上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究

楊芹英

摘 要：本文運(yùn)用數(shù)據(jù)挖掘的Logistic算法對(duì)上市公司發(fā)生財(cái)務(wù)危機(jī)的可能性進(jìn)行分析預(yù)測(cè)。本文選取了15家09年因財(cái)務(wù)問(wèn)題被特別處理的上市公司為樣本，同時(shí)選取了15家正常的上市公司為配對(duì)樣本。本文基于財(cái)務(wù)分析的基本理論，選取非參數(shù)檢驗(yàn)、主成分分析和Logistic回歸分析等方法，并通過(guò)分析的結(jié)果建立上市公司財(cái)務(wù)危機(jī)預(yù)警模型。

關(guān)鍵詞：財(cái)務(wù)危機(jī)；預(yù)警；Logistic模型

中圖分類號(hào)：F 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)： 2095-7866 （2017） 02-099-006

工業(yè)經(jīng)濟(jì)論壇 URL： http//www.iereview.com.cn DOI： 10.11970/j.issn.2095-7866.2017.02.011

引言

風(fēng)險(xiǎn)預(yù)警和管理是公司和機(jī)構(gòu)最基本的任務(wù)之一，有效的識(shí)別和應(yīng)對(duì)風(fēng)險(xiǎn)也成為公司的成功途徑之一。隨著我國(guó)證券市場(chǎng)快速發(fā)展，市場(chǎng)的競(jìng)爭(zhēng)越來(lái)越激烈，因管理因素或其他因素而陷入財(cái)務(wù)危機(jī)的公司也在不斷增加。由于越來(lái)越多的社會(huì)大眾參與到證券投資，人們對(duì)于上市公司是否會(huì)陷入財(cái)務(wù)危機(jī)也更加的關(guān)心。因此，建立上市公司的財(cái)務(wù)危機(jī)預(yù)警模型對(duì)于公司的管理人員、投資者、債權(quán)人等都有十分重要的意義，可以幫助其做出正確的決策并采取措施加以防范。

財(cái)務(wù)困境的發(fā)生通常要經(jīng)過(guò)潛伏期到爆發(fā)期的很長(zhǎng)一段時(shí)間，在這段時(shí)間內(nèi)會(huì)經(jīng)歷財(cái)務(wù)狀況由正常逐漸發(fā)展為財(cái)務(wù)危機(jī)的過(guò)程。由此可見(jiàn)，公司的財(cái)務(wù)危機(jī)具有先兆性和可預(yù)測(cè)性。采用財(cái)務(wù)危機(jī)預(yù)警模型可以對(duì)企業(yè)財(cái)務(wù)危機(jī)及其發(fā)展趨勢(shì)進(jìn)行有效的識(shí)別、預(yù)測(cè)和控制，能夠使經(jīng)營(yíng)者在風(fēng)險(xiǎn)處在萌芽狀態(tài)的時(shí)候采取有效措施，改善經(jīng)營(yíng)狀況，減少損失，使利益相關(guān)者獲得最大的收益。

一、Logistic算法

在現(xiàn)實(shí)世界中，經(jīng)常要判斷有一些事情是否會(huì)發(fā)生，比如會(huì)議是否會(huì)如期舉行，以及本文研究的財(cái)務(wù)危機(jī)是否發(fā)生，結(jié)果只有“是”和“否”兩種，這種模型要求因變量的取值必須只能是0、1。為研究此類問(wèn)題，便引進(jìn)了Logistic回歸模型。

