基于逐步logit回歸的我國上市公司財務困境預警模型的實證研究

1、基于逐步logit回歸的我國上市公司財務困境預警模型的實證研究摘要：本文通過對相關文獻中上市公司財務困境預警模型的歸類總結，改進了財務指標的選取方法，采用預測準確度最好的逐步logit回歸模型，以2014年20家ST上市公司和40家非ST上市公司作為訓練樣本，對2015年上市公司財務狀況進行預測，發(fā)現(xiàn)資產負債率、每股收益和主營業(yè)務利潤占比三個指標有很好的預警作用，其準確度可達95以上，并且可以通過優(yōu)化分割點的選擇來進一步提高預測準確度。關鍵詞：上市公司 財務困境預警 逐步logit回歸 財務困境，又稱為財務危機，國內外學者對其定義并沒有完全統(tǒng)一，但大體分為兩種觀點，一種觀點是將企業(yè)申請破產視為

2、出現(xiàn)了財務困境，而另一種觀點則認為不能簡單地把破產作為衡量的標準，而應加入企業(yè)經營的其他指標來定義財務困境。持有第一種觀點的學者普遍認為，財務困境不是一蹴而就的，企業(yè)的財務和經營狀況由穩(wěn)健、到不穩(wěn)健、再到出現(xiàn)危機是一個一步一步逐漸惡化的過程，最終的結果表現(xiàn)為企業(yè)破產，因此Altman（1968）、Deakin（1972）、Giroux和Wiggins（1983）均把只有進入法定破產程序的作為出現(xiàn)財務困境的企業(yè)。與上述觀點不同，Beaver（1966）將財務困境的公司分為破產公司、拖欠優(yōu)先股股利的公司和拖欠債務的公司三類，他認為一旦一家公司發(fā)生了破產清算、拖欠優(yōu)先股股利或者拖欠債務的行為，就有陷

3、入財務困境的危險。而Ross（1999）則認為財務困境是指企業(yè)無法正常償付到期債務的現(xiàn)象。相比于西方國家較為成熟的資本市場，我國的證券市場缺乏健全的破產清算以及退市制度，到目前為止，尚無一家上市公司申請破產，因此，以企業(yè)破產為標準定義財務困境顯然不適合我國現(xiàn)狀，國內學者對于其定義各有見解。而自我國證券市場于1998年引入上市公司特別處理制度以來，陳靜（1999），張玲（2000），吳世農、盧賢義（2001），姜秀華、任強、孫錚（2002）等學者均將被ST在后句解釋之前應該寫完整，例如”被標明為特別處理（ST）”的上市公司作為財務困境公司來進行研究。特別處理制度，即對年末財務報表上所顯示財務狀況

4、異常的上市公司的股票交易進行特別處理，也就是Special Treatment，在其股票名稱前加上“ST”以示區(qū)別，俗稱ST股?！柏攧諣顩r異常”這邊的財務狀況亦定義是否為ST的定義？如是，需說明清楚通常指以下兩種情況：（1）最近兩個會計年度的審計結果顯示的凈利潤為負值；（2）最近一個會計年度的審計結果顯示其股東權益低于注冊資本。也就是說，如果一家上市公司連續(xù)兩年虧損或每股凈資產低于股票面值，就要予以特別處理。這邊需要再補充一些段落來說明一下你整個文章大概做了一些什么，有什么主要發(fā)現(xiàn)或結論，然后之后的章節(jié)如何編排等一、文獻綜述對于財務困境的預測研究，國外學者起步較早，經過多年的研究和完善，形成了

5、一個成熟的預警模型體系，按提出時間順序主要分為以下幾類：（1）單變量預警模型。 Fitzpatrick（1932）是最早開始研究財務困境預警的學者，他選取企業(yè)財務報表中最具代表性的財務指標進行觀察，若其超出正常范圍，則預測其將會陷入財務困境。Beaver（1966）通過對多個指標分別進行統(tǒng)計分析，發(fā)現(xiàn)債務保障率、資產收益率和資產負債率能對企業(yè)財務狀況做出預測。單一變量雖然運用起來簡單，但是無法全面反映企業(yè)的財務狀況，并且各指標之間有時會存在矛盾的情況。（2）多變量預警模型。Altman（1968）首先提出了多元Z-score模型，把五個財務指標賦予權重后合入一個方程中得出Z值，然后利用Z值來判

