基于logistic模型的上市公司财务风险预警

王宛容

摘 要：企业发展的历程中，财务风险的防范和管控一直都是重中之重，企业究竟应该选择什么模型建立财务风险预警机制才能有效发现企业财务风险，这是本文的研究核心。本文选取了我國2009-2019年A股上市的ST公司及非ST公司的财务数据，建立logistic回归模型。实证结果证明模型的总体正确率达到85.73%，对上市公司起到了有效的预警作用，为上市公司减少甚至规避财务风险提供了建议和方向。

关键词：Logistic模型;财务风险预警;预警模型

中图分类号：F275             文献标识码：A            文章编号：1006—7973（2021）01-0154-03

如今，我国的资本市场随着经济的不断发展而壮大，但各种风险也会随之而来。上市公司在经营过程中的发展和财务状况会面临各种风险，不仅对公司，对我国资本市场都会带来一定影响。在如此的背景下，上市公司能建立一套行之有效的财务风险预警机制极为重要。若预警机制能够及时采取相应的措施降低甚至规避风险，不仅对公司未来的发展，乃至对我国资本市场的稳定都有着极其重大的作用。

针对风险预警，我国学者对其研究的过程中建立了多种预警模型。黄德忠，朱超群（2016）基于2010-2013年首次被ST的上市公司以及非ST公司的数据，结果证明预警模型引入资产质量指标更为准确。顾晓安，王炳蕲，李文卿（2018）以2012—2016年A股上市公司为样本建立logistics回归模型，并引入盈余管理财务指标，证明引入盈余管理指标后的财务预警模型比引入前的效果更佳。高爽（2020）采用模糊层次分析法建立层次结构模型，证明层次结构模型用于风险预警机制的可能性。基于上述研究，笔者选择logistics模型，准确率高且具备一定的现实指导意义。因此，本文建立logistics回归模型，对企业是否会出现重大财务风险进行预测，为企业建立财务预警机制提供借鉴。

1研究设计与模型构建

1.1研究模型的构建

Logistic模型的本质是一个二分类的线性概率模型，被广泛应用于现实生活中的0-1回归问题。而公司是否面临财务风险，本质也是一个二分问题，故在模型的选择上采用Logistic回归模型。

在这里y=（0，1）表示某一事件发生的次数，y=1表示发生，y=0表示不发生，p=P（y=1）表示事件发生的概率，ai（i=0，1，...，n）为待估参数，Fi（i=1，...，n）为自变量。本文将ST或*ST公司赋值为0，将非ST或非*ST公司赋值为1。财务风险发生的概率临界值取为0.5。

1.2研究样本的选取

本文选取了2009-2019年ST公司共453家，数据的选取范围是公司被ST的前两年，即对应公司2007-2017年的财务数据。另外对照样本随机选取了相应年份的非ST公司，共516家非ST公司的财务数据。样本数据的来源均为国泰君安数据库。

1.3预警指标的选择

本文基于考虑数据的可比性和与财务状况的同趋势性，挑选以下表中的典型指标。

2实证分析

2.1因子分析

2.1.1KMO检验和Bartlett的球形度检验

首先，本文对原始数据进行KMO检验和Bartlett的球形度检验。在KMO检验中，取样足够度的Kaiser-Meyer-Olkin度量达到了80.34%，因此在0.01的显著性水平下显著，14个原始数据可以用作因子分析的指标。

2.1.2主成分提取

由原始的14个财务指标计算各因子的贡献率和累积贡献率，得出F1-F7特征值的累积贡献率已达到89.675%，即已经包含了原始指标的89.675%的信息，从而可以选取前7个指标来代替14个原始指标。

本文进一步得到了所选出的7个因子的因子载荷矩阵，如表3。

由表3可以看到前7个因子的载荷情况如下：因子F1在X1（资产报酬率）、X2（总资产净利润率）和X3（净资产收益率）上有较大的载荷，代表了公司的盈利能力。因子F2在X4（权益乘数）、X5（资产负债率）和X6（所有者权益比率）上有较大的载荷，代表的是长期偿债能力。因子F3在X7（速动比率）、X8（流动比率）上有较大的载荷，代表的是短期偿债能力。因子F4在X9（营业净利率）、X10（营业利润率）上有较大的载荷，代表的是主营业务盈利能力。因子F5在X11（总资产周转率）、X12（股东权益周转率）上有较大的载荷，代表的是营运能力。因子F6在X13（营业收入现金净）上有较大的载荷，代表的是现金流能力。因子F7在X14（净利润增长率）上有较大的载荷，代表的是成长能力。

2.2Logistic回归

将因子分析得到的7个因子作为自变量，选择向后逐步选择法作为变量进入模型的方式，如果变量的概率值小于0.05时，则变量进入模型;反之，则将变量剔除。从下图可以看出所有因子的概率值都小于0.05，于是可以把它们都放进模型中，具体结果见表4。

由此可以得到预警模型：

在以上两式中，p表示上市公司不会面临财务风险的概率，1-p表示上市公司面临财务风险的概率，Fi（i=1，...，7）表示用来拟合模型的因子得分。根据所得到的预警模型，对原始数据以最佳判定点为0.5进行回归判定，结果见表5。

由表5可以看到，非财务危机的公司总共422个，被错判的有94个，判定正确率为79.25%;财务危机的359个公司中，被错判的有36个，判定正确率为92.14%，总体正确率达到85.73%。

3结果检验

3.1因子综合得分

本文根据上述分析，利用估计样本公司的因子得分，进一步得到样本公司的综合得分，利用综合得分来做进一步的检验。

用累计方差得到7个因子的权重，然后利用计算出来的样本企业的各个因子得分乘以对应因子的权重得到样本企业的综合得分。经过多次测试，发现将-0.09作为发生财务危机与不发生财务危机的临界值，得到了较好的回归结果。

进一步的综合得分检验中，预测的正确率达到了79.04%，与表6中的回归结果保持一致，说明回归结果是正确的且准确率较高。

3.2模型的有效性检验

为了进一步检验上述实证分析结果，随机选取2007年被ST的9家公司和2008年被ST的5家公司，以及对应同一年中非ST的9家和5家公司作为样本，进行回归分析，最佳判定点取0.5。回归结果中13家ST公司判定正确率达到了69.23%，而13家非ST公司判定的正確率达到了92.31%，总体的判定正确率为80.77%，说明模型的预测效果良好。

4研究结论及不足之处

本文通过因子分析，建立回归模型，最后通过进一步的检验证实Logistic回归模型对于建立财务风险预警机制是一种行之有效的方法。

当然，本文所建立的模型也存在一些不足之处。一方面，因为本文是预测两年后的公司情况，所以预测的范围还需要进一步扩大。另一方面，本文进行准确预测依赖于财务数据的真实有效，而且预测的准确性也会受到不同行业间的影响，但本文中并没有将行业差异纳入考虑因素。

参考文献：

[1]黄德忠，朱超群.引入企业资产质量指标的财务风险预警模型[J].财会月刊，2016（08）：48-52.

[2]杨利红，陈琦，邓敏.LD集团财务风险评价及其预警研究[J].财会月刊，2017（35）：72-79.

[3]李光荣，李风强.基于几种神经网络方法的公司财务风险判别研究[J].经济经纬，2017，34（02）：122-127.

[4]顾晓安，王炳蕲，李文卿.Logistic财务预警模型预警正确率提升研究——引入盈余管理变量的分析[J].南京审计大学学报，2018，15（04）：45-52.

[5]高爽.模糊层次分析法下中小企业财务风险预警的应用研究[J].中国商论，2020（11）：46-47.