Logistic模型由學(xué)者Verhulst在1838年第一次提出，并開(kāi)始在人口估計(jì)和預(yù)測(cè)中擴(kuò)大了應(yīng)用范圍。Martin（1977）shouci運(yùn)用多元Logistic模型進(jìn)行銀行破產(chǎn)預(yù)測(cè)，Ohison（1980）選取了9個(gè)財(cái)務(wù)指標(biāo)，再次運(yùn)用該模型來(lái)預(yù)測(cè)企業(yè)的財(cái)務(wù)危機(jī)。之后Charitou和Trigeorgis（2000）又對(duì)該模型進(jìn)行了擴(kuò)展，采用Logistic回歸方法構(gòu)建了財(cái)務(wù)危機(jī)判別模型，對(duì)1983年到1994年之間的139家美國(guó)企業(yè)進(jìn)行了對(duì)比檢驗(yàn)，發(fā)現(xiàn)了在預(yù)測(cè)破產(chǎn)方面顯著的指標(biāo)。

Logistic回歸模型為非線性模型，其反應(yīng)函數(shù)呈現(xiàn)S型或者是倒S型。反應(yīng)函數(shù)的值落在0和1之間，因此，結(jié)果易于作出解釋。

Logistic回歸模型如下：

其中：z=B0+B1X1+B2X2+…+BPXP （P為自變量的數(shù)量）

式中，P為用Logistic邏輯回歸模型計(jì)算出來(lái)的上市公司發(fā)生財(cái)務(wù)危機(jī)的概率。

模型用0.5分界點(diǎn)，在模型中，公司發(fā)生財(cái)務(wù)危機(jī)，用0表示；不發(fā)生財(cái)務(wù)危機(jī)，用1表示。

二、上市公司財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建的思路及步驟

通過(guò)參考國(guó)內(nèi)國(guó)外的研究關(guān)于財(cái)務(wù)危機(jī)的界定，本文將被特別處理的公司（以下簡(jiǎn)稱ST公司）界定為發(fā)生財(cái)務(wù)危機(jī)的公司。我國(guó)證券交易所關(guān)于特別處理的最新規(guī)定如下：上市公司出現(xiàn)財(cái)務(wù)狀況或其他狀況異常，導(dǎo)致其股票存在終止上市風(fēng)險(xiǎn)，或者投資者難以判斷公司前景，其投資權(quán)益可能受到損害的，證交所將對(duì)該公司股票交易實(shí)行特別處理：終止上市風(fēng)險(xiǎn)的特別處理（以下簡(jiǎn)稱“退市風(fēng)險(xiǎn)警示”）和其他特別處理。 退市風(fēng)險(xiǎn)警示的處理措施包括：在公司股票簡(jiǎn)稱前冠以“*ST”字樣，以區(qū)別于其他股票； 股票報(bào)價(jià)的日漲跌幅限制為5%。其他特別處理的處理措施包括：公司股票簡(jiǎn)稱前冠以“ST”字樣；股票報(bào)價(jià)的日漲跌幅限制為5%。

首先，按照一定標(biāo)準(zhǔn)選取ST公司作為樣本公司，正常公司作為對(duì)照公司。其次，通過(guò)非參數(shù)檢驗(yàn)的方法，對(duì)選取的指標(biāo)進(jìn)行差異顯著性檢驗(yàn)。再次，通過(guò)主成分分析對(duì)財(cái)務(wù)指標(biāo)進(jìn)行二次篩選，簡(jiǎn)化為幾個(gè)有代表性且互不相關(guān)的財(cái)務(wù)指標(biāo)。最后，根據(jù)最終選取的財(cái)務(wù)指標(biāo)用Logistic算法進(jìn)行分析，建立財(cái)務(wù)危機(jī)預(yù)警模型。

本文選取了2009年因財(cái)務(wù)問(wèn)題被ST的15家上市公司做為危機(jī)研究樣本，并按1：1的比例確定15家正常公司為配對(duì)樣本。本文的研究數(shù)據(jù)來(lái)源：巨潮資訊網(wǎng)、和訊網(wǎng)。選取的樣本公司及配對(duì)公司如表（1）所示：

