財務危機預警研究范文

時間:2023-07-27 17:01:59

導語:如何才能寫好一篇財務危機預警研究,這就需要搜集整理更多的資料和文獻,歡迎閱讀由公務員之家整理的十篇范文,供你借鑒。

財務危機預警研究

篇1

【關鍵詞】財務危機,財務預警,綜述

國內外學者對于財務危機預警的研究已經將近80年,從Fitzpatrick(1932)最早發現出現財務危機的公司其財務比率顯著不同于正常公司的財務比率起,到運用統計方法進行建模。隨著計算機技術被運用到預警模型,大大提高了預測的準確度。

本文旨在對前人研究中,財務危機的概念界定、變量選擇、樣本選取、模型發展等環節中的成果進行綜述,指出存在的一些問題,提出可能的發展趨勢及未來研究思路。

一、概念界定

Beaver(1966)將財務危機定義為破產、拖欠優先股股息、銀行透支和債券違約。Altman(1968)認為財務危機是“企業失敗,包括在法律上的破產、被接管和重整等”。

朱家安、陳志斌(2007)對國內主要經管類學術刊物上有關財務危機預警的34篇文章進行了統計,將財務危機界定為“以財務狀況異常被ST的公司”占35%,直接將財務危機界定為“被ST的公司”占44%,說明將ST界定為財務危機在在研究中已被廣泛采用。

二、變量選擇

(一)財務指標Fitzpatrick(1932)最早發現出現財務危機的公司其財務比率顯著不同于正常公司的財務比率。Altman(1968)使用常規的財務指標,如負債比率、流動比率、凈資產收益率和資產周轉速度等,作為模型的變量。Aziz和Lawson(1989)發展了現金流量信息指標體系,發現含現金流量信息的模型預測效果更好。在朱家安、陳志斌(2007)的統計中,國內研究中指標選取多為利潤指標,較少涉及現金流量指標。

(二)股權結構指標La Portaetal(1999)發現公司的股權集中程度越高,財務狀況越容易出問題。Shleifer & Vishny(1986)、Faccio & Lang(2002)指出,所有權集中度的提高會降低企業發生財務危機的可能性。姜秀華和孫錚(2001)認為分散的股權結構使得股東之間的“搭便車”行為更容易導致企業出現財務危機。于富生和張敏(2008)則發現我國上市公司股權集中程度同公司財務危機之前有顯著正相關關系。

(三)治理結構指標Shi jun Cheng(2008)指出,董事會規模同公司業績呈負相關;Judge & Zeithaml(1992)發現,高比例的內部董事放松了對管理層的監督,從而有可能導致財務危機的發生;Bhagat & Black(2002)研究發現,公司的獨立董事比例同公司業績無顯著相關性。孫永祥等(2000)以托賓Q值、總資產收益率和凈資產收益率作為衡量公司業績的指標,表明我國上市公司董事會規模同公司業績之間具有負向關系;于富生和張敏(2008)發現,獨立董事比例與公司財務風險之間存在顯著負相關關系。

(四)管理層特征指標Whitaker(1999)認為,許多公司陷入財務危機更多的是源于其薄弱的管理而非經濟上的困難。McConnell & Servaes(1990)研究了管理層激勵對財務危機的影響,認為經理人員持股比例與公司表現呈波動性關系。Warfield(1995)的研究認為,公司管理層持有本公司股票越多,其與股東權益就越趨于一致,就會有較強的動機避免公司陷入財務危機。陳超(2002)的研究認為,我國上市公司高管持股比例同公司陷入財務危機的可能性負相關。

(五)其他指標除上述提及的非財務指標外,很多學者試圖選取其他一些獨立的非財務指標,如公司資產市場價值指標、股東大會股東出席率、股票換手率甚至地域指標等。但目前學術界對這些指標的預測效率并未取得一致性的看法,這些指標也未獲得廣泛使用。

隨著經濟一體化不斷加快,企業間的競爭日趨激烈,人們也逐漸意識到在復雜環境下,僅靠財務指標難以較好地對財務危機進行預測,而加入資本市場可獲取導致危機的動力性因素,勢必大大增加模型的復雜程度,模型的精細化又勢必導致適用度降低。

三、樣本選取

很多實證研究中的樣本選擇是非隨機的,導致模型估計出的系數和概率有偏。鄧白氏報告顯示,在美國,自1934年以來,企業倒閉頻率從來沒有超過0.75%。而在包括Beaver(1966)、Altman(1968)在內的多項研究中,其樣本中財務危機企業數占總樣本的50%,是總體頻率的66.7倍。國內大部分研究也沿用一一配對的方式。陳曉(2000)、彭大慶(2006)采用非配對樣本進行研究,模型的判別正確率分別為78.24%、62.9%,與其他配對抽樣的研究結果相比,判別正確率偏低。由于市場體制的不完善,我國上市公司中盈余管理行為普遍存在。研究者應識別公司是否有盈余管理的嫌疑,將噪音數據剔除,或者在初步得出模型的預測準確率后進行修正,以反映真實的預測效果。

四、模型發展

財務危機預警模型的演變既反映了也受制于科學研究方法以及科學技術的發展。從20世紀30年代的單變量預警模型到現在的人工智能技術的運用,財務危機預警模型經歷了從低級到高級的演變。但從技術上來看,模型的發展已出現瓶頸期,很大程度上依附于現有研究方法的改進。

五、總結

對于財務危機預警模型的研究,多數學者一味地追求模型的完美,高預測準確率和精度,而忽視了基本理論的建立,導致研究在很多細節上得不到扎實的理論支持,實踐中效果不理想,從而很容易受到質疑。我國處于轉軌經濟的特殊時期,資本市場的弱式有效性導致可獲取數據的無規律性和影響因素的復雜性,是研究者采用常規模式對資本市場的規律進行研究的一大阻礙。同時,正是這種特殊的環境給了我國研究者一個對特定環境下市場規律進行探究的良好契機。

參考文獻:

篇2

[關鍵詞] 財務危機財務危機預警指標體系財務危機預警模型

企業財務危機指企業喪失償付能力,財務狀況陷入入不敷出的狀態,或指資產價值低于負債價值,凈資產是負值,或指缺乏償還當前到期債務的現金流入,現金凈流量為負值的狀態。及早地發現財務危機,使經營者能夠在財務危機出現的萌芽階段采取有效措施來改善企業經營,建立一套財務危機預警系統,是避免企業陷入財務危機甚至破產的有力武器。

一、目前企業財務危機預警模型的局限性

1.財務危機預警模型指標選擇上的局限性

國內外的財務危機預警模型普遍采用的是靜態的財務指標,在指標的選擇上過分強調了流動項目、盈利能力對企業財務危機的影響。而經營者可以通過調整會計政策、控制財務費用等手段來調節凈利潤的高低,粉飾報表,導致企業的會計信息失真,相應的指標也就失去了意義。

一般企業沒有對現金流量對財務危機的影響予以充分的重視,企業財務危機最直接的表現就是企業現金支付能力變弱,沒有足夠的現金支付到期的債務。按照會計分期假設和權責發生制原則確認的賬面收入,首先表現為一種應計的現金流入量,而非直接等同于實際的現金流入量。從財務上講,只有當應計現金流入量成為實際的現金流入量時,才表明銷售收入的真實實現。倘若企業賬面意義的銷售收入不能轉化為足夠的實際現金流入量,不僅意味著企業銷售收入質量低下,而且會由于現金的匱乏而無力支付到期債務和日常經營的開支,造成企業的債務風險增加。倘若企業長期處于現金短缺的狀態,必然會陷入嚴重的財務危機困境,甚至破產倒閉。因而,過去和現在的現金流量可以很好的反映企業的價值和破產概率。

同時由于缺乏經濟理論的指導,對于在眾多的財務指標中找出最有效的財務比率作為財務危機預警模型的解釋變量,中外學者還沒有達成共識。在關于財務危機預警的研究中,先后共有近30個的財務比率在財務危機預警系統中被頻繁的使用,可以看出財務指標選擇在財務危機預警研究中一定的隨意性了。

2.財務危機預警模型應用上的局限性

在實證研究中,由于陷入財務危機的企業相對較少,使得研究人員不得不將在不同時期陷入危機的不同行業企業的集合在一起,已獲得足夠大的樣本容量,以這樣的一個樣本得到的預測變量,必然是對所有樣本公司都顯著的變量,它們反映了陷入危機的樣本企業最普遍的共同特征,但難以反應個性企業的特殊情況。

目前的大多數模型是對已經失敗或時已經解體的企業集團進行實證分析,不具有普遍的危機預警意義。另外,選擇上市公司作為研究對象的模型也比較的多,大多數研究的目的都希望能給企業和投資者提供一個可以廣泛適用的財務危機預警系統。由于上市公司的財務危機影響面較大,而且數據資料取得較為容易,在財務危機預警的研究中,基本上采用其樣本數據。在現實生活中,發生財務危機比例更大的是中小企業,但由于其財務資料取得較為困難等原因,以中小企業為樣本展開的研究很少,財務危機預警研究的結論缺乏廣泛的適用性。

財務危機預警模型計算結果的有效性必須建立在企業的數據是真實的、正確的基礎上,但在我國現階段,市場經濟尚未規范,企業經濟活動中存在大量的粉飾報表,會計信息失真的現象。企業財務危機預警模型利用財務指標進行量化的分析,可以直觀的反映企業的財務狀況,但在應用時無法對虛假的信息做出正確的財務危機預警。同時,財務危機預警無法對因特殊突發事件而造成的財務危機做出預警。

在財務危機預警研究中,由于構建模型的思路和理論基礎不同,所使用的數據處理方法也不大相同。例如單變量模型中,由于“現金流量/總負債”指標只考慮了負債規模,而沒有考慮負債的結構及流動性,對一些由于短期償債能力不足而出現危機的企業存在較大的誤判性;二是“凈利潤/總資產”這一指標沒有結合資產的構成要素,因為不同的資產項目在企業盈利過程中所發揮的作用是不相同的;三是單變量分析法因不同財務比率的預測方向與能力經常有相當大的差距,有時會產生對于同一企業使用了不同比率預測出不同結果的現象。單變量模型招致了許多批評,逐漸被多變量模型方法所取代。

二、財務危機預警模型指標體系的改進

1.財務危機預警指標的主體財務比率

企業持續的生存和發展必須可以償還債務,有好的盈利能力,有強的獲現能力和現金流動能力。為了保證財務比率具有科學性和實際應用價值,作為構成財務指標的主體的財務比率,本文認為應當包括有關的償債能力、盈利能力、獲現能力、發展能力、現金流量5個方面的內容。

(1)償債能力指標

企業的財務危機從資產存量的角度看,表現為企業總資產的賬面價值低于總負債的賬面價值,從《企業破產法》規定的角度來看,企業破產的界限為“因經營管理不善造成嚴重的虧損,不能償還到期的債務”,過度舉債是形成企業財務危機的“第一殺手”,償債能力指標是構建財務危機系統指標體系的重要因素。

(2)盈利能力指標

不論是投資人、債權人還是企業的經營者都非常關心企業的盈利能力。一般說來,企業的盈利能力只涉及到正常營業的狀況,非正常的營業狀況,為了客觀的評價投資人所關注的盈利能力可選擇主營業務利潤率、總資產報酬率、凈資產報酬率。

(3)獲現能力指標

企業利潤最終需要轉化為可以自由流動的資金才有意義,這個比率可用來衡量企業的獲現能力。財務危機的爆發不完全取決于企業是否有盈利,企業如果有很大的盈利,但如果這些盈利轉化為現金的能力不強的話,就無法應付日常的開支,那么企業就無法維持下去。評價企業的獲現能力,應選擇銷售現金比率、每股經營活動現金凈流量、總資產現金流量比率。