6、定，取得很好的預測效果。1977年，他又提出ZETA模型，是在Z-score模型中加入更多指標而進行的改進，預測結果更好。線性預測模型假設變量有著聯(lián)合正態(tài)分布，而實際上大多數(shù)財務指標并不滿足要求，因此邏輯（logit）回歸分析被引入財務困境預警。Ohlson（1980）使用大樣本數(shù)據(jù)和多元logit回歸進行研究，使得模型預測能力提高到90以上。（3）以神經網絡為代表的新方法預警模型等。Odom, Sharda（1990）借用神經網絡模型，得出了和前述兩類預警模型相似的結論，發(fā)生財務困境的公司的主要財務指標在發(fā)生財務困境之前的三年里，與未發(fā)生財務困境的公司有明顯差異，且具有很高的預測能力。除此之

7、外還有基于支持向量機、生存分析等方法的模型，但由于相關研究較少，所以在此不再介紹。國內學者對財務困境預警的研究成果與國外相比有很大差距，一方面表現(xiàn)在起步較晚，另一方面則是創(chuàng)新性不足，大多是借用國外學者的模型，但是由于中國資本市場體制與外國有很大區(qū)別，國內學者對各種模型的使用都做了很多改進。吳世農首先開始了這一領域的研究并起到了推廣和發(fā)展的作用。他與黃世忠（1986）介紹了導致企業(yè)破產的財務指標和預警模型，后來與盧賢義（2001）用不同的計量方法進行了實證研究，發(fā)現(xiàn)logit邏輯回歸模型的準確性最好。陳靜（1999）是首次將被特別處理的ST上市公司作為財務困境公司進行實證研究的學者，她分析了預警

8、的作用和好處，應用單變量和多變量模型分別進行回歸，得出ST公司出現(xiàn)財務困境的前三年數(shù)據(jù)有很好的預測作用。張玲（2000）同樣使用ST和非ST公司數(shù)據(jù)，借助判別分析模型得到了其具有超前4年預測效果的結論。之后大多數(shù)學者的研究將創(chuàng)新點放在了在原有模型的基礎上加入新的指標和引入新的分析方法上。王克敏，姬美光（2006）加入了非財務指標，如國家股比例、董事會規(guī)模和投資者保護程度等等。馬若微（2006）則引入了粗糙集理論（RS）和人工神經網絡（ANN）來進行上市公司財務困境的預測。朱永明，徐璐銘（2015）在研究中將企業(yè)履行社會責任的情況加入模型，結果顯示其與公司財務困境發(fā)展概率成反比。二、樣本數(shù)據(jù)和財

9、務指標 本文選取了2014和2015年可獲得數(shù)據(jù)的49家被特別處理的A股上市公司作為發(fā)生財務困境的樣本，按照每個ST公司的行業(yè)分類情況，隨機匹配了71家近三年未出現(xiàn)財務困境的上市公司，使得對比研究具有可行性。然后將總樣本分成訓練樣本和預測樣本兩組：訓練樣本包括2014年20家ST公司和40家非ST公司，用于估計模型參數(shù)；預測樣本包括2015年29家ST公司和31家非ST公司，用于檢驗模型的預測能力。本文所有數(shù)據(jù)均來自于國泰安數(shù)據(jù)服務中心（CSMAR Solution）。由于上市公司年報公布截止日期為下一年的4月30日，即在t-1年出現(xiàn)財務困境的上市公司，到了t年才會被特別處理，因此，本文所述在

10、某年的ST公司是指實際出現(xiàn)財務困境的t-1年，而非t年，用于預測模型當中的各公司數(shù)據(jù)是t-2年的，若采用t-1年的數(shù)據(jù)則會高估模型的預測能力 此結論來自Ohlson(1980)。以往學者的研究表明，沒有哪一個財務指標是隨樣本選擇時間不同而固定下來的，也就是說，不同時間點用于預測上市公司財務困境的指標也有所不同，而且同類財務指標有很大的相似性，很難從中選取最具預測能力的一個或者幾個，因此，本文根據(jù)公司財務報表的指標分類和相關學者的研究結果 主要參考了吳世農、盧賢義（2001），姜秀華、任強、孫錚（2002），王宏煒（2004），馬若微（2008）和程林（2015）的研究，確定了以下幾點財務指標選

