【摘要】為了建立合理有效的財(cái)務(wù)危機(jī)預(yù)警模型，本文選擇了代表公司財(cái)務(wù)健康狀況的18個(gè)指標(biāo)作為備選預(yù)警指標(biāo)，并運(yùn)用logistic過(guò)程中逐步回歸的方法從中選擇了3個(gè)對(duì)因變量影響顯著的財(cái)務(wù)指標(biāo)。用容許度（TOL）和方差膨脹因子（VIF）兩個(gè)指標(biāo)對(duì)3個(gè)財(cái)務(wù)指標(biāo)進(jìn)行多重共線(xiàn)性檢驗(yàn)。在多重共線(xiàn)性不顯著的情況下，對(duì)符合條件的財(cái)務(wù)數(shù)據(jù)進(jìn)行l(wèi)ogistic回歸，得到了財(cái)務(wù)危機(jī)預(yù)警模型。最后通過(guò)回代判定，發(fā)現(xiàn)這個(gè)模型具有較高的預(yù)測(cè)準(zhǔn)確性。
　　
　　一、財(cái)務(wù)危機(jī)預(yù)警研究概述
　　
　　企業(yè)財(cái)務(wù)危機(jī)是一個(gè)連續(xù)的動(dòng)態(tài)過(guò)程，并直接表現(xiàn)為績(jī)效指標(biāo)的惡化，因此可通過(guò)一定的財(cái)務(wù)指標(biāo)來(lái)構(gòu)造企業(yè)的財(cái)務(wù)預(yù)警模型。從現(xiàn)實(shí)情況來(lái)看，股票投資者、債權(quán)人和政府監(jiān)管機(jī)構(gòu)對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)具有很大的需求，這些需求推動(dòng)了財(cái)務(wù)危機(jī)預(yù)警研究的不斷深化。
　　國(guó)外對(duì)于財(cái)務(wù)預(yù)警模型的研究相對(duì)比較成熟，早在1966年，Beaver就運(yùn)用單變量判定分析研究公司財(cái)務(wù)危機(jī)問(wèn)題；Altman（1968）最早運(yùn)用多變量線(xiàn)性判別分析（Multiple Discriminate Analysis）探討企業(yè)危機(jī)預(yù)測(cè)問(wèn)題，其發(fā)現(xiàn)最具解釋能力的5個(gè)財(cái)務(wù)比率分別為：營(yíng)運(yùn)資金/總負(fù)債、保留利潤(rùn)/總資產(chǎn)、息稅前利潤(rùn)/總資產(chǎn)、權(quán)益市價(jià)/總負(fù)債和銷(xiāo)售收入/總資產(chǎn)。Altman、Haldeman和Narayanan（1977）繼續(xù)對(duì)Altman（1968）的原始模型修正和補(bǔ)充，提出一個(gè)“新Zeta模型”。隨著統(tǒng)計(jì)技術(shù)和計(jì)算機(jī)技術(shù)的不斷發(fā)展，遞歸分類(lèi)、人工智能及人工神經(jīng)元網(wǎng)絡(luò)等技術(shù)也逐漸被引入到財(cái)務(wù)危機(jī)預(yù)警模型中。
　　近年來(lái)，隨著公司破產(chǎn)數(shù)量的增多，國(guó)內(nèi)學(xué)者對(duì)公司財(cái)務(wù)危機(jī)預(yù)警模型的研究也越來(lái)越多：1999年，陳靜發(fā)表了《上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析》，該文將1998年年報(bào)后被特別處理（ST）的27家上市公司定義為財(cái)務(wù)危機(jī)公司。