基于二項Logistic回歸的上市公司財務預警實證研究

暨南大學人文學院 黃揚

基于二項Logistic回歸的上市公司財務預警實證研究

暨南大學人文學院 黃揚

摘 要：在本文研究中，通過以2015年上半年12家因為連續虧損3年被特別處理(被ST)的上市公司和12家財務運行正常(未被ST)的上市公司為樣本，運用獨立樣本T檢驗方法篩選指標，并基于二項Logistic回歸分析方法，通過SPSS統計軟件建立了上市公司被ST前三年的logistic財務預警模型。該實證研究表明，模型整體預警識別率高達91.67%，這說明該模型的預測準確度較高。

關鍵詞：上市公司 財務預警 回歸分析

1 引言

隨著我國社會主義市場經濟的不斷發展和變化，以及市場中各個經濟部門的企業所面臨的不確定因素的變動，它們的經營風險特別是財務風險同樣也逐漸增加。而這些風險是伴隨著市場中企業的經營行為和經營狀況所變化的。比如，隨著企業的盲目投資增產，盲目跨行業經營以及不重視企業的自身負債等不良經營行為的增加，企業也會逐漸陷入到連續虧損等財務危機的現象中，甚至最終可能導致企業走向破產。此外，可以說上市公司的財務運營情況也是牽動著企業內部以及企業外部多個集體和個人的經濟利益，受到了多方面的密切關注。因此，建立合理有效的財務預警方法和機制對于我國的眾多企業，特別是面臨更大的經營風險的上市公司來說，是極其有必要的。因此，本文研究通過采用最新的上市公司的相關數據，運用科學的手段和方法選取針對上市公司的財務指標體系，并建立相應的財務預警模型，并檢驗模型的預警識別率，以實現對我國上市公司的財務預警機制的研究是一項符合目前市場經濟高速發展的需求，并具有較強的實用意義的科學研究。

2 文獻綜述

對于如何研究企業財務預警機制，國內外學者都取得了一定的進展。首先，國外方面例如著名的美國會計學家William Henry Beaver(1996)就曾采用一元判定預測分析方法對多家經營不善的企業進行了財務危機的預測研究。而著名的數據科學專家Viktor Mayer Salchenberger(1992)則將神經網絡分析引入了遭遇財務危機的金融企業的研究之中。而國內的相關研究是源于20世紀80年代，具有代表性的是吳世農等(1987)所提出的企業財務指標以及財務危機預測方法的研究。顧曉安(2000)在《公司財務預警系統的構建》中則從控制現金流的角度來研究和分析企業的短期財務預警系統。此外，端木正(2004)結合當時中國企業的實際情況初步提出和構建了財務預警模型，并重點探討了關于財務預警指標體系中的幾個問題。李樹根(2007)則基于BP神經網絡方法，建立了一個財務預警框架。而廖志文(2012)則基于CBR方法即案例推理分析，以及灰色關聯度的方法來進行企業財務預警模型的建模。蔡秋萍(2006)通過二項Logistic回歸分析來建立北京、上海和江蘇等三地的上市公司的財務預警模型，并得出了該種模型具有很高的預警識別率的研究結論。因為該方法使用較為方便，且可以滿足多個指標變量的預測。同時，我們選取的被解釋變量正好符合兩種取值的情況。所以，在本文研究中，我們將對于企業的財務指標體系創新性地采用單指標T檢驗的方法來進行篩選，并基于二項logistic回歸的方法來構建上市公司被ST前三年的logistic財務預警模型。

3 研究樣本與指標選取

在本文研究中，選取了2015年上半年12家因為連續虧損3年被特別處理(被ST)的上市公司和12家財務正常(未被ST)的上市公司作為研究的樣本。所有數據來源于證券之星網站資料，具體情況詳見表1。

基于本研究在借鑒前人研究的基礎上，結合考慮我國企業的具體財務特征，選取了以下15個財務指標作為本次研究的初步指標體系，具體指標如表2所示。其中，指標X1、X2、X3可以反映一家上市公司的營運能力。指標X4、X5、X6能夠反映上市企業的盈利能力。而指標X7、X8和X9是反映上市企業的償債能力的重要指標。指標X10、X11和X12則能夠反映一家上市公司現金流的狀況。此外，X12、X13、X15可以反映上市企業的成長能力。但是，本文研究還需要對這15個指標進行一定的篩選，以確保所選取的指標在被特別處理的企業和未被特別處理的企業之間存在明顯的差異。因此，在本文中，采用了獨立樣本T檢驗的方法來判斷被ST上市公司和未被ST上市公司在所選各個財務指標的方差上是否存在顯著差異。