11、取原則：（1）考慮到各公司規(guī)模的不同，在選擇的過程中，只選取比率或無量綱的指標；（2）一般的指標分類有四類，即償債能力指標、經營能力指標、盈利能力指標和發(fā)展能力指標，本文單獨列出了對上市公司財務困境影響最大的和未能包括在上述四類中的幾類指標，分別是每股指標、現(xiàn)金流指標和比率結構；（3）同一指標有不同計算方法的，考慮到與其他單一計算方法的指標保持一致性，本文選取了最常用的指標計算方法；（4）由于會出現(xiàn)同類幾個指標都對預測有影響的情況，如描述周轉率的有應收帳款周轉率、存貨周轉率、營運資金周轉率、資產周轉率等等，而僅從表面數(shù)據(jù)難以對其進行取舍，所以本文均將其保留待篩選；（5）不同指標但計算方法相關或

12、相似的，如資產負債率和所有者權益比率都是重要指標，但兩者之和必為一，只保留其中一個；（6）對于少數(shù)指標數(shù)據(jù)缺失的問題，本文采取了填入同類公司此指標數(shù)據(jù)平均值的方法來解決；（7）有些指標所需數(shù)據(jù)難以獲得，因此本文只在國泰安數(shù)據(jù)庫中所列出的指標當中進行選擇。 基于上述七條原則，本文選取了表1七類33個財務指標加入模型進行財務困境的預測：表 1指標分類指標變量指標名稱償債能力X1流動比率X2速動比率X3現(xiàn)金比率X4利息保障倍數(shù)X5資產負債率X6權益乘數(shù)X7經營活動產生的現(xiàn)金流量凈額負債合計經營能力X8應收帳款周轉率X9存貨周轉率X10營運資金周轉率X11流動資產周轉率X12固定資產周轉率X13總資產

13、周轉率盈利能力X14資產報酬率X15總資產凈利潤率X16凈資產收益率X17營業(yè)毛利率X18營業(yè)利潤率X19成本費用利潤率發(fā)展能力X20資本累積率X21總資產增長率X22凈利潤增長率X23營業(yè)收入增長率每股指標X24每股收益X25每股凈資產現(xiàn)金流指標X26凈利潤現(xiàn)金凈含量X27銷售收入現(xiàn)金含量X28營業(yè)利潤現(xiàn)金凈含量比率結構X29現(xiàn)金資產比率X30固定資產比率X31長期資產適合率X32流動負債比率X33主營業(yè)務利潤占比三、模型構建和指標篩選 根據(jù)相關學者的研究 主要參考了吳世農、盧賢義（2001），馬若微（2008）和胡小勇、崔百勝（2015）的研究表明，logit回歸模型的準確度和穩(wěn)定性相比于

14、其他預測方法更好，因此，本文也將采取logit回歸，因變量為是否出現(xiàn)財務困境的二元變量，1為ST公司，0為非ST公司。但由于財務指標選取較多，應先對其進行初步篩選，然后利用STATA中的逐步logit回歸命令進行預測。 財務指標的篩選步驟主要有t檢驗和變量相關性檢驗，結果如下：表 2變量均值t檢驗ST非STt值雙邊p值x11.3627 1.8265 -2.0916 0.0501*x21.0291 1.3172 -1.8790 0.0757*x30.3693 0.6139 -1.3578 0.1904 x4-22.6089 -10.8735 -1.6786 0.1096 x50.6221 0.4

15、798 2.4240 0.0255*x65.7472 2.3934 2.6457 0.0159*x7-0.0790 0.1183 -2.5170 0.0210*x856.2182 57.3221 -0.5130 0.6139 x97.7752 6.3035 0.6192 0.5432 x100.1010 -0.8313 -0.9050 0.3768 x110.8468 1.6277 -2.1366 0.0459*x127.7646 3.9342 1.1991 0.2452 x130.3981 0.7247 -1.7507 0.0961*x14-0.0598 0.0508 -3.0281 0.0

