论文部分内容阅读
摘要：国内外所有关于财务危机预警问题的研究，主要涉及到两个方面的问题：一是财务危机概念的界定；二是预测变量（判别指标）的选择和预警模型的建立（企业财务危机是一个连续的动态过程，并直接表现为绩效指标的恶化，因此，可通过一定的财务指标来构造企业的财务预警模型）。运用中国上市公司的财务指标数据及因子分析和Logistic回归等方法构建基于上市公司的财务危机预警的Logistic模型，经过检验，具有一定的实际应用价值。
关键词：因子分析；财务危机预警；ｌｏｇｉｓｔｉｃ回归
中图分类号：F830.9文献标志码：Ａ文章编号：1673－291Ｘ（2008）06－0092－04
纵观国内外所有关于财务危机预警问题的研究，主要涉及到两个方面的问题：一是财务危机概念的界定；二是预测变量（判别指标）的选择和预警模型的建立（企业财务危机是一个连续的动态过程，并直接表现为绩效指标的恶化，因此可通过一定的财务指标来构造企业的财务预警模型）。本文根据我国上市公司公布的财务数据（我国非上市公司的财务数据因为涉及到商业机密以及不容易获得或者暗箱操作较多等原因而不作为分析的依据），坚持定量分析和定性分析相结合的原则，选用Logistic回归分析来构建财务危机预警模型。结合国内外在该领域的研究成果，对以上两个问题做出了回答。
一、财务危机概念的界定
结合前人的分析，并根据我国上市公司的实际情况，我们将上市公司因财务状况异常而被“特别处理”（ST公司）认定为公司发生了“财务危机”。理由如下：
第一，尽管将企业依据《破产法》提出破产申请作为企业陷入财务危机标志是西方学术界的普遍做法，但在我国虽然《企业破产法》早在1986年颁布，1988年11月1日开始试行，但迄今为止，还没有一家上市公司破产的案例，况且在现阶段，上市资格仍然是一种珍贵的“壳”资源，即使上市公司面临破产危险，也会有其他公司将其接收（即所谓的买壳上市），不大可能出现申请破产情况。因此，在目前阶段用破产申请来界定中国上市公司的财务危机是不适宜的。
第二，“特别处理”是一个客观发生的事件，在实践上有很高的可量度性。
第三，从摆脱特别处理的公司看，大部分公司是通过大规模财务重组才摘掉“特别处理”的帽子，这说明特别处理确实在一定程度上反映出公司陷入了财务困境。
因此，本研究将上市公司股票因财务状况异常而被特别处理（ST）视为陷入财务危机的上市公司，将其确定为本文的研究对象。
二、选用Logistic回归分析来构建财务危机预警模型的原因
第一，Logistic回归对于变量的分布没有具体要求，适用范围更广，而判别分析则要求变量服从多元正态分布，这在现实中一般达不到。
第二，Logistic回归建立好模型后，具体公司代入模型得到的是一个概率值，给人直观明了的感觉，在实际运用中非常简单、方便。
三、预警指标和模型
（一）样本的选取
根据我国上市公司的年报披露制度，上市公司公布其当年年报的截止日期为下一年的4月30日，故上市公司（t-1）年的年报和其在t年是否被特别处理这两个事件几乎是同时发生的。Ohlson（1980）的研究表明：采用破产之后获得的信息来建立预测模型会高估模型的预测能力。因此本文采用的是上市公司（t-2）年的财务信息建立模型来预测其是否会在t年因财务出现困境而被特别处理，这样做可以避免Ohlson所指出的高估模型预测能力的问题。
本文根据需要从我国A股市场上2002年首次被ST的公司中选出14家，2003年首次被ST的公司中选出10家，2004年首次被ST的公司中选出4家，一共28家公司作为财务危机公司（简单记为ST公司）进行财务危机预警研究。选取ST公司的年度为3年，这样可以避免单期财务数据的偏差。样本的界定依据是：（1）连续两年亏损，包括因对财务报告调整导致连续两年亏损的“连亏”公司；（2）一年亏损但最近一个会计年度的股东权益低于注册资本，即“巨亏”公司；但不包括以下公司：（1）上市两年内就进入特别处理的公司，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，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，原因同（2）；（4）某些财务指标数据不易获得的公司。再按照同行业、同时期、相似资产规模（资产规模相差不超过10%）的原则选取与其相对应的28家未被特别处理的上市公司作为财务健康公司（简单记为非ST公司）。这样，我们就获得了一个容量为56的样本组。
