【摘要】本文以滬深兩市A股制造業上市公司為研究對象，建立了以財務指標為自變量的邏輯回歸模型、財務指標及與公司治理指標相結合的邏輯回歸模型和以Fisher值與公司治理指標為自變量的混合模型，并用這三種模型對企業財務危機預警的準確度進行了檢驗，結果表明：在我國制造業上市公司中，利用單純財務指標建立的邏輯回歸模型預警的準確度最差，其次是包含有公司治理變量的邏輯回歸模型，而預警準確度最好的是混合模型。
【關鍵詞】財務危機預警 主成分分析 Logistic回歸模型 混合模型
一、引言
財務預警系統是以企業信息化為基礎，以企業的財務報表、經營計劃及其他相關的財務資料為依據，利用財會、金融、企業管理、市場營銷等理論，對企業在經營管理活動中的潛在風險進行實時監控的系統。財務預警貫穿于企業經營活動的全過程，其目的是及時發現、防范和抵御企業風險。
財務預警一直是現代企業財務管理的一項重要內容。在早期的財務預警系統中，主要采用比率分析方法來衡量企業面臨的風險，方法比較簡單，預警的準確度不高。近年來學者們通過建立數學模型的方法，將企業內外部相關風險因素納入預警模型中，綜合考量評估企業風險，預警的準確度比單一利用財務比率進行預警更高。
從現有的研究文獻來看，國內外學者采用不同的方法建立了多種財務預警模型，對財務風險衡量的結果并不一致。本文主要利用我國制造業上市公司數據，驗證當前三大主要財務預警模型——以財務指標為自變量的邏輯回歸模型、財務指標與公司治理指標相結合的邏輯回歸模型和以Fisher值與公司治理指標為自變量的混合模型預警的準確性，希冀能夠對企業財務預警模型的選擇起到一定的借鑒作用。
二、文獻回顧
1. 國外學者對財務危機預警研究建立的模型較多，主要分為靜態模型和動態模型。
靜態模型包括單變量模型、多元線性模型、Logistic回歸模型、支持向量機及神經網絡模型等。Fitzpatrick（1932）最早利用單變量模型研究財務危機預警，其研究表明判別能力最強的兩個指標是凈利潤/股東權益與股東權益/負債。Altman首次將多元判別分析方法引入財務危機預測領域，與其合作者建立了Z分數系列模型；他還與Haldeman和Narayanan 建立了以7個財務指標為基礎的ZETA模型，該模型通過會計數據能夠提前三年比較準確地預測企業的財務風險，使多元線性模型的研究達到了前所未有的高度。但是多元線性判定模型對預測變量有嚴格的聯合正態分布要求，為解決這一問題，Martin運用Logistic回歸模型預測銀行財務危機，他以1970 ～ 1977年間58家銀行作為樣本，從25個財務指標中選出8個指標構建多元邏輯回歸模型，并且將其與Z值和ZETA模型進行對比，發現多元Logistic回歸模型的預測能力最高。隨著統計學及計算機網絡等技術的發展，國外學者紛紛引入新的分析技術，建立如神經網絡模型、支持向量機模型等預警模型。
動態預警模型是基于時間序列回歸或動態管理將研究樣本和配對樣本的現金管理特征變量納入構建的預警模型檢測財務狀況，評估財務風險。目前研究動態預警模型的文獻還不多，可用的動態預警模型只有如累積與控制圖模型及指數加權移動平均控制圖模型等少數模型。
2. 國內對財務危機預警的研究相對較晚。黃世忠、吳世農（1986）通過對企業財務報表各個獨立財務指標加以分析來預測企業財務危機，但是他們的預警指標比較單一，并未將各類指標綜合起來考慮，準確度難以保證。周首華、楊濟華對Z-score模型指標進行相應調整和改進，提出了著名的F分數模型。吳世農、盧賢義應用Fisher判別分析、多元線性回歸和Logistic回歸分析構建了相應的預警模型，其三種模型均能在財務危機發生前做出較為準確的判斷。楊淑娥、徐偉剛采用主成分分析法構建Y分數財務危機預警模型，確定了企業財務狀況評價區域，從而為財務危機的預測提供了一種新方法。王克敏、姬美光分別使用基于財務和非財務指標的Logistic回歸模型對我國虧損上市公司進行財務預警，發現在公司被ST早期階段，引入公司治理、對外擔保、關聯方交易等非財務因素的影響力比財務因素的影響力更為顯著，精確率更高。
