A股上市公司財務危機預警研究

盧笛

摘要：文章在A股深、滬市制造業公司中，選取2016～2018年首次被ST的公司作為處于財務危機的研究對象，按照1∶3配比選取108家財務正常的公司。通過對其t-1、t-2年的財務指標和非財務指標的篩選和降維處理，通過面板數據建立了混合logit預測模型。并通過逐步回歸去除不顯著指標，建立的模型具有較高的預測準確度，能很好地解釋相關指標與財務危機出現的關系，可以為上市公司的相關債權人、投資人提供一定的參考價值。

關鍵詞：Logit模型;財務危機;預測

一、引言

2019年，全球整體經濟和貿易增長大幅放緩，主要發達經濟體的增長連續下降。由于美國新一任領導政府的單邊和貿易保護主義政策導致世界經濟增長下降。2018年開始，各國特別是發達經濟體已經陷入的衰退，危機也向發展中國家蔓延。全球經濟進入調整期且增長不確定性因素加劇，國際金融市場上風險加劇，投資者信心缺失，負債率居高不下，出口下降，工廠大規模關閉，失業率增高。僅2019年全球就有10余個國家和地方出現了暴動，給國家和社會都帶來了危機和風險，嚴重影響全球經濟。因此國內上市公司的財務安全就變得異常重要，一旦陷入財務危機，將對債權人、投資者帶來不利影響，更有甚者企業的倒閉重組會產生大量的失業者，引發失業潮，給國家帶來嚴重后果。

二、文獻綜述

（一）財務危機

首次提出財務危機概念的是Fitzpatrick（1932），他將“破產”定義為財務危機，同時建立單一變量的模型，通過比較發現財務指標中的兩個比率在財務危機和良好公司之間有顯著不同。而后Beaver（1966）認為不能將企業經營失敗認定為是財務危機，還應包括：“無法償還債務”、“銀行賬透支戶”、“無力支付優先股股利”以及“宣告破產”，從30個財務指標中選取6個財務指標建立單一變量危機預測模型。Altman（1968）認為企業依法破產是“財務危機”，并提出多變量模型來預測財務危機。國外學者基本都以這兩個方面作為財務危機的定義即：依法破產;財務失敗。

而國內學者陳靜（1999）、吳世農（2001）等人則普遍將ST作為發生財務危機的標準，選擇被ST的公司認為是財務危機的研究對象，比較契合我國國情。在目前我國沒有對財務危機有一個比較準確的定義，其次國外學者普遍認為的“破產”在我國上市公司中很少出現，大部分面臨的破產的公司都會被收購用來借殼上市。因而國內大部分學者都參考1998滬深交易所提出ST概念，即認為“財務狀況出現異常的上市公司”可看作為處于財務危機的研究對象，但如吳世農（2001）等學者也提出部分非正常ST的公司不屬于財務危機研究對象，需要予以排除。

（二）研究方法

關于財務危機預警的研究手段大概分為兩類：傳統統計學模型和人工智能模型。傳統統計模型主要有多元判別模型、多元回歸模型、生存模型等;人工智能模型主要有神經網絡模型、支持向量機模型、遺傳算法、模糊集理論等。相對統計模型人工智能模型預測有較高的準確度，但是可解釋性較差;統計模型通?？山忉屳^強，而多元回歸模型中的Logistic模型應用范圍、可解釋性、預測準確性都較好，本文采用了Logistic模型。

三、研究設計

（一）樣本選澤和數據來源

陷入財務危機公司的選取參照國內等學者的研究習慣，把被ST的公司作為已發生財務危機的公司。同時考慮到不同行業的數據可能帶來的影響，把選取數據的上市公司都定為同一行業，又因為制造業的行業規?？傮w比較大，可以選擇的數據樣本也較多，所以選擇制造業作為行業數據的來源。選取A股2016～2018年首次被ST的制造業上市企業，并去掉已經被摘牌或因發生重大事故被ST的公司剩余共36家。配對樣本的選取，考慮到在實際上市公司中，被ST出現的比例較小，目前大多數國內學者使用的1：1，1：2比例不一定能適用。因而參照石曉軍（2006）實證的最佳配比以1：3的比例選取108家從未被ST的健康公司，同時將t-1、t-2年的數據都添加建立面板數據模型，用來增加樣本的數量。

所有數據都來自于銳思金融研究數據庫，用SPSS22.0和StataSE15.0軟件進行了相關檢驗及參數估計。

（二）研究變量

1. 數據初選

本文從公司的財務指標中涉及盈利能力、償債能力、營運能力、成長能力、現金流量、資產結構六個方面中選取20個財務指標，從選取股權結構、公司治理、審計意見（將1標準的無保留意見仍設為1，其他審計意見設為0）選取4個非財務指標，作為初選研究變量。

