企业财务困境预测实证研究

来源:用户上传      作者: 侯 俊 潘和平

　　摘要:文章针对我国上市企业的特点,将由于“财务异常状况”而被“特别处理”的企业定义为财务困境企业,选取2007-2010年间存在的财务困境的制造业企业52家以及配对企业52家作为研究对象,收集t-3年相关财务指标,以80%样本作为训练样本,利用主成分分析法和二元Logistic回归建立模型,剩下20%样本对模型预测效果进行检验得到65%的预测准确率。表明文章所建立的预测模型能对企业财务状况进行较好判别。
　　关键词:财务困境;主成分分析;二元Logistic回归
　　
　　一、引言
　　企业财务困境预测已经成为金融风险评估中的一个重要问题。从20世纪30年代开始,国外许多学者便开始尝试对这一领域进行研究。Fitzpartrick(1932)选取了19对破产企业和非破产企业,利用单变量分析法进行判别,发现净利润/股东权益和股东权益/负债这两个指标能很好的对两类企业进行区分。随后,Beaver(1966)选取1954-1964年79对财务失败企业和非失败企业,进行相同研究,发现现金流量/负债总额能较好的判定公司的财务状况,其次是资产负债率。于此同时,他还得出离财务失败年份越近预测效果越好的结论。1966年,Altman创建了“Z积分法”,以1946-1965年间提出破产申请的33家破产企业和33家配对企业为研究对象,利用5个财务指标构建了一个多元线性方程,得出破产前一年该模型判断准确率明显高于单变量分析法的结论。1980年,Ohlson首次将logistic模型应用于财务危机预测领域,他选用非配对样本进行研究,认为Logistic回归方法比判别分析法更为合理,并且发现公司规模是一个重要的模型预测变量。从20世纪90年代开始,一些非传统统计方法的人工智能技术如神经网络也被引入了财务危机预警领域的研究,并取得了不错的预测效果。
　　相比国外在该领域70多年的研究,国内对企业财务困境预测的研究主要是引用国外方法或者在其基础上进行改进,方法路线和国外大致相同。吴世龙(1986)、周首华(1996)、陈静(1999)、杨淑娥(2003)等都以我国上市企业为研究对象,采用不同的方法对财务困境预测问题展开了相关研究,具有一定借鉴意义。
　　在借鉴已有研究经验基础上,本文与以前研究有所不同;一是样本新、时间长、容量大、行业统一。本文选取2007-2010年间存在的财务困境的企业52家以及配对企业52家作为研究对象,样本量达到104家。二是初始预测指标选取范围广,数量多。为了避免因随机选取初始指标而带来的重要指标的遗漏,本文特选取了7大类74项财务指标作为初始预警指标。三是利用主成分分析法筛选回归变量。本文利用主成分分析法计算主成分的特征向量并以此为权重计算回归变量。
　　二、问题的提出
　　基于以上思考,本文选取2007-2010年间存在的财务困境的制造业企业作为研究对象,收集相关财务指标。
　　(一)企业财务困境的界定
　　参考国内外相关研究资料,结合我国企业的实际情况,同时为了避免因行业差异性而降低模型预测能力。本文特将财务困境企业界定为我国上市制造业企业中因“财务状况异常”而被“特别处理”的ST企业。
　　(二)预警指标的选取
　　本文选取样本企业财务困境发生前的财务指标进行风险预警。选取变量时,主要考虑所选指标能反映企业短期偿债能力、发展能力、风险水平、现金流量、盈利能力、营运能力和长期偿债能力的要求,同时考虑以前财务风险研究中指标选取情况和数据的可获得性。特选取7大类74项财务指标作为预警指标,如下所示:
　　期偿债能力:流动比率X1、速动比率X2、保守速动比率X3、现金比率X4、营运资金比率X5、营运资金对资产总额比率X6;发展能力:资本保值增值率X7、资本积累率X8、固定资产增长率X9、总资产增长率X10、净资产收益率增长率X11、营业收入增长率X12;风险水平:财务杠杆系数X13、经营杠杆系数X14、综合杠杆X15;现金流量:现金流量利息保障倍数X16、现金流量比率X17、债务保障率X18、营业收入现金比率X19、全部资产现金回收率X20、营运指数X21、资本支出与折旧摊销比X22、现金再投资比率X23、每股经营活动现金净流量X24、每股投资活动现金净流量X25、每股筹资活动现金净流量X26、每股现金净流量X27;盈利能力:营业利润率X28、销售净利率X29、息税前利润与营业收入比X30、息税前利润与资产总额比X31、资产报酬率X32、总资产净利润率X33、流动资产净利润率X34、固定资产净利润率X35、净资产收益率X36、投入资本回报率X37、长期资本收益率X38、营业税金率