关键词：综合类上市公司财务危机判别分析逻辑回归神经网络

摘要：以1998—2004年沪深两市首次被特别处理的A股综合类上市公司为研究对象，通过均值比较、配对样本T检验和Z检验，从9个方面的27个研究变量中选取了9个差异显著的变量，建立了危机前(t-2)年的判别分析模型、逻辑回归模型和人工神经网络模型。各种模型均取得较高的预测效果，尤其是判别分析模型，判正率高达89.29%。

中图分类号：F234.4文献标识码：A

Tentativeresearchforforecastingmodel

ofFinancialCrisisforComprehensivelistedcompanies

YANGhua

(AccountingSchool,ShandongUniversityofFinance,Jinan250014,China)

keywords：Comprehensivelistedcompanies;financialcrisis;discriminateanalysis;logisticregression;neuralnetwork

Abstract：ThispaperregardsAShareComprehensivelistedcompaniesasitsresearchobjects,whichwerespeciallytradedforthefirsttimefrom1998to2004ofShanghaiandShenzhenstockexchanges.9outstandingvariablesarechosenfrom27about9facetsthroughmeansCompare,paired-samplesTtestandZtest.Fisher’twoLinearDiscriminantAnalysis,TwoLogisticRegressionandArtificialNeuralNetworkareusedtosetupthemodelstoforecastfinancialcrisisofComprehensivelistedcompaniesinthelasttwoyears.Thesemodelsallobtainhigherestimateresults,especially,thepositiverateofDiscriminantAnalysisisupto89.29%.

现代企业制度中最典型的是现代公司制，而上市公司又是现代公司制的最高形式。与非上市公司和有限责任公司相比，上市公司的最大特点就是可以通过证券市场筹集资金。有了充足的资金，公司可以增加产品生产、加速产品开发与市场开拓，从而提高经营业绩，更好地回报投资者和债权人等利益相关者。但随着证券市场的快速发展，市场竞争日益变得激烈，部分上市公司经营业绩不容乐观，出现了亏损、财务状况异常甚至更为严重的情形，最终受到特别处理甚至面临退市危险，使利益相关者遭受到巨大损失。为防范、化解这些风险，国内外学者已经进行了许多有效的探索，并已取得丰硕的研究成果。但大多数学者只是研究适用于每个行业的通用模型，忽略了行业之间的不同。HarlanDPlatt和MatjorieBPlatt(1990)检验与产业相关的财务指标、营运指标和产出的变化与公司经营失败的关系时发现，用产业因素调整后的模型事前和事后的分析效果较佳。

本文以我国1998—2004年沪深两市首次被特别处理的A股综合类上市公司作为研究对象，探讨对其陷入财务危机具有重要作用的因素，以建立具有较高预测率的模型，为证券市场上的利益相关者作为决策时的参考。

一、文献回顾

(一)国外学者的行业财务危机预警研究状况

Altman和Loris(1976)利用净收入/总资产、(总债务+次级债务)/股本、总资产/调整后的净资产、(期末资本－本期资本增加额)/期初资本、调整后的企业历史年限、综合评分等6个指标组成多因素模型对全美证券商协会(NASD)的40个经营失败公司和113个正常公司构成的样本进行分析，成功率高达90%以上。

Ward(1994)选择了1988—1989年385个企业的数据，发现现金流量指标尤其是投资活动产生的现金流在预测采掘、石油和天然气行业中的财务危机方面作用明显，而经营活动产生的现金流在预测非资源性行业中较为重要。

Pottier(1998)使用1990—1992年48家破产的寿险公司数据，比较了评级和评级变化与总资产、财务比率、财务比率结合评级和评级变化在预测破产方面的作用，结果发现结合财务比率、评级和评级变化的方法比单独使用财务指标能更为有效地预测破产。

