淺析上市公司財(cái)務(wù)困境

導(dǎo)語：淺析上市公司財(cái)務(wù)困境一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

內(nèi)容提要：本文以我國(guó)上市公司為研究對(duì)象，選取了70家處于財(cái)務(wù)困境的公司和70家財(cái)務(wù)正常的公司為樣本，首先應(yīng)用剖面分析和單變量判定分析，研究財(cái)務(wù)困境出現(xiàn)前5年內(nèi)各年這二類公司21個(gè)財(cái)務(wù)指標(biāo)的差異，最后選定6個(gè)為預(yù)測(cè)指標(biāo)，應(yīng)用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預(yù)測(cè)財(cái)務(wù)困境的模型。研究結(jié)果表明：(1)在財(cái)務(wù)困境發(fā)生前2年或1年，有16個(gè)財(cái)務(wù)指標(biāo)的信息時(shí)效性較強(qiáng)，其中凈資產(chǎn)報(bào)酬率的判別成功率較高；(2)三種模型均能在財(cái)務(wù)困境發(fā)生前做出相對(duì)準(zhǔn)確的預(yù)測(cè)，在財(cái)務(wù)困境發(fā)生前4年的誤判率在28％以內(nèi)；(3)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％。

一、財(cái)務(wù)困境預(yù)測(cè)模型研究的基本問題

財(cái)務(wù)困境(Financialdistress)又稱“財(cái)務(wù)危機(jī)”(Financialcrisis)，最嚴(yán)重的財(cái)務(wù)困境是“企業(yè)破產(chǎn)”(Bankruptcy)。企業(yè)因財(cái)務(wù)困境導(dǎo)致破產(chǎn)實(shí)際上是一種違約行為，所以財(cái)務(wù)困境又可稱為“違約風(fēng)險(xiǎn)”(Defaultrisk)。事實(shí)上，企業(yè)陷入財(cái)務(wù)困境是一個(gè)逐步的過程，通常從財(cái)務(wù)正常漸漸發(fā)展到財(cái)務(wù)危機(jī)。實(shí)踐中，大多數(shù)企業(yè)的財(cái)務(wù)困境都是由財(cái)務(wù)狀況正常到逐步惡化，最終導(dǎo)致財(cái)務(wù)困境或破產(chǎn)的。因此，企業(yè)的財(cái)務(wù)困境不但具有先兆，而且是可預(yù)測(cè)的。正確地預(yù)測(cè)企業(yè)財(cái)務(wù)困境，對(duì)于保護(hù)投資者和債權(quán)人的利益、對(duì)于經(jīng)營(yíng)者防范財(cái)務(wù)危機(jī)、對(duì)于政府管理部門監(jiān)控上市公司質(zhì)量和證券市場(chǎng)風(fēng)險(xiǎn)，都具有重要的現(xiàn)實(shí)意義?？v觀財(cái)務(wù)困境判定和預(yù)測(cè)模型的研究，涉及到三個(gè)基本問題：一是財(cái)務(wù)困境的定義；二是預(yù)測(cè)變量或判定指標(biāo)的選擇；三是計(jì)量方法的選擇。

(一)財(cái)務(wù)困境的定義

關(guān)于財(cái)務(wù)困境的定義，有不同的觀點(diǎn)。Carmiehael(1972)認(rèn)為財(cái)務(wù)困境是企業(yè)履行義務(wù)時(shí)受阻，具體表現(xiàn)為流動(dòng)性不足、權(quán)益不足、債務(wù)拖欠及資金不足四種形式。Ross等人(1999；2000)則認(rèn)為可從四個(gè)方面定義企業(yè)的財(cái)務(wù)困境：第一，企業(yè)失敗，即企業(yè)清算后仍無力支付債權(quán)人的債務(wù)；第二，法定破產(chǎn)，即企業(yè)和債權(quán)人向法院申請(qǐng)企業(yè)破產(chǎn)；第三，技術(shù)破產(chǎn)，即企業(yè)無法按期履行債務(wù)合約付息還本；第四，會(huì)計(jì)破產(chǎn)，即企業(yè)的賬面凈資產(chǎn)出現(xiàn)負(fù)數(shù)，資不抵債。從防范財(cái)務(wù)困境的角度看，“財(cái)務(wù)困境是指一個(gè)企業(yè)處于經(jīng)營(yíng)性現(xiàn)金流量不足以抵償現(xiàn)有到期債務(wù)”，即技術(shù)破產(chǎn)。

