上市公司财务困境预测

上市公司财务困境预测

摘要：本文以2008年经济危机以来的经济环境为背景，以上市公司受到退市风险警示作为其陷入财务困境的标志，在沪深股市中选取19家财务困境公司和57家正常公司作为样本，利用所有者权益比率、现金比率等财务指标建立Logit回归模型，以探索同新经济形势相适应的我国上市公司财务预警模型。根据所建立的模型对2016年部分上市公司财务状况进行预测分析，并针对我国制造业提出了加强信息化水平、淘汰落后产能等政策性建议。

关键词：财务困境；财务指标；Logit模型；预测

2008年的美国次贷危机引发全球性的经济萧条，各国经济均出现不同程度的下滑，其影响至今尚未完全消除。作为美国次贷危机的延续和深化，2009年爆发的欧洲主权债务危机对我国的出口贸易、大宗商品价格以及投资信心造成一定程度的影响，是中国外部经济面临的一场重要危机。2012年起，中国GDP增速回落，经济增长阶段发生根本性变化，经济发展总体呈现出从高速增长转为中高速增长、经济结构不断优化升级、从要素驱动、投资驱动转向创新驱动的特征，步入“新常态”。2015年，我国经济总体下行，三大产业增速均下滑，全年出口负增长，经济下行压力持续增大。严峻

的经济形势可能导致公司资金链断裂的风险加大，公司应针对经济环境的变化及时调整战略以避免财务困境。财务困境作为上市公司在市场经济中的普遍现象，对于其界定，目前尚无定论。由于我国不健全的上市公司破产制度，申请破产不能作为判别我国上市公司财务困境的依据。而“退市风险警示”作为沪深交易所对出现财务状况异常的上市公司股票交易的处置措施，可以作为对上市公司陷入财务困境的评判标准。笔者通过阅读大量文献发现，关于上市公司财务困境模型的研究大多集中在2008年以前，而之前学者建立的财务困境模型，很可能因为经济形势的不断变化而失去时效性。因此，在新经济形势下，如何对上市公司的财务困境进行准确预测，对于投资者正确判断公司前景、做出投资决策，对于公司管理层及时调整经营战略、防范财务危机，对于政府、监管层监控证券市场风险、进行宏观调控均具有重要现实价值。本文拟根据财务指标建立我国上市公司财务困境预警模型，并对2016年可能出现财务困境的上市公司进行预测。

一、文献综述

（一）财务困境预警指标综述

国内外学者在财务困境预警指标方面都进行了相关研究，目前比较流行的是在传统财务指标中加入非财务指标以构建全面的指标体系。1966年，Beaver[1]首次在财务困境指

标体系中加入现金流量指标，通过单变量分析方法发现债务保障率对企业财务困境具有良好判别性。Glassman（2003）[2]在财务指标体系中引入经济增加值进行研究，发现经济增加值对财务困境的预测要优于传统财务指标。Campbell（2006）[3]将杠杆率、盈利能力、市场资本总额、股票收益率及其稳定性等因素引入财务预警模型，并发现相对于单一指标体系，综合指标体系对财务困境预测的准确性更强。Blanco-Oliver

等（2015）[4]将公司所有权特点等非财务因素引入模型，并获得比人工神经网络模型更好的预测效果。2016年，Chan

等[5]在财务预警模型中引入公司治理因素，并提出决策者可通过制定相应的公司治理机制来避免破产。

聂丽洁和赵艳芳（2011）[6]同时利用财务指标与现金流量指标进行财务困境预警，得到比传统财务指标体系更佳的预测精度及错判率。2011年，梁杰等[7]将经济增加值指标引入财务困境模型，通过研究得出经济增加值对上市公司财务困境具有显著判别能力。卢永艳（2013）[8]在财务预警模型中同时加入财务指标与宏观经济因素，发现贷款利率及国内生产总值增长率对上市公司是否陷入财务困境有显著影响。刘小淇和曾繁荣（2015）[9]将股权结构、人力资本等非财务因素纳入财务预警指标体系。研究发现：相对于仅含财务指标的预警模型，非财务指标的引入使模型具备更佳的预测准确性。

（二）财务困境研究方法综述

在研究方法的选择上，过去学者大多采用判别分析、回归模型等传统方法，随着计算机技术的进步，学者开始利用人工神经网络、决策树等复杂的分析方法进行预测研究。Ohlson（1980）[10]使用Logistic模型进行财务困境预警，同时对样本公司在破产概率区间的分布及分割点与两类错误

间的关联性进行说明。Hensher等（2007）[11]使用多项误差分量Logit模型对财务困境进行研究，取得比标准多项Logit 模型更佳的拟合优度。2012年，Sánchez-Lasheras等[12]结合自组织映射（Self-Organizing Map）与多元自适应回归样条法来建立混合模型，发现所采用的混合模型较神经网络模型能够更准确地识别财务困境。2014年，Heo和Yang[13]针对韩国建筑公司利用Adaboost算法来预测财务困境，通过比较，他们发现该算法较其他算法具有更佳的预测性能。2016年，Slavici等[14]利用统计方法对人工神经网络进行优化，并认为经改进的模型的预测性能可达国际适用水平。

周建涛，庞文凤（2009）[15]通过建立Z值财务预警模型，发现财务困境公司与正常公司的Z值波动特征有显著不同。2012年，周喜和吴可夫[16]利用粗糙集优化人工神经网络的输入端以提高其学习推理能力，并取得比传统模型更高的判别准确性。2014年，谢赤和赵亦军[17]利用经过CFaR

模型识别的变量建立Logistic模型并验证模型具有良好的预

测效果。庄倩和陈良华（2014）[18]通过划分财务困境动态发展各时期的不同特征，在进行动态预测时嵌入卡尔曼滤波算法，提升了模型的前瞻预测能力。2015年，李力和冯涛[19]基于自适应神经网络模糊推理系统与马氏距离判别法的组合模型，发现在结合贝叶斯判别法时综合模型的预测能力有显著提升。

由上述综述可看出，对于财务困境，国内外学者均作了大量研究。相比较而言，国外学者的研究起步早、成果丰富。而国内学者对财务困境的研究起步晚，与国外的研究水平存在一定差距。同时，虽然国内外学者在研究指标和研究方法上不断取得新的成果，但由于经济环境的不断变化，即便是具备较强学习能力的模型也很难对环境的变化做出完美的调整。因此，我们需要根据国内经济的实际情况、国内上市公司的经营特点来构建与实际相适应的预警模型，以在最大程度上减少公司及投资人的损失。二、研究设计（一）研究假设

根据上海、深圳证券交易所股票上市规则，当上市公司出现财务状况或其他状况异常，可能导致其股票退市或损害投资者利益的，其股票交易将被实施风险警示。股票交易的风险警示实施分为两种情形：当上市公司出现近两年连续亏损、近一年经审计的期末净资产小于零等情况时，该公司的股票交易将被实施退市风险警示，其股票简称前将被冠以