國有企業財務危機預警模型實證研究

岳彩信

【摘 要】 財務危機從根本上威脅著企業的持續性經營和發展，如果不對其進行預測分析很可能給企業和社會帶來嚴重的影響。近年來，我國政府部門頻繁出臺文件和措施要求企業特別是國有企業要加強對財務危機的管理控制。文章以上海市××區國有企業為研究對象，選取了29家出現財務困境的國有企業和29家財務正常的國有企業為樣本，參照國內外學者對上市公司財務危機預警的研究方法，并結合國有企業財務實際，選擇13個財務指標為變量，應用Logistic回歸分析建立財務危機預警模型。研究表明：所建立的Logistic預測模型對財務危機發生前一年的預測準確率達93.1%。

【關鍵詞】 國有企業； 財務危機； 預警模型

一、財務危機預警模型研究的相關問題

縱觀財務危機判定和預測模型的研究，涉及到三個基本問題：一是財務危機的定義；二是預測變量或判定指標的選擇；三是計量方法的選擇。

（一）財務危機的定義

財務危機又稱財務困境。國外很多學者的同類研究一般采用破產標準（Altman，1968；Ohlson，1971；Platt，1990和1994）。然而，我國的情況與國外有所不同，我國的多數研究大都把被特別處理（ST）的上市公司作為存在財務危機的公司（陳靜，1999；李華中，2001）。在本文的研究中，考慮到國有企業的特殊性及實際情況，并采用以上研究的思想，將連虧兩年（以下簡稱LK）的國有企業作為研究樣本，并將財務危機視作“因財務狀況困難而出現連續虧損兩年即LK”。

（二）指標變量的選擇

參照國內外學者研究上市公司財務危機預警模型的方法，結合目前我國國有企業年報已有的財務信息，本文選擇債務風險、現金流風險、盈利能力風險和投資風險4個方面共13個財務指標作為財務危機預警指標，并將其作為構建財務危機預警模型的預選指標。

（三）計量方法的選擇

隨著統計科學的不斷發展，越來越多的計量模型被應用到財務危機預警研究中。

西方關于財務危機預測研究成果最顯著和影響最廣泛的是威廉·比弗（Willian Beaver）的單一變量模型和艾得沃德·阿爾特曼（Edward I.Altiman）的“Z-Score”模型。比弗通過對1945年至1964年間79家失敗企業和對應的79家成功企業的比較研究表明，以下財務指標對預測財務危機最有效：現金流量/債務總額，凈收益/資產總額（資產收益率），債務總額/資產總額（資產負債率）。美國財務專家阿爾特曼1968年提出了企業財務危機預測的“Z-Score”模型，該模型主要適用于上市公司，樣本選取的是1946年至1965年期間提出破產申請的33家公司和同樣數量的非破產公司。通過計算，該模型給出了一個總的判斷分，稱為Z值。Z的分值越高，企業發生財務危機的可能就越小，反之亦然。

在國內，學者陳靜（1999）以1998年27家ST公司和27家配對的非ST公司為樣本，根據1995年至1997年54家樣本企業財務數據，分別進行了單變量和二類線性判定分析，在單變量判定分析中，發現在負債比率、流動比率、總資產收益率、凈資產收益率4個財務指標中，流動比率、負債比率的誤判率最低；在多元線性判定分析中，發現負債比率、凈資產收益率、流動比率、營運資本/總資產、總資產周轉率6個指標構建的模型在ST發生的前3年能較好地預測ST。得出的結論是在宣布前一年預測模型的準確率較高，離宣布年越遠，準確率越低。

周首華等（1996）對阿爾特曼的“Z-Score”模型進行了拓展研究，建立了“F分數模式”，F分數模式的臨界值為0.0274，此數值上下0.0755為不確定區域，F分數越小，發生財務危機的概率就越大。

吳世農、盧賢義（2001）采用三種模型——LMP、Fisher模型、Logistic模型，對我國上市公司財務危機預警模型進行了對比性的研究，成果表明：1.在單變量模型中，凈資產報酬率的判斷效果更好；2.多變量模型優于單變量模型；3.與其他兩種多變量模型相比，Logistic模型的判斷準確率更高。

此外，近年來神經網絡模型和決策樹模型等也被用到財務危機預警研究中。如李健（2009）通過神經網絡模型分析得出，盈利能力指標對企業是否發生財務危機影響最為顯著，現金流量指標具有較好的短期預測能力，資產管理能力指標具有較好的長期預測能力；通過決策樹模型可以得到易于理解的財務危機企業的特征屬性規則集。

二、實證研究

（一）樣本選取

本文參照其他學者對上市公司財務危機預警的研究方法，把連虧兩年的國有企業處理為LK。選取上海市××區2009年1月至2009年6月間180多家國有企業，在2008年年報后，因連虧兩年而被視作LK的29家國有企業作為研究樣本。同時，按照國民經濟行業分類代碼選取了同種行業、同等規模的29家非LK公司作為配對樣本。在選取樣本時筆者注意了以下關鍵：