X39、营业成本率X40、成本费用利润率X41、销售期间费用率X42、销售费用率X43、管理费用率X44、财务费用率X45;营运能力:资本密集度X46、应收账款与收入比X47、应收账款周转率X48、存货与收入比X49、存货周转率X50、应付账款周转率X51、营运资金(资本)周转率X52、流动资产与收入比X53、流动资产周转率X54、固定资产与收入比X55、固定资产周转率X56、长期资产周转率X57、总资产周转率X58、股东权益周转率X59;长期偿债能力:资产负债率X60、长期资本负债率X61、营运资金与借款比X62、利息保障倍数X63、息税摊销前利润与债务比X64、权益对负债比率X65、所有者权益比率X66、长期资产适合率X67、股东权益对固定资产比率X68、流动资产比率X69、非流动资产比率X70、固定资产比率X71、有形资产比率X72、流动负债比率X73、长期负债比率X74。
　　(三)样本的范围
　　根据以上对财务困境企业的界定,本文首先在我国制造业上市公司中选取了2007-2010年四年中首次因财务异常状况被ST的企业共72家,并搜集其陷入财务困境之前的相关财务指标。需要指出的是,大多数“财务异常状况”企业是都是因为“连续两年亏损”而被“特别处理”,故以一年前和两年前数据预测财务困境没有任何实际意义。所以本文只选用“被ST”发生前三年相关财务指标,来预测其三年后(t+3年)的财务状况。接着,对入选企业进行筛选,剔除20家因上市时间短、财务数据不全的的企业。然后,对照这52家财务困境企业,依据同时期、同行业、同规模的原则选取52家财务正常企业,并搜集其三年前财务指标。如此便得到了一个容量为104的样本集。最后选取其中80%的样本作为训练数据建立模型,而将剩下20%的样本作为检验数据。
　　(四)数据的预处理
　　由于所选财务指标量纲指标不完全一致,所以需要对其进行标准化处理,本文采用的标准化公式为:xn=(xi-x)/σ2。
　　三、模型的建立
　　(一)差异性检验
　　我们首先要对样本进行正态性检验,以便进一步选择合适的差异性检验方法。经过单样本K-S检验发现在假设总体为正态分布和置信水平为95%的条件下,共有9个指标接受原假设,P值大于临界值0.05,它们分别是X17、X18、X20、X24、X40、X60、X66、X70、X71。与此同时,另有65个指标不服从正态分布。对于服从正态分布的9个财务指标采用T检验,剩下65个指标采用非参数检验法,以便进一步筛选建模变量。

　　假设ST企业和非ST企业的财务指标间无差异。对服从正态分布的9个指标在进行T检验,我们发现X17、X18均值之差与0的差异在95%水平下是显著的,而不服从正态分布的65个指标在进行非参数检验时,我们发现X11、X14、X15、X19、X21、X26、X28、X29、X30、X31、X32、X33、X34、X35、X36、X37、X38、X41、X63、X64这20个指标均值之差与0的差异在95%的水平下是显著的,保留这22个显著性差异指标。同时为了使预警指标体系更完整,结合前人经验,将反映短期偿债能力的X1和X2,反映发展能力的X8以及反映运营能力的X48、X50、X54和X58这7个不显著的指标同时纳入了最终的财务预警指标体系。
　　(二)主成分分析
　　最终保留的财务预警指标还有29个,但各指标包含的信息可能存在多重共线性的影响。因此在构建logistic模型的时候需要进行主成分分析。首先我们对样本进行KMO统计量和Bartlett’s球形检验判断样本是否适合运用主成分分析,经检验KMO统计量(0.7064)大于0.5且巴特利特球度检验P值小于0.05,说明样本适合用主成分法。
　　接着我们对样本进行主成分分析,得到各主成分的方差贡献率如表1所示:
　　然后根据主成分累计贡献率大于80%和特征根大于1的原则提取8个主成分代替原来29个指标。
　　经过主成分产生的因子载荷矩阵,我们发现主成分F1主要包括X28、X29、X30、X31、X32、X33、X34、X35、X36、X37、X38、X41这12个指标,他们主要反映盈利能力,因此可以将F1定义为盈利因子。同理我们将主要包含X17和X18的主成分F2定义为现金流量因子,将主要包含X1和X2的主成分F3定义为短期偿债能力因子,将主要包含X54和X58的主成分F4定义为营运能力因子,将主要包含X14的主成分F5定义为风险水平因子。
　　同时由于主成分F6、F7和F8包含的因子载荷大于0.5的变量数目只有一个,故解释力不强,将其剔除,只保留主成分F1、F2、F3、F4和F5。但主成分分析模型需要的不是因子载荷矩阵而是特征向量,所以还需要计算特征向量。