在Beaver(1966)的研究中，79家“財(cái)務(wù)困境公司”包括59家破產(chǎn)公司、16家拖欠優(yōu)先股股利公司和3家拖欠債務(wù)的公司，由此可見，Beaver把破產(chǎn)、拖欠優(yōu)先股股利、拖欠債務(wù)界定為財(cái)務(wù)困境。Altman(1968)定義的財(cái)務(wù)困境是“進(jìn)入法定破產(chǎn)的企業(yè)”。Deakin(1972)則認(rèn)為財(cái)務(wù)困境公司“僅包括已經(jīng)經(jīng)歷破產(chǎn)、無力償債或?yàn)閭鶛?quán)人利益而已經(jīng)進(jìn)行清算的公司”。

(二)預(yù)測(cè)變量的選擇

財(cái)務(wù)困境預(yù)測(cè)模型因所用的信息類型不同分為財(cái)務(wù)指標(biāo)信息類模型、現(xiàn)金流量信息類模型和市場(chǎng)收益率信息類模型。

1．財(cái)務(wù)指標(biāo)信息類模型。Ahman(1968)等學(xué)者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常規(guī)的財(cái)務(wù)指標(biāo)，如負(fù)債比率、流動(dòng)比率、凈資產(chǎn)收益率和資產(chǎn)周轉(zhuǎn)速度等，作為預(yù)測(cè)模型的變量進(jìn)行財(cái)務(wù)困境預(yù)測(cè)。

盡管財(cái)務(wù)指標(biāo)廣泛且有效地應(yīng)用于財(cái)務(wù)困境預(yù)測(cè)模型，但如何選擇財(cái)務(wù)指標(biāo)及是否存在最佳的財(cái)務(wù)指標(biāo)來預(yù)測(cè)財(cái)務(wù)困境發(fā)生的概率卻一直存在分歧。Harmer(1983)指出被選財(cái)務(wù)指標(biāo)的相對(duì)獨(dú)立性能提高模型的預(yù)測(cè)能力。Boritz(1991)區(qū)分出65個(gè)之多的財(cái)務(wù)指標(biāo)作為預(yù)測(cè)變量。但是，自Z模型(1968)和ZETA模型(1977)發(fā)明后，還未出現(xiàn)更好的使用財(cái)務(wù)指標(biāo)于預(yù)測(cè)財(cái)務(wù)困境的模型。

2．現(xiàn)金流量信息類模型?，F(xiàn)金流量類信息的財(cái)務(wù)困境預(yù)測(cè)模型基于一個(gè)理財(cái)學(xué)的基本原理：公司的價(jià)值應(yīng)等于預(yù)期的現(xiàn)金流量的凈現(xiàn)值。如果公司沒有足夠的現(xiàn)金支付到期債務(wù)，而且又無其他途徑獲得資金時(shí)，那么公司最終將破產(chǎn)。因此，過去和現(xiàn)在的現(xiàn)金流量應(yīng)能很好地反映公司的價(jià)值和破產(chǎn)概率。

在Gentry，Newbold和Whitford(1985a；1985b)研究的基礎(chǔ)上，Aziz、Emanuel和Lawson(1988)發(fā)展了現(xiàn)金流量信息預(yù)測(cè)財(cái)務(wù)困境模型。公司的價(jià)值來自經(jīng)營(yíng)的、政府的、債權(quán)人的、股東的現(xiàn)金流量的折現(xiàn)值之和。他們根據(jù)配對(duì)的破產(chǎn)公司和非破產(chǎn)公司的數(shù)據(jù)，發(fā)現(xiàn)在破產(chǎn)前5年內(nèi)兩類公司的經(jīng)營(yíng)現(xiàn)金流量均值和現(xiàn)金支付的所得稅均值有顯著的差異。顯然，這一結(jié)果是符合現(xiàn)實(shí)的。破產(chǎn)公司與非破產(chǎn)公司的經(jīng)營(yíng)性現(xiàn)金流量會(huì)因投資質(zhì)量和經(jīng)營(yíng)效率的差異而不同，二者以現(xiàn)金支付的所得稅也會(huì)因稅收會(huì)計(jì)的處理差異而不同。Aziz、Emanuel和Lawson(1989)比較了Z模型、ZETA模型、現(xiàn)金流量模型預(yù)測(cè)企業(yè)發(fā)生財(cái)務(wù)困境的準(zhǔn)確率，發(fā)現(xiàn)現(xiàn)金流量模型的預(yù)測(cè)效果較好。

