賈 煒 瑩 ， 申 貴 成

（1.北京物資學(xué)院商學(xué)院， 北京市101149；2.北京物資學(xué)院信息學(xué)院， 北京市101149）

一、引言

隨著經(jīng)濟(jì)一體化和全球化的發(fā)展，企業(yè)所面臨的風(fēng)險(xiǎn)越來越復(fù)雜、廣泛，因財(cái)務(wù)危機(jī)導(dǎo)致企業(yè)陷入經(jīng)營(yíng)困境甚至破產(chǎn)的案例屢見不鮮，于是財(cái)務(wù)風(fēng)險(xiǎn)管理變得舉足輕重，財(cái)務(wù)危機(jī)預(yù)警也愈來愈被引以為重。對(duì)企業(yè)財(cái)務(wù)危機(jī)進(jìn)行準(zhǔn)確預(yù)測(cè)分析，既是市場(chǎng)競(jìng)爭(zhēng)機(jī)制的客觀要求，也是企業(yè)繼續(xù)生存的重要條件。財(cái)務(wù)危機(jī)的發(fā)生并非突然，它是一個(gè)逐步、漸進(jìn)的動(dòng)態(tài)過程，因此財(cái)務(wù)危機(jī)是可以預(yù)測(cè)的。正確地預(yù)測(cè)財(cái)務(wù)危機(jī)，對(duì)政府部門監(jiān)管上市公司質(zhì)量和證券市場(chǎng)風(fēng)險(xiǎn)，對(duì)投資者和債權(quán)人保護(hù)自身利益，對(duì)企業(yè)經(jīng)營(yíng)者防范財(cái)務(wù)危機(jī)，都具有十分重要的現(xiàn)實(shí)意義。

20 世紀(jì)30 年代，國(guó)外學(xué)者就開始對(duì)財(cái)務(wù)危機(jī)預(yù)警模型進(jìn)行研究。菲茨帕特里克（FitzPatrick）進(jìn)行了單變量模型的開拓性研究，他選取19 家公司作為樣本，比較分析了危機(jī)公司與健康公司的財(cái)務(wù)指標(biāo)，認(rèn)為對(duì)于財(cái)務(wù)危機(jī)判別能力最高的是凈利潤(rùn)/股東權(quán)益和股東權(quán)益/負(fù)債兩個(gè)比率。比弗（Beaver）提出了較為成熟的單變量模型，他隨機(jī)挑選79 家經(jīng)營(yíng)正常公司和79 家經(jīng)營(yíng)失敗公司進(jìn)行一元判定預(yù)測(cè)，發(fā)現(xiàn)現(xiàn)金流量/總負(fù)債的預(yù)測(cè)能力最強(qiáng)，其次是資產(chǎn)負(fù)債率。[1]單變量模型具有簡(jiǎn)便易行的優(yōu)點(diǎn)，但是單變量模型只是利用個(gè)別比率指標(biāo)預(yù)測(cè)財(cái)務(wù)危機(jī)，而企業(yè)的生產(chǎn)經(jīng)營(yíng)活動(dòng)受到許多因素的影響，采用不同的財(cái)務(wù)指標(biāo)對(duì)同一個(gè)企業(yè)進(jìn)行預(yù)測(cè)時(shí)，往往會(huì)得出不同甚至相悖的結(jié)果，因此單變量模型逐漸被多變量模型替代。奧特曼（Altman）率先采用多元判別模型對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究，他選取33 家破產(chǎn)公司和33 家非破產(chǎn)公司構(gòu)建了Z-Score 模型。[2]多元判別模型運(yùn)用較為容易，但建模前提是自變量呈正態(tài)分布且兩組樣本協(xié)方差相等，然而現(xiàn)實(shí)的樣本數(shù)據(jù)往往不能滿足這一要求，這就大大限制了多元判別模型的使用范圍。奧爾森（Ohlson）采用邏輯（Logistic）回歸方法構(gòu)建了財(cái)務(wù)預(yù)警模型，并發(fā)現(xiàn)公司規(guī)模、資本結(jié)構(gòu)、業(yè)績(jī)和當(dāng)前的變現(xiàn)能力4 個(gè)指標(biāo)有顯著的預(yù)測(cè)能力。[3]邏輯回歸模型建立在累計(jì)概率函數(shù)基礎(chǔ)上，不需要自變量服從多元正態(tài)分布和兩組間協(xié)方差相等的假設(shè)，克服了線性方程受統(tǒng)計(jì)假設(shè)約束的局限性。但是邏輯回歸模型對(duì)多重共線性敏感，當(dāng)解釋變量之間的相關(guān)程度較高時(shí)，樣本的較小變化將會(huì)帶來系數(shù)估計(jì)較大的變化，從而降低模型的預(yù)測(cè)效果。

