基于財務與非財務指標的財務困境預警研究

[摘 要] 本文以滬深A股市場2005-2009年294家制造業上市公司為樣本，以因財務狀況異常而被ST作為公司發生財務困境的標志，分別建立了僅包含財務比率指標的單一模型和同時包含財務和非財務指標的綜合模型。研究結果表明，加入非財務類指標后的綜合模型，無論是在預測能力方面還是在誤判成本方面均得到顯著優化。

[關鍵詞] 財務困境預警;非財務類指標;Logit回歸分析

doi : 10 . 3969 / j . issn . 1673 - 0194 . 2010 . 21 . 011

[中圖分類號]F275 [文獻標識碼]A [文章編號]1673 - 0194(2010)21- 0016- 06

一、引 言

上市公司財務困境問題一直是理論界和實務界探討的焦點，是資本結構理論研究的前沿和熱點問題。隨著全球證券市場規模的不斷擴大，中國金融業對外開放程度不斷加深，中國上市公司在迎接改革和發展機遇的同時，也面臨著更為激烈的競爭和更大的風險。隨著風險意識的強化，投資者、債權人和政府監管部門對在不確定環境中提前預測企業財務危機有著巨大的需求。客觀評價上市公司財務狀況，預測可能出現財務失敗的公司，對于維護投資者和債權人利益，對于經營者防范財務危機，對于政府監管部門監控上市公司質量和證券市場風險都具有現實意義。

國外證券市場由來已久，西方學者早在20世紀60年代就開始了財務困境預測研究，一些主流財務困境預警模型已經比較完善且已經被廣泛運用;由于我國證券市場歷史短，國內學者對該領域的研究從20世紀90年代才開始。加上中國正處于經濟和社會轉型期，其金融體系、資本市場、社會信用體系、產權市場等方面還很不完善，如果照搬國外模型，極有可能產生假設上、方法上進而結果上的偏差。故借鑒國外經驗，結合中國實際情況，構建一套適合中國企業的財務困境預警模型勢在必行。

二、文獻簡要回顧

Fitzpatrick(1932)最早發現企業的財務比率對企業未來信用發展具有預測作用。基于財務信息的財務困境預警研究根據使用變量多少可分為單變量模型、多變量模型。William Beaver(1966)通過比較研究79個財務失敗企業和配對成功企業的六大類共30個指標的判別能力，認為對財務困境的預測能力由強到弱依次為:債務保障率、資產負債率、資產收益率、資產安全率。盡管單變量模型簡單易用，但其存在很大的局限性:單個財務變量所能反映的信息非常有限，沒有哪個財務指標能夠概括一個企業財務狀況的全貌。這就催生了多變量財務預警模型。

多變量模型的典型代表是多元判別分析(MDA)模型和Logistic回歸模型。Altman(1968)通過分析美國破產企業和非破產企業的22個財務指標，從中選出了最能夠反映借款人財務狀況、對貸款質量影響最大、最具有預測和分析價值的5個關鍵指標，建立了著名的5變量Z-score模型和在此基礎上改進的7變量Zeta模型。由于模型簡便、成本低、效果佳，Z-score模型已經商業化，廣泛應用于美國商業銀行，取得了巨大的經濟效益。受美國影響，日本開發銀行和德國、英國、法國、澳大利亞、加拿大等許多發達國家的金融機構紛紛研發了各自的判別模型。然而MDA模型要求變量數據服從正態分布，但實際上財務比率并不符合該假設;另外，這個方法只能對企業進行違約與非違約的二元分類，卻不能對企業的具體違約概率作出估計，從而導致模型的誤判率較高。

為解決上述問題，后續學者便假設違約事件發生的概率服從某種累積概率分布(服從累積Logistic分布的稱為Logit模型，服從累積標準正態分布的則稱為Probit模型)。Logit和Probit模型不要求變量服從正態分布，更符合客觀事實，受到了廣泛推崇。Martin(1977)首次使用Logit方法在銀行業中建立了財務困境預警模型。他選取25個財務比率變量預測銀行破產概率，實證結果顯示凈利潤/總資產、費用/營業收入、貸款/總資產、商業貸款/總貸款、壞賬/營業凈利潤、總資產/風險資產等6個財務比率具有顯著的預測能力。Ohlson(1980)以1970-1976年間在美國上市的105家破產公司和2 058家正常公司為樣本(排除公用事業、運輸業和金融服務公司樣本)，采用9項財務比率變量來估計 Logit回歸模型。實證結果顯示，資產規模、資本結構、資產報酬率和短期流動性4項財務指標對預測企業破產概率具有統計顯著性，判別正確率高達96.12%。

