上市公司财务危机预警研究
关键词：净资产收益率；logistic回归；财务预警模型
一、样本选择与处理
本文的样本为2003年、2004年、2005年在上海交易所流通交易的ST股票，剔除B股类上市公司，最后样本个数2003年共32支，2004年共21支，2005年共15支。非ST配对股票的选择标准是在相同报表期内同行业(证监会行业)，当年合并报表总资产相差5%的股票，其中2003年有5支ST找不到配对股票，2004年有7支ST找不到配对股票，2005年有4支ST找不到配对股票。此时共有样本52支ST股票，52只非ST配对股。但由于样本股票的相关数据的残缺不全和问题，最后样本数据共84支股票。另外由于ST的执行期均在4月—6月之间，因此文章选择的财务指标及其他数据均是ST年度前一年的中报数据。数据来源于Wind数据库。通过财务指标数据的实证分析建立预警模型，考察其对违约的判别能力。
二、模型构建及实证结
（一）财务指标选择及逐步回归分析
财务指标的选择属于一个经验问题，本文的指标选择主要相关的成果。盈利能力指标包括净资产收益率(全面摊薄)、资产净利率和主营业务利润率；偿债能力指标包括流动比率、速动比率、资产负债率和已获利息倍数；营运能力指标包括存货周转率、应收账款周转率和总资产周转率。
本文先对2003、2004、2005年的财务指标进行分布检验，结果表明10个财务指标均不服从正态分布，参考相关文献的研究成果，本文采用Logit模型建模。为了选择出较好的财务指标，先单独采用每个财务指标对两元值因变量(ST取1，非ST取0)进行logistic回归，根据回归结果和指标之间的相关系数来判断指标是否进入预警模型，即假如两个指标都通过回归检验，但相关性很大，则选择解释力较大的指标。而没有通过检验的指标将被排除。设置信水平等于95%，违约门槛值设为0.5，违约概率在0和1之间变动，值越大则违约风险越大。指标的回归结果表明净资产收益率、资产净利率、主营业务利润率、资产负债率、已获利息倍数、应收账款周转率和总资产周转率七个变量通过检验。
另外根据Logit函数可知，自变量的负号系数表示它与的信用风险负相关。根据逐步回归结果，在通过检验的指标中，净资产收益率、资产净利率、主营业务利润率、已获利息倍数、资产负债率、应收账款周转率和总资产周转率均与企业的信用风险状况负相关，而资产负债率则与信用风险正相关，符合学意义及ST公司的基本面表现。
（二）相关性分析
通过以上回归分析可知，衡量盈利能力的三个指标、衡量偿债能力的资产负债率和已获利息倍数和衡量营运能力的应收账款周转率与总资产周转率均通过了显著性检验。但是考虑到指标间，至少是同类型指标间可能存在着共线性关系，本文采用Eviews统计软件进行处理，Eviews诊断多重共线性主要有两种方法，一种是相关系数法，另一种是VIF法。文章采用第一种方法，即在建模之前通过自变量的相关系数来进行指标的选择。通过检验的七个指标的相关系数如下：
净资产收益率(ROE) | 资产净利率(ROA) | 主营业务利润率 | 资产负债率 | 已获利息倍数 | 应收账款周转率 | 总资产周转率 | |
净资产收益率 | 1.000000 | 0.835089 | 0.185546 | -0.353502 | 0.110755 | 0.074796 | 0.044510 |
资产净利率 | 0.835089 | 1.000000 | 0.435387 | -0.415757 | 0.261758 | 0.199838 | 0.247821 |
主营业务利润率 | 0.185546 | 0.435387 | 1.000000 | -0.219623 | 0.292561 | 0.184940 | -0.002491 |
资产负债率 | -0.353502 | -0.415757 | -0.219623 | 1.000000 | 0.162246 | -0.218227 | 0.087086 |
已获利息倍数 | 0.110755 | 0.261758 | 0.292561 | 0.162246 | 1.000000 | 0.145090 | 0.236823 |
应收账款周转率 | 0.074796 | 0.199838 | 0.184940 | -0.218227 | 0.145090 | 1.000000 | 0.382466 |
总资产周转率 | 0.044510 | 0.247821 | 0.002491 | 0.087086 | 0.236823 | 0.382466 | 1.000000 |
由相关系数表可知，ROE跟其他类型指标的相关性很小，ROA与其他类型指标相关性较大，主营业务利润率与ROE的关系比与ROA的关系小且两者间存在很大的相关性，因此在盈利能力指标中ROE和主营业务利润率将成为待选指标。而资产负债率与已获利息倍数无论其相关性，还是和其他类型指标的相关性都很小，两个都将成为模型解释变量；应收账款周转率和总资产周转率的关系与资产负债率和已获利息倍数的关系类似，两者也将成为解释变量。
（三）财务危机预警建模
假设回归模型为：
y=c+f(x)+ε