國(guó)內(nèi)的財(cái)務(wù)危機(jī)研究起步較晚，主要是利用國(guó)外的方法來建立中國(guó)的預(yù)警模型。吳世農(nóng)和黃世忠首次在我國(guó)介紹了企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)警模型，運(yùn)用統(tǒng)計(jì)方法進(jìn)行定量分析。[4]周首華、楊濟(jì)華和王平利用1977~1990 年的62 家公司建立了F 分?jǐn)?shù)模型。[5]陳靜以1998 年的27 家ST 公司和27 家非ST 公司為樣本，使用了1995~1997 年的財(cái)務(wù)報(bào)表數(shù)據(jù)，進(jìn)行了單變量分析和多元線性判定分析。[6]吳世農(nóng)和盧賢義應(yīng)用費(fèi)雪（Fisher）線性判定、多元線性回歸和邏輯回歸分析三種方法，分別建立了三種預(yù)測(cè)財(cái)務(wù)危機(jī)的模型，并檢驗(yàn)了其在財(cái)務(wù)危機(jī)出現(xiàn)前5 年的預(yù)測(cè)準(zhǔn)確率。[7]

總結(jié)前人的研究，筆者有以下幾點(diǎn)思考。（1）由于研究年份較早、樣本量較少，因此會(huì)影響到公眾對(duì)預(yù)測(cè)精度和判別結(jié)果的正確解讀。（2）在構(gòu)建模型過程中，研究人員一般沒有檢驗(yàn)財(cái)務(wù)比率的數(shù)據(jù)分布特征而是假定服從正態(tài)分布。事實(shí)上，數(shù)據(jù)的分布特征將決定統(tǒng)計(jì)方法的選擇。（3）由于我國(guó)上市公司在出現(xiàn)財(cái)務(wù)狀況異常被ST 之前，都已連續(xù)兩年虧損或每股凈資產(chǎn)低于股票面值，所以采用上市公司被ST 前兩年的年報(bào)預(yù)測(cè)其是否會(huì)陷入財(cái)務(wù)危機(jī)顯然會(huì)夸大模型的預(yù)測(cè)能力。

本文的研究與以前有所不同。一是樣本新、時(shí)間長(zhǎng)、容量大、行業(yè)統(tǒng)一。本文選取2001~2011 年間存在財(cái)務(wù)危機(jī)的企業(yè)181 家以及配對(duì)健康企業(yè)181 家作為研究對(duì)象，樣本量達(dá)到362 家。二是初始預(yù)測(cè)指標(biāo)選取范圍廣、數(shù)量多。為了避免因隨機(jī)選取初始指標(biāo)而帶來的重要指標(biāo)遺漏的局限，本文選取了5 大類23 項(xiàng)財(cái)務(wù)指標(biāo)作為初始預(yù)警指標(biāo)。三是利用主成分分析法篩選回歸變量。本文利用主成分分析法計(jì)算主成分的特征向量并以此為權(quán)重計(jì)算回歸變量。