3．市場(chǎng)收益率信息類模型。Beaver(1968)是使用股票市場(chǎng)收益率信息進(jìn)行財(cái)務(wù)困境預(yù)測(cè)研究的先驅(qū)。他發(fā)現(xiàn)在有效的資本市場(chǎng)里，股票收益率也如同財(cái)務(wù)指標(biāo)一樣可以預(yù)測(cè)破產(chǎn)，但時(shí)間略滯后。Altman和Brenner(1981)的研究表明，破產(chǎn)公司的股票在破產(chǎn)前至少1年內(nèi)在資本市場(chǎng)上表現(xiàn)欠佳。Clark和Weinstein(1983)發(fā)現(xiàn)破產(chǎn)公司股票在破產(chǎn)前至少3年內(nèi)存在負(fù)的市場(chǎng)收益率。然而，他們也發(fā)現(xiàn)破產(chǎn)公告仍然向市場(chǎng)釋放了新的信息。破產(chǎn)公司股票在破產(chǎn)公告日前后的兩個(gè)月時(shí)間區(qū)段內(nèi)平均將經(jīng)歷26％的資本損失。

Aharony，Jones和Swary(1980)提出了一個(gè)基于市場(chǎng)收益率方差的破產(chǎn)預(yù)測(cè)模型。他們發(fā)現(xiàn)在正式的破產(chǎn)公告日之前的4年內(nèi)，破產(chǎn)公司的股票的市場(chǎng)收益率方差與一般公司存在差異。在接近破產(chǎn)公告日時(shí)，破產(chǎn)公司的股票的市場(chǎng)收益率方差變大。

(三)計(jì)量方法的選擇

財(cái)務(wù)困境的預(yù)測(cè)模型因選用變量多少不同分為單變量預(yù)測(cè)模型和多變量預(yù)測(cè)模型；多變量預(yù)測(cè)模型因使用計(jì)量方法不同分為線性判定模型、線性概率模型和Logistic回歸模型。

此外，值得注意的是，近年來財(cái)務(wù)困境預(yù)測(cè)的研究方法又有新的進(jìn)展。網(wǎng)絡(luò)神經(jīng)遺傳方法已經(jīng)開始被應(yīng)用于構(gòu)建和估計(jì)財(cái)務(wù)困境預(yù)測(cè)模型。

(四)我國(guó)對(duì)企業(yè)財(cái)務(wù)困境預(yù)測(cè)的研究

在國(guó)內(nèi)的研究中，吳世農(nóng)、黃世忠(1986)曾介紹企業(yè)的破產(chǎn)分析指標(biāo)和預(yù)測(cè)模型；陳靜(1999)以1998年的27家ST公司和27家非ST公司，使用了1995—1997年的財(cái)務(wù)報(bào)表數(shù)據(jù)，進(jìn)行了單變量分析和二類線性判定分析，在單變量判定分析中，發(fā)現(xiàn)在負(fù)債比率、流動(dòng)比率、總資產(chǎn)收益率、凈資產(chǎn)收益率4個(gè)財(cái)務(wù)指標(biāo)中，流動(dòng)比率與負(fù)債比率的誤判率最低；在多元線性判定分析中，發(fā)現(xiàn)由負(fù)債比率、凈資產(chǎn)收益率、流動(dòng)比率、營(yíng)運(yùn)資本／總資產(chǎn)、總資產(chǎn)周轉(zhuǎn)率6個(gè)指標(biāo)構(gòu)建的模型，在ST發(fā)生的前3年能較好地預(yù)測(cè)ST。張玲(2000)以120家公司為研究對(duì)象，使用其中60家公司的財(cái)務(wù)數(shù)據(jù)估計(jì)二類線性判別模型，并使用另外60家公司進(jìn)行模型檢驗(yàn)，發(fā)現(xiàn)模型具有超前4年的預(yù)測(cè)結(jié)果。