3. 綜上所述，財務預警方法已從判別分析法、Logistic回歸分析法、BP神經網絡法、支持向量機等靜態模型向動態模型和混合模型轉變。實證研究表明，動態模型和混合模型能顯著提高財務預警的準確率，但是由于我國資本市場尚難以提供較多的時間序列數據，因而企業很少使用動態模型，而大多使用判別分析法、Logistic回歸分析、混合模型等靜態模型。那么在我國制造行業內，使用哪一種模型進行預警的結果更準確呢？本文對此進行研究，具體研究思路如下圖所示。
三、樣本選取與研究設計
1. 樣本、數據及預警指標的選取。
（1）樣本選取。目前，學者們對財務危機的界定方法尚不一致，本文借鑒有關學者的研究成果，將財務危機歸結為以下方面：①無償債能力、資不抵債等；②嚴重虧損；③現金流嚴重不足。其邏輯關系為企業嚴重虧損、現金流嚴重不足，導致資不抵債、無償債能力，調整無效最后破產。結合我國證券市場的實際情況及上述財務危機企業特征，本文將財務預警研究的對象界定為因“財務狀況異常”而被“ST”的上市公司，并選取了2009 ～ 2012年總共45家因“財務狀況異常”而首次被ST的制造業A股（無交叉股）上市公司作為發生財務危機的樣本。并以1∶2的配對比例，以行業相同、資產規模相近、上市時間相近且從未有ST記錄為選取原則，選取同期90家制造業A股（無交叉股）上市公司作為財務危機樣本的配對樣本。
（2）數據選取。公司財務狀況及治理狀況不良會帶來財務危機，但是這種“不良”帶來的“財務狀況異常”甚至于被“ST”這種后果不會在當期就體現出來，即企業財務惡化有一個“漸變”的過程，財務預警就是要利用當前看似正常的企業財務及公司治理指標預測將來發生財務危機的可能性。因此，在進行預警模型的準確性驗證時，采用哪一期間的數據進行預警亦是相關學者關注的重要問題。本文借鑒有關學者的研究成果，以企業被“ST”之前第三年的財務狀況及公司治理狀況為基礎進行財務危機預警，即若上市公司被“ST”年度為T年，則被“ST”之前年度分別為T-1年、T-2年……，本文選取T-3年的數據來建立財務危機預警模型。研究數據來源于國泰安數據庫及各知名財經網站。
（3）預警指標的選取。劉彥文（2009）對2002 ～ 2008年國內外發表的財務危機預警文獻中的最終模型具有顯著影響的預測變量進行了頻次統計（表略），本文根據其結果并結合筆者的判斷確定了研究指標，這些指標包括財務類指標及公司治理指標，具體見表1、表2、表3、表4。其中財務類指標包括財務狀況指標、現金流量指標及盈余管理程度指標。2. 變量檢驗。
（1）顯著性檢驗。本文選取滬深A股制造業上市公司2009 ～ 2010研究樣本企業28家，配對樣本企業56家，總共84家樣本企業用于模型的建立；選取2011 ～ 2012年樣本企業17家、配對樣本企業34家，共51家樣本企業用來作為檢測樣本。
劉國光（2009）研究表明，不是所有的財務數據都服從正態分布，為此我們的研究需要對服從正態分布及其他分布的樣本進行不同處理，故本節主要對84家建模樣本的預警指標進行K-S檢驗，以確定變量是否符合正態分布。對于符合正態分布的指標，則進行獨立樣本T檢驗，以確定這些指標在研究樣本與配對樣本之間是否存在顯著差異；若差異不顯著，則說明這些指標不能夠反映樣本企業與配對企業的財務狀況存在差異，需要剔除。對于通過K-S檢驗確定不符合正態分布的指標，則進行Mann-Whitney U檢驗，以剔除兩種樣本之間不具備顯著差異的指標。
首先，在SPSS17.0軟件中進行K-S檢驗（受篇幅所限，檢驗結果表已省略），結果顯示：X1、X3、X4、X15、X20、X21、X22、X23、X24、X25、X32、X34及X36的P值大于給定的顯著性水平0.05，這些變量符合正態分布。
然后，對上述指標進行獨立樣本T檢驗（檢驗結果表已省略），結果顯示在0.05的水平上，X15和X25通過顯著性檢驗，表明其在兩種樣本之間存在顯著差異。