二、研究設(shè)計(jì)

1. 樣本選取

我國(guó)ST 制度的采納和應(yīng)用，使得國(guó)內(nèi)研究大部分采用了因?yàn)椤柏?cái)務(wù)狀況異常”而被特別處理（ST）作為界定財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn)。與國(guó)內(nèi)研究保持一致，本文從滬、深兩市選取2001 年至2011 年首次被特別處理的制造業(yè)上市公司作為發(fā)生財(cái)務(wù)危機(jī)的樣本（包括ST 和*ST），剔除純B 股的公司、由于其他狀況異常而被ST 的公司、數(shù)據(jù)缺省及數(shù)據(jù)不合理的公司。這樣，我們得到181 家財(cái)務(wù)危機(jī)公司，其中2001 年13 家，2002 年21 家，2003 年27家，2004 年14 家，2005 年14 家，2006 年20 家，2007 年25 家，2008 年9 家，2009 年12 家，2010年17 家，2011 年9 家。

與ST 公司的選取相對(duì)應(yīng)，本文按照行業(yè)相同、會(huì)計(jì)年度相同、資產(chǎn)規(guī)模相近的原則選取181家未被特別處理的上市公司作為財(cái)務(wù)健康公司。這樣，我們最終得到362 家樣本公司，將2001 年至2007 年268 家公司作為建模樣本，2008 年至2011 年94 家公司作為檢驗(yàn)樣本。

由于我國(guó)證監(jiān)會(huì)是根據(jù)上市公司前兩年的年報(bào)所公布的業(yè)績(jī)判斷其是否出現(xiàn)財(cái)務(wù)狀況異常并決定是否要對(duì)其進(jìn)行特別處理的，所以采用上市公司前兩年的年報(bào)預(yù)測(cè)其是否會(huì)被ST 顯然會(huì)夸大模型的預(yù)測(cè)能力。因此，本文以ST 公司被“特別處理”的前三年作為樣本的時(shí)間范圍，即選擇在上市公司被ST 的前三年進(jìn)行預(yù)測(cè)，判斷其最終是否會(huì)陷入財(cái)務(wù)危機(jī)。

2. 預(yù)警指標(biāo)選取

財(cái)務(wù)預(yù)警指標(biāo)的選取對(duì)于財(cái)務(wù)危機(jī)預(yù)警研究具有非常重要的影響，科學(xué)的指標(biāo)不僅應(yīng)具有較好的分類能力，而且應(yīng)有效簡(jiǎn)化模型。國(guó)內(nèi)外很多學(xué)者已經(jīng)利用財(cái)務(wù)指標(biāo)對(duì)公司財(cái)務(wù)危機(jī)預(yù)警進(jìn)行了實(shí)證研究，盡管不同學(xué)者得出的預(yù)測(cè)公司發(fā)生財(cái)務(wù)危機(jī)的有效財(cái)務(wù)指標(biāo)不同，但基本上是從公司的償債能力、盈利能力和營(yíng)運(yùn)能力等方面進(jìn)行研究的。通過國(guó)內(nèi)重要的文獻(xiàn)索引并結(jié)合前人研究企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系的研究，考慮到資料的可獲得性與適用性，本文從償債能力、盈利能力、營(yíng)運(yùn)能力、成長(zhǎng)能力和獲取現(xiàn)金能力5 個(gè)方面選取了23 項(xiàng)財(cái)務(wù)指標(biāo)，具體如表1 所示。

3.研究方法

主成分分析是以最少的信息損失，將眾多的原始變量濃縮成為少數(shù)幾個(gè)主成分變量，使變量具有更高可解釋性的一種多元統(tǒng)計(jì)方法。主成分變量并非原始變量的簡(jiǎn)單取舍，而是將眾多彼此可能存在相關(guān)關(guān)系的財(cái)務(wù)指標(biāo)變量轉(zhuǎn)換成較少的、彼此不相關(guān)的綜合指標(biāo)，可以有效地克服原始變量之間的多重共線性。其表達(dá)式為：

