【摘要】本文以房地產行業上市公司為實證對象，選取8家ST類公司和32家財務正常的配對公司為樣本，依據同一財政年度、類似固定資產規模的原則，進行三步篩選，建立包含營業利潤、流動比率和凈利潤/營業總收入三個變量的Logistic財務風險識別模型。此模型判定結果與實際基本相符，其對企業財務風險預測的準確程度為95%，模型具有較好的判別能力，可為房地產企業內部構建財務風險識別模型提供參考。
【關鍵詞】Logistic模型 房地產企業 財務風險控制
一、引言
我國房地產行業正處于快速發展時期，而伴隨著快速發展帶來的是房地產行業的經濟泡沫，其表現為房價逐年攀升，嚴重地超過了普通老百姓的購買能力。為制止房價上漲愈演愈烈，近年來，國家相繼出臺了房價調控政策。例如：2010年，國土資源局出臺政策提高購地保證金，嚴格把控房地產供地；2011年，國務院“國八條”明確要求30多個城市出臺“限購令”；2012年，房地產稅正式納入“十二五”規劃；2013年，國務院“國五條”出臺抑制投資性購房政策等等。
在國家嚴厲的調控政策下，房地產企業面臨著銀行等金融機構更為嚴格的信貸評估，增加了獲取借貸資金的難度。而房地產行業是一個資金密集型產業，一旦資金鏈斷裂，勢必會影響企業的生存。
在房地產企業面臨的嚴峻形勢下，幫助房地產上市公司分析財務風險狀況，提出識別風險的方法，有效預防和控制財務風險，促使房地產企業持續健康地發展，無疑具有積極的意義，這也正是本文研究的目的。
二、文獻綜述
國外對于企業財務預警的研究較早。Fitzpatric（1932）研究發現財務正常和財務異常的上市公司在一些財務數據上存在著明顯的差別，并提出了比較兩種類型上市公司的財務比率。Beaver（1966）率先提出了用單變量分析方法來識別企業的財務風險。Martin（1977）選取58家銀行的8個指標數據，利用Logistic模型有效地預測了公司破產。
Ohlson（1980）挑選出1970 ~ 1976年105家財務異常公司及205家財務正常公司，共310家公司，采用Logistic方法建立企業財務風險識別模型，從而奠定了該分析方法在財務風險識別方面應用的基礎。Blum（1974）基于資本市場企業財務狀況數據分析，提出了“現金流量理論”；Gentry等（1987）通過建立企業多項現金流量模型，構建一種新的企業財務風險識別模型，該模型是對Blum模型的延伸。David West（2000）通過建立5種神經網絡模型與5種統計分類模型進行比較，發現Logistic模型識別企業財務風險的準確率最高。
國內也有不少學者進行了這方面的研究，周首華等（1996）提出了F-Score模型進行財務預警，并考慮了企業現金流量變動情況的相關影響因素。楊保安、季海（2001）綜合比較構建企業財務風險評價模型的各種方法，將神經網絡分析法引入財務預警模型，可有效識別企業財務風險。徐勇（2007）結合Fisher線性分析方法和Logistic分析方法，以上市公司為例進行了實證研究，發現企業規模對于評價指標具有明顯的影響。浦軍、劉娟（2009）通過Logistic分析方法，采用公司治理指標、現金流量指標和傳統財務指標，對2007年ST公司財務狀況進行分析，最終得出企業獲利能力、償債能力及成長能力等指標在模型中影響顯著。羅曉光和劉飛虎（2011）選用資本充足性、信用度、盈利能力、流動性和發展能力等五項指標，通過Logistic回歸模型構建商業銀行的“多指標風險測度模型”。杜俊娟（2013）結合財務指標和非財務指標對房地產企業財務風險進行預警分析，并采用ZETA模型（即第二代信用風險模型）進行風險評判，發現2011年所有公司ZETA值相對下降，意味著企業財務狀況變差。
三、實證分析
1. 指標的選擇。企業盈利能力、資產運營能力、償債能力以及成長能力指標在傳統的企業財務管理中應用較為廣泛，而大量研究證明，企業財務風險與資產流動性密不可分。因此，還應將反映資產流動性的現金流量能力指標納入財務評價體系。本文結合選取房地產行業上市公司樣本數據，最終采用綜合反映上述五個方面能力的30個財務風險評價指標構成評價體系，具體見表1。2. 樣本的選擇。截至2012年底，對照證監會發布的行業分類標準，得知滬深兩市房地產開發與經營業上市公司共有152家。樣本數據主要來源于Wind數據庫、上市公司資訊網和各上市公司年報。