(二)国内学者的行业财务危机预警研究状况

国内许多学者都指出，行业财务危机预警研究是财务危机预警未来的发展趋势之一。但到目前，由于样本量的不足，国内学者对这一方面做的研究较少。

张祥，陈梅(2004)选取1998—2003年间55家制造业被特别处理(ST)的公司，通过对单变量模型、多元判别分析模型和Logistic回归模型的分析和比较，发现行业模型的变量选取和预测准确性均有所不同，其模型拟合程度和预测准确性明显高于通用模型，主营业务利润/税前利润和主营业务利润/总资产是具有较强预测性的比率。

梁飞媛(2005)从现金流角度出发，选择机械设备行业为实证对象，从19个现金流指标中用多元逐步判别分析法选择出具有显著预测能力的现金流指标建立典则判定模型和Fisher线性判定模型，模型均取得较高的判正率。

我国学者虽然在该领域的研究起步较晚，但都注重借鉴国外已有模型的优点，通过比较研究的方法建立预测准确率较高的模型。本文也汲取这一经验，分别用Fisher二类线性判别分析、二元Logistic回归和人工神经网络建立模型。

二、财务危机界定和样本选取

(一)财务危机界定

财务危机的形成并不是短期的，而是有较长的潜伏期，要经历从量变到质变、渐变到突变的过程。国外学者对财务危机的界定大都使用破产标准，但破产实质上是一种法律现象，除主要受经济因素影响以外，还要受政治及其他非市场因素的影响。我国企业《破产法》虽然在1988年11月1日就已执行，但迄今为止还没有一家上市公司破产，所以国外学者的做法在我国目前阶段是行不通的。

早在1993年颁布的《公司法》就规定了上市公司暂停上市和终止上市的条件，1997年沪深《证券交易所上市规则》再次提出退市问题。1998年3月16日，证监会了《关于上市公司状况异常期间的股票特别处理方式的通知》，通知规定“上市公司连续两年亏损或者每股净资产低于股票面值，将实施特别处理，简称ST(SpecialTreatment)”。为了给暂停上市股票提供合法流通渠道，1999年7月证监会对连续亏损三年以上的企业实施“特别转让服务”，简称PT(ParticularTransfer)。这两个制度在初期曾对上市公司起过制约和鞭策作用，但是资产重组的魅力和上市公司“壳资源”的稀缺反而使得ST、PT公司逐渐成为市场的“宠儿”，不仅没有减弱市场的投机气氛，而且投资者的风险意识也没有明显增强。2001年2月24日，证监会正式了《亏损上市公司暂停上市和终止上市实施办法》，这是我国证券市场有关退市机制首份具体操作性文件。

本文就以1998—2004年沪深两市在上述文献背景下因财务状况异常(ST)或退市风险警示(*ST)而首次被特别处理的综合类A股上市公司为研究对象。

(二)样本选取

按照证监会于2001年4月公布了《上市公司行业分类指引》规定的行业分类，1998—2004年综合类上市公司被施以ST的共计31家。

以上市时间在同一年或相差一年为配对原则，挑选非ST综合类上市公司作对照样本。如果不满足配对原则，将ST综合类公司剔除。符合配对原则的有28对综合类公司，其中上市时间在同一年的21对，占75%；相差一年的7对，占25%。28家ST综合类上市公司组成危机样本组S1，28家非ST综合类上市公司组成对照样本组S2。采用(t－2)年的数据和指标建立模型来预测公司在第t年是否因财务危机而被特别处理。

三、研究变量挑选及检验

(一)研究变量选取

2002年，财政部等五部门共同颁布了《企业效绩评价操作细则(修订)》。该细则由反映企业财务效益状况、资产营运状况、偿债能力状况和发展能力状况四方面内容的指标构成。借鉴该财务评价体系，并结合我国上市公司的财务特点，初步选择与这四个方面有关的19个财务指标组成研究变量。

