李 恩，劉立新

（對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué) 金融學(xué)院，北京 100029）

一、引 言

所謂企業(yè)財(cái)務(wù)預(yù)警，是指企業(yè)財(cái)務(wù)危機(jī)的預(yù)測(cè)與警報(bào)。自上世紀(jì)末我國(guó)住房市場(chǎng)化改革后，國(guó)內(nèi)房地產(chǎn)企業(yè)開始蓬勃發(fā)展，房地產(chǎn)企業(yè)經(jīng)營(yíng)資金需求量大，對(duì)商業(yè)銀行的信貸資金依賴嚴(yán)重，易受宏觀經(jīng)濟(jì)政策的影響，房產(chǎn)價(jià)格變化莫測(cè)，這些特點(diǎn)使房地產(chǎn)企業(yè)面臨很大的財(cái)務(wù)風(fēng)險(xiǎn)。因此，對(duì)房地產(chǎn)企業(yè)進(jìn)行財(cái)務(wù)預(yù)警研究不僅對(duì)于房地產(chǎn)企業(yè)的穩(wěn)健發(fā)展具有重要的現(xiàn)實(shí)意義，而且也是政府、商業(yè)銀行、投資者關(guān)注的熱點(diǎn)問題。本文以我國(guó)房地產(chǎn)上市公司為研究對(duì)象，通過建立并選擇合適的財(cái)務(wù)預(yù)警模型來研究我國(guó)房地產(chǎn)企業(yè)的信用風(fēng)險(xiǎn)管理問題。

至今，關(guān)于企業(yè)財(cái)務(wù)預(yù)警的研究已近半個(gè)世紀(jì)，研究文獻(xiàn)比較豐富，主要以構(gòu)造不同財(cái)務(wù)預(yù)警模型為主。其中，Beaver（1966）做出了開創(chuàng)性的貢獻(xiàn)，建立了一元判定模型，發(fā)現(xiàn)現(xiàn)金流量與負(fù)債總額的比率能較好地判定公司的財(cái)務(wù)狀況［1］。Altman （1968） 研究出“Z-Score”多元判定模型［2］，其改進(jìn)版ZETA?被商業(yè)化并獲得成功。Ohlson（1980）首次將Logistic回歸模型應(yīng)用到企業(yè)的財(cái)務(wù)預(yù)警當(dāng)中［3］。之后有更多方法被應(yīng)用于企業(yè)財(cái)務(wù)預(yù)警分析研究，包括一些非參數(shù)統(tǒng)計(jì)方法（如K階近鄰法、聚類分析、決策樹法、支持向量機(jī)等）、數(shù)學(xué)規(guī)劃法與專家系統(tǒng)方法等。近些年來，人工智能模型也被引入企業(yè)的財(cái)務(wù)預(yù)警研究，如Odom（1990）最先將神經(jīng)網(wǎng)絡(luò)引入信用風(fēng)險(xiǎn)評(píng)價(jià)，Barniv（1990）對(duì)神經(jīng)網(wǎng)絡(luò)模型和Logistic模型進(jìn)行了比較，發(fā)現(xiàn)這兩種模型在預(yù)測(cè)公司財(cái)務(wù)危機(jī)的準(zhǔn)確率上并沒有什么不同［4］，Varetto(1998)首次將遺傳算法引入了財(cái)務(wù)預(yù)警分析。

國(guó)內(nèi)對(duì)財(cái)務(wù)預(yù)警的研究始于上世紀(jì)末，陳靜（1999）利用國(guó)內(nèi)上市公司的數(shù)據(jù)，用判別分析法研究了企業(yè)財(cái)務(wù)預(yù)警問題［5］，吳世農(nóng)、盧賢義（2001）建立了企業(yè)財(cái)務(wù)預(yù)警的一元判定模型、多元判定模型及Logistic回歸模型并進(jìn)行了比較，認(rèn)為就單個(gè)財(cái)務(wù)指標(biāo)而言，凈資產(chǎn)報(bào)酬率的判別成功率最高，相對(duì)同一信息集而言,Logistic預(yù)測(cè)模型的誤判率最低,財(cái)務(wù)困境發(fā)生前1年的誤判率僅為6.47%［6］。其后許多研究者都在這一領(lǐng)域進(jìn)行了研究。

