基于二项Logistic回归的上市公司财务预警实证研究

暨南大学人文学院 黄扬

基于二项Logistic回归的上市公司财务预警实证研究

暨南大学人文学院 黄扬

摘 要：在本文研究中，通过以2015年上半年12家因为连续亏损3年被特别处理(被ST)的上市公司和12家财务运行正常(未被ST)的上市公司为样本，运用独立样本T检验方法筛选指标，并基于二项Logistic回归分析方法，通过SPSS统计软件建立了上市公司被ST前三年的logistic财务预警模型。该实证研究表明，模型整体预警识别率高达91.67%，这说明该模型的预测准确度较高。

关键词：上市公司 财务预警 回归分析

1 引言

随着我国社会主义市场经济的不断发展和变化，以及市场中各个经济部门的企业所面临的不确定因素的变动，它们的经营风险特别是财务风险同样也逐渐增加。而这些风险是伴随着市场中企业的经营行为和经营状况所变化的。比如，随着企业的盲目投资增产，盲目跨行业经营以及不重视企业的自身负债等不良经营行为的增加，企业也会逐渐陷入到连续亏损等财务危机的现象中，甚至最终可能导致企业走向破产。此外，可以说上市公司的财务运营情况也是牵动着企业内部以及企业外部多个集体和个人的经济利益，受到了多方面的密切关注。因此，建立合理有效的财务预警方法和机制对于我国的众多企业，特别是面临更大的经营风险的上市公司来说，是极其有必要的。因此，本文研究通过采用最新的上市公司的相关数据，运用科学的手段和方法选取针对上市公司的财务指标体系，并建立相应的财务预警模型，并检验模型的预警识别率，以实现对我国上市公司的财务预警机制的研究是一项符合目前市场经济高速发展的需求，并具有较强的实用意义的科学研究。

2 文献综述

对于如何研究企业财务预警机制，国内外学者都取得了一定的进展。首先，国外方面例如著名的美国会计学家William Henry Beaver(1996)就曾采用一元判定预测分析方法对多家经营不善的企业进行了财务危机的预测研究。而著名的数据科学专家Viktor Mayer Salchenberger(1992)则将神经网络分析引入了遭遇财务危机的金融企业的研究之中。而国内的相关研究是源于20世纪80年代，具有代表性的是吴世农等(1987)所提出的企业财务指标以及财务危机预测方法的研究。顾晓安(2000)在《公司财务预警系统的构建》中则从控制现金流的角度来研究和分析企业的短期财务预警系统。此外，端木正(2004)结合当时中国企业的实际情况初步提出和构建了财务预警模型，并重点探讨了关于财务预警指标体系中的几个问题。李树根(2007)则基于BP神经网络方法，建立了一个财务预警框架。而廖志文(2012)则基于CBR方法即案例推理分析，以及灰色关联度的方法来进行企业财务预警模型的建模。蔡秋萍(2006)通过二项Logistic回归分析来建立北京、上海和江苏等三地的上市公司的财务预警模型，并得出了该种模型具有很高的预警识别率的研究结论。因为该方法使用较为方便，且可以满足多个指标变量的预测。同时，我们选取的被解释变量正好符合两种取值的情况。所以，在本文研究中，我们将对于企业的财务指标体系创新性地采用单指标T检验的方法来进行筛选，并基于二项logistic回归的方法来构建上市公司被ST前三年的logistic财务预警模型。

3 研究样本与指标选取

在本文研究中，选取了2015年上半年12家因为连续亏损3年被特别处理(被ST)的上市公司和12家财务正常(未被ST)的上市公司作为研究的样本。所有数据来源于证券之星网站资料，具体情况详见表1。

基于本研究在借鉴前人研究的基础上，结合考虑我国企业的具体财务特征，选取了以下15个财务指标作为本次研究的初步指标体系，具体指标如表2所示。其中，指标X1、X2、X3可以反映一家上市公司的营运能力。指标X4、X5、X6能够反映上市企业的盈利能力。而指标X7、X8和X9是反映上市企业的偿债能力的重要指标。指标X10、X11和X12则能够反映一家上市公司现金流的状况。此外，X12、X13、X15可以反映上市企业的成长能力。但是，本文研究还需要对这15个指标进行一定的筛选，以确保所选取的指标在被特别处理的企业和未被特别处理的企业之间存在明显的差异。因此，在本文中，采用了独立样本T检验的方法来判断被ST上市公司和未被ST上市公司在所选各个财务指标的方差上是否存在显著差异。

