上市公司財務預警問題研究
——基于證券市場財務數據的研究

衛紅楊雯

（中國民航大學經濟與管理學院天津300300）

上市公司財務預警問題研究
——基于證券市場財務數據的研究

衛紅楊雯

（中國民航大學經濟與管理學院天津300300）

本文借鑒A l t m a n財務預警研究思想，選取了A股市場58家S T公司及58家非S T公司作為研究樣本，建立財務危機預警模型進行了有效性檢驗。結果表明：多元判別模型在上市公司財務危機出現前一年的預測準確率達到95%，并且具有提前三年預測出上市公司財務危機的能力。同時還發現，隨著財務危機企業S T戴帽年的臨近，財務危機企業與非財務危機企業各預警變量值間的差異明顯擴大。

財務危機風險預警證券市場財務數據

一、引言

財務風險是企業在財務活動中由于各種不確定因素的影響，使企業實際財務收益與預期收益發生偏離，進而造成企業蒙受損失的機會和可能。隨著我國市場經濟全球化與資本市場發展的加速，國內公司也難以躲避金融危機的巨大風險。于是，如何在公司陷入財務風險之前進行有效的預測，為證券市場中的各參與者提供更有效的預測方法和更準確的預測信息，已成為社會各界密切關注，并迫切需要得到解決的問題。對比中西方學者建立預測中國企業財務風險的判別模型，發現這些研究中存在如下問題：一些研究者直接把西方學者貫用的變量用在預測中國企業財務危機的模型中。忽略中國與西方會計制度、數據質量、權益結構以及影響公司營運情況的因素差異，導致模型不能夠客觀反映中國企業的真實財務狀況；在初始變量選擇中沒有現金流指標。主要因為我國在1998年之前并沒有要求上市公司披露現金流信息，這就限制了西方模型在中國市場上的應用，而且研究者們針對中國市場建立的模型也缺少此類信息；之前的大多數研究都缺少用財務危機企業的數據來對其模型進行有效性檢驗或是長期預測，因為中國企業的財務數據是十分有限的，有財務危機企業的數據更難獲得；基于上述討論，選用了23個財務變量，這些變量幾乎覆蓋了各類財務指標，并包括反映公司現金流的變量（具體見表1），驗證本文所建模型在預測上市公司財務風險上的有效性與可靠性。

二、文獻綜述

（一）國外文獻F i t z p a t r i c k（1932）開展的單變量破產預測研究，發現判別能力最高的是凈利潤/股東權益和股東權益/負債兩個比率。B e a v e r（1966）發現最好的判別變量是現金流量/負債和凈利潤/總資產，總負債/總資產、流動資產/總資產、流動比率等財務指標也具有較高的判別性。而且，B e a v e r還發現，越臨近破產日，誤判的概率就越低。A l t m a n于1968年首先使用了多元線性判別模型研究公司破產的問題。O h l s o n（1980）發現至少存在四類顯著影響公司破產概率的變量：公司規模、資本結構、業績和當前的變現能力。同時還發現以前的一些研究有高估模型預測能力的現象，他這種現象歸咎于樣本中破產申請日后公布的數據。隨著統計技術和計算機技術的不斷發展，遞歸分類、人工智能及人工神經元網絡等技術也逐漸被引入到財務風險預測研究中。

