基于Panel logit模型的上市公司財務困境預警研究*

太原科技大學經濟與管理學院 武玉青 李忠衛 西北工業大學管理學院 彭 帥

基于Panel logit模型的上市公司財務困境預警研究*

太原科技大學經濟與管理學院 武玉青 李忠衛 西北工業大學管理學院 彭 帥

本文以制造業上市公司為研究對象，在綜合考慮上市公司財務信息和非財務信息的基礎上，建立Panel logit模型分析了上市公司陷入財務困境的影響因素。研究表明：財務因子和非財物因子均對上市公司是否陷入財務困境具有重要影響，償債因子、盈利因子、資本運用因子、資本結構因子、股權集中度因子、評價因子均與上市公司陷入財務困境負相關。

熵權法 財務困境預警 Panel logit模型

一、引言

上市公司發生財務困境是一個累積過程，基于截面數據建立的預警模型并不能很好地反映這一過程，Panel logit模型在采用截面數據的基礎上，將時間序列數據納入其中，彌補了截面數據模型不能反映公司財務狀況動態累積效應的缺點。基于此，本文擬構建上市公司財務困境預警的Panel logit模型，以我國制造業上市公司為研究對象進行實證研究，揭示出影響制造業上市公司陷入財務困境的主要因素。

二、研究設計

（一）樣本選取和數據來源 本文使用Panel logit模型對上市公司財務困境預警進行實證研究，以滬深A股上市公司作為研究對象，并沿用傳統研究習慣，將被ST（特殊處理）的上市公司定義為財務困境公司，由于面板數據考慮時間因素對上市公司的影響，同時考慮到公司規模、財務指標數據完整性和行業因素干擾等問題，本文從滬深A股市場制造業2011年至2013年間因財務狀況異常而首次宣布為ST的上市公司中選取30家ST公司，并按照1:2的比例選取相同時間段從未被ST過的制造業財務正常公司60家，并隨機抽取了2009年到2012年樣本外被ST的相關企業30家和非ST企業60家對模型進行驗證的樣本企業。本文所有數據來自深圳國泰安信息技術有限公司的CSMAR交易數據庫和新浪財經網，數據分析、參數估計和相關檢驗應用SPSS20.0和Stata10.0軟件進行。

（二）變量定義 本文在借鑒國內外相關文獻選取指標的基礎上，根據可比性、靈敏性、可測性、全面性等選取原則，選取涵蓋公司財務方面和非財務方面的兩類指標。在財務指標變量方面，選取代表公司的營運能力、償債能力、盈利能力、成長能力和現金流量等五個方面28個財務比率（表1）。

表1 財務指標

孟慶洋（2013）指出目前的研究中普遍存在單純地依靠財務指標構建預警模型的情況，這種建模方式在全面反映公司整體運營情況方面缺乏說服力。本文在財務因素分析基礎上，引入股權集中度、公司治理結構、審計意見等非財務指標，共篩選出10個非財務變量（表2）。

表2 非財務指標

在傳統研究中，為了避免建模出現偏差，檢驗數據的分布狀態是至關重要的一步。而在本文中選用的Panel logit模型適用于所有分布狀態的數據，因此無需檢驗樣本數據的分布狀態。同時為了更客觀的選擇預警指標，本文采用熵權法選擇變量。按照熵權法進行計算，得出各個預警指標的熵權值（表3）。

表3 各評價指標的熵權值

數值Q的取值不能太大也不能太小，取值過小會導致選取的預警指標過少，預警能力不足；取值過大會導致選取的預警指標過多，缺乏客觀性。本文參考相關文獻的基礎上，綜合考慮樣本數據的實際情況，最終確定的取值為0.90，即預警指標的累計熵權值大于等于0.90。根據預警指標的篩選，結果保留21個財務指標和8個非財務指標。

嚴把質量關，爭創一流食品企業；圍繞質量安全，全力構建質量安全體系。汪記始終堅定不移地履行著自己的責任和承諾，誠信經營，尋求發展，依靠技術的不斷創新，設備設施的更新升級，大踏步地向先進邁進。

（三）模型構建 通常以二元選擇變量為被解釋變量的統計模型都選擇Probit模型和Logit模型，相較于Probit模型而言，Logit模型對隨機誤差項的分布沒有要求，應用更為方便，因此通常選用Logit模型，由于本文選取的數據是面板數據，被解釋變量是二元選擇變量，故而本文采用Panel logit模型建立財務困境預警模型。