主成分分析方法一方面能考慮更多一些對(duì)財(cái)務(wù)危機(jī)有指示作用的財(cái)務(wù)指標(biāo)，另一方面又不會(huì)因?yàn)樨?cái)務(wù)指標(biāo)太多而增加分析問題的復(fù)雜性。

三、實(shí)證結(jié)果與分析

1. 差異性檢驗(yàn)

為了能有效地區(qū)分財(cái)務(wù)危機(jī)公司和健康公司，需要知道兩組公司之間哪些財(cái)務(wù)指標(biāo)具有顯著差異。為了篩選出具有顯著差異及表征能力的變量指標(biāo)，首先必須對(duì)指標(biāo)的樣本數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，以確定是采用參數(shù)檢驗(yàn)或者非參數(shù)檢驗(yàn)來確定指標(biāo)變量的差異性。

本文首先對(duì)變量的樣本序列進(jìn)行K-S 檢驗(yàn)，檢驗(yàn)樣本序列是否服從正態(tài)分布。從表2 可以看出，在a=0.05 的顯著性水平下，僅X4（資產(chǎn)負(fù)債率）的K 統(tǒng)計(jì)量的P 值大于0.05，因此該指標(biāo)的樣本總體服從正態(tài)分布，其余22 個(gè)指標(biāo)的樣本總體不符合正態(tài)分布。這一結(jié)果與國(guó)外的實(shí)證檢驗(yàn)結(jié)果一致。根據(jù)正態(tài)分布檢驗(yàn)結(jié)果，本文分別采用參數(shù)T 檢驗(yàn)和非參數(shù)Z 檢驗(yàn)，來檢驗(yàn)23 個(gè)變量是否有顯著差異。從表2 可以看出，在a=0.05 的顯著性水平下，ST 公司與健康公司的全部23 個(gè)指標(biāo)均具有顯著差異。

盡管已經(jīng)篩選出具有顯著差異的變量，但這些變量可能彼此之間高度相關(guān)，即存在多重共線性的可能。為此，本文采用主成分分析法從眾多指標(biāo)中提取主成分，再選用幾個(gè)主成分建立模型。

2. 適用性檢驗(yàn)

模型數(shù)據(jù)是否適合主成分分析要通過KMO和巴特利特（Bartlett’s）球形檢驗(yàn)來考察。檢驗(yàn)結(jié)果顯示KMO 統(tǒng)計(jì)量（0.704）大于0.5，且巴特利特球形檢驗(yàn)值為4941.569，顯著性（0.000）小于0.05，表明相關(guān)系數(shù)矩陣單位矩陣有顯著差別，說明樣本適合進(jìn)行主成分分析。

3. 標(biāo)準(zhǔn)化處理

為避免由于量綱不同而造成的結(jié)果差異，本文首先對(duì)所選原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，使各指標(biāo)的均值為0，方差為1。采用z-score 標(biāo)準(zhǔn)化方法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化公式為：

其中xij為原始數(shù)據(jù)，為第j 個(gè)指標(biāo)的平均數(shù)，Sj為其標(biāo)準(zhǔn)差，n 為樣本數(shù)，p 為指標(biāo)數(shù)。

4. 主成分提取

根據(jù)表3 所示的主成分特征值與貢獻(xiàn)率可以看到，前11 個(gè)主成分的累積貢獻(xiàn)率達(dá)到了86.785%，根據(jù)主成分累計(jì)貢獻(xiàn)率大于85%的標(biāo)準(zhǔn)，提取這11 個(gè)主成分來代替原始的財(cái)務(wù)指標(biāo)。

