基于Ｌｏｇｉｔ模型的公用商貿上市公司財務預警實證研究

[摘 要] 本文在借鑒國內外研究成果的基礎之上，以公用商貿上市公司為研究對象，利用我國萬聯證券上市公司的會計數據，通過運用一定的統計方法，建立Logit財務預測模型，并驗證該模型能否有效地預測出企業是否將陷入財務困境#65377;

[關鍵詞] Logit模型;財務預警指標;公用商貿上市公司

[中圖分類號]F275[文獻標識碼]A[文章編號]1673-0194(2008)14-0063-03

1 文獻綜述

關于企業財務困境預測問題，在國外已具有比較成熟的研究成果并得到廣泛應用#65377;最早的財務困境預測研究是Fitz Patrick (1932)所做的單變量破產預測模型;Winaker Smith (1935) 和Merwin (1942)也做了相似結論的描述性分析(Profile Analysis)研究;1968年，Altman首次將多元線性判別方法引入到財務困境預測領域;1977年Altman，Haldeman Narayanan又提出了一種能更準確預測企業財務失敗的新模型——ZETA模型;1980年Ohlson運用多元邏輯回歸方法分析，將模型對公司的財務困境預測能力的準確度提高到96.12%，可以說是財務預警研究史上的一個新高峰#65377;

在國內，此類研究起步較晚#65377;1999年，陳靜以1998年的27家ST公司和27家非ST公司，使用了1995-1997年的財務報表數據，進行了單變量分析和二類線性判定分析; 2000年陳曉#65380;陳治鴻以因財務狀況異常而被特別處理(ST)作為上市公司陷入財務困境的標志，運用多元邏輯回歸模型和可公開獲得的財務數據，對中國上市公司的財務困境進行了預測;2001年吳世農#65380;盧賢義以我國上市公司為對象，首先應用剖面分析和單變量判定分析，采用Fisher線性判定分析#65380;多元線性回歸分析和邏輯回歸分析3種方法，分別建立3種預測財務困境的模型#65377;2003年，薛鋒#65380;喬卓則將網絡模型引入了上市公司財務困境預測之中;2004年，姜天#65380;韓立巖采用Logit模型，對中國預虧的上市公司財務困境進行預測#65377;

從國內外研究的結果看，在模型構建方法方面，既有統計方法，也有非統計方法#65377;具體而言，統計方法有:一元線性回歸預測法法#65380;多元線性回歸預測法#65380;多元邏輯回歸#65380;生存分析法;非統計方法有:遞歸劃分算法#65380;神經網絡模型#65380;實驗法#65380;基于災害理論的預測方法#65380;基于混沌理論的預測方法及基于期權理論的預測方法等#65377;既有總體研究，也有專門的行業研究#65377;而對公用商貿行業的財務預警模型，尚未有研究#65377;本文采用在目前被認為是最有效的財務危機預測的Logit回歸分析方法，對該行業的財務預警模型進行實證研究#65377;

2 實證分析

2. 1樣本的選取

本文研究主要使用SPSS#65380;Excel進行數據處理#65377;以凈利潤作為評定ST公司與非ST公司的界限#65377;如果公司的凈利潤﹥0，則該公司為非ST公司;如果公司的凈利潤﹤0，則為ST公司#65377;

樣本A1:2004-2006年滬深交易所首次出現虧損的上市公司;

樣本A2:2004-2006年與樣本A1相同行業#65380;相同資產規模的盈利上市公司#65377;

通過萬聯證券提供的上市公司2004-2006年的財務數據，在前人的研究成果的基礎上，以公用商貿行業的上市公司為研究對象，分別以ST公司與非ST公司為兩大樣本，經篩選，引入ST公司與非ST公司各10個樣本#65377;