(4)發展能力指標

發展能力是企業在生存的基礎上,擴大規模,壯大實力的潛在能力,反映企業未來的市場擴張、規模壯大及利潤增長的前景,是企業發展趨勢的綜合體現。為了反映企業未來資本擴張的能力,可選擇銷售增長率,總資產增長率和凈利潤增長率。

(5)現金流量指標

從現金流量角度看,財務危機另一個重要的表現就是企業現金流入小于現金流出,即企業凈現金流量為負數。凈利潤會受到經營者的控制,這種利潤操作行為,導致財務信息失真,同時演繹成一種非常奇特、非常矛盾的狀況:一方面企業賬面有會計利潤;另一方面,企業缺少現金支付能力。為了克服權責發生制所帶來的人為操縱利潤的弊端,人們在現金收付制的基礎上,發展了現金流量基礎。財務危機預警系統的重點應是現金及其流動,為了反映企業的現金流量,可選擇現金流動負債比、現金債務總額比等指標。

2.財務危機預警改進指標體系

基于對財務危機預警模型局限性,以及財務危機預警指標特點的分析,本文認為適合我國企業的財務危機預警指標體系應在原有的基礎上再從企業的獲現能力、現金流的角度來選擇關鍵性的財務指標,如表1:

表1財務危機預警指標體系

三、財務危機預警的改進模型

1.線性改進模型的解釋變量

根據以上分析,本文選擇了上述六個變量來建立財務危機預警模型,建立的判別函數為:

Z=a+b1x1+b2x2+b3x3+b4x4+b5x5+b6x6

其中:Z為判別函數,x1是速動比率,x2是資產凈利率,x3是每股經營性現金流量,x4是凈利潤增長率,x5是現金流動負債比,x6現金債務總額比,b1至b6為系數。

2.實際數據的計算

本文選用了表2的15家非破產和破產企業的統計資料:

表2非破產和破產企業的數據

進行回歸計算得到:

Z=0.582+0.016x1+0.007x2+0.042x3+0.001x4+0.1829x5+

0.101x6

根據上面的分析,可以知道當Z值越大時,公司的財務狀況良好,不會陷入財務危機;當Z值越小,公司財務狀況不好,公司可能陷入財務危機。

篇3

關鍵詞:財務危機 預警體系 財務指標

序言

經濟全球化時代,市場經濟的飛速發展一方面促使企業全面走向市場,為企業發展提供了廣大的資金和產品銷售市場,另一方面市場中的企業,時刻面臨著各種風險,每種風險都有可能導致企業走向滅亡。如果企業不能卓有成效的規避與防范各種風險因素的話,勢必使企業的未來發展陷入嚴重的危機境地。然而,在企業遭遇風險之前,財務狀況會逐漸惡化產生企業的財務危機,隨著時間的推移,當財務危機加劇到企業無以承受的極限時,全面危機將會隨之爆發。

企業財務危機的產生有著多方面的原因,不僅僅是企業外部條件會造成企業的財務危機,企業內部由于經營管理不善也會促發企業的財務危機,為此就必需選擇恰當的財務指標,建立合理的財務危機預警體系,加強企業財務風險防范,為企業發展保駕護航。

一、企業財務危機的基本認識

(一)企業財務危機含義及表現形式

財務危機是由于種種原因導致的企業財務狀況持續惡化,財務風險加劇,出現不能清償到期債務的信用危機,直至最終破產的一系列事件的總稱。

財務危機從總體上說是支付能力不足或者支付能力喪失,但具體地看,卻存在多種表現形式:

1、從資產存量角度看,企業總資產的賬面凈值相當于或小于賬面記錄的負債金額,即企業凈資產小于或等于零。當企業凈資產為負值時,就是所謂的“資不抵債”,表明企業已經事實上破產。

2、從可持續經營的角度看,企業主營業務量持續負增長,市場銷售黯淡,盈利能力差,存在數額巨大的未彌補虧損。

3、從現金流量角度看,企業現金流入小于現金流出,經營性現金凈流量為負值,并常常伴有資金流量萎縮的情況,一些必要的約束性支出被壓縮或拖欠,且這種現金流量的非正常情況處于長期的持續狀態,其應履行的償債義務受到阻礙。

4、由于經常拖欠應付款項,企業信用喪失,難以從供應商、金融機構或資本市場等相應融資渠道籌集必需的補充資金,用來維持日常支出或基本的償債需求,使企業資金來源日益枯竭,從而步人惡性循環,導致企業發生嚴重財務危機而不得不宣告破產。

(二)企業財務危機的特征

從財務危機的定義可以看出它指的是企業無力支付到期債務或費用的一種經濟現象,財務危機的特征可以概括為以下幾點:

1、客觀積累性。財務危機的客觀積累性表現為期間概念,它是反映企業一定時期在資金籌集、投資、占用、耗費、回收、分配等各個環節上所出現的失誤,而非會計報表某一時點上某一項目的失誤,即是各種財務活動行為失誤的綜合。

2、突發性。財務危機由于受到許多主、客觀因素的影響,其中有些因素是可以把握和控制的,但更多因素是爆發性的、意外性的,有的甚至是急轉直下的。

3、多樣性。由于受到企業經營環境、經營過程、財務行為方式多樣化的影響,這些活動環節中不管哪一個環節出現問題都可能引發財務危機。

4、災難性。財務危機雖然包括多種情況,但不管是資金管理技術性失敗,還是企業破產,或是介于兩者之間的任何一種情況發生都會給企業帶來災難性的損失。

(三)企業財務危機形成的原因

1、企業經營風險的存在

影響企業經營風險的主要因素是:市場對企業產品的需求、企業產品的銷售價格、生產資料價格的穩定性、企業對產品銷售價格的調整能力、單位產品變動成本的變化、企業固定成本總額的高低以及經營管理者的業務素質和管理經驗等,其中決定性因素是管理的質量。

2、企業喪失籌資能力

企業債務的一種重要清償方式是以新籌資金還債。新籌資金包括權益資金和債務資金。一個企業籌資能力喪失(或者無籌資能力),企業現金又不足以維持企業持續經營,此時到期債務不能清償就為必然,所以,企業籌資能力喪失是企業發生財務危機的首要原因。

3、企業現金流量不佳

合理的現金流量,是維持企業在一個適當的資本和財務結構下經營及運作的需要,也是維持企業在較強的流動性下得以生存和發展的需要。在日常經濟生活中,有時一個盈利不錯的企業也會走向破產。一個企業現金流量是否合理,主要體現在企業盈利質量、現金流量結構和支付能力等方面。

4、企業資產流動性的強弱

5、企業負債結構和企業資產占用期限搭配(即籌資政策)不合理

二、企業財務危機預警體系解析

企業財務危機一旦發生對企業的發展將造成致命的打擊,企業財務危機是多種因素作用的結果,它具有較長的潛伏期。一般其形成過程有規律可尋,因此建立企業財務危機預警體系就顯得尤為重要。

(一)企業財務危機預警體系的含義

財務預警體系就是以企業的財務報表、經營計劃、相關經營資料以及所收集的外部資料為依據,根據企業建立的組織體系,采用各種定量或定性的分析方法,將企業所面臨的經營波動情況和危險情況預先告知企業經營者和其他利益相關方,并分析企業發生經營非正常波動或財務危機的原因,挖掘企業財務運營體系中所隱藏的問題,以督促企業管理部門提前采取防范或預防措施,為管理部門提供決策和風險控制依據的組織手段和分析系統。

(二)企業財務危機預警體系指標設計原則

企業在構建企業外務危機預警體系時,首要的問題是財務指標的選取,所選取的指標應該全方位地反映企業的財務現狀和運行規律,及時對企業財務運營中存在的風險發出警報并迅速做好防范和控制措施。一般說來,財務指標的設計和預警體系的構造應遵循以下幾個原則:

1、針對性原則。即預警指標必須與企業的特點充分結合起來,使構建的預警指標體系對企業的財務分析和風險判斷做到真實可靠。

2、全面性原則。即預警指標體系應該全面、系統反映企業的財務風險程度,設計的指標能夠充分考慮企業可能面臨的財務風險,做到預警指標不重復、不遺漏。

3、動態性原則。即必須在分析企業現狀的基礎上,把握未來的發展趨勢。此外,還必須根據經濟發展和環境變化不斷修正、補充指標體系的內容,確保預警的時效性。

4、可行性原則。即在企業的經營情況及財務狀況出現惡化或發生危機之前,能夠及時發出警報。預警的信號要明確,判斷要簡單,不應把指標設計得于復雜,缺乏實用性。此外,還必須保證所花費的成本低于其所能帶來的效益。

(三)企業財務危機預警程序

企業財務預警過程實質上是一個邏輯分析過程,即應用因果分析法,從結果出發尋找產生這種結果的原因,再分析原因又是如何影響結果—警情及影響程度大小。財務預警遵循的邏輯過程即預警系統研究所遵循的思路依次是:

1、確定警情。確定警情是預警的前提,可以通過預警系統中所選擇的若干重要預警指標的預測景氣信號來反映。

2、尋找警源。確定警源是預警過程的起點。警源是導致警情發生的根源。一般說來,警源有兩類:一是可控性較弱的警源,主要是客觀條件和外部市場環境等外生警源;另一類是可控性較強的警源,主要指一些內在因素的作用

3、分析警兆。分析警兆是預警的關鍵環節。預警不能只停留在對警源的分析上,而應該作進一步的分析,即根據警兆分析來預報警情的程度。警兆根據可否直接表現為外部現象特征指標,分為景氣警兆和動向警兆。

4、預報警度。預報警度是預警的目的。根據警兆的變化狀況,通過監測預警系統中景氣信號,可確定下一個景氣信號,從而確定下一個階段的警度,即實際警情的嚴重程度。

5、處理警情。即當警情出現后采取什么措施去處理,企業財務危機的警情處理十分重要,一個可操作的警情處理方法和路徑能夠較好的防范企業危機,同時在處理過程中也要依據警情的大小和重要性分別對待,重要的警情必須報告高層管理人員。

(四)企業財務危機預警體系的功能

企業的財務風險預警系統的作用主要有以下四個方面:

1、監測作用。財務危機預警活動的第一要務,是確立企業重要的生產經營環節以及對企業運行有舉足輕重作用的經濟活動與領域為監測對象。

2、識別與診斷作用。通過監測信息的分析,可確立企業經濟活動中己發生的危機現象或將要發生的危機活動趨勢。

3、預防和控制作用。有效的財務危機預警系統不僅能及時預防現存的財務危機,而且能通過系統詳細記錄,了解危機發生的原因,并及時提出解決措施和改進建議,更正企業營運中的偏差或過失,使企業回復到正常的運轉軌道上。

4、提升企業價值。企業的價值就是以其所控制的經濟資源,為社會創造最大的財富,實現企業價值的不斷增值。建立財務風險預警系統,其目的是要促使企業千方百計改善經營管理,提升經營策略,在激烈的市場競爭中,避免企業財務失敗的出現。

轉貼于 三、企業財務危機預警體系的建構

不可否認企業財務危機是多方面因素造成的,但是產生財務危機的根本原因是財務風險處理不當,財務風險是現代企業面對市場競爭的必然產物,尤其是在我國市場經濟發育不健全的條件下更是不可避免,因此,加強企業財務風險管理,建立和完善財務預警體系尤其必要。

(一)建立短期財務預警系統,編制現金流量預算

由于企業理財的對象是現金及其流動,就短期而言,企業能否維持下去,并不完全取決于是否盈利,而取決于是否有足夠現金用于各種支出。預警的前提是企業有利潤,對于經營穩定的企業,由于其應收,應付賬款及存貨等一般保持穩定,因此經營活動產生的現金流量凈額一般應大于凈利潤。企業現金流量預算的編制,是財務管理工作別重要一環,準確的現金流量預算,可以為企業提供預警信號,使經營者能夠及早采取措施。為能準確編制現金流量預算,企業應該將各具體目標加以匯總,并將預期未來收益、現金流量、財務狀況及投資計劃等,以數量化形式加以表達,建立企業全面預算,預測未來現金收支的狀況,以周、月、季、半年及一年為期,建立滾動式現金流量預算。

