基于Panel logit模型的上市公司財(cái)務(wù)困境預(yù)警研究*

太原科技大學(xué)經(jīng)濟(jì)與管理學(xué)院 武玉青 李忠衛(wèi) 西北工業(yè)大學(xué)管理學(xué)院 彭 帥

基于Panel logit模型的上市公司財(cái)務(wù)困境預(yù)警研究*

太原科技大學(xué)經(jīng)濟(jì)與管理學(xué)院 武玉青 李忠衛(wèi) 西北工業(yè)大學(xué)管理學(xué)院 彭 帥

本文以制造業(yè)上市公司為研究對(duì)象，在綜合考慮上市公司財(cái)務(wù)信息和非財(cái)務(wù)信息的基礎(chǔ)上，建立Panel logit模型分析了上市公司陷入財(cái)務(wù)困境的影響因素。研究表明：財(cái)務(wù)因子和非財(cái)物因子均對(duì)上市公司是否陷入財(cái)務(wù)困境具有重要影響，償債因子、盈利因子、資本運(yùn)用因子、資本結(jié)構(gòu)因子、股權(quán)集中度因子、評(píng)價(jià)因子均與上市公司陷入財(cái)務(wù)困境負(fù)相關(guān)。

熵權(quán)法 財(cái)務(wù)困境預(yù)警 Panel logit模型

一、引言

上市公司發(fā)生財(cái)務(wù)困境是一個(gè)累積過(guò)程，基于截面數(shù)據(jù)建立的預(yù)警模型并不能很好地反映這一過(guò)程，Panel logit模型在采用截面數(shù)據(jù)的基礎(chǔ)上，將時(shí)間序列數(shù)據(jù)納入其中，彌補(bǔ)了截面數(shù)據(jù)模型不能反映公司財(cái)務(wù)狀況動(dòng)態(tài)累積效應(yīng)的缺點(diǎn)?；诖?，本文擬構(gòu)建上市公司財(cái)務(wù)困境預(yù)警的Panel logit模型，以我國(guó)制造業(yè)上市公司為研究對(duì)象進(jìn)行實(shí)證研究，揭示出影響制造業(yè)上市公司陷入財(cái)務(wù)困境的主要因素。

二、研究設(shè)計(jì)

（一）樣本選取和數(shù)據(jù)來(lái)源 本文使用Panel logit模型對(duì)上市公司財(cái)務(wù)困境預(yù)警進(jìn)行實(shí)證研究，以滬深A(yù)股上市公司作為研究對(duì)象，并沿用傳統(tǒng)研究習(xí)慣，將被ST（特殊處理）的上市公司定義為財(cái)務(wù)困境公司，由于面板數(shù)據(jù)考慮時(shí)間因素對(duì)上市公司的影響，同時(shí)考慮到公司規(guī)模、財(cái)務(wù)指標(biāo)數(shù)據(jù)完整性和行業(yè)因素干擾等問(wèn)題，本文從滬深A(yù)股市場(chǎng)制造業(yè)2011年至2013年間因財(cái)務(wù)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(shí)間段從未被ST過(guò)的制造業(yè)財(cái)務(wù)正常公司60家，并隨機(jī)抽取了2009年到2012年樣本外被ST的相關(guān)企業(yè)30家和非ST企業(yè)60家對(duì)模型進(jìn)行驗(yàn)證的樣本企業(yè)。本文所有數(shù)據(jù)來(lái)自深圳國(guó)泰安信息技術(shù)有限公司的CSMAR交易數(shù)據(jù)庫(kù)和新浪財(cái)經(jīng)網(wǎng)，數(shù)據(jù)分析、參數(shù)估計(jì)和相關(guān)檢驗(yàn)應(yīng)用SPSS20.0和Stata10.0軟件進(jìn)行。

（二）變量定義 本文在借鑒國(guó)內(nèi)外相關(guān)文獻(xiàn)選取指標(biāo)的基礎(chǔ)上，根據(jù)可比性、靈敏性、可測(cè)性、全面性等選取原則，選取涵蓋公司財(cái)務(wù)方面和非財(cái)務(wù)方面的兩類指標(biāo)。在財(cái)務(wù)指標(biāo)變量方面，選取代表公司的營(yíng)運(yùn)能力、償債能力、盈利能力、成長(zhǎng)能力和現(xiàn)金流量等五個(gè)方面28個(gè)財(cái)務(wù)比率（表1）。