二、本文的樣本和研究方法

本文與以前我國(guó)上市公司財(cái)務(wù)困境的研究有所不同。第一，樣本新、時(shí)間長(zhǎng)、容量大。本文研究的ST樣本包括1998—2000年發(fā)生ST的公司，即A股市場(chǎng)上全部的ST公司，同時(shí)剔除了非正常的ST公司；此外，樣本數(shù)據(jù)的收集時(shí)間延至公司發(fā)生ST前5年，樣本時(shí)間跨度較長(zhǎng)。選入研究的ST樣本公司70家和相對(duì)應(yīng)的非ST樣本公司70家，樣本容量達(dá)到了140家，可望在一定程度上降低估計(jì)和預(yù)測(cè)誤差。第二，選擇多種研究方法，建立單變量判定模型和三種多變量判定模型，并比較各種模型在財(cái)務(wù)困境預(yù)測(cè)中的效率。

(一)財(cái)務(wù)困境公司的樣本選定

本文從我國(guó)A股市場(chǎng)上3年中出現(xiàn)的82家ST公司中界定出70家公司作為財(cái)務(wù)困境公司，進(jìn)行財(cái)務(wù)困境預(yù)測(cè)研究。它們是：(1)連續(xù)兩年虧損，包括因?qū)ω?cái)務(wù)報(bào)告調(diào)整導(dǎo)致連續(xù)兩年虧損的“連虧”公司，共51家；(2)一年虧損但最近一個(gè)會(huì)計(jì)年度的股東權(quán)益低于注冊(cè)資本，即“巨虧”公司，共16家；(3)因注冊(cè)會(huì)計(jì)師意見而特別處理的，共3家。但排除了：(1)上市兩年內(nèi)就進(jìn)入特別處理的公司，共8家。排除原因是財(cái)務(wù)數(shù)據(jù)過少和存在嚴(yán)重的包裝上市嫌疑，因此與樣本中的其他公司不具有同質(zhì)性；(2)因巨額或有負(fù)債進(jìn)行特別處理的公司，共2家。排除原因是或有負(fù)債屬偶發(fā)事件，不是由企業(yè)正常經(jīng)營(yíng)造成的，與其他樣本公司不具有同質(zhì)性；(3)因自然災(zāi)害、重大事故等進(jìn)行特別處理的，共2家，原因同(2)。

(二)研究程序和計(jì)量方法

本研究首先計(jì)算140家樣本公司的盈利增長(zhǎng)比率、股東權(quán)益收益率等21個(gè)財(cái)務(wù)指標(biāo)，這些指標(biāo)綜合反映了企業(yè)的盈利能力、長(zhǎng)短期償債能力、營(yíng)運(yùn)能力、成長(zhǎng)能力和企業(yè)規(guī)模。在此基礎(chǔ)上，使用剖面分析對(duì)樣本中的財(cái)務(wù)困境公司和非財(cái)務(wù)困境公司在財(cái)務(wù)困境發(fā)生前5年期間歷年的21個(gè)財(cái)務(wù)指標(biāo)進(jìn)行對(duì)比分析，探討對(duì)企業(yè)陷入財(cái)務(wù)困境影響顯著的變量。其后，應(yīng)用單變量分析，選擇4個(gè)財(cái)務(wù)指標(biāo)為例估計(jì)單變量判定模型。最后，篩選和確定對(duì)企業(yè)陷入財(cái)務(wù)困境影響最為顯著的6個(gè)指標(biāo)為模型的判定指標(biāo)，應(yīng)用線性概率模型、Fisher二類線性判定模型、Logistic模型三種計(jì)量方法，建立和估計(jì)財(cái)務(wù)困境的預(yù)測(cè)模型，并比較這三種模型的預(yù)測(cè)效果。

