馮春琳

摘要：本文以我國上市公司指標為研究對象，以25家因財務狀況進入特別處理的公司和25家財務正常的上市公司為樣本，選取了6個變量指標，通過單變量模型，一元判定模型，Fisher判定模型和logistic模型四種分析方法對公司的財務狀況進行實證分析。單邊變量立面分析模型和一元判定模型運用單變量對財務危機進行簡單預測，誤差大，預測能力差，而Fisher模型和logistic模型從多變量進行預測，預測能力明顯比單變量強，其中l(wèi)ogistic模型預測能力最強。

關鍵詞：財務危機 財務指標 Fisher線性模型 logistic模型

一、引言

財務危機，又稱作財務困境，最嚴重的財務困境是“企業(yè)破產”，企業(yè)因財務困境導致破產實際上一種違約行為，所以財務困境又可以為“違約風險”（吳世農，盧賢義；2001年）。財務預警是以企業(yè)的財務報表，經營計劃及其他企業(yè)相關會計資料為依據，利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷論，采用比率分析、比較分析、因素分析及多種統(tǒng)計方法，對企業(yè)的經營活動、財務活動等進行預測，以發(fā)現企業(yè)在經營管理活動中潛在的經營風險和財務風險（尹俠，肖序，胡永康；2001年）。

最早運用統(tǒng)計方法來研究上市公司失敗的是美國的威廉·比弗（William.Beaver），提出了單變量預測模型。分析指出債務保障率（現金流量/債務總額）能夠較好地判定企業(yè)的財務狀況，其次是資產收益率和資產負債率。離經營失敗日越近，誤判率越低，預見性越強（William.Beaver；1966年）。奧曼（Edwardl.Altman）于1968年提出了多元判定模型（Z值判定模型），運用其財務指標擬合出多元線性函數模型，發(fā)現模型的預測能力在上市公司提出破產前一年的成功率超過單變量預測模型（Edwardl.Altman；1968年）。在我國早在1999年，陳靜運用了四種方法來對財務的惡化進行分析，總結出不同的模型具有各自的優(yōu)勢與局限性，但是仍不失為簡單而有效的預測方法（陳靜；1999年）。2001年，吳世農，盧賢義以我國70家財務困境公司和70家財務正常公司為樣本，運用剖面分析和單變量判定分析，選擇6個預測指標，建立Fisher線性模型，多元線性模型和logistic回歸分析模型，三種模型均能在財務困境發(fā)生前做出相對準確的預測（吳世農，盧賢義；2001年）。在2002年，姜秀華，任強，孫錚在研究財務危機預警模型中，同樣運用了logistic回歸方法，創(chuàng)新之處在于選擇了最優(yōu)概率閥值來進行判別分析，不同的樣本數據，根據概率計算出最優(yōu)的判別值（姜秀華，任強，孫掙；2002年）。

二、樣本設計和研究變量

1、樣本的設計

本文選取了來自A股市場的25家ST公司，樣本的時間跨度為2009年-2011年，同時選取了規(guī)模同等的非ST公司，樣本容量達到50家，可望在一定程度上降低估計和預測誤差。

2、變量指標的選取

選擇財務比率作為變量指標是，要綜合考慮到這些指標要反映出上市公司的盈利能力，流動性以及財務杠桿等，根據本論文的模型需要，選取了一下指標和財務比率：

X1：凈利潤同比增長

X2：資產負債比率=負債總額/資產總額

X3：總資產收益率=凈利潤/年末總資產

X4：資產流動比率=流動資產/總資產

X5：總資產周轉率=營業(yè)總收入/年末總資產

X6：流動資產負債比率=流動負債/流動資產

以上財務比率中的數據均來自同花順炒股軟件數據庫。

三、模型介紹

1、單變量立面分析模型

單變量分析方法是最簡單的一種分析方法，是美國學者比佛提出的，對兩組財務比率進行等權均值，然后逐年進行比較，進而來發(fā)現兩組均值差異，得出相關的結論。

2、一元判定模型

一元判定模型將所有的樣本數據進行隨進分組，進行兩分法檢驗，一組是估計樣本，一組是有效樣本。通過對估計樣本中財務比率進行排序選出分割點，使得誤判率最低，包括第一類錯誤和第二類錯誤，用選出的該分割點對有效樣本進行檢驗。

3、Fisher判定模型

本文運用的Fisher二類線性判定模型，因變量Y取值為1（ST）和0（非ST），同時運用財務比率作為自變量，進行線性回歸分析，得出判別函數和相應的Z得分，通過Z的取值來判定一個公司的財務狀況，判定的Z的公式：

其中，a為截距，Wi為解釋變量Xi的判別權重。

4、logistic回歸模型

上市公司發(fā)生財務困境或者財務正常，都是以一定的概率發(fā)生，并討論的是發(fā)生概率p大小與那些因素有關系。logistic回歸模型并不是直接以p為因變量，而是處理p的一個嚴格單調函數Q=Q（P），通常是將logistic函數是：