(二)確立財務分析指標體系,建立長期財務預警系統

對企業而言,在建立短期財務預警系統的同時,還要建立長期財務預警系統。其中獲利能力、償債能力、經濟效率、發展潛力指標最具有代表性。獲利是企業經營最終目標,也是企業生存與發展的前提。

從資產獲利能力看:

表示每一元資本的獲利水平,反映企業運用資產的獲利水平。

反映每耗費一元所得利潤水平越高,企業的獲利能力越強。

對償債能力,有流動比率和資產負債率。如果流動比率過高,會使流動資金喪失再投資機會,一般生產性企業最佳為2左右,資產負債率一般為40—60%,在投資報酬率大于借款利率時,借款越多,利越多,同時財務風險越大。

上述資產獲利能力和償債能力二指標是企業財務評價的二大部分,而經濟效率高低又直接體現企業經營管理水平。其中:反映資產運營指標有應收帳款周轉率以及產銷平衡率。

對企業發展潛力方面選擇銷售增長率和資本保值增值率。一般采用經改進的功效系數法對企業進行綜合評價,對選定的每個評價指標規定幾個數值,一個是滿意值,一個是不允許值,設計并計算各類指標單項功效系數,運用特爾菲法等確定各個指標權數,用加權算術平均或者加權幾何平均得到平均數即為綜合功效系數,用此方法可以定量化企業財務狀況。

然而,企業為適應未預料的需要和機會,應該具備采取有效措施,改變現金流的流量與時間的能力,這就是財務彈性。主要與企業營業活動所產生的現金凈流量有關。反映財務彈性的指標有:用于測定企業全部資產的流動性水平的營運資金與總資產比率,到期債務本金償付率、實有凈資產與有形長期資產比率、應收賬款及存貨周轉率,其中:

實有凈資產與有形長期資產比率計算如下:

從長遠觀點看,一個企業能夠遠離財務危機,必須具備良好的盈利能力,企業對外籌資能力和清償債務能力才能越強。指標有:

雖然,上述指標可以預測財務危機,但從根本上講,企業發生風險是由于舉債導致的,一個全部用自有資本從事經營的企業只有經營風險而沒有財務風險。因此,要權衡舉債經營的財務風險來確定債務比率,應將負債經營資產收益率與債務資本成本率進行對比,只有前者大于后者,才能保證本息到期歸還,實現財務杠桿收益;同時還要考慮債務清償能力,即企業擁有現金多少或其資產變現能力強弱;債務資本在各項目之間配置合理程度。考核指標有:長期負債與營運資金比,資產留存收益率以及債務股權比率。其中:

(三)結合實際采取適當的風險策略

在建立了風險預警指標體系后,企業對風險信號監測,如出現產品積壓,質量下降,應收帳款增大,成本上升,要根據其形成原因及過程,指定相應切實可行的風險管理策略,降低危害程度。面臨財務風險通常采用回避風險,控制風險,接受風險和分散風險策略。其中控制風險策略可進一步分類:按控制目的分為預防性控制和抑制性控制,前者指預先確定可能發生損失,提出相應措施,防止損失的實際發生。后者是對可能發生的損失采取措施,盡量降低損失程度。

由于市場經濟的發展,利用財務杠桿作用籌集資金進行負債經營是企業發展途徑。從大量負債經營實例,不難得出幾點教訓:企業經營決策失誤,盲目投資,沒有進行事前周密的財務分析和市場調研是造成失誤的原因,雖然適度舉債是企業發展的必要途徑,但必須以自有資金為基礎,如資本結構中債務資本過大,必然惡性循環。同時企業償債能力強弱是對負債經營最敏感的指標,只從償債能力看,負債比率越低,企業償債能力越強,但未必合理,如企業借款利率小于利潤率。企業應充分利用負債經營的好處。不同產業的負債經營合理程度是不一樣的,一般是:第一產業為0.2左右,第二產業為0.5左右,第三產業為0.7左右。

四、結束語

雖然企業財務危機的積累性、多樣性、突發性等特點,但事實證明其形成和作用過程是有規律可尋的,為此建立企業財務危機預警體系對于企業發展而言就不可避免的被提高到重要位置,合理的確立企業財務指標,建立短期、長期財務預警系統,采取適當的風險策略,規避企業財務風險對于企業發展而言有著重大的理論意義和實踐意義。

參考文獻

[1]吳曉梅.財務預警系統的功能及其建設[J].計劃與市場,2002,(6).

[2]龔巧莉.建立財務預警系統,防范企業風險[J].新疆農墾經濟,2002,(4).

[3]苗潤生.企業財務預警系統研究[J].中央財經大學學報,2003,(8).

[4]陳功.淺談企業財務預警系統的構建[[J].華東經濟管理,2000,(10).

[5]高天宏.財務預警系統在財務管理中的應用評價[J].北力經貿,2004,

[6]張友棠.財務預警系統管理研究[M].北京:中國人民大學出版社,2004.

篇4

[關鍵詞] 財務預警 財務指標 預警模型

一、單變量預警模型

最早的財務危機預測研究是FitzPatrikc(1932)所做的單變量破產預測模型,他發現,出現財務困境的公司其財務比率和正常公司的財務比率相比有顯著的不同,從而認為企業的財務比率能夠反應企業財務狀況,對企業未來具有預測作用。

Beaver(1966)對美國1954年~1964年間79家失敗企業和79家成功企業的30個財務比率進行研究的結果表明,具有良好預測性的財務比率為“現金流量/負債總額”、“資產收益率(凈收益/資產總額)和資產負債率(債務總額/資產總額)。Bevaer也因此開創了建立財務預警模型的先河。

二、多元線性判別模型

1.Z計分模型

1968年埃德沃德?阿爾特曼Altman提出了多元線性判定模型即運用多種財務指標加權匯總產生的總判斷分值(稱為z值)來預測財務危機,此模型分為在上市公司和非上市公司兩種情況。上市公司的Z值模型和判別規則如下:Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 其中:X1=凈營運資本/資產總額,反映公司總營運資本的流動性;X2=留存收益/資產總額,反映公司的支付剩余能力;X3=息稅前利潤/資產總額,反映公司的收益率大小,衡量公司運用全部資產獲取利潤的能力;X4=普通股和優先股市場價值總額/債務賬面價值總額,反映公司財務狀況的穩定性;X5=本期銷售收入/資產總額,反映公司的活動比率。

該模型實際上是通過五個變量(五種財務比率),將反映企業償債能力的指標(X1、X4)、獲利能力指標(X2、X3)和營運能力指標(X5)有機聯系起來,綜合分析預測企業財務失敗或破產的可能性。一般地,Z值越低企業越有可能發生破產。

非上市公司的Z值模型和判別規則如下:Z=0.717X1+0.847X2 +3.107X3+0.420X4+0.998X5,其中,X4修正為:股東權益/總負債,反映公司財務狀況的穩定性。其余X1、X2、X3、X5與上市公司的相同。

2.F分數模型

我國學者周首華(1996)等提出對Z值判定模型加以改造建立起F分數模型。許多專家證實,現金流量比率是預測公司破產的有效變量,F分數模型加入現金流量這一預測自變量,彌補了Z值判定模型的不足。其表達公式為:

F=-0.1774+1.1091X1+0.1704 X2+l.9271 X3+0.0302 X4+0.4961 X5,其中,X1、X2及X4與Z計分模型中的X1、X2及X4反映的指標相同,而X3、X5與Z分數模型的X3、X5不同。X3=(稅后凈收益+折舊)/平均總負債,它是一個現金流量變量,是衡量企業所產生的全部現金流量可用于償還企業債務能力的重要指標。X5=(稅后凈收益+利息+折舊)/平均總資產,測定的是企業總資產在創造現金流量方面的能力(其中的利息是指企業利息收入減去利息支出后的余額)。相對于Z分數模型,它可以更準確地預測出企業是否存在財務危機。

三、邏輯回歸模型

多元邏輯回歸模型克服了多元線性判別分析方法對預測變量有著嚴格的聯合正態分布要求、且要求財務危機組與控制組之間一定要進行配對的局限性,從而將問題簡化為已知一個公司具有某些財務特征,計算其在一段時間內陷入財務危機的可能性有多大。美國學者Ohlson(1980)是最早在財務預警研究中應用這種方法的人。

我國學者陳曉、陳治鴻(2000)以因財務狀況異常而被特別處理(ST)作為上市公司陷入財務危機的標志,運用多元邏輯回歸模型和可公開獲得財務數據,對中國上市公司的財務危機進行了預測,發現負債權益比、應收賬款周轉率、“主營利潤率/總資產”和“預留收益/總資產”對上市公司財務危機有著顯著的預示效應。他們的研究所發現的最優模型能夠從上一年股本收益率公告小于5%的上市公司中預測出73.68%的下一年會進入TS板塊的公司,總體判別正確率為78.24%。

四、神經網絡模型

Odour和Sharda(1990)用BP神經網絡預測了財務危機。他們的模型要優于當時的判別分析模型,但也僅僅是神經網絡方法應用的展示和Altman(1968)研究的重復。Coats和Fant(1992)運用神經網絡技術學習審計專家的結論來判別財務危機,他們選取了由審計師判定的1971年~1990年間的94家持續經營的公司和188家財務狀況變動較大的公司,并采用Atlman的Z值模型中5個財務比率分析了這些公司在破產前3年內的數據。Coats和Fnat認為Z值模型對破產當年具有很好的判斷效果,但不具有很好的提前預測效果,神經網絡模型則解決了此問題。

五、國內外研究簡評

在國內外現有的財務預警研究中,指標的選擇往往基于一般的財務理論、風險理論和管理理論,有時甚至取決于研究者的直觀判斷以及資料的可獲得性,眾多研究者還沒有找到令人信服的財務風險和預警理論來支撐所建立的預警模型,由此造成了各種財務預警模型的預警結論不一致,甚至相互矛盾和沖突。企業財務風險的形成和警情的出現往往在事前存在著一定的征兆,這就是財務預警的警兆,而警兆的識別需要以科學的財務風險理論和財務預警理論為基礎。然而,在當前的研究中,還沒有找到一種公認的理論來全面地說明財務風險的成因和財務預警的警兆因素,為此,國內外的眾多研究者還在努力探索。

參考文獻:

篇5

【關鍵詞】財務危機;預測方法

財務困境預測方法是指借助數學和計算機技術構建預測模型,通過對企業財務指標的系統分析來預測企業出現財務困境的可能性。從國內外的研究現狀來看,財務困境預測模型主要有兩類:傳統統計類預測模型和人工智能型預測模型。

一、傳統統計類預測模型

傳統統計類預測模型包括:一元判別分析模型、多元判別分析模型、線性概率分析模型以及累積求和模型等。

(一)一元判別分析模型(UDA)

比弗率先提出了一元判別分析模型,也叫做單變量分析模型,它是通過單個財務指標來預測財務風險的。他比較了1954―1964年期間的79家失敗企業和79家相同資產規模的成功企業的30個財務指標的差異,發現具有良好預測性的財務比率依次為現金流量/負債總額、資產收益率和資產負債率。而且離財務失敗日越近,判別的效果更好。

雖然比弗的單變量判別模型能夠取得較好的預測準確性,但它的缺點在于:只重視一個指標的分析能力,如果使用多個財務指標分別進行判斷,單個指標的分類結果之間可能產生沖突,導致無法做出正確的判斷。但是單變量判別模型為后來的多變量分析模型在破產分析中的應用奠定了基礎。

國內學者陳靜在1999年以公司被ST的前1年、前2年、前3年的財務數據為基礎,用一元判別分析模型做了實證研究,得出在宣布被ST前1年總的準確率為85%。

(二)多元判別分析模型(MDA)