目前，針對(duì)我國(guó)房地產(chǎn)企業(yè)進(jìn)行財(cái)務(wù)預(yù)警的研究不多，主要有廖劍（2008）選取了2000年后的6家ST房地產(chǎn)公司，12家非ST房地產(chǎn)公司進(jìn)行研究［7］，肖冰、李春紅（2010）基于2003—2008年房地產(chǎn)行業(yè)上市公司的季度財(cái)務(wù)數(shù)據(jù)運(yùn)用Logistic模型進(jìn)行了財(cái)務(wù)預(yù)警分析［8］，孫曉琳等（2010）同樣用2003—2008年間房地產(chǎn)行業(yè)上市公司的數(shù)據(jù)應(yīng)用混合Logit模型預(yù)測(cè)了信用風(fēng)險(xiǎn)情況［9］。這些研究共同存在的一個(gè)問題是對(duì)模型自變量的選取標(biāo)準(zhǔn)來自其他研究文獻(xiàn)，選取存在一定程度的任意性，未對(duì)自變量進(jìn)行嚴(yán)格統(tǒng)計(jì)意義上的篩選，而選取合適的自變量是建立一個(gè)有效模型的基礎(chǔ)。

本文的研究路徑是：在樣本選擇的基礎(chǔ)上，首先對(duì)于構(gòu)建模型的自變量進(jìn)行篩選，包括初選、根據(jù)兩類公司財(cái)務(wù)指標(biāo)分布是否相同進(jìn)行篩選、根據(jù)單變量Logistic回歸結(jié)果進(jìn)行篩選、根據(jù)自變量間相關(guān)系數(shù)進(jìn)行篩選，然后用篩選出的自變量構(gòu)建三個(gè)Logistic回歸模型，并根據(jù)三個(gè)模型的回歸結(jié)果選擇最適宜的模型，最后應(yīng)用所得模型針對(duì)樣本公司ST發(fā)生前一年、前兩年、前三年、前四年的數(shù)據(jù)進(jìn)行預(yù)測(cè)分析。

與以往房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警研究文獻(xiàn)相比，本文的研究有幾個(gè)方面的不同。首先，樣本時(shí)間長(zhǎng)，采用了從1998—2010年的所有房地產(chǎn)上市公司的數(shù)據(jù)；其次，以往的研究文獻(xiàn)在變量的選擇方面基于前人的研究，并未進(jìn)行篩選，而本文通過統(tǒng)計(jì)手段對(duì)變量進(jìn)行了篩選；最后，在結(jié)論的驗(yàn)證方面，向前追溯的時(shí)間長(zhǎng)，驗(yàn)證了本模型的結(jié)論在樣本前一年、前兩年、前三年和前四年的預(yù)測(cè)準(zhǔn)確率水平。

二、研究?jī)?nèi)容

（一）樣本的選擇

本文的研究基于使用公開數(shù)據(jù)進(jìn)行財(cái)務(wù)預(yù)警分析，為了方便得到數(shù)據(jù)，選取房地產(chǎn)業(yè)的ST(特別處理)上市公司作為財(cái)務(wù)危機(jī)公司，非ST上市公司作為財(cái)務(wù)正常公司。需要說明的是，本文所選取的樣本在2004年前為ST公司，在2004年后為*ST公司，這是由于2004年我國(guó)上市公司的上市規(guī)則發(fā)生了變化，對(duì)ST的規(guī)定有所改變，盡管名稱有所變化，但2004年前的ST公司和2004年后的*ST公司被特別處理的原因是相同的，都是因?yàn)樽罱鼉蓚€(gè)會(huì)計(jì)年度的審計(jì)結(jié)果顯示的凈利潤(rùn)均為負(fù)值、最近一個(gè)會(huì)計(jì)年度每股凈資產(chǎn)低于股票面值或被注冊(cè)會(huì)計(jì)師出具無法表示意見或否定意見的審計(jì)報(bào)告，表明這些公司財(cái)務(wù)狀況出現(xiàn)異常。屬于非財(cái)務(wù)因素被特別處理的公司不在樣本選擇范圍以內(nèi)。

