2003年1月1日到2005年12月31日止，沪深两市共出现148家ST公司。但我们选择样本时剔除了以下几种情况的ST公司：⑴上市两年内就进入特别处理的公司。原因是财务数据过少和存在严重的包装上市的嫌疑，因此与样本中的其他公司不具有同质性。⑵因巨额负债进行特别处理的公司。排除原因是负债属偶然事件，不是由企业正常经营造成的，与样本中的其他公司不具有同质性。⑶因自然灾害、重大事故等进行特别处理的公司。因其属“出现其他异常状况”原因，故排除之。⑷指标数据存在异常值的公司。因与其他公司的同一指标数据存在巨大差异而被排除。⑸被注册会计师出具无法表示意见或否定意见的审计报告，或是在法定期限内未依法披露定期报告。鉴于以上原因，我们剔除了40家“ST”公司，财务困境的有效样本变为108家。为了剔除不同年份、行业和资产规模因素对企业财务困境预测的影响，我们根据以下原则按1∶1的比例选择财务健康的上市公司作为配对样本。据此，本文确定了216个研究样本。
三、预测变量的选择
经过分析，第一步选择了资产收益率、净利润率、每股收益等38个指标（见表1）本次研究采用的预测变量即财务指标有如下特点：⑴比较全面。分别从流动性、盈利性、营运性、成长性等不同的角度选择财务指标。⑵突出现金流量。专门选取了每股经营现金净流量、经营现金净流量对销售收入的比率、经营现金净流量与净利润比率、资产的经营现金流量回报率、经营现金净流量对负债比率等五个现金流量指标进行分析。
表1 初始预测变量及其分类
本文采用逐步判别分析对变量进行筛选。最后进入模型的预测变量是X1、X2、X7、X11、X12、X15、X16、X21和X24。为了避免多重共线性，本文采用容许度(TOL)和方差膨胀因子(VIF)对选定的7个变量进行了多重共线性检验，经检验表明选择的预测变量并不存在多重共线性。
我们可以看到，在入选的变量中，并不包括发展能力指标，这说明该类指标在用于财务困境预测时作用并不突出；而偿债能力指标和赢利指标有变量入选，说明该类指标在企业财务困境预测中具有重要作用。
四、典则线性判别分析的实证
在T-21年中以每股收益、资产周转率、经营现金净流量对负债比率、应收账款周转率、资产收益率、净资产收益率、固定资产净值率、调整后每股净资产、主营利润比重作为预测变量；在T-3年中以扣除非经常性损益后的每股收益、资产周转率、总资产增长率、经营现金净流量对负债比率、市净率、负债对净利润比率、调整后每股净资产作为预测变量；在T-4年中以资产周转率、每股收益、固定资产净值率、应收账款周转率、净资产收益率、主营业务收入增长率作为预测变量；在T-5年中以资产周转率、每股收益、固定资产净值率作为预测变量；取ST公司为0，非ST公司为1作为因变量值，利用SPSS统计软件，对财务困境前五年到前二年的样本公司的财务数据分析，得到了典则线性判别模型。统计结果如下：
表2 典则判别函数特征值表(Eigenvalues)
由表2可知：T-2年至T-5年的特征值(Eigenvalues)分别为1.781、0.728、0.429、0.170。方差百分比和方差累计百分比均为100%，T-2年至T-5年的典则相关系数(Canonical Correlation)分别为0.800、0.649、0.548、0.381。T-2年至T-5年的特征值与典则相关系数呈下降趋势。
表3 Wilks’Lambda
表3是对典则判别函数的有效性的检验，判断该判别函数能否将两类很好地区分开。由上表可知：T-2年的Wilks’Lambda值等于0.360，卡方统计量值(Chi-square)为214.273，自由度为9，显著性概率Sig.=0.000,Sig.<0.01,从而认为判别函数有效。同理，从表3可知，其他几年的判别函数同样有效。
据此，我们可得到典则线性判别函数为：
T-2年：
Z=-0.101+1.888X7+0.661X12+0.877X21+14.691X2-4.203X1-0.895X24+0.074X11-0.008X1
T-3年：
Z=-0.223+2.582X9+0.921X12+0.011X36+1.198X21-0.091X32-0.001X30-0.189X11
T-4年：
Z=1.846+0.814X12+3.139X7-4.324X24+0.001X15-2.398X1+0.002X34
T-5年：Z=0.139+1.169X12+2.154X7-2.057X24
根据以上判别模型，以被ST前的原始数据分别进行回判。T-2年两个组合的平均Z值分别是-1.328和1.328，由于样本个数都为108个，所以按完全对称原则确定的最佳判别点为Z’=(-1.328+1.328)/2=0,由此可知：当把ST发生前的原始数据代入判别模型所得的判别值Z大于Z’,则判为组合1，即非ST公司，否则判为组合0，即ST公司。判别结果如表4。
表4 典则判别结果
从表4我们可以看出，T-2年中典则判别模型估计样本的I类错误率为2.8%，II类错误率为8.3%，综合准确率为94.4%；T-3年中典则判别模型估计样本的I类错误率为14.8%，II类错误率为21.8%，综合准确率为81.8%；T-4年中典则判别模型估计样本的I类错误率为17.6%，II类错误率为32.6%，综合准确率为75.5%；T-5年中典则判别模型估计样本的I类错误率为22.4%，II类错误率为37.3%，综合准确率为71.1%；
五、结论
运用逐步判别分析选择出来的判别作用显著的变量，运用这些变量建模，得出典则线性判别模型。在第二年、第三年、第四年、第五年判别率为94.4%、81.8%、75.5%、71.1%，判别率很高。因此，我们可以得出以下结论：应用多元线性判别分析可以比较准确的预测上市公司的财务困境。
(湖南省监察厅财务监察所、中南大学商学院)