楊芹英

摘 要：本文運用數(shù)據(jù)挖掘的Logistic算法對上市公司發(fā)生財務危機的可能性進行分析預測。本文選取了15家09年因財務問題被特別處理的上市公司為樣本，同時選取了15家正常的上市公司為配對樣本。本文基于財務分析的基本理論，選取非參數(shù)檢驗、主成分分析和Logistic回歸分析等方法，并通過分析的結果建立上市公司財務危機預警模型。

關鍵詞：財務危機；預警；Logistic模型

中圖分類號：F 文獻標識碼：A 文章編號： 2095-7866 （2017） 02-099-006

工業(yè)經(jīng)濟論壇 URL： http//www.iereview.com.cn DOI： 10.11970/j.issn.2095-7866.2017.02.011

引言

風險預警和管理是公司和機構最基本的任務之一，有效的識別和應對風險也成為公司的成功途徑之一。隨著我國證券市場快速發(fā)展，市場的競爭越來越激烈，因管理因素或其他因素而陷入財務危機的公司也在不斷增加。由于越來越多的社會大眾參與到證券投資，人們對于上市公司是否會陷入財務危機也更加的關心。因此，建立上市公司的財務危機預警模型對于公司的管理人員、投資者、債權人等都有十分重要的意義，可以幫助其做出正確的決策并采取措施加以防范。

財務困境的發(fā)生通常要經(jīng)過潛伏期到爆發(fā)期的很長一段時間，在這段時間內(nèi)會經(jīng)歷財務狀況由正常逐漸發(fā)展為財務危機的過程。由此可見，公司的財務危機具有先兆性和可預測性。采用財務危機預警模型可以對企業(yè)財務危機及其發(fā)展趨勢進行有效的識別、預測和控制，能夠使經(jīng)營者在風險處在萌芽狀態(tài)的時候采取有效措施，改善經(jīng)營狀況，減少損失，使利益相關者獲得最大的收益。

一、Logistic算法

在現(xiàn)實世界中，經(jīng)常要判斷有一些事情是否會發(fā)生，比如會議是否會如期舉行，以及本文研究的財務危機是否發(fā)生，結果只有“是”和“否”兩種，這種模型要求因變量的取值必須只能是0、1。為研究此類問題，便引進了Logistic回歸模型。

Logistic模型由學者Verhulst在1838年第一次提出，并開始在人口估計和預測中擴大了應用范圍。Martin（1977）shouci運用多元Logistic模型進行銀行破產(chǎn)預測，Ohison（1980）選取了9個財務指標，再次運用該模型來預測企業(yè)的財務危機。之后Charitou和Trigeorgis（2000）又對該模型進行了擴展，采用Logistic回歸方法構建了財務危機判別模型，對1983年到1994年之間的139家美國企業(yè)進行了對比檢驗，發(fā)現(xiàn)了在預測破產(chǎn)方面顯著的指標。

Logistic回歸模型為非線性模型，其反應函數(shù)呈現(xiàn)S型或者是倒S型。反應函數(shù)的值落在0和1之間，因此，結果易于作出解釋。

Logistic回歸模型如下：

其中：z=B0+B1X1+B2X2+…+BPXP （P為自變量的數(shù)量）

式中，P為用Logistic邏輯回歸模型計算出來的上市公司發(fā)生財務危機的概率。

模型用0.5分界點，在模型中，公司發(fā)生財務危機，用0表示；不發(fā)生財務危機，用1表示。

二、上市公司財務危機預警模型構建的思路及步驟

通過參考國內(nèi)國外的研究關于財務危機的界定，本文將被特別處理的公司（以下簡稱ST公司）界定為發(fā)生財務危機的公司。我國證券交易所關于特別處理的最新規(guī)定如下：上市公司出現(xiàn)財務狀況或其他狀況異常，導致其股票存在終止上市風險，或者投資者難以判斷公司前景，其投資權益可能受到損害的，證交所將對該公司股票交易實行特別處理：終止上市風險的特別處理（以下簡稱“退市風險警示”）和其他特別處理。 退市風險警示的處理措施包括：在公司股票簡稱前冠以“*ST”字樣，以區(qū)別于其他股票； 股票報價的日漲跌幅限制為5%。其他特別處理的處理措施包括：公司股票簡稱前冠以“ST”字樣；股票報價的日漲跌幅限制為5%。