本文樣本數(shù)據(jù)選取了自1998—2010年48家ST房地產(chǎn)公司，48家正常房地產(chǎn)公司，數(shù)據(jù)來源于Wind數(shù)據(jù)庫(kù)和北京聚源銳思數(shù)據(jù)庫(kù)，財(cái)務(wù)危機(jī)公司與正常公司的比例為1∶1（這也是房地產(chǎn)上市公司ST與非ST的自然比例），組成一個(gè)包括96家房地產(chǎn)公司年度數(shù)據(jù)的數(shù)據(jù)庫(kù)。將ST公司和正常公司各隨機(jī)平分為兩部分，組成各包含48家房地產(chǎn)公司（24家ST公司，24家非ST公司）的預(yù)測(cè)樣本（Prediction sam?ple）和確認(rèn)樣本(Validation sample)，其中，預(yù)測(cè)樣本用于模型的估計(jì)，確認(rèn)樣本用于評(píng)估模型的有效性。

（二）自變量的篩選

1.初步選擇

（1）自變量初選。按照信用評(píng)級(jí)理論，反映企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的指標(biāo)應(yīng)包括宏觀、中觀、微觀分析三個(gè)方面。房地產(chǎn)業(yè)受國(guó)家政策調(diào)控影響非常明顯，在宏觀方面，它受稅收政策、貨幣政策、土地政策、經(jīng)濟(jì)周期、房產(chǎn)政策、外匯政策（外匯匯率預(yù)期升值會(huì)吸引外資進(jìn)入投資房地產(chǎn)業(yè)）、居民收入可支配收入的影響。在中觀方面，反映房地產(chǎn)行業(yè)景氣度的主要指標(biāo)為：土地購(gòu)置面積、房地產(chǎn)開發(fā)投資額、商品銷售面積、商品房銷售總額、商品房平均價(jià)格、從業(yè)人數(shù)。在微觀方面，包括反映企業(yè)運(yùn)營(yíng)能力、償債能力、變現(xiàn)能力、成長(zhǎng)能力和盈利能力的財(cái)務(wù)指標(biāo)。另外，規(guī)模、股權(quán)結(jié)構(gòu)也影響房地產(chǎn)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。

根據(jù)以上分析，按可獲得性，初步選取了以下指標(biāo)：凈資產(chǎn)收益率（X1）、資產(chǎn)報(bào)酬率（X2）、資產(chǎn)凈利率（X3）、銷售凈利率（X4）、銷售期間費(fèi)用率（X5）、銷售費(fèi)用率（X6）、管理費(fèi)用率（X7）、財(cái)務(wù)費(fèi)用率（X8）、流動(dòng)比率（X9）、速動(dòng)比率（X10）、超速動(dòng)比率（X11）、營(yíng)業(yè)收入增長(zhǎng)率（X12）、利息保障倍數(shù)（X13）、凈利潤(rùn)增長(zhǎng)率（X14）、總資產(chǎn)增長(zhǎng)率（X15）、營(yíng)業(yè)周期（X16）、存貨周轉(zhuǎn)率（X17）、應(yīng)收賬款周轉(zhuǎn)率（X18）、流動(dòng)資產(chǎn)周轉(zhuǎn)率（X19）、總資產(chǎn)周轉(zhuǎn)率（X20）、自由現(xiàn)金流量（X21）、資產(chǎn)負(fù)債率（X22）、流動(dòng)資產(chǎn)/總資產(chǎn)（X23）、經(jīng)營(yíng)活動(dòng)凈收益/利潤(rùn)總額（X24）、所得稅/利潤(rùn)總額（X25）、股東權(quán)益相對(duì)年初增長(zhǎng)率（X26）、資產(chǎn)總計(jì)相對(duì)年初增長(zhǎng)率（X27）、資產(chǎn)規(guī)模（=log(總資產(chǎn)/GNP價(jià)格水平指數(shù))）（X28）、Z指數(shù)（第1大股東持股比例/第2大股東持股比例。該指數(shù)越大，股東力量的差異越大。）（X29）、GNP增長(zhǎng)率（X30）、國(guó)房景氣指數(shù)（X31）、房地產(chǎn)市場(chǎng)價(jià)格指數(shù)（X32）、人民幣對(duì)美元匯率（X33）、中長(zhǎng)期貸款利率（X34），共計(jì)34個(gè)指標(biāo)。

