畢業(yè)設(shè)計（論文）基于多元統(tǒng)計分析的上市公司財務(wù)危機預警模型的研究

1、基于多元統(tǒng)計分析的上市公司財務(wù)危機預警模型的研究the research on the financial affairs crisis early warning model of corporations in stock market based on multivariate statistics analysis基于多元統(tǒng)計分析的上市公司財務(wù)危機預警模型的研究摘要:本文主要針對我國上市公司,利用其公開披露的年報財務(wù)信息和數(shù)據(jù),分別運用判別分析法和主成分分析法等多元統(tǒng)計分析方法進行實證分析,使用spss 統(tǒng)計分析軟件,并根據(jù)回歸分析方法構(gòu)建模型，對財務(wù)危機狀況進行預測分析。通過建立多變

2、量預測模型進行企業(yè)財務(wù)危機預警，可以預先發(fā)現(xiàn)將有可能出現(xiàn)的財務(wù)危機。關(guān)鍵詞：多元統(tǒng)計；上市公司； 財務(wù)危機； 危機預警引言近年來我國證券市場規(guī)模日益擴大，上市公司已經(jīng)達1000多家，股票已經(jīng)成為機構(gòu)投資者和個人投資者重要的投資方式。但從整體看，部分上市公司經(jīng)營業(yè)績差，面臨嚴重的財務(wù)困難。對投資者及社會的波及不可小看。 本文認為，由于我國現(xiàn)有制度還不健全，會計數(shù)據(jù)的信息有效性不足，所以本文比較傾向于將財務(wù)危機定義為一個企業(yè)的現(xiàn)金流不足以支付企業(yè)到期的債務(wù)。從這個角度將陷入財務(wù)危機的企業(yè)可能是虧損企業(yè)也可能是盈利企業(yè)，企業(yè)在資本快速擴張的時候往往容易忽視潛在的財務(wù)風險。因此使用在客觀、公允基礎(chǔ)上披

3、露的上市公司財務(wù)報告，通過構(gòu)造合理的預測模型，獲得財務(wù)狀況嚴重惡化的上市公司的預警信號，具有現(xiàn)實意義。運用財務(wù)預警模型，投資者可以及時采取措施減少損失；企業(yè)管理當局可以找出本企業(yè)經(jīng)營活動中存在的問題，及時調(diào)整經(jīng)營戰(zhàn)略，預防企業(yè)經(jīng)營狀況惡化；政府可以改善宏觀配置計劃，更有效的實施宏觀調(diào)控。 財務(wù)預警研究中面臨的一個重要問題， 就是如何處理數(shù)量繁多的財務(wù)指標。希望在減少指標個數(shù)的同時，既能解決指標間相關(guān)性問題，也能最大限度保留原有指標所含有的信息。這時，判別分析法和主成分分析法是較好的選擇。一、基本分析思想和研究方法現(xiàn)實情況及國外的研究表明,行業(yè)的不同使得財務(wù)危機預警模型包含的財務(wù)指標及其參數(shù)也不

4、同,所以應采用不同的模型來進行研究和分析。因而針對我國上市公司運用多元統(tǒng)計分析方法進行多變量模式的實證分析,以期提高模型的針對性、實用性和可操作性。二、運用判別分析進行財務(wù)危機預警的實證分析多元判別分析是一種統(tǒng)計技術(shù)，它通過一組自變量的線性組合來判斷一個對象屬于兩個或多個互相排斥的類別的概率。其目的是對分類變量進行預測。在多元判別中必須確定哪些變量與目標函數(shù)被歸為某一類別的概率具有相關(guān)關(guān)系，并且需要明確每個變量與目標函數(shù)的相關(guān)程度。多元判別分析的關(guān)鍵是在預測方程中選擇合適的判別變量，以使函數(shù)的因變量以較高的準確性被歸類。（一）判別分析的基本方法在判別分析中最常采用的fisher 線性判別函數(shù),

5、其一般形式為: = （）。其中,是判別組數(shù),是判別分數(shù)或判別值; 是因變量或預測變量; 是各變量的系數(shù),即判別系數(shù);是函數(shù)中的常數(shù)。建立判別函數(shù)的方法主要有兩種: (1) 全模型法。是指將全部變量作為判別函數(shù)的因變量。(2) 逐步選擇法。是一種選擇最能反映類間差異的變量子集,建立判別函數(shù)的方法。它將對模型的判別貢獻最大的變量加入到模型中,同時將對判別貢獻不太顯著的變量從模型中去掉,直到模型中所有變量全都符合引入模型的條件,而模型外的所有變量都不符合引入模型的條件為止。（二）判別分析的基本步驟(1) 選擇因變量及組變量。(2) 計算各組單變量的描述統(tǒng)計量,包括組內(nèi)平均值、組內(nèi)標準差、總平均值、總