美國學者奧特曼(1968)最早將MDA模型應用到財務危機預警模型中,他在1968年對美國破產和非破產企業進行觀察,對22個財務比率經過梳理統計篩選得到五個變量,建立了著名的Z分數模型,以及在此基礎上改進的”Zeta”模型。根據判別分值,以確定的臨界值對研究對象進行信貸風險的定位。由于模型簡便、成本低、效果佳,日本、德國、法國、英國等許多發達國家的金融機構都紛紛研制了各自的判別模型。

國內學者張玲(2000)選取了滬、深兩市涉及14個行業共計120家上市公司為樣本,選取了四個反應償債能力、盈利能力、資本結構和運營能力的財務指標構建判別模型。

楊淑娥、徐偉剛(2003)等學者采用主成分分析法對財務指標進行篩選后建立了MDA模型。

MDA模型的應用也存在諸多局限,比如它要求研究樣本的財務比率呈近似正態分布、兩組的協方差矩陣相等,這在現實中較難實現。

(三)線性概率分析模型(LPA)

LPA模型主要有Logit和Probit兩種。

Edmister(1972)用線性回歸建立了包含7個財務比率的財務困境預測模型,預測精度在90%以上。

Qhlson(1980)首次將Logit模型應用到破產預測。

國內學者張后奇在所做的《上市公司財務危機預警系統:理論研究與實證分析》報告中,運用了LR線性回歸模型。

LR模型的優點是不要求數據呈正態分布、兩組的協方差矩陣相等的假設,在不滿足正太分布的條件下,LR模型的預測效果要好于MDA模型,缺點是樣本的數量不宜少于200個,否則存在參數估計的有偏性。

(四)累積求和模型(CS)

西奧達西奧與1993年提出了預測企業失敗的CS模型,該模型能探測財務狀況由好變壞的拐點,對財務狀況惡化敏感并具有記憶性,能區分財務指標變化是由序列相關引起的還是由于財務情況惡化引起。

二、人工智能型預測模型

人工智能型預測模型主要包括:人工神經網絡模型、遺傳算法模型、粗集理論模型、遞歸劃分分析模型以及支持向量機模型。現分述如下:

(一)人工神經網絡模型(ANN)

奧多姆(1990)第一次把ANN模型應用于財務困境預測研究,他使用了三層前饋神經網絡,并與傳統的MDA模型進行了比較研究。

奧特曼(1994)對意大利的1000家公司利用其發生困境前1年的數據進行預測,結果發現,MDA比ANN的預測效果還稍微好一點。

ANN相對于傳統統計類模型的優勢在于它能夠同時處理定性變量和定量變量,而且無需考慮變量之間的統計關系。但它也存在一些問題,如模型的拓撲定義較難實現、模型計算量較大以及判別能力不強等。

(二)遺傳算法模型(GA)

遺傳算法是模仿自然界生物遺傳進化規律在大量復雜概念空間內的隨機搜索技術,尤其適合目標函數的多參數優化問題,并運用于證券選擇、證券組合選擇、預算分配以及信用評價等金融、財務領域。瓦雷托?弗朗哥采用遺傳算法提取了線性函數和判別規則。研究結果表明,遺傳算法可以獲得不受統計約束的最優線性方程,提取的線性函數與MDA相比,省時并且受分析人員的主觀影響較小,但結果不如MDA。

(三)粗集理論模型(RST)

RST模型被證明是能夠運用一組多價值屬性變量描述多個對象的有效工具,可以用來揭示相互關聯的財務特征與企業失敗風險之間的關系。弗朗西斯研究表明,RST能夠發現隱藏在數據中的重要事實,并能用自然語言表達成一組決策規則,每個決策規則都有案例支持,能夠結合使用定性變量和定量變量,無需統計約束和模糊隸屬度評能夠價,節省決策形成的成本和時間,工程透明,可以考慮決策者的知識背景,并可用于集成決策支持系統。迪米特拉正式,由于不同樣本與決策者知識會產生不同的決策規則組,因此研究結果并不具有通用性。

(四)遞歸劃分分析模型(BPA)

弗里德曼首次采用BPA建立預警模型,他以財務比率為判別點建立二叉分類樹,以最低誤判成本為標準對樣本企業進行分類預測。結果發現犯第一類錯誤的概率高于犯第二類錯誤的概率,MDA模型對研究樣本的期望誤判成本明顯高于BPA模型。在RPA模型中可以選用非財務指標和定性指標,但復雜的分類樹結構可能引起樣本的過度適應,預測風險高,因此分類樹結構宜不宜繁,便于靈活運用。

(五)支持向量機模型(SVM)

范?格斯特等將SVM應用到財務困境預測模型中,采用最小二乘法作為SVM的線性學習器,構建LS―SVM財務困境預測模型,預測模型的判別準確率高達89.91%。

李英昌采用表格搜索技術對SVM核參數進行優化后,建立了SVM模型,預測效果優于MDA、LR和BP―ANN模型。

申慶植等采用SVM建立了財務困境預測模型,他通過對韓國中型制造企業的實證研究結果表明:SVM模型的預測性能優于BP―ANN模型。

沃爾夫岡?哈德勒嘗試著將SVM應用到財務困境預測研究中,通過對美國2001-2002年間84家企業的實證分析,結果表明SVM具有很好的分類效果。

國內學者李賀、馮天謹(2005)通過對我國煙酒行業50家上市企業連續3年的公開數據的實證研究表明:SVM模型的預測性能優于ANN模型;徐曉燕(2006)提出了一種將Logit回歸與SVM集成的預測方法。即LR―SVM。該方法通過修改支持向量機的輸出而改進其預測精度,即先對支持向量機的訓練數據用Logit回歸進行分析,再用支持向量機進行預測。如果Logit回歸的結果支持SVM的結果,則不對SVM的輸出結果進行修改,否則修改SVM的輸出結果。實證結果表明,該方法的預測精度明顯優于一般的支持向量機。

SVM的主要優勢表現在:專門針對小樣本,具有較好的推廣能力;巧妙地解決了維數問題,算法的復雜度與樣本維數無關;無需對變量作任何特殊假設;變量間是否存在共線性對數據處理和模型估計影響不大。它的局限性是特征集和核參數對模型性能具有重要影響。

綜上所述,國內學者對傳統統計類預測模型之間、統計類模型與ANN之間做比較研究的較多,而對SVM與其他模型之間進行比較研究的很少,尤其是SVM改進算法以及核參數優化對財務困境影響的研究就更少。

參考文獻

[1]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.

[2]張玲.財務危機預警分析判別模型[J].數量經濟技術經濟研究,2000,3:49-51.

篇6

一、公司治理與財務危機預警

20世紀90年代,亞洲金融危機使得公司治理問題,尤其是內部治理成為全球關注的焦點。研究發現大量企業的破產和倒閉起因于弱化的公司治理,這一現象引起學者對公司治理與財務危機關系的研究。

(一)股權結構與財務危機預警從國外看,Shleifer等(1986)的研究顯示,公司的大股東能夠激勵和監督管理層,使公司價值增加;Daily和Dalton(1995)研究發現,集中的權力使得公司治理與企業破產具有相當大的聯系;La Porta等(1999)的研究表明,股權集中的程度越高,公司財務狀況就越容易出現問題;Tsun-Siou Lee和Yin-Hua Yeh(2002)在考察臺灣上市公司所有權集中情況時發現,控股股東在董事會中擁有的董事會席位百分比、控股股東用作銀行抵押貸款的股票百分比、控制權和現金流量要求權的偏離程度三個變量與公司在次年發生財務危機的可能性正相關。在國內,姜秀華和孫錚(2001)的實證結果表明,股權集中度越高的公司越不容易陷入財務危機,因為股權越分散股東之間相互“搭便車”的動機就越強烈;趙沫(2005)的研究顯示,控股股東的國有股身份與公司陷入財務危機的可能性正相關,控股股東持股比例與公司陷入財務危機的可能性為“N”型關系;曹德芳和夏好琴(2006)研究發現,法人股比例、控股模式、流通股比例、前五大股東持股比例的平方和、國有股比例等5個變量與企業會否出現財務危機有著顯著關系。

(二)董事會結構與財務危機預警 在國外,Baysinger和Butler(1985)研究表明,董事會組成會影響財務健康的程度,績效水平處于平均績效之上的公司外部董事比例較高;Warner(1988)、Brickly等(1994)研究發現,內部人監管CEO的無效和在決策過程中的參與不足,對公司陷入財務危機具有有害影響;Mallette和Fowler(1992)研究表明,外部董事比例較高的公司發生財務危機的可能性較小;Fathi Elloumi和Jean-pierre Gueyie(2001)研究發現,外部董事比例和公司發生財務危機的可能性之間存在顯著負相關關系,但董事長和總經理是否一體在困境公司和非困境公司之間并不存在顯著差異;Hambrick和Diaveni(1992)、Daily(1995)等研究發現,外部董事數量的下降會先于公司破產出現;Judge和Zeitham(1992)認為,高比例的內部董事使得董事會很少參與公司的戰略決策制定,導致管理層對公司擁有絕對的控制,進而企業容易陷入財務危機;Elloumi和Gueyié(2001)研究發現,除財務變量以外,董事會的構成與結構也可以解釋財務危機。在國內,陳流江(2004)首次在財務危機預警模型中加入獨立董事人數這一指標,模型的預測準確度得到相當大的提高;陳良華和孫健(2005)通過對滬市上市公司的研究,發現獨立董事比例、第一大股東持股比例、現金流量權與表決權的偏離等治理結構變量與財務危機存在相關性;江向才等(2006)的研究顯示,董監事持股、控制股東擔任董事監察人、專業經理人擔任董事席位數、董事會規模等指標可作為投資人投資公司的參考以及財務危機公司是否能轉危為安的判斷依據;曹德芳、趙希男、王宇星(2007)的實證研究表明,未引入董事會結構變量的模型預測正確率為92.5%,而引入董事會結構變量的模型預測正確率為94.15%,模型預警能力明顯增強。

(三)激勵約束機制與財務危機預警 國外的相關研究有 :Jensen(1989)認為,公司陷入財務危機會促使管理者提高管理效率或者激勵其更關注公司業績的增加;Warfield(1995)指出,管理者持股比例越高的公司陷入財務危機的概率低;Claessens(2000)以及Faccio和Lang(2002)的研究表明,控股股東的持股比例與財務危機間具有負相關的關系;Wang Zhen等(2004)認為,管理層持股比例和總經理持股比例對公司財務危機有顯著的影響。國內的相關研究有:張健(2004)認為高管人員持有一定比例的公司股份能夠減少問題和公司管理人員的尋租行為,公司不易陷入財務危機;陳燕(2006)則認為我國高管人員的股權激勵程度普遍過低,高管人員的股權激勵并不影響公司發生財務危機的概率;王宗軍等人(2006)的研究表明,我國ST公司和非ST公司在高管人員持股比例方面的區別不顯著。

二、審計意見與財務危機預警

對審計意見與財務危機預警之間的關系,多數學者認為其具有相關性,但也有部分學者認為這兩者之間不具有顯著的相關性。

(一)認為審計意見與財務危機預警不相關 部分學者認為審計意見與財務危機預警間不具有相關性,如Altman和Mutchler(1974)的研究發現:審計意見在財務危機預警中不具有顯著的解釋力;Lennox(1999)的研究也認為審計意見對公司破產不具有顯著的解釋能力。

(二)認為審計意見與財務危機預警相關 多數學者的研究認為審計意見與財務危機是相關的。國外的研究有:Hopwood(1989)研究表明審計意見對企業財務危機有顯著性影響;Kennedy和Shaw(1991)的研究也表明審計意見具有識別公司破產申請的能力;Wilkins(1997)的研究發現,審計師的意見可以在一定程度上反映技術上違約的企業將來是否會陷入財務危機。國內的研究有:張鳴(2004)在財務危機預警模型中使用了審計意見變量,變量的引入顯著提高了模型的預測效果,但只是從單一角度引入非財務變量,沒考慮多方面變量的共同影響;鄧曉嵐等(2006)的實證研究表明審計意見與財務困境概率呈負相關,加入審計意見后,模型的正確識別率從86.7%提高到88.3%。

