公司财务困境范文第1篇

一、财务困境预测模型研究的基本问题

财务困境(Financialdistress)又称“财务危机”(Financialcrisis)，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”(Defaultrisk)。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。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(1983)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，而且又无其他途径获得资金时，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，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著的差异。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。

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(1999)以1998年的27家ST公司和27家非ST公司，使用了1995—1997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1998—2000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，因此与样本中的其他公司不具有同质性；(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，与其他样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著的变量。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著的6个指标为模型的判定指标，应用线性概率模型、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著差异，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著的差异；(2)Z值随着ST发生时间的临近而显著增大，即二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年中具有显著的预测能力。

表121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著的财务指标，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7．0696，差异性非常显著，但在单变量判定分析中误判比率却高达24．46％。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。

表3负债比率在财务困境前1-5年的判定模型

表5资产周转率在财务困境前1-5年的判定模型

(三)多元线性判定模型的变量选择分析

本研究首先应用LPM，采用逐步回归选择变量方法，对5年的样本数据依次进行回归，从21个变量中选择若干变量。选择的标准是：F值的概率值小于0．10时进入，大于0．11时剔除。

利用财务困境前1至5年的数据，分别进行逐步回归，结果如表6所示。我们最终选取了Xl(盈利增长指数)、X3(资产报酬率)、X7(流动比率)、X11(长期负债与股东权益比率)、X12(营运资本与总资产比)、X19(资产周转率)等6个指标作为多元判定分析的变量。选取这些指标的原因是：(1)以财务困境前1年的逐步回归结果为主，参考其他年份的回归结果。由剖面分析可知，财务困境前1年的财务指标作为财务困境预测的信息含量最多，时效性最强；离财务困境发生的时间越远，指标的信息含量越少，时效性越差。所以，财务困境前1年逐步回归所得的变量全部入选。结合其他年份特别是财务困境前2年的结果，营运资本总资产比、速动比率、负债比率、应收账款周转率是表现较好的变量。(2)兼顾全面综合的信息反映，适当避免同类信息的重复反映。首先，财务困境前1年逐步回归所得的变量盈利增长指数、资产报酬率、长期负债股东权益比率、资产周转率分别是反映企业成长能力、盈利能力、长期偿债能力、营运能力的指标，但没有反映短期偿债能力的指标。营运资本与总资产比是财务困境前2年逐步回归所得的变量之一，而且参数估计值的显著性水平在0．05之上，故也把该变量作为预测变量之一。其次，速动比率是反映短期偿债能力的指标，但更能全面反映短期偿债能力是流动比率，结合剖面分析，历年两组间的流动比率和速动比率均值差异性检验统计量Z值比较接近，表明这二个指标都能反映的两组的差异性。因此，从反映短期偿债能力的全面性来考虑，我们在建模时选择了流动比率，舍弃了速动比率。再次，考虑到若企业短期偿债能力较强，会减少其在短期内陷入财务困境的概率，因此把短期偿债能力的两个指标——营运资本与总资产比和流动比率同时引入预测变量组合，加强短期偿债能力信息在预测中的比重。第四，负债比率与长期负债股东权益比同是反映企业长期偿债能力的指标，长期负债股东权益比已在财务困境前1年引入了变量组合，为避免信息的重复反映，舍弃了负债比率。最后，应收账款周转率与总资产周转率同是反映营运能力的指标，但应收账款周转率不及总资产周转率反映全面，所以反映营运能力的指标选用总资产周转率，舍弃应收账款周转率。

表6各年逐步回归的所得的变量结果

为了避免多重共线性，对选定的6个变量进行多重共线性检验。本文使用的检验指标是容许度(TOL)和方差膨胀因子(VIF)。计算公式为：

TOLj=1—R2j=1／VIFj

其中，群为均对其余k—1个自变量回归中的判定系数R2。当TOL较小时，认为存在多重共线性。一般地，方差膨胀因子VIF大于10，认为具有高的多重共线性。VIF检验的结果见表7。从表7可知，6个变量的VIF均小于10，可认为各变量之间不存在显著的多重共线性。