6、標準差、各組協(xié)方差矩陣、組間相關(guān)矩陣,并對組間平均值相等及協(xié)方差矩陣相等的零假設(shè)進行檢驗。(3) 推導判別系數(shù),進行檢驗。(4) 根據(jù)判別系數(shù)建立fisher 線性判別模型。(5) 進行判別分組,根據(jù)bayes 準則或fisher 準則進行判別分組。(6) 進行樣本判別分析,計算分類準確率。(7) 輸出結(jié)果,并結(jié)合研究對象的實際情況進行分析和作出結(jié)論。（三）判別分析的實證分析首先，運用判別分析構(gòu)造預警分析模型。在利用判別分析法構(gòu)建判別函數(shù)之前,首先需要將研究對象分類。根據(jù)我國家電業(yè)各上市公司2006 年的各項財務(wù)指標,利用多元統(tǒng)計分析中的聚類分析方法將家電業(yè)上市公司按財務(wù)狀況科學地分為三類,以

7、此作為判別分析的基礎(chǔ)。1、建立判別模型的主要方法。由于本文建立判別模型的樣本變量多達28個,顯然不能使用全模型法將其全部納入判別函數(shù)中,因此采用逐步分析法來剔除顯著性不重要的變量,這也將會簡化模型和提高判別效率。具體的判別分析方法: 采用系統(tǒng)默認的wilkslambda ,即每步都是wilk 的統(tǒng)計量最小的進入判別函數(shù); 逐步判別停止的判據(jù)采用f 值,當加入一個變量(或剔除一個變量) 后,對在判別函數(shù)中的變量進行方差分析; 為了能夠直接用于對新樣本進行判別分類,采用未經(jīng)標準化的fisher 系數(shù); 在選擇要求給出的自變量系數(shù)矩陣時,采用組內(nèi)相關(guān)矩陣,即計算相關(guān)矩陣之前,將各組(類) 協(xié)方差矩陣

8、平均后,計算類內(nèi)相關(guān)矩陣; 分類參數(shù)中的先驗概率采用各類先驗概率相等; 分類使用的協(xié)方差矩陣采用within - groups ,即使用合并組內(nèi)協(xié)方差矩陣。2、模型建立的檢驗。為了對判別函數(shù)的有效性進行檢驗,應采用統(tǒng)計檢驗量對模型進行統(tǒng)計檢驗顯著性檢驗,以判斷該判別函數(shù)能否將三類很好地分開。（1）變量在不同類中均值相等的檢驗。表1 變量均值檢驗財務(wù)指標wilks值f值自由度1自由度2顯著性水平凈資產(chǎn)收益率0.47110.1522270.0005資產(chǎn)收益率0.5228.2212270.0016應收賬款周轉(zhuǎn)率0.8870.1792270.2372總資產(chǎn)周轉(zhuǎn)率0.6843.7222270.0374主

9、營業(yè)務(wù)收入增長率0.41812.5602270.0001每股經(jīng)營現(xiàn)金凈流量0.5098.6772270.0012當值為1 時,各組均值相等,表中6個變量的值均小于1 ,表明各組均值不等;6個變量中除應收賬款周轉(zhuǎn)率外,顯著性水平均小于0.05 ,因此可以拒絕各組均值相等的零假設(shè),即在0.05的顯著性水平下6個變量中有5個變量的均值有顯著差異,可進行判別分析。（2）方差- 協(xié)方差陣相等的檢驗。檢驗統(tǒng)計量是boxs m ,檢驗結(jié)果見表2 。表2 方差boxs m 檢驗表boxs m211.218fapprox. (漸近)7.417 df1 (自由度1)21 df2 (自由度2)2062.047 si

10、g. (顯著性水平)0.000在0.000的顯著性水平上拒絕總體協(xié)方差陣相等的零假設(shè),即各分類的方差和協(xié)方差不相等。（3）擬合優(yōu)度檢驗。采用wilks統(tǒng)計量來檢驗各組判別函數(shù)的均值是否相等,即對函數(shù)有效性的檢驗。表3 擬合優(yōu)度檢驗測試函數(shù)wilks值chi-square自由度顯著性水平1到20.002150.019120.00020.36025.0035 0.000表3中是對構(gòu)建的兩個典則判別函數(shù)的檢驗,在0.000的顯著性水平上,拒絕各組判別函數(shù)的均值相等的零假設(shè),即認為該判別函數(shù)能較好地將三類區(qū)分開,也即是兩個典則判別函數(shù)都有統(tǒng)計學意義。通過上述對模型建立的統(tǒng)計量檢驗,可以認為所建立的判別