本文選取30個財務風險指標健全的房地產上市公司作為樣本，將被標記為ST、∗ST或者S∗ST的上市公司定為財務狀況異常公司，將未被標記為ST的上市公司定為財務狀況正常公司。由于2012年行業ST類型公司樣本數為4家，且∗ST國商凈資產收益率ROE（TTM）計算結果無意義，予以放棄，故ST樣本公司僅為3家，因此對2011年數據進行取樣，其中ST樣本數為8家，上市公司總數為137家。考慮到企業的規模不同，各項財務指標數據之間可比性不強，因此需要考慮規模因素造成的偏差，并在選取樣本時遵循上市公司固定資產總額類似原則。最后，挑選出8家財務狀況異常的上市公司，按照4倍比例選取財務狀況正常的樣本公司共32家，具體見表2。
3. Logsitic模型分析。
（1）單因素Logsitic模型回歸分析。采用Logistic回歸模型將樣本數據分為兩組，其中財務狀況正常上市公司賦值為0，財務狀況異常上市公司賦值為1。
以組別（1,0）作為分析的因變量，30個財務指標數據作為自變量，并選取0.25作為各變量顯著水平比較值，以此作為臨界點來判斷變量是否保留，如果自變量顯著水平sig<0.25，則保留；如果自變量顯著水平sig>0.25，則放棄。
依據分析結果得出總共14項指標顯著水平sig>0.25，即其未通過顯著性檢驗，因此應放棄這些指標。其余成長能力指標——營業總收入（同比增長率）為X13、利潤總額（同比增長率）為X15；償債能力指標——有形資產/總負債為X22、經營活動產生的經營流量凈額/總負債為X24、歸屬母公司股東的權益/總負債為X25、經營活動產生的現金流量凈額/流動負債為X26；盈利能力指標——ROE為X31、銷售毛利率為X34；營運能力指標——固定資產周轉率為X46、總資產周轉率為X47；現金流量能力指標——銷售商品提供勞務收到的現金/營業收入為X51、經營活動現金流量凈額/營業收入為X52、資本支出/折舊和攤銷為X53和經營性現金凈流量/營業總收入為 X54。
（2）相關性分析和多元共線性檢驗。對于剩下的指標，采用Pearson進行相關性檢驗，并設置標準值為0.5。如果兩兩變量之間的相關系數監測結果大于0.5，說明兩者相關性較高，僅選取其中一個變量作為下一步分析的自變量。
X35、X36、X37、X41與X42的相關系數分別為0.808、0.813、0.813和0.989。由于剩余的變量中還有存貨周轉率X43這一指標，而該指標更具有完整性，故舍棄存貨周轉天數X42。
X35、X36與X37三者兩兩相關系數均為1，考慮到單因素Logistic回歸模型的分析結果，凈利潤/營業收入對因變量的解釋程度強，故保留凈利潤/營業總收入X35，舍去營業利潤/營業總收入X36和息稅前利潤/營業總收入X37兩個變量。
X11、X23、X32、X44與X33的相關系數分別為：0.511、0.736、0.813和0.504，考慮到Logistic回歸模型要求簡潔且解釋力強，故舍棄ROIC X33。
X14、X43、X45與X12的相關系數分別為-0.857、0.998和0.752，考慮到指標的完整性，故舍棄每股經營活動產生的現金流量凈額（同比增長率）X12。
X16與X11為0.997，因為在第一步中發現X25對與因變量的解釋力較弱，考慮到因變量前后的一致性和良好的解釋能力，故舍棄歸屬母公司股東的凈利潤X16。
經過第二步篩選后，剩下10個自變量兩兩間相關系數均低于0.5，再通過容忍度檢驗，實現自變量多元共線性檢驗，結果如表3所示：
陳希孺等（1990）提出若自變量容忍度小于0.1，則多變量之間存在共線性問題。基于此，本文認定當自變量容忍度大于0.1且VIF小于10時，可以認定該自變量不存在多元共線性問題。依據表3，可以得出X23這一自變量被排除，剩下9個自變量不存在多元共線性問題。
（3）參數估計。本文采用“向后：LR”逐步選擇法，確定模型中應包含的自變量，并評估所得的參數。此次模型構建經過六次極大偏似然估計，并舍棄似然比統計量最小的自變量，直到第七步模型中所有自變量均滿足要求。
