上市公司财务预警模型设计与分析

上市公司财务预警模型设计与分析

财务预警是以财务会计信息为基础，通过设置并观察一些敏感性预警指标的变化，对企业可能或者将要面临的财务危机实施的实时监控和预测警报。财务预警中的数学模型就是财务预警模型，它是指借助企业财务指标和非财务指标体系，识别企业财务状况的判别模型。

财务预警模型的设计可以有两种，一种是单变量模型，这就是传统的财务指标分析。对这些指标的分析，能够揭示企业某一方面或几个方面是否存在问题。通过对这些指标的长期观察和分析，能够从一定程度上发现企业是否存在财务危机。但是，这种分析方法有其弊端，这些单个比率都只反映企业风险程度的一个方面，并且当它们彼此不完全一致时，指标的预警作用可能被抵消，因此其有效性受到一定的限制。因此，构建多变量模型就成为必然选择。

在多变量模型的构建方法上，可以有多元线性判定模型、LOGIT 模型、神经网路模型等。结合我们计量课程所学和我们本篇课程论文样本的选取实际情况，我们将选择LOGIT 模型来构建我们的这篇文章。

一、理论方法

应变量y 是0～1二元变量，其定义如下：

i y =

1,该公司为财务困境公司；

i y =

0，该

公司为财务健康公司。通过对n 个样本公司的回归分析，1

k

i i ij

j

j y F

αξβ==++∑

，可以确

定每个解释变量的系数。从而可以确定每个公司的*i

y ，

*i

y 不是观测值，而是每个公司的期

望值。

Logit 模型采用的是Logistic 概率分布函数,具体公式为 1

1i

i z p e

-=

+，其中1

k

i ij

j

j Z F

αβ

==+∑ ，对于给定的Fij ，Pi 是第i 个企业财务困境的概率。因为这个概率是

Logistic 概率分布函数曲线下从-∞到Zi 之间的面积,所以指标Zi 的值越大,第i 个公司财务状

况陷入困境的概率越大。上式经过数学整理可得

1i

i p Ln p =-1

k

i ij

j

j Z F

αβ==+∑，根据样

本数据使用最大似然估计法估计出各参数值α,β,可求得第i 个公司陷入财务困境的概率。根据配对选取样本的特点，一般假设先验概率为0.5，可以判断Z 值大于0.5的公司存在财务危机的可能性比较大，而小于0.5的公司一般认为是财务健康的。

二、解释变量设计

根据财务指标对公司的财务状况进行预警，一般将财务指标分类为以下几类：盈利能力指标，包括资产净利润率、资产报酬率、净资产报酬率、销售净利率、主营业务利润率、每股收益，根据对指标的分析，一般认为净资产报酬率对盈利能力最具有综合性；变现能力比率，包括流动比率、速动比率、超速动比率；负债比率，有资产负债率、产权比率、有形净值债务率等；资产管理能力指标，有总资产周转率、存货周转率、应收帐款周转率、固定资产周转率等，可选择总资产周转率进入分析；成长能力指标有总资产增长率、主营业务收入增长率、留成利润比、留存收益总资产比、每股净资产等；现金指标，有现金流动负债比、现金债务总额比、销售现金比、全部资产现金回收率等，还有其他的一些指标，如主营业务

鲜明程度（主营业务利润/净利润）、现金管理结果变量（经营现金净流量/（总负债－现金））。

根据以上分析，我们选取了以下指标进入分析：1流动比率，2净资产报酬率、3总资产报酬率、4主营业务利润率、5资产负债率、6长期负债总资产比率、7营运资本与总资产比率、8资产增长率、9主营业务收入增长率、10资产周转率、11流动资产周转率、12现金流动负债比、13现金债务总额比、14销售现金比、15（利润总额＋财务费用）/总资产、16主营业务鲜明程度、17现金管理结果变量（经营现金净流量/（总负债－现金）这些指标作为解释变量进入分析。

三、数据的获取

为了便于数据的获取，我们直接分析上市公司。这些数据都是从CSMAR系列研究数据库中的在我国上海，深圳两个交易所上市交易的上市公司年报财务数据库中选取的。

四、样本设计

首先，我们得对有财务危机和没有财务危机得企业进行定义。目前，财务理论界对公司财务危机的定义比较混乱，从上市公司来看，比较适宜的是我国证监会对上市公司的一个规定，就是将ST公司定义为存在财务危机是比较可取的。因此，我们将从数据库中选取连续2003年度和2004年度大概60家ST，与此相配对的是60家非ST的正常公司。经过筛选，将一些数据却是或者异常的公司排除以后，我们得到了34家ST公司样本。然后在60家非ST公司中随机选取了34家公司与之相配对，组成我们的样本数据。具体的样本选取结果如表一所示：

