财务困境预测模型实证研究及改进.docVIP

财务困境预测模型实证研究及改进【摘要】本文利用2010—2012年沪深两市中被ST的47家公司和47家非ST公司的财务指标，根据中国资本市场的实际状况，构建了一个系数与变量修正后的Z-score模型；然后建立一个以现金流量为基础的财务预警统计模型，共同构建财务困境预测模型组合。实证研究表明：整个预测系统的准确率较高，ST公司在T-2年前被成功预测的概率为82.98%，配合现金流财务预警模型，准确率进一步提升。所以该预测模型组合具有较大的使用和研究价值。 【关键词】财务困境；多元判别分析；Z-score模型；现金流统计预警 1.引言 1.1 研究背景与意义 自1990年12月19日上海证券交易所成立以来，我国证券市场迅速发展，已成为我国国民经济的重要组成部分。以此同时，为了维护证券市场的正常秩序，保护广大投资者的利益，证监会等相关部门，公布了《上市公司状况异常期间的特别处理》等法律法规。自“特别处理”制度实施以来，其对投资者及上市公司本身产生了重大影响，因此有必要对其发生的可能性进行预测。 企业陷入财务困境是一个逐步的过程。实践中，大多数企业的财务困境是由财务状况正常到逐步恶化，最终导致破产。因此，企业财务困境是可预测的。正确预测企业财务困境，对不同的利益相关人，具有不同的现实意义，具体来说： （1）对企业管理层，起到警示作用。 （2）对股票持有人，可减少股票贬值带来的损失。 （3）对企业的债权人，可减少无法收回本利的损失。 （4）对政府部门，可根据预测模型提前发现陷入财务困境的公司，从而协调各方面关系，减少企业失败的概率，从而减少破产成本的支出和因工人失业造成的社会动荡。 （5）此外，财务困境预测研究对其他许多利益相关人和潜在利益相关人有重要的现实意义，如并购方企业、与陷入财务困境公司有生意往来的其他公司等。 1.2 国内外研究 国外研究财务困境预测模型的先驱Altman（1968）[1]通过多元判别分析法逐步选出5个最具有预测能力的财务比率，建立了Z-score模型。然而因多元回归模型要求自变量间具有协方差矩阵相等及自变量服从正态分布等条件，同时又因其缺乏现金流量方面的指标而遭到预测能力的质疑。为了克服以上条件的限制1980年以来，以Ohlson（1980）[2]为代表的研究者们采用了逻辑回归Logistic模型及概率模型Probit两种统计方法进行预测模型构建。 国内最早在财务预测方面作出贡献的是吴世农等（1986）[3]介绍的公司破产分析指标和预测模型；舒惠好（2005）[4]在传统预警模型基础上加入行业差异变量，对现有财务预警模型提出修正与建议；朱卫东、李朝阳、吴勇（2011）[5]通过对沪深两市首次被ST公司前5年的相关数据的研究，发现现金流量在财务预警方面发挥着重要作用。 1.3 本文研究思路 基于以上认识，本文采用多元判别分析法对因连续两年亏损而被ST的中国公司进行分析，在Z-score模型的基础上结合中国实际进行模型的修正与改进，同时构建以现金流量信息为主的统计模型，利用模型组合来提升预测精度。 2.本文的样本和研究方法 2.1 样本选择 本文的样本数据全部取自于国泰安数据库，选取了2010-2012年期间47家被ST或者*ST的公司，作为ST组的样本；并从这47家上市公司所在行业中选取47家与之规模相近的正常公司，作为正常组的样本，总样本数达到94家。设T表示被特别处理的年份，本文选取的样本均是T-2年的数据。 2.2 研究方法 本文首先运用中国上市公司数据计算出资产周转率、权益杠杆等5个指标来反映公司的盈利能力、长期与短期偿债能力、流动性、营运能力，并用这些指标来对Altman的经典Z-score模型进行检验。然后在保持原先变量不变的基础上，运用STATA中的多元判别分析对Z-score模型中的系数进行修正，进而提升准确率。最后再引入新的变量替换原模型中的变量，使模型更加符合实际情况，并随之建立一个现金流统计模型来弥补新模型的不足。 3.实证研究 3.1 Z-score模型运用 Z-score模型是由Altman教授于1968年提出的，他以1946～1965年中宣告破产的33家公司作为研究样本，再按行业和规模寻找类似的正常公司进行配对比较，选取了22个能反映借款人财务状况和还本付息能力的财务比率作为变量，然后运用多元判别分析法逐步选择出5个最具有预测能力的财务比率，如下所示： X1=EBIT（息税前利润）/总资产 X2=净营运资本/总资产 X3=营业收入/总资产 X4=所有者权益/负债 X5=留存收益/总资产 根据比率对借款还本付息的影响程度确定变量权重，最后将每一个比率乘以相应权重，然后相加