A股上市公司财务危机预警研究

卢笛

摘要：文章在A股深、沪市制造业公司中，选取2016～2018年首次被ST的公司作为处于财务危机的研究对象，按照1∶3配比选取108家财务正常的公司。通过对其t-1、t-2年的财务指标和非财务指标的筛选和降维处理，通过面板数据建立了混合logit预测模型。并通过逐步回归去除不显著指标，建立的模型具有较高的预测准确度，能很好地解释相关指标与财务危机出现的关系，可以为上市公司的相关债权人、投资人提供一定的参考价值。

关键词：Logit模型;财务危机;预测

一、引言

2019年，全球整体经济和贸易增长大幅放缓，主要发达经济体的增长连续下降。由于美国新一任领导政府的单边和贸易保护主义政策导致世界经济增长下降。2018年开始，各国特别是发达经济体已经陷入的衰退，危机也向发展中国家蔓延。全球经济进入调整期且增长不确定性因素加剧，国际金融市场上风险加剧，投资者信心缺失，负债率居高不下，出口下降，工厂大规模关闭，失业率增高。仅2019年全球就有10余个国家和地方出现了暴动，给国家和社会都带来了危机和风险，严重影响全球经济。因此国内上市公司的财务安全就变得异常重要，一旦陷入财务危机，将对债权人、投资者带来不利影响，更有甚者企业的倒闭重组会产生大量的失业者，引发失业潮，给国家带来严重后果。

二、文献综述

（一）财务危机

首次提出财务危机概念的是Fitzpatrick（1932），他将“破产”定义为财务危机，同时建立单一变量的模型，通过比较发现财务指标中的两个比率在财务危机和良好公司之间有显著不同。而后Beaver（1966）认为不能将企业经营失败认定为是财务危机，还应包括：“无法偿还债务”、“银行账透支户”、“无力支付优先股股利”以及“宣告破产”，从30个财务指标中选取6个财务指标建立单一变量危机预测模型。Altman（1968）认为企业依法破产是“财务危机”，并提出多变量模型来预测财务危机。国外学者基本都以这两个方面作为财务危机的定义即：依法破产;财务失败。

而国内学者陈静（1999）、吴世农（2001）等人则普遍将ST作为发生财务危机的标准，选择被ST的公司认为是财务危机的研究对象，比较契合我国国情。在目前我国没有对财务危机有一个比较准确的定义，其次国外学者普遍认为的“破产”在我国上市公司中很少出现，大部分面临的破产的公司都会被收购用来借壳上市。因而国内大部分学者都参考1998沪深交易所提出ST概念，即认为“财务状况出现异常的上市公司”可看作为处于财务危机的研究对象，但如吴世农（2001）等学者也提出部分非正常ST的公司不属于财务危机研究对象，需要予以排除。

（二）研究方法

关于财务危机预警的研究手段大概分为两类：传统统计学模型和人工智能模型。传统统计模型主要有多元判别模型、多元回归模型、生存模型等;人工智能模型主要有神经网络模型、支持向量机模型、遗传算法、模糊集理论等。相对统计模型人工智能模型预测有较高的准确度，但是可解释性较差;统计模型通常可解释较强，而多元回归模型中的Logistic模型应用范围、可解释性、预测准确性都较好，本文采用了Logistic模型。

三、研究设计

（一）样本选泽和数据来源

陷入财务危机公司的选取参照国内等学者的研究习惯，把被ST的公司作为已发生财务危机的公司。同时考虑到不同行业的数据可能带来的影响，把选取数据的上市公司都定为同一行业，又因为制造业的行业规模总体比较大，可以选择的数据样本也较多，所以选择制造业作为行业数据的来源。选取A股2016～2018年首次被ST的制造业上市企业，并去掉已经被摘牌或因发生重大事故被ST的公司剩余共36家。配对样本的选取，考虑到在实际上市公司中，被ST出现的比例较小，目前大多数国内学者使用的1：1，1：2比例不一定能适用。因而参照石晓军（2006）实证的最佳配比以1：3的比例选取108家从未被ST的健康公司，同时将t-1、t-2年的数据都添加建立面板数据模型，用来增加样本的数量。

所有数据都来自于锐思金融研究数据库，用SPSS22.0和StataSE15.0软件进行了相关检验及参数估计。

（二）研究变量

1. 数据初选

本文从公司的财务指标中涉及盈利能力、偿债能力、营运能力、成长能力、现金流量、资产结构六个方面中选取20个财务指标，从选取股权结构、公司治理、审计意见（将1标准的无保留意见仍设为1，其他审计意见设为0）选取4个非财务指标，作为初选研究变量。