對未通過正態性檢驗的指標則進行Mann-Whitney U檢驗（檢驗結果表已省略），結果顯示：X5、X6、X8、X9、X11、X17、X18、X27、X28、X29、X30、X31及X35，共13個指標的P值小于顯著性水平0.05，故在兩種樣本之間存在顯著差異。
綜上所述，通過變量檢驗，存在顯著差異的財務指標有 X5、X6、X8、X9、X11、X15、X17、X18、X25、X27、X28、X29及X30，共13個。非財務指標：X31、X35共2個。
（2）主成分分析。為了克服變量之間的多重共線性、簡化計算并盡可能地保留對因變量有貢獻的自變量，從而保留更多對預警有用的財務信息，需要進行主成分分析。
考慮到公司治理指標中含有一些虛擬變量，取值不連續，不能滿足主成分分析的充分條件，不能進行主成分分析，因此本文只對通過顯著性檢驗的13個財務類指標進行主成分分析，對公司治理指標則直接建立模型。
首先是主成分的提取。在做主成分分析前筆者進行了Bartlett球形檢驗及KMO測試。結果顯示，KMO測試系數為0.757， Bartlett檢驗的P=0.000＜α（α=0.05），表明變量之間具有較強的相關性，可以進行主成分提取。在SPSS17.0軟件中進行主成分分析，通過方差最大化旋轉，結果見表5。
本文采取累積貢獻率的方式對主成分進行篩選，根據經驗數據，累積貢獻率要求在85%以上，因此本文提取7個因子使其累積貢獻率達到87.806%以上。
其次是主成分的列式。根據SPSS17.0的檢驗結果，主成分的得分系數矩陣和旋轉成分矩陣如表6所示。
根據表6因子得分系數矩陣數據，主成分可以用原始變量進行表示，具體列示如下：
F1=0.133X5+0.337X6+0.274X8+0.245X9+0.263X11-0.076X15-0.045X17-0.048X18+0.054X25+0.048X27+0.013X28+0.068X29-0.025X30
F2=-0.184X5+0.034X6+0.074X8+0.070X9+0.011X11+0.060X15-0.018X17-0.023X18-0.147X25+0.564X27-0.012X28+0.521X29-0.112X30
F3=0.218X5-0.079X6+0.036X8-0.017X9+0.011X11+0.031X15+0.045X17+0.056X18+0.243X25-0.105X27+0.501X28-0.060X29+0.540X30
F4=-0.243X5-0.147X6-0.076X8+0.228X9-0.052X11+0.013X15-0.013X17+0.844X18-0.260X25-0.059X27-0.077X28+0.053X29+0.155X30
F5=0.104X5-0.336X6+0.077X8+0.020X9+0.057 0X11+0.935X15+0.008X17+0.007X18+0.071X25+0.110X27+0.089X28-0.024X29-0.018X30
F6=-0.640X5-0.138X6+0.062X8-0.083X9-0.015X11-0.012X15-0.012X17-0.043X18+0.744X25+0.038X27+0.029X28-0.017X29+0.085X30
F7=-0.161X5-0.026X6-0.009X8-0.050X9+0.000X11+0.014X15+0.993X17-0.024X18-0.160X25-0.024X27+0.009X28-0.004X29+0.070X30