11、函數(shù)在統(tǒng)計上是有效的。在此基礎(chǔ)上,方可具體寫出判別分析的模型結(jié)果,否則所建立的模型是無效的。3、建立判別模型的結(jié)果。計算出典則(canonical) 判定函數(shù)系數(shù)值可構(gòu)造出典則判定函數(shù)。典則函數(shù)是以典則變量代替原始變量而構(gòu)造的函數(shù),典則變量是原始變量的線性組合。用少量的典則變量代替原始的多個變量可以比較方便地描述各類之間的關(guān)系。但使用典則函數(shù)較為繁瑣,而采用bayes準則構(gòu)造出的fisher 判別函數(shù)就可以用原始變量直接進行判別。表4 費雪線性判別函數(shù)系數(shù)表財務(wù)指標類別非財務(wù)危機中間狀態(tài)財務(wù)危機凈資產(chǎn)收益率2.27312.182-774.553資產(chǎn)收益率3735-45.9001722.380應

12、收賬款周轉(zhuǎn)率-0.1740.0104.485總資產(chǎn)周轉(zhuǎn)率7.0265.250-146.593主營業(yè)務(wù)收入增長率-0.276-0.87867.021每股經(jīng)營現(xiàn)金凈流量2.374-2.08850.065（常數(shù)）-4.350-2.897-1161.220表4 即是所得到的費雪(fisher) 線性判別函數(shù)的系數(shù),逐步判別分析的結(jié)果,從27個指標(變量) 中剔除重要性較小的指標,得出了包含6個變量的fisher線性判別函數(shù)模型,由于本文是將樣本分為三類,在判別分析中需對這三組進行兩兩對比分析,故判別模型函數(shù)為三個。這三個函數(shù)的表達式如下:y1 = 2.273 x1 + 3.735 x2 - 0.174

13、 x3 + 7.026 x4 - 0.276 x5 + 2.374 x6 - 4.350y2 = 12.182 x1 - 45.9 x2 + 0 01029 x3 + 5.25 x4 - 0.878 x5 2.088 x6 - 2.897y3 = - 774.553 x1 + 1722.38 x2 + 4.485 x3 - 146.593 x4 + 67.021 x5 + 50.065 x6 - 1161.22其中, 分別表示非財務(wù)危機組、中間狀態(tài)組、財務(wù)危機組的函數(shù)判別值;分別代表凈資產(chǎn)收益率、資產(chǎn)凈利率、應收賬款周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、主營業(yè)務(wù)收入增長率、每股經(jīng)營現(xiàn)金凈流量。從模型中的6個變

14、量來看,影響我國家電業(yè)上市財務(wù)狀況的指標主要是反映盈利能力的凈資產(chǎn)收益率和資產(chǎn)凈利率;反映資產(chǎn)管理能力的應收賬款周轉(zhuǎn)率和總資產(chǎn)周轉(zhuǎn)率;反映成長能力的主營業(yè)務(wù)收入增長率;反映獲得現(xiàn)金能力的每股經(jīng)營現(xiàn)金凈流量。其中反映盈利能力的指標有兩個,占模型變量的三分之一,這說明,對我國家電業(yè)上市公司來說,盈利能力顯得尤為重要。從財務(wù)敏感性分析可知,對企業(yè)利潤反應最敏感的因素是價格,我國家電企業(yè)空前激烈的價格戰(zhàn)必然嚴重影響企業(yè)的盈利能力,進而影響企業(yè)的現(xiàn)金能力、償債能力、資產(chǎn)周轉(zhuǎn)能力等。 模型中反映資產(chǎn)管理能力的兩個指標不僅反映了企業(yè)資產(chǎn)的流動性,也反映了企業(yè)資產(chǎn)的變現(xiàn)能力,資產(chǎn)的流動性和變現(xiàn)能力差,表明企業(yè)

15、的銷售不佳或現(xiàn)金回收能力不強,以及資產(chǎn)的利用效率不高。主營業(yè)務(wù)收入增長率也是一個很重要的指標,企業(yè)要想奪取市場份額以生存和發(fā)展下去,必須千方百計的增加銷售收入,但另一方面,一味追求增加銷售收入,行業(yè)內(nèi)企業(yè)之間不惜血本大打惡性價格戰(zhàn),必然會嚴重影響企業(yè)的盈利能力?？傊?模型中的六個變量從不同角度較好地反映了對我國家電業(yè)上市公司來說最重要的幾個財務(wù)指標。由于盈利能力欠佳、資產(chǎn)周轉(zhuǎn)速度慢,尤其是應收賬款回收慢,以及銷售收入增長幅度小,經(jīng)營現(xiàn)金流的短缺,極易導致財務(wù)危機的發(fā)生,最終影響企業(yè)的生存,這在我國家電業(yè)公司中已等到了印證。比如四川長虹努力加大技術(shù)研發(fā)和產(chǎn)品創(chuàng)新的力度,大力開拓國外市場,取得了較

