上市公司财务困境预测模型的再比较

12004年中国经济学年会论文（金融学）上市公司财务困境预测模型的再比较1胡援成田满文江西财经大学金融学院，330013摘要：本文将中国上市公司因财务状况异常而被特别处理（ST）作为企业陷入财务困境的标志，采用主成分分析方法确定模型变量，并利用多元判别分析、Logistic回归和改进型BP神经网络三种方法进行财务困境预测。比较其预测结果发现，BP神经网络模型的预测准确率明显优于多元判别分析和Logistic回归模型，而后两者的判别效果接近，可见改进型BP神经网络模型更适合于企业财务困境预测。但三种模型的长期预警能力均不够理想，需要建立以定量模型为主、定性分析为辅的上市公司财务困境预测方式，以提高预测的准确性。关键词：财务困境多元判别分析（MDA）Logistic回归改进型BP神经网络一、研究现状及意义财务危机是企业经营失败的具体体现,研究上市公司陷入财务困境的原因并建立完善有效且可操作的预警模型不仅具有理论意义、更具实际意义。凭借科学的预警模型，上市公司可以及时预防和化解财务危机并提高危机预警管理的科学性；借贷者（银行）可以避免贷款的高风险；投资者可以获得财务风险的警示；政府监管机构可以更有效、更科学地进行市场监管,维护市场稳健运行。最早提出企业财务预警分析模型的是Beaver(1966),随后许多学者从事该领域的研究,在研究方法上也不断完善和改进。其中，具有划时代意义的是Beaver（1966）和Altman（1968、1977）提出的Z—Score判别模型，以及Martin(1977)和Ohlson（1980）等提出的逻辑/概率回归模型。Zavgren（1985）等学者使之进一步深化。Aziz，Emanuel和Lawson（1988、1989）以现金流量模型为基础，提出公司的价值来自经营者、债权人、股东以及政府的现金流现值之和。他们根据破产公司与非破产公司配对数据的分析，发现在破产前五年内，两类公司的经营现金流量均值和现金支付所得税均值有显著差异。据统计，目前对财务困境分析用得最多的方法是多元线性判别分析方法和逻辑回归方法。近年来，国外已开始尝试用新的方法进1本文为国家自然科学基金资助项目《我国企业资本结构与风险控制研究》[项目批准号：70262001]阶段性研究成果。2行财务困境预测并取得了一些初步性成果，如运用各种神经网络模型，以试图克服以往方法的缺陷。同时，一些学者试图探讨企业财务危机的经济理论基础，从非均衡理论、期权定价模型和契约理论对财务危机进行分析和预测，并取得了一定的成果。国内由于市场经济体制的进程和证券市场出现较晚等原因，在这方面的研究相对滞后。陈静（1999）以1998年的27家ST公司和27家非ST公司，使用了1995—1997年的财务报表数据，进行了单变量分析和多元线性判定分析，在单变量判定分析中，发现流动比率与负债比率的误判率最低；在多元线性判定分析中，发现由负债比率、净资产收益率、流动比率、营运资本/总资产、总资产周转率等6个指标构建的模型，在ST发生的前3年能较好地预测ST公司。张玲（2000）以120家公司为研究对象，使用其中60家公司的财务数据估计二类线性判别模型，并使用另外60家公司进行模型检验，发现模型具有超前4年的预测结果。高培业、张道奎（2000）采用29个财务指标，运用多元判别分析方法建模，发现由留存收益/总资产、息税前收益/总资产、销售收入/总资产、资产负债率、营运资本/总资产构成的判别函数有较好的预测能力。吴世农、卢贤义（2001）以70家ST和70家非ST上市公司作为样本，采用盈利增长指数、资产报酬率、流动比率、长期负债/股东权益、营运资本/总资产、资产周转率等6个财务指标，比较了多元判别分析、线性概率模型和Logistic模型的预测效果，发现logistic模型的预测能力最强。由于目前的研究所选取的样本数量和样本时间各有不同，预测精度也有较大差异，在研究方法上大多沿用传统的判别分析方法和Logistic回归方法，这些都是直接或间接地依赖于线性函数来建立模型，往往不能很好地拟合复杂的实际数据。马喜德（2003）引入BP神经网络模型来增加预测精度，在国内做了一个较好的尝试。本文亦试采用改进型BP神经网络模型，以求提高拟合精度，借助多种模型比较来选择更好的预警方法，以供企业、银行、政府及债权人决策之用。二、实证研究的思路及方法本文以上市公司被ST作为企业经营失败的界定标准，这也是上市公司陷入财务困境的标志。本文先对ST公司的类型和阶段进行划分,然后分析企业财务预警的相关模型。再就所选取的因财务状况异常而被ST的所有上市公司进行分析，经初选获得150个财务困境企业样本，剔除非正常且数据缺省的公司，最终获得83个财务困境企业样本。并同时根据行业和规模配比原则另外选取了83个正常企业作为配对样本。在此基础上，我们选取了涵盖长（短）期偿债能力、营运效率、盈利能力、风险水平、发展能力、资本结构六大类共52个财务指标，通过主成分分析方法筛选模型的预测变量，并最终获得16个主成分变量用于财务困境预测。最后,将神经网络技术应用到中国上市公司的财务困境预测，并将其和多元判别分析模型、Logistic回归模型进行比较研究。本文提出了以定量模型为主、以定性分析为辅进行财务困3境预测的新观点。需要指出的是，尽管学术界对财务预警模型进行了持续性的研究，但迄今为止人们尚无法准确确定预警模型应包括的财务变量。因此，在选择预测变量时，人们只能以判别率的高低作为标准，进行大量的“搜索工作”，在若干种不同模型、变量组合、样本组合和估计技术组合中寻找判别能力最好的预测模型。本文尝试建立三种判别模型(MDA、Logistic回归模型、神经网络模型)来预测财务危机并比较其判别效果，以确定最佳的预测模型。三、上市公司财务困境分析变量的选取(一)样本设计和数据处理本文以沪深两市按行业板块分类的上市公司作为研究对象，数据来源于上海聚源数据投资分析系统。