由旋轉成分矩陣（受篇幅所限，矩陣表已省略），可對7個主成分因子進行如下命名：①主成分F1主要由凈資產收益率（X8）、長期資本收益率（X11）、成本費用利潤率（X6）及息稅前利潤率（X9）進行解釋，表明公司盈利能力和收益情況，可稱為“獲利因子”。②主成分F2主要由應收賬款占流動資產比率（X27）與應收賬款占銷售收入比率（X29）進行解釋，表明公司應收賬款的管理運營狀況，可稱為“應收賬款因子”。③主成分F3主要由非經常性損益占利潤總額比率（X30）及其他應收款與流動資產比率（X28）進行解釋，表明公司非經常性損益情況，可稱為“盈余管理因子”。④主成分F4主要由資本積累率（X18）進行解釋，表明公司凈資產的增長情況，可稱為“資本積累因子”。⑤主成分F5主要由總資產周轉率（X15）進行解釋，表明企業的資產營運狀況，可稱為“營運因子”。⑥主成分F6主要由每股經營性現金流量（X25）和利息保障倍數（X5）進行解釋，表明公司現金流量狀況和償債能力，可稱為“現金償債因子”。⑦主成分F7主要由凈利潤增長率（X17）進行解釋，表明公司的發展潛力和預期，可稱為“發展因子”。
總之，主成分因子將從企業的盈利能力、盈余管理、現金流量狀況、償債能力、資產運營能力等方面進行分析。
四、模型的建立與檢驗
1. Logistic回歸模型的建立與檢驗。
（1）邏輯回歸模型的建立。Logistic回歸的表達式為：
Ln（■）=a+ bkxki
式中：Pi=P（yi=1|x1i，x2i，x3i，…，x1i，），表示自變量為x1i，x2i，x3i，…，xti；bk為回歸系數；a為截距。用最大似然估計值去估計a和bk，則可得某一事件發生的概率Pi。
以7個主成分作為自變量，以企業在三年后是否ST企業為應變量，建立Logistic回歸模型。在此基礎上綜合考慮公司治理因素，其他不變因素加入公司治理變量得到回歸模型，在SPSS17.0中進行分析的結果如表7所示。從表7可以看出，在兩個模型中顯示各變量的系數都很顯著。
F1、F4、F5、F6及F7與財務危機發生的概率P呈負相關關系，表明企業的盈利能力、償債能力、營運能力及發展能力越強、現金流量越多，財務危機的概率就越小。
F2及F3與財務危機發生的概率呈正相關關系，表明企業的盈余管理越強，其陷入財務危機的概率就越大。
X31與企業發生財務危機的概率呈正相關關系，表明當控股股東為國有股時，由于國有股“所有者缺位”及流通性滯后，加大了內部人控制帶來的代理問題，導致公司治理效率低下，增加了企業財務危機發生的概率。
X35與財務危機概率呈正相關關系，因為當股權高度集中在前5大股東時，大股東將掌握控股權，實質掌握公司的決策權，導致董事會與經理層成為其直接利益的代言人，便能以控制權謀求自身利益而侵蝕小股東的經濟利益，從而降低企業的經營績效，增大財務危機發生的概率。
上述結果為依據的模型如下：
Ln（■）=-0.704-10.586F1+0.045F2+1.548F3-0.511F4-1.836F5-1.664F6-0.433F7+ε （模型3-1）
Ln（■）=4.299-16.402F1+1.114F2+0.576F3-8.327F4-13.802F5-2.509F6-0.477F7+1.137X31+20.395X35+ε（模型3-2）
（2）回歸模型的檢驗。利用前述2011 ～ 2012年被“ST”公司及其配對企業進行回歸模型準確性判斷，判斷方式如下：當P＞0.5時，為財務狀況正常企業；當P＜0.5時，為財務狀況危機企業；當P=0.5時，鑒于運用該模型進行檢驗誤差較大，需結合其他內外部因素綜合起來進行判斷。
下面將分別對建模樣本及檢測樣本的預測結果進行統計分析。結果如表8、表9所示：本文將經過模型檢驗的財務危機公司誤判為正常公司定義第Ⅰ類錯誤，將正常公司誤判為財務危機公司定義為第Ⅱ類錯誤。由表8、表9可以看出建模樣本與檢測樣本在引入公司治理指標后，模型3-2綜合預測準確率分別提高了11.90%和9.80%，第Ⅰ類錯誤分別降低了21.43%、5.88%，第Ⅱ類錯誤分別降低了7.14%、11.76%。因此可以證明，公司治理指標的引入提高了模型預測的正確率，降低了模型的誤判率。
2. 混合模型的構建與檢驗。
