A股上市公司財(cái)務(wù)危機(jī)預(yù)警研究

盧笛

摘要：文章在A股深、滬市制造業(yè)公司中，選取2016～2018年首次被ST的公司作為處于財(cái)務(wù)危機(jī)的研究對象，按照1∶3配比選取108家財(cái)務(wù)正常的公司。通過對其t-1、t-2年的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)的篩選和降維處理，通過面板數(shù)據(jù)建立了混合logit預(yù)測模型。并通過逐步回歸去除不顯著指標(biāo)，建立的模型具有較高的預(yù)測準(zhǔn)確度，能很好地解釋相關(guān)指標(biāo)與財(cái)務(wù)危機(jī)出現(xiàn)的關(guān)系，可以為上市公司的相關(guān)債權(quán)人、投資人提供一定的參考價值。

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

一、引言

2019年，全球整體經(jīng)濟(jì)和貿(mào)易增長大幅放緩，主要發(fā)達(dá)經(jīng)濟(jì)體的增長連續(xù)下降。由于美國新一任領(lǐng)導(dǎo)政府的單邊和貿(mào)易保護(hù)主義政策導(dǎo)致世界經(jīng)濟(jì)增長下降。2018年開始，各國特別是發(fā)達(dá)經(jīng)濟(jì)體已經(jīng)陷入的衰退，危機(jī)也向發(fā)展中國家蔓延。全球經(jīng)濟(jì)進(jìn)入調(diào)整期且增長不確定性因素加劇，國際金融市場上風(fēng)險加劇，投資者信心缺失，負(fù)債率居高不下，出口下降，工廠大規(guī)模關(guān)閉，失業(yè)率增高。僅2019年全球就有10余個國家和地方出現(xiàn)了暴動，給國家和社會都帶來了危機(jī)和風(fēng)險，嚴(yán)重影響全球經(jīng)濟(jì)。因此國內(nèi)上市公司的財(cái)務(wù)安全就變得異常重要，一旦陷入財(cái)務(wù)危機(jī)，將對債權(quán)人、投資者帶來不利影響，更有甚者企業(yè)的倒閉重組會產(chǎn)生大量的失業(yè)者，引發(fā)失業(yè)潮，給國家?guī)韲?yán)重后果。

二、文獻(xiàn)綜述

（一）財(cái)務(wù)危機(jī)

首次提出財(cái)務(wù)危機(jī)概念的是Fitzpatrick（1932），他將“破產(chǎn)”定義為財(cái)務(wù)危機(jī)，同時建立單一變量的模型，通過比較發(fā)現(xiàn)財(cái)務(wù)指標(biāo)中的兩個比率在財(cái)務(wù)危機(jī)和良好公司之間有顯著不同。而后Beaver（1966）認(rèn)為不能將企業(yè)經(jīng)營失敗認(rèn)定為是財(cái)務(wù)危機(jī)，還應(yīng)包括：“無法償還債務(wù)”、“銀行賬透支戶”、“無力支付優(yōu)先股股利”以及“宣告破產(chǎn)”，從30個財(cái)務(wù)指標(biāo)中選取6個財(cái)務(wù)指標(biāo)建立單一變量危機(jī)預(yù)測模型。Altman（1968）認(rèn)為企業(yè)依法破產(chǎn)是“財(cái)務(wù)危機(jī)”，并提出多變量模型來預(yù)測財(cái)務(wù)危機(jī)。國外學(xué)者基本都以這兩個方面作為財(cái)務(wù)危機(jī)的定義即：依法破產(chǎn);財(cái)務(wù)失敗。

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

（二）研究方法

關(guān)于財(cái)務(wù)危機(jī)預(yù)警的研究手段大概分為兩類：傳統(tǒng)統(tǒng)計(jì)學(xué)模型和人工智能模型。傳統(tǒng)統(tǒng)計(jì)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(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、遺傳算法、模糊集理論等。相對統(tǒng)計(jì)模型人工智能模型預(yù)測有較高的準(zhǔn)確度，但是可解釋性較差;統(tǒng)計(jì)模型通?？山忉屳^強(qiáng)，而多元回歸模型中的Logistic模型應(yīng)用范圍、可解釋性、預(yù)測準(zhǔn)確性都較好，本文采用了Logistic模型。

三、研究設(shè)計(jì)