首先，按照一定標準選取ST公司作為樣本公司，正常公司作為對照公司。其次，通過非參數(shù)檢驗的方法，對選取的指標進行差異顯著性檢驗。再次，通過主成分分析對財務指標進行二次篩選，簡化為幾個有代表性且互不相關的財務指標。最后，根據(jù)最終選取的財務指標用Logistic算法進行分析，建立財務危機預警模型。

本文選取了2009年因財務問題被ST的15家上市公司做為危機研究樣本，并按1：1的比例確定15家正常公司為配對樣本。本文的研究數(shù)據(jù)來源：巨潮資訊網(wǎng)、和訊網(wǎng)。選取的樣本公司及配對公司如表（1）所示：

上市公司財務危機預警模型指標體系的構成，本文從上市公司的償債能力、盈利能力、資產(chǎn)管理能力、經(jīng)營發(fā)展能力、股本擴張能力這五個方面選取相關指標。選取指標的名稱及編號如表（2）所示。

三、上市公司財務危機預警模型的建立

（一）上市公司財務危機預警指標的差異顯著性檢驗

根據(jù)我國關于財務預警的研究，上市公司的財務指標不服從正態(tài)分布，應該對財務指標進行非參數(shù)檢驗。本文研究使用的工具是SPSS，在SPSS中提供了8種非參數(shù)檢驗的方法，由于選取的30家上市公司的財務數(shù)據(jù)都是成對出現(xiàn)，所以本文采用的非參數(shù)檢驗的方法為兩配對樣本的非參數(shù)檢驗。

兩配對樣本的非參數(shù)檢驗是指在總體不服從正態(tài)分布的情況下通過分析兩配對樣本，對樣本來自的兩總體分布是否存在差異性進行推斷。其原假設為：兩配對樣本來自兩總體的分布無顯著性差異。

將需要進行檢驗的數(shù)據(jù)輸入到SPSS中，選擇兩個配對樣本檢驗方法，系統(tǒng)會自動輸出檢驗統(tǒng)計量表，在表中會給出檢驗概率p的大小。檢驗概率p是用來判斷是否拒絕原假設的概率值，在本文中，選擇在10%的水平下進行檢驗，若p<0.1，則能拒絕原假設，認為兩配對樣本來自的總體有顯著性差異；若p>0.1，則不能拒絕原假設，認為兩配對樣本來自的總體無顯著性差異。

對訓練樣本的2008、2007、2006年數(shù)據(jù)進行非參數(shù)檢驗，通過三年的比較，最終得出了A1，A2，A3，B6，B8，B9，C11，D13 ，E14 9個預測能力較強的指標，作為初始的解釋變量，用于進一步的篩選。

從表3可以看出，被ST的公司財務比率的均值較不穩(wěn)定，變化幅度一般比正常公司大。發(fā)生財務危機的公司財務狀況較不穩(wěn)定，易出現(xiàn)波動，且隨著時間逐漸接近財務危機發(fā)生的年限，財務比率變化幅度越大，即將發(fā)生危機的表現(xiàn)越明顯。

（二）主成分分析

主成分分析由Hotelling于1933年首先提出。主成分分析是利用降維的思想，把多個指標化簡成為幾個簡單的指標，將其稱為主成分。主成分分析的思想是直到所提取的信息與原指標相差不多時為止。通過分析得出的主成分包含了原來的很多信息，在進行進一步分析的時候有很大的優(yōu)越性[5]。

主成分的的數(shù)學模型為

用矩陣表示為：Y=UX。

式中Y為主成分向量，U為主成分矩陣，X為原始變量向量。

原則上，有m個變量就有m個主成分，但是如果將其全部提取出來，主成分分析也就失去了其意義。事實上，前面幾個主成分包含了大部分的分析內(nèi)容，因此，通常情況下，主成分的數(shù)量要小于原始變量的數(shù)量。

通過成分得分系數(shù)矩陣可以看出：

（1）主成分因子1：貢獻率最大的是速動比率，為0.220，因此主成分1為反映償債能力指標的因子，用速動比率作為其代表變量。

（2）主成分因子2：貢獻率最大的是總資產(chǎn)增長率，為0.383，因此，主成分2為反映資產(chǎn)管理能力指標的因子，用總資產(chǎn)增長率作為其代表變量。

（3）主成分因子3：貢獻率最大的是存貨周轉率，為0.738，因此主成分3為反映經(jīng)營發(fā)展能力指標的因子，用存貨周轉率作為其代表變量。

（4）主成分因子4：貢獻率最大的是扣除非經(jīng)常損失后的的凈利潤率，為0.586，因此主成分4為反映盈利能力指標的因子，用扣除非經(jīng)常損失后的的凈利潤率作為其代表變量。

