暨南大學(xué)人文學(xué)院 黃揚(yáng)

基于二項(xiàng)Logistic回歸的上市公司財務(wù)預(yù)警實(shí)證研究

暨南大學(xué)人文學(xué)院 黃揚(yáng)

摘 要：在本文研究中，通過以2015年上半年12家因?yàn)檫B續(xù)虧損3年被特別處理(被ST)的上市公司和12家財務(wù)運(yùn)行正常(未被ST)的上市公司為樣本，運(yùn)用獨(dú)立樣本T檢驗(yàn)方法篩選指標(biāo)，并基于二項(xiàng)Logistic回歸分析方法，通過SPSS統(tǒng)計軟件建立了上市公司被ST前三年的logistic財務(wù)預(yù)警模型。該實(shí)證研究表明，模型整體預(yù)警識別率高達(dá)91.67%，這說明該模型的預(yù)測準(zhǔn)確度較高。

關(guān)鍵詞：上市公司 財務(wù)預(yù)警 回歸分析

1 引言

隨著我國社會主義市場經(jīng)濟(jì)的不斷發(fā)展和變化，以及市場中各個經(jīng)濟(jì)部門的企業(yè)所面臨的不確定因素的變動，它們的經(jīng)營風(fēng)險特別是財務(wù)風(fēng)險同樣也逐漸增加。而這些風(fēng)險是伴隨著市場中企業(yè)的經(jīng)營行為和經(jīng)營狀況所變化的。比如，隨著企業(yè)的盲目投資增產(chǎn)，盲目跨行業(yè)經(jīng)營以及不重視企業(yè)的自身負(fù)債等不良經(jīng)營行為的增加，企業(yè)也會逐漸陷入到連續(xù)虧損等財務(wù)危機(jī)的現(xiàn)象中，甚至最終可能導(dǎo)致企業(yè)走向破產(chǎn)。此外，可以說上市公司的財務(wù)運(yùn)營情況也是牽動著企業(yè)內(nèi)部以及企業(yè)外部多個集體和個人的經(jīng)濟(jì)利益，受到了多方面的密切關(guān)注。因此，建立合理有效的財務(wù)預(yù)警方法和機(jī)制對于我國的眾多企業(yè)，特別是面臨更大的經(jīng)營風(fēng)險的上市公司來說，是極其有必要的。因此，本文研究通過采用最新的上市公司的相關(guān)數(shù)據(jù)，運(yùn)用科學(xué)的手段和方法選取針對上市公司的財務(wù)指標(biāo)體系，并建立相應(yīng)的財務(wù)預(yù)警模型，并檢驗(yàn)?zāi)Ｐ偷念A(yù)警識別率，以實(shí)現(xiàn)對我國上市公司的財務(wù)預(yù)警機(jī)制的研究是一項(xiàng)符合目前市場經(jīng)濟(jì)高速發(fā)展的需求，并具有較強(qiáng)的實(shí)用意義的科學(xué)研究。

2 文獻(xiàn)綜述

對于如何研究企業(yè)財務(wù)預(yù)警機(jī)制，國內(nèi)外學(xué)者都取得了一定的進(jìn)展。首先，國外方面例如著名的美國會計學(xué)家William Henry Beaver(1996)就曾采用一元判定預(yù)測分析方法對多家經(jīng)營不善的企業(yè)進(jìn)行了財務(wù)危機(jī)的預(yù)測研究。而著名的數(shù)據(jù)科學(xué)專家Viktor Mayer Salchenberger(1992)則將神經(jīng)網(wǎng)絡(luò)分析引入了遭遇財務(wù)危機(jī)的金融企業(yè)的研究之中。而國內(nèi)的相關(guān)研究是源于20世紀(jì)80年代，具有代表性的是吳世農(nóng)等(1987)所提出的企業(yè)財務(wù)指標(biāo)以及財務(wù)危機(jī)預(yù)測方法的研究。顧曉安(2000)在《公司財務(wù)預(yù)警系統(tǒng)的構(gòu)建》中則從控制現(xiàn)金流的角度來研究和分析企業(yè)的短期財務(wù)預(yù)警系統(tǒng)。此外，端木正(2004)結(jié)合當(dāng)時中國企業(yè)的實(shí)際情況初步提出和構(gòu)建了財務(wù)預(yù)警模型，并重點(diǎn)探討了關(guān)于財務(wù)預(yù)警指標(biāo)體系中的幾個問題。李樹根(2007)則基于BP神經(jīng)網(wǎng)絡(luò)方法，建立了一個財務(wù)預(yù)警框架。而廖志文(2012)則基于CBR方法即案例推理分析，以及灰色關(guān)聯(lián)度的方法來進(jìn)行企業(yè)財務(wù)預(yù)警模型的建模。蔡秋萍(2006)通過二項(xiàng)Logistic回歸分析來建立北京、上海和江蘇等三地的上市公司的財務(wù)預(yù)警模型，并得出了該種模型具有很高的預(yù)警識別率的研究結(jié)論。因?yàn)樵摲椒ㄊ褂幂^為方便，且可以滿足多個指標(biāo)變量的預(yù)測。同時，我們選取的被解釋變量正好符合兩種取值的情況。所以，在本文研究中，我們將對于企業(yè)的財務(wù)指標(biāo)體系創(chuàng)新性地采用單指標(biāo)T檢驗(yàn)的方法來進(jìn)行篩選，并基于二項(xiàng)logistic回歸的方法來構(gòu)建上市公司被ST前三年的logistic財務(wù)預(yù)警模型。