表1 研究样本

表2 财务指标体系及T检验结果

注：“*”， “**”，“***”分别表示在10%，5%，1%的统计水平下显著

将数据通过SPSS17.0统计软件进行计算，可以得到表2中的20家上市公司的独立样本T检验结果。其中，P-为F检验统计量的概率。因为Logistic回归模型的变量要求相对严格，因而，本文研究中是以1%的显著性水平为标准从初步选择的15个财务指标中选取上市公司的财务预警指标。根据表2中给出的数据结果可知，在上述的15个财务指标中，只有X1(总资产周转率)，X4(总资产净利率)，X8(速动比率)以及X14(净利润增长率)可以入选为本次研究的财务预警模型的指标，即被特别处理的上市公司和未被特别处理的上市公司在这四个指标上有着显著的差异。下面将根据这四个指标(X1，X4，X8，X14)来建立Logistic预警模型。

4 二项Logistic回归分析

首先，将被解释变量即上市公司的财务状况是否出现了危机(即表现为该企业的证券是否被特别处理)取值为0和1，具体而言，被解释变量Y值取值为0的情况是企业财务出现异常即被ST的上市公司，而被解释变量取值为1的情况是财务状况运行正常即未被ST的上市公司。接着，通过引入以上所选取的财务预警指标(X1，X4，X8，X14)的被ST前三年的数据，基于二项Logistic回归模型，使用SPSS17.0统计软件运算可以得到表3中的回归结果。

表3 二项Logistic回归结果

所以，根据表3中二项Logistic回归的结果，可以得到本研究的上市公司被ST前三年的财务预警模型如下：

在本文研究中，对于该预警模型取0.5为分界点，P的取值范围从0到1。具体而言，当0.5＜P≤1时，可判断为被特别处理的上市公司。而相反，当0≤P＜0.5时，可判断为为被特别处理的上市公司。若是P=0.5，这说明这家上市公司的财务运行状况处于难以预测的状态。同时，使用SPSS17.0统计软件可以得到该预警模型的混淆矩阵，该矩阵实际上是一种能够很直观的判断预警模型的优劣的方法。其以矩阵表格的形式向我们反映了这个财务预警模型的预测值及其实际值的吻合情况，也就是体现了其预警识别率的高低，详见表4。

根据表4中的结果，我们可以得知该模型中，对于12家由于财务危机而被特别处理的上市公司，只有1家未能被正确判断，即其预警识别率高达91.67%。而对于12家财务正常且未被特别处理的上市公司，同样也只有1家未能被正确判断，因此其预警识别率同样高达91.67%。所以，整个财务预警模型的预警识别率为91.67%，这意味着本研究所建立的模型具有较高的预测准确度，达到了本研究对于财务预警模型的要求和预期。

表4 财务预警模型的预警识别率

5 结语

在本文研究中，通过以2015年上半年12家因为连续亏损3年被特别处理(被ST)的上市公司和12家财务运行正常(未被ST)的上市公司为样本，并运用独立样本T检验方法筛选初步确定的15个指标，经过检验，有X1(总资产周转率)、 X4(总资产净利率)、X8(速动比率)以及X14(净利润增长率)等四个指标入选。基于二项Logistic回归分析方法，通过SPSS17.0统计软件建立了上市公司被ST前三年的logistic财务预警模型。而通过该模型的混淆矩阵可以得知，这个模型整体预警识别率高达91.67%，也就说明该预警模型的预测准确度较高，符合本研究的期望。对于上市公司具有良好的实用性和指导作用。

当然，本研究也存在一定的不足之处。例如，在本研究中，由于未能考虑和分析非财务性的因素及指标等对于上市公司的财务状况的影响，在一定程度上也导致了所选取指标体系的局限性。以后的研究可以对这方面加以改进。

参考文献

[1] 吴世农,黄世忠.企业破产的分析指标和预测模型[J].中国经济问题,1987(6).

[2] 顾晓安.公司财务预警系统的构建[J].财经论丛,2000 (4).

[3] 端木正.基于人工神经网络的财务危机预警模型[J].统计与决策,2004(10).

[4] 李树根.基于BP神经网络的财务预警方法探究[J].中国管理信息化(会计版),2007(11).

[5] 廖志文.基于CBR和灰色关联度的财务危机预警[J].计算机工程,2012(1).

[6] 蔡秋萍.基于Logistic分析的我国上市公司财务预警区域研究[J].华东经济管理,2006(10).

作者简介：黄扬(1994-)，男，广东潮州人，暨南大学人文学院，主要从事政策分析，财务预警方面的研究。

中图分类号：F275

文献标识码：A

文章编号：2096-0298(2015)06(a)-153-03