　　ui=ai/
　　ui为第i个主成分的特征向量;ai为因子载荷矩阵中的第i列向量;λi是第i个特征根。经过计算得到各主成分的特征向量。
　　(三)Logistic回归模型
　　下面以保留下来的5个主成分的特征向量为权重计算回归变量(见表2),并代入二元Logistic回归模型中,采用后退法(Backward:LR)逐步筛选指标。此处由于是配对分析,故分类临界值设置为0.5。
　　运行logistic回归,经过4步剔除对模型贡献较小的变量以及wald检验,最终剩下F3和F5这2个变量作为最终入选的建模变量。而从表3可以看出进行到第四步的时候,模型对训练样本的分类准确率达到最高,为69.05%。为了明确最终模型,可以对模型进行Hosmer-Lemeshow检验。
　　可以发现,经过卡方检验,本模型的P值为0.037小于0.05,可以说本模型的模拟效果不错。因此可以以Logit(P)为因变量建立线性回归模型。
　　Logit(P)=ln=α+βixi
　　P为给定自变量x1,x2…,xi的值时事件发生的概率。将SPSS计算结果带入上式,得到本文的回归模型。
　　Logit(P)=0.2508-0.4702F3+0.3882F5
　　进一步变换可得到最终的回归模型:
　　P=
　　(四)模型的检验
　　模型之前已经用训练样本进行了内部检验,下面就引入事先预留的检验样本对它进行外部检验。将10家ST企业和10家非ST企业相关财务指标进行标准化处理,计算筛选出的主成分F3和F5特征向量,代入预测模型中,计算出这20家企业的回归值P,按照大于0.5取1,小于0.5取0的原则对计算结果进行分类。如表5所示:
　　四、研究结论
　　本文针对我国上市企业的特点,将由于“财务异常状况”而被“特别处理”的企业定义为财务困境企业,选取2007-2010年间首次因“财务异常状况”而被“特别处理的”的制造业企业52家以及配对企业52家作为研究对象,收集“被ST”发生前三年相关财务指标,以80%样本作为训练样本,利用主成分分析法提取回归变量,建立二元Logistic回归模型,得到训练样本69%的预测准确率以及测试样本65%的预测准确率。表明,本文所建立的预测模型能较好的对企业财务状况进行判别。这也提醒财务状况良好的企业在以后的经营过程中应着重关注F3和F5(即短期偿债能力和风险水平)这两方面财务指标的变化情况,以求尽量避免陷入财务困境。
　　与此同时,本文对构建模型的变量仅仅限于财务指标,而未考虑非财务指标。实际上公司在发生财务风险的前几年,其非财务指标(如企业信心指数等)也会发生相应的变化。因此,在以后的研究中可以考虑将这些非财务指标同时纳入预警指标体系中,以求建立更全面、预测精度更高的预警模型。
　　参考文献:
　　1、P.J.Fitzpartrick.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Finns[J].Certified Public Accountant,1932(10-12).
　　2、W.H.Beaver.Financial Ratios as Predictors of Failure,in Empirical Research in Accounting:Selected Studies[J].Supplement to Journal of Accounting Research,1966(7).
　　3、E.I.Altman.Financial Ratio Discriminate Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance,1968(4).
　　4、J.A.Ohlson.Financial Ratios and Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research,1980(18).
　　5、吴世农,黄世忠.企业破产的分析定性指标和预测模型[J].中国经济问题,1986(6).
　　6、周首华,杨济华,王平.论财务危机的预警分析――F分数模式[J].会计研究,1996(8).
　　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).
　　8、杨淑娥,黄礼.基于BP神经网络的上市公司财务预警模型[J].系统工程理论与实践,2005(1).
　　(作者单位:电子科技大学经济与管理学院)

转载注明来源:https://www.xzbu.com/2/view-434211.htm