3 研究樣本與指標(biāo)選取

在本文研究中，選取了2015年上半年12家因?yàn)檫B續(xù)虧損3年被特別處理(被ST)的上市公司和12家財務(wù)正常(未被ST)的上市公司作為研究的樣本。所有數(shù)據(jù)來源于證券之星網(wǎng)站資料，具體情況詳見表1。

基于本研究在借鑒前人研究的基礎(chǔ)上，結(jié)合考慮我國企業(yè)的具體財務(wù)特征，選取了以下15個財務(wù)指標(biāo)作為本次研究的初步指標(biāo)體系，具體指標(biāo)如表2所示。其中，指標(biāo)X1、X2、X3可以反映一家上市公司的營運(yùn)能力。指標(biāo)X4、X5、X6能夠反映上市企業(yè)的盈利能力。而指標(biāo)X7、X8和X9是反映上市企業(yè)的償債能力的重要指標(biāo)。指標(biāo)X10、X11和X12則能夠反映一家上市公司現(xiàn)金流的狀況。此外，X12、X13、X15可以反映上市企業(yè)的成長能力。但是，本文研究還需要對這15個指標(biāo)進(jìn)行一定的篩選，以確保所選取的指標(biāo)在被特別處理的企業(yè)和未被特別處理的企業(yè)之間存在明顯的差異。因此，在本文中，采用了獨(dú)立樣本T檢驗(yàn)的方法來判斷被ST上市公司和未被ST上市公司在所選各個財務(wù)指標(biāo)的方差上是否存在顯著差異。

表1 研究樣本

表2 財務(wù)指標(biāo)體系及T檢驗(yàn)結(jié)果

注：“*”， “**”，“***”分別表示在10%，5%，1%的統(tǒng)計水平下顯著

將數(shù)據(jù)通過SPSS17.0統(tǒng)計軟件進(jìn)行計算，可以得到表2中的20家上市公司的獨(dú)立樣本T檢驗(yàn)結(jié)果。其中，P-為F檢驗(yàn)統(tǒng)計量的概率。因?yàn)長ogistic回歸模型的變量要求相對嚴(yán)格，因而，本文研究中是以1%的顯著性水平為標(biāo)準(zhǔn)從初步選擇的15個財務(wù)指標(biāo)中選取上市公司的財務(wù)預(yù)警指標(biāo)。根據(jù)表2中給出的數(shù)據(jù)結(jié)果可知，在上述的15個財務(wù)指標(biāo)中，只有X1(總資產(chǎn)周轉(zhuǎn)率)，X4(總資產(chǎn)凈利率)，X8(速動比率)以及X14(凈利潤增長率)可以入選為本次研究的財務(wù)預(yù)警模型的指標(biāo)，即被特別處理的上市公司和未被特別處理的上市公司在這四個指標(biāo)上有著顯著的差異。下面將根據(jù)這四個指標(biāo)(X1，X4，X8，X14)來建立Logistic預(yù)警模型。

4 二項(xiàng)Logistic回歸分析

首先，將被解釋變量即上市公司的財務(wù)狀況是否出現(xiàn)了危機(jī)(即表現(xiàn)為該企業(yè)的證券是否被特別處理)取值為0和1，具體而言，被解釋變量Y值取值為0的情況是企業(yè)財務(wù)出現(xiàn)異常即被ST的上市公司，而被解釋變量取值為1的情況是財務(wù)狀況運(yùn)行正常即未被ST的上市公司。接著，通過引入以上所選取的財務(wù)預(yù)警指標(biāo)(X1，X4，X8，X14)的被ST前三年的數(shù)據(jù)，基于二項(xiàng)Logistic回歸模型，使用SPSS17.0統(tǒng)計軟件運(yùn)算可以得到表3中的回歸結(jié)果。

