我国化工企业的财务预警模型构建及其检验——基于Logistic回归方法

胡跃红， 黄 婧

(长沙理工大学 经济与管理学院，湖南长沙 410114)

一、引言

财务困境[1](Financial distress)通常又称为财务失败、财务危机，是指企业的现金流不足以补偿现有负债，而使企业面临或遭受严重挫折的危险与紧急状态。财务困境预警系统(Financial difficulties warning system)，是在分析企业生产经营状况、财务状况及其它经营管理信息的基础上，根据预警系统发出的信号，对财务危机发生的可能性进行预报并为控制危机提供决策的一类系统。它能够预知企业财务危机的征兆，投资者和股东可以利用它来识别企业潜在的风险，及时处理现有投资，以达到减少投资损失的目的。债权人、银行和其他非银行金融机构，也可以利用这种预警分析做出相应的信贷决策与控制。

对财务困境预警系统的研究，国外进行的比较早，Fitzpatrick[2]使用了单变量一元判定模型，表明净利润/股东权益和股东权益/负债是对企业破产预测能力最高的两个财务比率指标。同样使用一元判定模型，Beaver[3]的研究则发现利用营运资金流量/总负债可以对公司的破产进行预测，其精度可以达到87%。Altman[4]提出多元线性判定模型。多元线性判定模型具有更高的预测精度，但是使用此模型做研究的工作量比较大，且它对前两年、前三年的预测精度较低；另外，它还要求解释变量中的两组样本具有等协方差、以及解释变量的样本呈正态分布。Ohlson[5]用Logistic回归模型分析了1970年-1976年间破产的105家公司和2 058家公司，他发现利用公司规模、当前的变现能力进行财务危机的预测准确率达到96.12%。后来，也有学者提出了一些新的财务困境预警方法，如Probit判别分析法(Zmijewski[6])、人工神经网络模型(Odom[7])、联合预测模型(Ahn[8])，但近几年还是Logistic回归方法的使用较为普遍。Hu和Ansell[9]使用Logistic回归模型等五种方法预测美国、欧洲和日本的企业的财务困境，研究发现Logistic回归模型具有较好的预测能力。还有Hua[10]、Shih等[11]的研究也表明了Logistic回归模型具有较好的预测能力。近年来，国内涌现大批学者进行财务预警系统的研究，多采用一元判定模型、多元判别模型和Logistic回归模型。最早是陈静[12]构建了一元判别模型，研究结果显示在上市公司发生财务困境的前1～3 年判定准确率分别为92.6% 、85.2%及79.6%。吴世农和卢贤义[13]建立了三种预测财务困境的模型，结论表明：对于相同数据集，Logistic回归模型对于财务困境的误判率是最低的，仅为6.47%。黄善东和杨淑娥[14]使用Logistic回归预测模型，发现第一大股东派出董事比例与公司发生财务困境的概率之间呈现显著的负相关关系。徐春红和路正南[14]的研究也表明Logistic回归模型对商业银行识别和评估信用风险比较有效。

在以往对财务困境预警系统的研究中，学者选取不同的财务指标会得到不同的预测准确度，且目前并没有公认选取哪些财务指标来进行预测；另外，在对财务困境预警系统的研究中，针对某一行业的研究也很少。本文以我国化工类11家ST和54家非ST上市公司作为样本，选取53个财务指标，经过Wilcoxon秩检验刷选后得到33个财务指标；然后，在对选取样本公司的33个财务指标进行因子分析之后，利用所计算出的因子作为变量再进行Logistic回归，最终建立化工企业财务困境预警系统。

二、数据和实证方法

(一)数据

(1)样本的选取

在我国，当某上市公司连续两年出现财务状况或其他异常状况时，则证券交易所会对该上市公司实行特别处理[15](简称ST)。因此，如果某公司被实行特别处理(ST)，在很大意义上，意味着该上市公司出现了财务困境。

本文则将公司近五年第一次被实行特别处理(ST)作为陷入财务困境的标志。假定该化工上市公司是在t年被宣布实施特别处理(ST)，因此，获取该公司t-2年财务数据作为财务困境企业样本数据；而财务状况良好企业(非ST)，则选取在2009年1月1日前上市，且2009、2010、2011连续三年净利润为正的化工上市公司，获取这些公司2009年财务数据作为财务状况良好企业样本数据。最终确定了一个由65家化工行业上市公司组成的样本来构建模型。其中包括11家ST公司，54家非ST公司。

(2) 指标设定

选取财务比率变量[16]作为研究指标。但是，由于财务比率指标的计算可以依据不同的计量方法，使同一个财务比率指标的计算结果不一致，因此，本文在刘国风[17]选取20个财务指标(分为五大类)的基础上考虑更加全面，选取53个财务指标，包括长期偿债能力、短期偿债能力、盈利能力、营运能力、现金流量比率、发展能力、股东获利能力七大类。其分类方法和数据来自于国泰安金融数据库。