16、好的業(yè)績,而高路華、樂華等則出現(xiàn)了極其嚴重的財務(wù)危機,一些實力較強家電企業(yè)的財務(wù)狀況也大幅下滑,2006年康佳出現(xiàn)了近7個億的巨虧,科龍的虧損額更是高達15. 56 億元。其次，判別模型使用效果的檢驗。判別模型建立以后,必須確定判別規(guī)則。本文是采用貝葉斯(bayes)準則構(gòu)造出的fisher判別函數(shù),貝葉斯判別準則在本文中具體為:將每一企業(yè)的6個財務(wù)指標分別代入上述模型中的3個判別函數(shù)中,計算出每一企業(yè)的3個判別函數(shù)值,以其最大值作為歸類的標準,即得分最高的一類就是該企業(yè)相應的類別。如,四川長虹2005年的3個函數(shù)值分別為: ,其中的最大值為,則四川長虹屬于非財務(wù)危機公司。對于判別分析,最重要

17、的是建立的判別函數(shù)用來進行判別時準確度如何。判別函數(shù)效果的驗證方法主要有:自身驗證、外部數(shù)據(jù)驗證、樣本二分法、交互驗證、bootstrap 法等。(1) 自身驗證。自身驗證是將構(gòu)造函數(shù)所使用的樣本依次代入判別函數(shù),以判斷模型的效果。自身驗證的結(jié)果見表5 。表5 自身驗證結(jié)果表 類別非財務(wù)危機中間狀態(tài)財務(wù)危機原始值計數(shù)非財務(wù)危機120012中間狀態(tài)115016財務(wù)危機0022驗證百分比非財務(wù)危機10000100中間狀態(tài)6.393.80100財務(wù)危機00100100總體分類正確率為96.7%從表中可看出,判別分析的結(jié)果為,12個非財務(wù)危機公司的分類全部正確,分類正確率為100%;16個中間狀態(tài)公司

18、中只有1個被錯分為非財務(wù)危機公司,分類正確率為93.75%;2個財務(wù)危機公司的分類正確率為100%。總體分類正確率為96.7% ,由此可見,模型的判別能力較好。(2) 交互驗證。交互驗證是近年來逐漸發(fā)展起來的一種非常重要的判別效果驗證技術(shù)。具體方法就是在建立判別函數(shù)時依次從每一類中去掉一例,然后用建立起來的判別函數(shù)對該例進行判別,這種方法可以非常有效地避免強影響點的干擾。 表6 交互驗證結(jié)果表類別預測組總體非財務(wù)危機中間狀態(tài)財務(wù)危機交互驗證計數(shù)非財務(wù)危機111012中間狀態(tài)115016財務(wù)危機1102驗證百分比非財務(wù)危機91.78.30100.0中間狀態(tài)6.393.80100.0財務(wù)危機50.

19、050.00100.0總的判定率為86.7%從交互驗證的結(jié)果(表6)中可知,對非財務(wù)危機組、中間狀態(tài)組、財務(wù)危機組的預測正確率分別為91.7%、93.8 %、0% ,總的判定正確率為86.7%。對財務(wù)危機組全部未預測正確的原因是該組的樣本量較少(只有兩家企業(yè)) ,這影響了該組和總體的預測效果。(3) 外部數(shù)據(jù)回代驗證。判別函數(shù)建立完成后,重新再收集一部分樣本數(shù)據(jù),用判別函數(shù)進判別,檢驗判別效果,這稱為外部數(shù)據(jù)回代驗證。由于2005年和2004年的數(shù)據(jù)與2006年的數(shù)據(jù)一樣,都是取自我國家電業(yè)上市公司近幾年的財務(wù)數(shù)據(jù),樣本的同質(zhì)性較強,因而采用這種驗證方法較為可行。表7 2005 年和2004年

20、的判別預測結(jié)果預測組2005年2004年非財務(wù)危機中間狀態(tài)財務(wù)危機合計非財務(wù)危機中間狀態(tài)財務(wù)危機合計原始組公司數(shù)非財務(wù)危機120012100010中間狀態(tài)115016610016財務(wù)危機011 21102百分比（%）非財務(wù)危機100.000100.002700100.00中間狀態(tài)6.393.80100.002762.50100.00財務(wù)危機050.050.0100.002750.00.0100.00從表7可知,對2005 年的預測結(jié)果為:對12個非財務(wù)危機公司全部正確預測,正確率100%;對16個中間狀態(tài)公司正確預測出了15個,只有1個被預測為非財務(wù)危機公司,正確率為93.8%;對2個財務(wù)危機