表3 二項(xiàng)Logistic回歸結(jié)果

所以，根據(jù)表3中二項(xiàng)Logistic回歸的結(jié)果，可以得到本研究的上市公司被ST前三年的財務(wù)預(yù)警模型如下：

在本文研究中，對于該預(yù)警模型取0.5為分界點(diǎn)，P的取值范圍從0到1。具體而言，當(dāng)0.5＜P≤1時，可判斷為被特別處理的上市公司。而相反，當(dāng)0≤P＜0.5時，可判斷為為被特別處理的上市公司。若是P=0.5，這說明這家上市公司的財務(wù)運(yùn)行狀況處于難以預(yù)測的狀態(tài)。同時，使用SPSS17.0統(tǒng)計軟件可以得到該預(yù)警模型的混淆矩陣，該矩陣實(shí)際上是一種能夠很直觀的判斷預(yù)警模型的優(yōu)劣的方法。其以矩陣表格的形式向我們反映了這個財務(wù)預(yù)警模型的預(yù)測值及其實(shí)際值的吻合情況，也就是體現(xiàn)了其預(yù)警識別率的高低，詳見表4。

根據(jù)表4中的結(jié)果，我們可以得知該模型中，對于12家由于財務(wù)危機(jī)而被特別處理的上市公司，只有1家未能被正確判斷，即其預(yù)警識別率高達(dá)91.67%。而對于12家財務(wù)正常且未被特別處理的上市公司，同樣也只有1家未能被正確判斷，因此其預(yù)警識別率同樣高達(dá)91.67%。所以，整個財務(wù)預(yù)警模型的預(yù)警識別率為91.67%，這意味著本研究所建立的模型具有較高的預(yù)測準(zhǔn)確度，達(dá)到了本研究對于財務(wù)預(yù)警模型的要求和預(yù)期。

表4 財務(wù)預(yù)警模型的預(yù)警識別率

5 結(jié)語

在本文研究中，通過以2015年上半年12家因?yàn)檫B續(xù)虧損3年被特別處理(被ST)的上市公司和12家財務(wù)運(yùn)行正常(未被ST)的上市公司為樣本，并運(yùn)用獨(dú)立樣本T檢驗(yàn)方法篩選初步確定的15個指標(biāo)，經(jīng)過檢驗(yàn)，有X1(總資產(chǎn)周轉(zhuǎn)率)、 X4(總資產(chǎn)凈利率)、X8(速動比率)以及X14(凈利潤增長率)等四個指標(biāo)入選?；诙?xiàng)Logistic回歸分析方法，通過SPSS17.0統(tǒng)計軟件建立了上市公司被ST前三年的logistic財務(wù)預(yù)警模型。而通過該模型的混淆矩陣可以得知，這個模型整體預(yù)警識別率高達(dá)91.67%，也就說明該預(yù)警模型的預(yù)測準(zhǔn)確度較高，符合本研究的期望。對于上市公司具有良好的實(shí)用性和指導(dǎo)作用。

當(dāng)然，本研究也存在一定的不足之處。例如，在本研究中，由于未能考慮和分析非財務(wù)性的因素及指標(biāo)等對于上市公司的財務(wù)狀況的影響，在一定程度上也導(dǎo)致了所選取指標(biāo)體系的局限性。以后的研究可以對這方面加以改進(jìn)。

參考文獻(xiàn)

[1] 吳世農(nóng),黃世忠.企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測模型[J].中國經(jīng)濟(jì)問題,1987(6).

[2] 顧曉安.公司財務(wù)預(yù)警系統(tǒng)的構(gòu)建[J].財經(jīng)論叢,2000 (4).

[3] 端木正.基于人工神經(jīng)網(wǎng)絡(luò)的財務(wù)危機(jī)預(yù)警模型[J].統(tǒng)計與決策,2004(10).

[4] 李樹根.基于BP神經(jīng)網(wǎng)絡(luò)的財務(wù)預(yù)警方法探究[J].中國管理信息化(會計版),2007(11).

[5] 廖志文.基于CBR和灰色關(guān)聯(lián)度的財務(wù)危機(jī)預(yù)警[J].計算機(jī)工程,2012(1).

[6] 蔡秋萍.基于Logistic分析的我國上市公司財務(wù)預(yù)警區(qū)域研究[J].華東經(jīng)濟(jì)管理,2006(10).

作者簡介：黃揚(yáng)(1994-)，男，廣東潮州人，暨南大學(xué)人文學(xué)院，主要從事政策分析，財務(wù)預(yù)警方面的研究。

中圖分類號：F275

文獻(xiàn)標(biāo)識碼：A

文章編號：2096-0298(2015)06(a)-153-03