上市公司財(cái)務(wù)危機(jī)預(yù)警模型指標(biāo)體系的構(gòu)成，本文從上市公司的償債能力、盈利能力、資產(chǎn)管理能力、經(jīng)營(yíng)發(fā)展能力、股本擴(kuò)張能力這五個(gè)方面選取相關(guān)指標(biāo)。選取指標(biāo)的名稱及編號(hào)如表（2）所示。

三、上市公司財(cái)務(wù)危機(jī)預(yù)警模型的建立

（一）上市公司財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的差異顯著性檢驗(yàn)

根據(jù)我國(guó)關(guān)于財(cái)務(wù)預(yù)警的研究，上市公司的財(cái)務(wù)指標(biāo)不服從正態(tài)分布，應(yīng)該對(duì)財(cái)務(wù)指標(biāo)進(jìn)行非參數(shù)檢驗(yàn)。本文研究使用的工具是SPSS，在SPSS中提供了8種非參數(shù)檢驗(yàn)的方法，由于選取的30家上市公司的財(cái)務(wù)數(shù)據(jù)都是成對(duì)出現(xiàn)，所以本文采用的非參數(shù)檢驗(yàn)的方法為兩配對(duì)樣本的非參數(shù)檢驗(yàn)。

兩配對(duì)樣本的非參數(shù)檢驗(yàn)是指在總體不服從正態(tài)分布的情況下通過(guò)分析兩配對(duì)樣本，對(duì)樣本來(lái)自的兩總體分布是否存在差異性進(jìn)行推斷。其原假設(shè)為：兩配對(duì)樣本來(lái)自兩總體的分布無(wú)顯著性差異。

將需要進(jìn)行檢驗(yàn)的數(shù)據(jù)輸入到SPSS中，選擇兩個(gè)配對(duì)樣本檢驗(yàn)方法，系統(tǒng)會(huì)自動(dòng)輸出檢驗(yàn)統(tǒng)計(jì)量表，在表中會(huì)給出檢驗(yàn)概率p的大小。檢驗(yàn)概率p是用來(lái)判斷是否拒絕原假設(shè)的概率值，在本文中，選擇在10%的水平下進(jìn)行檢驗(yàn)，若p<0.1，則能拒絕原假設(shè)，認(rèn)為兩配對(duì)樣本來(lái)自的總體有顯著性差異；若p>0.1，則不能拒絕原假設(shè)，認(rèn)為兩配對(duì)樣本來(lái)自的總體無(wú)顯著性差異。

對(duì)訓(xùn)練樣本的2008、2007、2006年數(shù)據(jù)進(jìn)行非參數(shù)檢驗(yàn)，通過(guò)三年的比較，最終得出了A1，A2，A3，B6，B8，B9，C11，D13 ，E14 9個(gè)預(yù)測(cè)能力較強(qiáng)的指標(biāo)，作為初始的解釋變量，用于進(jìn)一步的篩選。

從表3可以看出，被ST的公司財(cái)務(wù)比率的均值較不穩(wěn)定，變化幅度一般比正常公司大。發(fā)生財(cái)務(wù)危機(jī)的公司財(cái)務(wù)狀況較不穩(wěn)定，易出現(xiàn)波動(dòng)，且隨著時(shí)間逐漸接近財(cái)務(wù)危機(jī)發(fā)生的年限，財(cái)務(wù)比率變化幅度越大，即將發(fā)生危機(jī)的表現(xiàn)越明顯。

（二）主成分分析

主成分分析由Hotelling于1933年首先提出。主成分分析是利用降維的思想，把多個(gè)指標(biāo)化簡(jiǎn)成為幾個(gè)簡(jiǎn)單的指標(biāo)，將其稱為主成分。主成分分析的思想是直到所提取的信息與原指標(biāo)相差不多時(shí)為止。通過(guò)分析得出的主成分包含了原來(lái)的很多信息，在進(jìn)行進(jìn)一步分析的時(shí)候有很大的優(yōu)越性[5]。