将公司因财务状况异常而被特别处理（ST）作为企业陷入财务困境的标志，选取1998－2003年间所有ST公司作为财务困境公司样本。由于证监会是根据上市公司前两年的年报所公布的业绩判断其是否出现财务状况异常并决定是否要对其进行特别处理的，所以采用上市公司前两年的年报预测其是否会被ST显然会夸大模型的预测能力。因此，本文选择在上市公司被ST的前三年进行预测，判断其最终是否会陷入财务困境，即如果某上市公司在2003年被特别处理，我们采用2000年的年报数据进行预测。为了剔除不同年份、行业和资产规模因素对财务困境预测的影响，我们根据以下原则按1：1的比例选择财务健康的上市公司作为配对样本：（1）研究期间一致，如财务困境企业采用的是2000年的数据，则财务正常公司也同样采用2000年的数据。（2）配对样本与财务困境企业行业类型相同或相近。（3）配对样本与财务困境企业的总资产规模相当。(4)排除纯B股的ST公司及存在严重假帐的公司。(5)排除数据严重缺失或不合理的公司及两年内就被ST的公司。(6)排除因其他状况异常而被ST的公司。据此，本文确定了300个研究样本，同时剔除了非正常的ST公司和数据缺省的公司。最后得到数据齐全且典型的样本总数为166个。定义组合0为财务困境公司，组合1为财务健康公司，估计样本126家（其中财务困境公司63家，财务健康公司63家），预测样本40家（其中财务困境公司20家，财务健康公司20家）。选取了涵盖长（短）期偿债能力、营运效率、盈利能力、风险水平、发展能力、资本结构六大类共52个财务指标，删除数据缺省的变量后得到26个初始变量，然后通过主成分分析法确定模型的预测变量。表1初始变量表销售毛利率(%)主营业务利润率销售净利率(%)成本费用利润率总资产收益率(%)净资产收益率(%)主营业务收入增长营业利润增长率(%)主营业务利润增长4（x1）(%)（x2）（x3）(%)（x4）（x5）（x6）率(%)（x7）（x8）率(%)（x9）税后利润增长率(%)（x10）净资产增长率(%)（x11）利润总额增长率(%)（x12）总资产增长率(%)（x13）应收帐款周转率(次)（x14）存货周转率(次)（x15）固定资产周转率(次)（x16）股东权益周转率(次)（x17）总资产周转率(次)（x18）流动比率(倍)（x19）速动比率(倍)(x20)超速动比率(倍)（x21）利息保障倍数(倍)（x22）股东权益与固定资产比率(%)（x23）资产负债比率(%)（x24）固定资产比率(%)（x25）股东权益比率(%)（x26）(二)运用主成分法选取主成分由于标准化处理后的变量xj(1≤j≤k)均值为零，故主成分zj(1≤j≤k)的均值也为零，从而由特征值可求得各主成分的贡献率及累计贡献率，其中*ai是主成分zi的贡献率，tal是指主成分z1至zl的累计贡献率。在构造上市公司财务失败预测模型之前，先要设定希望主成分所包含总体信息的程度，即累计贡献率。例如希望主成分提供总体95%以上的信息，则对应的Zmin为S，要求tas≥95%。这样S个主成分便包含了原来指标x1至xk95%以上的信息，变量数也由k减为S个。在确定选择S个主成分之后，关键的一步是要对主成分做经济解释，即要对各主成分赋予新的意义，给出合理的解释，这个解释应该根据主成分的计算结果结合定性分析进行。主成分是原始财务比率的线性组合。在这个线性组合中各变量的系数有大有小，有正有负。一般而言，线性组合中系数的绝对值大的财务比率表明其对该主成分的属性做出了较大的贡献，若几个财务比率系数相当时，则应认为这一主成分是这几个财务比率性质的综合。现就样本的财务数据应用SAS8.0软件进行主成分分析，首先得到的是各财务指标的相关系数表（数据表从略），从表中可以看出：（1）26个财务指标基本上都呈正相关关系，这说明26个财务指标基本符合同趋势化的要求。（2）从相关系数的大小来看，总资产收益率(x5)与净资产收益率(x6)的相关关系（0.737）、税后利润增长率(x10)与利润总额增长率(x12)的相关关系（0.783）较高。这说明公司的盈利能力比率与经营发展能力比率的相关性较高。在主成分分析中，其次得到的是各主成分的特征值和贡献率（见表2）。表2主成分的特征值与贡献率ComponentEigenvalueDifferenceProportionCumulativeZ14.547062.069620.1748870.17489Z22.477440.315820.0952860.27017Z32.161610.408410.0831390.35331Z41.753200.042470.0674310.42074Z51.710740.241240.0657980.48654Z61.469490.120830.0565190.54306Z71.348660.146030.0518710.59493Z81.202630.111430.0462550.64119Z91.091200.027190.0419690.683155Z101.064000.155030.0409230.72408Z110.908970.020520.0349600.75904Z120.888450.077010.0341710.79321Z130.811440.064320.0312090.82442Z140.747130.056420.0287360.85315Z150.690710.112110.0265660.87972Z160.578600.105700.0222540.90197Z170.472900.029950.0181890.92016Z180.442950.055080.0170360.93720Z190.387870.038450.0149180.95212Z200.349410.040860.0134390.96556Z210.308550.129010.0118670.97742Z220.179540.037850.0069050.98433Z