21、公司正確預測出了1個,另一個被預測為中間狀態(tài)公司,正確率為50%;對全部30個公司正確預測出了28個,正確率為93.3%。對2004年的預測結(jié)果為:對10個非財務(wù)危機公司全部正確預測,正確率為100%;對16個中間狀態(tài)公司正確預測出了10個,有6個被預測為非財務(wù)危機公司,正確率為62.5%;對2個財務(wù)危機公司全部未正確預測出,一個被預測為非財務(wù)危機公司,另一個被預測為中間狀態(tài)公司,正確率為0%;對全部28個公司正確預測出了20個,正確率為71.4%。表8 預測模型檢驗結(jié)果總結(jié)2006年2005年2004年測試樣本數(shù)303028檢測正確數(shù)292820檢測正確率96.7%93.3%71.4%誤判率

22、3.3%6.7%28.6%綜上所述,從三年的預測效果來看(表8) ,模型的預測準確率在3年中呈下降趨勢,離建立模型年度越近,預測的精度越高,這也符合預測期限越近預測效果越好的客觀規(guī)律。需說明的是,由于近年國家對會計準則進行了大幅調(diào)整,加之2004年的樣本數(shù)只有28個,樣本容量較小也會導致預測精度降低。另外,2004年我國家電業(yè)競爭空前激烈,各家電企業(yè)的財務(wù)狀況變化較大,而且對2004年的預測屬于遠期預測,這些都影響了2004年的預測準確率。從以上可以看出,利用判別分析建立預警模型,以判別值進行判別分析的預警效果并不能達到理想程度,即使財務(wù)危機第一年的正確率為96.7% ,但也有3.3%的誤判率

23、,并且預測年度越遠準確度越差。這說明僅憑一個判別值的大小并不能完全準確判斷出一個企業(yè)的財務(wù)狀況。影響判別正確率的因素有:樣本量的大小;原始樣本分類(分組) 的合理性;樣本指標的相似性(或離差程度) ;不同年份財務(wù)狀況的變動程度等等?；谝陨峡紤],再輔之以主成份分析對我國家電業(yè)上市公司進行綜合評價,以各公司的綜合財務(wù)評分進行排序,以其在本行業(yè)中的相對地位來判斷分析其財務(wù)狀況,借以分析企業(yè)出現(xiàn)財務(wù)危機的可能性,以此來彌補判別分析的不足。三、運用主成分分析進行財務(wù)危機預警的實證分析主成分分析就是設(shè)法將原來指標重新組合成一組新的互相無關(guān)的幾個綜合指標來代替原來指標，同時根據(jù)實際需要從中可取幾個較少的綜

24、合指標，盡可能多反映原來指標的信息。在市場研究中，常常利用主成分分析方法分析顧客的偏好和當前市場的產(chǎn)品與顧客之間的差別，從而提供給生產(chǎn)企業(yè)新產(chǎn)品開發(fā)方向的信息。(一) 樣本的選擇從理論角度探討， 應對每個行業(yè)都建立自己的財務(wù)預警模型 但考慮到樣本量問題， 如果樣本量過少會降低模型精度， 而且逐個行業(yè)建立預警模型工作量大且成本過高， 因此希望將財務(wù)特征比較相似的行業(yè)進行合并后再建立預警模型， 這樣既解決了樣本量不足的問題， 又減少了工作量。進行選樣過程中，抽樣方法的選擇往往對實證研究的結(jié)果也有一定的影響。一般學者選擇的抽樣方法主要有兩種：一是隨機抽樣；二是beaver（1965）首創(chuàng)的對應樣本法

25、，這兩種方法的實證研究結(jié)果沒有統(tǒng)計上的顯著差異，且多數(shù)學者第二種方法構(gòu)建樣本，故本研究亦過去研究的經(jīng)驗決定采用12的配對樣本法。 本文以上海和深圳的證券交易所的上市公司為研究對象，以其2001年、2002年、2003年的財務(wù)數(shù)據(jù)為分析依據(jù)。先選取30家被st的上市公司作為危機企業(yè)的一組樣本，并按照行業(yè)分類標準進行編號分類。再對危機企業(yè)樣本的每一個企業(yè)，按照行業(yè)相同、業(yè)務(wù)范圍或資產(chǎn)規(guī)模相同或相近的原則在上述非危機企業(yè)之外的企業(yè)中選取60家配對的企業(yè)，作為一組非危機企業(yè)的樣本。 樣本數(shù)據(jù)來源于股票市場研究（csmar）數(shù)據(jù)庫和中國上市公司資料庫。主要運用統(tǒng)計分析軟件spss13.0和excel 2