5. 主成分經(jīng)濟(jì)解釋

表2 K-S 檢驗(yàn)、T 檢驗(yàn)和Z 檢驗(yàn)結(jié)果

通過表4 方差最大化旋轉(zhuǎn)后的主成分因子載荷矩陣還可以看出，主成分f1主要由變量x1（流動(dòng)比率）、x2（速動(dòng)比率）和x3（現(xiàn)金比率）解釋，反映公司的償債能力；主成分f2主要由變量x20（現(xiàn)金流動(dòng)負(fù)債比率）、x21（每股經(jīng)營(yíng)現(xiàn)金凈流量）和x23（總資產(chǎn)現(xiàn)金回收率）解釋，反映公司的現(xiàn)金獲取能力；主成分f3主要由變量x4（資產(chǎn)負(fù)債率）、x5（每股凈資產(chǎn)）、x6（每股收益）、x9（資產(chǎn)凈利率）和x10（凈資產(chǎn)收益率）解釋，反映公司的盈利能力；主成分f4主要由變量x13（流動(dòng)資產(chǎn)周轉(zhuǎn)率）和x14（總資產(chǎn)周轉(zhuǎn)率）解釋，反映公司的營(yíng)運(yùn)能力；主成分f5主要由變量x17（總資產(chǎn)增長(zhǎng)率）和x18（凈資產(chǎn)增長(zhǎng)率）解釋，反映公司的成長(zhǎng)能力。其余幾個(gè)主成分，f6主要由變量x8（銷售凈利率）和x22（銷售現(xiàn)金比率）解釋，f7主要由變量x7（主營(yíng)業(yè)務(wù)利潤(rùn)率）解釋，f8主要由變量x12（存貨周轉(zhuǎn)率）解釋，f9主要由變量x16（主營(yíng)業(yè)務(wù)利潤(rùn)增長(zhǎng)率）解釋，f10主要由x19（凈利潤(rùn)增長(zhǎng)率）解釋，f11主要由變量x15（主營(yíng)業(yè)務(wù)收入增長(zhǎng)率）解釋。

6. 主成分得分矩陣

在確定了各個(gè)主成分的經(jīng)濟(jì)意義之后，還要確定各主成分關(guān)于原始財(cái)務(wù)指標(biāo)的線性表達(dá)式，這由主成分得分系數(shù)矩陣提供，如表5 所示。通過主成分得分系數(shù)矩陣可以計(jì)算出11 個(gè)主成分得分函數(shù)：

f1=0.333x1+0.336x2+0.344x3-0.03x4-0.02x5-0.017x6+0.004x7+0.01x8-0.006x9-0.063x10+0.002x11-0.046x12+0.018x13+0.032x14+0.004x15+0.008x16-0.016x17-0.018x18+0.005x19-0.027x20+0.022x21-0.004x22+0.009x23

表3 主成分特征值與貢獻(xiàn)率

f2=-0.011x1+0.002x2-0.009x3-0.123x4+0.028x5-0.072x6+0.013x7-0.137x8-0.051x9-0.079x10+0.002x11-0.056x12+0.01x13-0.069x14-0.009x15+0.064x16+0.014x17+0.094x18+0.04x19+0.348x20+0.345x21+0.122x22+0.342x23

f3=-0.015x1-0.047x2-0.074x3-0.333x4+0.247x5+0.257x6-0.122x7+0.000x8+0.189x9+0.54x10-0.033x11-0.063x12-0.036x13-0.055x14-0.011x15-0.053x16-0.213x17-0.084x18-0.093x19-0.031x20-0.032x21-0.086x22-0.053x23

f4=0.013x1+0.02x2+0.074x3+0.17x4+0.076x5+0.055x6-0.016x7+0.024x8+0.056x9-0.095x10-0.047x11-0.05x12+0.518x13+0.551x14+0.004x15+0.006x16-0.018x17-0.134x18-0.056x19-0.054x20-0.003x21-0.156x22-0.016x23

f5=-0.022x1-0.006x2-0.036x3-0.015x4+0.078x5-0.083x6-0.062x7-0.142x8-0.056x9-0.254x10+0.008x11+0.008x12-0.068x13-0.06x14+0.015x15-0.047x16+0.598x17+0.63x18+0.008x19+0.105x20-0.001x21+0.106x22+0.04x23