另外，借鉴国内外学者的研究经验，选择部分与上市公司资本结构、股权结构、股权扩张有关的变量及与注册会计师审计有关的变量。本研究未将资产规模作为选取配对样本的标准，而是取总资产的对数作为一个变量引入(研究变量及其评价内容详见表1)。

(二)研究变量显著性检验

1均值检验

危机样本组S1与对照样本组S2的研究变量的均值都存在显著的差异，以利息保障倍数X3的差异最为显著。

2配对样本T检验和Z检验

根据S1与S2的同一研究变量的配对，进行配对样本T检验和Z检验。零假设H0均为：S1与S2的研究变量间不存在显著差异。如果显著性水平相应P值小于或等于设定的值α，则应拒绝H0，即认为两者的研究变量间有显著差异。本文中设定的α=0.05。

S1与S2的T检验有10个变量差异显著，Z检验有14个变量差异显著(表1)。具体分析如下：

(1)反映成长能力的研究变量作用非常显著

投资者对上市公司投资，无非是期望能够获得公司股票未来丰厚的现金股利和诱人的股价上涨空间。现金分红、股价上涨都离不开公司的成长。一家没有成长性的公司除了勉强维持现有的状态以外，是无法抽出资金回报股东的。配对样本Z检验显示，所选的体现成长能力的3个变量均在1％水平上作用显著。

(2)反映股权扩张能力的变量作用非常显著

对上市公司来说，每股收益和每股净资产是两个非常重要的指标，尤其是每股净资产在理论上提供了股票的最低价值。每股净资产决定着上市公司是否会成为ST，即当上市公司的每股净资产低于股票面值时，就会被ST。

(3)反映营运能力、年报批露的研究变量作用较为显著

反映营运能力的3个变量中有2个检验显著，值得注意的是在张祥关于制造业财务危机预警中发现存货周转率在(t－2)年显著但在综合类上市公司中，S1和S2的差异不明显。

(t－2)年，S1共有15家被出具非标准审计意见，占样本总量的54％；而S2仅有4家公司被出具了非标审计意见，仅占14％。

(4)反映偿债能力、盈利能力的研究变量作用不太显著

这两类变量在张祥的研究中差异普遍显著，但在本研究的T检验中都仅有一个变量通过检验。说明S1与S2相比而言，偿债能力和盈利能力，特别是偿债能力没有很大的差别。可见，综合类上市公司与制造业公司相比，对其陷入财务危机具有重要作用的变量是不同的，也反映出研究行业财务危机预警的必要性。

(5)反映资本结构、股权结构和资产规模的变量作用不显著

固定资产净值率反映固定资产的新旧程度和生产能力，S1与S2的该指标间不存在显著差异；股权是否集中对所选综合类上市公司也没有影响，因为第一大股东持股比率在50％以上的公司，S1有3家、S2有2家；大多数研究都将资产规模作为选择配对样本的标准，本文将总资产取对数后作为一个变量引入，但检验中未发现S1和S2有显著差异。

