基于改進(jìn)Z模型的財(cái)務(wù)危機(jī)預(yù)警研究

徐凱+邱煜+黃月娥

【摘 要】 文章以現(xiàn)金流量為研究視角，引入主成分分析法改進(jìn)Z計(jì)分模型，使用t-1年的財(cái)務(wù)數(shù)據(jù)構(gòu)建財(cái)務(wù)危機(jī)預(yù)警綜合模型對(duì)42家醫(yī)藥行業(yè)上市公司進(jìn)行研究。結(jié)果表明：企業(yè)財(cái)務(wù)危機(jī)是一個(gè)動(dòng)態(tài)發(fā)展過程，存在階段性特點(diǎn)；另外，企業(yè)的Z值越小，表示其財(cái)務(wù)狀況越差，越有可能陷入財(cái)務(wù)危機(jī)。

【關(guān)鍵詞】 改進(jìn)Z模型； 財(cái)務(wù)危機(jī)預(yù)警； 醫(yī)藥行業(yè)上市公司； 現(xiàn)金流量

中圖分類號(hào)：F275 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004-5937（2014）33-0066-04

一、研究背景

近年來，隨著中國經(jīng)濟(jì)開放程度不斷提高，上市公司面臨越來越激烈的競(jìng)爭(zhēng)，我國不少上市公司因財(cái)務(wù)危機(jī)而陷入困境，甚至破產(chǎn)。公司從經(jīng)營(yíng)正常到陷入危機(jī)狀態(tài)，往往存在一個(gè)循序漸進(jìn)的過程，并非突然發(fā)生（陳磊，2010）。因此，對(duì)財(cái)務(wù)危機(jī)進(jìn)行預(yù)警是公司規(guī)避破產(chǎn)風(fēng)險(xiǎn)的重要手段。醫(yī)藥行業(yè)是關(guān)乎國計(jì)民生的重要行業(yè)，是關(guān)系百姓身體健康和民族體能素質(zhì)的關(guān)鍵性行業(yè)，若能夠?qū)︶t(yī)藥企業(yè)進(jìn)行有效的財(cái)務(wù)危機(jī)預(yù)警，不僅有利于醫(yī)藥公司管理層盡早發(fā)現(xiàn)財(cái)務(wù)危機(jī)信號(hào)，及時(shí)采取應(yīng)對(duì)措施，扭轉(zhuǎn)財(cái)務(wù)狀況，改善公司經(jīng)營(yíng)，而且有利于銀行等債權(quán)人更好地評(píng)估醫(yī)藥上市公司的財(cái)務(wù)狀況，更有利于投資者更加科學(xué)地了解醫(yī)藥上市公司財(cái)務(wù)狀況，作出合理的投資決策。因此，對(duì)醫(yī)藥行業(yè)的財(cái)務(wù)危機(jī)進(jìn)行預(yù)警研究尤為重要。

迄今為止，已有一定文獻(xiàn)對(duì)醫(yī)藥行業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。王磊（2009）選用Logistic回歸方法，分別構(gòu)建了我國醫(yī)藥行業(yè)上市公司t-1年和t-2年的預(yù)警模型。楊濤（2009）使用SVM方法進(jìn)行樣本訓(xùn)練，構(gòu)建SVM的財(cái)務(wù)分類預(yù)警模型。王丹丹（2012）以2008—2010年間滬深股市上市公司為研究對(duì)象，構(gòu)建了t-1年和t-2年的BP神經(jīng)網(wǎng)絡(luò)模型。雖然他們的研究一定程度上為醫(yī)藥上市公司財(cái)務(wù)危機(jī)預(yù)警實(shí)務(wù)作出了貢獻(xiàn)，但未將包含大量財(cái)務(wù)信息的現(xiàn)金流量指標(biāo)納入指標(biāo)體系，且未能解決變量間可能會(huì)因?yàn)楣簿€性而存在信息重疊等問題。本文采用改進(jìn)的Z模型恰恰能克服以上問題。同時(shí)就筆者所掌握的文獻(xiàn)而言，目前還尚未發(fā)現(xiàn)有文獻(xiàn)引入現(xiàn)金流量指標(biāo)體系和主成分分析法的改進(jìn)Z模型對(duì)醫(yī)藥行業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。