（一）樣本選澤和數(shù)據(jù)來源

陷入財(cái)務(wù)危機(jī)公司的選取參照國內(nèi)等學(xué)者的研究習(xí)慣，把被ST的公司作為已發(fā)生財(cái)務(wù)危機(jī)的公司。同時考慮到不同行業(yè)的數(shù)據(jù)可能帶來的影響，把選取數(shù)據(jù)的上市公司都定為同一行業(yè)，又因?yàn)橹圃鞓I(yè)的行業(yè)規(guī)模總體比較大，可以選擇的數(shù)據(jù)樣本也較多，所以選擇制造業(yè)作為行業(yè)數(shù)據(jù)的來源。選取A股2016～2018年首次被ST的制造業(yè)上市企業(yè)，并去掉已經(jīng)被摘牌或因發(fā)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(shí)際上市公司中，被ST出現(xiàn)的比例較小，目前大多數(shù)國內(nèi)學(xué)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(shí)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(shù)據(jù)都添加建立面板數(shù)據(jù)模型，用來增加樣本的數(shù)量。

所有數(shù)據(jù)都來自于銳思金融研究數(shù)據(jù)庫，用SPSS22.0和StataSE15.0軟件進(jìn)行了相關(guān)檢驗(yàn)及參數(shù)估計(jì)。

（二）研究變量

1. 數(shù)據(jù)初選

本文從公司的財(cái)務(wù)指標(biāo)中涉及盈利能力、償債能力、營運(yùn)能力、成長能力、現(xiàn)金流量、資產(chǎn)結(jié)構(gòu)六個方面中選取20個財(cái)務(wù)指標(biāo)，從選取股權(quán)結(jié)構(gòu)、公司治理、審計(jì)意見（將1標(biāo)準(zhǔn)的無保留意見仍設(shè)為1，其他審計(jì)意見設(shè)為0）選取4個非財(cái)務(wù)指標(biāo)，作為初選研究變量。

2. 數(shù)據(jù)篩選

為了確認(rèn)所選指標(biāo)在處于財(cái)務(wù)危機(jī)公司和非財(cái)務(wù)危機(jī)公司中有顯著不同，采用SPSS22.0軟件檢驗(yàn)。通常使用非參數(shù)檢驗(yàn)的方法有兩種：T檢驗(yàn)、U檢驗(yàn)。T檢驗(yàn)要求變量符合正態(tài)分布并在檢驗(yàn)符合正態(tài)分布的數(shù)據(jù)顯著性時有較高的準(zhǔn)確度;U檢驗(yàn)可以檢驗(yàn)兩個獨(dú)立樣本均值是否存在差異，且適用于變量分布未知的數(shù)據(jù)樣本。所選指標(biāo)如審計(jì)意見等明顯不適用于T檢驗(yàn)，因而選擇U檢驗(yàn)，原假設(shè)為兩組變量的平均數(shù)時相同的，而備擇假設(shè)是兩組變量平均數(shù)不同，用SPSS22.0檢驗(yàn)結(jié)果見表1。

結(jié)果顯示，在95%的置信水平下，只有Z指數(shù)保留原假設(shè)，剩余23個指標(biāo)都拒絕原假設(shè)，這些指標(biāo)在財(cái)務(wù)困境公司與非財(cái)務(wù)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(cái)務(wù)指標(biāo)很可能會存在相關(guān)性，進(jìn)而會產(chǎn)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(jìn)行降維處理。首先進(jìn)行KMO和Bartlett檢驗(yàn)，在相關(guān)性矩陣中發(fā)現(xiàn)股東權(quán)益比率、流動資產(chǎn)比率和其他指數(shù)極度相關(guān)，導(dǎo)致非正定矩陣出現(xiàn)，因此將兩個指標(biāo)刪掉后進(jìn)行KMO與Bartlett檢驗(yàn)，檢驗(yàn)結(jié)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(yuǎn)小于0.05，因此可以對剩余18個財(cái)務(wù)指標(biāo)進(jìn)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(xiàn)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(cái)務(wù)指標(biāo)。同時觀察得到的7個主成分的因子分析矩陣，根據(jù)分析矩陣得出7個主成分可以代表公司財(cái)務(wù)方面不同的能力：盈利能力F1，償債能力F2，現(xiàn)金流量能力F3，成長能力F4、F7，營運(yùn)能力F5、F6。

四、實(shí)證分析

（一）模型建立

因本文中選取財(cái)務(wù)數(shù)據(jù)時間維度為2014～2017年，其每個年度樣本數(shù)量不一致，屬于非平衡面板數(shù)據(jù)。面板數(shù)據(jù)模型一般分為三類，混合模型、固定效應(yīng)模型、隨機(jī)效應(yīng)模型。面板數(shù)據(jù)模型的表達(dá)式為：