三、實(shí)證研究

(一)剖面分析

首先分組計(jì)算70家財(cái)務(wù)困境公司和70家非財(cái)務(wù)困境公司的21個(gè)財(cái)務(wù)指標(biāo)在財(cái)務(wù)困境發(fā)生前1至5年的平均值和標(biāo)準(zhǔn)差等描述性統(tǒng)計(jì)量，比較這二組在21個(gè)財(cái)務(wù)指標(biāo)各年的平均值是否具有顯著差異，其次計(jì)算各年的Z統(tǒng)計(jì)檢驗(yàn)量，結(jié)果如表1所示。剖面分析結(jié)果表明：(1)在ST發(fā)生的前1和2年，財(cái)務(wù)困境公司和非財(cái)務(wù)困境公司的17個(gè)財(cái)務(wù)指標(biāo)的平均值存在顯著的差異；(2)Z值隨著ST發(fā)生時(shí)間的臨近而顯著增大，即二組的財(cái)務(wù)指標(biāo)平均值的差異隨ST發(fā)生時(shí)間的臨近而擴(kuò)大。由此可見，在所選的21個(gè)財(cái)務(wù)指標(biāo)中，除利息保障倍數(shù)、存貨周轉(zhuǎn)率、Log(總資產(chǎn))和Idg(凈資產(chǎn))外，其余17個(gè)在財(cái)務(wù)困境發(fā)生前1至2年中具有顯著的預(yù)測(cè)能力。

表121個(gè)財(cái)務(wù)指標(biāo)Z統(tǒng)計(jì)量的計(jì)算結(jié)果*

(二)單變量判定分析

本文選擇凈資產(chǎn)報(bào)酬率、負(fù)債比例、營(yíng)運(yùn)資產(chǎn)與總資產(chǎn)的比例和資產(chǎn)周轉(zhuǎn)率4個(gè)財(cái)務(wù)指標(biāo)，應(yīng)用單變量判定分析分別建立4個(gè)單變量預(yù)測(cè)模型，通過確定模型的最佳判定點(diǎn)，可以判定某一企業(yè)在財(cái)務(wù)困境發(fā)生前1至5年其是否會(huì)陷入財(cái)務(wù)困境。估計(jì)模型的結(jié)果如表2至表5所示。

表2凈資產(chǎn)報(bào)酬率在財(cái)務(wù)困境前1-5年的判定模型

由表2至表5可見：(1)從各個(gè)單變量判定模型的判定效果來看，凈資產(chǎn)報(bào)酬率的判定模型誤差最??；營(yíng)運(yùn)資本／總資產(chǎn)的判定模型和負(fù)債比率的判定模型誤差次之，資產(chǎn)周轉(zhuǎn)率的判定模型誤差最大。(2)財(cái)務(wù)指標(biāo)作為預(yù)測(cè)變量具有信息含量和時(shí)效性，其信息含量隨著時(shí)間的推移而遞減，即指標(biāo)值離財(cái)務(wù)困境發(fā)生的時(shí)間愈短，信息含量愈多，預(yù)測(cè)的準(zhǔn)確性愈高，反之信息含量愈少，預(yù)測(cè)準(zhǔn)確性愈低。(3)結(jié)合剖面分析，在兩組均值的差異性檢驗(yàn)中非常顯著的財(cái)務(wù)指標(biāo)，在單變量判定分析中的誤判率卻較高。例如，財(cái)務(wù)困境公司與非財(cái)務(wù)困境公司兩組的負(fù)債比率在財(cái)務(wù)困境前1年的Z統(tǒng)計(jì)量為7．0696，差異性非常顯著，但在單變量判定分析中誤判比率卻高達(dá)24．46％。以上結(jié)果表明，應(yīng)用不同研究方法分析同一個(gè)指標(biāo)所得結(jié)果不同。我們認(rèn)為，這是因?yàn)樵谄拭娣治龅膠檢驗(yàn)中，誤判率不僅與兩組的均值有關(guān)，而且與兩組的樣本分布的狀況有關(guān)。因此，應(yīng)用不同判定分析方法構(gòu)建的單指標(biāo)判定模型，結(jié)論往往相互沖突。

表3負(fù)債比率在財(cái)務(wù)困境前1-5年的判定模型

表5資產(chǎn)周轉(zhuǎn)率在財(cái)務(wù)困境前1-5年的判定模型

(三)多元線性判定模型的變量選擇分析

本研究首先應(yīng)用LPM，采用逐步回歸選擇變量方法，對(duì)5年的樣本數(shù)據(jù)依次進(jìn)行回歸，從21個(gè)變量中選擇若干變量。選擇的標(biāo)準(zhǔn)是：F值的概率值小于0．10時(shí)進(jìn)入，大于0．11時(shí)剔除。

