全流通条件下上市公司 全流通条件下上市公司 财务危机预警模型的实证 实证研究 财务危机预警模型的实证研究课题研究人：张宪、郝力平、涂春辉、 课题研究人：张宪、郝力平、涂春辉、 王法力、洪明、 王法力、洪明、刘年财 选送单位：航空证券有限责任公司 选送单位：1内容提要本文选择了在 2006 年 1 月至 2006 年 6
月期间， 2005 年年报公布后， 在 因财务状况异常而首次被 ST 的 53 家上市公司，同时选取同行业（按证监 会行业代码分类） 、同规模的 53 家非 ST 公司作为配对样本。本文从财务指 标的角度出发，在了解我国上市公司财务困难成因的基础上，探讨了各财 务因素之间的关系以及它们对上市公司发生财务困难的预警作用。本文的 创新点在于，采用了最新的公司财务数据，改进了数据处理的方式，在因 子分析的基础上利用二分类 Logistic 回归建立了财务困难的预警模型，该 模型的预测效果优于现有的研究结论。同时，本文还针对全流通之后新的 市场环境，将“股票总市值/负债总额”指标引入模型讨论。本文得到的结 论如下。 （1）从统计描述的角度，ST 公司与非 ST 公司在已获利息倍数、销售 净利率、资产净利率、净资产收益率、应收帐款周转、现金流动负债比等 指标上有明显差异，而在速动比率、流动比率、销售毛利率、营业利润比 重等指标上差距不大，且有交叉现象。 （2） 从单变量分析的角度，已获利息倍数、资产负债率、流动比率、 销售净利率、资产净利率、总资产周转率、存货周转率、销售现金比率、 现金债务总额比、全部资产现金回收率、现金流动负债比等指标，能在α =0.05 的较小显著性水平下与公司的财务困难情况显著相关。 （3）从多元回归的角度，通过因子分析处理原始数据，然后利用二分 类 Logistic 回归建立了财务困难的预警模型 1，对现有数据的判断准确率 为 94.62%。考虑到全流通之后的市场现实，本文认为股票市值对上市公司 的影响不容忽视， “股票总市值/负债总额”这一指标引入预测模型。同样 是通过因子分析处理原始数据，利用二分类 Logistic 回归建立了财务困难 的预警模型 2，对现有数据的判断准确率为 94.57%。 这两个模型的预测效果都超过 90%，准确率基本一致，优于目前的研究 结论。本文认为，由于模型 2 的结果受到了历史数据的局限，股票市值对 于财务预警模型的作用尚未得到体现。未来随着全流通市场的进一步规范 和成熟，市值考核为指标的股权价值激励政策的逐步推广，股票市值对于 财务预警模型的作用继续值得今后进一步深入研究。2目录1、 前言·························· ························· 3 2、 文献综述························ ······················· 3 3、 样本选取和研究方法 ·················· 4 ·················· 3.1 研究样本····················· ·····················4 3.2 研究数据····················· ·····················5 3.3 研究变量····················· ·····················5 3.4 研究方法····················· ·····················6 4、样本变量统计描述···················6 ·················· 5、单变量研究······················7 ····················· 5.1 独立样本的均值比较方法·············· ··············7 5.2 T 检验分析结果·················· ··················8 6、多元回归分析·····················8 ···················· 6.1 样本及数据···················· ····················9 6.2 Logistic 多元回归分析···············9 ·············· 6.2.1 多元回归方法选择················ ················9 6.2.2 用因子分析对数据预处理············· ·············9 6.2.3Logistic 回归建立预警模型 1············ ···········11 6.3 将股票市值因素引入，建立预警模型 2········ ········13 7 结论·························· ·························1831．前言 财务危机给企业和社会带来了严重的影响，适时、准确地对企业财务危 机进行预测分析是市场竞争机制的客观要求。因此，利用相关信息构建有 效的财务危机预警模型，从而获得财务状况恶化的上市公司预警信号，对 于投资者、债权人、经营者以及监管者等诸多方面无疑都具有重要的现实 意义。 财务危机（Financial crisis）又称财务困境（Financial distress） ， 国外多数同类研究采用破产标准（Altman，1968；Ohlson，1971；Platt and platt，1990 and 1994） 。但考虑到中国的实际情况，国内学者大都将特别 处理（ST）的上市公司作为存在财务危机的上市公司（陈静，1999；李华 中，2001） 。本文采用以上学者的思路，将 ST 公司作为研究样本，并将“财 务危机”定义为“因财务状况异常而被特别处理（ST）。 ” 本文在上市公司财务预警模型的构建中，首先以描述统计和单变量分 析对影响企业的财务危机的因素做出初步判断，在此基础上建立多变量判 断模型，通过因子分析处理数据，利用二分类 Logistic 回归建立财务困难 的预警模型，对样本企业做出综合评判。同时，本文针对全流通之后的市 场变化，对于股票市值在财务预警中的作用进行了积极的探讨。 