表7多重共线性检验

(四)多元线性判定模型的估计结果

1．LPM模型。根据上述选定的6个变量及其财务困境前1年的样本数据，得到LPM模型的回归结果如表8所示。LPM模型的方程可表示为：

Y=0．3883+0．1065x1-2．7733x3+0．0537x7+0．1970x11-0．3687Xl2-0.1388x19

其中：Y是陷入财务困境的概率；X1是盈利增长指数；x3是资产报酬率；x7是流动比率；X11，是长期负债股东权益比率；x12是营运资本／总资产；X19是资产周转率。

表8LPM模型的回归估计结果

线性概率方程是以70家非财务困境公司与69家财务困境公司在财务困境前1年的6个财务指标的数据为因变量值，取财务困境公司为1，非财务困境公司为0作为因变量值进行估计的。因此，理论上取0．5为最佳判定点。根据估计的模型对原始数据进行回代判定，若预测值大于0．5的，判定为财务困境公司；否则为非财务困境公司。判定结果如表9所示。

表9LPM在财务困境前1年的判定结果

在回判过程中，70家非财务困境公司有4家被错判，误判率为5．71％；69家财务困境公司有10家被错判，误判率为14．49％；总的误判率为10．07％。判定正确率较高。采用同样的方法可以计算其他年份的最佳判定点和误判率。

2．Fisher二类线性判定模型。把财务困境公司划分为组合1，非财务困境公司划分为组合2，对样本公司的财务困境前1年的财务数据，使用同样的6个变量，估计Fisher二类线性判定分析。

对于组合1，判定模型为：

Z=-6．059+0．331x1一25．865x3+4．033x7+3．250x11-11．905x12+4．428x19

对于组合2，判定模型为：

Z=-4．859—0．812x1+3．989x3+3．432x7+1．142x11一7．734x12+5．924x19

以典则(Canonical)变量代替原始数据中指定的自变量，其中，典则变量是原始自变量的线性组合，得到典则的线性判定模型为：

Z=0．448—0．435xl+11.374x3—0．229x7—0．803x11+1．589x12+0．570x19

根据上述判定模型，以财务困境发生前1年的原始数据分别进行回代。二个组合的平均Z值分别是-1．3254和1．3065，样本个数分别为69和70，所以按完全对称原则确定的最佳判定点为z*。由此可知：当把财务困境发生前1年的原始数据代入判定模型所得的判定值Z大于Z*，则判为组合2，即非财务困境公司，否则判为组合1。由此得到的判定结果见表10。同理可计算其他年份的最佳判定点和误判率。

表10Fisher二类线性判定模型在财务困境前1年

值得指出的是，Fisher判定模型在财务困境发生前1年的误判率为10．07％，与LPM模型的误判率相同，这从应用上证明二个模型是等价的。

3．Iosistic回归模型。使用同样的财务指标和数据，进行二元Logistic回归分析，得到模型的估计结果见表11。

表11二元Logistic回归模型估计结果

截距模型是将所有自变量删除后只剩一个截距系数模型。当前模型是含有自变量的Logistic回归模型。“Likelihood"为似然函数值，“—2LogLikelihood"(缩写为—2LL)是似然函数值的自然对数的—2倍，常用来反映模型的拟合程度，其值越小，表示拟合程度越好。因为Idsistic模型是使用最大似然估计，似然函数值越大，则表明越接近最大似然值，拟合程度越好。从表10可见，变量x1、X3、X11的显著水平均小于0．05，说明其预测能力较强；其余3个变量的显著水平较高，说明其预测能力较弱。