（二）财务危机影响因子（变量）的选择
因子分析是通过构造几个不可直接观测的随机变量（(因子）去描述原问题指标之间的相关性，从而达到对指标进行降维、简化、综合的目的，是主成分分析的推广和深化。其方法是首先对原始数据进行标准化，求出指标变量的相关矩阵R，再根据相关矩阵R解出特征值和特征向量，然后进行方差最大化旋转使因子之间尽量不相关，根据不同因子得分求出原始样本组样本个体的综合因子得分。我们也可以这样理解，因子分析是从研究相关矩阵内部的依赖关系出发，把众多关系复杂的观测变量进行结构化处理，并最终归结为少数几个主因子（不相关）的高效统计分析方法。其基本思想是根据相关性大小把变量分组，使得同组内的变量之间相关性较高，不同组的变量之间相关性较低，每组变量代表一个基本结构。这个基本结构称为公共因子或主因子。
本模型的构建是在财务比率的框架内进行的，考察了以往国内外相关研究中研究变量选择的情况，虽然在理论上没有一套“合适的”比率，但以往的研究发现合适的财务指标组合可以对企业的财务状况做出较为完整、客观的评价。借鉴以往的研究，结合我国财务管理实际,本文从长短期偿债能力、营运能力、盈利能力、风险水平、发展能力、股东获利能力等6个方面选出21个财务指标来构建评价上市公司财务状况的指标体系，作为研究中使用的初始变量，这21个指标分别是：
流动比率（X1）=流动资产/流动负债，
现金比率（X2）=现金及现金等价物期末余额/流动负债，
营运资金比率（X3）=（流动资产-流动负债）/流动资产，
应收账款周转率（X4）=销售收入/应收账款期末余额，
存货周转率（X5）=销售成本/存货期末余额，
总资产周转率（X6）=销售收入/资产总额期末余额，
资产负债率（X7）=负债总额/资产总额，
所有者权益比率（X8）=股东权益合计/资产总额，
流动负债比率（X9）=流动负债合计/负债合计，
营业毛利率（X10）=主营业务利润/主营业务收入，
总资产净利润率（X11）=净利润/总资产平均余额，
股东权益净利润率（X12）=净利润/股东权益平均余额，
主营业务收入增长率（X13）=（本年主营业务收入-本年年初主营业务收入）/本年年初主营业务收入，
综合杠杆（X14）=主营业务利润/利润总额，
每股收益（X15）=净利润/总股数，
每股净资产（X16）=股东权益总额/普通股股数，
资本积累率（X17）=（期末股东权益-期初股东权益）/期初股东权益，
总资产增长率（X18）=（期末总资产-期初总资产）/期初总资产，
净利润增长率（X19）=（本年净利润-期初净利润）/期初净利润，
营运资金对资产总额比率（X20）=营运资金/资产总额，
负债权益市价比率（X21）=总负债/权益市价。
根据以上财务指标体系,可以对上市公司的财务状况做出较为完整、客观的评价。我们本部分的目的就是选出对ST公司和非ST公司区分能力最强的指标变量，并且这些变量之间尽量互不相关。但由于我们所选取的财务指标个数（变量）比较多，并且这些财务指标之间存在着一定的相关性，因而使得选取的样本数据在一定程度上所反映的信息有所重叠。另外，当变量较多时，在高维空间研究样本的分布规律比较复杂，势必增加分析问题的复杂性。解决这个问题的办法是我们选用较少的综合变量来代替原来较多的变量，而这几个综合变量又能够尽可能多的反映原来变量的信息，并且彼此之间互不相关。以上我们介绍的因子分析可以帮助我们解决这个问题。
（三）因子分析
我们运用SPSS软件（SPSS10.0 For Windows）对样本中的56家公司前两年的21个财务指标进行因子分析，其过程及结果如下：
第一，由于我们所选的财务指标数据具有不同的单位（如有的是比率，有的是次数或者倍数）因此在进行数理统计之前，往往需要进行处理，使数据在平等的条件下进行分析，故首先应该对所选去的数据进行标准化。
第二，利用因子分析计算KMO值和Bartlett检验值，如表1。
KMO是Kaiser-Meyer-Olkin所提出的取样适当性量数，当KMO值愈大时，表示变量间的共同因素愈多，愈适合进行因子分析，根据专家Kaiser（1974）观点，如果KMO的值小于0.5时，不宜进行因子分析，此处的KMO值为0.672，表示适合因子分析。