(二)实证方法

由于Logistic回归模型[18]不需要严格的假设条件，适用范围很广，且其预测的精确度较高，所以本文使用Logistic回归模型作为财务预警模型。

Logistic回归的假设前提是：a.模型中所有变量的数据必须来自随机样本；b.被解释变量Yi为二分变量；c.被解释变量Yi被假定为k个解释变量Xji(j=1，2，…，k)的函数，被解释变量与解释变量之间是非线性关系；d.每一个解释变量之间不存在多重共线性关系。

Logistic回归模型判别的基本思想是：设Xji为第i个财务困境公司的第j个指标的预测变量向量，那么该公司陷入财务困境的概率Pi和Xji之间存在如下回归关系：

(1)

回归模型中Pi的预测最大值趋近1，最小值趋近0，所以常被用于非线性0-1分类预测。本文选择0.5作为Logistic回归模型的判断点，即当回归模型计算出的概率Pi大于等于0.5时，该公司被判别为财务正常企业，当Pi小于0.5时，则被判别为财务困境企业。

三、实证检验与分析

(一)Wilcoxon秩检验

由于数据过于庞大，所选择的财务比率指标过多，并且它们是否能够真正反应公司财务困境状况也不明确，于是本文根据陈肇荣[19]的研究，通过对ST企业和非ST企业的数据进行Wilcoxon秩检验，比较中值差异，从而判断两类企业财务比率指标的显著差异性，保留差异显著的财务比率指标。

通过检验得知，其中有20个财务比率没有通过Wilcoxon秩检验(检验结果见表1)，可以认为这些财务比率指标对于判定企业财务困境没有太大意义，所以只需进一步分析的财务比率指标为剩下的33个。

(二)因子分析

因子分析[20]是将实测的多个指标，用少数的几个潜在因子的线性组合表示出来。为了更好的克服变量之间的多重共线性且又尽可能的保留财务比率变量所包含的信息，所以对筛选的33个财务比率指标采用主成分法进行因子提取。

首先进行KMO和Bartlett`s检验[21]，从检验结果看，本文所采用的33个财务比率变量是适合做因子分析的。为了尽可能的保留原信息，本文在累计方差贡献率大于80%的基础上，进行最大方差旋转，选取了6个具有代表性的因子，且这六个因子的方差贡献率等于82.277%(见表2)，说明这六个因子对财务指标的覆盖率达到了82.277%。

对旋转后因子载荷矩阵进行归纳和总结。如表3所示。

表1 Wilcoxon秩检验结果表

表2 主因子的特征值和贡献率

F1在财务比率X1、X2、X3、X4、X5、X6、X7、X8、X9、X35、X40和X41上有较大载荷，说明这12个指标有着较强的相关性，可以归为一类，从这些变量所表示的财务比率含义上看，F1可以作为反应公司债务状况的指标。依此类推，F2表示公司获利状况，F3表示公司权益增值能力，F4代表公司资金周转能力，F5代表公司股东获利能力，F6反映公司资产增值能力。

表3 主因子分析法

(三)Logistic回归模型预测检验

(1)模型回归

本文将财务困境(ST 类)企业和非财务危机(非 ST 类)企业分别记为 0 和 1，利用在因子分析中得出的6个主因子，采取Logistic回归中的Forward Stepwise方法构建模型，最终模型的拟合优度检验表结果如下，-2LL为7.611，Cox & Snell R2统计量为0.547， Nagelkerke R2统计量为0.916，说明模型拟合效果比较好。

表4 最终模型的拟合优度检验结果

由SPSS得出的回归模型中，因子F4、F5、F6系数不显著，所以最终模型只包括因子F1、F2、F3，下表显示出了最终模型的系数及其统计量。

表5 最终模型的估计系数及其统计量

构建的回归模型表示为：

其中，Yi=6.924+1.148F1+11.598F2+1.162F3(0.021)(0.095)(0.04)(0.064)

F1=0.183X1+0.167X2+0.164X3+0.063X4+0.095X5-0.064X6+0.175X7+0.064X8+0.061X9-0.056X35+0.091X40+0.103X41

F2=0.183X26+0.017X27+0.172X28+0.092X29+0.101X30+0.065X31+0.093X32-0.169X33+0.055X46+0.078X51

F3=0.248X36+0.248X37+0.269X47+0.171X53

被纳入模型的因子F1、F2、F3分别反应了企业的债务状况、获利状况、以及权益增值能力，共覆盖了26个财务指标。

(2)最终模型的预测效果

根据上述Logistic回归结果，以0.5作为拟合检验的临界值，对建模样本企业进行判定[22]。如果得到的P值大于0.5，则判定样本为财务正常企业；否则为财务困境企业。模型的预测效果如表6所示。

表6 预测效果判定

从预测分类表看，总体预测准确率为98.5%，相对于当模型中不包含这些解释变量时，预测准确率为52%有大幅度的提高。这说明本文所选用的企业的债务状况、获利状况、以及权益增值能力具有较大的预测能力。

四、结论[23-25]