利用財(cái)務(wù)困境前1至5年的數(shù)據(jù)，分別進(jìn)行逐步回歸，結(jié)果如表6所示。我們最終選取了Xl(盈利增長(zhǎng)指數(shù))、X3(資產(chǎn)報(bào)酬率)、X7(流動(dòng)比率)、X11(長(zhǎng)期負(fù)債與股東權(quán)益比率)、X12(營(yíng)運(yùn)資本與總資產(chǎn)比)、X19(資產(chǎn)周轉(zhuǎn)率)等6個(gè)指標(biāo)作為多元判定分析的變量。選取這些指標(biāo)的原因是：(1)以財(cái)務(wù)困境前1年的逐步回歸結(jié)果為主，參考其他年份的回歸結(jié)果。由剖面分析可知，財(cái)務(wù)困境前1年的財(cái)務(wù)指標(biāo)作為財(cái)務(wù)困境預(yù)測(cè)的信息含量最多，時(shí)效性最強(qiáng)；離財(cái)務(wù)困境發(fā)生的時(shí)間越遠(yuǎn)，指標(biāo)的信息含量越少，時(shí)效性越差。所以，財(cái)務(wù)困境前1年逐步回歸所得的變量全部入選。結(jié)合其他年份特別是財(cái)務(wù)困境前2年的結(jié)果，營(yíng)運(yùn)資本總資產(chǎn)比、速動(dòng)比率、負(fù)債比率、應(yīng)收賬款周轉(zhuǎn)率是表現(xiàn)較好的變量。(2)兼顧全面綜合的信息反映，適當(dāng)避免同類信息的重復(fù)反映。首先，財(cái)務(wù)困境前1年逐步回歸所得的變量盈利增長(zhǎng)指數(shù)、資產(chǎn)報(bào)酬率、長(zhǎng)期負(fù)債股東權(quán)益比率、資產(chǎn)周轉(zhuǎn)率分別是反映企業(yè)成長(zhǎng)能力、盈利能力、長(zhǎng)期償債能力、營(yíng)運(yùn)能力的指標(biāo)，但沒有反映短期償債能力的指標(biāo)。營(yíng)運(yùn)資本與總資產(chǎn)比是財(cái)務(wù)困境前2年逐步回歸所得的變量之一，而且參數(shù)估計(jì)值的顯著性水平在0．05之上，故也把該變量作為預(yù)測(cè)變量之一。其次，速動(dòng)比率是反映短期償債能力的指標(biāo)，但更能全面反映短期償債能力是流動(dòng)比率，結(jié)合剖面分析，歷年兩組間的流動(dòng)比率和速動(dòng)比率均值差異性檢驗(yàn)統(tǒng)計(jì)量Z值比較接近，表明這二個(gè)指標(biāo)都能反映的兩組的差異性。因此，從反映短期償債能力的全面性來考慮，我們?cè)诮r(shí)選擇了流動(dòng)比率，舍棄了速動(dòng)比率。再次，考慮到若企業(yè)短期償債能力較強(qiáng)，會(huì)減少其在短期內(nèi)陷入財(cái)務(wù)困境的概率，因此把短期償債能力的兩個(gè)指標(biāo)——營(yíng)運(yùn)資本與總資產(chǎn)比和流動(dòng)比率同時(shí)引入預(yù)測(cè)變量組合，加強(qiáng)短期償債能力信息在預(yù)測(cè)中的比重。第四，負(fù)債比率與長(zhǎng)期負(fù)債股東權(quán)益比同是反映企業(yè)長(zhǎng)期償債能力的指標(biāo)，長(zhǎng)期負(fù)債股東權(quán)益比已在財(cái)務(wù)困境前1年引入了變量組合，為避免信息的重復(fù)反映，舍棄了負(fù)債比率。最后，應(yīng)收賬款周轉(zhuǎn)率與總資產(chǎn)周轉(zhuǎn)率同是反映營(yíng)運(yùn)能力的指標(biāo)，但應(yīng)收賬款周轉(zhuǎn)率不及總資產(chǎn)周轉(zhuǎn)率反映全面，所以反映營(yíng)運(yùn)能力的指標(biāo)選用總資產(chǎn)周轉(zhuǎn)率，舍棄應(yīng)收賬款周轉(zhuǎn)率。