三、其他相關領域與財務危機預警

除上述兩方面的研究外, 一些學者還嘗試將統計、金融、經濟、社會等領域的各種方法相結合,用以推進財務危機預警領域的研究。

(一)國外的研究 Cumming和Saini(1981)的研究表明,公司陷入財務危機的主要原因是由于商品的需求不足和貨幣政策的不合理,日本公司財務狀況受國內消費水平、政府投資、生產力以及利率的影響,英國公司的財務狀況受出口水平的影響;Rose等(1982)在研究經濟周期對公司財務狀況的影響后,認為GDP、失業率、商品零售額對公司財務狀況有顯著影響;Alman(1983)認為在經濟衰退時期,公司更容易陷入困境,經濟增長、股價指數和貨幣供給量會對公司陷入危機產生顯著影響;Izan(1984)的研究發現產業相對比率在區分財務危機公司和正常公司方面具有顯著效果;Hill,Perry和Andes(1995)運用歷史事件分析法研究陷入財務危機的企業時發現,除財務指標外,失業率和銀行最優惠貸款利率等經濟指標在預測財務危機方面也起著重要作用;Warren和Westhrook(2000)對1994年23個地區的3 200家公司進行了長達5年的實證研究,采用財務指標和人口統計指標驗證針對破產公司的經營機制而提出的一系列假設;Bae(2002)以亞洲金融危機為背景,證實了宏觀經濟狀況通過銀企關系影響公司財務困境。

(二)國內的研究 21世紀初,國內學者開始關注結合非財務變量和定性因素去構建財務危機預警模型。譚一可(2005)分析了近20年來國內外在引進非財務變量進行企業破產預測方面的一些創新及其發展趨勢后,提出可將宏觀經濟因素、行業差異、公司治理等定性因素引入財務危機預警領域;楊兵和柯佑鵬(2005)研究了樣本的選取對于研究結果的影響以及非財務指標在預測財務危機中的作用后,用實證模型驗證了非財務指標的引入可以大幅度提高上市公司財務危機預測的準確程度;萬希寧(2005)認為財務危機具有模糊性和復雜性,為克服純量化因素建立預警模型的不足,可以結合財務指標和非財務指標,運用專家評分法和模糊優先關系排序決策法進行指標的有效選擇,借助模糊數學構建綜合模糊預測模型;呂峻(2005)認為以非財務指標構建的財務困境預測模型的預測精度不會隨時間的向前推移而降低,非財務指標可以更本質地反映困境公司的特征,并可以在一定程度上解釋財務困境發生的原因;龔凱頌(2005)認為,上市公司對外擔保與財務困境具有顯著相關性,上市公司的對外擔保與財務困境正相關,關聯方擔保指標和不良擔保指標與財務困境的相關程度高于非關聯擔保指標和非不良擔保指標,反擔保指標降低財務風險的效果不顯著;楊華(2007)的研究表明,體現年報披露、地域環境的非財務指標的引入提高了模型對危機公司的預測準確率,并使模型的總體預測準確率提高。

四、結論

國內外學者關于非財務變量和定性因素的預警研究,均重視公司治理變量的作用,對審計意見、宏觀經濟指標、行業差異等非財務變量關注不夠,這也是今后研究的方向;國內關于非財務變量的預警研究,大多數認為非財務指標納入預警模型可以提高模型的精度,從而肯定了非財務變量對預警模型的意義。對于定性因素的研究,鑒于其無法量化或難以量化,如何引入財務危機預警研究領域還存在一定的難度,也激起學者們的研究興趣。對于非財務變量和定性因素引入財務危機預警研究領域的研究,學者們的嘗試相對而言更為多元和復雜,難以獲取統一的研究結論,而且爭議較多(如審計意見與財務危機的關系)。財務危機預警研究從依賴一個財務變量到依賴多變量財務變量,再到引入非財務變量和定性因素,朝著動態化和精準定量化的方向發展。這與西方國家發達的證券市場和高度的市場流動性是相適應的,其無疑是更加精確的;但對于我國轉軌時期的經濟狀態而言,不發達的證券市場和特殊市場結構決定了研究變量的選擇在借鑒西方學者研究的基礎上應當適合我國的國情和實踐。

[本文系山東省軟科學立項課題(項目編號:2009RKB533)階段性研究成果]

參考文獻:

[1]姜秀華、孫錚:《治理弱化與財務危機:一個預測模型》,《南開管理評論》2001年第5期。

[2]Andrei Shleifer and Robert Vishny. Large Shareholders and Corporate Contonl,Journal of Political Economy,1986.

[3]Daily. C. M. ,The Relationship Between Board Composition and Leadership Structure and Bankruptcy Reorganization outcomes,Journal of Management,1995.

篇7

關鍵詞:財務危機;多元判別分析法;Logit回歸;主成分分析;行業;地區

文章編號:1003-4625(2007)05-0042-04中圖分類號:F830.2文獻標識碼:A

Abstract: This paper conducts an early-warning research of company’s financial distress in different industries and regions by making use of the multiple discriminate analysis model, Logit model and principal component analysis model. It analyzes the discretion accuracy of the early-warning models, the parameter selection of different models and the early-warning discrimination of different types of financial distress. The models presented can be used for credit risk measurement for commercial banks.

Key words: financial distress; multiple discriminate analysis; Logit regression; principal component analysis; industry; region

隨著經濟金融的發展和對信用風險認識的不斷加深,人們對企業財務危機預警的研究也越來越多。

回顧企業財務危機預警模型的發展過程,大致經歷了從單變量模型到多變量模型,多元判別模型到Logit模型等其他參數模型,從統計參數模型到非參數模型,從單一模型到綜合系統的過程。技術的進步,改變了以往單純依賴專家進行風險判別的局限性,大大提高了財務危機判別的有效性、準確性和一致性,同時也明顯降低了判別成本。

國際上,Fitzpatrick(1930)最早認為企業的財務比率能夠對企業未來財務狀況進行預測分析。Beaver(1966)首先運用統計方法建立單變量財務預警模型。Altman(1968)利用多元判別分析法建立了著名的多變量預警模型――Z模型,以后又進行修正,提出了ZETA模型。Ohlson(1980)首先運用Logit回歸模型進行企業財務預警研究。隨后,Zmijewski(1984)、Zavgren(1985)、Lav(1987)、Keasey和McGuinness(1990)也運用Logit模型進行財務危機預警研究,并且大大提高了模型的預測精度。

我國的財務預警模型研究始于1990年。陳靜(1999)、張玲(2000)、吳世農和盧賢義(2001)等,運用多元判別對上市公司進行了財務危機預警分析。劉(2001),齊治平、余妙志(2002),朱曦、馮田、印麗娟(2004)等,運用Logit模型對財務危機進行了研究。周兵、張軍(2002),周思恩、丁莉(2003)用主成分分析法,生成線性的或Logit的函數方程進行財務預警研究。

目前,我國的預警模型研究尚處在起步階段,由于受到數據可獲得性的制約,大量研究主要是針對上市公司開展的。由于上市公司的特殊性,使得研究結果的運用受到一定的限制。同時,對于區域的企業財務危機預警研究還不多見。運用商業銀行的大量數據,進行分行業、分地區的企業財務預警模型研究尚屬空白。進而,對模型的財務指標進行深入比較分析,在公開資料上也不多見。

本文將運用多種模型技術,利用商業銀行多年的企業財務數據,研究生成了分行業、分地區的財務危機預警研究,并進行相應的比較分析。

一、多元判別分析原理

判別分析是判別樣本隸屬類型的一種統計方法。一般來講,有k個總體G1,G2,…,GK,它們的分布密度函數分別為f 1(x),f2(x),…,f k(x),對于給定的一個樣品X=(x1,x2,…,xm)T,判別分析是判斷它屬于k個總體中哪一個的統計方法。

本文采用多元線性判別,基本思想是將K組(類)m維數據投影到某一方向,使得組與組之間的投影盡可能地分開。

若從K個總體分別取得K組m維觀察值:

G1:x1(1),x2(1),…,xn(1);…;GK:x1(k),x2(k),…,xn(k),n=n1+n2+…+nk。

設a為一m維列向量,y(X)=aTX為X以a為法線方向的投影,則

, , ,

選取適當的a,使得不同組(類)之間的區分能力越大越好,每個組內的y值離散程度越小越好。

二、Logit回歸原理

Logit模型采用二元的Logistic概率函數作為模型方程,又稱增長函數,是1838年比利時P.F.Verhulst首次提出來的。

假設響應變量y為二值定性變量,用0,1分別表示企業財務正常和危機兩個不同的狀態,y=1的概率p是我們研究的對象,自變量為x1,x2,…,xm,Logistic回歸擬合的回歸方程為

其中:m是自變量個數,β0,β1,…,βm是待估參數,p是自變量取值為X=(x1,x2,…,xm)T,時,原響應變量Y取值為1時的概率,Logistic回歸方程的另一種形式為p=exp(Z)/[1+exp(Z)]

顯然,Z是自變量X的線性函數,通常稱上式為Logit變換,它有很強的統計意義,如它表示了y取值1的概率與取值為0的概率的比值的對數。

三、主成分分析原理

主成分分析法,也稱因子分析法,最早是由美國心理學家Charles Spearman 在1904年提出的,其基本思想是將實測的多個指標,用少數幾個潛在的相互獨立的主成分指標(因子)的線性組合來表示,構成的線性組合可反映原多個實測指標的主要信息。它的優點是可以對觀測樣本進行分類,并根據各因子在樣本中所起的作用自動生成(確定)各因子權重,簡化實測指標系統。主成分分析方法的一般模型為:

其中:

F1,F2,…,Fn為實測變量;

aij(i=1,2,…,m;j=1,2,…,n)為因子載荷;

Xi(i=1,2,…,m)為選擇確定的們m個主成分因子;

Ki(i=1,2,…,m)為主成分因子的權重(即第i個因子的貢獻率);

Y是公司財務危機的預測值。

需說明的是,因子載荷aij是第Fj個實測變量在第Xi個主成分上的載荷,或者說,第Fj個變量與第Xi個主成分的相關系數。載荷越大,說明第Fj個實測變量與第Xi個主成分的關系越密切;反之亦然。在主成分分析的基礎上,對主成分因子,運用Logit回歸模型,生成相關的預警模型,對企業財務危機進行預警分析。

四、研究設計

(一)財務危機企業的界定

財務危機企業的界定,是預警模型研究的關鍵性內容。本文利用商業銀行實際的企業客戶數據,界定了兩類財務危機企業。為突出反映財務狀況劣變快的特性,將企業信用等級下降三個及以上信用等級的企業,界定為第一類危機企業。為區分企業財務狀況優劣,將有不良貸款、信用等級低的客戶,界定為第二類財務危機企業。與此相匹配,界定正常類客戶。

(二)樣本選擇

經過篩選,本文選擇了17個大類行業9700多家企業、10個地區8600多家企業2004年的財務數據進行財務預警研究。每個行業平均有285個樣本,其中平均正常企業樣本數為145個,平均危機企業樣本數為140個;每個地區平均有430個樣本,其中平均正常企業樣本數為218個,平均危機企業的樣本數為212個。

(三)變量定義

分析國內外已有財務預警模型變量的選取情況,本文首先匯總整理了償債能力、財務效益、資金營運、發展能力、企業規模共五大類47個財務指標。

初步選擇某個行業客戶的財務數據,對此進行分析。根據客戶數據的可獲得性,剔除一些數據質量不高或難以獲得的指標(目前企業現金流量表的數據不易獲得,真實性相對較差),剔除了一些經過T檢驗后不顯著的、均值與方差對判別區分力不強的指標,又剔除一些相關系數較高的指標。最后得到24個財務指標,作為擬建立模型的備選變量,包括資產負債率、全部資本化比率、速動比率、(現金+短期投資+應收票據)/資產總額、流動資產/資產總額、現金/流動負債、凈資產收益率、銷售(營業)利潤率、總資產報酬率、成本費用利潤率、主營業務鮮明率、總資產周轉率(次)、存貨周轉率(次)、應收賬款周轉率、固定資產凈值/所有者權益、營運資產與總資產比率、營運資金/銷售收入、固定資產周轉率、銷售(營業)收入增長率、資本積累率、總資產增長率、留存利潤比、營業利潤增長率、LOG(總資產)。