陳瑜在2000年發(fā)表了《對(duì)我國(guó)證券市場(chǎng)ST公司預(yù)測(cè)的實(shí)證研究》一文（《經(jīng)濟(jì)科學(xué)》，2000年6月），該文以1999年底前曾被特別處理（ST）的58家上市公司為樣本進(jìn)行了分析。吳世農(nóng)、盧賢義（《我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究》，《經(jīng)濟(jì)研究》）以1998～2000年發(fā)生ST的70家上市公司為研究對(duì)象，結(jié)果表明（1）在財(cái)務(wù)困境發(fā)生前2年或1年有16個(gè)財(cái)務(wù)指標(biāo)的信息時(shí)效性較強(qiáng)，其中凈資產(chǎn)報(bào)酬率的判別成功率較高；（2）模型在財(cái)務(wù)困境發(fā)生前能做出較準(zhǔn)確的預(yù)測(cè)，且在財(cái)務(wù)困境發(fā)生前4年的誤判率在28%以?xún)?nèi)；（3）相對(duì)同一信息集而言，Logistic預(yù)測(cè)模型的誤判率最低，財(cái)務(wù)困境發(fā)生前1年的誤判率僅為6.47%。
　　
　　二、預(yù)警指標(biāo)和模型
　　
　?。ㄒ唬┴?cái)務(wù)危機(jī)預(yù)警指標(biāo)的選擇
　　單純的幾個(gè)財(cái)務(wù)比率很難揭示公司陷入財(cái)務(wù)危機(jī)或被特別處理的原因，通常的做法是挑選不同的變量代表上市公司財(cái)務(wù)特征的不同方面。因此，本文在借鑒前人經(jīng)驗(yàn)的基礎(chǔ)上，初步從反映公司財(cái)務(wù)健康狀況的每一大類(lèi)特征中選出某一個(gè)或幾個(gè)指標(biāo)，形成一個(gè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，然后運(yùn)用回歸模型挑選出正確率最高的變量組合。在實(shí)際分析中，本文將ST公司近似看作財(cái)務(wù)危機(jī)公司，并選擇ST和非ST公司六大類(lèi)財(cái)務(wù)特征指標(biāo)列為備選預(yù)警變量（備選預(yù)警指標(biāo)描述見(jiàn)表1）。
　　本文的研究對(duì)象是2003~2005年發(fā)生的A股ST公司及同時(shí)期非ST上市公司66家；其中，2003年發(fā)生ST的上市公司為48家，2004年發(fā)生ST的上市公司為11家，2003年發(fā)生ST的上市公司為7家；同時(shí)，取66家非ST上市公司作為對(duì)比研究，具體見(jiàn)表2。
　　
　?。ǘ┓治瞿Ｐ秃?jiǎn)述
　　Logistic回歸方法主要是用來(lái)預(yù)測(cè)二值響應(yīng)變量（例如成功和失?。┗蛘叽涡蜃兞浚ɡ?，沒(méi)有、一般和嚴(yán)重）的值，二值響應(yīng)的因變量（或者稱(chēng)為反應(yīng)變量）值可以是上榜、落榜的結(jié)果，或者疾病經(jīng)過(guò)治療后治愈、復(fù)發(fā)的兩種可能。不論其如何定義，Logistic回歸是為了找出這個(gè)因變量與一組變量（稱(chēng)為自變量）之間的線(xiàn)性關(guān)系，所用的參數(shù)估計(jì)方法為極大似然估計(jì)法。在二值響應(yīng)模型中，通常用Y代表一個(gè)個(gè)體或者一個(gè)實(shí)驗(yàn)單元，它的取值有兩種可能，為方便起見(jiàn)，分別記為0和1（例如，如果不發(fā)病則Y=0，發(fā)病則Y=1），X=（X1，X2，…，Xt），是一組可以說(shuō)明Y發(fā)生概率大小的變量，用以表示Y的某一種特定情況（以1表示）發(fā)生的概率，p=Prob（Y=1/X）。假設(shè)Xi為第I個(gè)陷入危機(jī)公司的財(cái)務(wù)預(yù)測(cè)變量矩陣，那么其陷入危機(jī)概率Pi和Yi之間存在如下回歸關(guān)系：