主成分的的數(shù)學(xué)模型為

用矩陣表示為：Y=UX。

式中Y為主成分向量，U為主成分矩陣，X為原始變量向量。

原則上，有m個(gè)變量就有m個(gè)主成分，但是如果將其全部提取出來(lái)，主成分分析也就失去了其意義。事實(shí)上，前面幾個(gè)主成分包含了大部分的分析內(nèi)容，因此，通常情況下，主成分的數(shù)量要小于原始變量的數(shù)量。

通過(guò)成分得分系數(shù)矩陣可以看出：

（1）主成分因子1：貢獻(xiàn)率最大的是速動(dòng)比率，為0.220，因此主成分1為反映償債能力指標(biāo)的因子，用速動(dòng)比率作為其代表變量。

（2）主成分因子2：貢獻(xiàn)率最大的是總資產(chǎn)增長(zhǎng)率，為0.383，因此，主成分2為反映資產(chǎn)管理能力指標(biāo)的因子，用總資產(chǎn)增長(zhǎng)率作為其代表變量。

（3）主成分因子3：貢獻(xiàn)率最大的是存貨周轉(zhuǎn)率，為0.738，因此主成分3為反映經(jīng)營(yíng)發(fā)展能力指標(biāo)的因子，用存貨周轉(zhuǎn)率作為其代表變量。

（4）主成分因子4：貢獻(xiàn)率最大的是扣除非經(jīng)常損失后的的凈利潤(rùn)率，為0.586，因此主成分4為反映盈利能力指標(biāo)的因子，用扣除非經(jīng)常損失后的的凈利潤(rùn)率作為其代表變量。

根據(jù)以上分析結(jié)果，最終得到了速動(dòng)比率A3，總資產(chǎn)增長(zhǎng)率D13，存貨周轉(zhuǎn)率C11，扣除非經(jīng)常損失后的凈利潤(rùn)率B8，四個(gè)指標(biāo)作為變量進(jìn)行預(yù)警模型研究。

（三）構(gòu)建Logistic回歸模型

依據(jù)以上得出的四個(gè)主成分，利用SPSS進(jìn)行Logistic模型的構(gòu)建，將06、07、08年30家公司的財(cái)務(wù)數(shù)據(jù)輸入到SPSS中，進(jìn)行分析，最終得到的Logistic回歸模型為：

其中：

本文的Logistic回歸模型的臨界點(diǎn)為0.5，當(dāng)P≥0.5的時(shí)候，公司發(fā)生財(cái)務(wù)危機(jī)的可能性比較大，將其確定為ST公司；當(dāng)P<0.5的時(shí)候，公司發(fā)生財(cái)務(wù)公司發(fā)生財(cái)務(wù)危機(jī)的可能性比較小，將其確定為正常公司。

四、研究結(jié)論與展望

（一）結(jié)論

（1）通過(guò)以上的分析可以看出我國(guó)上市公司的財(cái)務(wù)信息具有一定的信息量。我國(guó)的上市公司每年都會(huì)披露大量的財(cái)務(wù)數(shù)據(jù)，這些財(cái)務(wù)數(shù)據(jù)在一定程度上具有很強(qiáng)的預(yù)測(cè)能力。通過(guò)數(shù)據(jù)挖掘的方法，可以對(duì)上市公司的現(xiàn)金流量表、資產(chǎn)負(fù)債表、利潤(rùn)表中的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析，從而得到這些數(shù)據(jù)中的一般規(guī)律，并進(jìn)行應(yīng)用。

（2）數(shù)據(jù)挖掘的方法有助于得到上市公司財(cái)務(wù)數(shù)據(jù)的深層規(guī)律。雖然每年我們上市公司都會(huì)公布一個(gè)會(huì)計(jì)年度的財(cái)務(wù)數(shù)據(jù)，但是這些財(cái)務(wù)數(shù)據(jù)只是提供表面的信息，很難得到這些財(cái)務(wù)數(shù)據(jù)的一般規(guī)律。但是通過(guò)數(shù)據(jù)挖掘的方法則可以發(fā)現(xiàn)財(cái)務(wù)數(shù)據(jù)的的隱藏信息，從而加以利用。