國內有關財務困境預警的研究起步較晚，且多使用財務指標建立模型。周首華、楊濟華(1996)對Z-score模型加以改造，建立F-score模型。陳靜(1999)在多元判別分析中使用資產負債率、凈資產收益率、凈利潤/年末總資產、流動比率、營運資產/總資產、總資產周轉率6個指標進行分析，ST前1年的預測精度達到92.6%，ST前2年達到85.2%。陳曉和陳治鴻(2001)以38家ST和132家非ST上市公司作為樣本，運用Logit模型對上市公司進行預測，發現負債/權益比率、應收賬款周轉率、主營利潤/總資產比率和留存收益/總資產比率對我國上市公司財務困境具有顯著的預測效果。張玲(2000)選取滬深兩市14個行業120家上市公司為樣本，從償債能力、盈利能力、資本結構狀況和營運狀況4個方面15個相關財務比率中篩選出4個變量構建了多元線性判別分析模型，發現該模型有超前4年的預測能力。萬希寧(2005)認為財務危機具有模糊性和復雜性，為克服純量化因素建立預警模型的不足，結合財務指標和非財務指標體系，運用專家評分法和模糊優先關系排序決策法進行了指標的有效選擇，最后借助模糊數學構建了綜合模糊預測模型。

由以上綜述可以看出，國內學者在財務困境預警指標的選取上以單一財務信息指標占主導。財務因素的可量化性、數據的可得性使其在傳統的預警模型研究中得到廣泛運用。然而，一個企業的健康狀況并不能通過財務報表上披露的信息完全反映出來。基于以上認識，本文克服以往財務預警研究基于傳統財務指標的單一層面的弊端，引入公司治理、現金流狀況等因素，系統分析公司困境的深層原因，進而比較分析基于傳統財務指標的預測模型與基于包含非財務類指標的綜合預測模型的預測效果，為中國上市公司更加有效地防范財務困境提供政策建議。

本文其余部分的結構安排如下:第三部分為研究設計，對財務困境概念界定、樣本及指標選取作簡要介紹;第四部分為實證檢驗;第五部分為模型的檢驗與比較，最后是研究結論。

三、研究設計

(一)財務困境的界定

財務困境(Financial Distress)又稱財務危機(Financial Crisis)，最嚴重的財務困境便是“企業破產”。已有的財務困境預警研究文獻對“財務困境”本身的概念界定有著不同觀點。Beaver(1966)將破產、拖欠優先股股利、拖欠債務界定為財務困境;Altman(1968)將“進入法定破產程序的企業”界定為財務困境企業;Carmichael(1972)認為“財務困境”是企業履行義務時受阻，具體表現為流動性不足、權益不足、債務拖欠以及資金不足4種形式;Deakin(1972)則認為財務困境“僅包括已經經歷破產、無力償債或者為了債權人利益而已經進行清算的公司”;Wruck(1990)認為，財務危機是指一個公司目前的現金流量無法應付目前的支付義務。

國外學者在研究財務預警問題時多以公司破產為標準。這是因為國外的破產制度比較完善，對破產企業的界定比較容易。而我國由于破產制度不健全，造成對企業破產的界定困難。因此我國學者在財務困境預警研究中多以“被ST”作為對上市公司財務狀況的分類標準。

本文對財務困境的界定遵循國內大多數學者的觀點，即將因為財務狀況異常而被“特殊處理”的公司界定為財務困境公司。

(二)樣本選擇

由于行業因素、國家政策導向等因素的存在，不同行業上市公司的財務指標缺乏可比性。同時，又因為制造業公司占據全部上市公司數目的一半以上，具有代表性，故本文選擇滬深兩市A股制造業上市公司作為研究對象。

1.ST公司

根據我國上市公司有關監管政策，上市公司被ST的原因有“財務狀況異常”和“其他狀況異常”。由于后者包含諸如自然災害等不可抗力因素的影響，具有很大的不確定性和不可測性，故不屬于的研究范圍。

新資本協議規定，估計違約概率的時間段是一年。根據我國上市公司財務報表披露的時間特點:公司第(t-1)年的報表于第t年才予以披露，這就幾乎與該公司是否會在第t年被ST同時揭曉，所以用第(t-1)年財務報表數據來估計公司在第t年成為ST公司的概率缺乏實際意義，故實際研究中，多以第(t-2)年的數據進行財務困境預警。新資本協議同時規定，估計時至少使用5年數據，故本文以我國2005-2009年度的ST公司作為研究樣本，同時要求樣本公司預測年度前兩年的財務數據完整。