2．文献综述 国外关于财务失败预测研究影响最广泛的是威廉·比弗（Willian Beaver）的单一变量模型和阿尔特曼（Edward I .Altiman）的“Z-Score” 模型。 比弗通过对 1945 年—1964 年间 79 家失败企业和对应的 79 家成功企 业的比较研究表明，下列财务比率对预测财务失败是最有效的：现金流量/ 债务总额，净收益/资产总额（资产收益率） ，债务总额/资产总额（资产负 债率） 。 美国财务专家阿尔特曼（1968）提出的企业失败预测模型是以营运资 金/资产总额、 、留存收益/资产总额、息税前利润/资产总额、普通股及优 先股市价/负债总额、销售总额/资产总额等五项财务比率的加权平均数来 测试财务失败的。该模型主要针对于上市公司，样本包括了 1946 年—1965 年间提出破产申请的 33 家公司和同样数量的非破产公司。通过计算，该模 型产生了一个总的判别分，成为 Z 值。Z 值越低，企业发生财务失败的可能 性就越大。同时确定了 Z 值实际截止点用以判断。阿尔特曼将各种有关的 比率合并成单一的预测指数，克服了单个比率内容有限、无法全面揭示企 业财务状况的缺点。 奥尔逊（Ohlson，1980）提出一种 logit 模型。该模型建立在累积概4率函数的基础上，而不需要满足自变量服从多元正态分布和两组协方差相 等的条件。Logit 模型另一个重要优点是在（0，1）上预测一个公司是否发 生财务危机的几率。 在国内，学者周首华等（1996）对阿尔特曼的“Z -score”模型进行了 一定的拓展，建立了“F 分数模式” 分数模式的临界值是 0.0274，此数 ，F 值上下 0.0775 为所谓的不确定区域，F 分数越小，则公司发生财务危机的 可能性越大。 陈静（1999）根据 1995 年至 1997 年 54 家样本企业财务资料，分别进 行了单变量和多变量分析，得出结论是在宣布前一年预警模型的成功率较 高，离宣布日越远，则成功率越低。 吴世农、卢贤义（2001）对上市公司财务危机预警研究成果表明： （1） 我国上市公司财务困境具有可预测性。 （2）在单变量模型中，净资产报酬 率的判定效果较好。 （3）多变量模型优于单变量判定模型。 （4）比较多变 量模型下的 3 种模型，logit 模型的判定准确性最高。 李炳承（2004）选取了 105 家 ST 公司与 105 家非 ST 公司的配对样本 进行均值和总样本均值差异分析，研究发现，财务征兆主要表现为：留存 收益和营运资本短缺、应收项目和短期借款多、营业利润低等。 陈晓、陈治鸿（2000）以 70 家公司组成分析样本，通过每大类财务指 标中分别选取一个指标来进行检验，认为营运资本与总资产比率、负债权 益比、应收帐款周转率、主营利润与总资产比率、非主营利润与总资产比 率、留存收益与总资产比率这 6 个指标的财务困境预测效果最好。 3．样本选取和研究方法 3.1 研究样本 本文选择了在 2006 年 1 月至 2006 年 6 月期间，在 2005 年年报公布后， 因财务状况异常而首次被 ST 的 53 家上市公司，为了更好地研究样本的特 征，我们同时选取同行业（按证监会行业代码分类） 、同规模的 53 家非 ST 公司作为配对样本。在选取样本时我们注意以下问题： （1）考虑到 ST 公司是由于 2005 年报公布后，连续 2 年亏损而导致被 ST 的。在选择观测年限时，取被 ST 前 1 年的财务年度的财务指标，即选择 2004 年的财务指标，对应的配对样本取同期的财务指标。 （2）为了使样本更具有代表性，对非 ST 公司的选取是在保持同行业、 同规模的原则下选取。 （3）非 ST 的样本选取同行业为第一选择标准，即在资产规模不同的情 况下，保持行业的一致性。5（4）对 ST 样本的选择时，由于本文目的在于研究财务信息对财务预警 的作用，因此剔除了有以下几种情况的公司：被注册会计师出具无法表示 意见或否定意见的审计报告；追溯调整导致最近两年连续亏损；在法定期 限内未依法披露定期报告；在规定期限内未对存在重大会计差错或虚假财 务会计报告进行改正；主营业务所属行业发生变化的，行业归属不符合证 监会行业要求的。 3.2 研究数据 本文中的数据均来自 Wind 资讯金融终端。首先从 Wind 资讯金融终端 找出 2006 年内被 ST 的公司信息，然后再根据同行业、同规模的原则查找 对应的配对样本，提取样本的财务数据。数据是运用 SPSS13.0 进行处理分 析的。 3.3 研究变量 根据我国上市公司的特点， 本文分别从偿债能力、 盈利能力、 运营能力、 现金流量等 4 个方面选择了 19 个财务指标，作为构建财务危机预警模型的 预选指标。 表 1：财务指标汇总表组别 标号 X1 偿债 能力 X2 X3 X4 X5 X6 盈利 能力 X7 X8 X9 X10 X11 营运 能力 X12 X13 X14 X15 现金 流量 X16 X17 X18 X19 指标名称 已获利息倍数 资产负债率 速动比率 流动比率 长期负债与营运资金比率 销售净利率 资产净利率 净资产收益率 销售毛利率 营业利润比重 总资产周转率 存货周转率 应收帐款周转率 流动资产周转率 营运资本周转率 销售现金比率 现金债务总额比 全部资产现金回收率 现金流动负债比 公式 （利润总额+利息费用）/利息费用 负债总额/资产总额 （流动资产-存货）/流动负债 流动资产/流动负债 长期负债/（流动资产-流动负债） 净利润/主营业务收入 净利润/资产总额 净利润/净资产 （主营收入-主营成本）/主营收入 营业利润/利润总额 主营业务收入/平均资产总额 主营业务成本/平均存货 主营业务收入/平均应收帐款 主营业务收入/平均流动资产 （流动资产-流动负债）/资产总额 经营现金流量净额/主营业务收入 经营现金流量净额/负债总额 经营现金流量净额/资产总额 经营现金流量净额/流动负债63.4 研究方法 本文主要对样本进行截面分析和回归分析。 （1）描述性分析。 （2）单变量分析。 通过对 ST 公司的 19 个财务指标与非 ST 公司同期指标的均值差异进行 T 值检验，以证明它们的显著性差异以及对区分财务困难公司的作用。 （3）多变量分析。 