2. 2預測模型與數據選擇

2. 2. 1預測模型

2. 2. 2變量與數據選擇

本研究初步選定以下14個流動性指標作為財務困境預警的特征變量(財務預測指標體系見表1)#65377;首先，在顯著性水平α = 0.05情況下，對樣本各指標的均值進行兩相互獨立樣本的非參數假設檢驗，剔除了兩個樣本(A1和A2)中指標均值無顯著差異的指標，最后剩下X13#65380;X21#65380;X23#65380;X24#65380;X31#65380;X32#65380;X41#65380;X51#65380;X52 9個指標; 接著，考慮到在用Logit方法進行建模時，過多變量之間存在著多重共線性的問題，會影響模型的準確程度#65377;故需要對初步選定的變量進行相關性分析，剔除高度相關的變量#65377;現對初步選定的能較好地判別ST公司和非ST公司的9個指標進行相關性分析#65377;最常用的相關系數是皮爾遜(Pearson)相關系數，9個變量的相關矩陣見表2#65377;

從表2可以看出:X51與X32;X13#65380;X23與X24;X23與X24指標之間相關性較強，需要進行相應的處理，考慮其均值在非參數檢驗中差異的顯著程度，留下差異程度較大的財務指標，最后剩下X21(資產負債率)#65380;X23(流動比率)#65380;X32(凈資產收益率)和X41(主營業務收入增長率)4個變量，進行Logit邏輯回歸分析#65377;

2. 3Logit回歸分析與模型的建立

2. 3. 1單個指標的Logit模型的預測分析

首先進行單個指標的預測，如表3所示#65377;

從表3的分析結果中，可以看到如下幾點:

(1)從縱向比較來看，凈收益率距離財務困境發生的時間越近，財務指標所包含的信息越多，預測時所起到的作用越為重要;而資產負債率#65380;流動比率則是在發生財務困境前2~3年的誤判率要比發生前1年的誤判率低#65377;主營業務收入增長率則區別不大#65377;

(2)從橫向比較來看，由于公用商貿行業的投資額相對較小，變動性較大，財務困境前3年的預測能力沒有太大的區別，一般以財務困境發生前的第2年預測效果較好#65377;

2. 3. 2多個指標的Logit模型的預測分析

現將選中的 4個財務指標在2006 年的數據放在一起進行兩狀態Logit回歸分析，結果如表4 所示#65377;

所得方程可表示為:

著水平均小于0.05，說明其解釋能力較強;而凈資產收益率和主營業務收入增長率的顯著水平較高，說明其解釋能力較弱#65377;

2. 4Logit回歸模型的檢驗

將財務困境前1年的財務指標數據代入回歸方程進行預測，所得結果如表5所示#65377;

從預測結果來看，10個財務困境公司和 10個非財務困境公司共有 5個公司被錯判，判斷的總準確率達到了75%，說明模型方程的預測能力較強#65377;

3 研究的意義與不足之處

筆者利用Logit模型對中國預虧公用商貿行業中的上市公司財務困境狀況進行了預測研究#65377;采用反映公司總體經營狀況的財務指標，判斷公司發生財務困境的標準是看其是否將發生虧損#65377;從通過Logit回歸所得總體上的模型方程的預測結果來看，判斷的準確率達到了75%，比較理想#65377;這說明Logit模型在預測公用商貿公司發生財務困境(虧損)方面是有效的，對于上市公司的管理層和資本市場上的機構與個人投資者來說具有投資決策與風險管理方面的參考價值#65377;

然而，由于時間有限，數據的選取#65380;匯總#65380;統計#65380;分析的工作量很大，加之本文是以單一公用商貿行業為研究對象，符合條件的上市公司數量有限，樣本最終只選得ST公司和非ST公司各10個，研究結果的準確性有一定的局限性#65377;

主要參考文獻

[1] 吳世農，黃世忠. 企業破產的分析指標和預測模型[J]. 中國經濟問題，1986(6):15-22.

[2] 陳靜. 上市公司財務惡化預測的實證分析[J]. 會計研究，1999， (4):34-40.

[3] 張玲. 財務危機預警分析判別模型[J]. 數量經濟技術經濟研究，2000(3):30-39.

[4] 吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J]. 經濟研究，2001(6):46-55.

[5] 姜天，韓立巖. 基于Logit模型的中國預虧上市公司財務困境預測[J]. 北京航空航天大學學報，2004(1):54-57.

[6] 曾志堅. 上市公司資產流動性與財務預警的實證研究[D]. 長沙:湖南大學，2003.

“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”