（2）財(cái)務(wù)預(yù)警模型的選擇。利用SPSS18.0的非參數(shù)檢驗(yàn)中的單樣本K-S檢驗(yàn)，對(duì)上述34個(gè)自變量的數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，結(jié)果表明除X15、X19、X20、X23、X27、X28服從正態(tài)分布外，其他財(cái)務(wù)指標(biāo)的數(shù)據(jù)均不服從正態(tài)分布，因此本文未選擇要求數(shù)據(jù)分布為正態(tài)分布的模型，比如判別分析法。根據(jù)以往參考文獻(xiàn)的研究結(jié)果，Logistic模型是目前運(yùn)用較為成功的財(cái)務(wù)預(yù)警模型，且對(duì)樣本數(shù)據(jù)沒有正態(tài)分布要求，因此模型選取如下形式的Logistic回歸模型：

其中，Pi為第i個(gè)案例發(fā)生的概率；xi為自變量；α為截距項(xiàng)，β為回歸參數(shù)。

模型（1）的左端為公司被ST的概率，因變量P對(duì)于ST公司取值為1，正常公司取值為0，自變量的選取為下面最終篩選的變量。

2.第一步篩選

初選變量能夠進(jìn)入模型的標(biāo)準(zhǔn)是它們是否有能力區(qū)分正常公司和ST公司，借鑒Beaver（1966)所用的剖面分析方法，運(yùn)用統(tǒng)計(jì)手段，我們可以檢驗(yàn)同一自變量在ST公司和非ST公司中的分布是否存在顯著性差異，如果分布不存在顯著性差異，證明這一指標(biāo)對(duì)判斷公司是否被ST沒有作用，要予以剔除，反之要保留。通常我們可以用t檢驗(yàn)（目的是檢驗(yàn)兩組不相關(guān)的樣本是否來自具有相同均值的總體）達(dá)到這一目的，但t檢驗(yàn)使用的前提是樣本服從正態(tài)分布，本文上一小節(jié)的研究結(jié)果表明，財(cái)務(wù)指標(biāo)大多不服從正態(tài)分布，因此應(yīng)用非參數(shù)檢驗(yàn)來進(jìn)行篩選。運(yùn)用SPSS18.0的非參數(shù)檢驗(yàn)中的兩個(gè)獨(dú)立樣本的四種方法（即Mann-Whitney U、Kolmogo?rov-Smirnov Z、 Moses Extreme Reactions和Wald Wolfowitz Runs）進(jìn)行檢驗(yàn)，結(jié)果表明銷售費(fèi)用率（X6）、速動(dòng)比率（X10）、超速動(dòng)比率（X11）、營(yíng)業(yè)周期（X16）、存貨周轉(zhuǎn)率（X17）、流動(dòng)資產(chǎn)周轉(zhuǎn)率（X19）、總資產(chǎn)周轉(zhuǎn)率（X20）、自由現(xiàn)金流量（X21）、流動(dòng)資產(chǎn)/總資產(chǎn)（X23）、經(jīng)營(yíng)活動(dòng)凈收益/利潤(rùn)總額（X24）、所得稅/利潤(rùn)總額（X25）這11個(gè)財(cái)務(wù)指標(biāo)的漸近顯著性均大于0.05，表示這些指標(biāo)在兩類公司中的分布有大于95%的概率是相同的，予以刪除。X22、X28、X29、X30、X31、X32、X33、X34這幾個(gè)變量的漸近顯著性也大于0.05，但鑒于在理論分析中，資產(chǎn)負(fù)債率、宏觀經(jīng)濟(jì)變量是影響房地產(chǎn)企業(yè)是否違約的重要因素，因此將這些變量予以保留。

3.第二步篩選

應(yīng)用Logistic回歸方法時(shí)，通常通過擬合單變量Logistic回歸模型來取得變量的顯著性檢驗(yàn)，因?yàn)槿绻粋€(gè)自變量與因變量之間有較強(qiáng)的相關(guān)關(guān)系，在做單變量回歸時(shí)一定能夠體現(xiàn)出來，即獲得有效的參數(shù)估計(jì)和較高的預(yù)測(cè)準(zhǔn)確率［10］。本文對(duì)剩余的所有變量進(jìn)行單變量Logistic回歸，結(jié)果見表1所列。