（二）國內文獻我國市場經濟體制的建立和資本市場的發展歷史相對較短，證券法規體系和破產機制的不完善制約實證研究的發展，所以財務預警實證研究起步較晚，目前我國財務預警實證研究主要是借鑒國外的研究方法、利用我國的數據構建類似的模型。陳靜（1999）分別采用單變量分析和多元判別分析方法進行財務風險預測，發現由資產負債率、凈資產收益率、總資產收益率、流動比率、營運資本/總資產、總資產周轉率等6項指標構成的判別函數能夠較好地預測出S T公司，判別精度達到92.6%。高培業、張道奎（2000）采用29個財務指標，運用多元判別分析方法建立模型，發現由留存收益/總資產、息稅前利潤/總資產、銷售收入/總資產、資產負債率、營運資本/總資產構成的判別函數有較好的預測能力。陳曉、陳治鴻（2000）建立了L o g i t模型，前一年的預測精度達到78.24%。張玲（2000）研究出4變量判別模型，該模型在公司戴帽前四年具有超前的預測能力。吳世農、盧賢義（2001）應用F i s h e r線性判定分析、多元線性回歸模型和L o g i t回歸分析三種方法，分別建立了三種預測模型，在財務困境發生前四年內的誤判率在28%以內。楊保安（2002）利用人工神經網絡模型方法進行研究，選擇了4類財務比率總共15項指標建立模型，最終表明神經網絡是進行財務評估的一種比較好的應用工具。

三、研究設計

（一）樣本選取與數據來源本文以中國股市上市公司為研究對象，將公司因財務狀況異常而被特別處理（S T）作為企業陷入財務困境的標志，選取了116家在上海和深圳股票交易所上市的公司為樣本。研究中的所有數據均取自于上海證券交易所和深圳證券交易所官方網站。所選公司幾乎涵蓋了中國各個行業。樣本的選擇標準為：S T公司在t年由于“財務狀況異?！北惶貏e處理，且可以獲得該公司（t-2）、（t-3）財務年度的財務報表數據；非S T公司在（t-3）年1月1日前上市，在t年未被特別處理，且可以獲得該公司（t-2）、（t-3）財務年度的財務報表數據。之所以未采用（t-1）年的財務報表數據來預測公司在t年的狀態，如O h l s o n（1980）所指出的那樣，采用破產之后獲得的信息來預測破產會高估模型的預測能力。而一旦獲得某一公司（t-1）年的年報信息，幾乎可以同時肯定該公司是否會由于“財務狀況異?！倍惶貏e處理。本文所使用的預測信息全部是被特別處理前一年可獲得的公開信息，從而有效地控制了信息獲得時間對模型預測能力的影響。接著將這些公司分為兩組。第一組有60家公司，其中2006年至2008年被戴帽的S T公司30家，以及為每一家S T公司選擇的行業相同、資產規模相當的非S T公司30家。第二組有56家公司，其中2006年至2008年被戴帽的S T公司28家，非S T公司28家。

（二）財務預警指標體系本文選取了23個財務比率，這些比率涵蓋了企業的盈利能力、償債能力、流動性、資產管理效率、增長能力以及資本結構等各個方面（見表1）。

表1 財務比率列表

（三）研究方法研究財務危機預警模型的典型方法有多種，并且每種方法都有各自的優缺點。但是從研究歷史與實際應用結果來看，多元判別分析法被使用最多，理論基礎較為深厚，所以在本文的實證研究中，采用多元判別分析法建立模型。

四、實證結果分析

表2 Fisher判別統計結果

表3 分類結果

表4 判別公式統計檢驗結果（1）

表5 判別公式統計檢驗結果（2）

（一）多元判別分析在運用統計軟件S P S S對上述23個變量進行了大量的組合測試后，最終發現，在0.20-0.25的顯著水平下，擁有七個變量的多元判別模型對財務風險預測精度最高。這七個變量包括X2，X6，X7，X9，X15，X18，X20，見（表2）。由表可得判別模型為：

其中，x2=R O E（凈利潤/權益資本平均額）；x6=速動比率（速動資產/流動負債）；x7=營運資金總資產比（營運資金/總資產）；x9=現金比例（現金/流動負債）；x15=應收賬款周轉率（銷售收入/應收賬款平均余額）；x18=銷售收入增長率（當期銷售收入-上期銷售收入）/上期銷售收入）；x20=留存收益凈利潤比（留存收益/凈利潤）。