Panel logit模型分為固定效應模型和隨機效應模型，其表達式為：

其中ξi是個體效應；xit-1為公司i的財務指標在t-1年度的取值；μit為誤差項；μit與解釋變量xit-1獨立，y*it是可觀測的二元選擇變量yit的隱性變量，分別用0和1表示，即

本文中yit=0代表企業i在t年度的財務正常；反之yit=1表示企業i在t年度財務陷入困境。

本文利用熵權法對財務指標和非財務指標進行篩選。具體步驟為：

第一，建立初始矩陣。假設研究對象由n個樣本組成，反映樣本質量的指標有m個，

其中xij表示第i個公司的第j項指標，i=1，2，…n，j=1，2，…，m

第二，預警指標的無量綱化。不同預警指標的量化單位存在差異，直接運算和比較不同的預警指標是存在困難的，因此在對預警指標進行運算和比較之前，必須消除量化單位的影響，處理辦法如下。

為了避免取對數時無意義，在此采用標準化法，將數據進行平移1個單位，即rij=R'x+1。

第三，計算第i個公司的第j項指標權重Pij，計算方法如下：

第四，計算第j項指標的熵值ej

熵值大小說明預警指標在困境和非困境公司之間表現的差異性高低。

第五，計算第i項指標的差異性系數?j

?j越大，說明指標值越重要。

第六，計算第j項指標的權數wj，

wj越大，該指標的作用越大；反之，wj越小，該指標的作用越小。

三、實證分析

（一）預警指標的因子分析 本文利用熵權法客觀的提取出能夠提供重要信息的預警指標變量，由于預警指標之間存在信息關聯，這會導致預警指標變量之間可能存在多重共線性，預警模型的準確率會因此受到影響。為了保證模型的穩健性，本文應用因子分析法分析29個預警指標變量，通過提取對企業經營狀況具有重要影響的公共因子，消除多重共線性對模型估計的影響。財務指標的因子分析結果在表4中，非財務指標的因子分析結果在表5中，應用SPSS20.0對樣本數據進行分析。

表4 財務指標因子分析結果

從表4可以看出，KMO測試系數為0.7008，表示財務指標數據適合做因子分析，Bartlett球形檢驗P值為0.000，表明財務指標之間存在較強的相關性。根據旋轉后的因子載荷矩陣提取了7個財務指標公因子，這7個公因子方差貢獻率累計達到87.788%，根據公因子在各個財務指標上的載荷不同，對提取的主成分分別進行命名，F1為償債因子，F2為現金流量因子，F3為盈利因子，F4為營運因子，F5為成長因子，F6為資本運用因子，F7為資本結構因子。

表5 非財務指標因子分析結果

從表5結果可以看出，KMO測試系數為0.662，表示非財務指標數據適合做因子分析，Bartlett球形檢驗P值為0.000，表明財務指標之間存在較強的相關性。根據旋轉后的因子載荷矩陣提取了3個非財務指標公因子，這3個公因子方差累計貢獻率達到77.655%，根據公因子在各個非財務指標上的載荷不同，對提取的主成分分別進行命名，F8為股權集中度因子，F9為公司治理結構因子，F10為評價因子。

（二）財務困境預警模型構建 Panel logit模型一般通過豪斯曼（Hausman）檢驗來判斷選用固定效應模型還是隨機效應模型。通過檢驗發現，本文所采用的數據拒絕原假設，即固定效應模型不收斂，故采用隨機效應模型。隨后，應用軟件Stata10.0進行Panel logit回歸分析，其中，解釋變量為F1-F10，被解釋變量為公司類別，結果見表6，顯著性水平為10%。