26、000來進行數(shù)據(jù)處理和建立預警模型。 （二）財務(wù)指標的選擇財務(wù)指標的選擇是財務(wù)危機預警研究中一項極其重要的環(huán)節(jié)，它嚴重的影響財務(wù)危機預警模型的設(shè)計及預警的性能。對企業(yè)來說，預警指標選擇的好，財務(wù)危機預警模型就能真正起到預知危機并采取措施防范危機的作用；指標選的不好，則財務(wù)危機預警就形同虛設(shè)，起不到防范于未然的作用。為了客觀的描述上市公司的財務(wù)狀況，本文參考了國內(nèi)外在以往財務(wù)危機預警研究中所采用的財務(wù)指標并結(jié)合我國的財務(wù)管理的實際，選取27個指標作為研究中使用的初始指標，并依其特性分成五組。 1、盈利能力指標：資產(chǎn)凈利潤率（）、成本費用利潤率（）、總資產(chǎn)報酬率（）、凈資產(chǎn)報酬率（）、每股凈利潤（

27、）、銷售凈利潤率（）、主營業(yè)務(wù)利潤率（）。 2、營運能力指標：應收賬款周轉(zhuǎn)率（）、存貨周轉(zhuǎn)率（）、總資產(chǎn)周轉(zhuǎn)率（）、流動資產(chǎn)周轉(zhuǎn)率（）。 3、償債能力指標：流動比率（）、資產(chǎn)負債率（）、流動負債對總負債比率（）、速動比率（）、負債股權(quán)比率（）、利息保障倍數(shù)（）。 4、發(fā)展能力指標：每股收益增長率（）、主營業(yè)務(wù)收入增長率（）、凈資產(chǎn)增長率（）、固定資產(chǎn)總額（）、總資產(chǎn)增長率（）、留成利潤比率（）。 5、現(xiàn)金流量指標：銷售現(xiàn)金比率（）、凈收益營運指數(shù)（）、現(xiàn)金負債比率（）、每股營業(yè)現(xiàn)金流量（）。 財務(wù)指標選擇基本任務(wù)是如何從初選的指標中找出那些最有效的財務(wù)指標作為模型的解釋變量。一方面在財務(wù)危機預

28、警研究中如果選用的指標不合適就會直接影響預警模型的效果；另一反面，根據(jù)統(tǒng)計模型識別理論，在樣本數(shù)不是很多的情況下，用很多的變量進行模型的設(shè)計，無論從的復雜程度還是模型的性能來看都不合適。因為過多的指標可能存在多重共線性問題，從而降低模型的預測能力。因此研究如何通過科學合理地理論和實證分析把變量有效的進行壓縮篩選以便更有效的設(shè)計模型是一項重要的研究。 在以往的財務(wù)危機預警的研究中，財務(wù)指標的選擇缺乏理論根據(jù)，altman（1968）等學者使用常規(guī)財務(wù)指標作為預測模型的變量，boritz（1999）區(qū)分出65個之多的財務(wù)指標，但是自z模型（1968）發(fā)明后，還未出現(xiàn)更好的使用財務(wù)指標于預測模型的。

29、針對在財務(wù)危機預警中財務(wù)指標選擇的無序性，本文采用統(tǒng)計分析方法中顯著性檢驗方法（t檢驗）對財務(wù)指標進行初次篩選。 利用收集的樣本數(shù)據(jù)資料對危機企業(yè)被st前一年的數(shù)據(jù)進行顯著性檢驗的結(jié)果如表1所示。表1 初始指標的t檢驗表（取前18個）財務(wù)指標t值顯著性概率資產(chǎn)凈利潤率（x1）-3.3830.000 成本費用利潤率（x2）-7.9910.004 總資產(chǎn)報酬率（x3）-5.5740.060 凈資產(chǎn)報酬率（x4）-3.6720.000 每股凈利潤（x5）-7.7360.021 銷售凈利潤率（x6）-4.6900.323 主營業(yè)務(wù)利潤率（x7）-1.1980.082 應收賬款周轉(zhuǎn)率（x8）1.3820

30、.054 存貨周轉(zhuǎn)率（x9）0.9850.163 總資產(chǎn)周轉(zhuǎn)率（x10）-3.1340.066 流動資產(chǎn)周轉(zhuǎn)率（x11）-3.8000.097 流動比率(x12)-1.7980.000 資產(chǎn)負債率（x13）2.0650.048 流動負債對總負債比率（x14）-1.5730.549 速動比率(x15)-0.8740.025 負債股權(quán)比率（x16）-1.7600.081 利息保障倍數(shù)（x17）0.4970.009 每股收益增長率（x18）-1.7600.084 從t檢驗的結(jié)果可以看出來，在危機發(fā)生的前一年有11個財務(wù)指標通過了顯著性檢驗（以0.05為顯著性水平），即、。因此我們以這11個指標作為第