表4 旋轉(zhuǎn)后的因子載荷矩陣

f6=0.009x1+0.007x2-0.007x3-0.038x4-0.105x5+0.007x6+0.005x7-0.045x8+0.013x9-0.026x10-0.013x11+0.005x12+0.006x13+0.009x14+0.591x15+0.608x16+0.022x17-0.037x18-0.026x19-0.007x20+0.051x21-0.027x22+0.013x23

f7=0.013x1+0.008x2+0.038x3+0.285x4-0.227x5+0.099x6-0.051x7+0.571x8+0.168x9+0.008x10-0.014x11+0.071x12-0.118x13-0.017x14+0.009x15-0.139x16+0.045x17-0.114x18-0.048x19-0.19x20-0.117x21+0.6x22+0.000x23

f8=0.000x1+0.003x2+0.017x3+0.019x4+0.102x5-0.02x6+0.897x7+0.22x8+0.033x9-0.27x10+0.013x11+0.058x12+0.014x13-0.012x14-0.109x15+0.109x16-0.039x17-0.138x18-0.064x19+0.09x20-0.006x21-0.248x22-0.025x23

f9=-0.055x1-0.028x2-0.073x3-0.247x4-0.117x5-0.104x6+0.056x7+0.117x8-0.067x9-0.053x10+0.015x11+0.953x12-0.036x13-0.074x14+0.05x15-0.024x16-0.028x17+0.071x18+0.004x19+0.05x20-0.086x21-0.019x22-0.074x23

表5 主成分得分系數(shù)矩陣

f10=-0.014x1+0.015x2+0.035x3+0.141x4-0.21x5+0.017x6-0.041x7-0.018x8+0.048x9-0.004x10+0.005x11+0.012x12-0.038x13-0.031x14-0.151x15+0.1x16+0.01x17+0.005x18+0.996x19+0.028x20+0.042x21-0.068x22+0.024x23

f11=0.008x1-0.014x2+0.003x3-0.032x4-0.041x5+0.009x6+0.016x7-0.016x8+0.018x9-0.059x10+0.994x11+0.006x12-0.012x13-0.061x14+0.07x15-0.093x16+0.001x17+0.007x18+0.006x19+0.012x20-0.007x21-0.003x22-0.011x23

7. 預(yù)警模型的構(gòu)建

根據(jù)表3 中各主成分因子的貢獻(xiàn)率，可以得到制造業(yè)上市公司的財(cái)務(wù)預(yù)警模型：

f=（13.233 f1+12.77 f2+12.656 f3+8.682 f4+8.351f5+6.25f6+6.105f7+5.229 f8+4.598f9+4.512 f10+4.399f11）/100

將建模樣本組標(biāo)準(zhǔn)化后的財(cái)務(wù)指標(biāo)代入主成分得分函數(shù)得到各主成分的數(shù)據(jù)，再根據(jù)財(cái)務(wù)危機(jī)預(yù)警函數(shù)模型計(jì)算得到各上市公司的預(yù)警分值，并按預(yù)警分值由大到小排序。預(yù)警分值越高代表公司的財(cái)務(wù)狀況越好，相反，預(yù)警分值越低則公司的財(cái)務(wù)狀況越差。然后，根據(jù)判別分類錯(cuò)誤總數(shù)最小原則，確定判別分割點(diǎn)在0.4144 和0.4788 之間，取其平均數(shù)0.4466 為ST 公司和健康公司的PS 值分割點(diǎn)，從表6 的建模樣本判定結(jié)果可以看到模型總體正確率為73.88%，由此可見模型的適用程度較高。