(四)計算方法

本文運用SPSS軟件,通過多元判別、Logit回歸、主成分分析+Logit回歸三個統計原理,使用了全部變量一次生成模型、全部變量逐步篩選生成模型、經過T檢驗再篩選部分變量生成模型,三種計算方法來實現預警研究。同時,根據模型公式回判準確率的高低來最終取舍相關模型。同時,利用上述三種方法,分別對第一類、第二類財務危機企業進行了預警研究。

五、計算結果及分析

(一)行業的企業財務危機預警模型

運用以上三種方法,研究生成了17個行業的預警模型。限于篇幅,僅展示通用設備制造業第二類財務危機的預警模型,其中多元線性判別模型由篩選后指標逐步回歸得到,準確率為95.7%。公式為:

Y=-3.777-0.015X1+0.004X2+0.055X3+0.007X4+0.031X5-0.602X6+0.880X7

X1:資產負債率X2:速動比率

X3:總資產報酬率 X4:成本費用利潤率

X5:主營業務鮮明率X6:總資產周轉率

X7:LOG(總資產)

判別區間為-0.98、0.47。

17個行業的財務預警模型,其回判準確率統計如下:

表一行業的企業財務預警模型回判準確率

由上表可見,行業的預警模型回判準確率比較高,可以運用到風險管理的實踐中去。

(二)區域的企業財務危機預警模型

運用以上三種方法,研究生成了10個地區的預警模型。限于篇幅,僅展示河北省第一類財務危機的預警模型。

1.Logit回歸

該模型由24個指標逐步回歸法得到,回判準確率為96.2%。公式為:

其中E的指數

Y=33.363+0.115X1-0.034X2-0.083X3-0.586X4+0.061X5-6.803X6

X1:全部資本化比率 X2:速動比率

X3:銷售(營業)利潤率X4:總資產報酬率

X5:固定資產凈值/實收資本 X6:LOG(總資產)

2.主成分+Logit回歸

由主成分分析,通過指標篩選,生成了4個主成分,具體參數見表二:

隨后,由篩選后指標逐步回歸得到模型,其回判準確率為97.8%,公式如下:

其中E的指數

Y=-1.459968+0.045358X1-0.000250X2+0.000532X3

+0.638560X4-0.037890X5-0.049253X6-0.001224X7

+0.472836X8-0.001835X9-0.006300X10-0.015369X11

-0.021877X12-0.153261X13+0.098905X14

X1:資產負債率 X2:全部資本化比率

X3:速動比率X4:(現金+現金等價物)/資產總額

X5:凈資產收益率X6:總資產報酬率

X7:成本費用利潤率 X8:營運資產與總資產比率

X9:固定資產周轉率 X10:銷售(營業)增長率

X11:資本積累率X12:總資產增長率

X13:營業利潤增長率X14:LOG(總資產)

表二主成分分量參數表

由此,10個區域的財務預警模型,其回判準確率統計如下:

表三 區域的企業財務預警模型回判準確率

由上表可見,區域的預警模型回判準確率比較高,也可以運用到風險管理的實踐中去。

(三)行業、區域預警模型比較分析

由表一、二可見,不同判別方法的回判準確率比較接近,其中Logit模型的回判準確率相對最高,多元判別和主成分+Logit模型的判別方法的回判準確率沒有明顯的高低差異。

區域預警模型,是在不考慮樣本企業所屬行業的基礎上進行的預警。因此,各個地方(或者國家)完全可以根據各自的風險管理情況,采用不同的預警模型進行風險管理。

行業預警模型,忽略了企業所屬區域,可以對具有行業特點的財務危機進行有針對性的風險判別,同時相關信息可以提供行業分析、企業行業排名的輔助參考。

行業、地區的預警模型回判準確率比較接近。不同地區、不同行業完全可以生成適應自身需要的預警模型來提高風險管理的水平。同時利用行業、區域預警模型進行風險預警分析,可以從兩個維度相互驗證、相互補充來進行風險預警,從而進一步提高風險判別有效度,并不斷滿足風險管理多樣性的需求。

(四)財務指標重要性比較分析

不同行業、地區的預警模型,選用財務指標的頻率是不同的,其中比較普遍的是反映企業規模的LOG(總資產)、反映負債特點的資產負債率等指標。

由此認為,人們在判別企業財務質量時,有側重的選擇不同的財務指標,是有統計依據的,不同財務指標在分析企業財務狀況時的重要性和有效性是有區別的。

表四 預警模型變量選擇比例

(五)對財務優劣的判別與對財務質量劣變速度的判別比較分析

表五第一類危機、第二類危機的預警

由上表可見,兩種預測的精度都不錯,結果均可用;對財務質量預測的準確度明顯比對財務劣變預測的準確度要高。說明,財務危機波動性的預測難度更大。

六、總結

建立具有較高回判準確率的不同行業、區域的企業財務危機預警模型說明,我國已經具備了利用企業財務數據進行財務危機預警和信用風險管理的條件。同時,從一個側面證明了國外預警模型的指標、參數是不大適合直接運用到中國生產實踐中去的。

研究表明,商業銀行可以針對重點行業、重點地區,對具有不同信用風險特征的企業建立不同的財務危機預警模型,以不斷提高信用風險管理的水平。同時,針對特定的需要和對象,如大信用額度的客戶、集團客戶、關聯客戶等,也可以建立相應的預警模型,以突出進行差別化的信用風險管理。

在預警模型的基礎上建立風險預警系統,可以將現代統計技術運用到風險管理的日常實踐中去,并能夠在短時間內加快縮短我國與國外在信用風險管理方面的差距。

此外,通過采用風險預警技術,可以開展違約誘導因素分析、信用等級自動判別、風險動態管理等多種研究,以不斷豐富信用風險管理的工具和手段。

參考文獻:

[1]Frizpatrick. A Comparison of Ratios of Successful Industrial Enterprises With Those of Failed Firms[M].Certified Public Accountant.1932

[2]Beaver W H.financial ratios as predictors of failure[J].Journal of Accounting Research.1966 , (supplement) :71-111

[3]Altman E I. Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance.1968 , Vo1. 23:4-7

[4] J S. Ohlson.Financial Ratios and the Probabilitistic Prediction of Bankruptcy[J].Journal of Accounting Research.1980 , Vo1. 4:123-133

[5]陳靜.上市公司財務惡化預測的實證分析[J].會計研究,1999,(4):31-35.

[6]張玲.財務危機預警分析判別模型及其應用[J].預測,2000,(6):38-40.

[7]高培業,張道奎.企業失敗判別模型實證研究[J].統計研究,2000,(10).

[8]徐國祥.上市公司經營業績綜合評價及實證研究[J].統計研究,2000,(9).

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

[10]劉.上市公司財務狀況異常的預警分析[J].資本經營,2001,(2):38-42.

[11]齊治平,余妙志.Logistic模型在上市公司財務狀況評價中的運用[J].東北財經大學學報,2002,(1):60-63.

[12]周兵,張軍.上市公司財務狀況惡化的預警模型分析[J].華東經濟管理,2002,(8):92-98.

[13]周思恩,丁莉.上市公司被特別處理的分級預警模型分析[J].財經科學,2003, (增刊):289-291.

篇8

自2009年10月30日起,創業板市場運行已有5年的時間。上市公司的數量飛速增加,財務指標初具規模。但隨著創業板市場的不斷發展壯大,也出現了不少亟待解決的問題。隨著的披露,創業板上市公司板高成長的光環已然褪去,財報業績頻頻變臉。2012年4月20日,證監會正式《深圳證券交易所創業板股票上市規則(2012年修訂)》。在新的退市制度中,規定了創業板上市公司若達到了其規定的暫停上市或終止上市標準,將嚴格執行其規定標準,結果就是直接退市。因此,為了使我國創業板市場持續和諧成長,并且使廣大投資者的權益不受到侵害,需要對創業板上市公司的財務狀況做出提前預測,更需要建立一個適合我國創業板上市公司的,對其財務危機狀況判別率較高的財務預警模。

二、Cox建模方法簡述

生存分析方法在研究企業經營失敗方面的模型分為三類:非參數、參數和半參數模型。半參數模型主要用于不確定生存時間分布類型的研究樣本。這類方法能夠分析多個風險因素對生存時間的影響情況。Lane,Looney和Wansley(1986),Wheelock和Wlison(2000)以及Balcaen和Ooghe(2004)認為研究企業經營失敗的最適模型為半參數Cox比例風險模型。所以本文選用Cox比例風險模型,下面就對Cox比例風險模型進行詳細的介紹。

Cox模型是一種用于研究多因素對生存時間影響的半參數模型,它不要求樣本的生存時間服從特定的分布,也可以分析刪失數據,這樣就大大降低了運用過程的繁瑣性。Cox模型自D.R.Cox于1972年提出以來,從最初應用于生物醫學領域,現在已擴展到了金融、管理等領域。Cox比例風險模型采用的是偏似然函數對協變量進行估計。并且每個樣本都包含三個變量time,status和Xi,其中,time表示的是樣本的生存時間;status表示的是樣本的生存狀態,status=0表示樣本發生危機事件,反之status=1表示樣本未發生危機;Xi表示的是與樣本生存時間和生存狀態有關的協變量。Cox比例風險模型的表達式為:

H(t,AX)=h0(t)F(AX)

其中,h0(t)為t時刻的基準風險率;X=(x1,x2,x3,…xn)為協變量,它們可以是定量指標,也可以是定性與等級指標;A=(a1,a2,a3,…an)是參數變量,即各協變量的回歸系數。

相應的生存函數表達式為:

S(t,AX)=S0(t)F(BX)

其中,S0(t)為t時刻的基準生存率;X=(x1,x2,x3,…xn)為協變量,它們可以是定量指標,也可以是定性與等級指標;B=(b1,b2,b3,…bn)是參數變量,即各協變量的回歸系數。

三、建模樣本的選取

(一)建模樣本選擇

與本文以虧損集中發生的2012年至2014年為觀測期,選取2009至2011年上市的創業板公司為估計樣本。排除財務數據缺失企業10間,觀測期前發生虧損的企業一間(當升科技),本文估計樣本內含財務困境即虧損企業33間,健康企業246間。

在主板上市公司的財務危機預警中,通常設公司被ST當年為第T年。被ST發生時間通常在公司上一年財務報告披露之后。即第(T-2)年與第(T-1)年發生兩年連續虧損,第T年被ST。預警模型的估計樣本數據通常為第(T-3)年。

本文采用與主板類似的研究方法,設財務困境企業出現虧損當年為第T年,本文基于困境企業的第(T-1)年及健康企業的2013年財務數據進行模型估計,數據來源為國泰安數據庫。生存時間為公司上市至首次發生虧損年份。Cox回歸模型不要求樣本數目的匹配性,因此,本文估計樣本容量為279。

四、指標的選取與處理

(一)財務預警指標的初選

財務危機產生的本質原因有所差別。本文在企業償債能力、經營能力、盈利能力、成長能力、比率結構五個方面選取了具有代表性的二十九個財務指標,具體見表2。

(二)財務預警指標的顯著性檢驗

在前文初選的二十九個指標上,首先?ρ?本數據進行顯著性檢驗,只有通過顯著性檢驗的財務指標才能進入下一步檢驗。本文采用Mann-Whitney U獨立樣本非參數檢驗方法,分析兩類獨立樣本提前1年財務數據的描述性統計量。