表1 單變量Logistic回歸結(jié)果

表1中回歸系數(shù)的顯著性水平越小表明系數(shù)估值越有效，通常在單變量Logistic回歸的變量篩選中，顯著性水平＜0.25者，都應(yīng)該考慮與其他重要變量一起作為多元模型的候選變量。同時(shí)，一個(gè)變量的預(yù)測(cè)準(zhǔn)確率越高，說明這一變量越重要［10］。根據(jù)這些原則，可以看到，凈資產(chǎn)收益率（X1）、流動(dòng)比率（X9）、營(yíng)業(yè)收入增長(zhǎng)率（X12）、利息保障倍數(shù)（X13）、股東權(quán)益相對(duì)年初增長(zhǎng)率（X26）、Z指數(shù)（X29）、國(guó)房景氣指數(shù)（X31）、房地產(chǎn)市場(chǎng)價(jià)格指數(shù)（X32）、人民幣對(duì)美元匯率（X33）、中長(zhǎng)期貸款利率（X34）應(yīng)被刪除，不予考慮進(jìn)入回歸模型。同上小節(jié)一樣，考慮到宏觀經(jīng)濟(jì)變量和Z指數(shù)的理論意義，予以保留，刪掉X1、X9、X12、X13、X26五個(gè)財(cái)務(wù)指標(biāo)變量。

4.第三步篩選

對(duì)剩余的18個(gè)變量再進(jìn)行篩選的方法是相關(guān)分析，自變量間皮爾遜（Pearson）相關(guān)系數(shù)如表2所示。

由于一些自變量含有相同的信息，因此具有較高的相關(guān)性，直接進(jìn)行回歸勢(shì)必會(huì)引起多重共線性，本文考慮用因子分析來解決這一問題，因子分析要求自變量間要具有一定高的相關(guān)性，否則就沒有因子分析的必要，但資料表明，如果自變量的相關(guān)性極高，比如為1，即使經(jīng)過因子分析，也不能保證得到的新因子間相關(guān)性為0，同樣會(huì)有多重共線性的問題。由表2可以看出，X5與X7的相關(guān)系數(shù)為0.999，如果兩個(gè)相關(guān)系數(shù)同時(shí)被選入自變量，即使經(jīng)過因子分析，也不能減少多重共線性的影響，從而使得回歸結(jié)果不顯著。因此，綜合考慮上一小節(jié)兩變量對(duì)因變量的影響程度，刪去X7。

表2 自變量間皮爾遜相關(guān)系數(shù)

至此，共篩選得10個(gè)財(cái)務(wù)指標(biāo)變量，分別為：X2、X3、X4、X5、X8、X14、X15、X18、X22、X27，和一個(gè)規(guī)模變量 X28。同樣鑒于理論原因，所有宏觀變量和Z指標(biāo)仍予以保留。

（三）模型比較

分析表2，發(fā)現(xiàn)X28（規(guī)模）這一變量與入選財(cái)務(wù)指標(biāo)有較強(qiáng)的相關(guān)關(guān)系，Z指數(shù)與其他變量相關(guān)關(guān)系較弱，各宏觀經(jīng)濟(jì)變量之間相關(guān)關(guān)系較強(qiáng)，但與財(cái)務(wù)指標(biāo)相關(guān)關(guān)系較弱?；谶@些分析，本文擬建立三個(gè)模型：

模型一：包括X28和所有的財(cái)務(wù)指標(biāo)；

模型二：在模型一基礎(chǔ)上加入宏觀經(jīng)濟(jì)變量；

模型三：在模型二基礎(chǔ)上再加入Z指數(shù)，

以方便比較哪些變量對(duì)房地產(chǎn)公司財(cái)務(wù)預(yù)警最有效。

1.模型一

（1）因子分析。直接用X28與財(cái)務(wù)指標(biāo)變量進(jìn)行回歸存在的最大問題是多重共線性，如表2所示，這些指標(biāo)彼此相關(guān)性很高，如直接進(jìn)行回歸不能保證回歸系數(shù)為無偏估計(jì)，因此首先要進(jìn)行因子分析，通過因子分析，形成新的變量，這些新的變量之間能保證不相關(guān)。另外，因子分析的最大好處是降維，使回歸的變量減少。本文將10個(gè)財(cái)務(wù)指標(biāo)與X28共11個(gè)自變量進(jìn)行了因子分析，采用的是主成份分析法，并且為了使得所獲因子更易解釋，采用了最大方差正交旋轉(zhuǎn)，提取公因子后，再用這些公因子進(jìn)行回歸。