此外，样本分布的球形Bartlett's卡方检验值为1053.064，显著性为0.000，代表母群体的相关矩阵间有共同因素存在，适合进行因子分析。
第三，计算特征值和特征向量，提取特征值大于1的因子为主因子。如表2（总方差解释表）。从表5我们可以看出，总共有6个因子的特征值大于1，这样根据特征值大于1的原则提取了6个主因子，其累计贡献率为74.489%。
第四，建立因子载荷矩阵（必要时旋转），如表3。
为了直观的显现各因子与财务指标（变量）的关系，我们省略了表6中载荷的绝对值小于0.5载荷值。
由于在主成分因子中载荷较大的财务指标可以反映主成分因子的经济含义，因子载荷越高，表明该因子包含的该指标的信息量就越多。因此，我们对上述因子的财务特征进行了如下归类解释每个因子的含义。
z1（因子1）：反映公司的长短期偿债能力，Z2（因子2）：反映公司的盈利能力和发展能力，Z3（因子3）：反映公司的盈利能力和发展能力，Z4（因子4）：反映公司的营运能力，Z5（因子5）：反映公司的风险水平和长期偿债能力，Z6（因子6）：反映公司的发展能力和营运能力。
第五，建立因子得分的系数矩阵，如表4。表7显示了每个因子和各财务指标的线性关系，也就是每个主因子的因子得分。
利用因子分析法将零乱复杂的指标体系进行结构化处理，既降低、简化了观测维度，同时也保证了原始数据的信息量，为逻辑回归分析提供了准备。
（四）模型的构建
1.Logistic回归模型的原理：
设事件Y上市公司出现财务困境的发生（记为Y=0）和不发生（记为Y=1）依赖另一个不可观察的变量V，而和我们使用的预测变量X有一定的函数关系V=f（X），为简单设计其为线性形式：
参考文献：
[1]吕长江，周现华.上市公司财务困境预测方法的比较研究[J].吉林大学社会科学学报，2005，（6）：99-109.
[2]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）：46-55.
[3]王满玲，杨德礼.国外公司财务困境预测研究进展评述[J].预测，2004，（6）：15-20.
[7]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999，（4）：31-38.
[8]陈晓，陈治鸿.我国上市公司的财务困境预测[J].中国会计与财务研究，2000，（2）：55-92.
[9]张玲.财务危机预警分析判别模型及其应用[J].预测，2000，（6）：38-40.
关键词：因子分析；财务危机预警；ｌｏｇｉｓｔｉｃ回归
中图分类号：F830.9文献标志码：Ａ文章编号：1673－291Ｘ（2008）06－0092－04
纵观国内外所有关于财务危机预警问题的研究，主要涉及到两个方面的问题：一是财务危机概念的界定；二是预测变量（判别指标）的选择和预警模型的建立（企业财务危机是一个连续的动态过程，并直接表现为绩效指标的恶化，因此可通过一定的财务指标来构造企业的财务预警模型）。本文根据我国上市公司公布的财务数据（我国非上市公司的财务数据因为涉及到商业机密以及不容易获得或者暗箱操作较多等原因而不作为分析的依据），坚持定量分析和定性分析相结合的原则，选用Logistic回归分析来构建财务危机预警模型。结合国内外在该领域的研究成果，对以上两个问题做出了回答。
一、财务危机概念的界定
结合前人的分析，并根据我国上市公司的实际情况，我们将上市公司因财务状况异常而被“特别处理”（ST公司）认定为公司发生了“财务危机”。理由如下：
第一，尽管将企业依据《破产法》提出破产申请作为企业陷入财务危机标志是西方学术界的普遍做法，但在我国虽然《企业破产法》早在1986年颁布，1988年11月1日开始试行，但迄今为止，还没有一家上市公司破产的案例，况且在现阶段，上市资格仍然是一种珍贵的“壳”资源，即使上市公司面临破产危险，也会有其他公司将其接收（即所谓的买壳上市），不大可能出现申请破产情况。因此，在目前阶段用破产申请来界定中国上市公司的财务危机是不适宜的。
第二，“特别处理”是一个客观发生的事件，在实践上有很高的可量度性。
第三，从摆脱特别处理的公司看，大部分公司是通过大规模财务重组才摘掉“特别处理”的帽子，这说明特别处理确实在一定程度上反映出公司陷入了财务困境。
因此，本研究将上市公司股票因财务状况异常而被特别处理（ST）视为陷入财务危机的上市公司，将其确定为本文的研究对象。