根據(jù)以上分析結果，最終得到了速動比率A3，總資產(chǎn)增長率D13，存貨周轉率C11，扣除非經(jīng)常損失后的凈利潤率B8，四個指標作為變量進行預警模型研究。

（三）構建Logistic回歸模型

依據(jù)以上得出的四個主成分，利用SPSS進行Logistic模型的構建，將06、07、08年30家公司的財務數(shù)據(jù)輸入到SPSS中，進行分析，最終得到的Logistic回歸模型為：

其中：

本文的Logistic回歸模型的臨界點為0.5，當P≥0.5的時候，公司發(fā)生財務危機的可能性比較大，將其確定為ST公司；當P<0.5的時候，公司發(fā)生財務公司發(fā)生財務危機的可能性比較小，將其確定為正常公司。

四、研究結論與展望

（一）結論

（1）通過以上的分析可以看出我國上市公司的財務信息具有一定的信息量。我國的上市公司每年都會披露大量的財務數(shù)據(jù)，這些財務數(shù)據(jù)在一定程度上具有很強的預測能力。通過數(shù)據(jù)挖掘的方法，可以對上市公司的現(xiàn)金流量表、資產(chǎn)負債表、利潤表中的財務數(shù)據(jù)進行分析，從而得到這些數(shù)據(jù)中的一般規(guī)律，并進行應用。

（2）數(shù)據(jù)挖掘的方法有助于得到上市公司財務數(shù)據(jù)的深層規(guī)律。雖然每年我們上市公司都會公布一個會計年度的財務數(shù)據(jù)，但是這些財務數(shù)據(jù)只是提供表面的信息，很難得到這些財務數(shù)據(jù)的一般規(guī)律。但是通過數(shù)據(jù)挖掘的方法則可以發(fā)現(xiàn)財務數(shù)據(jù)的的隱藏信息，從而加以利用。

（3）償債能力指標、盈利能力指標、資產(chǎn)管理能力指標、經(jīng)營發(fā)展能力指標對于建立財務危機預警模型，可以提供更多的信息量，有助于建立更為準確的預警模型。

（4）對于預測結果而言，06年數(shù)據(jù)的預測準確率為80.00%，07年數(shù)據(jù)的預測準確率為83.33%，08年數(shù)據(jù)的預測準確率為86.67%。可以看出，越靠近財務危機發(fā)生的年限，預測的準確程度越高，離財務危機發(fā)生的時間越遠，財務比率的指示、預測能力越不能得到充分的體現(xiàn)。

（5）在Logistic回歸模型建立之后，企業(yè)可以通過模型隨時對財務數(shù)據(jù)進行分析預測，可以及時了解公司的財務狀況，從而及時發(fā)現(xiàn)財務危機發(fā)生的預兆。

（二）建議

首先，應擴大樣本容量。在我國的各大財經(jīng)網(wǎng)站，每年可以查詢到的ST公司有限，其中還包含一些非財務問題被特別處理的公司，這些公司還要從樣本中去除，因此，樣本的數(shù)量比較少，數(shù)據(jù)挖掘的優(yōu)勢沒有得到充分的發(fā)揮。通過擴大樣本容量的方式可以使得預警模型更加有效。

其次，將財務數(shù)據(jù)與非財務環(huán)境相結合。本文建立的財務危機預警模型是建立在15個財務指標的基礎之上，雖然，這15個指標涵蓋了財務分析的重要方面，但是非財務環(huán)境的各種因素也會對財務危機造成很大的影響，對此方面進行深入研究將得到更加完善的預警模型。

最后，應擴大預警模型的適用范圍。當前，在各大財經(jīng)網(wǎng)站都能得到上市公司的財務數(shù)據(jù)，但是對于非上市公司的信息很少有渠道可以了解，因此，應擴大非上市公司的信息披露途徑，使預警模型可以適用于非上市公司。

參考文獻

魏樂. 基于數(shù)據(jù)挖掘的首批創(chuàng)業(yè)板上市公司財務分析[J]. 中國管理信息化，2010，3（11）： 39～41.

楊淑娥.企業(yè)多層次財務危機預警研究[M].北京：經(jīng)濟科學出版社，2009.13-20.

陳志泊. 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘[M]. 北京：清華大學出版社， 2009.111～115.

呂曉玲，謝邦昌.數(shù)據(jù)挖掘方法與應用[M].北京：中國人民大學出版社，2009.6～12.

賴國毅，陳超.SPSS17.0中文版常用功能與應用實例精講.北京：電子工業(yè)出版社，2010.10-20.