1.在對LK公司的配對公司的選擇上堅持同行業、同規模的原則。

2.非LK的樣本以同行業為第一選取標準，即在資產規模不同的情況下，首先要保持行業的一致性，排除行業差異帶來的干擾。

3.所以在選擇觀測年限時，取LK前一年即2007年的財務年度的財務指標，對應的配對樣本也取同期的財務指標。

4.在選取樣本時，均選年報已經被審核過的公司作為樣本，以確保研究數據的真實可靠。

本文的數據均來自國資信息平臺V3。運用的統計分析軟件為SPSS17.0。

（二）單變量分析

從表2中可以看出，LK與非LK公司之間有許多財務指標存在很大差異，例如X3、X4、X6、X7、X9等財務指標。

接下來，通過獨立樣本的均值比較，來分析LK公司與非LK公司之間各單項財務指標的差異規律。首先建立假設，然后運用獨立樣本T檢驗來進行假設檢驗。

假設：H0：LK公司與非LK公司之間13個財務指標同期均值相等

H1：LK公司與非LK公司之間13個財務指標同期均值不相等

從表3的顯著性檢驗結果匯總表可以看出，樣本和樣本2間財務指標中共有11個指標能在很小顯著性水平下拒絕原假設而接受備選假設，說明兩個樣本間的這11個指標具有顯著的差異，這些指標是X1、X2、X4、X5、X6、X7、X8、X9、X11、X12、X13。

（三）Logistic回歸模型

1.因子分析

從表4可以看出，前5個因子的特征根分別為2.62、2.14、1.52、1.23、1.21，值大于1，累積方差貢獻率為79.51%，即前5個變量解釋了原有變量總方差的79.51%。在因子旋轉后，累積方差比沒有變化，沒有影響原有變量的共同度，保持了信息的完整性，使原有變量在總體上信息丟失較少，因子分析取得理想效果。

根據表6的成分得分系數矩陣，可以寫出用以表示原有變量的因子得分函數：

P1=-0.24X1+0.29X2+0.02X4+0.23X5+0.08X6

-0.26X7+0.28X8-0.05X9+0.17X11-0.04X12-0.04X13

P2=-0.12X1-0.01X2+0.12X4-0.11X5-0.06X6

-0.13X7+0.08X8+0.02X9-0.08X11+0.44X12+0.44X13

P3=0.22X1+0.28X2+0.26X4+0.42X5+0.27X6+0.36X7

-0.18X8+0.09X9+0.01X11+0.13X12+0.14X13

P4=0.20X1+0.09X2+0.08X4+0.03X5-0.62X6+0.16X7

+0.02X8-0.07X9+0.57X11+0.05X12+0.05X13

P5=0.26X1+0.07X2-0.01X4+0.09X5-0.23X6-0.11X7

+0.31X8+0.72X9-0.24X11-0.05X12-0.05X13

2.Logistic回歸預警模型

接下來，首先，引入用來表示是否出現財務危機的虛擬變量V，V取0代表非LK公司，V取1代表LK公司；其次，將因子分析中得到的5個因子Pi作為自變量，將虛擬變量V作為因變量引入，利用二分類Logistic回歸建立預警模型并加以檢驗。

二元邏輯回歸擬合方程為：

表8輸出的是該Logistic模型的-2對數似然值和兩個偽決定系數Cox & Snell R 方和Nagelkerke R 方，后兩者從不同角度反映了所建模型中自變量的變異占因變量總變異的比例。可以看出，上述兩個偽決定系數分別達到0.86和0.95，表明該模型中自變量對因變量有良好的解釋程度。

取0.5為概率P最佳分割點，對該模型進行預測，P小于0.5認定為非Lk公司，P大于0.5認定為LK公司。

從表9的分類表可以看出，該預測模型對非LK公司的預測準確率為88.0%，對LK公司的預測準確率為93.1%，整體預測效果為90.6%，預測效果良好。

三、研究結論

本文選取2007年和2008年上海××區國有企業中29家連續虧損兩年的公司作為樣本，同時選取同行業（按國民經濟行業代碼分類）、同規模的29家非連續虧損兩年的公司作為配對樣本。根據財務指標具有通用性和易獲得性的特點，從效率性原則和實用性原則出發，基于目前我國國有企業年報已有的財務信息，選擇債務風險、現金流風險、盈利能力風險和投資風險4個方面共13個財務指標作為財務風險預警指標，并將其作為構建財務危機預警模型的預選指標。在構建預警模型的過程中，首先，進行單變量分析，找出具有顯著性差異的指標，然后，對指標進行因子分析，提取出主成分即主要因子，作為自變量引入預警模型。最后，構建預警模型并加以檢驗，得出所建的預測模型具有良好的預測效果，對國有企業預測財務危機具有較高的參考作用。●

【參考文獻】

［1］ 吳世農，盧賢義.我國上市公司財務困境預警模型研究［J］.經濟研究，2001（6）.

［2］ 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（9）.

［3］ 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）.

［4］ 閆哲.基于Logistic模型的上市公司財務危機預測的實證研究［D］.東北財經大學，2007.

［5］ 朱振梅.基于Logistic回歸的上市公司財務危機預警模型［J］.會計之友，2007（8）.

［6］ Beaver W.Financial Ratios as Predictors of Failures［J］.Journal of Accounting Research，1996（4）.

［7］ GambolaM.J.,J.E. KetzandD.D.Williams.CashFlowin Bankruptcy Prediction［J］.Financial Management，1987（16）.

［8］ Lau A H.A Five-State Financial Distress Prediction Model［J］.Journal of Accounting Research，1987（25）.

［9］ Platt H., M. B. Platt and J. G. Pedersen. Bankruptcy Prediction with Real Variables［J］.Journal of Business Finance & Accounting，1994（21）.