二、选用Logistic回归分析来构建财务危机预警模型的原因
第一，Logistic回归对于变量的分布没有具体要求，适用范围更广，而判别分析则要求变量服从多元正态分布，这在现实中一般达不到。
第二，Logistic回归建立好模型后，具体公司代入模型得到的是一个概率值，给人直观明了的感觉，在实际运用中非常简单、方便。
三、预警指标和模型
（一）样本的选取
根据我国上市公司的年报披露制度，上市公司公布其当年年报的截止日期为下一年的4月30日，故上市公司（t-1）年的年报和其在t年是否被特别处理这两个事件几乎是同时发生的。Ohlson（1980）的研究表明：采用破产之后获得的信息来建立预测模型会高估模型的预测能力。因此本文采用的是上市公司（t-2）年的财务信息建立模型来预测其是否会在t年因财务出现困境而被特别处理，这样做可以避免Ohlson所指出的高估模型预测能力的问题。
本文根据需要从我国A股市场上2002年首次被ST的公司中选出14家，2003年首次被ST的公司中选出10家，2004年首次被ST的公司中选出4家，一共28家公司作为财务危机公司（简单记为ST公司）进行财务危机预警研究。选取ST公司的年度为3年，这样可以避免单期财务数据的偏差。样本的界定依据是：（1）连续两年亏损，包括因对财务报告调整导致连续两年亏损的“连亏”公司；（2）一年亏损但最近一个会计年度的股东权益低于注册资本，即“巨亏”公司；但不包括以下公司：（1）上市两年内就进入特别处理的公司，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，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，原因同（2）；（4）某些财务指标数据不易获得的公司。再按照同行业、同时期、相似资产规模（资产规模相差不超过10%）的原则选取与其相对应的28家未被特别处理的上市公司作为财务健康公司（简单记为非ST公司）。这样，我们就获得了一个容量为56的样本组。
（二）财务危机影响因子（变量）的选择
因子分析是通过构造几个不可直接观测的随机变量（(因子）去描述原问题指标之间的相关性，从而达到对指标进行降维、简化、综合的目的，是主成分分析的推广和深化。其方法是首先对原始数据进行标准化，求出指标变量的相关矩阵R，再根据相关矩阵R解出特征值和特征向量，然后进行方差最大化旋转使因子之间尽量不相关，根据不同因子得分求出原始样本组样本个体的综合因子得分。我们也可以这样理解，因子分析是从研究相关矩阵内部的依赖关系出发，把众多关系复杂的观测变量进行结构化处理，并最终归结为少数几个主因子（不相关）的高效统计分析方法。其基本思想是根据相关性大小把变量分组，使得同组内的变量之间相关性较高，不同组的变量之间相关性较低，每组变量代表一个基本结构。这个基本结构称为公共因子或主因子。
本模型的构建是在财务比率的框架内进行的，考察了以往国内外相关研究中研究变量选择的情况，虽然在理论上没有一套“合适的”比率，但以往的研究发现合适的财务指标组合可以对企业的财务状况做出较为完整、客观的评价。借鉴以往的研究，结合我国财务管理实际,本文从长短期偿债能力、营运能力、盈利能力、风险水平、发展能力、股东获利能力等6个方面选出21个财务指标来构建评价上市公司财务状况的指标体系，作为研究中使用的初始变量，这21个指标分别是：
流动比率（X1）=流动资产/流动负债，
现金比率（X2）=现金及现金等价物期末余额/流动负债，
营运资金比率（X3）=（流动资产-流动负债）/流动资产，
应收账款周转率（X4）=销售收入/应收账款期末余额，
存货周转率（X5）=销售成本/存货期末余额，
总资产周转率（X6）=销售收入/资产总额期末余额，
资产负债率（X7）=负债总额/资产总额，
所有者权益比率（X8）=股东权益合计/资产总额，
流动负债比率（X9）=流动负债合计/负债合计，
营业毛利率（X10）=主营业务利润/主营业务收入，
总资产净利润率（X11）=净利润/总资产平均余额，
股东权益净利润率（X12）=净利润/股东权益平均余额，
主营业务收入增长率（X13）=（本年主营业务收入-本年年初主营业务收入）/本年年初主营业务收入，
综合杠杆（X14）=主营业务利润/利润总额，
每股收益（X15）=净利润/总股数，
每股净资产（X16）=股东权益总额/普通股股数，