8. 預(yù)警模型的檢驗(yàn)

為了進(jìn)一步檢驗(yàn)以上模型的效果，本文將選取的2008 年至2011 年首次被ST 的47 家上市公司和與其配對(duì)的47 家公司組成的檢驗(yàn)樣本的財(cái)務(wù)指標(biāo)變量的主成分得分代入上述構(gòu)建的財(cái)務(wù)危機(jī)預(yù)警模型中，運(yùn)用建模樣本獲得的分割點(diǎn)，得到檢驗(yàn)結(jié)果如表7 所示?？梢钥闯?，檢驗(yàn)樣本中，在47 家ST 公司中被誤判為非ST 公司的有12 家，檢驗(yàn)的準(zhǔn)確率為74.47%；在47 家非ST 公司中被誤判為ST 公司的有10 家，檢驗(yàn)的準(zhǔn)確率為78.72%。綜合檢驗(yàn)結(jié)果的準(zhǔn)確率達(dá)到74.47%。這也進(jìn)一步證明了模型的效果。

表6 建模樣本結(jié)果

表7 檢驗(yàn)樣本結(jié)果

四、研究結(jié)論

考慮到已有企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型存在的缺陷，本文選取我國(guó)制造業(yè)2001 年至2011 年首次被ST（包括*ST）公司和正常公司各181 家為樣本，以被ST 前3 年傳統(tǒng)財(cái)務(wù)指標(biāo)為基礎(chǔ)，構(gòu)建了上市公司財(cái)務(wù)危機(jī)預(yù)警的主成分分析模型。該模型對(duì)建模樣本的預(yù)測(cè)正確率為73.88%，對(duì)檢驗(yàn)樣本的預(yù)測(cè)正確率為76.60%，結(jié)果表明該模型具有超前3 年的預(yù)測(cè)效果。業(yè)內(nèi)人士均知道，ST 公司是在連續(xù)2 年出現(xiàn)虧損后被給予ST 處理的，超前3年恰好是ST 公司開始出現(xiàn)虧損的前一年，換言之，本模型在ST 公司“戴帽”前3 年或ST 公司開始出現(xiàn)虧損的前一年就可預(yù)知公司的前景。

本文在研究上也存在著一定的局限性，一是與國(guó)內(nèi)眾多學(xué)者一樣，公司樣本的選擇還局限于上市公司，這就限制了模型的適用范圍。二是本文對(duì)模型的構(gòu)建基礎(chǔ)僅限于財(cái)務(wù)指標(biāo)，有關(guān)的宏觀環(huán)境、行業(yè)競(jìng)爭(zhēng)情況和公司治理等影響企業(yè)財(cái)務(wù)狀況的非財(cái)務(wù)指標(biāo)因素沒有納入研究。三是本文在建立模型時(shí)，只選擇了制造業(yè)，沒有考慮其他行業(yè)。這些在以后的研究中需要進(jìn)一步改進(jìn)和完善。

＊本文系北京市屬高等學(xué)校人才強(qiáng)教深化計(jì)劃資助項(xiàng)目中青年骨干人才培養(yǎng)計(jì)劃（項(xiàng)目編號(hào)：PHR201008224）的部分研究成果。

[1]Beaver W.Financial Ratios as Predictors of Failure [J].Supplement to Journal of Accounting Research，1966（4）：71-111.

[2]Altman E.Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy [J].Journal of Finance，1968（9）：589-609.

[3]Ohlson J.Financial Ratios and the Probabilistic Prediction of Bankruptcy [J].Journal of Accounting Research，1980（18）：109-131.

[4]吳世農(nóng)，黃世忠.企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測(cè)模型[J].中國(guó)經(jīng)濟(jì)問題，1986（6）：15-22.

[5]周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析-F 分?jǐn)?shù)模式[J].會(huì)計(jì)研究，1996（8）：8-11.

[6]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）：31-38.

[7]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）：46-56.