（二）模型有效性及判別精度驗證驗證一個預測模型的判別精度的方法有很多，其中之一就是交互驗證。這種方法主要用來分析樣本資料非正態分布所可能帶來的判別偏差，在S P S S中，交互驗證的具體步驟是首先順序剔除一個樣本，用余下的N-1個樣本建立判別函數，再用建立的判別函數判別剔除的樣本，重復N次，計算誤判率（郭志剛，2004）。這種估計的優點是充分利用了樣本的信息建立和驗證判別函數。在本研究中，該模型對訓練樣本的平均預測精度達到95%，交互驗證的平均預測精度達到91.7%（表3），并且S T與非S T兩組數據基本落在了屬于自己的值域內（圖1）。另一種方法就是檢驗一些描述性統計指標，如F值、組均值差、B o x’s M檢驗。（表4）和（表5）列出了一些重要的統計檢驗值。（表4）中檢驗值表明，訓練樣本中兩組數據的各變量值間存在顯著差異，并拒絕了兩組數據具有相同均值的零假設。而且在0.000的顯著水平下拒絕了觀測值總體協方差矩陣相等的零假設。這說明模型通過有效性檢驗，可以進行下一步測試。但（表5）中B o x’s M檢驗結果中B o x’s M值為248.009，F值為3.660，相伴概率為0，顯然達到了顯著水平，可以拒絕零假設，也就是觀測值總體協方差不等，這樣就不符合判別分析關于協方差要相等的前提假設。而一般情況下，只有相伴概率大于顯著水平時才可以繼續進行判別分析。但是，由于B o x’s M檢驗對于多元正態分布和協方差矩陣相等的假設非常敏感，當樣本數很大時，即使是兩組協方差差異很小，檢驗得到的結果都會視作很顯著。因此，在某些情況下B o x’s M假設檢驗即使達到顯著水平，即協方差矩陣不相等，所得到的判別函數仍具有較強的判別能力。

（三）分界點的確定及短期預警判別精度檢驗判別式的主要分界點是由S T組與非S T組的均值決定的，即M=（Zg1+Zg2）/2=（-1.246+ 1.289）/2=0.0215。這表明得分大于0.0215的公司將被分為無財務風險組（非S T組），其發生財務危機的概率小于0.5。否則，將被分為有財務風險組（S T組），發生財務危機的概率大于0.5。從（表6）中可以看到，在短期預測中（S T戴帽前一年）對于訓練樣本，非S T公司的判別正確率達到100%，S T公司的判別正確率達到90%，總判別正確率95%。對于測試樣本，非S T公司的判別正確率達到96.4%，S T公司的判別正確率達到89.3%，總判別正確率92.9%。

表6 判別模型短期預測結果

表7 判別模型長期預測結果（財務危機發生前4年）

（四）長期預警的判別精度檢驗企業從財務狀況開始變差到破產要經過一個惡化過程，所以，越早地預測出企業的財務風險可以使投資者、管理者以及公司本身盡快采取措施以防財務狀況進一步的惡化。為了檢測文章所建模型的后續預測精度，作者選用了訓練組中30家S T公司在被戴帽前五年的財務數據來進行檢驗，具體結果見（表7）。從預測結果可以看出，文中所建立的模型可以對3年內公司的財務風險進行較為準確的預測。但是，作者建議此模型最有效準確的是應用于S T前兩年的預測（精度達到80.0%）。中國證監會對于S T的戴帽標準是連續兩年出現虧損，所以一個好的判別模型應該至少有提前三到四年準確地預測出公司將要面臨的財務困境的能力，也就是在公司第一次出現虧損前的兩年。另外，S T公司和非S T公司的判別財務指標均值也明顯體現出了公司財務狀況惡化的過程（見表8）。當S T戴帽年份靠近時，兩組均值差明顯擴大，且S T組的各指標波動較大，如S T組的從0.0207變為-0.2528，而非S T組的財務指標變化甚微。

