企業財務預警模型的比較研究

摘 要：采用實證和規范相結合的研究方法，以我國制造業A股上市公司因“財務狀況異?！倍惶貏e處理的公司作為研究對象，選擇2003-2005年65家財務危機公司，同時采用配對的方法逐年選擇65家財務健康公司；初步選定53個變量指標并通過柯爾莫哥洛夫-米諾夫檢驗、曼-惠特尼-威爾科克森檢驗逐步判別分析進行篩選，建立和檢驗了Fisher二類判別模型、Logistic回歸模型和BP網絡模型，并對其進行了比較研究。

關鍵詞：財務預警模型；Fisher二類判別模型；Logistic回歸模型；BP網絡模型；比較研究

中圖分類號：F275 文獻標識碼：A 文章編號：1672-3198（2007）09-0163-02

1 研究樣本的設計

財務預警模型的研究樣本設計過程，主要包括如何確定陷入財務危機公司的樣本組，如何確定作為配對標準的控制因素以及如何進行兩組間樣本個體數量分配的問題等。

（1）樣本組的選擇。

在選擇樣本組時，需要考慮以下幾個因素的影響：

①考慮樣本個體所處的行業。縱觀陷入財務危機的公司所處行業，發現制造業公司占大多數。為了消除行業因素的影響，在具體的環境下對財務預警模型進行比較研究，把研究對象局限于制造業。

②確定陷入財務危機公司的一定研究期間。均衡地考慮樣本規模的大小和時間跨度的影響，選取了2003-2005年因“財務狀況異?！北籗T的65家公司及65家財務健康公司作為配對樣本。同時，采用了Altman的研究方法，控制進入樣本的個體，使其在三年的分布大致平均。其中，2003年24家財務危機公司和24家財務健康公司，2004年18家財務危機公司和18家財務健康公司，2005年23家財務危機公司和23家財務健康公司。

③考慮公司規模。樣本公司的規模雖然都在億元以上，但是沒有資產超過百億元的超大型公司，規模配合比較適中。

④對樣本數據完整性的要求。Zmijewski（1984）檢驗了由于選樣時所持的數據完整性標準所帶來的模型偏差。他認為前人的研究都將數據完整性作為選樣的標準，實際破壞了建立預測模型過程中所采用統計技術的應用前提——隨機選樣的要求，而且一般陷入財務危機的公司更可能提供不完整的數據。建立在完整數據基礎上的模型忽視這一信息，無疑會使模型低估了公司破產的概率。他的研究表明這種偏差的確存在，但經他修正以后的模型卻未在參數的統計顯著性和總體預測精度上有顯著提高。因此，本文并沒有按照隨機選樣的要求來選擇樣本，還是根據前人人為的可獲取資料的完整性來作為樣本選擇的標準之一。

2003-2005年，在滬深A股上市公司制造業中，共有69家公司被ST，其中2003年27家，2004年19家，2005年23家（如果樣本同時在兩年內以ST的身份出現，歸為第一年樣本）。另外，剔除了4家數據不完整的公司，分別為ST金馬、ST珠峰、ST金泰、ST盛工。

（2）配對組的選擇。

①配對標準的控制因素。在制造業中，按照會計年度、資產規模（ST前1-5年期末資產總額最接近）配對的標準來選擇一定的配對樣本。

②兩組間樣本個體的數量分配?？紤]到選樣并沒有顯著的影響模型總體的預測精度，選擇樣本的時候仍然是按照兩組間樣本數量一一對應的標準來選取的。

根據上述選樣標準，2003-2005年共有65家財務危機公司，ST前1-5年分別有65家財務健康公司與之配對。隨機抽取45家財務危機公司（2003-2005每年各15個公司）和45家財務健康公司，作為建模樣本，剩下的20家財務危機公司和20家財務健康公司作為預測樣本。由于本文通過五次配對抽樣得到五組財務健康公司樣本，因而各組的財務健康公司不盡相同。

2 變量指標的選擇

企業財務預警模型的理論基礎相對比較薄弱，缺乏能夠準確預測模型所應包括的變量指標的經濟理論支持，所以目前該領域內的實證研究還處于初期探索的艱苦階段。根據以往的研究，財務預警模型根據所用的變量指標類型不同可分為財務指標類模型、現金流量類模型和市場收益類模型。

在借鑒國內外已有文獻，同時考慮數據的可獲得性的前提下，初步確定了53個變量指標，分別反映了企業流動性及償債能力、盈利能力、營運能力、發展能力和現金流量等方面。部分變量指標直接來自中國股票市場交易數據庫，部分是數據庫中的三張財務報表計算得出的。

3 模型的建立與檢驗

（1）Fisher二類判別模型的建立與檢驗。

①異常值的處理。本文采用標準化數值（Z分數）來檢測異常值，剔除了Z分數小于-3或大于+3的值。

②柯爾莫哥洛夫-米諾夫（K-S）檢驗。通過單樣本的K-S檢驗來驗證變量指標是否符合正態分布，檢驗結果表明：部分指標符合正態分布，部分指標不符合正態分布。

③曼-惠特尼-威爾科克森（MWW）檢驗。根據樣本數據的特征，采用MWW非參數檢驗法來分析財務危機公司和財務健康公司的53個變量指標總體分布是否相同。檢驗結果表明：

④方差-協方差相等的檢驗（BoxM檢驗）。在0.000的顯著性水平上拒絕了總體協方差陣相等的零假設。因此，采用合并的方差-協方差陣進行判別分析。

⑤逐步判別分析（多重共線性）。采用容許度（TOL）統計量檢驗多重共線性，TOL統計量值都大于0.1，說明進入模型的六個變量不具有多重共線性。

⑥Fisher二類判別模型的建立。

⑦Fisher二類判別模型的擬合優度檢驗。

使用Fisher二類線性判別模型，以原始數據分別進行回代，組合的平均Z值分別是2.468和-2.139。確定的先驗概率為0.5，所以確定最佳判定點為兩者的平均值0.1645。