二、構(gòu)建改進(jìn)Z模型

Z計(jì)分模型由Altman（1968）首次提出，其構(gòu)建的Z計(jì)分模型如下：

Z計(jì)分模型存在各指標(biāo)間可能產(chǎn)生共線性以致取得的數(shù)據(jù)發(fā)生一定程度的信息重疊現(xiàn)象以及可能會(huì)由于所選變量過多而引發(fā)維數(shù)災(zāi)難等問題（周玉敏、鄧維斌，2009）。為克服以上問題，本文引入主成分分析法改進(jìn)傳統(tǒng)Z計(jì)分模型，數(shù)學(xué)處理過程如下：

三、實(shí)證分析

（一）樣本選取

本文采用國內(nèi)學(xué)者對(duì)財(cái)務(wù)危機(jī)公司的普遍界定方式，將連續(xù)兩年虧損而被特殊處理（ST或*ST）的上市公司界定為財(cái)務(wù)危機(jī)公司。鑒于以上原則，本文選取30家醫(yī)藥行業(yè)上市公司作為估計(jì)樣本組，以構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型。其中，2007—2011年被特別處理（ST）的醫(yī)藥行業(yè)上市公司10家，財(cái)務(wù)正常（非ST）的醫(yī)藥行業(yè)上市公司20家。選取12家醫(yī)藥行業(yè)上市公司作為檢測(cè)樣本組，以檢測(cè)預(yù)警模型的準(zhǔn)確度，其中2012—2013年被特別處理（ST）公司6家，非ST公司6家。

（二）變量選取

已有研究證實(shí)采用現(xiàn)金流量信息來反映企業(yè)的實(shí)際支付能力、償債能力、財(cái)務(wù)彈性、發(fā)展能力等情況對(duì)企業(yè)的經(jīng)營(yíng)決策更具有實(shí)效，對(duì)于判別企業(yè)的財(cái)務(wù)狀況也更為準(zhǔn)確。因此，本文借鑒以往學(xué)者的研究，從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力四大方面出發(fā)，選擇9個(gè)指標(biāo)建立一套現(xiàn)金流量類財(cái)務(wù)預(yù)警指標(biāo)體系（見表1）。

（三）財(cái)務(wù)危機(jī)預(yù)警模型主成分因子的確定

本文數(shù)據(jù)來源為CSMAR、金融界（http：//stock.jrj.com.cn）。運(yùn)用Excel軟件對(duì)所選的30家樣本企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行處理，并運(yùn)用SPSS進(jìn)行主成分分析，得到各主成分的特征值和貢獻(xiàn)率如表2所示。

首先，本文根據(jù)主成分分析法提取因子一般遵循累積方差貢獻(xiàn)率大于85%、特征根大于1的標(biāo)準(zhǔn)，依據(jù)表2數(shù)據(jù)，提取出包含原來91.56%信息量的4個(gè)主成分因子以代替原有的9個(gè)財(cái)務(wù)指標(biāo)。其次，為了對(duì)以上4個(gè)因子進(jìn)行解釋，就需要得到9個(gè)原始財(cái)務(wù)指標(biāo)對(duì)這4個(gè)主成分的因子載荷矩陣。于是，本文將已提取的因子數(shù)據(jù)進(jìn)行轉(zhuǎn)換，經(jīng)因子旋轉(zhuǎn)得到轉(zhuǎn)換后的因子載荷矩陣，如表3所示。