31、一次篩選的入選變量，以引入預警模型。 （三）利用主成分分析方法進行主成分分析。通過顯著性檢驗，篩選出11個指標作為建模初選變量，然而這些變量彼此之間存在一定的相關(guān)性，因而使得所觀測到的數(shù)據(jù)在一定程度上反映的信息有所重疊。而且變量較多時，在高維空間研究樣本比較復雜，勢必增加研究問題的復雜性。因此本文利用主成分分析法進行第二次篩選，剔出其中相關(guān)性較強的指標，以使模型更加精簡。而主成分就是考察從多個變量中提取較少的綜合變量，而這幾個較少的綜合變量又能盡可能多的反映原來變量的信息，并且彼此之間互不相關(guān)的一種降維的多元統(tǒng)計方法，此法不受變量多少的影響，又不同于回歸分析法及聚類分析法，因而確定吸收原來所有

32、指標的總信息量最多的第一主成分，其次為第二主成分。若有n個指標則可得到n個主成分，但只有貢獻率大的前面幾個主成分有說明的意義。主成分分析法的步驟如下： 1、對財務(wù)指標的觀測值進行標準化處理。因為不同的財務(wù)指標變量有不同的量綱，而通過來求主成分總是優(yōu)先考慮方差大的變量，有時會造成很不合理的結(jié)果，為了消除由于量綱的不同而帶來的一些不合理的影響，將對收集的原始數(shù)據(jù)進行標準化處理，使其平均為零，方差取1。 2、利用標準化的數(shù)據(jù)指標間相關(guān)系數(shù)矩陣r。 3、按其相關(guān)矩陣計算求解相關(guān)系數(shù)矩陣的特征值和特征向量、貢獻率及累積貢獻率。 4、財務(wù)危機預警模型的建立。對90家上市公司的樣本分別計算上述11個指標的值

33、。然后利用spss軟件將樣本原始數(shù)據(jù)進行標準化處理，再計算主成分的特征值和貢獻率。本文按特征值由大到小排序選取前八個成分，如表2。表2 主成分特征值與貢獻率表componentdifferencevariance(%)cumulative(%)10.897620.3720.3720.808718.5338.930.631715.0853.9840.501712.666.5850.421610.1476.7260.22839.3886.170.14357.0593.1580.10254.2597.4從表2中可以看出，前六個主成分對總體變量的累積貢獻率為86.1%，按照86.1%的累積貢獻率取得六

34、個主成分便基本上可以反應原來11個指標所包含的全部信息。為了對這六個主成分因子進行解釋，本文使用正交旋轉(zhuǎn)法中最大方差法進行轉(zhuǎn)換建立因子載荷矩陣，如表3。通過旋轉(zhuǎn)后各因子在各指標上的負荷量呈明顯的兩極分化趨勢，一邊趨近1，一邊趨近0。根據(jù)因子載荷矩陣說明各因子在各個變量上的負載，即影響程度。在主成分分析中，一般認為絕對值大于0.3的負荷就是顯著的。我們把計算結(jié)果中負荷值大于0.3的變量界定為與主成分顯著相關(guān)的變量。第一個主成分z1中，x1和x4的因子載荷量遠大于其他因子的載荷量，z1主要包含了前三個盈利指標的信息，反應了公司的盈利情況，說明公司的盈利能力是一個重要的指標。說明持有資產(chǎn)的持續(xù)報酬率

35、越高，企業(yè)發(fā)生財務(wù)危機的可能性就越小。同理z2主要由資產(chǎn)負債比指標解釋，故其表示的是企業(yè)的償債能力。主成分z3中的支配變量為總資產(chǎn)增長率，因此主成分z3可以解釋為成長因子。 表3 因子載荷矩陣資產(chǎn)凈利潤率（x1）0.825-0.379-0.1340.0530.0550.028成本費用利潤率（x2）0.467 -0.096 -0.038 -0.2460.060.044凈資產(chǎn)報酬率（x4）0.802 -0.861 -0.157 -0.17-0.362-0.728流動比率(x12)-0.557 0.792 -0.142 -0.094-0.0310.924資產(chǎn)負債率（x13）0.209 0.618 -

36、0.259 -0.04-0.2910.023速動比率(x15)0.308 0.042 -0.142 -0.734-0.030.416利息保障倍數(shù)（x17）-0.320 0.604 0.367 -0.2290.057-0.508主營業(yè)務(wù)收入增長率（x19）0.752 0.208 0.361 -0.030.193-0.024總資產(chǎn)增長率（x22）0.410 0.0650.7750.1880.7820.163留成利潤比率（x23）0.445 0.1340.1630.7830.0030.223每股營業(yè)現(xiàn)金流量（x27）0.209 0.5040.0860.0070.065-0.001在建立模型前，需要先