表6各年逐步回歸的所得的變量結(jié)果

為了避免多重共線性，對(duì)選定的6個(gè)變量進(jìn)行多重共線性檢驗(yàn)。本文使用的檢驗(yàn)指標(biāo)是容許度(TOL)和方差膨脹因子(VIF)。計(jì)算公式為：

TOLj=1—R2j=1／VIFj

其中，群為均對(duì)其余k—1個(gè)自變量回歸中的判定系數(shù)R2。當(dāng)TOL較小時(shí)，認(rèn)為存在多重共線性。一般地，方差膨脹因子VIF大于10，認(rèn)為具有高的多重共線性。VIF檢驗(yàn)的結(jié)果見表7。從表7可知，6個(gè)變量的VIF均小于10，可認(rèn)為各變量之間不存在顯著的多重共線性。

表7多重共線性檢驗(yàn)

(四)多元線性判定模型的估計(jì)結(jié)果

1．LPM模型。根據(jù)上述選定的6個(gè)變量及其財(cái)務(wù)困境前1年的樣本數(shù)據(jù)，得到LPM模型的回歸結(jié)果如表8所示。LPM模型的方程可表示為：

Y=0．3883+0．1065x1-2．7733x3+0．0537x7+0．1970x11-0．3687Xl2-0.1388x19

其中：Y是陷入財(cái)務(wù)困境的概率；X1是盈利增長(zhǎng)指數(shù)；x3是資產(chǎn)報(bào)酬率；x7是流動(dòng)比率；X11，是長(zhǎng)期負(fù)債股東權(quán)益比率；x12是營(yíng)運(yùn)資本／總資產(chǎn)；X19是資產(chǎn)周轉(zhuǎn)率。表8LPM模型的回歸估計(jì)結(jié)果

線性概率方程是以70家非財(cái)務(wù)困境公司與69家財(cái)務(wù)困境公司在財(cái)務(wù)困境前1年的6個(gè)財(cái)務(wù)指標(biāo)的數(shù)據(jù)為因變量值，取財(cái)務(wù)困境公司為1，非財(cái)務(wù)困境公司為0作為因變量值進(jìn)行估計(jì)的。因此，理論上取0．5為最佳判定點(diǎn)。根據(jù)估計(jì)的模型對(duì)原始數(shù)據(jù)進(jìn)行回代判定，若預(yù)測(cè)值大于0．5的，判定為財(cái)務(wù)困境公司；否則為非財(cái)務(wù)困境公司。判定結(jié)果如表9所示。

表9LPM在財(cái)務(wù)困境前1年的判定結(jié)果

在回判過程中，70家非財(cái)務(wù)困境公司有4家被錯(cuò)判，誤判率為5．71％；69家財(cái)務(wù)困境公司有10家被錯(cuò)判，誤判率為14．49％；總的誤判率為10．07％。判定正確率較高。采用同樣的方法可以計(jì)算其他年份的最佳判定點(diǎn)和誤判率。

2．Fisher二類線性判定模型。把財(cái)務(wù)困境公司劃分為組合1，非財(cái)務(wù)困境公司劃分為組合2，對(duì)樣本公司的財(cái)務(wù)困境前1年的財(cái)務(wù)數(shù)據(jù)，使用同樣的6個(gè)變量，估計(jì)Fisher二類線性判定分析。

對(duì)于組合1，判定模型為：

Z=-6．059+0．331x1一25．865x3+4．033x7+3．250x11-11．905x12+4．428x19

對(duì)于組合2，判定模型為：

Z=-4．859—0．812x1+3．989x3+3．432x7+1．142x11一7．734x12+5．924x19

以典則(Canonical)變量代替原始數(shù)據(jù)中指定的自變量，其中，典則變量是原始自變量的線性組合，得到典則的線性判定模型為：

Z=0．448—0．435xl+11.374x3—0．229x7—0．803x11+1．589x12+0．570x19

根據(jù)上述判定模型，以財(cái)務(wù)困境發(fā)生前1年的原始數(shù)據(jù)分別進(jìn)行回代。二個(gè)組合的平均Z值分別是-1．3254和1．3065，樣本個(gè)數(shù)分別為69和70，所以按完全對(duì)稱原則確定的最佳判定點(diǎn)為z*。由此可知：當(dāng)把財(cái)務(wù)困境發(fā)生前1年的原始數(shù)據(jù)代入判定模型所得的判定值Z大于Z*，則判為組合2，即非財(cái)務(wù)困境公司，否則判為組合1。由此得到的判定結(jié)果見表10。同理可計(jì)算其他年份的最佳判定點(diǎn)和誤判率。