由表3可得出4個(gè)主成分因子表達(dá)式為：

由主成分因子式（4）可以發(fā)現(xiàn)：1.主成分X1由除F9以外的8項(xiàng)財(cái)務(wù)指標(biāo)解釋，代表了企業(yè)償債能力、獲現(xiàn)能力和現(xiàn)金結(jié)構(gòu)；2.主成分X2由F7、F8和F2、F3這4項(xiàng)財(cái)務(wù)指標(biāo)解釋，代表的是企業(yè)的現(xiàn)金結(jié)構(gòu)和償債能力；3.主成分X3由F1、F5、F6和F9這4項(xiàng)財(cái)務(wù)指標(biāo)解釋，這幾項(xiàng)財(cái)務(wù)指標(biāo)的因子載荷也大于其他指標(biāo)，它代表了企業(yè)的償債能力、獲現(xiàn)能力和發(fā)展能力；4.主成分X4由F1和F9解釋，同時(shí)代表了企業(yè)償債能力和發(fā)展能力。

（四）財(cái)務(wù)危機(jī)預(yù)警的改進(jìn)Z模型與評(píng)價(jià)區(qū)域的構(gòu)建

通過主成分分析法，本文根據(jù)表3中各個(gè)主成分因子的貢獻(xiàn)率，確定改進(jìn)的Z計(jì)分模型的參數(shù)k1= 0.479、k2=0.1778、k3=0.1431、k4=0.1157，從而構(gòu)建出本研究中的醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型：

在構(gòu)建出財(cái)務(wù)危機(jī)預(yù)警模型的基礎(chǔ)上，本文將估計(jì)樣本組中上市公司的各項(xiàng)經(jīng)標(biāo)準(zhǔn)化處理后的財(cái)務(wù)指標(biāo)代入公式（5），得出經(jīng)過排序整理后的各上市公司預(yù)測(cè)分值（見表4），估計(jì)樣本Z值分布如圖1所示。

用所構(gòu)建的改進(jìn)Z模型對(duì)10家ST公司和20家非ST公司的原始樣本進(jìn)行分類，在預(yù)測(cè)值Z=0.15時(shí)，ST類公司小于Z值的個(gè)數(shù)為9個(gè)，占到該類公司總數(shù)的90%；非ST類公司超過該值的個(gè)數(shù)為19，占到該類公司的95%。考慮到非ST類公司是參照ST類公司按一定標(biāo)準(zhǔn)隨機(jī)抽取得出，經(jīng)營(yíng)狀況可能并非很好；同時(shí)ST類公司并非完全屬于“財(cái)務(wù)危機(jī)”公司，并且正在進(jìn)行改制、重組的ST類公司的財(cái)務(wù)指標(biāo)值不具有穩(wěn)定性，因而筆者認(rèn)為以上結(jié)論比較合理。綜合考慮這些公司實(shí)際財(cái)務(wù)狀況和樣本組的結(jié)果，把Z=0.15列為財(cái)務(wù)危機(jī)公司的臨界值。據(jù)此可得出評(píng)價(jià)區(qū)域，如表4最后一列所示。endprint

（五）改進(jìn)Z模型的預(yù)測(cè)精確度檢測(cè)

為檢驗(yàn)改進(jìn)Z模型的預(yù)測(cè)精確度，本文將ST公司對(duì)應(yīng)的非ST公司t-1年經(jīng)標(biāo)準(zhǔn)化后的財(cái)務(wù)數(shù)據(jù)代入模型（5），計(jì)算出檢測(cè)樣本組公司的Z值，經(jīng)排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測(cè)結(jié)果可以分析出：該模型對(duì)檢測(cè)樣本中ST公司判斷準(zhǔn)確率為1，對(duì)非ST公司的判斷準(zhǔn)確率大于83.33%，檢測(cè)樣本中非ST公司有一家落在0.15～0.30的灰色區(qū)域，對(duì)預(yù)測(cè)的準(zhǔn)確性會(huì)產(chǎn)生影響。

通過對(duì)改進(jìn)Z模型的預(yù)測(cè)精度檢測(cè)，發(fā)現(xiàn)該模型對(duì)ST公司的判斷準(zhǔn)確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區(qū)域，判斷正確性需進(jìn)一步證明；對(duì)非ST公司的判斷準(zhǔn)確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區(qū)域，對(duì)準(zhǔn)確率有所影響。在該模型的基礎(chǔ)上，如何對(duì)灰色區(qū)域的預(yù)測(cè)結(jié)果進(jìn)一步評(píng)價(jià)，即對(duì)處于灰色區(qū)域的公司未來財(cái)務(wù)狀況發(fā)展趨勢(shì)的預(yù)測(cè)需進(jìn)一步研究。