　　
　　
　　
　　Yi=lnPi/1-Pi
　　其中，Yi=a+∑biXi
　　Logistic回歸模型的曲線(xiàn)為S形，且預(yù)測(cè)最大值趨近1，最小值趨近0，一般選擇0.5作為分割點(diǎn)，即如果通過(guò)模型計(jì)算出來(lái)的危機(jī)概率Pi大于0.5，那么該公司可歸入陷入危機(jī)的公司；反之，則將該公司視為正常公司。
　　本文之所以采用logistic模型，主要是因?yàn)長(zhǎng)ogistic回歸對(duì)于變量的分布沒(méi)有具體要求，適應(yīng)范圍更廣，而且Logistic模型計(jì)算得到的是一個(gè)概率值，給人直觀明了的感覺(jué)，在實(shí)際運(yùn)用中非常簡(jiǎn)單、方便。
　　
　　三、運(yùn)用Logistic模型進(jìn)行實(shí)證分析
　　
　　首先，利用SAS軟件中的logistic過(guò)程對(duì)財(cái)務(wù)危機(jī)前1年的數(shù)據(jù)進(jìn)行分析。在過(guò)程中，運(yùn)用逐步回歸法進(jìn)行變量的選取，規(guī)定自變量進(jìn)入模型和保留在模型中的顯著性水平都是0.3，結(jié)果如表3所示。
　　最后選擇了X3（營(yíng)運(yùn)資本/總資產(chǎn)）、X12（資產(chǎn)報(bào)酬率）、X15（凈利潤(rùn)增長(zhǎng)率）三個(gè)變量。從分析結(jié)果可以看出，沃德卡方統(tǒng)計(jì)量對(duì)應(yīng)的臨界值在0.01的水平上都是顯著的。
　　為了避免多重共線(xiàn)性，對(duì)選定的3個(gè)變量進(jìn)行多重共線(xiàn)性檢驗(yàn)。本文使用的檢驗(yàn)指標(biāo)是容許度（TOL）和方差膨脹因子（VIF）。計(jì)算公式為：
　　TOLj=1-R2j=1/CIF1
　　其中，R2j為Xj對(duì)其余k-1個(gè)自變量回歸中的判定系數(shù)。當(dāng)TOLj較小時(shí)，認(rèn)為存在多重共線(xiàn)性。一般地，方差膨脹因子VIF大于10，認(rèn)為具有高的多重共線(xiàn)性。VIF檢驗(yàn)的結(jié)果見(jiàn)表4。從表5可知，6個(gè)變量的VIF均小于10，可認(rèn)為各變量之間不存在顯著的多重共線(xiàn)性。
　　接著，最大似然估計(jì)分析給出了參數(shù)的最大似然估計(jì)值、標(biāo)準(zhǔn)差及沃德檢驗(yàn)的卡方值及其對(duì)應(yīng)的概率，見(jiàn)表5。
　　由此，本文得出了logistic回歸的方程：
　　LnPi/1-Pi=4.8485-36.0411X3+113.4X12-142.8X15
　　最后，從logistic過(guò)程給出的一致性可以看出，本模型預(yù)測(cè)概率與預(yù)測(cè)因變量之間的關(guān)聯(lián)性達(dá)到了92.42%，而不一致的概率僅為7.58%。具體分析結(jié)果見(jiàn)表6。
　　注：0代表非ST上市公司，1代表ST公司。
　　在財(cái)務(wù)危機(jī)前1年，72家非財(cái)務(wù)危機(jī)有4家被錯(cuò)判，72家財(cái)務(wù)危機(jī)公司有3家被錯(cuò)判，總體上看，144家公司有7家被錯(cuò)判，誤判率為4.86%，說(shuō)明基于logistic模型建立的財(cái)務(wù)危機(jī)預(yù)警模型所進(jìn)行的預(yù)測(cè)是基本準(zhǔn)確的。