表1配对样本T检验和Z检验

配对研究变量T值显著性Z值显著性评价内容

1资产负债率X11.60960.1191-1.38130.1672偿债能力

2股东权益比率X21.77030.088-0.7970.4255

3利息保障倍数X3-1.17390.2507-3.27910.0010*

4长期负债权益比率X4-0.14330.8871-0.09110.9274

5产权比率X51.82640.0789-1.26930.2043

6流动比率X6-1.25510.2202-1.91280.0558

7速动比率X7-1.61690.1175-1.79890.072

8现金比率X8-2.99950.0058*-3.02860.0025*

9固定资产周转率X9-2.7860.0096*-3.4840.0005*营运能力

10存货周转率X10-1.29950.2048-1.27520.2022

11应收帐款周转率X11-2.44170.0215**-2.52760.0115**

12净资产收益率X12-1.46290.155-4.07610.0000*盈利能力

13资产收益率X13-3.6150.0012*-4.23550.0000*

14毛利率X14-1.87380.0718-2.20880.0272**

15净利润率X15-1.71390.098-4.14440.0000*

16主营利润比重X160.42060.6774-0.97920.3275

17销售增长率X17-2.1690.0391**-2.61870.0088*成长能力

18资本积累率X18-4.89640.0000*-4.00780.0001*

19资产扩张率X19-5.37750.0000*-4.16720.0000*

20固定资产净值率X20-0.96340.3439-1.22970.2188资本结构

21每股净资产X21-4.52340.0001*-3.6890.0002*股权扩张

22每股收益X22-5.26060.0000*-4.09890.0000*

23第一大股东持股比率X230.40750.6868-0.52370.6005股权结构

24前三大股东持股比率X240.84250.4069-0.88810.3745

25审计意见X253.03360.0053*-2.66790.0076*年报批露

26变更事务所X260.62550.5369-0.63250.5271

27资产规模X27-1.2970.2056-1.27520.2022资产规模

注：*、**分别表示在1％和5％的水平下统计显著(双尾检验)

(三)相关系数检验

对在配对样本T检验和Z检验中作用均非常明显的10个研究变量的相关系数进行检验。

在5%的显著性水平下，销售增长率X17与资产扩张率X19的相关系数为0.622，资产扩张率X19与每股净资产X21的相关系数为0.681。他们的相关系数均超过0.6，为消除多重共线性的影响，按变量间相关性较小为优原则，经比较，剔除变量X19。经上述研究过程后，最初选的27个研究变量缩减为9个(表2)。

表2筛选后取得的研究变量

研究变量评价内容研究变量评价内容

现金比率X8偿债能力销售增长率X17成长能力

固定资产周转率X9营运能力资本积累率X18

应收帐款周转率X11营运能力每股净资产X21股权扩张

资产收益率X13盈利能力每股收益X22

审计意见X25年报批露

四、实证分析

财务危机预警模型按照是否具有自我学习功能，可以划分为静态和动态两大类。前者包括Beaver的单变量判定模型、Altman的多元线性判定模型及Olhson的多元逻辑回归模型等。动态财务预警主要使用人工智能技术，其中具有代表性的是神经网络模型和案例推理模型。

本文分别使用静态模型中的Fisher二类线性判别分析、二元Logistic回归和动态模型中的人工神经网络方法建立模型。因变量Y为虚拟变量，表示上市公司是否出现财务危机，出现财务危机设为1，没有出现财务危机设为0。

(一)静态方法建模

1Fisher二类线性判别分析建模

Fisher二类线性判别分析是一种采用Fisher线形判别函数系数、考虑只有两个变量的判别分析方法。即：Z=c1X1＋c2X2＋c3X3+…＋cnXn，其中Z为判别值，X1、X2、X3、…、Xn为研究变量，c1，c2，c3，…，cn是待求的判别函数系数。

利用SPSS软件，得到的(t-2)年综合类上市公司财务危机预警模型和财务健康模型分别为：

Zs1=－9.6599＋0.4149X8＋0.7521X9＋0.2683X11－3.5073X13－0.3936X17－13.1698X18＋7.3110X21＋2.3022X22＋4.514X25

Zs2=－15.7149＋0.7719X8＋1.0342X9＋0.3585X11－9.3332X13－0.2608X17－14.5654X18＋9.7383X21＋8.1403X22＋3.8693X25

以0为分割点，通过对模型的回代判定预测检验发现，财务健康公司的预测准确率为85.71%，财务危机公司的预测准确率为89.29%。

2二元逻辑回归建模

由二元逻辑回归拟合的方程可表示为：ln[p/(1-p)]=a+∑biXi，其中p是上市公司发生财务危机的概率；Xi是影响财务危机的第i个因素，i=1，2，…，m；a，bi(i=1，2，…，m)是待估参数。F值的选择标准是：相应p值小于0.05时引进，大于0.10时剔除。