资本积累率（X17）=（期末股东权益-期初股东权益）/期初股东权益，
总资产增长率（X18）=（期末总资产-期初总资产）/期初总资产，
净利润增长率（X19）=（本年净利润-期初净利润）/期初净利润，
营运资金对资产总额比率（X20）=营运资金/资产总额，
负债权益市价比率（X21）=总负债/权益市价。
根据以上财务指标体系,可以对上市公司的财务状况做出较为完整、客观的评价。我们本部分的目的就是选出对ST公司和非ST公司区分能力最强的指标变量，并且这些变量之间尽量互不相关。但由于我们所选取的财务指标个数（变量）比较多，并且这些财务指标之间存在着一定的相关性，因而使得选取的样本数据在一定程度上所反映的信息有所重叠。另外，当变量较多时，在高维空间研究样本的分布规律比较复杂，势必增加分析问题的复杂性。解决这个问题的办法是我们选用较少的综合变量来代替原来较多的变量，而这几个综合变量又能够尽可能多的反映原来变量的信息，并且彼此之间互不相关。以上我们介绍的因子分析可以帮助我们解决这个问题。
（三）因子分析
我们运用SPSS软件（SPSS10.0 For Windows）对样本中的56家公司前两年的21个财务指标进行因子分析，其过程及结果如下：
第一，由于我们所选的财务指标数据具有不同的单位（如有的是比率，有的是次数或者倍数）因此在进行数理统计之前，往往需要进行处理，使数据在平等的条件下进行分析，故首先应该对所选去的数据进行标准化。
第二，利用因子分析计算KMO值和Bartlett检验值，如表1。
KMO是Kaiser-Meyer-Olkin所提出的取样适当性量数，当KMO值愈大时，表示变量间的共同因素愈多，愈适合进行因子分析，根据专家Kaiser（1974）观点，如果KMO的值小于0.5时，不宜进行因子分析，此处的KMO值为0.672，表示适合因子分析。
此外，样本分布的球形Bartlett's卡方检验值为1053.064，显著性为0.000，代表母群体的相关矩阵间有共同因素存在，适合进行因子分析。
第三，计算特征值和特征向量，提取特征值大于1的因子为主因子。如表2（总方差解释表）。从表5我们可以看出，总共有6个因子的特征值大于1，这样根据特征值大于1的原则提取了6个主因子，其累计贡献率为74.489%。
第四，建立因子载荷矩阵（必要时旋转），如表3。
为了直观的显现各因子与财务指标（变量）的关系，我们省略了表6中载荷的绝对值小于0.5载荷值。
由于在主成分因子中载荷较大的财务指标可以反映主成分因子的经济含义，因子载荷越高，表明该因子包含的该指标的信息量就越多。因此，我们对上述因子的财务特征进行了如下归类解释每个因子的含义。
z1（因子1）：反映公司的长短期偿债能力，Z2（因子2）：反映公司的盈利能力和发展能力，Z3（因子3）：反映公司的盈利能力和发展能力，Z4（因子4）：反映公司的营运能力，Z5（因子5）：反映公司的风险水平和长期偿债能力，Z6（因子6）：反映公司的发展能力和营运能力。
第五，建立因子得分的系数矩阵，如表4。表7显示了每个因子和各财务指标的线性关系，也就是每个主因子的因子得分。
利用因子分析法将零乱复杂的指标体系进行结构化处理，既降低、简化了观测维度，同时也保证了原始数据的信息量，为逻辑回归分析提供了准备。
（四）模型的构建
1.Logistic回归模型的原理：
设事件Y上市公司出现财务困境的发生（记为Y=0）和不发生（记为Y=1）依赖另一个不可观察的变量V，而和我们使用的预测变量X有一定的函数关系V=f（X），为简单设计其为线性形式：
参考文献：
[1]吕长江，周现华.上市公司财务困境预测方法的比较研究[J].吉林大学社会科学学报，2005，（6）：99-109.
[2]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）：46-55.
[3]王满玲，杨德礼.国外公司财务困境预测研究进展评述[J].预测，2004，（6）：15-20.
[7]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999，（4）：31-38.
[8]陈晓，陈治鸿.我国上市公司的财务困境预测[J].中国会计与财务研究，2000，（2）：55-92.
[9]张玲.财务危机预警分析判别模型及其应用[J].预测，2000，（6）：38-40.