《我国上市公司财务困境的预测模型研究【企业研究论文】》由会员分享，可在线阅读，更多相关《我国上市公司财务困境的预测模型研究【企业研究论文】（19页珍藏版）》请在金锄头文库上搜索。
1、企业研究论文-我国上市公司财务困境的预测模型研究内容提要：本文以我国上市公司为研究对象，选取了 70 家处于财务困境的公司和 70 家财务正常的公司为样本，首先应用剖面分析和单变量判定分析，研究财务困境出现前 5 年内各年这二类公司 21 个财务指标的差异，最后选定 6 个为预测指标，应用 Fisher 线性判定分析、多元线性回归分析和 Logistic 回归分析三种方法，分别建立三种预测财务困境的模型。研究结果表明：(1)在财务困境发生前 2 年或 1 年，有 16 个财务指标的信息时效性较强，其中净资产报酬率的判别成功率较高；(2)三种模型均能在财务困境发生前做出相对准确的预测，在财务困境
2、发生前 4 年的误判率在 28以内；(3)相对同一信息集而言，Logistic 预测模型的误判率最低，财务困境发生前 1 年的误判率仅为647。一、财务困境预测模型研究的基本问题财务困境(Financial distress)又称“财务危机”(Financial crisis)，最严重的财务困境是“企业破产”(Bankruptcy)。企业因财务困境导致破产实际上是一种违约行为，所以财务困境又可称为“违约风险”(Default risk)。事实上，企业陷入财务困境是一个逐步的过程，通常从财务正常渐渐发展到财务危机。实践中，大多数企业的财务困境都是由财务状况正常到逐步恶化，最终导致财务困境或破产的
3、。因此，企业的财务困境不但具有先兆，而且是可预测的。正确地预测企业财务困境，对于保护投资者和债权人的利益、对于经营者防范财务危机、对于政府管理部门监控上市公司质量和证券市场风险，都具有重要的现实意义。纵观财务困境判定和预测模型的研究，涉及到三个基本问题：一是财务困境的定义；二是预测变量或判定指标的选择；三是计量方法的选择。(一)财务困境的定义关于财务困境的定义，有不同的观点。Carmiehael(1972)认为财务困境是企业履行义务时受阻，具体表现为流动性不足、权益不足、债务拖欠及资金不足四种形式。Ross 等人(1999；2000)则认为可从四个方面定义企业的财务困境：第一，企业失败，即企业
4、清算后仍无力支付债权人的债务；第二，法定破产，即企业和债权人向法院申请企业破产；第三，技术破产，即企业无法按期履行债务合约付息还本；第四，会计破产，即企业的账面净资产出现负数，资不抵债。从防范财务困境的角度看，“财务困境是指一个企业处于经营性现金流量不足以抵偿现有到期债务”，即技术破产。在 Beaver(1966)的研究中，79 家“财务困境公司”包括 59 家破产公司、16 家拖欠优先股股利公司和 3 家拖欠债务的公司，由此可见，Beaver 把破产、拖欠优先股股利、拖欠债务界定为财务困境。Altman(1968)定义的财务困境是“进入法定破产的企业”。Deakin(1972)则认为财务困境
5、公司“仅包括已经经历破产、无力偿债或为债权人利益而已经进行清算的公司”。(二)预测变量的选择财务困境预测模型因所用的信息类型不同分为财务指标信息类模型、现金流量信息类模型和市场收益率信息类模型。1财务指标信息类模型。Ahman(1968)等学者(Ahman，Haldeman 和Narayanan，1980；Platt 和 Platt，1991)使用常规的财务指标，如负债比率、流动比率、净资产收益率和资产周转速度等，作为预测模型的变量进行财务困境预测。尽管财务指标广泛且有效地应用于财务困境预测模型，但如何选择财务指标及是否存在最佳的财务指标来预测财务困境发生的概率却一直存在分歧。Harmer(1