（1）混合模型的構建。將Logistic回歸模型與Fisher判別模型結合起來，構建包含二者特長的混合模型，然后對樣本進行預測和分析，將Fisher（費雪）判別分析中所得的Y值作為Logistic回歸模型的一個自變量，與其他具備顯著性的指標一起進行回歸分析，意在提高模型的預測準確率。利用統計軟件SPSS17.0對上文提取的7個主成分進行Fisher判別分析，剔除不顯著變量后，得到的結果如表10所示：
由表10可知，本文建立的Fisher（費雪）判別函數為：
Y=0.455-1.169×F1+1.336×F3+0.022×F4-1.205×F5
將Fisher分析中所得到的y值命名為Fisher，與顯著的公司治理指標一起進行Logistic回歸分析，經SPSS17.0檢驗得到的運算結果如表11所示：
由上得到如下模型：Ln（■）=8.224-1.464Fisher-1.168X31 -10.481X35+ε （模型3-3）
（2）混合模型結果的檢驗。利用建模樣本和檢測樣本對本文所建立的混合模型進行檢驗，結果如表12、表13所示：
由表12、表13可以看出，建模樣本及檢測樣本混合模型的綜合預測率比模型3-2分別提高了5.956%、7.84%；其第Ⅰ類錯誤分別降低了3.57%、5.88%，第Ⅱ類錯誤分別降低了7.15%、8.83%。因此利用Fisher值建立混合模型將有助于提高模型的綜合預測率，從而降低誤判率。
五、研究結論與建議
本文根據變量檢驗的結果，在單純財務類指標模型的基礎上，引入控股股東性質、CR-S指數2個公司治理指標進行建模分析，不管是建模樣本還是檢測樣本，在引入公司治理指標后，模型的綜合預測率都有顯著的提升，降低了模型的誤判率。本文的研究結果還表明：混合模型比單一模型具備更好的預測效果，不管是建模樣本還是檢測樣本，混合模型預測的綜合準確率比單一的Logistic模型均有顯著的提高，第Ⅰ類錯誤率和第Ⅱ類錯誤率均顯著降低。
本文的研究還存在一定的局限性：首先，本文選取的42個預警指標主要是基于前人的研究和筆者自己的判斷，但影響企業財務狀況的因素是多種多樣的，后續研究可進一步擴充指標體系。其次，本文從靜態角度對企業陷入財務危機的可能性進行判斷，而企業陷入財務危機是一個動態過程。隨著我國資本市場的逐步完善及相關數據庫資料的積累，我們將使用動態模型，這能提高財務危機預測的準確性。
主要參考文獻
1. Fitzpatrick P.J.. A Comparison of Ratios of Successful Industrial Enterprise with Those of Failed Firms. Certified Public Accountant，1932；2
2. Beaver W. H.. Financial Ratios as Predictors of Failure. Journal of Accounting research（Supplement），1966；17
3. Martin D.. Early warning of bank failure： a logistic regression approach . Journal of banking and finance，1977；1
4. Feng Yu Lin， Sally MeClean. A Data Mining Approach to the Prediction of Corporate Failure. Kownledge-Based Systems，2001；4
5. 吳世農，黃世忠，企業破產的分析指標及預測模型.中國經濟問題，1986；6
6. 周首華，楊濟華，王平.論財務危機的預警分析——F分數模型.會計研究，1996；8
7. 吳世農，盧賢義.我國上市公司財務危機的預測模型研究.經濟研究，2001；6
8. 楊淑娥，徐偉剛.上市公司財務預警模型——Y分數模型的實證研究.中國軟科學，2003；1
【作 者】
李紅梅 田景鮮
【作者單位】
（中南大學商學院 長沙 410083 華中科技大學管理學院 武漢 430074）