五、結論

從實證結果上看，該預警模型在短期預警中，對訓練樣本非S T公司的預測判別率達到100%，S T公司達到90%，總判別率達到95%。對測試樣本非S T公司的預測判別率達到96.4%，S T公司達到89.3%，總判別率為92.9%。在長期預警中，該模型可以提前三年有效地預測出上市公司將要陷入財務困境。其中前兩年的預測精度為80.0%，前三年為60.0%。由此可以看出，該模型具有較好的長期預警能力。對于模型中所出現過的變量中，X9（現金比例）是第一次被引入判別模型當中，反映了企業流動性的償債能力，這一變量的引入體現了中國證券市場與西方的差異性，也表明該模型更適合中國市場的特殊情況，在判別中也會得到更好的效果。另外目前我國上市公司會計報表的失真問題一直是學術界和上市公司各方關注的焦點，數據的失真無疑會影響模型的判別率。然而在未對于所取樣本數據作任何技術處理的前提下，從上面的實證結論來看，本文根據所選取的上市公司樣本數據建立的判別模型的判別結果還是較為理想的。這說明，對于那些上市公司財務報表的數據，如果進行適當的分析和解釋，就可以對公司的財務風險進行準確預測，為投資者提供有用的信息。但是鑒于數據選取年代不同，數據處理方式有別，本文所得出的模型與該領域的一些前沿研究者的研究結果還存在一些距離，但總體來說本文模型的判別效果還是顯著的。

［1］郭志、溫敏：《基于判別分析法的上市公司財務困境預警研究》，《現代經濟信息（學術版）》2008年第3期。

［2］吳世農、盧賢義：《我國上市公司財務困境的預警模型研究經濟研究》2001年第6期。

［3］張鳴、張艷：《企業財務預警研究前沿》，中國財政經濟出版社2004年版。

［4］郭志剛：《社會統計分析方法》，中國人民大學出版社2004年版。

［5］洪楠、吳偉健：《S P S S F o r Wi n d o w s，統計分析教程（第2版）》，電子工業出版社2005年版。

［6］E d w a r d I.A l t m a n,L i n g Z h a n g.C o r p o r a t e F i n a n c i a l D i s t r e s s D i a g n o s i s i n C h i n a.N e w Y o r k U n i v e r s i t y S a l o m o n C e n t e r Wo r k i n g P a p e r,2007.

［7］E d w a r dI.A l t m a n,G a b r i e l eS a b a t o.T h eV a l u eo f Q u a l i t a t i v eI n f o r m a t i o ni nS M ER i s kM a n a g e m e n t,N e wY o r kU n i v e r s i t yS a l o m o n C e n t e r Wo r k i n g P a p e r,2009.

［8］J a i n,B h a r a t A.,B a r i n N.N a g.P e r f o r m a n c e E v a l u a t i o n o f N e u r a l N e t w o r k D e c i s i o n M o d e l s.J o u r n a l o f M a n a g e m e n t I n f o r m a t i o n S y s t e m s,1997.

［9］E d w a r d I.A l t m a n,R.H a l d e m a n.Z E T A A n a l y s i s:A N e w M o d e l t o I d e n t i f y B a n k r u p t c y R i s k o f C o r p o r a t i o n s.J o u r n a l o f B a n k i n g a n d F i n a n c e,1977.

［10］E d w a r d I.A l t m a n.F i n a n c i a l R a t i o s，D i s c r i m i n a n t A n a l y s i s a n d t h e P r e d i c t i o n o f C o r p o r a t e B a n k r u p t c y.J o u r n a l o f F i n a n c e，1968.

［11］J a i n,B h a r a t A.,B a r i n N.N a g.P e r f o r m a n c e E v a l u a t i o n o f N e u r a l N e t w o r k D e c i s i o n M o d e l s.J o u r n a l o f M a n a g e m e n t I n f o r m a t i o n S y s t e m s,1997.

［12］B e a v e r，W.H.F i n a n c i a l R a t i o s a s P r e d i c t i o n o f F a i l u r e s.J o u r n a l o f A c c o u n t i n g R e s e a r c h，1966.

（編輯 虹云）

衛紅（1963-），女，河南許昌人，中國民航大學經濟與管理學院副教授

楊雯（1987-），女，河南鄭州人，中國民航大學經濟與管理學院學生