X表示包含截距項的自變量的矩陣形式。根據logistic函數，任意給定上市公司的財務比率，就可以判定出上市公司發(fā)生財務困境的概率。

四、實證分析

1、單變量立面實證分析

本文針對二組自變量進行單邊量分析，分別是資產負債比率，流動資產負債比率，用相等的權數計算兩組樣本的財務比率的均值，對比情況如圖所示：

從圖1資產負債比率變化中，非ST公司三年的資產負債率基本維持的同一水平，變化幅度較小，總體有下降的趨勢；而ST公司三年的資產負債比例變化劇烈，并且越靠近宣布日，比率越高。從圖2流動資產負債，非ST公司的流動資產負債率變化顯著，而ST公司變化不明顯，在某一范圍內波動。兩項指標表明，ST公司與非ST公司的財務比率差異大。

通過這種單變量立面分析法，可以簡單直觀的分析出比較出ST公司和非ST公司之間存在顯著差異，但是這樣分析方法利用財務比率的均值進行分析的，可能會受到樣本中極值的影響而對分析的結果產生差異，可以通過增大樣本容量或者剔除異常值的方法來提高此方法的判別水平。

2、一元判定模型實證分析

（1）選取分割點

在一元判定模型中，從50家公司中隨機抽取了25家公司，運用2011年的總資產收益數據對選出的估計樣本進行判定，按總資產收益率大小進行排序，根據順序結果選取分割點，采取的辦法是分組平均法，首相按順序分成五組數據，計算每一小組的平均值，分別是：-0.18685，-0.02538，0.010827，0.04748，0.326777，剔除兩端值，確定三個分割點，分別對其進行檢驗，檢驗結果為：選擇-0.02538分割點，錯誤率為0.32，選取0.010827分割點，錯誤率為0.24，選取0.04748分割點，錯誤率為0.36，選擇錯誤率最低的分割點，即0.010827。

（2）有效樣本檢驗

運用上述方法篩選出的分割點對有效樣本進行檢驗，獲得相應的判別效率。結果表名，以0.010827為分割點，在有效樣本中，一類錯誤有三個，二類錯誤有三個，誤判率為0.24。通此次判別方法，我們只能簡單初步的進行判別，由于存在的抽樣的誤差不可避免，同樣指標判定為單一變量判定法，具有及其不穩(wěn)定性。

3、Fisher判定模型實證分析

Fisher判定模型是多元判定分析的一種方法，判定函數為：

其中，W1，W2是帶求得判別系數。以2011年的上述財務比率數據，運用SPSS統(tǒng)計分析軟件進行分析，分別得出了ST公司與非ST公司的Fisher判別函數，分析結果如表一所示：

表一：

判別式：

樣本觀測值帶入判定函數，得出判別結果表二所示：

表二：

根據Fisher判別分析方法，一類錯是五個，二類錯誤是1個，總正確率為88%，明顯比一元判定準確率高。運用此方法對2010年和2009年的數據進行的判斷，正確率分別80%，90%。判斷率與宣布上市公司為ST公司的時間聯系不大，和其他研究者得出的離宣布日較遠，成功率越低的結論不相符，可能選取的樣本本身存在誤差，上市公司內部操控信息，或者上市公司公布的財務數據與公司實際運用情況不符合等原因造成。

4、logistic回歸模型實證分析

在logistic回歸模型中，仍然以2011年的樣本數據并運用SPSS統(tǒng)計分析軟件，對所有的財務指標變量進行分析，分析結果如表三所示：

表三：

logistic模型使用的是最大似然估計，似然估計的數值越大，擬合程度越好，分析結果，變量X1，X3，X5的顯著性不明顯，說明其預測能力差，為X2，X4，X6的顯著性明顯，表明預測能力較高。以0.5為最佳判定點，對2011年的原始數據的判定結果，如表四所示：

表四：

在25個非ST上市公司中，有1個公司被誤判為ST公司，誤判率為0.04，在25個ST上市公司中，有2被誤判為非ST公司，誤判率為0.08。整體分析，正確率高達94%。同樣的方法對2010年和2009年的數據進行分析，判定的正確率分別是：80%，92%。

五、結論

通過非ST和 ST上市公司公布的財務信息，運用多種統(tǒng)計方法對公司的財務狀況進行實證研究分析，得出以下結論：（1）上市公司的財務信息中，包含了預測財務危機的信息量，通過計算財務比率，可以對上市公司進行財務困境預測，做好財務危機處理，減少不必要的損失。（2）單變量和一元模型進行預測，過程簡單，操作性強，但是誤差較大，其中從單變量分析中，我們可以看出，由于不同的指標信息含量不同，預測能力也有所不同。（3） Fisher分析模型和logistic回歸模型通過分析多項指標來預測財務困境，相對比單變量而言，結論更有說服力，準確率高，其中，判定能力最高的是logistic回歸模型。（4）由于樣本本身的局限性，存在誤差是難免的，盡管四種方法都有各自的局限性，但是在對財務危機進行預測，各自具有重要的實踐意義。

參考文獻：

[1]吳世農，盧賢義.我國上市公司財務困境的預警模型研究 [J].經濟研究，2001；（6）.46-55

[2]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999；（4）.31-38

[3]尹俠，肖序，胡永康.上市公司財務預警的實證分析[J].財經理論與實踐，2001；（11）.83-87

[4]姜秀華，任強，孫錚.上市公司財務危機預警模型研究 [J].預測，2002；（3）.56-61

[5]William H .Beaver. Financial Ratios As Predictors of Failure[J].Journal of Accounting Research，1966；71-111

[6]Edward I.Altman.Ration，Discriminant Analysis and Prediction of Corporate Bankruptcy [J]. The Journal of Finance，1968；（9）.586-609