方程可表示为：

log(p/(1-p))=-0.867+2.5313X2-40.2785X4+0.4597X8+3.2293X12-3.9544X13-1.7814X20

即

P=1/(1+e-(-0.867+2.5313X1-40.2785X3+0.4597X7+3.2293X11-3.9544X12-1.7814X19))

根据回归所得到的Logistic方程，以0．5为最佳判定点，对财务困境前1年的原始数据进行回代判定，结果见表12。

表12Logistic回归模型在财务困境前1年的判定结果

在财务困境前1年，70个非财务困境公司有4个被错判，误判率为5．71％，69个财务困境公司有5个被错判，误判率7．25％，总体上看，139个公司有9个被错判，误判率6．47％。同样地，使用二元Logistic回归可以对财务困境前2年财务困境前5年的情况进行判定分析，判定结果见表13。

表13三种多元判定分析方法估计模型的比较

四、结论与启示

第一，我国上市公司的财务指标包含着预测财务困境的信息含量，因此其财务困境具有可预测性。第二，在我国上市公司陷入财务困境的前1年和前2年，本文所选的21个财务指标中16个指标具有判定和预测财务困境的信息含量，但各个指标的信息含量不同，预测财务困境的准确率不同。在单变量分析中，净资产报酬率的判定效果较好。第三，多变量判定模型优于单变量判定模型。第四，比较三种判定模型的效果表明，Logistic模型的判定准确性最高。

参考文献

陈静，1999：《上市公司财务恶化预测的实证分析》，《会计研究》第4期。

公司财务困境范文第2篇

关键词：上市公司；财务困境；预警模型；判别分析

1上市公司财务困境的界定及表现

1.1上市公司财务困境的界定

我们认为：如果上市公司由于下列原因而被特别处理的,我们将其视为财务困境公司：最近两个会计年度审计结果显示的净利润为负值；最近一个会计年度的审计结果显示其股东权益低于注册资本；最近一个会计年度经审计的股东权益扣除注册会计师、有关部门不予确认的部分,低于注册资本；最近一份经审计的财务报告对上年度利润进行调整,导致连续两个会计年度亏损。因为上述原因而被特别处理的上市公司基本表现为严重亏损、偿债能力不够而且持续经营能力不足,符合财务困境的基本内涵。

1.2上市公司财务困境的类型划分

根据ST公司财务困境的表现，可以将其分为以下三种类型。

（1）突变失败：此类ST公司的财务比率在被特别处理前一年才迅速恶化，因此并不容易被预测，可称为“突变失败”。从原因上分析，此类ST公司多属于虚假包装上市的公司，如ST红光和ST黎明。

（2）收益失败：此类ST公司在被特别处理前几年与正常公司在负债比率、流动比率等财务指标上并没有显著差异，发生危机的主要原因是盈利下滑，这可以从较差的投资报酬率、总资产周转率等指标来观察，这种公司可归为“收益失败”。如由于宏观环境和产业环境等外部冲击而失败的上市公司多为此种类型。

（3）慢性失败：此类公司的失败信息早在发生危机前几年就已显现，许多财务比率如资产报酬率、负债比率、流动比率等都呈现不利变化，并且愈接近危机期间情况愈严重，这种经营失败过程可称为“慢性失败”。从失败原因来看，“慢性失败”公司大多是由于内部管理不善而发生危机的企业。

1.3上市公司财务困境的阶段划分

除了突变失败以外，收益失败和慢性失败是一个连续的动态过程，根据这两类ST公司的失败过程，可以将经营失败划分为三个阶段。

（1）经营失调阶段：当企业遭受内、外部因素的冲击时，会出现管理失控、投资失误、主营收入下降及流动资金紧张等现象，这一阶段可称为经营失调阶段。

（2）经营危机阶段：上市公司如果无法适当地处理经营失调，那么将步入经营危机阶段，此时呈现的现象包括资金不足、周转困难、短期债无法偿付等。

（3）经营失败阶段：如果上市公司缺乏有效的矫正措施来渡过经营危机阶段，那么最终会面临经营失败，上市公司的经营几乎限于停滞状态，其负债总额甚至会超过资产总额，出现资不抵债的情形。此时上市公司一般要依赖大规模的资产重组才能摆脱破产的困境。