2. 数据筛选

为了确认所选指标在处于财务危机公司和非财务危机公司中有顯著不同，采用SPSS22.0软件检验。通常使用非参数检验的方法有两种：T检验、U检验。T检验要求变量符合正态分布并在检验符合正态分布的数据显著性时有较高的准确度;U检验可以检验两个独立样本均值是否存在差异，且适用于变量分布未知的数据样本。所选指标如审计意见等明显不适用于T检验，因而选择U检验，原假设为两组变量的平均数时相同的，而备择假设是两组变量平均数不同，用SPSS22.0检验结果见表1。

结果显示，在95%的置信水平下，只有Z指数保留原假设，剩余23个指标都拒绝原假设，这些指标在财务困境公司与非财务困境公司之间都有显著性不同，可以使用。

3. 因子分析

考虑到剩余的20个财务指标很可能会存在相关性，进而会产生多重共线性，因此为了消除多重共线性的影响使用因子分析法对选取变量进行降维处理。首先进行KMO和Bartlett检验，在相关性矩阵中发现股东权益比率、流动资产比率和其他指数极度相关，导致非正定矩阵出现，因此将两个指标删掉后进行KMO与Bartlett检验，检验结果如表2所示。

从表2来看，测量取样适合性为0.706大于0.5，且P值远小于0.05，因此可以对剩余18个财务指标进行主成分分析降维，降维后提取7个主成分，其主成分的特征值与贡献率如表3所示。

在表3中可以看出，7个主成分可以解释接近80%的解释变量，说明其可以很好的代替原来的财务指标。同时观察得到的7个主成分的因子分析矩阵，根据分析矩阵得出7个主成分可以代表公司财务方面不同的能力：盈利能力F1，偿债能力F2，现金流量能力F3，成长能力F4、F7，营运能力F5、F6。

四、实证分析

（一）模型建立

因本文中选取财务数据时间维度为2014～2017年，其每个年度样本数量不一致，属于非平衡面板数据。面板数据模型一般分为三类，混合模型、固定效应模型、随机效应模型。面板数据模型的表达式为：

将因变量定义为公司是否陷入财务困境，若公司陷入财务危机，则=1;若公司未发生财务危机，则=0，即

（二）模型估计

在做面板数据的回归估计之前，通常先会做单位根检验，本文只选取2016～2018年t-1、t-2数据来扩大样本数量，时间维度T非常小。一般来说T<20，则可以不进行单位根检验，因为单位根检验是大样本检验;当T<

将经过主成分分析的7个财务因子和3个非财务指标（K1：独立董事比列、K2：审计意见、K：股权集中度）作为自变量，将公司状态以是否处于财务危机，分为1、0（1表示处于财务危机的公司、0表示财务正常公司），用StataSE15.0对数据进行混合logit模型参数估计，结果见表4。

从表4中P=0.000可以看出，模型整体是很显著的，模型的可决系数为0.7261，修正后可决系数为0.7105说明模型解释能力也是很好的。解释变量除了F3、F7、K2以外都显著，说明盈利（F1）、偿债（F2）、成长（F4）、营运（F5、F6）因子及审计意见都与公司是否陷入财务危机密切相关，且与公司财务危机负相关，说明其能力越强公司越不容易出现财务危机。F7（成长）、现金流量（F3）、股权集中度等参数不显著，用逐步回归法重新建立模型，发现P值无变化，可决系数从0.7241变为0.7199，变化较小，模型依旧显著，解释能力也很好，防止过度拟合应予去除。去除后建立模型如下：

（三）模型检验

为了保证模型的有效性，本文将所有数据都用于建模之中，同时由于选取的样本数量较少，尤其是被ST的公司数量，因而可以用回判法来验证模型的有效性。把原数据带入财务危机预警模型中进行回测，一般进行回测时一般将0.5作为概率阈值，即当P≥0.5时，则认为公司处于财务危机，反之亦然。用StataSE15.0中”predict yhat”命令对刚建好的模型进行回判，回判结果显示预测效果良好，具体结果如表5所示。

五、结语

本文选取上市公司的财务和非财务指标，对其进行筛选降维处理后，基于t-1、t-2年的面板数据建立了混合logit预警模型，发现盈利（F1）、偿债（F2）、成长（F4）、营运（F5、F6）因子及审计意见都与公司是否陷入财务危机密切相关，这些指标越强公司越不会出现财务危机。经过实证发现建立的预警模型具有较高的准确度，能为上市公司的相关债权人、投资人提供一定的参考价值。

参考文献：

[1]Altman E.I.Financial Rations Discriminate Analysis and Prediction of Corporate Bankruptcy？[J].Journal of Finance， 1986，23（04）：589-609.

[2]黃文智.我国上市公司财务困境预测研究[J].商，2016（04）：166.

[3]石晓军.Logistic违约率模型最优样本配比与分界点的模拟分析[J].数理统计与管理，2006（06）：675-682.

[4]卢永艳.宏观经济因素对企业财务困境风险影响的实证分析[J].宏观经济研究，2013（05）：53-58.

[5]陈强.高级计量经济学及Stata应用（第二版）[M].北京：高等教育出版社，2014.

（作者单位：东北财经大学）