根据单变量分析的结果， 选取 ST 公司与非 ST 公司之间具有显著性差异 的财务指标变量进行多元回归分析，先通过因子分析处理数据，然后利用 二分类 Logistic 回归建立财务困难的预警模型并检验。 4．样本变量统计描述 表 2：财务指标基本统计量比较表平均值 自变量 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 X16 X17 X18 X19 ST -5.45 62.98 1.07 0.82 -0.21 -49.24 -11.70 -325.61 15.83 0.76 0.36 3.88 5.29 0.69 2.55 -0.06 -0.04 -2.01 -3.58 非 ST 9.51 41.46 1.71 1.27 0.40 7.49 4.71 7.86 24.15 0.80 0.79 8.50 76.82 1.61 15.16 0.07 0.18 5.75 20.46 ST 7.90 18.07 0.61 0.52 2.09 88.48 12.85 .90 0.36 0.19 3.83 4.96 0.42 11.57 0.40 0.24 11.34 24.97 标准差 非 ST 11.48 13.74 1.14 1.01 3.45 5.83 3.68 5.68 15.48 0.52 0.56 16.17 431.60 1.25 56.59 0.19 0.35 8.84 37.10 ST 2.69 113.47 3.84 3.41 4.86 -2.07 -0.68 -1.32 39.37 1.79 1.06 23.77 24.42 1.93 62.24 0.94 0.45 26.67 56.07 最大值 非 ST 53.41 66.44 6.08 5.61 14.69 24.75 15.58 21.92 91.43 2.01 2.81 107.66 .14 373.55 0.79 1.99 34.05 201.76 ST -38.98 16.27 0.38 0.34 -9.90 -508.57 -61.21 -.35 -0.44 0.07 0.26 0.60 0.14 -27.23 -1.50 -1.34 -44.75 -134.34 最小值 非 ST 1.14 7.84 0.40 0.21 -9.93 0.30 0.10 0.21 3.33 -1.28 0.13 0.51 1.98 0.28 -51.60 -0.67 -0.47 -20.16 -48.74本文首先对样本的财务指标变量进行基本统计量描述分析，将样本分 为 ST 类和非 ST 类，结果见表 2。 从表 2 中我们可以看出， 公司与非 ST 公司有许多指标存在很大差距， ST 例如 X1、X6、X7、X8、X13、X19 等指标。ST 公司的应收帐款周转率平均值7为 5.29，而同期非 ST 公司的应收帐款周转率为 76.82，说明与 ST 公司相 比非 ST 公司的应收帐款变现能力强。 公司的销售净利率平均值为-49.24， ST 而同期非 ST 公司的销售净利率为 7.49， 这表明 ST 公司与非 ST 公司之间平 均盈利能力相差巨大。ST 公司的已获利息倍数平均值为-5.45，而同期非 ST 公司的已获利息倍数为 9.51，说明 ST 公司的财务负担明显高于非 ST 公 司。 同时， 有些财务指标 ST 公司与非 ST 公司差距不大， 而且出现交叉现象， 如 X3、X4 、X9、X10 等指标。 5．单变量研究 通过独立样本的均值比较，分析 ST 公司与非 ST 公司各单项财务指标 的差异规律。 假设：H0：ST 公司与非 ST 公司 19 个财务指标同期均值相等 H1：ST 公司与非 ST 公司 19 个财务指标同期均值不相等 独立样本的均值比较方法 5.1 独立样本的均值比较方法 应用 T 检验，可以检验独立的正态总体下样本均值之间是否具有显著 性差异。进行两个独立正态总体下样本均值的比较时，根据方差齐与不齐 两种情况，应用不同的统计量进行检验。 方差不齐时，统计量为T= X -Y S2 S2 X + Y m n（公式 1）2 2式中， X 和 Y 表示样本 1 和样本 2 的均值； SX 和 SY 为样本 1 和样本 2 的方差，m 和 n 为样本 1 和样本 2 的数据个数。 方差齐时，采用的统计量为T= X?Y 1 1 SW + m n（公式 2）式中， SW 为两个样本的标准差，它是样本 1 的方差和样本 2 的方差的 加权平均值的方根，计算公式如下：SW =( m ? 1) S2 + ( n ? 1) S2 X Ym + n +1（公式 3）当两个总体的均值差异不显著时， 该统计量应服从自由度为 m+n-2 的 t 分布。8T 检验的结果包括 t 值（t） 、自由度（df） 、双尾显著性检验（sig. 2-tailed） 均值差异 、 （Mean Difference） 均值差异的标准误差 、 （Std. Error Difference）和均值差异的 95%置信区间（95% Confidence Interval of the Difference） 。 5.2 T 检验分析结果 给定显著性水平α为 0.05，根据 SPPSS13.0 运行的结果，对各个财务 指标变量的显著性差异的判断情况如下。 表 3：T 检验结果汇总表组别 标号 X1 偿债 能力 X2 X3 X4 X5 X6 盈利 能力 X7 X8 X9 X10 X11 营运 能力 X12 X13 X14 X15 现金 流量 X16 X17 X18 X19 指标名称 已获利息倍数 资产负债率 速动比率 流动比率 长期负债与营运资金比率 销售净利率 资产净利率 净资产收益率 销售毛利率 营业利润比重 总资产周转率 存货周转率 应收帐款周转率 流动资产周转率 营运资本周转率 销售现金比率 现金债务总额比 全部资产现金回收率 现金流动负债比 显著性 √ √ √ √ × √ √ × √ × √ √ × √ × √ √ √ √从上面的实证分析可以看出，指标 X1（已获利息倍数） 、X2（资产负债 率） 、X3（速动比率） 、X4（流动比率） 、X6（销售净利率） 、X7（资产净利 率） 、X9（销售毛利率） 、X11（总资产周转率） 、X12（存货周转率） 、X14（流 动资产周转率） 、X16（销售现金比率） 、X17（现金债务总额比） 、X18（全 部资产现金回收率） 、X19（现金流动负债比）等 14 个指标能在很少的显著 性水平下拒绝原假设，而接受备选假设。