四、研究結(jié)論

本文以醫(yī)藥行業(yè)上市公司為研究對(duì)象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力4個(gè)方面選取了9個(gè)現(xiàn)金流量類指標(biāo)構(gòu)建財(cái)務(wù)指標(biāo)體系，引入主成分分析法改進(jìn)傳統(tǒng)Z計(jì)分模型，利用改進(jìn)后的Z模型對(duì)醫(yī)藥行業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。通過分析研究本文得出以下結(jié)論：1.Z值越小，公司財(cái)務(wù)狀況越差，越有可能陷入財(cái)務(wù)危機(jī)。當(dāng)Z值小于0.15時(shí)，為財(cái)務(wù)狀況威脅區(qū)；當(dāng)Z值在0.15～0.30之間時(shí)，為財(cái)務(wù)狀況灰色區(qū)域；當(dāng)Z值大于0.30時(shí)，為財(cái)務(wù)狀況安全區(qū)。2.該模型對(duì)財(cái)務(wù)危機(jī)公司和非財(cái)務(wù)危機(jī)公司的預(yù)測(cè)準(zhǔn)確率均較高，但是一定程度上受到灰色區(qū)域的影響，模型預(yù)測(cè)的準(zhǔn)確度尚不能完全確定。3.研究發(fā)現(xiàn)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)存在灰色區(qū)域（潛在財(cái)務(wù)危機(jī)），也就是說，處于灰色區(qū)域的公司正處于一個(gè)危機(jī)與安全的邊緣，稍有不慎則會(huì)逐漸惡化。

針對(duì)以上實(shí)證結(jié)果，提出如下建議：醫(yī)藥行業(yè)上市公司可以在參考該模型的基礎(chǔ)上，建立一個(gè)動(dòng)態(tài)的縱向跟蹤預(yù)警模型，利用最新的財(cái)務(wù)數(shù)據(jù)檢視公司的財(cái)務(wù)狀況，時(shí)時(shí)注意公司的經(jīng)營(yíng)情況，根據(jù)自身的財(cái)務(wù)危機(jī)程度及時(shí)采取適當(dāng)?shù)膽?yīng)對(duì)措施改善經(jīng)營(yíng)情況和財(cái)務(wù)狀況；另外，處在灰色區(qū)域的企業(yè)應(yīng)當(dāng)引起重視，若能及時(shí)調(diào)整偏差，有利于改善經(jīng)營(yíng)狀況，使企業(yè)重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會(huì)計(jì)信息失真現(xiàn)象，本文建立的財(cái)務(wù)預(yù)警模型可能會(huì)受到一定影響。另外，醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究實(shí)踐是一個(gè)極其復(fù)雜的系統(tǒng)工程，本文也不能完全徹底有效地解決醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警的實(shí)務(wù)操作問題。但不可否認(rèn)的是，本文的研究方法與研究結(jié)果，對(duì)評(píng)價(jià)醫(yī)藥行業(yè)上市公司的財(cái)務(wù)危機(jī)預(yù)警研究仍然具有明確的借鑒意義與參考價(jià)值，能在一定程度上為醫(yī)藥行業(yè)上市公司開展財(cái)務(wù)危機(jī)預(yù)警實(shí)踐工作提供借鑒。●

【參考文獻(xiàn)】

[1] 陳磊.公司動(dòng)態(tài)財(cái)務(wù)危機(jī)預(yù)警研究[M].北京：北京郵電大學(xué)出版社，2010：38.

[2] 王磊.我國醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].上海交通大學(xué)，2009：54-58.

[3] 楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[D].廈門大學(xué)，2009：39-43.

[4] 王丹丹.基于BP神經(jīng)網(wǎng)絡(luò)中國醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].安徽大學(xué)，2012：47-49.

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

[6] 周玉敏，鄧維斌.SPSS 16.0與統(tǒng)計(jì)數(shù)據(jù)分析[M].成都：西南財(cái)經(jīng)大學(xué)出版社，2009：280-310.

