上市公司财务困境预测方法的比较研究

1上市公司财务困境预测方法的比较研究吕长江周现华（吉林大学商学院、吉林大学数量经济研究中心130012）ComparativeStudyonForecastApproachesofCorporateFinancialDistressChangjiangLu&XianhuaZhou(BusinessSchoolofJilinUniversity,130012)AbstractHowtoapplyasuitableapproachtoforecastcorporatefinancialdistresshaslongbeenanimportantissueinthefiledofcorporatefinance.Basedonseveralmainforecastapproachesbothfrombroadanddomestic,andtheirprecondition,thispaperwilluseasampleofindustrylistedcompaniesfrom1999to2002,andapplyMulti-DiscriminateAnalysis(MDA),LogitandNeuralNetworkapproachrespectivelytoforecastcorporatefinancialdistress.Empiricalresultsindicatethatthreeapproachescanforecastcorporatefinancialdistressbefore1yearand2-3year,andLogitmodelcanidentifycorporatefinancialdistressmoreaccuratelythanMDA,NNmodelisbestoneamongthreemodels.Keywords:FinancialDistress;Multi-DiscriminateAnalysis;LogitModel;NeuralNetwork联系作者：吕长江吉林大学商学院长春市前卫路10号，130012Tel:[phone]Email:[e-mail]2上市公司财务困境预测方法的比较研究内容摘要：如何采用适当的方法对公司财务困境进行正确的预测，一直是学术界关注的热点问题之一。基于国内外已有的财务困境各种预测方法及其结果的差异，本文在分析各种研究方法应用前提的基础上，采用制造业上市公司1999-2002四年的数据分别运用多元判别分析、逻辑线性回归模型和人工神经网络模型对财务状况处于困境的公司进行预测比较分析。结果表明：尽管各模型的使用有其特定的前提条件，三个主流模型均能较好地在公司发生困境前1年和前2-3年较好地进行预测，其中，多元判别分析法要逊色于逻辑模型，神经网络模型的预测准确率最高。关键词：财务困境主成分分析判别分析逻辑模型BP网络模型一、引言随着资本市场的不断发展与完善，对上市公司财务困境进行预警研究一直是国内外学术界的热点问题之一。Beaver(1966)最早给出了破产预测模型。从那时起，公司财务困境的预测就成为一个极具吸引力的课题，近期的研究工作将研究的重点扩展到三个领域：统计工具的恰当使用，财务困境概念的界定，以及包括宏观经济解释变量的应用。Beaver（1966）提出了单变量判定模型，定义破产包括“债券拖欠不履行，银行超支，不能支付有限股利等”。运用实证分析得出现金流量与负债总额的比率能够更好地判定公司的财务状况，其次是资产负债率。Altman(1968)提出了多元Z值模型，将若干变量合并入一个函数方程，用Z值进行判定，结果表明，在破产前一年的预测准确性较比弗有很提高。扩展的第二个方面是财务困境的定义。John，Kose（1993）将公司的财务困境定义为：在一个给定的时点上，公司的流动资产不能满足它的书面合同所需要的现金需要时就是财务困境。另外，该文章认为财务困境主要来自于现在可使用的流动资产和它的“书面”财务合同的现有责任之间的不配比，而处理财务困境的手段通过重新设置资产的结构或者重新设置财务合同修正了这种不匹配。再者，样本公司可能被划分为不只两类（破产和非破产公司），而且分类的概率可由多元正态方法给以估计。Johnsen和Melicher（1994）认为使用多元正态模型，一些分类错误可能被显著地减少。第三个领域包括使用通过附加变量或行业调整率来进行解释变量的调整。Hopwood、Mckeown、Mutchler（1989）和Flagg、Giroux、Wiggins（1991）发现“质量观点”在划分财务困境公司时是非常重要的。其他的一些研究也包括了用宏观变量来控制商业环境的改变。在1990年以后，许多相关研究文献在会计比率选择及新理论的引入方面进行了许多积极的探索，如Coats和Fant（1991）对47家财务困境公司和47家正常公司运用神经网络模型进行判别时，对财务困境公司的预测准确率达到了91%，明显高于多元判别法72%的准确率。然而，Back等人在1994年所做的一项研究却并不认为神经网络模型具有比多元判别分析（MDA）和Logit分析更加明显的预测效果。Charitou和Trigeorgis（2000）使用B-S期权定价模型中的相关变量构建了财务困境判别模型，对1983年到1994年期间的139对美国企业进行了对比检验，结果发现，到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变量在预测破产方面作用显著。国内学者吴世农、黄世忠（1986）较早对我国上市公司财务困境进行预测研究。陈静（1999）对使用Beaver和Altman的模型，选用了1995-1997三年的27家ST公司和27家同行业、同规模的公司的财务数据进行实证研究，得出了预测模型对中国市场有效的结论。吴世农、卢贤义（2001）应用单变量判定、多元线性判别和多元逻辑回归方法，分别建立ST公司预测模型，结果证明，这些模型均获得较高的判定精度，在财务困境发生前4年的误判率在28%以内。