c表示常数项，x表示解释变量，本文主要为上述选择的财务指标，ε表示随机误差项，y为无法观察的变量，但可以观察到其替代变量y*,y*=
假定危机公司的y*=1，正常公司的y*=0。根据Logistic分布函数可得
In［pi/(1-pi)］=c+f(x)+ε,其中pi=P(yi*=1)，表示违约概率。
由上面的指标选择结果，考虑包含6个财务指标的预警模型，这六个指标分别是净资产收益率、主营业务利润率、资产负债率、已获利息倍数、应收账款周转率和总资产周转率。
模型回归方程为：
In［pt／(1-pt)］=0.275-0.546*X1+0.0002*X2+0.030*X3-0.010*X4-0.167*X5-4*X6（1）
其中X1是净资产收益率，X2为主营业务利润率，X3为资产负债率，X4为利息倍数，X5为应收账款周转率，X6为总资产周转率。但只有净资产收益率的系数通过显著性检验。对其他变量的系数的显著性做Wald联合零检验，结果如下：
Test Statistic Value df Probability
F-statistic 1.154389 (6，74) 0.3400
Chi-square 6.926337 6 0.3277
相伴概率均大于5%，原假设通过检验，说明除了净资产收益率外，其他的变量不起解释作用。即净资产收益率作为最重要的财务指标之一对财务状况有较好的预测能力，它涵盖了其他财务指标的信息，这跟刘国光、王慧敏和张兵(2005)的研究结论不同，但与王宏炜(2004)的结论一致。另外，单独以净资产收益率为解释变量的模型判别率比单独以资产净利率为解释变量的模型判别率高，同时，本文还检验了其他指标的组合模型，包括已获利息倍数与总资产周转率、主营业务利润率与总资产周转率、已获利息倍数与主营业务利润率、已获利息倍数与总资产周转率与主营业务利润率等。但无论拟合度还是判别正确率都不如以净资产收益率为单独自变量的模型好，这说明模型的构建并不是指标越多越好，指标变多不仅使模型变得复杂，而且指标间的相关性将影响模型的有效性和预测能力。因此，模型财务指标最终选择净资产收益率。回归结果如下：
In［pi/(1-pi)］=-0.6949958985*ROE+0.4648624725（2）
模型判别正确率结果如下表：
公司类型 危机公司 正常公司 总样本
判别正确率 92.868 0.95 86.90
结果表明模型对危机公司的判别正确率高达92.86%，均大于由多指标模型的判别结果，刘国光、王慧敏和张兵(2005)的判别正确率为75.5%，张鸣和程涛(2005)的判别正确率为86.7%，王宏炜(2004)的判别正确率为91.11%；对正常公司的判别正确率达80.95%，低于刘国光、王慧敏和张兵(2005)的96%和王宏炜(2004)的93.3%，与张鸣和程涛(2005)的结果差不多；对于总样本的判别率为86.90%，与其他研究结果几乎相同。
对模型的拟合优度评价如下表：
H-L Statistic： 15.4012 Prob.Chi-Sq(8) 0.0318
Andrews Statistic：26.1328 Prob.Chi-Sq(10) 0.0036
结果表明模型的拟合相当不错，在95%的置信水平上模型通过拟合优度检验。模型总体效果很不错。
三、结论及后续研究
本文以ST执行期在2003、2004和2005年的上海交易所ST公司和其配对的非ST公司为样本，通过对样本数据财务指标，运用logistic回归构建财务预警模型。结果发现，单纯以净资产收益率为解释变量的预警模型无论在判别正确率，还是在拟合优度层面都要好于指标组合模型。结论可以归纳为：
1.在指标的选择上，单自变量logistic回归表明，只有净资产收益率、资产净利率、主营业务利润率、已获利息倍数、资产负债率、应收账款周转率和总资产周转率具有解释能力，但根据相关性分析本文选择六个指标建立组合模型。
2.组合模型回归系数中除了净资产收益率外，其他系数均不显著。单独以净资产收益率为解释变量的模型具有很好的判别效果。这表明净资产收益率几乎涵盖了其他指标的信息。
3.单自变量的logit模型的判别正确率并不比其他学者所构建的指标组合模型差，表明建模指标并不是越多越好，相反指标增多不仅使模型变得复杂，而且自变量相关性或共线性问题的存在将使模型的判别效果和预测效果变得更差。
模型的结论具有重要的理论和实践意义。但是财务指标始终是静态的、事后的。许多研究表明财务指标具有滞后性，基于财务比率指标的模型是静态的，不能动态反映的信用状况变化情况。考虑连续动态的模型将是未来研究的重点。后续研究包括考察企业的现金流因素；结合信用风险结构模型中的违约距离因素建立新的动态的危机预警模型等。
：
［1］刘国光，王慧敏，张兵.考虑违约距离的上市公司预警模型研究［J］.财经研究，2005(11)：59-68
［2］张鸣，程涛.上市公司财务预警实证研究的动态视角［J］.财经研究，2005(1)：62-71
［3］龚小君，王光华.我国财务预警研究的回顾与展望［J］.学，2005(2)：186-188
［4］马喜德.上市公司财务困境预测模型比较研究［J］.经济师，2005(3)：180-181