6、983)指出被选财务指标的相对独立性能提高模型的预测能力。Boritz(1991)区分出 65 个之多的财务指标作为预测变量。但是，自 Z 模型(1968)和 ZETA 模型(1977)发明后，还未出现更好的使用财务指标于预测财务困境的模型。2现金流量信息类模型。现金流量类信息的财务困境预测模型基于一个理财学的基本原理：公司的价值应等于预期的现金流量的净现值。如果公司没有足够的现金支付到期债务，而且又无其它途径获得资金时，那么公司最终将破产。因此，过去和现在的现金流量应能很好地反映公司的价值和破产概率。在 Gentry，Newbold 和 Whitford(1985a；1985b)研究的基础上
7、，Aziz、Emanuel 和 Lawson(1988)发展了现金流量信息预测财务困境模型。公司的价值来自经营的、政府的、债权人的、股东的现金流量的折现值之和。他们根据配对的破产公司和非破产公司的数据，发现在破产前 5 年内两类公司的经营现金流量均值和现金支付的所得税均值有显着的差异。显然，这一结果是符合现实的。破产公司与非破产公司的经营性现金流量会因投资质量和经营效率的差异而不同，二者以现金支付的所得税也会因税收会计的处理差异而不同。Aziz、Emanuel 和 Lawson(1989)比较了 Z 模型、ZETA 模型、现金流量模型预测企业发生财务困境的准确率，发现现金流量模型的预测效果较好
8、。3市场收益率信息类模型。Beaver(1968)是使用股票市场收益率信息进行财务困境预测研究的先驱。他发现在有效的资本市场里，股票收益率也如同财务指标一样可以预测破产，但时间略滞后。Altman 和 Brenner(1981)的研究表明，破产公司的股票在破产前至少 1 年内在资本市场上表现欠佳。Clark 和Weinstein(1983)发现破产公司股票在破产前至少 3 年内存在负的市场收益率。然而，他们也发现破产公告仍然向市场释放了新的信息。破产公司股票在破产公告日前后的两个月时间区段内平均将经历 26的资本损失。Aharony，Jones 和 Swary(1980)提出了一个基于市场收益
9、率方差的破产预测模型。他们发现在正式的破产公告日之前的 4 年内，破产公司的股票的市场收益率方差与一般公司存在差异。在接近破产公告日时，破产公司的股票的市场收益率方差变大。(三)计量方法的选择财务困境的预测模型因选用变量多少不同分为单变量预测模型和多变量预测模型；多变量预测模型因使用计量方法不同分为线性判定模型、线性概率模型和 Logistic 回归模型。此外，值得注意的是，近年来财务困境预测的研究方法又有新的进展。网络神经遗传方法已经开始被应用于构建和估计财务困境预测模型。(四)我国对企业财务困境预测的研究在国内的研究中，吴世农、黄世忠(1986)曾介绍企业的破产分析指标和预测模型；陈静(1
10、999)以 1998 年的 27 家 ST 公司和 27 家非 ST 公司，使用了19951997 年的财务报表数据，进行了单变量分析和二类线性判定分析，在单变量判定分析中，发现在负债比率、流动比率、总资产收益率、净资产收益率4 个财务指标中，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 6 个指标构建的模型，在 ST 发生的前 3 年能较好地预测 ST。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
11、测结果。二、本文的样本和研究方法本文与以前我国上市公司财务困境的研究有所不同。第一，样本新、时间长、容量大。本文研究的 ST 样本包括 19982000 年发生 ST 的公司，即 A 股市场上全部的 ST 公司，同时剔除了非正常的 ST 公司；此外，样本数据的收集时间延至公司发生 ST 前 5 年，样本时间跨度较长。选入研究的 ST 样本公司 70 家和相对应的非 ST 样本公司 70 家，样本容量达到了 140 家，可望在一定程度上降低估计和预测误差。第二，选择多种研究方法，建立单变量判定模型和三种多变量判定模型，并比较各种模型在财务困境预测中的效率。(一)财务困境公司的样本选定本文从我国