[7] 劉宏洲.財(cái)務(wù)危機(jī)預(yù)警的Z計(jì)分模型實(shí)證研究——來自中國電器業(yè)上市公司的新證據(jù)[J].會(huì)計(jì)之友，2011（10上）：82-87.endprint

（五）改進(jìn)Z模型的預(yù)測(cè)精確度檢測(cè)

為檢驗(yàn)改進(jìn)Z模型的預(yù)測(cè)精確度，本文將ST公司對(duì)應(yīng)的非ST公司t-1年經(jīng)標(biāo)準(zhǔn)化后的財(cái)務(wù)數(shù)據(jù)代入模型（5），計(jì)算出檢測(cè)樣本組公司的Z值，經(jīng)排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測(cè)結(jié)果可以分析出：該模型對(duì)檢測(cè)樣本中ST公司判斷準(zhǔn)確率為1，對(duì)非ST公司的判斷準(zhǔn)確率大于83.33%，檢測(cè)樣本中非ST公司有一家落在0.15～0.30的灰色區(qū)域，對(duì)預(yù)測(cè)的準(zhǔn)確性會(huì)產(chǎn)生影響。

通過對(duì)改進(jìn)Z模型的預(yù)測(cè)精度檢測(cè)，發(fā)現(xiàn)該模型對(duì)ST公司的判斷準(zhǔn)確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區(qū)域，判斷正確性需進(jìn)一步證明；對(duì)非ST公司的判斷準(zhǔn)確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區(qū)域，對(duì)準(zhǔn)確率有所影響。在該模型的基礎(chǔ)上，如何對(duì)灰色區(qū)域的預(yù)測(cè)結(jié)果進(jìn)一步評(píng)價(jià)，即對(duì)處于灰色區(qū)域的公司未來財(cái)務(wù)狀況發(fā)展趨勢(shì)的預(yù)測(cè)需進(jìn)一步研究。

四、研究結(jié)論

本文以醫(yī)藥行業(yè)上市公司為研究對(duì)象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力4個(gè)方面選取了9個(gè)現(xiàn)金流量類指標(biāo)構(gòu)建財(cái)務(wù)指標(biāo)體系，引入主成分分析法改進(jìn)傳統(tǒng)Z計(jì)分模型，利用改進(jìn)后的Z模型對(duì)醫(yī)藥行業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。通過分析研究本文得出以下結(jié)論：1.Z值越小，公司財(cái)務(wù)狀況越差，越有可能陷入財(cái)務(wù)危機(jī)。當(dāng)Z值小于0.15時(shí)，為財(cái)務(wù)狀況威脅區(qū)；當(dāng)Z值在0.15～0.30之間時(shí)，為財(cái)務(wù)狀況灰色區(qū)域；當(dāng)Z值大于0.30時(shí)，為財(cái)務(wù)狀況安全區(qū)。2.該模型對(duì)財(cái)務(wù)危機(jī)公司和非財(cái)務(wù)危機(jī)公司的預(yù)測(cè)準(zhǔn)確率均較高，但是一定程度上受到灰色區(qū)域的影響，模型預(yù)測(cè)的準(zhǔn)確度尚不能完全確定。3.研究發(fā)現(xiàn)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)存在灰色區(qū)域（潛在財(cái)務(wù)危機(jī)），也就是說，處于灰色區(qū)域的公司正處于一個(gè)危機(jī)與安全的邊緣，稍有不慎則會(huì)逐漸惡化。