姜秀华、孙铮（2001）研究了企业治理的弱化同企业财务困境之间的作用关系。卢宇林等（2002）建立了用于判断公司是否出现财务风险的兴业财务评价指数。该文采用了非配对抽样方法，采用逐步回归的判别分析法建立了线性典则判别函数和Fish’s线性判别函数，并利用2001年的中报数据进行模型的有效性检验，模型的总体有效性达到81%。何沛俐、章早立（2002）建立了以时3序立体数据空间为基础的财务危机判别模型，他们在Logit回归分析之前使用全局主成分分析，从而增强了模型的有效性，模型的准确率达到71.3%。到目前为止，国内关于财务困境的研究有以下特点：1．样本的选择，均以我国上市公司中被ST的公司直接作为研究对象组成财务困境样本组。2．判别分析假设前提的违背。在现实数据难以满足该方法的理论假设前提下，直接引入所有经过理论分析的变量。判别分析的假设前提主要涉及两方面：a.组均值差异测试；b.协方差阵相等的假定。2．判别分析中预留样本确认检验问题。这将使模型的预测准确度可能会因预测样本和确认样本的不同而有所差异。3．逻辑回归模型忽略了多重共线性检验。由此得出的预测模型，其稳定性和准确性值得商榷。4．忽视预测过程中两种预测错误成本的差异。两类错误成本的引入使我们不能单独依据“预测准确率”来选择模型，我们还要考虑因为两类错误成本不相等而导致的总体错误成本可能会与总体错误率不一致的情况。为克服上述缺陷，首先，在样本选择上，为消除行业因素的影响，本文选择典型的制造业为样本，通过公司规模变量调整各变量的量纲，然后，运用聚类分析法将样本分为财务困境和非财务困境两类，以避免人为匹配选择带来的统计偏差；第二，本文在对判别分析法的前提假设验证的基础上，进行判别分析；第三，我们引入交叉确认（crossvalidation）检验方法，以避免预留样本确认检验问题。即在原始数据中省略一个案例，然后计算这一省略案例的预测概率，并根据观测值和预测值进行分类，重复上述过程n次（n为样本规模），直至每个案例都得到分类。由于是将每个案例都作为一次预测样本，重复n次后得出的总体判别准确率，经过这样检验后，模型预测能力的判断是稳定无偏，具有可信度1。第四，本文分别采用经典主成分和全局主成分方法对财务变量进行降维处理，以避免逻辑回归中的多重共线性问题；最后，本文对财务困境预测模型的两类错误成本进行分析，给出各预测模型在两类错误成本之间的差异。二、样本的选择1.数据来源本文的数据来源于《CSMAR2003数据库》，《深沪上市公司1999年度及中期报告汇编》，《深沪上市公司2000年度及中期报告汇编》（辽宁电子出版社），《2001年上市公司年报大全》（经济科学出版社）。2.样本的选择本文以我国制造业上市公司1999-2002四年的数据为总样本，采用聚类分析方法区分困境样本与非困境样本。我们选择了36个有代表性财务指标，参见附表1。我们以能够体现“持续经营”要件的三个指标“营业活动现金净流量/流动负债”、“营业利润/总资产”和“营业利润增加额/总资产”作为聚类分析的判别指标，把制造业223家上市公司进行分类，筛选出三个指标均值相差较大的两类，各73家共146家，分类结果如下表：Z分值组别营业活动现金净流量/流动负债营业利润/总资产营业利润增加额/总资产0-0.49379-0.55374-0.5338813561.49379.55374.53388这表明，两类样本在这三个判别指标上有显著的差异，因此，我们认为类别为“0”的公司是陷入财务困境的公司；而类别为“1”的公司是财务状况良好的公司。三、财务困境影响因子的选择1何沛俐、章早立（2002）用Jackknifemethod方法代替交叉检验。41．经典主成分析主成分法的目的是在数据信息丢失最少的原则下，对高维变量空间进行降维处理。其实质是对原坐标系进行平移和旋转变换，使得新坐标的原点与数据群点的重心重合。在公司发生困境前1年，对其进行的预测前提就是这样的一种主成分分析分析方法。运用SPSS统计软件对在预测前一年的这33个指标进行经典主成分分析，各成分贡献分析结果见附表2，表中特征值大于1的主成分有10个，累计贡献率达到了82.86%。2．全局主成分法经典的主成分分析法是针对即时性多维平面数据做最佳综合与简化。在本研究中有按时间顺序排列的平面数据表序列。这样，一组按时间顺序排放的数据表序列就类似一个数据匣，被称为时序立体数据表。全局主成分就是针对时序立体数据表所进行的主成分分析，我们在公司发生困境前2-3年对其进行的预测前提就是这样的一种主成分分析方法。各成分贡献结果如附表3，可以看出，在财务困境前2-3年，对这33个指标进行全局主成分分析的结果显示总共有11个成分的特征值大于1，11个主成分的累计保留原有信息量的77.68%。四、判别分析预测1．公司发生困境前1年的预测分析在进行分析之前，我们首先对样本是否满足判别分析的两个前提进行检验。（1）组均值之间差异的检验组均值差异测试.9773.4151144.067.995.7571144.386.9635.4821144.021.92411.8101144.001.93110.6461144.0011.000.0011144.975.9901.4481144.231.9842.3481144.128.998.3421144.560.997.4901144.485Z1Z2Z3Z4Z5Z6Z7Z8Z9Z10Wilks'LambdaF自由度1自由度2显著性水平结果表明，z1、z3、z4和z5四个主成分通过了显著性差异水平检验，对于其他6个成分，组均值之间的差异并不明显。（2）组间协方差距阵相等的检验LogDeterminants10-.48110-8.70510-.207类别01两组共体RankLogDeterminant检验结果631.60010.6445566962.983.000Box's