这就意味着 ST 公司与非 ST 公司 在 ST 前 1 年的上述 14 个指标具有明显的差异。 6．多元回归分析 多元回归分析 上述 14 个指标的均值差异能明显地区别出 ST 公司与非 ST 公司的财务 特征。但是在实际操作中，我们是需要预测一个企业的财务状况，仅仅区9分财务特征是不够的。为此我们运用多元回归来分析并检验其模型的预测 准确性。 样本及数据 6.1 样本及数据 我们仍然选取上述 53 家 ST 公司和非 ST 公司数据。根据截面分析的结 果，我们将有显著性差异的 14 个财务指标（已获利息倍数、资产负债率、 速动比率、流动比率、销售净利率、资产净利率、销售毛利率、总资产周 转率、存货周转率、流动资产周转率、销售现金比率、现金债务总额比、 全部资产现金回收率、现金流动负债比）作为输入变量。 6.2 6.2 Logistic 多元回归分析 6.2 6.2.1 多元回归方法选择 在多元回归方法的选择上，我们根据数据的特点，首先进行因子分析， 然后采用二分类 Logistic 多元回归法建立模型并加以检验。 具体步骤如下， (1)引入虚拟变量 Y 用以表示是否出现财务危机。Y 取 1 表示 ST 公司， Y 取 0 表示非 ST 公司。 (2)用因子分析对数据预处理。 (3) 用二分类 Logistic 多元回归建立预警模型并检验。 6.2 因子分析对数据预处理 6.2.2 用因子分析对数据预处理 由于各财务指标之间存在着较多的相关关系，信息重复较多，直接用 它们分析现实问题，不但模型复杂，而且还会因为多重共线性问题而引起 极大的误差。因此，我们首先利用因子分析使变量简化降维，用少数因子 代替所有变量去分析整个问题。 表 4：巴特利特球度检验和 KMO 检验KMO and Bartlett's Test KMO and Bartlett's Test Bartlett's Test Approx. Chi-Square df Sig. 0.63
0.00由上表可知，巴特利特球度检验统计量的观测值为 1444.27，相应的概 率 P 值小于显著性水平 0.05，则应拒绝原假设，认为相关系数矩阵与单位 矩阵有显著性差异。同时，KMO 值大于 0.6，原有变量适合因子分析。 表 5：因子解释原有变量总方差的情况Total Variance Explained Initial Eigenvalues Total 1 4.79 34.20 34.2010Rotation Sums of Squared Loadings % of Variance 27.19 Cumulative % 27.19 3.81% of Variance Cumulative % Total2 3 4 5 6 7 8 9 10 11 12 13 143.44 2.16 1.16 0.71 0.51 0.39 0.37 0.19 0.10 0.09 0.05 0.04 0.0124.55 15.45 8.27 5.06 3.65 2.76 2.64 1.35 0.72 0.66 0.35 0.28 0.0658.75 74.20 82.48 87.53 91.18 93.94 96.57 97.93 98.65 99.32 99.66 99.94 100.002.66 2.57 2.5118.98 18.39 17.9246.17 64.56 82.48从表 5 中可以看出，前 4 个因子的特征根大于 1，累计方差贡献率为 82.48%，即前 4 个变量解释了原有变量总方差的 82.48%。在因子旋转后， 累计方差比没有改变，没有影响原有变量的共同度。总体上，原有变量的 信息丢失较少，因子分析效果理想。 表 6：旋转后的因子载荷矩阵Rotated Component Matrix(a) Component F1 X1 X2 X3 X4 X6 X7 X9 X11 X12 X14 X16 X17 X18 X19 0.22 -0.05 -0.09 -0.14 0.04 0.22 0.06 0.19 -0.04 0.17 0.91 0.97 0.97 0.96 F2 0.61 -0.44 0.19 0.10 0.83 0.84 0.74 0.14 -0.04 0.15 0.08 0.09 0.13 0.12 F3 0.29 -0.14 -0.12 -0.05 0.18 0.23 -0.27 0.81 0.84 0.94 -0.01 0.13 0.10 0.15 F4 0.34 -0.71 0.93 0.93 0.17 0.30 0.03 0.11 -0.10 -0.05 -0.10 -0.05 -0.01 -0.02由表 6 可知，现金指标（X16、X17、X18、X19）在第一个因子上有较 高的载荷，第一个因子 F1 可以成为现金指标因子；盈利能力指标（X6、X7、 X9） 在第二个因子上有较高的载荷， 第二个因子 F2 可以称为盈利指标因子； 营运能力指标（X11、X12、X14）在第三个因子上有较高的载荷，第三个因 子 F3 可以称为营运指标因子；偿债能力指标（X3、X4）在第四个因子上有11较高的载荷，第四个因子 F4 可以称为偿债指标因子。 