模型第七步驟的回歸結果表明：營業利潤（同比增長率）X14、流動比率X21和凈利潤/營業總收入X35三個變量更改的顯著性均小于0.05，故保留。將此三個變量代入Logistic模型，得到如下表達式：
[lnp1-p=0.927-0.07X14-0.642X21-0.155X35] （1）
式（1）轉化為非線性形式即為：
[p=11+e-(0.927-0.07X14-0.642X21-0.155X35)] （2）
式（2）為Logistic模型，p為房地產上市公司財務風險的預測概率。鑒于式（2）中自變量難以對因變量進行解釋，故引入概率發生比（Odds），即p/（1-p）和發生比率（Odds ratio），用自變量來解釋發生比貢獻的大小，發生比率表示自變量的變化對發生比的影響程度。于是可得發生比的表達式：
[Odds=e(0.927-0.07X14-0.642X21-0.155X35)] （3）
式（3）若自變量X14變化了l個單位，則此時發生比率為：
[Odds1Odds2=e0.927-0.07(X14+1)-0.642X21-0.155X35e(0.927-0.07X14-0.642X21-0.155X35)=e-0.07] （4）
此時發生比變化了（e-0.07-1）個單位。若發生比率大于1，則表明事件發生的可能性會提升，否則相反。
（4）模型顯著性檢驗。模型中每剔除一個不顯著的變量后，其卡方值均大于臨界值1.323，這說明在檢驗過程應拒絕零假設，即回歸方程整體上是顯著的。而且，剔除過程中，每步對應的顯著性水平分別達到0.784、0.808、0.816、0.468、0.548、0.236，均大于既定顯著性水平，也即在檢驗過程中，每步剔除的變量都不顯著，接受零假設，也即剔除的變量不會影響模型的顯著性水平。
四、結論
本文構建Logistic財務風險識別模型的判定結果與實際基本相符，其對企業財務風險預測的準確程度為95%，可見模型具有較好的判別能力。經過三步篩選，最終得出效果較好的3個指標為Logistic模型的自變量，即營業利潤（同比增長率）X14、流動比率X21和凈利潤/營業總收入X35，這三項指標能夠較好地判別房地產上市公司的財務狀況。
從模型評價的結果可以看出，在假定的分類點位P=0.5時，Logistic模型對總體的預測準確率達到95%，對正常企業的判定正確率為100%，對具有財務風險的ST企業判定的正確率為75%。模型的回歸結果表明，運用Logistic模型可以有效地預測和檢測樣本房地產上市公司的財務風險，那么其他房地產公司同樣可以運用此模型建立符合自身特點的風險評估模型，比如考慮治理結構、學習能力、客戶關系管理能力等非財務因素，進而有效地制定風險預警機制，最終保證企業在市場中擁有核心競爭力和持續競爭優勢。
主要參考文獻
1. Fitzpartrick，P. J.. A Comparison of Ratios of Successful Industrial Enterprises With those Failed Firms. The Accountants Publishing Company，1932
2. Beaver, William H.. Financial Ratios as Predictors of Failure. Journal of Accounting Research，1966；4
3. Blum M.. Failing company discriminant analysis. Journal of Accounting Research，1974；12
4. 周首華，楊濟華，王平.論財務危機的預警分析——F分數模式.會計研究，1996；8
5. 楊保安，季海.基于人工神經網絡的商業銀行貸款風險預警研究.系統工程理論與實踐，2001；5
6. 浦軍，劉娟.財務狀況質量與財務危機研究——基于LOGISTIC模型的實證分析.經濟問題，2009；10
7. 羅曉光，劉飛虎.基于Logistic回歸法的商業銀行財務風險預警模型研究.金融發展研究，2011；11
8. 陳希孺，白志東，趙林城，吳月華.線性模型中最小一乘估計的漸近正態性.中國科學，1990；5
【作 者】
杜運潮 徐鳳菊（博士生導師）
【作者單位】
（武漢理工大學管理學院 武漢 430070）