16、069*x15-0.0848 0.0372 -3.5611 0.0021*x16-0.2556 0.0669 -2.8753 0.0097*x170.2784 0.2588 -0.1803 0.8588 x18-0.3531 0.1005 -2.8106 0.0112*x19-0.1941 0.1439 -2.9377 0.0084*x20-0.0884 0.1200 -1.4753 0.1565 x210.0094 0.1067 -1.3359 0.1974 x22-77.5124 0.7952 -1.3098 0.2059 x230.3325 0.2815 0.1885 0.8525 x2

17、4-0.2481 0.3374 -3.9844 0.0008*x251.7248 4.2140 -3.0063 0.0073*x260.0731 19.9447 -1.8748 0.0763*x271.0086 0.9113 0.8122 0.4267 x28-0.4104 2.4767 -1.2774 0.2168 x290.1027 0.1497 -0.8003 0.4335 x300.2211 0.2823 -1.3049 0.2075 x3160.9258 3.4383 1.0457 0.3088 x320.7920 0.8010 0.7342 0.4718 x330.9982 6.0

18、225 -2.4519 0.0241*注：*、*、*分別表示10、5和1的顯著性水平。 表2對訓練樣本的33個財務指標進行了平均值的描述和t檢驗。從結果來看，有很大一部分指標在預測ST公司和非ST公司時沒有顯著的區(qū)別能力（即在10的顯著水平下不顯著），因此將其篩除。值得注意的是，資產報酬率X14、總資產凈利潤率X15、凈資產收益率X16、營業(yè)利潤率X18、成本費用利潤率X19、每股收益X24和每股凈資產X25等指標均反映了一家上市公司的盈利情況，并且如表3所示，它們之間有很強的相關性，本文采取依次對二元因變量進行l(wèi)ogit回歸，依據(jù)每個指標變量的解釋能力（R2）和顯著水平（p值）排序，將解釋能

19、力最差且顯著性最低的指標去掉，最終保留了X14和X24兩個變量。進行這個步驟的原理是什么？如果不進行篩選，會有什么弊端？表 3X14X15X16X18X19X24X25X141.0000 X150.9852 1.0000 X160.7577 0.7778 1.0000 X180.8376 0.8493 0.5877 1.0000 X190.7941 0.8268 0.6070 0.9381 1.0000 X240.5408 0.5803 0.6463 0.3873 0.4358 1.0000 X250.3125 0.3607 0.3231 0.2252 0.2089 0.7143 1.0000

20、 對其他指標進行相關性檢驗，得到相關性較高的變量如表4：表 4X1X2X5X6X11X13X11.0000 X20.8965 1.0000 X5-0.7069 -0.7051 1.0000 X6-0.4211 -0.4115 0.7523 1.0000 X11-0.1895 -0.1263 0.0152 -0.0707 1.0000 X130.0552 0.1164 -0.1104 -0.0436 0.7970 1.0000 其中X1、X2和X5，X5和X6，X11和X13之間均有較強的相關性，類似地，將X2、X6和X13予以剔除。這個看以來跟表三中的處理方式是一樣的，為什么不放在前面一起討論

21、？還有X1，X2反映償債能力，而X11，X13反映經營能力，可以放在一起比較嗎？四、實證分析和預測檢驗 經過篩選，最終確定流動比率X1、資產負債率X5、經營活動產生的現(xiàn)金流量凈額負債合計X7、流動資產周轉率X11、資產報酬率X14、每股收益X24、凈利潤現(xiàn)金凈含量X26、和主營業(yè)務利潤占比X33八個指標變量進行逐步logit回歸，將變量逐一加入模型，通過觀察p值來確定入選的變量P值的標準是什么？，結果如表5所示：表 5參數(shù)估計值標準差z值p值X10.6730 0.5123 1.31 0.189 X59.7835 3.5180 2.78 0.005*X24-8.7232 3.0219 -2.89

22、 0.004*X33-0.2497 0.1207 -2.07 0.039*截距-5.2691 2.3180 -2.27 0.023*-2log likelihood=32.1536 pseudo R2=0.5790注：*、*分別表示15和1的顯著性水平。其方程可表示為：lnp1-p=0.6730X19.7835X5-8.7232X24-0.2497X33-5.2691從分析結果可以看出，上市公司的資產負債率、每股收益和主營業(yè)務利潤占比三個指標能夠較好地預測是否會陷入財務困境，將訓練樣本數(shù)據(jù)和預測樣本數(shù)據(jù)分別帶入回歸方程中，所得概率p與0.5比較，若p0.5，則預測該上市公司在未來一到兩年內會出