表 7：因子得分系数矩阵Component Score Coefficient Matrix Component F1 X1 X2 X3 X4 X6 X7 X9 X11 X12 X14 X16 X17 X18 X19 0.00 -0.01 0.04 0.02 -0.09 -0.02 -0.05 0.00 -0.07 -0.03 0.26 0.27 0.27 0.27 F2 0.20 -0.04 -0.13 -0.18 0.40 0.34 0.42 -0.05 -0.07 -0.01 -0.04 -0.06 -0.05 -0.05 F3 0.06 -0.03 -0.04 0.00 0.00 0.02 -0.19 0.32 0.37 0.38 -0.07 -0.02 -0.03 -0.01 F4 0.04 -0.26 0.44 0.46 -0.13 -0.05 -0.19 0.06 -0.02 -0.03 0.00 0.03 0.04 0.04根据表 7 的结果，我们可以写出以下因子得分函数： F1=-0.01X2+0.04X3+0.02X4-0.09X6-0.02X7-0.05X9-0.07X12-0.03X14 +0.26X16 +0.27X17+0.27X18+0.27X19 F2=0.20X1-0.04X2-0.13X3-0.18X4+0.40X6+0.34X7+0.42X9-0.05X11-0 .07X12 -0.01X14-0.04X16-0.06X17-0.05X18-0.05X19 F3=0.06X1-0.03X2-0.04X3+0.02X7-0.19X9+0.32X11+0.37X12+0.38X14 -0.07X16 -0.02X17-0.03X18-0.01X19 F4=0.04X1-0.26X2+0.44X3+0.46X4-0.13X6-0.05X7-0.19X9+0.06X11-0 .02X12 -0.03X14+0.03X17+0.04X18+0.04X19 6.2 回归建立预警模型 6.2.3 Logistic 回归建立预警模型 1 将因子分析得到的 4 个因子与因变量 Y 作为引入变量，利用二分类 Logistic 回归建立预警模型并预测。 二元逻辑回归拟合的方程为：Lnm P = a + ∑ bi x i 1? P i =1（公式 4）其中，P 是上市公司发生财务危机的概率；x i 是影响财务危机的第 i 个因素，i=1，2，…，m；12a， bi （i=1，2，…，m）是待估参数。 运行 SSPS13.0，得到的结果如下： 表 8：模型估计及系数检验Variables in the Equation B Step 1(a) F1 F2 F3 F4 Constant -2.40 -11.03 -7.64 -3.52 1.55 S.E. 0.81 3.59 2.64 1.10 0.85 Wald 8.71 9.44 8.37 10.29 3.30 df 1 1 1 1 1 Sig. 0.00 0.00 0.00 0.00 0.07 Exp(B) 0.09 0.00 0.00 0.03 4.70从表 8 的结果可以看出，所有系数均通过了检验，可建立如下 Logistic 回归方程：P= 1+ exp (1.55 ? 2.40 × F1 ? 11.03 × F2 ? 7.64 × F3 ? 3.52 × F4 ) exp (1.55 ? 2.40 × F1 ? 11.03 × F2 ? 7.64 × F3 ? 3.52 × F4 )（模型 1）表 9：模型总体检验Model Summary Step 1 -2 Log likelihood 20.84 Cox & Snell R Square 0.69 Nagelkerke R Square 0.92表 9 输出了模型的似然值（-2 Log）和两个伪决定系数 Cox & Snell R Square 和 Nagelkerke R Square，后两者从不同角度反映了当前模型中自 变量的变异占因变量总变异的比例。我们看到，这两个伪决定系数分别达 到 0.69 和 0.92，说明模型 1 中自变量对因变量的解释程度良好。 以 0.50 为概率最佳分割点进行预测，P 大于 0.50 判断为 ST 公司。 表 10：模型 1 预测结果Classification Table(a) Predicted Y Observed Step 1 Y Overall Percentage 0（非 ST） 1（ST） 0（非 ST） 1（ST） 40 2 3 48 93.02 96 94.62 Percentage Correct从表 10 的预测结果来看， 模型 1 的整体预测效果为 94.62%,其中 ST 公 司的预测准确率为 93.02%，非 ST 公司的预测准确率为 96.00%。这个结果 优于现有的研究结论。136.3 股票市值因素引入 建立预 引入， 6.3 将股票市值因素引入，建立预警模型 2 随着股权分置改革的完成， 长期困扰中国资本市场的股权治理结构缺陷 得到了圆满解决。在这个全新的现实基础上，我们认为将股票市值因素引 入我们的财务预警模型是有意义的。 在股权分置条件下，中国上市公司的股权结构处于割裂状态，非流通股 价值无法通过流通股价加以衡量，非流通股股东倾向于以所控制资产的最 大化而非股权价值的最大化作为目标。国有上市公司出于资产保值增值考 虑，更是普遍选择了净资产值作为国有资产考核体系的一个核心目标。由 于非流通股东不能分享公司股价上涨而带来的巨大利益，因此，他们并不 关心股价变动，导致非流通股东的市值概念虚化，净资产最大化取代了利 润最大化的目标。这样就带来很多弊端，如大股东从本质上对增发股票就 有内在动力和偏好、流通股东和非流通股东利益冲突现象严重等。上市公 司对市值的关注也仅限于吸引投资者、扩大融资的需要，大股东自身经济 利益与股票市值没有直接联系，也缺乏足够的动力进行市值管理。因此， 在股权分置条件下的公司股票总市值概念并不能真正涵盖所有股东的利 益。 随着全流通时代的到来，上述情况已经有了根本性的转变，股票市值的 意义真正凸显。因为市值已经成为折射公司实力、反映公司价值、决定公 司融资效率、影响公司股权支付能力和行业整合能力的重要因素，成为股 东考核上市公司经营业绩的重要政策取向。在后股权分置时代，对上市公 司的价值评价方式势必发生根本性转变，以市值取代净资产是考核上市公 司的必然选择。如，2005 年 9 月，国资委《关于上市公司股权分置改革中 国有股股权管理有关问题的通知》明确提出，要将市值纳入国资控股上市 公司的考核体系，中国银监会在 2006 年上半年公布的《国有商业银行公司 治理及相关监管指引》明确要求，工、农、中、建、交五大国有商业银行 在上市以后，应建立争取市值最大化的经营理念等。