表6 Panel logit模型估計結果

從分析結果可以看出估計模型為：

（三）財務指標分析 （1）F1（償債因子）的系數為負，說明償債因子與企業是否陷入財務困境負相關，即企業陷入財務困境的概率隨償債能力的增強而減弱。因此把影響企業償債能力的相關指標（如流動比率、速動比率、現金比率、資產負債率等）控制在合理范圍之內是企業避免陷入財務困境的重要舉措。（2）F3（盈利因子）的系數為負，說明盈利因子與企業是否陷入財務困境負相關，即企業陷入財務困境的概率隨盈利能力的增強而減弱。作為影響企業生存和發展的重要指標，企業必須提高盈利能力，將影響企業盈利能力的相關指標（如成本費用利潤率、銷售凈利率、資產報酬率等）控制在合理范圍內，確保企業正常發展，提升企業的競爭力和防御財務困境的能力。（3）F6（資本運用因子）的系數為負，說明資本運用因子與企業是否陷入財務困境負相關，即企業陷入財務困境的概率隨資本運用能力的增強而減弱。資本運用因子反應了企業資本運用的效率和投資帶來的收益率，企業資本運用能力越強，抵抗企業陷入財務困境的能力越強。（4）F7（資本結構因子）的系數為負，說明資本結構因子與企業是否陷入財務困境負相關，即企業陷入財務困境的概率隨資本結構合理性增強而減弱。企業的償債能力和盈利能力在很大程度上受到資本結構因子的影響，因此保持企業各種資本的價值構成和比例合理分配，是企業避免陷入財務困境關鍵。（5）F8（股權集中度因子）的系數為負，說明股權集中度因子與企業是否陷入財務困境負相關，即企業陷入財務困境的概率隨股權集中度合理性的增強而減弱。反映一個企業內部是否穩定的一項關鍵指標是股權集中度，企業越穩定陷入財務困境的概率就越低。（6）F10（評價因子）的系數為負，說明評價因子與企業是否陷入財務困境負相關，即審計意見標識數值越大，通過對資料作出證據搜集及分析后，評估的結果越好，企業的財務狀況越好，企業陷入財務困境的概率越小。

（四）模型預測效果檢驗 和一般的計量模型一樣，Panel Logit模型也面臨著第一類錯誤和第二類錯誤的問題。臨界值過高提高了事件偵別難度，使判別模型失去作用；臨界值過低存在將非事件錯偵成事件的問題。因此，在分析具體問題時，通常需要調整臨界值。綜合考慮以上因素，在兼顧對健康公司判別的正確性的同時，我們把正確判斷出困境公司作為首要目標，選擇0.05作為該模型的最優臨界值，具體預測結果如表7所示。

表7 Panel logit模型預測結果

從表7預測結果表明，ST公司判斷正確率為90.00%，非ST公司判斷正確率為93.33%。模型的總預測正確率為91.11%，模型的估計效果較好。

四、結論

本文在綜合考慮上市公司財務信息和非財務信息的基礎上，利用面板數據建立Panel logit預警模型對制造業上市公司的財務困境進行了實證研究，不僅反映出企業陷入財務困境的可能性與各因子的數量關系，而且模型預測準確率較高，對企業判斷自身經營狀況具有指導意義。財務因子和非財務因子均對上市公司陷入財務困境具有重要影響。償債因子、盈利因子、資本運用因子、資本結構因子、股權集中度因子、評價因子均與上市公司陷入財務困境負相關。償債因子、盈利因子、資本運用因子、資本結構因子的提高都會直接或間接地降低企業陷入財務困境的可能性；股權集中度、審計意見越合理，企業陷入財務困境的概率越小。因此，本文認為運用面板數據建立的財務困境預警系統，通過制造業上市公司披露的客觀有效的數據進行分析，對制造業上市公司發展的情況進行及時反映、監督和預警，有效地降低企業陷入財務困境的可能性。

*本文系太原科技大學博士基金（項目編號：20102009）和山西省科技廳軟科學項目（項目編號：2011041017-01）的階段性研究成果。

［1］鮮文鐸、向銳：《基于混合Logit模型的財務困境預測研究》，《數量經濟技術經濟研究》2007年第9期。

［2］周輝仁、唐萬生、任仙玲：《基于遞階遺傳算法和BP網絡的財務預警》，《系統管理學報》2010年第1期。

［3］何玉梅、張濤：《上市公司財務危機預警模型之有效性選擇——基于單變量模型判別法和Z計分法的選擇》，《現代財經》2011年第5期。

［4］閔劍、戈功業：《從利益相關者行為視角構建企業融資風險預警仿真模型》，《財會月刊》2015年第23期。

［5］鮑新中、楊宜：《基于聚類—粗糙集—神經網絡的企業財務危機預警》，《系統管理學報》2013年第3期。

［6］盧永艷：《基于面板數據的上市公司財務困境預測》，東北財經大學2012年版。

［7］孟慶洋、錢桂萍：《企業財務危機預警研究之“短板”》，《財會月刊》2013年第6期。

［8］武玉青、李忠衛、彭帥：《基于面板數據的我國制造業上市公司財務危機預警研究》，《科技和產業》2014年第7期。

［9］Ali Serhan Koyuncugil，Nermin Ozgulbas. Financial Early Warning System Model and Data Mining Application for Risk Detection. Expert Systems with Applications，2012.

［10］Jie Sun，Hui Li. Financial Distress Prediction Using Support Vector Machines: Ensemble vs. Individual. Applied Soft Computing Journal，2012.

（編輯 文 博）