表1 財(cái)務(wù)指標(biāo)

孟慶洋（2013）指出目前的研究中普遍存在單純地依靠財(cái)務(wù)指標(biāo)構(gòu)建預(yù)警模型的情況，這種建模方式在全面反映公司整體運(yùn)營(yíng)情況方面缺乏說(shuō)服力。本文在財(cái)務(wù)因素分析基礎(chǔ)上，引入股權(quán)集中度、公司治理結(jié)構(gòu)、審計(jì)意見(jiàn)等非財(cái)務(wù)指標(biāo)，共篩選出10個(gè)非財(cái)務(wù)變量（表2）。

表2 非財(cái)務(wù)指標(biāo)

在傳統(tǒng)研究中，為了避免建模出現(xiàn)偏差，檢驗(yàn)數(shù)據(jù)的分布狀態(tài)是至關(guān)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(tài)的數(shù)據(jù)，因此無(wú)需檢驗(yàn)樣本數(shù)據(jù)的分布狀態(tài)。同時(shí)為了更客觀的選擇預(yù)警指標(biāo)，本文采用熵權(quán)法選擇變量。按照熵權(quán)法進(jìn)行計(jì)算，得出各個(gè)預(yù)警指標(biāo)的熵權(quán)值（表3）。

表3 各評(píng)價(jià)指標(biāo)的熵權(quán)值

數(shù)值Q的取值不能太大也不能太小，取值過(guò)小會(huì)導(dǎo)致選取的預(yù)警指標(biāo)過(guò)少，預(yù)警能力不足；取值過(guò)大會(huì)導(dǎo)致選取的預(yù)警指標(biāo)過(guò)多，缺乏客觀性。本文參考相關(guān)文獻(xiàn)的基礎(chǔ)上，綜合考慮樣本數(shù)據(jù)的實(shí)際情況，最終確定的取值為0.90，即預(yù)警指標(biāo)的累計(jì)熵權(quán)值大于等于0.90。根據(jù)預(yù)警指標(biāo)的篩選，結(jié)果保留21個(gè)財(cái)務(wù)指標(biāo)和8個(gè)非財(cái)務(wù)指標(biāo)。

嚴(yán)把質(zhì)量關(guān)，爭(zhēng)創(chuàng)一流食品企業(yè)；圍繞質(zhì)量安全，全力構(gòu)建質(zhì)量安全體系。汪記始終堅(jiān)定不移地履行著自己的責(zé)任和承諾，誠(chéng)信經(jīng)營(yíng)，尋求發(fā)展，依靠技術(shù)的不斷創(chuàng)新，設(shè)備設(shè)施的更新升級(jí)，大踏步地向先進(jìn)邁進(jìn)。

（三）模型構(gòu)建 通常以二元選擇變量為被解釋變量的統(tǒng)計(jì)模型都選擇Probit模型和Logit模型，相較于Probit模型而言，Logit模型對(duì)隨機(jī)誤差項(xiàng)的分布沒(méi)有要求，應(yīng)用更為方便，因此通常選用Logit模型，由于本文選取的數(shù)據(jù)是面板數(shù)據(jù)，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(cái)務(wù)困境預(yù)警模型。

Panel logit模型分為固定效應(yīng)模型和隨機(jī)效應(yīng)模型，其表達(dá)式為：

其中ξi是個(gè)體效應(yīng)；xit-1為公司i的財(cái)務(wù)指標(biāo)在t-1年度的取值；μit為誤差項(xiàng)；μit與解釋變量xit-1獨(dú)立，y*it是可觀測(cè)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(yè)i在t年度的財(cái)務(wù)正常；反之yit=1表示企業(yè)i在t年度財(cái)務(wù)陷入困境。

本文利用熵權(quán)法對(duì)財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)進(jìn)行篩選。具體步驟為：