針對(duì)以上實(shí)證結(jié)果，提出如下建議：醫(yī)藥行業(yè)上市公司可以在參考該模型的基礎(chǔ)上，建立一個(gè)動(dòng)態(tài)的縱向跟蹤預(yù)警模型，利用最新的財(cái)務(wù)數(shù)據(jù)檢視公司的財(cái)務(wù)狀況，時(shí)時(shí)注意公司的經(jīng)營(yíng)情況，根據(jù)自身的財(cái)務(wù)危機(jī)程度及時(shí)采取適當(dāng)?shù)膽?yīng)對(duì)措施改善經(jīng)營(yíng)情況和財(cái)務(wù)狀況；另外，處在灰色區(qū)域的企業(yè)應(yīng)當(dāng)引起重視，若能及時(shí)調(diào)整偏差，有利于改善經(jīng)營(yíng)狀況，使企業(yè)重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會(huì)計(jì)信息失真現(xiàn)象，本文建立的財(cái)務(wù)預(yù)警模型可能會(huì)受到一定影響。另外，醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究實(shí)踐是一個(gè)極其復(fù)雜的系統(tǒng)工程，本文也不能完全徹底有效地解決醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警的實(shí)務(wù)操作問題。但不可否認(rèn)的是，本文的研究方法與研究結(jié)果，對(duì)評(píng)價(jià)醫(yī)藥行業(yè)上市公司的財(cái)務(wù)危機(jī)預(yù)警研究仍然具有明確的借鑒意義與參考價(jià)值，能在一定程度上為醫(yī)藥行業(yè)上市公司開展財(cái)務(wù)危機(jī)預(yù)警實(shí)踐工作提供借鑒?！?/p>

【參考文獻(xiàn)】

[1] 陳磊.公司動(dòng)態(tài)財(cái)務(wù)危機(jī)預(yù)警研究[M].北京：北京郵電大學(xué)出版社，2010：38.

[2] 王磊.我國醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].上海交通大學(xué)，2009：54-58.

[3] 楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[D].廈門大學(xué)，2009：39-43.

[4] 王丹丹.基于BP神經(jīng)網(wǎng)絡(luò)中國醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].安徽大學(xué)，2012：47-49.

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

[6] 周玉敏，鄧維斌.SPSS 16.0與統(tǒng)計(jì)數(shù)據(jù)分析[M].成都：西南財(cái)經(jīng)大學(xué)出版社，2009：280-310.

[7] 劉宏洲.財(cái)務(wù)危機(jī)預(yù)警的Z計(jì)分模型實(shí)證研究——來自中國電器業(yè)上市公司的新證據(jù)[J].會(huì)計(jì)之友，2011（10上）：82-87.endprint

（五）改進(jìn)Z模型的預(yù)測(cè)精確度檢測(cè)

為檢驗(yàn)改進(jìn)Z模型的預(yù)測(cè)精確度，本文將ST公司對(duì)應(yīng)的非ST公司t-1年經(jīng)標(biāo)準(zhǔn)化后的財(cái)務(wù)數(shù)據(jù)代入模型（5），計(jì)算出檢測(cè)樣本組公司的Z值，經(jīng)排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測(cè)結(jié)果可以分析出：該模型對(duì)檢測(cè)樣本中ST公司判斷準(zhǔn)確率為1，對(duì)非ST公司的判斷準(zhǔn)確率大于83.33%，檢測(cè)樣本中非ST公司有一家落在0.15～0.30的灰色區(qū)域，對(duì)預(yù)測(cè)的準(zhǔn)確性會(huì)產(chǎn)生影響。

通過對(duì)改進(jìn)Z模型的預(yù)測(cè)精度檢測(cè)，發(fā)現(xiàn)該模型對(duì)ST公司的判斷準(zhǔn)確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區(qū)域，判斷正確性需進(jìn)一步證明；對(duì)非ST公司的判斷準(zhǔn)確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區(qū)域，對(duì)準(zhǔn)確率有所影響。在該模型的基礎(chǔ)上，如何對(duì)灰色區(qū)域的預(yù)測(cè)結(jié)果進(jìn)一步評(píng)價(jià)，即對(duì)處于灰色區(qū)域的公司未來財(cái)務(wù)狀況發(fā)展趨勢(shì)的預(yù)測(cè)需進(jìn)一步研究。