2上市公司财务困境预警模型评析

关于上市公司财务危机预警系统的研究在海外历史悠久，在国内则刚刚起步，总体而言，运用于财务困境预测的方法可分为统计类和非统计类两大类，统计类的方法主要包括一元判别法、多元线性判别法、多元逻辑回归方法、生存分析法等、非统计方法主要有模拟类预测方法（如神经网络模型）、行为反映类分析法（如股价分析法）、案例分析法等。

最早提出企业财务预警分析模型的是Beaver(1966)，定义破产包括“债券拖欠不履行，银行超支，不能支付有限股利等”。运用实证分析得出现金流量与负债总额的比率能够更好地判定公司的财务状况。随后许多学者从事该领域的研究，在研究方法上也不断完善和改进。Altman(1968）提出了多元Z值模型，将若干变量合并入一个函数方程，用Z值进行判定。Beaver（1966）和Altman（1968、1977）提出的Z值模型，以及Martin（1977）和Ohlson（1980）等提出的逻辑／概率回归模型。Zavgren（1985）等学者使之进一步深化。Aziz，Emanuel和Lawson（1988、1989）以现金流量模型为基础，提出公司的价值来自经营者、债权人、股东以及政府的现金流现值之和。他们根据破产公司与非破产公司配对数据的分析，发现在破产前五年内，两类公司的经营现金流量均值和现金支付所得税均值有显著差异。目前对财务困境分析用得最多的方法是多元线性判别分析方法和逻辑回归方法。

我国学者周首华等对Z值模型加以改造，于1996年提出了财务失败预测的新模型-F值模型在F值模型中加入了现金流量这一有效的预测变量，弥补了Z值模型的不足。陈静以1998年的27家ST公司和27家非ST公司，使用1995—997年的财务报表数据，进行了单变量分析和多元线性判定分析，在单变量判定分析中，发现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、总资产周转率等6个指标构建的模型，在ST发生的前3年能较好地预测ST公司。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年的预测结果。高培业、张道奎（2000）采用29个财务指标，运用多元判别分析方法，发现由留存收益／总资产息税前收益／总资产、销售收入／总资产、资产负债率、营运资本／总资产构成的判别函数有较好的预测能力。吴世农、卢贤义（2001）以70家ST和70家非ST上市公司作为样本，采用盈利增长指数、资产报酬率、流动比率、长期负债／股东权益、营运资本／总资产、资产周转率等6个财务指标，比较了多元判别分析、线性概率模型和Logistic模型的预测效果，发现Logistic模型的预测能力最强。3上市公司财务困境判别及控制分析

3.1财务困境形成原因剖析

在财务困境的诸多影响因素中,公司治理因素受到越来越广泛的关注。在公司治理体系中,董事会居于核心地位,并且逐渐成为完善公司治理结构,提高公司治理效率的主要途径和机制。减少管理层投机行为的重要机制就是董事会的设置。当内部管理人员之间以及管理层和股东之间发生冲突时,董事会将起到仲裁者和最高法院的作用。

在西方发达的市场经济国家中,董事会己经成为公司运作的中心。OECD制定的公司治理原则将良好的公司治理分解为七个关键部分。其中明确涉及董事会的内容就有两项,而其余五项内容也都与董事会的职责密不可分。同时,从公司权利中心的定位来看,董事会中心主义的思想正悄然形成,公司权利中心由经理层转向董事会的改革趋势也愈来愈明显。因此,加强董事会的治理和改革己经成为全球范围内的一个共识。我国上市公司董事会运作仍然存在许多深层次的问题。包括：①董事会制度形式化与内部人控制问题十分突出；②董事会决策议事的独立性不高；③独立董事缺乏独立性；④董事会专门委员会未能充分发挥作用；⑤董事会薪酬体系不合理等。这些问题严重制约了董事会运作的独立性和有效性。