表1 研究樣本

表2 財務指標體系及T檢驗結果

注：“*”， “**”，“***”分別表示在10%，5%，1%的統計水平下顯著

將數據通過SPSS17.0統計軟件進行計算，可以得到表2中的20家上市公司的獨立樣本T檢驗結果。其中，P-為F檢驗統計量的概率。因為Logistic回歸模型的變量要求相對嚴格，因而，本文研究中是以1%的顯著性水平為標準從初步選擇的15個財務指標中選取上市公司的財務預警指標。根據表2中給出的數據結果可知，在上述的15個財務指標中，只有X1(總資產周轉率)，X4(總資產凈利率)，X8(速動比率)以及X14(凈利潤增長率)可以入選為本次研究的財務預警模型的指標，即被特別處理的上市公司和未被特別處理的上市公司在這四個指標上有著顯著的差異。下面將根據這四個指標(X1，X4，X8，X14)來建立Logistic預警模型。

4 二項Logistic回歸分析

首先，將被解釋變量即上市公司的財務狀況是否出現了危機(即表現為該企業的證券是否被特別處理)取值為0和1，具體而言，被解釋變量Y值取值為0的情況是企業財務出現異常即被ST的上市公司，而被解釋變量取值為1的情況是財務狀況運行正常即未被ST的上市公司。接著，通過引入以上所選取的財務預警指標(X1，X4，X8，X14)的被ST前三年的數據，基于二項Logistic回歸模型，使用SPSS17.0統計軟件運算可以得到表3中的回歸結果。

表3 二項Logistic回歸結果

所以，根據表3中二項Logistic回歸的結果，可以得到本研究的上市公司被ST前三年的財務預警模型如下：

在本文研究中，對于該預警模型取0.5為分界點，P的取值范圍從0到1。具體而言，當0.5＜P≤1時，可判斷為被特別處理的上市公司。而相反，當0≤P＜0.5時，可判斷為為被特別處理的上市公司。若是P=0.5，這說明這家上市公司的財務運行狀況處于難以預測的狀態。同時，使用SPSS17.0統計軟件可以得到該預警模型的混淆矩陣，該矩陣實際上是一種能夠很直觀的判斷預警模型的優劣的方法。其以矩陣表格的形式向我們反映了這個財務預警模型的預測值及其實際值的吻合情況，也就是體現了其預警識別率的高低，詳見表4。

根據表4中的結果，我們可以得知該模型中，對于12家由于財務危機而被特別處理的上市公司，只有1家未能被正確判斷，即其預警識別率高達91.67%。而對于12家財務正常且未被特別處理的上市公司，同樣也只有1家未能被正確判斷，因此其預警識別率同樣高達91.67%。所以，整個財務預警模型的預警識別率為91.67%，這意味著本研究所建立的模型具有較高的預測準確度，達到了本研究對于財務預警模型的要求和預期。

表4 財務預警模型的預警識別率

5 結語

在本文研究中，通過以2015年上半年12家因為連續虧損3年被特別處理(被ST)的上市公司和12家財務運行正常(未被ST)的上市公司為樣本，并運用獨立樣本T檢驗方法篩選初步確定的15個指標，經過檢驗，有X1(總資產周轉率)、 X4(總資產凈利率)、X8(速動比率)以及X14(凈利潤增長率)等四個指標入選。基于二項Logistic回歸分析方法，通過SPSS17.0統計軟件建立了上市公司被ST前三年的logistic財務預警模型。而通過該模型的混淆矩陣可以得知，這個模型整體預警識別率高達91.67%，也就說明該預警模型的預測準確度較高，符合本研究的期望。對于上市公司具有良好的實用性和指導作用。

當然，本研究也存在一定的不足之處。例如，在本研究中，由于未能考慮和分析非財務性的因素及指標等對于上市公司的財務狀況的影響，在一定程度上也導致了所選取指標體系的局限性。以后的研究可以對這方面加以改進。

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,1987(6).

[2] 顧曉安.公司財務預警系統的構建[J].財經論叢,2000 (4).

[3] 端木正.基于人工神經網絡的財務危機預警模型[J].統計與決策,2004(10).

[4] 李樹根.基于BP神經網絡的財務預警方法探究[J].中國管理信息化(會計版),2007(11).

[5] 廖志文.基于CBR和灰色關聯度的財務危機預警[J].計算機工程,2012(1).

[6] 蔡秋萍.基于Logistic分析的我國上市公司財務預警區域研究[J].華東經濟管理,2006(10).

作者簡介：黃揚(1994-)，男，廣東潮州人，暨南大學人文學院，主要從事政策分析，財務預警方面的研究。

中圖分類號：F275

文獻標識碼：A

文章編號：2096-0298(2015)06(a)-153-03