因子分析結(jié)果的KMO數(shù)據(jù)為0.757，Bartlett球形檢驗(yàn)近似卡方為643.501，顯著性水平為0.000＜0.05,表明這些數(shù)據(jù)適合做因子分析。共提取5個(gè)主成份，解釋的總方差為91.283%，經(jīng)過旋轉(zhuǎn)后5個(gè)主成份的組成如表3所示。

表3 Rotated Component Matrix

由表3可以看出，第一主成份主要反映了企業(yè)的盈利能力，第二主成份反映了企業(yè)的成長(zhǎng)能力和規(guī)模，第三主成份反映了企業(yè)的資本結(jié)構(gòu)，第四主成份反映了企業(yè)的營(yíng)運(yùn)能力，第五主成份反應(yīng)了企業(yè)的成長(zhǎng)能力。各主成份系數(shù)矩陣如表4所示。

表4 系數(shù)得分矩陣

（2）Logistic回歸。對(duì)主成份進(jìn)行回歸的方法為向后步進(jìn)（似然比）法，結(jié)果如表5—8所示。

表5 擬合優(yōu)度檢驗(yàn)

表6 Hosmer and Lemeshow Test

表7 回歸參數(shù)表

表8 分類表

表5是三個(gè)擬合優(yōu)度指標(biāo)，-2LL類似于線性回歸中的誤差平方和，值越小表明模型擬合程度越好，本模型為14.172，后面是兩個(gè)類擬合優(yōu)度指標(biāo)，類似于線性回歸中的R2，所得值越大表明擬合越好，本模型分別為66.4%和88.6%，說明本模型擬合很好。

表6是H-L檢驗(yàn)，它也是一個(gè)擬合優(yōu)度指標(biāo)，反映的是模型預(yù)測(cè)值與實(shí)際觀測(cè)值的擬合程度，Chi-square檢驗(yàn)不顯著表示模型擬合數(shù)據(jù)，相反，Chi-square檢驗(yàn)統(tǒng)計(jì)顯著表示擬合不好，本模型Chi-square檢驗(yàn)顯著性水平為0.965，不顯著，說明該模型擬合很好。

表7為模型回歸參數(shù)，各參數(shù)的統(tǒng)計(jì)結(jié)果顯著，說明參數(shù)有效。

表8是分類表，它是將觀測(cè)案例分為事件發(fā)生或不發(fā)生的頻數(shù)表，也可以用來檢驗(yàn)Logistic回歸模型的預(yù)測(cè)準(zhǔn)確性，模型一對(duì)預(yù)測(cè)樣本的預(yù)測(cè)準(zhǔn)確率為93.8%，對(duì)確認(rèn)樣本的預(yù)測(cè)準(zhǔn)確率為87.5%。將總樣本分為預(yù)測(cè)樣本和確認(rèn)樣本進(jìn)行預(yù)測(cè)的目的是得到一個(gè)無偏的預(yù)測(cè)準(zhǔn)確率，因?yàn)橥惶讛?shù)據(jù)被用來擬合模型并進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)準(zhǔn)確率常常是有偏的。

2.模型二

將模型一得到的5個(gè)主成份與所有宏觀經(jīng)濟(jì)變量進(jìn)行向后步進(jìn)的二元Logistic回歸，得到的結(jié)果為：分類表顯示對(duì)預(yù)測(cè)樣本的預(yù)測(cè)準(zhǔn)確率為100%，對(duì)確認(rèn)樣本的預(yù)測(cè)準(zhǔn)確率為87.5%，但無論將任一宏觀經(jīng)濟(jì)變量加入模型中，回歸參數(shù)的顯著性水平值都很高，說明該參數(shù)沒有通過假設(shè)為0的檢驗(yàn)，證明回歸結(jié)果是有偏估計(jì)，而HL檢驗(yàn)的顯著性水平為1，χ2值為0，表明這一檢驗(yàn)是失效的?？傮w表明，模型二是不可接受的，不能用來進(jìn)行財(cái)務(wù)預(yù)警。