四、研究結(jié)論

本文以醫(yī)藥行業(yè)上市公司為研究對(duì)象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現(xiàn)能力、現(xiàn)金結(jié)構(gòu)和發(fā)展能力4個(gè)方面選取了9個(gè)現(xiàn)金流量類指標(biāo)構(gòu)建財(cái)務(wù)指標(biāo)體系，引入主成分分析法改進(jìn)傳統(tǒng)Z計(jì)分模型，利用改進(jìn)后的Z模型對(duì)醫(yī)藥行業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究。通過分析研究本文得出以下結(jié)論：1.Z值越小，公司財(cái)務(wù)狀況越差，越有可能陷入財(cái)務(wù)危機(jī)。當(dāng)Z值小于0.15時(shí)，為財(cái)務(wù)狀況威脅區(qū)；當(dāng)Z值在0.15～0.30之間時(shí)，為財(cái)務(wù)狀況灰色區(qū)域；當(dāng)Z值大于0.30時(shí)，為財(cái)務(wù)狀況安全區(qū)。2.該模型對(duì)財(cái)務(wù)危機(jī)公司和非財(cái)務(wù)危機(jī)公司的預(yù)測(cè)準(zhǔn)確率均較高，但是一定程度上受到灰色區(qū)域的影響，模型預(yù)測(cè)的準(zhǔn)確度尚不能完全確定。3.研究發(fā)現(xiàn)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)存在灰色區(qū)域（潛在財(cái)務(wù)危機(jī)），也就是說，處于灰色區(qū)域的公司正處于一個(gè)危機(jī)與安全的邊緣，稍有不慎則會(huì)逐漸惡化。

針對(duì)以上實(shí)證結(jié)果，提出如下建議：醫(yī)藥行業(yè)上市公司可以在參考該模型的基礎(chǔ)上，建立一個(gè)動(dòng)態(tài)的縱向跟蹤預(yù)警模型，利用最新的財(cái)務(wù)數(shù)據(jù)檢視公司的財(cái)務(wù)狀況，時(shí)時(shí)注意公司的經(jīng)營(yíng)情況，根據(jù)自身的財(cái)務(wù)危機(jī)程度及時(shí)采取適當(dāng)?shù)膽?yīng)對(duì)措施改善經(jīng)營(yíng)情況和財(cái)務(wù)狀況；另外，處在灰色區(qū)域的企業(yè)應(yīng)當(dāng)引起重視，若能及時(shí)調(diào)整偏差，有利于改善經(jīng)營(yíng)狀況，使企業(yè)重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會(huì)計(jì)信息失真現(xiàn)象，本文建立的財(cái)務(wù)預(yù)警模型可能會(huì)受到一定影響。另外，醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究實(shí)踐是一個(gè)極其復(fù)雜的系統(tǒng)工程，本文也不能完全徹底有效地解決醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警的實(shí)務(wù)操作問題。但不可否認(rèn)的是，本文的研究方法與研究結(jié)果，對(duì)評(píng)價(jià)醫(yī)藥行業(yè)上市公司的財(cái)務(wù)危機(jī)預(yù)警研究仍然具有明確的借鑒意義與參考價(jià)值，能在一定程度上為醫(yī)藥行業(yè)上市公司開展財(cái)務(wù)危機(jī)預(yù)警實(shí)踐工作提供借鑒?！?/p>

【參考文獻(xiàn)】

[1] 陳磊.公司動(dòng)態(tài)財(cái)務(wù)危機(jī)預(yù)警研究[M].北京：北京郵電大學(xué)出版社，2010：38.

[2] 王磊.我國醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].上海交通大學(xué)，2009：54-58.

[3] 楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究[D].廈門大學(xué)，2009：39-43.

[4] 王丹丹.基于BP神經(jīng)網(wǎng)絡(luò)中國醫(yī)藥行業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究[D].安徽大學(xué)，2012：47-49.

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

[6] 周玉敏，鄧維斌.SPSS 16.0與統(tǒng)計(jì)數(shù)據(jù)分析[M].成都：西南財(cái)經(jīng)大學(xué)出版社，2009：280-310.

[7] 劉宏洲.財(cái)務(wù)危機(jī)預(yù)警的Z計(jì)分模型實(shí)證研究——來自中國電器業(yè)上市公司的新證據(jù)[J].會(huì)計(jì)之友，2011（10上）：82-87.endprint