第一，建立初始矩陣。假設(shè)研究對(duì)象由n個(gè)樣本組成，反映樣本質(zhì)量的指標(biāo)有m個(gè)，

其中xij表示第i個(gè)公司的第j項(xiàng)指標(biāo)，i=1，2，…n，j=1，2，…，m

第二，預(yù)警指標(biāo)的無(wú)量綱化。不同預(yù)警指標(biāo)的量化單位存在差異，直接運(yùn)算和比較不同的預(yù)警指標(biāo)是存在困難的，因此在對(duì)預(yù)警指標(biāo)進(jìn)行運(yùn)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(duì)數(shù)時(shí)無(wú)意義，在此采用標(biāo)準(zhǔn)化法，將數(shù)據(jù)進(jìn)行平移1個(gè)單位，即rij=R'x+1。

第三，計(jì)算第i個(gè)公司的第j項(xiàng)指標(biāo)權(quán)重Pij，計(jì)算方法如下：

第四，計(jì)算第j項(xiàng)指標(biāo)的熵值ej

熵值大小說(shuō)明預(yù)警指標(biāo)在困境和非困境公司之間表現(xiàn)的差異性高低。

第五，計(jì)算第i項(xiàng)指標(biāo)的差異性系數(shù)?j

?j越大，說(shuō)明指標(biāo)值越重要。

第六，計(jì)算第j項(xiàng)指標(biāo)的權(quán)數(shù)wj，

wj越大，該指標(biāo)的作用越大；反之，wj越小，該指標(biāo)的作用越小。

三、實(shí)證分析

（一）預(yù)警指標(biāo)的因子分析 本文利用熵權(quán)法客觀的提取出能夠提供重要信息的預(yù)警指標(biāo)變量，由于預(yù)警指標(biāo)之間存在信息關(guān)聯(lián)，這會(huì)導(dǎo)致預(yù)警指標(biāo)變量之間可能存在多重共線性，預(yù)警模型的準(zhǔn)確率會(huì)因此受到影響。為了保證模型的穩(wěn)健性，本文應(yīng)用因子分析法分析29個(gè)預(yù)警指標(biāo)變量，通過(guò)提取對(duì)企業(yè)經(jīng)營(yíng)狀況具有重要影響的公共因子，消除多重共線性對(duì)模型估計(jì)的影響。財(cái)務(wù)指標(biāo)的因子分析結(jié)果在表4中，非財(cái)務(wù)指標(biāo)的因子分析結(jié)果在表5中，應(yīng)用SPSS20.0對(duì)樣本數(shù)據(jù)進(jìn)行分析。

表4 財(cái)務(wù)指標(biāo)因子分析結(jié)果

從表4可以看出，KMO測(cè)試系數(shù)為0.7008，表示財(cái)務(wù)指標(biāo)數(shù)據(jù)適合做因子分析，Bartlett球形檢驗(yàn)P值為0.000，表明財(cái)務(wù)指標(biāo)之間存在較強(qiáng)的相關(guān)性。根據(jù)旋轉(zhuǎn)后的因子載荷矩陣提取了7個(gè)財(cái)務(wù)指標(biāo)公因子，這7個(gè)公因子方差貢獻(xiàn)率累計(jì)達(dá)到87.788%，根據(jù)公因子在各個(gè)財(cái)務(wù)指標(biāo)上的載荷不同，對(duì)提取的主成分分別進(jìn)行命名，F(xiàn)1為償債因子，F(xiàn)2為現(xiàn)金流量因子，F(xiàn)3為盈利因子，F(xiàn)4為營(yíng)運(yùn)因子，F(xiàn)5為成長(zhǎng)因子，F(xiàn)6為資本運(yùn)用因子，F(xiàn)7為資本結(jié)構(gòu)因子。

表5 非財(cái)務(wù)指標(biāo)因子分析結(jié)果

從表5結(jié)果可以看出，KMO測(cè)試系數(shù)為0.662，表示非財(cái)務(wù)指標(biāo)數(shù)據(jù)適合做因子分析，Bartlett球形檢驗(yàn)P值為0.000，表明財(cái)務(wù)指標(biāo)之間存在較強(qiáng)的相關(guān)性。根據(jù)旋轉(zhuǎn)后的因子載荷矩陣提取了3個(gè)非財(cái)務(wù)指標(biāo)公因子，這3個(gè)公因子方差累計(jì)貢獻(xiàn)率達(dá)到77.655%，根據(jù)公因子在各個(gè)非財(cái)務(wù)指標(biāo)上的載荷不同，對(duì)提取的主成分分別進(jìn)行命名，F(xiàn)8為股權(quán)集中度因子，F(xiàn)9為公司治理結(jié)構(gòu)因子，F(xiàn)10為評(píng)價(jià)因子。