剔除因“其他狀況異常”被ST以及ST前兩年數據不完整的公司，最終得到98家符合要求的ST公司樣本。其中2005年19家，2006年21家，2007年34家，2008年15家，2009年9家。

2.非ST公司

為避免因對ST公司過度抽樣而導致高估模型預測能力的問題，本文未采用傳統的1∶1配對方式選擇正常公司。又由于我國ST公司占全部上市公司的比例較小，本文也未采用按兩類公司占實際總體的比例來配對樣本，以避免低估模型預測能力。基于上述考慮，本文采用1∶2的比例選取非ST公司樣本，同時要求非ST公司與ST公司時間窗一致，且預測年度前兩年的數據完整。最后確定非ST公司196家，其中2005年38家，2006年42家，2007年68家，2008年30家，2009年18家。

將全部294家樣本公司分成兩組:2005-2007年作為訓練樣本組，用于估計Logit模型參數;2008-2009年作為檢驗樣本組，用于檢驗模型的預測能力。全樣本的分布如表1所示。

(三)指標選取

1.變量的分類

本文選取的財務困境預警變量主要分為3類:

(1)財務指標。這里指的是狹義的財務類指標，即來自資產負債表和利潤表的財務比率。主要反映企業的償債能力、盈利能力、成長能力以及營運能力。

(2)現金流量指標。現金流量類信息的財務困境預警模型基于理財學的一個基本原理:公司的價值應等于預期的現金流量的凈現值。因此過去和現在的現金流量應該能夠很好地反映公司的價值和破產概率。

(3)公司治理指標。自20世紀90年代亞洲金融危機以來，公司治理問題引起了全世界的關注。公司內部治理結構的弱化不僅影響產業結構，而且導致大量公司陷入財務困境，甚至最終破產。

本文將現金流指標與公司治理指標統稱為與狹義財務指標相對的非財務類指標。在參照前人研究的基礎上，根據數據可得性原則，最終選取下列基礎指標，見表2。

注:若ST/非ST年度為第t年，則樣本數據窗口為第(t-2)年。但第一大股東持股比例(x25)為第(t-1)年數據，因為盡管第一大股東持股比例也是在財務報表中予以披露，但是在報表披露之前還是有可能通過其他途徑獲得及時信息的。

(四)模型構建

目前財務危機預警存在多種模型，其中Logit模型經過多年發展已經比較完善，是目前為止國內外使用最廣泛的財務困境預警模型。本文借鑒國內外經驗，也將采用Logit回歸模型進行實證研究。

Logit模型的一般形式為:

式中，pi為i公司陷入財務困境的概率，xik為影響i公司財務狀況的第k個因素。

四、實證檢驗結果

本文共選定26個基礎指標，然而并不是每一個指標都對ST與非ST公司具有顯著的區分能力;同時，具有顯著區分作用的指標之間又有存在多重共線性的可能。所以首先要對這26個基礎指標進行篩選，獲得構建模型所需的變量。

本文采用SPSS 13.0統計分析軟件自帶的向前逐步回歸法(LR)進行變量篩選。向前逐步回歸分析是指從模型沒有自變量開始，按照一定判別依據(Likelihood Ratio)每次引入一個最符合判別依據的變量進入模型，直至所有符合判別依據的變量都進入模型為止。

(二)加入非財務類變量后的綜合Logit模型Ⅱ

模型Ⅱ的回歸結果見表4。最終篩選出的4個顯著變量，分別是x9(資產凈利率)、x15(每股凈資產同比增長率)以及x18(流動資產周轉率)以及x24(現金獲利指數)。

得模型Ⅱ的回歸方程:

五、模型的檢驗與比較

本文的第四部分已經利用訓練樣本組估計出Logit模型參數，為測試模型的樣本外適用性，利用檢驗樣本組對所構建模型的判別能力進行檢驗和比較。將檢驗樣本組數據代入模型之后，為了判定一個公司是ST還是非ST，需要確定一個最佳分割點，也就是模型的閾值。當結果大于閾值時，則認為該公司有可能被ST，即有可能陷入財務困境;反之亦反。