3.模型三

將模型一得到的5個(gè)主成份再加上Z指標(biāo)一個(gè)變量進(jìn)行向后步進(jìn)的二元Logistic回歸，得到的結(jié)果為：分類表顯示對(duì)預(yù)測(cè)樣本的預(yù)測(cè)準(zhǔn)確率為100%，對(duì)確認(rèn)樣本的預(yù)測(cè)準(zhǔn)確率為81.3%，但同模型二一樣，回歸參數(shù)的結(jié)果為有偏估計(jì)，HL值異常，表明模型三也是不可接受的。

綜上比較三個(gè)模型，選擇將模型一作為最終確認(rèn)的財(cái)務(wù)預(yù)警模型。

（四）預(yù)測(cè)

從表7得到的Logistic回歸結(jié)果見式（2）。

將表4中的系數(shù)得分結(jié)果代入（2）式，再根據(jù)Logistic回歸模型的公式（1），可以計(jì)算出公司的違約概率。在文獻(xiàn)資料中，研究者通常用0.5做為最佳判定點(diǎn)，即P＞0.5預(yù)測(cè)公司會(huì)在一年后違約，P＜0.5則預(yù)測(cè)公司在一年后不違約，本模型采用的樣本中ST公司與正常公司的自然比例是1∶1，即有50%的概率是ST公司，因此用0.5做最佳判定點(diǎn)是合適的。用這一模型對(duì)樣本公司ST發(fā)生前兩年、前三年、前四年標(biāo)準(zhǔn)化后的財(cái)務(wù)數(shù)據(jù)進(jìn)行返回預(yù)測(cè)，準(zhǔn)確率如表9所示。

表9 樣本公司ST發(fā)生前兩年、前三年、前四年模型預(yù)測(cè)準(zhǔn)確率

在統(tǒng)計(jì)中有兩類錯(cuò)誤，第一類錯(cuò)誤為棄真錯(cuò)誤，在財(cái)務(wù)預(yù)警中指將會(huì)發(fā)生信貸違約的企業(yè)判斷為好企業(yè)，第二類錯(cuò)誤為納偽錯(cuò)誤，在財(cái)務(wù)預(yù)警中指將不會(huì)發(fā)生信貸違約的企業(yè)判斷為壞企業(yè)，這兩類錯(cuò)誤的發(fā)生率是判斷一個(gè)模型是否有效的標(biāo)準(zhǔn)。對(duì)商業(yè)銀行來講，第一類錯(cuò)誤損失更為巨大，因?yàn)閷①Y金貸給一個(gè)會(huì)違約的企業(yè)遭受的經(jīng)濟(jì)損失遠(yuǎn)遠(yuǎn)大于不貸給一個(gè)正常還款公司所帶來的經(jīng)濟(jì)損失。從表8和表9可以算出，模型對(duì)公司ST發(fā)生前一年、前兩年、前三年、前四年預(yù)測(cè)結(jié)果的第一類錯(cuò)誤率分別為8.3%、10.4%、16.3%、24.5%，表明隨著時(shí)間向前追溯，這一模型對(duì)ST企業(yè)的預(yù)測(cè)準(zhǔn)確率逐步下降，但總體來看，這一模型預(yù)測(cè)準(zhǔn)確性較高且具有一定的穩(wěn)定性，說明這一模型是有效的。值得注意的是，兩類企業(yè)的預(yù)測(cè)準(zhǔn)確率下降速度并不一樣，對(duì)ST企業(yè)預(yù)測(cè)準(zhǔn)確率下降速度較慢，有較好的穩(wěn)定性，但對(duì)非ST企業(yè)的預(yù)測(cè)準(zhǔn)確率則下滑輻度較大，說明模型對(duì)ST企業(yè)的識(shí)別能力強(qiáng)于對(duì)非ST企業(yè)的識(shí)別。

三、結(jié) 論

本文利用96家房地產(chǎn)上市公司1998—2010年的年度財(cái)務(wù)數(shù)據(jù)及宏觀經(jīng)濟(jì)變量，應(yīng)用統(tǒng)計(jì)方法對(duì)34個(gè)自變量進(jìn)行了逐步篩選，用篩選出的自變量構(gòu)建了三個(gè)財(cái)務(wù)預(yù)警模型，經(jīng)過分析比較，最終得到了一個(gè)預(yù)警效果較好的財(cái)務(wù)預(yù)警模型，對(duì)這一模型的分析結(jié)果表明：