3.2财务困境特征识别

企业从业绩优良到陷入财务困境,并不是一蹴而就的,而是呈现出一个渐进与突变的过程。因此,财务困境的特征表现出一定的时空属性。在时间上,考虑到事件对困境公司的影响,因而选择ST当年作为T年,分别考察特别处理前一年（t-1）、特别处理前两年（t-2）和特别处理前三年（t-3）困境公司的财务特征和非财务特征。这样一个具有时间序列的连贯考察,有利于发掘财务困境不同阶段所表现出的特征。在空间上,考虑到行业因素对财务困境的影响,因此根据行业类别的不同,分别考察制造业和非制造业内财务困境公司的基本特征。同时,建立基于人工神经网络的判别模型,实现对不同时期、不同行业上市公司财务困境状况的针对性判别分析。

3.3财务困境控制分析

根据控制理论,为了使控制系统在运行过程中的输出与控制标准的偏差尽量最小,实现控制目标,可以采用事前控制、事中控制、事后控制等方法进行控制：①事前控制是在活动开始前采取措施使得控制系统输出符合控制标准的活动。②事中控制是在活动进行时对系统输出进行监控的控制活动。③事后控制是在活动结束后对系统输出结果进行分析,找出输出结果与控制标准偏离的原因,并及时予以纠正。对于财务困境而言,财务困境的控制主要体现在事前控制和事后控制两个方面。

（1）财务困境事前控制。财务困境的事前控制是避免财务困境的最有效手段。根据财务困境的特点和形成原因,①应该制定合理的控制目标,明确系统输出期望达到的效果。控制目标可以进一步分解到各个不同层次的子控制系统,形成财务困境次级控制目标。②确定财务困境的控制重点,包括企业信用规模与结构控制、存货规模与结构控制、成本费用控制、或有负债控制、负债规模与结构控制、销售结构与毛利率控制、资本运营风险控制、治理结构控制等,其中最主要的是企业治理结构完善、成本费用控制和资金流动性控制。③制定合理的财务困境控制标准。④选择针对性的控制方式和控制手段实现控制目标。

（2）财务困境事后控制。困境公司在发生财务困境后,随着存在问题的暴露,会想方设法地采取措施消除隐患,努力克服经营不利的尴尬局面。因此,从控制流程上看,事后控制比事前控制更具有针对性和目的性。毕竟财务困境的事前控制主要以防范为主,需要建立起一套完善的控制体系,以达到发现问题的目的。而财务困境的事后控制则主要立足于纠正问题,是一种亡羊补牢的表现。

参考文献

［1］吴世农，卢贤义.我国上市公司财务困境的预测模型研究［J］.经济研究,2005，（6）.

［2］吕长江，赵岩.上市公司财务状况分类研究,会计研究［J］.2004，（11）.

公司财务困境范文第3篇

一、财务困境预测模型研究的基本问题

财务困境(Financialdistress)又称“财务危机”(Financialcrisis)，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”(Defaultrisk)。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。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(1983)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，而且又无其他途径获得资金时，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，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著的差异。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。

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(1999)以1998年的27家ST公司和27家非ST公司，使用了1995―1997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1998―2000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，因此与样本中的其他公司不具有同质性；(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，与其他样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著的变量。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著的6个指标为模型的判定指标，应用线性概率模型、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“公务员之家”版权所有

公司财务困境范文第4篇

一、财务困境预测模型研究的基本问题

财务困境(Financialdistress)又称“财务危机”(Financialcrisis)，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”(Defaultrisk)。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。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(1983)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，而且又无其他途径获得资金时，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，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著的差异。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。