當以原始數據代入判別模型所得的判別分Z值大于最佳判定點0.1645，則判定為組合0，即財務健康公司；否則判定為組合1，即財務危機公司。Wilkλ值為0.1540，較??；顯著性水平為0.0000，拒絕兩組判別函數均值相等的零假設；說明此Fisher二類判別函數模型擬合較好。

⑧Fisher二類判別模型的預測結果。

在ST前1年，采用Fisher二類判別模型，選擇進行建模的樣本組，預測準確率為92.7%；留作預測的樣本組，預測準確率為91.9%；選擇進行交互式檢驗的樣本組，預測準確率為91.5%。

同理，對ST前2-5年分別建立了Fisher二類判別模型，并進行了檢驗。最后得出，ST前1-5年，Fisher二類判別模型的預測準確率分別為91.9%，87.5%，72.5%，72.5%，63.4%；離ST時間越近，預測準確率越高；具有提前4年的預測能力。

（2）Logistic回歸模型的建立與檢驗。

①Logistic回歸模型的建立。

Fisher二類判別模型中篩選的變量指標已進行了多重共線性檢驗，不存在多重共線性；因變量被分為兩組分別為組1和組0；樣本數量遠遠大于參數個數，符合Logistic回歸模型的適用條件。采用Fisher二類判別模型中篩選的變量指標，分別建立ST前1-5年的Logistic回歸模型。

②Logistic回歸模型的擬合優度檢驗。在SPSS的Logistic回歸程序中，輸出的-2LL值為23.672，較小，說明所建模型擬合較好。Hosmer and Lemeshow Test統計量大于0.05，接受觀測數據和預測數據之間沒有顯著差異的零假設，即認為模型對數據的擬合度較好。

③Logistic回歸模型的預測準確性檢驗。Cox Snell R2，Nagel ker ke R 解釋的是回歸變異，值分別為0.666和0.888，說明自變量對因變量具有很強的解釋能力。

④Logistic回歸模型的Χ2檢驗。本文僅考慮到兩種模型：僅包含常數項的模型和包含常數項與6個變量的模型，所以三種模型的卡方值全部相同。整體顯著性水平檢驗的P值為0.000，說明模型中所包含的自變量對因變量有顯著的解釋能力，所擬合的方程具有統計學意義。

⑤Logistic回歸模型的預測結果。在ST前1年采用Logistic回歸模型，建模樣本達到93.9%的預測準確率，預測樣本達到91.9%的預測準確率。

同理，對ST前2-5年建立Logistic回歸模型并進行檢驗，得出預測準確率分別為94.6%，70%，71.8%，69.2%。這說明此模型具有提前五年的預警能力。但是，出現ST前2年的預警能力比ST前1年高、ST前4年的預警能力比ST前3年高的異?，F象，說明Logistic回歸模型的預測不穩定，可能是由于建模樣本與預測樣本選擇的隨機性所致。

（3）BP網絡模型的建立與檢驗。

本文建立了一個輸入層、兩個隱層和一個輸出層的BP網絡模型。其中，輸入層有6個結點，第一個隱層有3個結點，第二個隱層有2個結點，輸出層有1個結點。指定學習參數r=0.1，對ST前1年的90個建模樣本進行訓練，經過1483次訓練結束，得到各結點之間的權數。

ST前1年，訓練樣本達到96.67%的預測準確率，學習樣本達到95%的預測準確率。ST前2年，有3個指標進入模型；ST前3-5年，只有兩個指標進入模型。這樣，輸入層結點過少，導致隱藏層沒有存在的必要，從而使得神經網絡模型線性化。在原來進入模型的變量指標基礎之上，又進行了定性分析，分別加入了幾個指標，使得每年的輸入層都保持與ST前1年相同的6個結點。ST前2年，訓練樣本達到93.33%的預測準確率，學習樣本達到85%的預測準確率。對于ST前3-5年數據，不管學習參數如何設定，訓練樣本都很難收斂，說明再用神經網絡建立財務預警模型意義不大。

4 預測結果的比較

ST前1年，Fisher二類判別模型、Logistic回歸模型和BP網絡模型的預測準確率分別為91.9%，91.9%，95%，說明BP網絡模型具有最強的預測能力。ST前2年，三種模型的預測準確率分別為87.5%，94.6%，85%，說明Logistic回歸模型具有最強的預測能力。ST前3年、前4年，Fisher二類判別模型比Logistic回歸模型具有更好的預測能力。ST前5年，Fisher二類判別模型和Logistic回歸模型的預測準確率都低于70%，預測能力有限。

參考文獻

［1］Fitzpatrick. A Comparison of Ratios of Successful Industrial Enterprises with those of Failed Firms. Certified Public Accountant， 1932，（4）:598-662.

［2］Beaver W. Financial Ratios as Predictors of Failure［J］. Journal of Accounting Research， 1966：71-111.

［3］Altman E. Financial Ratios， Discriminant Analysic and the Prediction of Corporate Bankruptcy［J］.The Journal of Finance， 1968，（9）:589-609.

［4］陳曉，陳治鴻. 中國上市公司的財務困境預測［J］. 中國會計與財務研究，2000，（3）：55-75.

［5］馬喜德. 上市公司財務困境預測模型比較研究［J］. 經濟師，2005，（3）：180-181.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。”