（1）模型一的結(jié)果表明，只有第一、第二和第四主成份最終進(jìn)入了模型，說明在房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警中，房地產(chǎn)企業(yè)的盈利能力、成長(zhǎng)能力、營(yíng)運(yùn)能力是最重要的，特別是房地產(chǎn)企業(yè)的盈利能力是區(qū)分好壞公司的關(guān)鍵因素，其中資產(chǎn)報(bào)酬率、資產(chǎn)凈利率兩個(gè)指標(biāo)最為重要，單個(gè)指標(biāo)的預(yù)測(cè)能力就能達(dá)到91.6%。但代表房地產(chǎn)企業(yè)資本結(jié)構(gòu)的指標(biāo)資產(chǎn)負(fù)債率未能進(jìn)入模型，說明這一指標(biāo)對(duì)區(qū)分一個(gè)房地產(chǎn)公司是否有財(cái)務(wù)危機(jī)的能力不顯著，換句話說，房地產(chǎn)企業(yè)都有較高的資產(chǎn)負(fù)債率，這一共性特點(diǎn)使其不具有判別好壞公司的能力。

（2）在房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警中，規(guī)模這一指標(biāo)與其他財(cái)務(wù)指標(biāo)相關(guān)度很高，且對(duì)提高預(yù)測(cè)能力效果顯著，說明在房地產(chǎn)企業(yè)中，規(guī)模大的公司財(cái)務(wù)危機(jī)的可能性要小得多，這一結(jié)果與實(shí)際情況是相符的。

（3）模型三表明，反應(yīng)股權(quán)集中度的Z指標(biāo)對(duì)提高模型預(yù)測(cè)準(zhǔn)確性的效果不顯著，說明大股東存在與否對(duì)判斷一個(gè)房地產(chǎn)企業(yè)是否有財(cái)務(wù)危機(jī)沒有影響。

（4）本文從篩選自變量到模型的比較都表明，在房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警中，宏觀經(jīng)濟(jì)變量并不是一定要加入的變量。這與自Beaver和Altman以來許多研究者只采用財(cái)務(wù)指標(biāo)的結(jié)果是一致的。本文認(rèn)為可能的原因有兩個(gè)，一是宏觀經(jīng)濟(jì)變量對(duì)房地產(chǎn)公司的影響已體現(xiàn)在財(cái)務(wù)數(shù)據(jù)當(dāng)中，二是因?yàn)楸疚慕５臉颖据^少，導(dǎo)致宏觀經(jīng)濟(jì)變量影響不顯著，這是未來需進(jìn)一步研究的方向。

（5）模型預(yù)測(cè)準(zhǔn)確性較高，可以為銀行、投資者、監(jiān)管者和房地產(chǎn)企業(yè)自身的風(fēng)險(xiǎn)管理提供一定的參考。

［1］Beaver William H.Financial ratios as predictors of failure［J］.Journalof Accounting Research，1966，4：71-111.

［2］Altman Edward I.Financial ratios，discriminant analysis and the prediction of corporate bankruptcy［J］.Journalof Finance，1968，23：589-609.

［3］Ohlson James A.Financial ratios and the probabilistic predic?tion ofbankruptcy［J］.Journalof Accounting Research，1980，18：109-131.

［4］Barniv R.Accounting procedures，market data，cash flow fig?uresand insolvency classification：the caseof the insurance in?dustry［J］.The Accounting Review，1990，65：578-604.

［5］陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析［J］.會(huì)計(jì)研究，1999，（4）：34-40.

［6］吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究［J］.經(jīng)濟(jì)研究，2001，（6）：46-55.

［7］廖劍.房地產(chǎn)上市公司財(cái)務(wù)預(yù)警實(shí)證分析［D］.廣州：暨南大學(xué)，2008.

［8］肖冰，李春紅.基于Logistic模型的房地產(chǎn)行業(yè)信用風(fēng)險(xiǎn)研究［J］.技術(shù)經(jīng)濟(jì)，2010，（3）：65-68.

［9］孫曉琳，秦學(xué)志，周穎穎.基于混合Logistic模型的房地產(chǎn)公司信用風(fēng)險(xiǎn)預(yù)測(cè)研究［J］.現(xiàn)代管理科學(xué)，2010，（2）：20-22.

［10］王濟(jì)川，郭志剛.Logistic回歸模型——方法與應(yīng)用［M］.北京：高等教育出版社，2001：65-72，145-152.