总之，全流通使得非 流通股进入证券市场交易流通，上市公司的市值表现与大股东经济利益紧 密相连，企业价值最大化将成为上市公司财务管理的目标。在市场经济中， 企业本质是人力资本与物质资本组成的多边契约关系的总和，契约实质要 求公司治理结构的主体之间应该是平等的关系。股权分置改革解决了各类 股东之间的利益冲突，实现了同股同权，实现了各类股东共同的利益基础， 从而理顺了上市公司治理结构的基础，激活了公司控制权市场，诱发财务 管理目标从控股股东利益最大化转变为企业价值最大化，要求公司管理层 在确保公司持续性价值创造、承担社会责任的前提下，为全体股东实现财 富最大化。14综上所述，在全流通这一新的市场条件下，总市值的概念有了真实的基 础，将股票市值因素引入我们的财务预警模型是有意义的。根据美国财务 专家阿尔特曼（1968）的研究结论作为参考，我们将“股票总市值/负债总 额”指标引入预测模型中。 取 ，X20=股票总市值/负债总额 其中，股票总市值以 2004 年度的股票平均价格计算。 （1）对所有样本公司的 X20 指标进行 T 检验，结果显示该指标在 ST 公司和非 ST 公司之间具有显著性差异。 表 11：T 检验结果Mean F X20 方差齐 方差不齐 Sig. t df Sig. (2-tailed) 0.00 0.00 Difference -2.97 -2.97 Std. Error Difference 0.78 0.79 95% Confidence Interval of the Difference Lower -4.51 -4.54 Upper -1.42 -1.3914.49 0.00-3.81 102.0 -3.75 63.24可以看出，对于指标 X20（股票总市值/负债总额） ，因为方差齐性检验 的显著性概率小于 0.05，说明方差不齐的条件满足，对应地，选取“方差 不齐”行对应的分析结果。由于等均值检验的双尾显著性概率小于 0.05， 所以，拒绝原假设 H 0，即 ST 公司与非 ST 公司的指标 X20（股票总市值/ 负债总额）具有显著性差异。因此，可以将变量 X20 作为多元回归的输入 变量之一。 （2）重复 6.3.2、6.3.3 中二元 Logistic 回归的步骤。 运行 SPSS13.0,因子分析的结果如下。 表 12：巴特利特球度检验和 KMO 检验KMO and Bartlett's Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. Bartlett's Test of Sphericity Approx. Chi-Square df Sig. 0.65 .00 0.00由表 12 可知，巴特利特球度检验统计量的观测值为 1508.99，相应的 概率 P 值小于显著性水平 0.05，则应拒绝原假设，认为相关系数矩阵与单 位矩阵有显著性差异。同时，KMO 值为 0.65，比表 6 的结果有所改进。 表 13：因子解释原有变量总方差的情况Component Initial Eigenvalues Total % of Variance Cumulative % 1 2 3 4.90 3.74 2.20 32.67 24.96 14.69 32.67 57.63 72.32 Rotation Sums of Squared Loadings Total % of Variance Cumulative % 3.81 3.07 2.71 25.42 20.44 18.05 25.42 45.86 63.90154 5 6 7 8 9 10 11 12 13 14 151.30 0.78 0.52 0.42 0.38 0.31 0.17 0.10 0.08 0.05 0.04 0.018.67 5.17 3.48 2.77 2.55 2.08 1.13 0.66 0.53 0.31 0.26 0.0580.99 86.16 89.64 92.41 94.97 97.05 98.18 98.84 99.38 99.69 99.95 100.002.5617.0880.99表 13 中可以看出，前 4 个因子的特征根大于 1，累计方差贡献率为 80.99%，即前 4 个变量解释了原有变量总方差的 80.99%。在因子旋转后， 累计方差比没有改变，没有影响原有变量的共同度。总体上，原有变量的 信息丢失较少，因子分析效果理想。 表 14：旋转后的因子载荷矩阵Rotated Component Matrix(a) Component F11 X1 X2 X3 X4 X6 X7 X9 X11 X12 X14 X16 X17 X18 X19 X20 0.20 -0.04 -0.11 -0.17 0.02 0.20 0.08 0.17 -0.02 0.18 0.91 0.96 0.96 0.96 0.09 F 12 0.31 -0.74 0.91 0.88 0.14 0.27 0.11 0.06 -0.08 -0.03 -0.07 -0.04 0.00 -0.01 0.84 F1 3 0.64 -0.42 0.20 0.13 0.86 0.86 0.69 0.18 -0.06 0.14 0.07 0.10 0.13 0.13 0.09 F1 4 0.28 -0.15 -0.10 -0.04 0.16 0.22 -0.27 0.81 0.85 0.94 -0.01 0.13 0.09 0.15 -0.03由表 14 可知，现金指标（X16、X17、X18、X19）在第 1 个因子上有较 高的载荷，第 1 个因子 F11 可以成为现金指标因子；偿债能力指标（X3、 X4、X20）在第 2 个因子上有较高的载荷，第 2 个因子 F12 可以称为偿债指 标因子；盈利能力指标（X6、X7、X9）在第 3 个因子上有较高的载荷，第 3 个因子 F13 可以称为盈利指标因子；营运能力指标（X11、X12、X14）在第164 个因子上有较高的载荷，第 4 个因子 F14 可以称为营运指标因子。 