閾值的確定至今尚無定論，以前學者大多采用SPSS 13.0默認的0.5作為分割點，如鮮文鐸(2007)、張鳴(2005)。然而將0.5作為分割點缺乏理論依據，同時其在實證檢驗中的效果也并不理想。本文經多次試驗，最終確定以0.35作為最佳分割點。

1.最佳分割點的確定

凡是預測模型，必然存在誤判問題。模型的誤判分為兩種:Ⅰ類誤判指將ST公司誤判為非ST公司，Ⅱ類誤判指將非ST公司誤判為ST公司。根據實際經驗可知，Ⅰ類誤判的成本要遠遠高于Ⅱ類誤判，Altman(2000)估計Ⅰ類誤判成本大約是Ⅱ類誤判成本的31倍。故理想狀態時在保持總體準確率基本不變的情況下，應盡量降低Ⅰ類誤判率。

由表5可知，分別以0.5與0.4作為分割點，總體準確率保持不變，而后者的Ⅰ類誤判率顯著降低(由13/74降至11/74)，故0.4優于0.5;而分別以0.35與0.3作為分割點時，盡管0.3情況下其I類誤判率相對較低，但總體判別準確度卻受到較大損失(由93.2%降至91.0%)。而0.4與0.35二者的取舍理由是顯而易見的。綜上所述，本文選取0.35作為最佳分割點是合理的。同理可得，綜合模型的最佳分割點亦為0.35(參見表6)。

由于logit模型是非線性模型，不能使用最小二乘估計，而是采用最大似然估計。似然函數值(Likelihood)越大說明擬合程度越好。-2log likelihood(-2LL)是似然函數值自然對數的-2倍，習慣上用以反映模型的擬合程度，該值越小表示擬合程度越好。

Cox Shell R2 和 Nagelker R2兩個統計量主要反映由模型解釋的變異百分比，類似于線性模型檢驗中的R2。其值越大，說明模型擬合度越高(模型100%完美，則Cox Shell R2=1， Nagelker R2=1，-2LL=0)。

由表7可見，相較于模型Ⅰ，模型Ⅱ的-2LL值顯著降低，說明加入非財務變量后的綜合模型(模型Ⅱ)對數據的擬合度得到了顯著提高;同時，模型Ⅱ的Cox Shell R2和Nagelker R2值也分別有所提高。這就意味著綜合模型的預警變量要比單一財務類模型的預警變量對企業財務困境具有更高的解釋力。

從判別能力來看，加入非財務類指標后的模型Ⅱ的總體判別準確率要遠遠高于模型Ⅰ;同時Ⅰ類誤判率也有了顯著下降。前文已經提及，在總誤判率相同的情況下，Ⅰ類誤判率越低越好。

六、研究結論

本文的創新之處主要體現在兩個方面:首先，在模型構建上，本文在傳統單一財務指標類預警模型的基礎上，引入包括現金流量指標和公司治理指標在內的非財務類指標，構建綜合預警模型;其次，在模型效果檢驗上，本文嘗試尋找更合理的最佳分割點，從而提高了模型預測效果檢驗的說服力。

通過前文實證研究，我們發現，加入非財務類指標后，預警模型的判別準確度由76.4%提高至86.1%，同時，Ⅰ類誤判率和Ⅱ類誤判率分別由37.5%、14.6%下降至29.2%、6.25%。即綜合模型無論是在預測能力方面還是在誤判成本方面均得到顯著優化。由此說明，我國上市公司的非財務指標中包含著預測財務困境的有效信息。

主要參考文獻

[1]E Altman.Financial Ratios， Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23(4):589-609.

[2]W H Beaver.Financial Ratios as Predictors of Failure[J]. Journal of Accounting Research，VoL.4，Empirical Research in Accounting:Selecated Studies，1966:71-111.

[3]J A Ohlson.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research， 1980，18(1):109-131.

[4]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999(4):31-38.

[5]陳曉，陳治鴻.企業財務困境研究的現論、方法及應用[J].投資研究，2000(6):29-33.

[6]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):55-92.

[7]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).

[8]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).

[9]周首華，陸正飛.現代財務理論專題[M].大連:東北財經大學出版社，2003.

[10]胡錦明，呂俊.上市公司財務危機預測模型比較研究[J] .審計與經濟研究，2009(3).

[11]鮮文鐸，向銳.基于混合Logit模型的財務困境預警研究[J].數量經濟技術經濟研究，2007(9).

[12]王志仁，曾繁榮.制造業上市公司BP神經網絡財務預警[J].財會月刊:理論版，2008(1).