23、現(xiàn)財務困境;若p0.5，則不會出現(xiàn)財務困境，由此便可檢驗模型的預測能力和準確度。從表6的檢驗結果中，可以得出三個重要的結論：（1）該模型的預測能力較好，訓練樣本和預測樣本的總體準確度均在90以上；（2）預測樣本的準確度要高于訓練樣本；（3）將一個ST公司錯誤地預測成非ST公司（犯第一類錯誤）的比率要大于本是非ST公司卻錯誤地預測成ST公司（犯第二類錯誤）的比率。第二個結論的原因可以解釋為第三年發(fā)生財務困境的公司在第一年已經顯示出與財務正常的公司不同的跡象了，而在第二年財務狀況愈發(fā)惡化，因此各項指標與財務正常公司的差別更加明顯。表 6類別預測ST公司預測非ST公司總計準確度訓練樣本初始為什么是”

24、初始”？看上下文這應該是指實際ST或非ST公司？ST公司1642080初始非ST公司2384095總體預測準確度：90預測樣本初始ST公司2632990初始非ST公司03131100總體預測準確度：95第三個結論的原因主要在于分割點選擇的問題。姜秀華、任強、孫錚（2002）指出選擇概率0.5作為區(qū)分預測是否發(fā)生財務困境的閾值并不是最優(yōu)的，應該選擇預測模型中ST和非ST公司的概率分布曲線的交點來檢驗準確度，因為此時犯第一類錯誤和第二類錯誤的總成本最低。鑒于此，本文對分割點的選擇進行了改進，圖1和圖2橫坐標代表閾值從0取到1的變化，縱坐標分別代表預測的準確度和概率分布。從圖1可以看出，0.5并非使

25、得對ST公司和非ST公司預測相等的一點，實際上這一點更小，至少要大于0.25左右。圖 1需要標明圖的標題，還有橫軸縱軸分別是什么 注：藍色實線代表ST上市公司，紅色實線代表非ST上市公司 從圖2可以看出，對ST公司預測結果的概率曲線主要分布在左側，有一條長長的右尾，相反非ST公司的曲線則分布在右側，兩條曲線在0.25到0.5取值范圍內的交點為0.45，因此選擇概率0.45這個選擇跟圖一有什么關系？如果沒關系的話為什么要展示圖一？作為分割點再次對預測樣本進行檢驗，結果見表7。圖 2標明標題以及坐標軸注：藍色實線代表ST上市公司，紅色實線代表非ST上市公司 由于本文樣本選取較少，可能的異常值導致了

26、ST公司的預測準確度相比于非ST公司的準確度小，在大樣本下，圖1和圖2的曲線會更加平滑，分割點的確定得會更好，且預測結果會更具說服力，這是本文的一個缺陷。表 7類別預測ST公司預測非ST公司總計準確度訓練樣本初始ST公司1642080初始非ST公司2384095總體預測準確度：90預測樣本初始ST公司2632993初始非ST公司03131100總體預測準確度：97五、文章結論和創(chuàng)新點 本文應用逐步logit回歸模型對近兩年我國上市公司財務狀況進行了實證分析。通過對財務指標變量的篩選，發(fā)現(xiàn)資產負債率、每股收益和主營業(yè)務利潤占比是影響上市公司財務狀況的主要因素，以此構建的財務預警模型的準確度達到了

27、95以上。 本文的創(chuàng)新點在于對逐步logit回歸模型用于上市公司財務困境預警的優(yōu)化：一是利用t檢驗和相關性檢驗分別篩選出在兩類公司中有顯著不同的財務指標和排除一個或多個可能會造成共線性的指標，而不是直接使用逐步logit回歸進行實證分析；二是最優(yōu)預測分割點的選取，結合考慮了訓練樣本預測準確度和概率分布的情況，從而使得模型預測能力進一步提高。參考文獻1 Altman, E. I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 1968(

28、23): 589-6102 Altman，19773 Beaver, W. Financial Ratios as Predictors of Failure, Empirical Research in Accounting: Selected Studies. Supplement to Journal of Accounting Research, 1966: 71-1114 Deakin E. B. A Discriminant Analysis of Prediction of Business Failure. Journal of Accounting Research, 1972(Spring): 167-1695 Fitzpatrick Paul,