财务困境预警系统能够预知企业财务危机的征兆，预防财务危机发生或控制其进一步扩大，它对公司的投资者和债权人都具有重大的意义。本文借助Wilcoxon秩检验比较11家ST与54家非ST化工企业的53个财务比率指标，筛选出能够较好反应企业财务状况的33个财务比率指标，利用因子分析法进行统计处理，构建相应的Logistic回归模型，获得具有较高准确性的化工企业财务困境预警系统。主要研究结果如下：

(1)在建立的化工企业财务困境预警系统中，3个主因子变量的系数都为正数，这表明当F值(因子得分)增大，相应的P值就会变大，即当F所表示的财务含义有增大趋势时，公司的财务状况也趋向于良好。另外，三个主因子当中F2的系数是最大的，也就表明F2代表的企业获利状况越好，该企业的财务状况就越好。因此，当公司处于财务困境当中时，必须着重改变自己的获利能力来摆脱危机。

(2)利用各个财务比率变量与主因子得分之间的关系可以进一步分析财务比率与公司财务困境之间最为直接的关系。以F1进行举例说明，对于表示债务状况的主因子F1与流动比率、速动比率、营运资产比率、现金流量比率、营运资产占资产总额比重、所有者权益比率、权益负债比率、长期资产适合率、现金流量比率、债务保障率成正比，表示其中这些财务比率的提高都会引起F1的增加，从而就会影响到P值的增大，公司陷入财务困境的几率就越小；同时与资产负债率、财务费用率成反比，表明这两个比率的降低都会引起F1的增大，从而增加P值。另外，相对而言X1(流动比率)、X2(速动比率)、X3(现金流量比率)、X7(权益负债比率)系数比较大，即它们对F1的影响较大，从而可以判定这些财务指标需要引起特别的重视。

(3)经过上述一系列的统计分析，得到3个主因子，以及它们所涵盖的26个原始财务指标，最终得出了一个Logistic回归模型，因此建立了我国化工企业财务预警系统，该系统的财务困境预测准确率高达98.5%。因此，某企业是否会陷入财务困境时，可以使用本文的财务困境预警系统进行判定。

[参考文献]

[1]RossS. A.，WesterfieldR.W.，Jaff J. F.公司理财[M].北京：机械工业出版社，1999.

[2]Fitzpatrick P.J. A Comparison of Ratios of Successful Industrial Enterprises with Those Failed Finns [J].Certified Public Accountant,V0l.2,1932.

[3]Beaver W.H. Financial Ratio as Predictor of Failure[J].Journal of Accounting Research 1966,(supplement to V01.5)：71-111.

[4]Edward I., Altman. Financial Ratios Discriminate Analysis and The Prediction of Corporate Bankruptcy[J]. The Journal of Finance, Sep 1968,589-609.

[5]Ohlson J. Financial Ratio and the Probabilistic Prediction of Bankruptcy [J].Journal of Accounting Research,1980,18(1)：109-131.

[6]Zmijewski M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research,1984 (Supplement to Vol.22)：61-82.

[7]Odom,R Sharda. A Neural Network Models for Bankruptcy Prediction[J]. Journal of Neural Networks, 1990(2):163-167.

[8]Ahn B.S., Cho S.S., Kim C.Y. The Integrated Methodology of Rough Set Theory and Artificial Neural Network for Business Failure Prediction [J]. Expert Systems with A pplications.2000.

[9]Hu,Y.C. & Ansell, J. Developing financial distress prediction models: A study of U, [11] Europe and Japan retail performance. Working Paper. 2005.

[10]Hua Z.,Wang Y., Xu X. & Liang L. Predicting Corporate Financial Distress Based on Integration of Support Vector Machine and Logistic Regression[J].Expert Systems with Applications,2007. 33：434-440.

[11]Shih K.H.,Cheng C.C.,Wang Y.-H.Financial Information Fraud Risk Warning for Manufacturing Industry-Using Logistic Regression and Neural Network[J]. Romanian Journal of Economic Forecasting ,2011(1).

[12]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999(04).

[13]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，2001(06).

[14]徐春红，路正南.商业银行信用风险识别的模型构建与政策建议[J].统计与决策，2010(02).

[15]何苏湘.对企业危机管理的理论界定[J].商业时代，1998(50).

[16]注册会计师全国统一考试辅导教材《财务成本管理》[M].北京：经济科学出版社，2008.

[17]刘国风.企业财务危机预警应确立的指标体系[J].商业研究，2009(03).

[18]朱建平.《应用多元统计分析》[M].科学出版社，2006(08).

[19]陈肇荣.运用财务比率预测企业财务危机之实证研究[D].国立政治大学企研所博士论文，1983.

[20]张文彤.《SPSS11统计分析教程(高级篇)》[M].北京：希望电子出版社，2002(06).

[21]刘红霞，张心林.以主成分分析法构建企业财务危机预警模型[J].中央财经大学学报，2004(4).

[22]高培业，张道奎.企业失败判别模型实证研究[J].统计研究，2000(10)：46-51.

[23]张玲.财务危机预警分析判别模型及其应用[J].预测，2000(06)：38-40.

[24]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，2001.

[25]吕长江，周现华.上市公司财务困境预测方法的比较研究[J].吉林大学社会科学学报(第45卷)，2005(11).