將因變量定義為公司是否陷入財(cái)務(wù)困境，若公司陷入財(cái)務(wù)危機(jī)，則=1;若公司未發(fā)生財(cái)務(wù)危機(jī)，則=0，即

（二）模型估計(jì)

在做面板數(shù)據(jù)的回歸估計(jì)之前，通常先會做單位根檢驗(yàn)，本文只選取2016～2018年t-1、t-2數(shù)據(jù)來擴(kuò)大樣本數(shù)量，時間維度T非常小。一般來說T<20，則可以不進(jìn)行單位根檢驗(yàn)，因?yàn)閱挝桓鶛z驗(yàn)是大樣本檢驗(yàn);當(dāng)T<

將經(jīng)過主成分分析的7個財(cái)務(wù)因子和3個非財(cái)務(wù)指標(biāo)（K1：獨(dú)立董事比列、K2：審計(jì)意見、K：股權(quán)集中度）作為自變量，將公司狀態(tài)以是否處于財(cái)務(wù)危機(jī)，分為1、0（1表示處于財(cái)務(wù)危機(jī)的公司、0表示財(cái)務(wù)正常公司），用StataSE15.0對數(shù)據(jù)進(jìn)行混合logit模型參數(shù)估計(jì)，結(jié)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(shù)為0.7261，修正后可決系數(shù)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(yùn)（F5、F6）因子及審計(jì)意見都與公司是否陷入財(cái)務(wù)危機(jī)密切相關(guān)，且與公司財(cái)務(wù)危機(jī)負(fù)相關(guān)，說明其能力越強(qiáng)公司越不容易出現(xiàn)財(cái)務(wù)危機(jī)。F7（成長）、現(xiàn)金流量（F3）、股權(quán)集中度等參數(shù)不顯著，用逐步回歸法重新建立模型，發(fā)現(xiàn)P值無變化，可決系數(shù)從0.7241變?yōu)?.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(yīng)予去除。去除后建立模型如下：

（三）模型檢驗(yàn)

為了保證模型的有效性，本文將所有數(shù)據(jù)都用于建模之中，同時由于選取的樣本數(shù)量較少，尤其是被ST的公司數(shù)量，因而可以用回判法來驗(yàn)證模型的有效性。把原數(shù)據(jù)帶入財(cái)務(wù)危機(jī)預(yù)警模型中進(jìn)行回測，一般進(jìn)行回測時一般將0.5作為概率閾值，即當(dāng)P≥0.5時，則認(rèn)為公司處于財(cái)務(wù)危機(jī)，反之亦然。用StataSE15.0中”predict yhat”命令對剛建好的模型進(jìn)行回判，回判結(jié)果顯示預(yù)測效果良好，具體結(jié)果如表5所示。

五、結(jié)語

本文選取上市公司的財(cái)務(wù)和非財(cái)務(wù)指標(biāo)，對其進(jìn)行篩選降維處理后，基于t-1、t-2年的面板數(shù)據(jù)建立了混合logit預(yù)警模型，發(fā)現(xiàn)盈利（F1）、償債（F2）、成長（F4）、營運(yùn)（F5、F6）因子及審計(jì)意見都與公司是否陷入財(cái)務(wù)危機(jī)密切相關(guān)，這些指標(biāo)越強(qiáng)公司越不會出現(xiàn)財(cái)務(wù)危機(jī)。經(jīng)過實(shí)證發(fā)現(xiàn)建立的預(yù)警模型具有較高的準(zhǔn)確度，能為上市公司的相關(guān)債權(quán)人、投資人提供一定的參考價值。

參考文獻(xiàn)：

[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(cái)務(wù)困境預(yù)測研究[J].商，2016（04）：166.

[3]石曉軍.Logistic違約率模型最優(yōu)樣本配比與分界點(diǎn)的模擬分析[J].數(shù)理統(tǒng)計(jì)與管理，2006（06）：675-682.

[4]盧永艷.宏觀經(jīng)濟(jì)因素對企業(yè)財(cái)務(wù)困境風(fēng)險影響的實(shí)證分析[J].宏觀經(jīng)濟(jì)研究，2013（05）：53-58.

[5]陳強(qiáng).高級計(jì)量經(jīng)濟(jì)學(xué)及Stata應(yīng)用（第二版）[M].北京：高等教育出版社，2014.

（作者單位：東北財(cái)經(jīng)大學(xué)）