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(1999)以1998年的27家ST公司和27家非ST公司，使用了1995―1997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1998―2000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，因此与样本中的其他公司不具有同质性；(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，与其他样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著的变量。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著的6个指标为模型的判定指标，应用线性概率模型、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

公司财务困境范文第5篇

一、财务困境预测模型研究的基本问题

财务困境(Financialdistress)又称“财务危机”(Financialcrisis)，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”(Defaultrisk)。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。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(1983)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，而且又无其他途径获得资金时，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，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著的差异。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。

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(1999)以1998年的27家ST公司和27家非ST公司，使用了1995—1997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1998—2000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，因此与样本中的其他公司不具有同质性；(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，与其他样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著的变量。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著的6个指标为模型的判定指标，应用线性概率模型、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著差异，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著的差异；(2)Z值随着ST发生时间的临近而显著增大，即二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年中具有显著的预测能力。

表121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著的财务指标，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7．0696，差异性非常显著，但在单变量判定分析中误判比率却高达24．46％。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。

表3负债比率在财务困境前1-5年的判定模型

表5资产周转率在财务困境前1-5年的判定模型

(三)多元线性判定模型的变量选择分析

本研究首先应用LPM，采用逐步回归选择变量方法，对5年的样本数据依次进行回归，从21个变量中选择若干变量。选择的标准是：F值的概率值小于0．10时进入，大于0．11时剔除。

利用财务困境前1至5年的数据，分别进行逐步回归，结果如表6所示。我们最终选取了Xl(盈利增长指数)、X3(资产报酬率)、X7(流动比率)、X11(长期负债与股东权益比率)、X12(营运资本与总资产比)、X19(资产周转率)等6个指标作为多元判定分析的变量。选取这些指标的原因是：(1)以财务困境前1年的逐步回归结果为主，参考其他年份的回归结果。由剖面分析可知，财务困境前1年的财务指标作为财务困境预测的信息含量最多，时效性最强；离财务困境发生的时间越远，指标的信息含量越少，时效性越差。所以，财务困境前1年逐步回归所得的变量全部入选。结合其他年份特别是财务困境前2年的结果，营运资本总资产比、速动比率、负债比率、应收账款周转率是表现较好的变量。(2)兼顾全面综合的信息反映，适当避免同类信息的重复反映。首先，财务困境前1年逐步回归所得的变量盈利增长指数、资产报酬率、长期负债股东权益比率、资产周转率分别是反映企业成长能力、盈利能力、长期偿债能力、营运能力的指标，但没有反映短期偿债能力的指标。营运资本与总资产比是财务困境前2年逐步回归所得的变量之一，而且参数估计值的显著性水平在0．05之上，故也把该变量作为预测变量之一。其次，速动比率是反映短期偿债能力的指标，但更能全面反映短期偿债能力是流动比率，结合剖面分析，历年两组间的流动比率和速动比率均值差异性检验统计量Z值比较接近，表明这二个指标都能反映的两组的差异性。因此，从反映短期偿债能力的全面性来考虑，我们在建模时选择了流动比率，舍弃了速动比率。再次，考虑到若企业短期偿债能力较强，会减少其在短期内陷入财务困境的概率，因此把短期偿债能力的两个指标——营运资本与总资产比和流动比率同时引入预测变量组合，加强短期偿债能力信息在预测中的比重。第四，负债比率与长期负债股东权益比同是反映企业长期偿债能力的指标，长期负债股东权益比已在财务困境前1年引入了变量组合，为避免信息的重复反映，舍弃了负债比率。最后，应收账款周转率与总资产周转率同是反映营运能力的指标，但应收账款周转率不及总资产周转率反映全面，所以反映营运能力的指标选用总资产周转率，舍弃应收账款周转率。

表6各年逐步回归的所得的变量结果

(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著的财务指标，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7．0696，差异性非常显著，但在单变量判定分析中误判比率却高达24．46％。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。