（二）財(cái)務(wù)困境預(yù)警模型構(gòu)建 Panel logit模型一般通過(guò)豪斯曼（Hausman）檢驗(yàn)來(lái)判斷選用固定效應(yīng)模型還是隨機(jī)效應(yīng)模型。通過(guò)檢驗(yàn)發(fā)現(xiàn)，本文所采用的數(shù)據(jù)拒絕原假設(shè)，即固定效應(yīng)模型不收斂，故采用隨機(jī)效應(yīng)模型。隨后，應(yīng)用軟件Stata10.0進(jìn)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(jié)果見(jiàn)表6，顯著性水平為10%。

表6 Panel logit模型估計(jì)結(jié)果

從分析結(jié)果可以看出估計(jì)模型為：

（三）財(cái)務(wù)指標(biāo)分析 （1）F1（償債因子）的系數(shù)為負(fù)，說(shuō)明償債因子與企業(yè)是否陷入財(cái)務(wù)困境負(fù)相關(guān)，即企業(yè)陷入財(cái)務(wù)困境的概率隨償債能力的增強(qiáng)而減弱。因此把影響企業(yè)償債能力的相關(guān)指標(biāo)（如流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、資產(chǎn)負(fù)債率等）控制在合理范圍之內(nèi)是企業(yè)避免陷入財(cái)務(wù)困境的重要舉措。（2）F3（盈利因子）的系數(shù)為負(fù)，說(shuō)明盈利因子與企業(yè)是否陷入財(cái)務(wù)困境負(fù)相關(guān)，即企業(yè)陷入財(cái)務(wù)困境的概率隨盈利能力的增強(qiáng)而減弱。作為影響企業(yè)生存和發(fā)展的重要指標(biāo)，企業(yè)必須提高盈利能力，將影響企業(yè)盈利能力的相關(guān)指標(biāo)（如成本費(fèi)用利潤(rùn)率、銷售凈利率、資產(chǎn)報(bào)酬率等）控制在合理范圍內(nèi)，確保企業(yè)正常發(fā)展，提升企業(yè)的競(jìng)爭(zhēng)力和防御財(cái)務(wù)困境的能力。（3）F6（資本運(yùn)用因子）的系數(shù)為負(fù)，說(shuō)明資本運(yùn)用因子與企業(yè)是否陷入財(cái)務(wù)困境負(fù)相關(guān)，即企業(yè)陷入財(cái)務(wù)困境的概率隨資本運(yùn)用能力的增強(qiáng)而減弱。資本運(yùn)用因子反應(yīng)了企業(yè)資本運(yùn)用的效率和投資帶來(lái)的收益率，企業(yè)資本運(yùn)用能力越強(qiáng)，抵抗企業(yè)陷入財(cái)務(wù)困境的能力越強(qiáng)。（4）F7（資本結(jié)構(gòu)因子）的系數(shù)為負(fù)，說(shuō)明資本結(jié)構(gòu)因子與企業(yè)是否陷入財(cái)務(wù)困境負(fù)相關(guān)，即企業(yè)陷入財(cái)務(wù)困境的概率隨資本結(jié)構(gòu)合理性增強(qiáng)而減弱。企業(yè)的償債能力和盈利能力在很大程度上受到資本結(jié)構(gòu)因子的影響，因此保持企業(yè)各種資本的價(jià)值構(gòu)成和比例合理分配，是企業(yè)避免陷入財(cái)務(wù)困境關(guān)鍵。（5）F8（股權(quán)集中度因子）的系數(shù)為負(fù)，說(shuō)明股權(quán)集中度因子與企業(yè)是否陷入財(cái)務(wù)困境負(fù)相關(guān)，即企業(yè)陷入財(cái)務(wù)困境的概率隨股權(quán)集中度合理性的增強(qiáng)而減弱。反映一個(gè)企業(yè)內(nèi)部是否穩(wěn)定的一項(xiàng)關(guān)鍵指標(biāo)是股權(quán)集中度，企業(yè)越穩(wěn)定陷入財(cái)務(wù)困境的概率就越低。（6）F10（評(píng)價(jià)因子）的系數(shù)為負(fù)，說(shuō)明評(píng)價(jià)因子與企業(yè)是否陷入財(cái)務(wù)困境負(fù)相關(guān)，即審計(jì)意見(jiàn)標(biāo)識(shí)數(shù)值越大，通過(guò)對(duì)資料作出證據(jù)搜集及分析后，評(píng)估的結(jié)果越好，企業(yè)的財(cái)務(wù)狀況越好，企業(yè)陷入財(cái)務(wù)困境的概率越小。