37、對財務(wù)指標變量分配進行常態(tài)性檢驗，以w統(tǒng)計量進行常態(tài)性檢驗，其檢定常態(tài)假設(shè)之準則為：若w以主成份分析中所選取的六個主成分作為解釋變量，進行多元線性回歸分析，以構(gòu)建財務(wù)危機預警模型。spss 已經(jīng)計算出六個主成分的分值，以六個主成分對應的貢獻率為權(quán)數(shù)即可構(gòu)造公司財務(wù)狀況綜合指標f： 根據(jù)表2的數(shù)據(jù)可得： 將樣本中財務(wù)危機發(fā)生前兩年的數(shù)據(jù)帶入上式，得到st和非st公司的平均f值分別為0.128和0.404，如果取其平均數(shù)0.266為模型判別的臨界值。若f值小于0.266則說明公司為財務(wù)危機公司，否則為財務(wù)安全公司。若f值等于0.266則說明公司的財務(wù)狀況不夠樂觀，為了謹慎起見也將其歸入財務(wù)危機公司

38、。 對模型進行擬合優(yōu)度檢驗，其模擬適合度檢定之p值為0.02，小于顯著水準0.05，表示整體估計的樣本方程很好的擬合了樣本觀測。利用模型對2003年進行財務(wù)危機預測，將30家危機企業(yè)（st）的樣本代入模式中以計算f值，再分界點為0.5時，只有五家判斷失誤，精度達到了83.3%。 （四） 研究的局限性1、數(shù)據(jù)的局限。本文的研究對象是上市公司，而上市公司公開的財務(wù)數(shù)據(jù)存在不同程度的虛假或操縱等行為，財務(wù)數(shù)據(jù)的真實可靠性值得注意。再者我國證券市場的較短，因此，樣本的代表性受到一定程度的限制。 2、財務(wù)指標的局限。本文由于資料有限，在預警指標的選擇上未能考慮非財務(wù)指標，因為財務(wù)指標以外的一些因素也影響

39、危機預警模型的效果。 3、研究范圍的限制。本文的研究對象是上市公司，而由于上市公司存在行業(yè)規(guī)模的差別，不同的公司財務(wù)狀況也有著不同的特點，財務(wù)指標的選擇及模型的建立只能體現(xiàn)普遍性。 四、結(jié)語本文研究的目的:首先,希望改變目前僅有國有資本金績效評價體系,缺乏上市公司全面財務(wù)分析體系,財務(wù)指標分析體系零散混亂,盲目照搬國外財務(wù)分析體系的狀況,采取全面有效的、適應國內(nèi)企業(yè)的財務(wù)預警分析體系,預防和減少財務(wù)危機帶來的成本和損失,促進企業(yè)經(jīng)濟的健康、穩(wěn)定和持續(xù)發(fā)展。其次,首次在我國運用財務(wù)危機預警的方法,專門針對上市公司的評價,改變目前我國對上市公司的財務(wù)危機研究尚停留在針對所有上市公司而對行業(yè)特點不加

40、區(qū)別的宏觀層面上,以引起大家對專門行業(yè)進行財務(wù)危機預警研究和應用的重視,使財務(wù)危機預警更具實用性和針對性。本文研究的結(jié)論是利用以上財務(wù)危機預警體系,企業(yè)可以預先發(fā)現(xiàn)將有可能出現(xiàn)的財務(wù)危機,在洞察出財務(wù)危機的先兆和現(xiàn)狀后,企業(yè)必須采取措施以避免、緩解乃至化解財務(wù)危機。隨著我國上市公司的增多,資本市場的逐步規(guī)范和完善,財務(wù)信息質(zhì)量的提高,建立的模型會更準確有效,從而更好地起到財務(wù)危機預警的作用。參考文獻1 吳世農(nóng),盧賢義. 我國上市公司財務(wù)困境的預測模型研究j. 經(jīng)濟研究,2001 , (6) :46 - 55.2 薛薇. 統(tǒng)計分析與spss 的應用m. 北京:中國人民大學出版社,2001.3 郭鵬飛、楊朝軍， 中國上市公司財務(wù)比率行業(yè)差異實證研究，金融研究，2003 (3 )：35-39.4 陳靜. 上市公司財務(wù)惡化預測的實證分析j. 會計研究,1999 , (4) :36 - 38.5 姜秀華,任強,孫錚. 上市公司財務(wù)危機模型研究j. 預測,2002 , (3) :56 - 61.6何曉群應用多元統(tǒng)計分析m中國人民大學出版社2008067郭復初著公司高級財務(wù)上海上海立信出版社，200