12、A 股市场上 3 年中出现的 82 家 ST 公司中界定出 70 家公司作为财务困境公司，进行财务困境预测研究。它们是：(1)连续两年亏损，包括因对财务报告调整导致连续两年亏损的“连亏”公司，共 51 家；(2)一年亏损但最近一个会计年度的股东权益低于注册资本，即“巨亏”公司，共 16 家；(3)因注册会计师意见而特别处理的，共 3 家。但排除了：(1)上市两年内就进入特别处理的公司，共 8 家。排除原因是财务数据过少和存在严重的包装上市嫌疑，因此与样本中的其它公司不具有同质性；(2)因巨额或有负债进行特别处理的公司，共 2 家。排除原因是或有负债属偶发事件，不是由企业正常经营造成的，与其它样
13、本公司不具有同质性；(3)因自然灾害、重大事故等进行特别处理的，共 2 家，原因同(2)。(二)研究程序和计量方法本研究首先计算 140 家样本公司的盈利增长比率、股东权益收益率等 21 个财务指标，这些指标综合反映了企业的盈利能力、长短期偿债能力、营运能力、成长能力和企业规模。在此基础上，使用剖面分析对样本中的财务困境公司和非财务困境公司在财务困境发生前 5 年期间历年的 21 个财务指标进行对比分析，探讨对企业陷入财务困境影响显着的变量。其后，应用单变量分析，选择 4 个财务指标为例估计单变量判定模型。最后，筛选和确定对企业陷入财务困境影响最为显着的 6 个指标为模型的判定指标，应用线性概
14、率模型、Fisher 二类线性判定模型、Logistic 模型三种计量方法，建立和估计财务困境的预测模型，并比较这三种模型的预测效果。三、实证研究(一)剖面分析首先分组计算 70 家财务困境公司和 70 家非财务困境公司的 21 个财务指标在财务困境发生前 1 至 5 年的平均值和标准差等描述性统计量，比较这二组在21 个财务指标各年的平均值是否具有显着差异，其次计算各年的 Z 统计检验量，结果如表 1 所示。剖面分析结果表明：(1)在 ST 发生的前 1 和 2 年，财务困境公司和非财务困境公司的 17 个财务指标的平均值存在显着的差异；(2)Z 值随着 ST 发生时间的临近而显着增大，即二
15、组的财务指标平均值的差异随 ST 发生时间的临近而扩大。由此可见，在所选的 21 个财务指标中，除利息保障倍数、存货周转率、Log(总资产)和 Idg(净资产)外，其余 17 个在财务困境发生前 1至 2 年中具有显着的预测能力。表 1 21 个财务指标 Z 统计量的计算结果*(二)单变量判定分析本文选择净资产报酬率、负债比例、营运资产与总资产的比例和资产周转率 4 个财务指标，应用单变量判定分析分别建立 4 个单变量预测模型，通过确定模型的最佳判定点，可以判定某一企业在财务困境发生前 1 至 5 年其是否会陷入财务困境。估计模型的结果如表 2 至表 5 所示。表 2 净资产报酬率在财务困境前
16、 1-5 年的判定模型由表 2 至表 5 可见：(1)从各个单变量判定模型的判定效果来看，净资产报酬率的判定模型误差最小；营运资本总资产的判定模型和负债比率的判定模型误差次之，资产周转率的判定模型误差最大。(2)财务指标作为预测变量具有信息含量和时效性，其信息含量随着时间的推移而递减，即指标值离财务困境发生的时间愈短，信息含量愈多，预测的准确性愈高，反之信息含量愈少，预测准确性愈低。(3)结合剖面分析，在两组均值的差异性检验中非常显着的财务指标，在单变量判定分析中的误判率却较高。例如，财务困境公司与非财务困境公司两组的负债比率在财务困境前 1 年的 Z 统计量为 70696，差异性非常显着，但在单变量判定分析中误判比率却高达 2446。以上结果表明，应用不同研究方法分析同一个指标所得结果不同。我们认为，这是因为在剖面分析的 z 检验中，误判率不仅与两组的均值有关，而且与两组的样本分布的状况有关。因此，应用不同判定分析方法构建的单指标判定模型，结论往往相互冲突