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

表7 Panel logit模型預(yù)測(cè)結(jié)果

從表7預(yù)測(cè)結(jié)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(yù)測(cè)正確率為91.11%，模型的估計(jì)效果較好。

四、結(jié)論

本文在綜合考慮上市公司財(cái)務(wù)信息和非財(cái)務(wù)信息的基礎(chǔ)上，利用面板數(shù)據(jù)建立Panel logit預(yù)警模型對(duì)制造業(yè)上市公司的財(cái)務(wù)困境進(jìn)行了實(shí)證研究，不僅反映出企業(yè)陷入財(cái)務(wù)困境的可能性與各因子的數(shù)量關(guān)系，而且模型預(yù)測(cè)準(zhǔn)確率較高，對(duì)企業(yè)判斷自身經(jīng)營(yíng)狀況具有指導(dǎo)意義。財(cái)務(wù)因子和非財(cái)務(wù)因子均對(duì)上市公司陷入財(cái)務(wù)困境具有重要影響。償債因子、盈利因子、資本運(yùn)用因子、資本結(jié)構(gòu)因子、股權(quán)集中度因子、評(píng)價(jià)因子均與上市公司陷入財(cái)務(wù)困境負(fù)相關(guān)。償債因子、盈利因子、資本運(yùn)用因子、資本結(jié)構(gòu)因子的提高都會(huì)直接或間接地降低企業(yè)陷入財(cái)務(wù)困境的可能性；股權(quán)集中度、審計(jì)意見(jiàn)越合理，企業(yè)陷入財(cái)務(wù)困境的概率越小。因此，本文認(rèn)為運(yùn)用面板數(shù)據(jù)建立的財(cái)務(wù)困境預(yù)警系統(tǒng)，通過(guò)制造業(yè)上市公司披露的客觀有效的數(shù)據(jù)進(jìn)行分析，對(duì)制造業(yè)上市公司發(fā)展的情況進(jìn)行及時(shí)反映、監(jiān)督和預(yù)警，有效地降低企業(yè)陷入財(cái)務(wù)困境的可能性。

*本文系太原科技大學(xué)博士基金（項(xiàng)目編號(hào)：20102009）和山西省科技廳軟科學(xué)項(xiàng)目（項(xiàng)目編號(hào)：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(cái)務(wù)困境預(yù)測(cè)研究》，《數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究》2007年第9期。

［2］周輝仁、唐萬(wàn)生、任仙玲：《基于遞階遺傳算法和BP網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警》，《系統(tǒng)管理學(xué)報(bào)》2010年第1期。

［3］何玉梅、張濤：《上市公司財(cái)務(wù)危機(jī)預(yù)警模型之有效性選擇——基于單變量模型判別法和Z計(jì)分法的選擇》，《現(xiàn)代財(cái)經(jīng)》2011年第5期。

［4］閔劍、戈功業(yè)：《從利益相關(guān)者行為視角構(gòu)建企業(yè)融資風(fēng)險(xiǎn)預(yù)警仿真模型》，《財(cái)會(huì)月刊》2015年第23期。

［5］鮑新中、楊宜：《基于聚類—粗糙集—神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警》，《系統(tǒng)管理學(xué)報(bào)》2013年第3期。

［6］盧永艷：《基于面板數(shù)據(jù)的上市公司財(cái)務(wù)困境預(yù)測(cè)》，東北財(cái)經(jīng)大學(xué)2012年版。

［7］孟慶洋、錢(qián)桂萍：《企業(yè)財(cái)務(wù)危機(jī)預(yù)警研究之“短板”》，《財(cái)會(huì)月刊》2013年第6期。

［8］武玉青、李忠衛(wèi)、彭帥：《基于面板數(shù)據(jù)的我國(guó)制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警研究》，《科技和產(chǎn)業(yè)》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）