表10Fisher二類線性判定模型在財(cái)務(wù)困境前1年

值得指出的是，F(xiàn)isher判定模型在財(cái)務(wù)困境發(fā)生前1年的誤判率為10．07％，與LPM模型的誤判率相同，這從應(yīng)用上證明二個(gè)模型是等價(jià)的。

3．Iosistic回歸模型。使用同樣的財(cái)務(wù)指標(biāo)和數(shù)據(jù)，進(jìn)行二元Logistic回歸分析，得到模型的估計(jì)結(jié)果見表11。

表11二元Logistic回歸模型估計(jì)結(jié)果

截距模型是將所有自變量刪除后只剩一個(gè)截距系數(shù)模型。當(dāng)前模型是含有自變量的Logistic回歸模型?！癓ikelihood"為似然函數(shù)值，“—2LogLikelihood"(縮寫為—2LL)是似然函數(shù)值的自然對(duì)數(shù)的—2倍，常用來反映模型的擬合程度，其值越小，表示擬合程度越好。因?yàn)镮dsistic模型是使用最大似然估計(jì)，似然函數(shù)值越大，則表明越接近最大似然值，擬合程度越好。從表10可見，變量x1、X3、X11的顯著水平均小于0．05，說明其預(yù)測(cè)能力較強(qiáng)；其余3個(gè)變量的顯著水平較高，說明其預(yù)測(cè)能力較弱。

方程可表示為：

log(p/(1-p))=-0.867+2.5313X2-40.2785X4+0.4597X8+3.2293X12-3.9544X13-1.7814X20

即

P=1/(1+e-(-0.867+2.5313X1-40.2785X3+0.4597X7+3.2293X11-3.9544X12-1.7814X19))

根據(jù)回歸所得到的Logistic方程，以0．5為最佳判定點(diǎn)，對(duì)財(cái)務(wù)困境前1年的原始數(shù)據(jù)進(jìn)行回代判定，結(jié)果見表12。

表12Logistic回歸模型在財(cái)務(wù)困境前1年的判定結(jié)果

在財(cái)務(wù)困境前1年，70個(gè)非財(cái)務(wù)困境公司有4個(gè)被錯(cuò)判，誤判率為5．71％，69個(gè)財(cái)務(wù)困境公司有5個(gè)被錯(cuò)判，誤判率7．25％，總體上看，139個(gè)公司有9個(gè)被錯(cuò)判，誤判率6．47％。同樣地，使用二元Logistic回歸可以對(duì)財(cái)務(wù)困境前2年財(cái)務(wù)困境前5年的情況進(jìn)行判定分析，判定結(jié)果見表13。

表13三種多元判定分析方法估計(jì)模型的比較

四、結(jié)論與啟示

第一，我國(guó)上市公司的財(cái)務(wù)指標(biāo)包含著預(yù)測(cè)財(cái)務(wù)困境的信息含量，因此其財(cái)務(wù)困境具有可預(yù)測(cè)性。第二，在我國(guó)上市公司陷入財(cái)務(wù)困境的前1年和前2年，本文所選的21個(gè)財(cái)務(wù)指標(biāo)中16個(gè)指標(biāo)具有判定和預(yù)測(cè)財(cái)務(wù)困境的信息含量，但各個(gè)指標(biāo)的信息含量不同，預(yù)測(cè)財(cái)務(wù)困境的準(zhǔn)確率不同。在單變量分析中，凈資產(chǎn)報(bào)酬率的判定效果較好。第三，多變量判定模型優(yōu)于單變量判定模型。第四，比較三種判定模型的效果表明，Logistic模型的判定準(zhǔn)確性最高。