(t-2)年综合类上市公司财务危机预警模型为：

以0.5为分割点，模型对危机公司的回代判定预测准确率为82.14%。

3静态财务危机预警方法建模总结

(1)静态预警方法对危机样本组S1的预测正确率均超过80％，说明预测效果较好。

(2)Fisher二类线性判别分析比二元逻辑回归建模的预测准确率高3.6个百分点，即在危机前(t-2)年，Fisher二类线性判别分析对综合类危机公司的预测效果更好。

(二)动态方法建模

人工神经网络(ArtificialNeuralNetwork，简称ANN)是对生理上真实的人脑神经网络的结构和功能及基本特征进行理论抽象、简化和模拟而构成的一种信息系统，具有非线性映射、自适应学习和较强容错性的特点。BP人工神经网络是其中一种比较典型的学习算法，主要结构是由一个输入层，一个或多个隐含层和一个输出层组成，各层由若干个神经元(节点)构成。

以表2的9个研究变量作为输入点P1，输出点P3只有一个，即因变量Y。隐藏层P2根据公式(2P1+P3)1/2<P2<2P1+1并结合实际试算结果确定为5个，得到的BP网络模型结构是9×5×1。选取学习率η=0.1，动态参数α＝0.8，系统误差ε=0.006，经过上千次运算得到相关矩阵。

其中，输入层到隐含层的权值矩阵Wjh(9×5)、隐含层到输出层的权值矩阵Whi(5×1)及最终的BP网络结构分别为：

-2.3319-0.20772.6769-1.73581.8744-4.9816

2.7675-0.42671.14160.99482.267-61.1174

4.504-0.05713.499-1.1188-3.3428-9.6837-35.9874

0.77091.1794-1.84640.40050.8552-2.178-4.8566

Wjh(9×5)=-4.3374-0.3962-1.01510.47254.8495Whi(5×1)=-8.1793BP网络结构＝5.6451

1.83551.2923-0.38913.7484.9813-5.9814-83.6816

-1.56180.55896.79491.5336-0.5487-8.8043-46.013

4.27970.0622-2.00311.30712.5699-55.6393

2.29450.7257-0.1975-0.6595-0.6956-12.1154

通过回代判定发现，5家非ST被预测为ST，模型的预测正确率为82.14%，与二元逻辑回归的正确率一样，但低于Fisher二类线性判别分析的预测效果。

五、结论

本文选用9个方面的27个研究变量，通过均值比较、配对样本T检验和Z检验，发现综合类公司的财务危机预警中，效果最明显的是反映成长能力的变量，这不同于制造业公司，也说明进行某一行业的财务危机预警是非常有必要的。在研究方法上，既采用了判别分析、逻辑回归等静态建模方法，又采用了人工神经网络等动态建模方法。各种方法均取得了较高的预测准确率，但相比而言，Fisher二类线性判别分析的预测准确率最高。由于我国1998年才开始编制现金流量表，而本研究的跨度较长，研究样本涉及的数据须从1996—2002年，因此并未选取有关现金流量的指标。

参考文献

[1]EdwardIAltmanandBettingLoris.AFinancialEarlyWarningSystemforOver-the-CounterBroker-Dealer[J].JournalofFinance,1976,(4):1201–1217

[2]TerryJWard.AnEmpiricalStudyoftheIncrementalPredictiveAbilityofBeaver''''sNaiveOperatingFlowMeasureUsingFour-StateOrdinalModelsofFinancialDistress[J].JournalofBusinessFinanceandAccounting,1994,(6):547–561

[3]StevenWPottier.LifeInsurerFinancialDistress,Best''''sRatingsandFinancialRatios[J].TheJournalofRiskandInsurance,1998,(2):275–288

[4]张祥,陈梅.制造业财务预警模型研究[J].华中科技大学学报(社会科学版),2004,(3):61–64

[5]梁飞媛.基于现金流的财务危机预警系统实证研究—以机械设备行业为例[J].财贸经济,2005,(2):23–27