（3）償債能力指標(biāo)、盈利能力指標(biāo)、資產(chǎn)管理能力指標(biāo)、經(jīng)營(yíng)發(fā)展能力指標(biāo)對(duì)于建立財(cái)務(wù)危機(jī)預(yù)警模型，可以提供更多的信息量，有助于建立更為準(zhǔn)確的預(yù)警模型。

（4）對(duì)于預(yù)測(cè)結(jié)果而言，06年數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率為80.00%，07年數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率為83.33%，08年數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確率為86.67%?？梢钥闯?，越靠近財(cái)務(wù)危機(jī)發(fā)生的年限，預(yù)測(cè)的準(zhǔn)確程度越高，離財(cái)務(wù)危機(jī)發(fā)生的時(shí)間越遠(yuǎn)，財(cái)務(wù)比率的指示、預(yù)測(cè)能力越不能得到充分的體現(xiàn)。

（5）在Logistic回歸模型建立之后，企業(yè)可以通過(guò)模型隨時(shí)對(duì)財(cái)務(wù)數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，可以及時(shí)了解公司的財(cái)務(wù)狀況，從而及時(shí)發(fā)現(xiàn)財(cái)務(wù)危機(jī)發(fā)生的預(yù)兆。

（二）建議

首先，應(yīng)擴(kuò)大樣本容量。在我國(guó)的各大財(cái)經(jīng)網(wǎng)站，每年可以查詢到的ST公司有限，其中還包含一些非財(cái)務(wù)問(wèn)題被特別處理的公司，這些公司還要從樣本中去除，因此，樣本的數(shù)量比較少，數(shù)據(jù)挖掘的優(yōu)勢(shì)沒(méi)有得到充分的發(fā)揮。通過(guò)擴(kuò)大樣本容量的方式可以使得預(yù)警模型更加有效。

其次，將財(cái)務(wù)數(shù)據(jù)與非財(cái)務(wù)環(huán)境相結(jié)合。本文建立的財(cái)務(wù)危機(jī)預(yù)警模型是建立在15個(gè)財(cái)務(wù)指標(biāo)的基礎(chǔ)之上，雖然，這15個(gè)指標(biāo)涵蓋了財(cái)務(wù)分析的重要方面，但是非財(cái)務(wù)環(huán)境的各種因素也會(huì)對(duì)財(cái)務(wù)危機(jī)造成很大的影響，對(duì)此方面進(jìn)行深入研究將得到更加完善的預(yù)警模型。

最后，應(yīng)擴(kuò)大預(yù)警模型的適用范圍。當(dāng)前，在各大財(cái)經(jīng)網(wǎng)站都能得到上市公司的財(cái)務(wù)數(shù)據(jù)，但是對(duì)于非上市公司的信息很少有渠道可以了解，因此，應(yīng)擴(kuò)大非上市公司的信息披露途徑，使預(yù)警模型可以適用于非上市公司。

參考文獻(xiàn)

魏樂(lè). 基于數(shù)據(jù)挖掘的首批創(chuàng)業(yè)板上市公司財(cái)務(wù)分析[J]. 中國(guó)管理信息化，2010，3（11）： 39～41.

楊淑娥.企業(yè)多層次財(cái)務(wù)危機(jī)預(yù)警研究[M].北京：經(jīng)濟(jì)科學(xué)出版社，2009.13-20.

陳志泊. 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘[M]. 北京：清華大學(xué)出版社， 2009.111～115.

呂曉玲，謝邦昌.數(shù)據(jù)挖掘方法與應(yīng)用[M].北京：中國(guó)人民大學(xué)出版社，2009.6～12.

賴國(guó)毅，陳超.SPSS17.0中文版常用功能與應(yīng)用實(shí)例精講.北京：電子工業(yè)出版社，2010.10-20.