2. 數據篩選

為了確認所選指標在處于財務危機公司和非財務危機公司中有顯著不同，采用SPSS22.0軟件檢驗。通常使用非參數檢驗的方法有兩種：T檢驗、U檢驗。T檢驗要求變量符合正態分布并在檢驗符合正態分布的數據顯著性時有較高的準確度;U檢驗可以檢驗兩個獨立樣本均值是否存在差異，且適用于變量分布未知的數據樣本。所選指標如審計意見等明顯不適用于T檢驗，因而選擇U檢驗，原假設為兩組變量的平均數時相同的，而備擇假設是兩組變量平均數不同，用SPSS22.0檢驗結果見表1。

結果顯示，在95%的置信水平下，只有Z指數保留原假設，剩余23個指標都拒絕原假設，這些指標在財務困境公司與非財務困境公司之間都有顯著性不同，可以使用。

3. 因子分析

考慮到剩余的20個財務指標很可能會存在相關性，進而會產生多重共線性，因此為了消除多重共線性的影響使用因子分析法對選取變量進行降維處理。首先進行KMO和Bartlett檢驗，在相關性矩陣中發現股東權益比率、流動資產比率和其他指數極度相關，導致非正定矩陣出現，因此將兩個指標刪掉后進行KMO與Bartlett檢驗，檢驗結果如表2所示。

從表2來看，測量取樣適合性為0.706大于0.5，且P值遠小于0.05，因此可以對剩余18個財務指標進行主成分分析降維，降維后提取7個主成分，其主成分的特征值與貢獻率如表3所示。

在表3中可以看出，7個主成分可以解釋接近80%的解釋變量，說明其可以很好的代替原來的財務指標。同時觀察得到的7個主成分的因子分析矩陣，根據分析矩陣得出7個主成分可以代表公司財務方面不同的能力：盈利能力F1，償債能力F2，現金流量能力F3，成長能力F4、F7，營運能力F5、F6。

四、實證分析

（一）模型建立

因本文中選取財務數據時間維度為2014～2017年，其每個年度樣本數量不一致，屬于非平衡面板數據。面板數據模型一般分為三類，混合模型、固定效應模型、隨機效應模型。面板數據模型的表達式為：

將因變量定義為公司是否陷入財務困境，若公司陷入財務危機，則=1;若公司未發生財務危機，則=0，即

（二）模型估計

在做面板數據的回歸估計之前，通常先會做單位根檢驗，本文只選取2016～2018年t-1、t-2數據來擴大樣本數量，時間維度T非常小。一般來說T<20，則可以不進行單位根檢驗，因為單位根檢驗是大樣本檢驗;當T<

將經過主成分分析的7個財務因子和3個非財務指標（K1：獨立董事比列、K2：審計意見、K：股權集中度）作為自變量，將公司狀態以是否處于財務危機，分為1、0（1表示處于財務危機的公司、0表示財務正常公司），用StataSE15.0對數據進行混合logit模型參數估計，結果見表4。

從表4中P=0.000可以看出，模型整體是很顯著的，模型的可決系數為0.7261，修正后可決系數為0.7105說明模型解釋能力也是很好的。解釋變量除了F3、F7、K2以外都顯著，說明盈利（F1）、償債（F2）、成長（F4）、營運（F5、F6）因子及審計意見都與公司是否陷入財務危機密切相關，且與公司財務危機負相關，說明其能力越強公司越不容易出現財務危機。F7（成長）、現金流量（F3）、股權集中度等參數不顯著，用逐步回歸法重新建立模型，發現P值無變化，可決系數從0.7241變為0.7199，變化較小，模型依舊顯著，解釋能力也很好，防止過度擬合應予去除。去除后建立模型如下：

（三）模型檢驗

為了保證模型的有效性，本文將所有數據都用于建模之中，同時由于選取的樣本數量較少，尤其是被ST的公司數量，因而可以用回判法來驗證模型的有效性。把原數據帶入財務危機預警模型中進行回測，一般進行回測時一般將0.5作為概率閾值，即當P≥0.5時，則認為公司處于財務危機，反之亦然。用StataSE15.0中”predict yhat”命令對剛建好的模型進行回判，回判結果顯示預測效果良好，具體結果如表5所示。

五、結語

本文選取上市公司的財務和非財務指標，對其進行篩選降維處理后，基于t-1、t-2年的面板數據建立了混合logit預警模型，發現盈利（F1）、償債（F2）、成長（F4）、營運（F5、F6）因子及審計意見都與公司是否陷入財務危機密切相關，這些指標越強公司越不會出現財務危機。經過實證發現建立的預警模型具有較高的準確度，能為上市公司的相關債權人、投資人提供一定的參考價值。

參考文獻：

[1]Altman E.I.Financial Rations Discriminate Analysis and Prediction of Corporate Bankruptcy？[J].Journal of Finance， 1986，23（04）：589-609.

[2]黃文智.我國上市公司財務困境預測研究[J].商，2016（04）：166.

[3]石曉軍.Logistic違約率模型最優樣本配比與分界點的模擬分析[J].數理統計與管理，2006（06）：675-682.

[4]盧永艷.宏觀經濟因素對企業財務困境風險影響的實證分析[J].宏觀經濟研究，2013（05）：53-58.

[5]陳強.高級計量經濟學及Stata應用（第二版）[M].北京：高等教育出版社，2014.

（作者單位：東北財經大學）