表一样本公司

（一）主要解释变量的选取

通过对以上17个指标的协方差分析，分析结果如表二所示：

表二17个解释变量的协方差矩阵

F1F2F3F4F5F6F7F8F9F10F11F12F13F14F15F16F17 F11.76 0.25 0.04 1.13 -0.00.00 0.12 0.05 0.25 0.05 0.19 1.41 0.05 0.00.04 1.53 0.04

7 6

F2 0.08 7.67 -0.11 -0.01 0.09 0.07 0.48 0.05 0.14 0.12 0.05 0.0

9 0.10 1.54 0.06

F3 0.04 0.08 0.02 0.79 -0.02 0.00 0.02 0.02 0.05 0.02 0.05 0.02 0.01 0.0

1 0.0

2 0.26 0.01

F4 1.13 7.67 0.79 131.58 -0.79 -0.20 0.44 0.93 7.78 1.01 2.35 0.58 0.21 2.9

4 0.93 7.86 0.26

F5

-0.07 -0.11 -0.02 -0.79 0.05 0.00 -0.04 -0.01 -0.04 -0.02 -0.06 -0.01 -0.02 0.01 -0.04 -0.10

-0.02

F6 0.00 -0.01 0.00 -0.20 0.00 0.01 0.00 0.00 -0.01 -0.01 0.00 0.01 0.00 0.00 0.00 -0.05 0.00

F7 0.12 0.09 0.02 0.44 -0.04 0.00 0.06 0.02 0.04 0.02 0.01 0.01 0.01 0.0

0 0.02 0.43 0.01

F8 0.05 0.07 0.02 0.93 -0.01 0.00 0.02 0.04 0.07 0.02 0.05 0.03 0.00 0.0

2 0.01 0.26 0.00

F9 0.25 0.48 0.05 7.78 -0.04 -0.01 0.04 0.07 0.77 0.10 0.28 0.17 0.02 0.4

6 0.0

7 1.04 0.02

F10 0.05 0.05 0.02 1.01 -0.02 -0.01 0.02 0.02 0.10 0.13 0.28 0.02 0.02 0.0

5 0.01 0.43 0.04 F11 0.19 0.14 0.05 2.35 -0.0

6 0.00 0.01 0.05 0.28 0.28 1.06 0.25 0.06 0.14 0.06 0.44 0.09

F12 1.41 0.12 0.02 0.58 -0.01 0.01 0.01 0.03 0.17 0.02 0.25 1.37 0.04 0.0

8 0.02 0.59 0.04 F13 0.05 0.05 0.01 0.21 -0.02 0.00 0.01 0.00 0.02 0.02 0.06 0.04 0.04 0.05 0.02 -0.14 0.04 F14 0.06 0.09 0.01 2.94 0.01 0.00 0.00 0.02 0.46 0.05 0.14 0.08 0.05 0.66 0.03 0.09 0.06 F15 0.04 0.10 0.02 0.93 -0.04 0.00 0.02 0.01 0.07 0.01 0.06 0.02 0.02 0.03 0.17 0.31 0.02 F16 1.53 1.54 0.26 7.86 -0.10 -0.05 0.43 0.26 1.04 0.43 0.44 0.59 -0.14 0.09 0.31 119.61 -0.30 F17 0.04 0.06 0.01 0.26 -0.02 0.00 0.01 0.00 0.02 0.04 0.09 0.04 0.04 0.06 0.02 -0.30 0.23 我们先来分析主对角线上的数据，从以上协方差矩阵我们可以看出，主对角线上的数据是每个解释变量的方差，。主对角线上有六个数据（表中用绿色背景显示）的方差比较显著。从主成分分析的角度来看，方差越大，其本身数据变动的范围也就越大，那么，它对应变量的贡献就越大，在众多的解释变量当中，就越有可能成为关键的解释变量。从因子分析方法的角度来看，自身方差越大的因子将会成为关键因素，因为它提供的信息越多，本身在所有因子当中的载荷也将更大，越能成为关键的因素。所以，不管是从主成分分析角度，还是因子分析思想的角度来看，以上六个变量将是我们从17个解释变量当中初步选择出来的。

现在我们再来分析主对角线之外的数据，这些数据是各个变量之间的协方差。我们主要注意已经被初步选取出来的六个指标之间的协方差关系。从表二看出，其中有几个比较大的协方差数据（表二中用黄色背景显示），从中分析出F1、F2、F4与F16的协方差比较显