表 15：因子得分系数矩阵Component F 11 X1 X2 X3 X4 X6 X7 X9 X11 X12 X14 X16 X17 X18 X19 X20 -0.01 0.00 0.01 -0.01 -0.09 -0.03 -0.02 -0.01 -0.06 -0.02 0.26 0.27 0.27 0.26 0.07 F 12 0.00 -0.23 0.33 0.33 -0.13 -0.06 -0.12 0.02 0.01 -0.01 0.01 0.02 0.03 0.02 0.34 F 13 0.22 -0.04 -0.08 -0.11 0.41 0.36 0.36 -0.01 -0.09 -0.03 -0.04 -0.05 -0.04 -0.04 -0.15 F 14 0.06 -0.04 -0.03 0.01 -0.01 0.01 -0.19 0.32 0.37 0.38 -0.07 -0.01 -0.03 -0.01 0.00根据表 15 可以写出以下因子得分函数： F11=-0.01X1+0.01X3-0.01X4-0.09X6-0.03X7-0.02X9-0.01X11-0.06X1 2 -0.02X14+0.26X16+0.27X17+0.27X18+0.26X19+0.07X20 F12=-0.23X2+0.33X3+0.33X4-0.13X6-0.06X7-0.12X9+0.02X11+0.01X1 2 -0.01X14+0.01X16+0.02X17+0.03X18+0.02X19+0.34X20 F13=0.22X1-0.04X2-0.08X3-0.11X4+0.41X6+0.36X7+0.36X9-0.01X110.09X12 -0.03X14-0.04X16-0.05X17-0.04X18-0.04X19-0.15X20 F14=0.06X1-0.04X2-0.03X3+0.01X4-0.01X6+0.01X7-0.19X9+0.32X11+ 0.37X12 +0.38X14-0.07X16-0.01X17-0.03X18-0.014X19 将因子分析得到的 4 个因子与因变量 Y 作为引入变量，利用二分类 Logistic 回归建立预警模型并预测。 表 16：模型总体检验Model Summary Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 1 20.72 0.68 0.91表 16 输出了模型的似然值（-2 Log）和两个伪决定系数 Cox & Snell R17Square 和 Nagelkerke R Square，后两者从不同角度反映了当前模型中自 变量的变异占因变量总变异的比例。我们看到，这两个伪决定系数分别达 到 0.68 和 0.91，说明模型中自变量对因变量的解释程度良好。 表 17：模型估计及系数检验Variables in the Equation B Step 1(a) F11 F12 F13 F14 Constant -2.25 -3.43 -10.94 -7.26 1.58 S.E. 0.76 1.02 3.44 2.52 0.85 Wald 8.80 11.22 10.12 8.28 3.49 df 1 1 1 1 1 Sig. 0.00 0.00 0.00 0.00 0.06 Exp(B) 0.11 0.03 0.00 0.00 4.88表 17 中，所有系数均通过了检验，可建立如下 Logistic 回归方程：P= 1+ exp (1.58 ? 2.25 × F11 ? 3.43 × F12 ? 10.94 × F13 ? 7.26 × F14 ) exp (1.58 ? 2.25 × F11 ? 3.43 × F12 ? 10.94 × F13 ? 7.26 × F14 )（模型 2）以 0.50 为概率最佳分割点进行预测，P 大于 0.50 判断为 ST 公司。 表 18：模型 2 预测结果Classification Table(a) Predicted Y Observed Step 1 Y Overall Percentage 0 1 0 39 2 1 3 48 92.86 96 94.57 Percentage Correct从表 18 的预测结果来看，模型 2 的整体预测效果为 94.57%,其中 ST 公 司的预测准确率为 92.86%，非 ST 公司的预测准确率为 96.00%。这个结果 与模型 1 的结果基本一致，同样优于现有的研究结论。 我们比较模型 1 和模型 2 的预测结果可以看出，两个模型的预测效果 都超过 90%，准确率基本一致。但是，我们的研究结果也表明，模型 2 引入 了新变量 X20（股票总市值/负债总额）后并没有进一步提升预测的效果。 我们认为，这个结果受到了历史数据的局限，因为股权分置改革在 2006 年 刚刚完成，全流通之后的股票市值的真正意义在历史数据中还难以体现。 未来随着全流通市场的进一步规范和成熟，以市值考核为指标的股权价值 激励政策的逐步推广，股票总市值对于财务预警模型的作用继续值得我们 进一步深入研究。因此，目前我们尚不能断定“股票总市值/负债总额”这 一指标对于财务预警没有优化作用。187、结论 本文选择了在 2006 年 1 月至 2006 年 6 月期间， 2005 年年报公布后， 在 因财务状况异常而首次被 ST 的 53 家上市公司，同时选取同行业（按证监 会行业代码分类） 、同规模的 53 家非 ST 公司作为配对样本。本文从财务指 标的角度出发，在了解我国上市公司财务困难成因的基础上，探讨了各财 务因素之间的关系，以及它们对上市公司发生财务困难的预警作用。本文 的创新点在于，采用了最新的公司财务数据，改进了数据处理的方式，在 因子分析的基础上利用二分类 Logistic 回归建立了财务困难的预警模型， 该模型的预测效果优于现有的研究结论。同时，本文还针对全流通之后新 的市场环境，将“股票总市值/负债总额”指标引入模型讨论。本文得到的 结论如下。 （1）从统计描述的角度，ST 公司与非 ST 公司在已获利息倍数、销售 净利率、资产净利率、净资产收益率、应收帐款周转、现金流动负债比等 指标上有明显差异，而在速动比率、流动比率、销售毛利率、营业利润比 重等指标上差距不大，且有交叉现象。 （2）从单变量分析的角度，已获利息倍数、资产负债率、速动比率、 流动比率、销售净利率、资产净利率、销售毛利率、总资产周转率、存货 周转率、流动资产周转率、销售现金比率、现金债务总额比、全部资产现 金回收率、现金流动负债比等指标，能在α=0.05 的较小显著性水平下与公 司的财务困难情况显著相关。 （3）从多元回归的角度，通过因子分析处理原始数据，然后利用二分 类 Logistic 回归建立了财务困难的预警模型：P= 1+ exp (1.55 ? 2.40 × F1 ? 11.03 × F2 ? 7.64 × F3 ? 3.52 × F4 ) exp (1.55 ? 2.40 × F1 ? 11.03 × F2 ? 7.64 × F3 ? 3.52 × F4 )（模型 1）其中， F1=-0.01X2+0.04X3+0.02X4-0.09X6-0.02X7-0.05X9-0.07X12-0.03X14 +0.26X16 +0.27X17+0.27X18+0.27X19 F2=0.20X1-0.04X2-0.13X3-0.18X4+0.40X6+0.34X7+0.42X9-0.05X11-0 .07X12 -0.01X14-0.04X16-0.06X17-0.05X18-0.05X19 F3=0.06X1-0.03X2-0.04X3+0.02X7-0.19X9+0.32X11+0.37X12+0.38X14 -0.07X16 -0.02X17-0.03X18-0.01X19 F4=0.04X1-0.26X2+0.44X3+0.46X4-0.13X6-0.05X7-0.19X9+0.06X11-0 .02X12 -0.03X14+0.03X17+0.04X18+0.04X19。 考虑到全流通之后的市场现实，我们认为股票市值对上市公司的影响19不容忽视， “股票总市值/负债总额”这一指标引入预测模型。同样是通过 因子分析处理原始数据，然后利用二分类 Logistic 回归建立了财务困难的 预警模型：P= 1+ exp (1.58 ? 2.25 × F11 ? 3.43 × F12 ? 10.94 × F13 ? 7.26 × F14 ) exp (1.58 ? 2.25 × F11 ? 3.43 × F12 ? 10.94 × F13 ? 7.26 × F14 )（模型 2）其中， F11=-0.01X1+0.01X3-0.01X4-0.09X6-0.03X7-0.02X9-0.01X11-0.06X1 2 -0.02X14+0.26X16+0.27X17+0.27X18+0.26X19+0.07X20 F12=-0.23X2+0.33X3+0.33X4-0.13X6-0.06X7-0.12X9+0.02X11+0.01X1 2 -0.01X14+0.01X16+0.02X17+0.03X18+0.02X19+0.34X20 F13=0.22X1-0.04X2-0.08X3-0.11X4+0.41X6+0.36X7+0.36X9-0.01X110.09X12 -0.03X14-0.04X16-0.05X17-0.04X18-0.04X19-0.15X20 F14=0.06X1-0.04X2-0.03X3+0.01X4-0.01X6+0.01X7-0.19X9+0.32X11+ 0.37X12 +0.38X14-0.07X16-0.01X17-0.03X18-0.014X19 对现有数据而言，模型 1 的预测准确率为 94.62%，模型 2 的预测准确 率为 94.57%，这两个模型的预测效果基本一致，均优于现有的研究结论。 我们认为，由于模型 2 的结果受到了历史数据的局限，股票市值对于财务 预警模型的作用尚未得到体现。未来随着全流通市场的进一步规范和成熟， 市值考核为指标的股权价值激励政策的逐步推广，股票市值对于财务预警 模型的作用继续值得我们进一步深入研究。 本文的意义在于，基于最新的发生财务困难的上市公司数据，通过了 由定性到定量的逐步分析过程，利用多元回归建立了财务危机的预警模型。 在模型的构建中，改进和优化了数据处理方法，检验结果优于现有的研究 结论。同时，本文还针对全流通之后的市场变化，对于股票市值在财务预 警中的作用进行了积极的探讨。通过本文建立的财务预警模型，可以帮助 判断上市公司发生财务困难的程度和可能性，有助于判断股票的相对投资 风险，在证券投资分析实践中有较高的借鉴意义。20参考文献1.W.H.Beaver Financial Ratios as Predictors of Failure[J].Journal of Accounting Reserch.1966,(supplement). 2.Classifying Bankrupt Firms with Flow Components [J].Journal of Accounting Research,1985. 3.Ohlson,J,A.Financial Ratios and the Probabilistic Prediction of Bankruptcy [J].Journal of Account Research,18(Spring 1980). 4.斯蒂芬 A.罗斯,公司理财，北京，机械工业出版社，2006. 5.陈静，上市公司财务恶化预测的实证分析[J].会计研究，-38. 6.陈晓，陈治鸿.企业财务困境研究的理论、方法及应用[J].投资研究，2000，6： 29-33. 7.吴世农， 卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究， 2001， 6： 46-55 8.张文彤，SPSS 统计分析高级教程，北京，高等教育出版社. 9.张玲，上市公司财务预警分析判别模型[J].数量经济研究，2000（3）. 10.周首华，等，现代财务理论前沿专题[M].大连，东北财经大学出版社，2000. 11.李华中，上市公司经营失败的预警系统研究[J].财经研究，2001， （10）. 12.王玉荣，商务预测方法，北京，对外经济贸易大学出版社，2003.21
上市公司财务预警模型的实证研究——提供以文本文档的格式的各类文档免费下载和在线浏览。}