結果顯示,在0.05的顯著性水平下,現金及現金等價物周轉率、固定資產增長率、流動資產比率、顯著性比率、流動負債比率五項指標無法通過顯著性檢驗,其余25個指標進入下一步檢驗。

(三)財務預警指標的相關性檢驗

共線性是影響Cox回歸模型精度與預測水平的主要因素。對上述通過顯著性檢驗的25個指標進行皮爾遜相關性檢驗,得到相關性矩陣(附表1)。以65%為分界點,剔除相關性較強的部分指標,包括流動比率、資產負債率、流動資產周轉率、總資產凈利潤率、資本保值增值率,其余18個財務指標進入Cox回歸模型構建。

五、模型構建

(一)Cox模型回歸

將前文通過顯著性檢驗與相關性檢驗的19個財務指標進行Cox模型回歸,選擇能防止遺漏有預測能力變量的向后:LR逐步回歸法。采取嚴進寬出的原則,設定步進概率為進入:0.05與刪除:0.10。回歸結果見表。

模型回歸結果顯示,經營活動產生的現金流量/負債總額X5、存貨周轉率X7、存貨與收入比X8、總資產周轉率X13、資產報酬率X14、營業毛利率X18、營業利潤率X19、留存收益資產比X27八個財務指標與公司陷入財務困境的可能性相關。將估計結果代入,可得危險率模型:

h(t,X(t))=h0(t)exp(-2.801X5-0.299X8-3.151X13-16.423 X14-6.954X18+1.157X19-5.274X27)

其中,h0(t)為危險率模型的基準死亡函數。

(二)生存函數估計

上文中,通過顯著性檢驗與共線性檢驗的模型在Cox回歸中,顯示出良好的回歸結果及各財務指標的偏相關系數。然而,要想最終得到更為精確的危險率模型,本文仍需對上文所得模型中的基準死亡函數h0(t)進行進一步估計。

危險率率模型中的基準死亡函數取決于累計死亡率隨生存時間變化的分布模式。首先,本文通過生存分析中Kaplan-Meier分析,得到估計樣本的生存表如表5。生存表內包含生存時間數據及對應累積死亡率。

在基準死亡率分布未知時,通常會假設死亡率符合某種具體分布,進行進一步擬合估計。在以往針對財務指標Cox模型預警的研究中,學者一般事先假設基準死亡率滿足線性分布、S分布、Logistic分布等分布。因此,本文綜合考慮以往常見的此三種分布,分別設定生存時間與上表累積死亡率為自變量與因變量,用曲線估計方式同時用線性分布、S分布與Logistic分布擬合,考察三種分布擬合效果,結果見表6。

擬合結果顯示,S分布擬合效果最佳,R-square為93.8%,三種分布中擬合效果最佳。因此,本文假設基準死亡率符合S分布。本文轉化公式后用線性回歸模型擬合,可得基準死亡函數:

h0(t)=exp(-5.618297)*(t^2.127813)

將基準死亡函數代入原死亡率函數中,可得:

h(t,X(t))=h0(t)exp(-2.801X5-0.299X8-3.151X13-16.423 X14-6.954X18+1.157X19-5.274X27)

(三)預測能力檢驗

財務指標預警模型中,預測能力的檢驗頗顯重要,能在一定程度上顯示該模型實踐效果的有效性。一般而言,模型的檢驗需同時在樣本內和樣本外進行。但考慮到創業板危機公司數目的有限性,為同時保證樣本估計與預測檢驗的樣本容量足夠大,本文在樣本內隨機抽取12家困境企業與12家健康企業用于預測能力檢驗。以0.5為判定點,獲得模型精度檢驗結果如表7。

由預測結果與實際情形對比,本文發現,由前文回歸所得模型在創業板財務預警效果較高。預測困境準確率為91.67%,預測健康的準確率為83.33%。

表7 樣本內檢驗結果

雖然在創業板歷史偏短與危機公司偏少的限制性下,本文暫時無法獲得樣本外檢驗效果,但從樣本內檢驗結果看來,本文認為,該模型具有較好的預?y能力。

六、研究不足

本文在取得一定的研究成果的同時,仍存在著一些缺陷,還有進一步改進的空間。本文的研究不足主要有以下三方面:

(一)指標選取

本文所選取的指標均為財務指標,對于非財務指標的影響不能充分體現。而一個上市公司的財務狀況,很多時候又會受到非財務狀況的影響,甚至這種影響會是決定性的。

(二)樣本容量

創業板畢竟從開始運行到現在只有短短的6年時間,時間跨度相對較小,而財務危機的發生是一個動態的過程,這就需要利用企業發生財務危機以前年度的數據進行模型的建立,所以本文選取了樣本企業T-1年的數據進行建模。其中虧損企業33間,健康企業246間,樣本量相對較少,造成了只能進行樣本內檢驗的困境,并且可能會對模型的預測效果造成一定的影響。

篇9

關鍵詞:U檢驗 因子分析 財務危機預警

中圖分類號:F275 文獻標識碼:A 文章編號:1002-5812(2015)18-0042-04

一、引言

經濟環境的復雜化和競爭的白熱化,使得企業經營面臨巨大風險和不確定性從而導致財務危機。財務危機預警可預知財務危機發生的征兆,其有效性和準確性的提高有助于企業及時發現導致財務狀況惡化的原因,及早應對。準確有效的預警除了對企業管理層起到警示作用外,還能助投資者做出有利的投資決策,便于債權人控制信貸風險,利于證券等監督部門的監管。迄今,理論界已發展出諸如多元判別模型、多元邏輯回歸模型和神經網絡模型等多種模型來研究財務危機預警,但受制于多元判別模型和邏輯回歸模型需要眾多假設條件,神經網絡模型建模復雜、其運作原理無法明確等問題,這些模型的適用性受到極大限制,鑒于此,本文選擇無假設要求且原理簡單的因子分析模型對財務危機預警進行研究。

二、文獻回顧

20世紀30年代,國外已開始對財務危機預警進行研究,取得了一定的成果并廣泛應用于實際。而國內學者對財務危機預警模型的研究起步較晚,始于20世紀80年代末。總體來說,國內外財務危機預警模型的研究進展可概括為:從單變量分析模型到多變量分析模型,從統計分析方法到基于人工智能的機器學習分析方法。

Beaver(1966)首建了單變量財務危機預警模型,使用30個財務比率進行了對比研究,結果表明,資產負債率、資產收益率和現金流量/負債總額這3個財務比率預測財務危機是有效的,其中現金流量/總負債這一財務比率預測財務失敗效果最好。Altman(1968)首用多變量分析進行了財務危機預警研究,并提出了判斷企業破產的臨界值,這種方法用多個財務指標加權匯總后產生的總判斷分值(稱為Z值)來預測財務危機。周首華等(1996)對Altman的Z分數模型進行了改善,將現金流量指標加入預警機制中從而建立了F分數模型。吳世農和盧賢義分別采用判別分析和logistic 回歸方法建立和估計了預警模型,并比較了各種方法的預測效果。隨著數據挖掘技術的日漸成熟,開始有學者使用神經網絡研究財務危機預警,Odom 和 Sharda(1990)將人工神經網絡模型應用在破產預測模式中,用人工神經網絡預測財務危機的新方法,他們選用Altman 選取的5個財務比率,設置5個隱藏節點,建立了神經網絡預警模型,發現使用神經網絡的方法對公司財務危機的預測率高于基于統計的方法。我國學者楊淑娥、黃禮等通過改變隱含層個數等方式對模型的可靠性進行了驗證。

三、樣本與指標的選取

(一)樣本確定及分組

國內學術界和實務界對財務危機的界定各不相同,概括起來主要分為兩種:其一,認為企業破產是最嚴重的財務危機;其二,鑒于我國資本市場的特殊性,國內大多數學者將是否被“ST”作為判斷企業發生財務危機與否的標準。考慮可行性,本文也以是否被ST作為判斷企業財務危機的標準,選取了2011―2012年間被ST的A股上市公司作為發生財務危機的公司樣本,同時按配對樣本屬于同類行業且總資產規模相差在10%以內的原則,對每一家ST公司進行配對選擇非ST公司,共選定50家ST公司和與之配對的50家非ST公司作為研究樣本。其中,50家ST公司中,20家在2011年被宣布為ST公司,30家在2012年被宣布為ST公司。研究時,筆者把50家被ST的公司隨機分成兩組,一組為建模樣本組,一組為檢驗樣本組。剩下的50家非ST公司根據與其配對的ST公司的分組情況,相應分配到檢驗數據組和建模數據組中。這樣,100家企業中就有50家(25家ST公司和25家非ST公司)公司用來建模,50家(25家ST公司和25家非ST公司)用來檢驗模型預測的準確性。

(二)預警指標體系的確定

在總結了前人研究及企業經營特征的基礎上,本文選取了23個指標,分別囊括了企業償債能力、營運能力、盈利能力、成長能力、現金流量狀況和表外其他信息6個方面。這些變量的類別如表1所示。

(三)財務危機預警指標的篩選

為建立一個有效的財務預警模型,所選指標必須能夠有效地判別財務危機企業和財務正常企業。因此,在構建模型之前,需要對所選指標進行顯著性檢驗以剔除ST公司和非ST公司之間顯著差別不高的指標。

顯著性檢驗即事先對總體的參數或總體分布形式做出預先假設,然后利用樣本信息判斷該假設是否合理,即判斷總體的真實情況與原假設是否有顯著性差異。當樣本總體符合正態分布時,一般會使用參數檢驗的方法;當樣本總體不符合正態分布時,一般采用非參數的檢驗方法。在本文中,由于總體分布未知,故首先要對樣本數據進行正態性檢驗。

1.樣本數據的正態性檢驗――單樣本K-S檢驗。通過SPSS 19.0對前面所選取的23個財務比率指標進行顯著性水平為5%的K-S檢驗,結果如表2所示(其中T-1、T-2和T-3分別代表被宣布特別處理前1年、前2年和前3年)。

在顯著性水平為0.05的水平下,當漸進顯著性P值>0.05 時,該指標符合正態分布。從表2中可以得出:T-1年只有 X6、X7、X9、X11、X15、X17、X21符合正態分布;T-2年只有X6、X7、X9、X13符合正態分布;T-3 年只有X6符合正態分布。整體上看,三年內只有X6都符合正態分布,故指標變量整體來說并不符合正態分布。

2.樣本數據的顯著性檢驗――初次篩選。對樣本數據進行顯著性檢驗時,T檢驗和U檢驗均可用。實用時,只要檢驗樣本含量較大(n>30)或檢驗樣本含量較小(n<30)但總體標準差σ已知時,即可應用u檢驗;當檢驗樣本含量較小(n<30),總體標準差σ未知時可應用T檢驗,但要求樣本數據呈正態分布。由于所選取的指標變量在總體上不符合正態分布,且樣本數較大,所以本文采用U檢驗來檢驗指標變量的顯著性。

利用收集的兩組共100家上市公司的數據資料,使用SPSS 19.0統計分析軟件中的兩個獨立樣本顯著性檢驗,對被宣布特別處理前1年、2年、3年的數據進行U檢驗,結果如上頁表3所示。

據表3可得T-1年至T-3年指標變量顯著性檢驗的結果:應收賬款周轉率(X4)、存貨周轉率(X5)、總資產周轉率(X6)、銷售毛利率(X11)、Z指標(X22)和審計意見類型(X23)這6個財務指標在0.05水平上沒有通過顯著性檢驗,說明該6個指標無法有效區分企業是財務失敗還是財務正常,故剔除這6個指標。

3.因子分析――再次篩選。考慮中國證監會界定上市公司財務狀況異常的標準一般是“連續兩年虧損”,所以本文利用建模組公司T-2的數據,共50個樣本,結合前文中通過顯著性檢驗篩選出的17個指標進行因子分析,利用因子分析對這17個指標再次精簡,去除重復信息。