表3负债比率在财务困境前1-5年的判定模型

表5资产周转率在财务困境前1-5年的判定模型

(三)多元线性判定模型的变量选择分析

本研究首先应用LPM，采用逐步回归选择变量方法，对5年的样本数据依次进行回归，从21个变量中选择若干变量。选择的标准是：F值的概率值小于0．10时进入，大于0．11时剔除。

利用财务困境前1至5年的数据，分别进行逐步回归，结果如表6所示。我们最终选取了Xl(盈利增长指数)、X3(资产报酬率)、X7(流动比率)、X11(长期负债与股东权益比率)、X12(营运资本与总资产比)、X19(资产周转率)等6个指标作为多元判定分析的变量。选取这些指标的原因是：(1)以财务困境前1年的逐步回归结果为主，参考其他年份的回归结果。由剖面分析可知，财务困境前1年的财务指标作为财务困境预测的信息含量最多，时效性最强；离财务困境发生的时间越远，指标的信息含量越少，时效性越差。所以，财务困境前1年逐步回归所得的变量全部入选。结合其他年份特别是财务困境前2年的结果，营运资本总资产比、速动比率、负债比率、应收账款周转率是表现较好的变量。(2)兼顾全面综合的信息反映，适当避免同类信息的重复反映。首先，财务困境前1年逐步回归所得的变量盈利增长指数、资产报酬率、长期负债股东权益比率、资产周转率分别是反映企业成长能力、盈利能力、长期偿债能力、营运能力的指标，但没有反映短期偿债能力的指标。营运资本与总资产比是财务困境前2年逐步回归所得的变量之一，而且参数估计值的显著性水平在0．05之上，故也把该变量作为预测变量之一。其次，速动比率是反映短期偿债能力的指标，但更能全面反映短期偿债能力是流动比率，结合剖面分析，历年两组间的流动比率和速动比率均值差异性检验统计量Z值比较接近，表明这二个指标都能反映的两组的差异性。因此，从反映短期偿债能力的全面性来考虑，我们在建模时选择了流动比率，舍弃了速动比率。再次，考虑到若企业短期偿债能力较强，会减少其在短期内陷入财务困境的概率，因此把短期偿债能力的两个指标——营运资本与总资产比和流动比率同时引入预测变量组合，加强短期偿债能力信息在预测中的比重。第四，负债比率与长期负债股东权益比同是反映企业长期偿债能力的指标，长期负债股东权益比已在财务困境前1年引入了变量组合，为避免信息的重复反映，舍弃了负债比率。最后，应收账款周转率与总资产周转率同是反映营运能力的指标，但应收账款周转率不及总资产周转率反映全面，所以反映营运能力的指标选用总资产周转率，舍弃应收账款周转率。

表6各年逐步回归的所得的变量结果

为了避免多重共线性，对选定的6个变量进行多重共线性检验。本文使用的检验指标是容许度(TOL)和方差膨胀因子(VIF)。计算公式为：

TOLj=1—R2j=1／VIFj

其中，群为均对其余k—1个自变量回归中的判定系数R2。当TOL较小时，认为存在多重共线性。一般地，方差膨胀因子VIF大于10，认为具有高的多重共线性。VIF检验的结果见表7。从表7可知，6个变量的VIF均小于10，可认为各变量之间不存在显著的多重共线性。

表7多重共线性检验

(四)多元线性判定模型的估计结果

1．LPM模型。根据上述选定的6个变量及其财务困境前1年的样本数据，得到LPM模型的回归结果如表8所示。LPM模型的方程可表示为：

Y=0．3883+0．1065x1-2．7733x3+0．0537x7+0．1970x11-0．3687Xl2-0.1388x19

其中：Y是陷入财务困境的概率；X1是盈利增长指数；x3是资产报酬率；x7是流动比率；X11，是长期负债股东权益比率；x12是营运资本／总资产；X19是资产周转率。