(1)KMO檢驗。通常在因子分析之前,需要對原有變量之間是否存在相關關系進行研究。本文采用KMO和巴特利特檢驗對變量進行相關性檢驗。表4的檢驗結果顯示KMO值為0.667大于0.6,表明可做因子分析;又因Bartlett球狀檢驗的相伴概率為0.000,遠小于顯著性水平0.05,因此可以認為原始變量之間存在相關性,適合做因子分析。

(2)因子分析。統計方法中,可據因子載荷矩陣得出所選公因子的個數。為確定選取的公因子個數,需要計算各因子的特征值和累計貢獻率。本文選取公因子時要求因子的特征值大于1。表5顯示,選取5個公因子時,每個公因子的特征值都大于1,且累計貢獻率達到76.74%,即這5個主成分因子包含了原來76.74%的信息量,變量信息丟失較少,因子分析的結果較為理想。為便于對這5個因子進行解釋,本文使用了正交旋轉法中最大方差法進行轉換得到因子載荷矩陣表6。表6顯示:因子Z1中,財務比率X10 、X12的因子載荷量都大于90%,而這2個財務比率是反映企業盈利能力的指標,故將Z1命名為盈利能力因子;因子Z2中,財務比率X14、X18的因子載荷量遠大于其他財務比率的因子載荷量,而X14、X18是反映企業成長能力的指標,故將Z2命名為成長能力因子;因子Z3中,財務比率X2、X3的因子載荷量都大于90%,遠大于其他財務比率的因子載荷量,而X2、X3是反映企業償債能力的指標,故將Z3命名為償債能力因子;在因子Z4中,財務比率X19、X21的因子載荷量遠大于其他財務比率的因子載荷量,而X19、X21分別反映企業現金流量的指標,故將Z4命名為現金能力因子;在因子Z5中,財務比率X7、X17的因子載荷量大于其他財務比率的因子載荷量,而X7、X17分別反映企業盈利和成長能力的指標,故將Z5命名為綜合能力因子。

根據表6旋轉平方和載入方差值和表7各公因子得分系數,確定財務危機預警函數為:

F=(0.20302Z1+0.17393Z2+0.15622Z3+0.13054Z4+0.10364Z5)/0.73736 (公式一)

四、財務危機預測值的確定及預警模型的檢驗

(一)財務危機預測值的確定

將建模組共50個樣本的數據帶入公式一中,得到各企業綜合財務風險預測值F,根據F值的高低排列企業,結果見表8。

根據表8中各預測值F和確保最小錯誤率的原則,選定ST企業和非ST的最佳分割點,本文中稱該分割點為風險臨界值PS。通過分析可看出,這個分割點在-0.08和0.02之間時,誤判率最小,故本文選擇這兩個數值的平均數作為風險臨界值,即PS為-0.03。

據前文,距被宣布特別處理前兩年財務預警的因子分析模型為:

F=(0.20302Z1+0.17393Z2+0.15622Z3+0.13054Z4+0.10364Z5)/0.76736

若 F≥PS,則2年后該企業為非ST企業;若 F<PS,則2年后該企業為ST企業。

(二)預警模型的檢驗

為檢驗PS臨界值-0.03在預測財務危機方面的準確性,本文把距被宣布特別處理前兩年(即T-2年)的檢驗組樣本數據(共50個樣本)帶入因子分析模型,即公式一中,得到檢驗組樣本各公司F值,根據F值的高低排列企業,結果見表9。

根據建模樣本組確定的風險臨界值PS=-0.03,被宣布特別處理前兩年的檢測組公司樣本數據F值計算結果表明:50家企業里有45家預測正確,預測錯誤的為華電能源、蓮花味精、金健米業、*ST新農、*ST南紡這五家,預測正確率達90%。因此,公司被宣布特別處理前兩年,該財務風險預警模型具有較好的預測能力。

五、結論

本文選取2011―2012年間A股上市公司中被ST的50家公司和與其配對的50家非ST的公司作為研究樣本,以被ST前三年的數據作為樣本數據,使用U檢驗嚴格篩選出17個財務指標作為指標變量,對上市公司前兩年的數據運用因子分析對指標體系進行再次篩選,構建了財務危機預警模型。研究結果顯示:公司被宣布特別處理前兩年預測的正確率高達90%,達到了較好的預測效果。J

參考文獻:

篇10

【關鍵詞】 制造業;財務危機;預警系統

一、引言

隨著市場經濟體制改革的不斷深化,我國的企業在面臨著無數機遇的同時,也面臨著前所未有的風險,眾多企業因為財務風險陷入困境,甚至宣告破產。然而,任何的危機都是一個逐漸惡化的過程,如果能及時發現企業在財務管理中存在的問題,就可以預測財務風險,使管理層能夠采取有效措施預防失敗。

目前我國尚處于社會主義的初級階段,工業尤其是制造業仍是我國經濟發展的支柱,制造業的發展也在一定程度上決定了農業、服務業以及國防的水平,制造業的健康發展關系到整個社會經濟體系的健康發展。因此,及時預測制造業面臨的財務風險,建立適當的制造業公司財務危機預警系統至關重要。

二、研究思路

本文以2005-2007年我國制造業上市公司的財務報表為研究對象,以上市公司因財務異常而被特殊處理(ST)做為企業陷入財務危機的標志,選取樣本組和預測組,根據大量文獻證明有效的財務指標,構建相應的財務危機預警系統。通過銳思數據庫導出公司資產負債表、利潤表、現金流量表,通過公式計算財務預警系統中各指標的值,運用SPSS軟件得到建立模型所用的敏感性指標,采用定量分析法的Logistic回歸分析得到預警系統,并通過預測組對結果進行分析得出相關結論。

三、指標系統構建

現代財務管理理論認為,企業的財務狀況主要取決于企業的償債能力、盈利能力、營運能力和成長能力,在世界上財務體系的研究和實踐中運用的財務指標也分別反映了上述內容。而由于目前越來越多的企業開始關注自身的現金流量狀況,實踐中也證明了現金流量的大小直接決定了企業是否有足夠的資金進行正常的生產經營活動、能否到期還債,它與企業的生存、發展息息相關,因此也將現金流量納入到財務預警系統中。

本文在借鑒前人研究的基礎上,考慮到指標數據取得的難易程度,通過以下指標建立了一套與財務預警相關的指標體系,并從償債能力、盈利能力、營運能力、成長能力和現金流量狀況對財務危機預警進行分析,見表1 財務危機預警指標體系。

四、樣本選取

本文從我國證券市場上2005-2007年制造業企業中界定出32家(其中ST公司30家、非ST公司30家)作為研究樣本,借鑒國外的經驗并結合我國的實際情況制定取樣原則如下:

一是同門類。根據中國證監會的《上市公司行業分類指引》選取典型制造業企業作為研究對象。

二是同時期。為了保證研究對象所處的宏觀經濟環境相同,從而保證模型分析有意義,本文選擇ST公司被“特別處理”的前三年即2005-2007年作為數據采集的時間范圍,ST公司和與其相配對的非ST公司的財務數據均以ST公司被“特別處理”的時間為限,從而使財務指標在時間上具有一致性。

三是規模相似。

四是樣本的分組,取ST公司、非ST公司各15企業作為估計組,另取非ST公司和ST公司各15企業作預測組,根據對估計組進行研究分析得到的結論對預測組進行預測,從而驗證研究結果。

五、實證結果及分析

(一)變量的顯著性檢驗

下面利用選取的兩組共60家上市公司的財務數據,使用SPSS軟件中的顯著性檢驗功能對相關財務指標進行變量的顯著性檢驗,比較ST公司和非ST公司在這16個財務指標的平均值上是否具有顯著性差異,從而對財務指標進行初步的篩選。

從ST公司和非ST公司備選財務指標T檢驗結果表(表略)中我們可以得到備選財務指標的顯著性檢驗結果, ST公司和非ST公司在現金營運指數、存貨周轉率、應收賬款周轉率、利息保障倍數、主營業務利潤率等指標上不具有顯著性差異。綜上所述,流動比率、速動比率、資產負債率、總資產利潤率、凈資產利潤率、每股經營現金凈流量、總資產現金回收率、主營業務收入增長率、利潤總額增長率、總資產周轉率、總資產增長率等11項財務指標通過了0.05顯著性水平檢驗。

(二)變量的相關性分析

由于財務指標之間大多存在多重共線性關系,為了減輕這11項財務指標之間的多重共線性度,利用SPSS軟件分析這些指標的相關系數(表略)。

本文以0.6作為分界點即大于0.6則認為具有明顯的相關關系,從而得到:流動比率與資產負債率、總資產利潤率與凈資產利潤率、總資產周轉率,具有明顯的相關關系;總資產增長率與主營業務收入增長率具有明顯的相關關系;每股經營現金凈流量與總資產現金回收率具有明顯的相關關系;總資產周轉率與總資產現金回收率具有明顯的相關關系。

根據上述分析,結合財務指標的顯著性分析以及各指標所能夠反應企業相關能力的程度選取速動比率作為償債能力的指標;選取總資產周轉率作為營運能力指標;選取凈資產利潤率作為盈利能力指標;選取利潤總額增長率、總資產增長率作為成長能力的指標;選取每股經營現金凈流量作為現金流量能力的指標,以上述六個指標,構建財務預警系統體系。

(三)建立財務預警系統模型

將樣本組的上述六個指標通過SPSS軟件處理,得到Logistic回歸模型:

u=26.423-10.989X2+7.422X7-20.156X10+0.237X12-25.743X13-1.022X16。根據上述Logistic回歸方程,將相對應的指標代入方程得到0.6467

將預測組代入回歸方程進行檢驗,判定結果見表2。(其中1代表財務陷入危機的公司,2代表財務狀況正常的公司,3代表在灰色地帶的公司)

從上述檢驗結果表可見,預測組中15家ST公司中有2家誤判,正確率為86.7%;15家非ST中有2家誤判,正確率為86.7%。

從上述分析中可以發現,誤判率稍高,可能是有下列幾個原因:第一,樣本選擇的數量偏少,導致回歸方程的系數發生偏差,從而導致模型精度稍低;第二,預警系統選擇的相關財務指標的數量偏少,未能完全反應企業財務狀況;第三,指標的計算口徑不完全一致;第四,由于采集樣本的企業來自制造業的各個類別,企業特點、運行方式有細微的差別,從而導致建立的模型不精確。

六、結論及建議

本文建立的財務危機預警系統是通過6個財務指標,對我國制造業財務狀況作出的比較精確的判斷。當0< p

然而,本文引用的所有財務數據、財務指標都是由上市公司的財務報表得到的。企業出于各種目的,使財務報表具有一定彈性,往往不能十分準確的反映企業真實的財務狀況。因此,以此為基礎建立的模型的準確性會受到一定的影響。

鑒于以上的分析,本文建立的模型具有很大的局限性。針對上述財務系統,筆者建議:

第一,企業財務危機預警系統的建立是需要大量的公司作為研究樣本的,本文建立的系統也是由于樣本的數量不夠導致模型精度不夠。因此,要通過對大量數據研究的基礎上才能建立完善的、精度很高的模型。

第二,每一個企業有自己的特點。企業應該根據自己的實際情況對模型進行修正,舍棄某些不適用的指標,增加一些更適用于本企業的指標,從而保證系統具有實用性。

第三,本文適用的是多變量分析的方法,目的是對企業的財務狀況進行綜合反映。若能將多變量模型與單變量模型結合起來可以使財務危機預警系統更加精確。

【參考文獻】

[1] 韓新寬. 財務管理學[M]. 哈爾濱: 哈爾濱工業出版社,2007, 35-40.

[2] 趙愛玲. 企業財務危機的識別與分析[J].財務與會計,2002,(11):69-71.

[3] 張友棠. 財務預警系統管理研究[M]. 北京:中國人民出版社,2004.

[4] 蔡勇. 我國信息技術上市公司財務危機預警的實證研究[J]. 江門職業技術學院學報,2007,(9):10-21.