沪深两市上市公司财务预警风险分析.docVIP

沪深两市上市公司财务预警风险分析 　　【摘要】文章以2012年1月到2012年6月期间沪深两市新增的28家ST公司为研究样本，按照1：1的比例选择同行业、同会计年度、相近资产规模的另外28家上市公司，利用主成分方法，对财务预警进行预测。结论表明，文章建立的财务预警模型的正确率达到了100%，有较好的预测效果。 　　【关键词】财务预警 主成分 ST公司 　　一、引言 　　从1993年的全国性资本市场的形成开始，中国的资本市场不断发展壮大，上市公司也越来越多。随着上市公司规模的壮大，财务危机的预警越来越体现出其重要的作用。财务预警以公司的财务信息为研究基础，通过观察一些财务指标的综合变化，可以监控和预警可能出现的财务危机，为上市公司的经营提供参考，以便改善经营。 　　二、文献综述 　　财务预警的研究方法主要是单变量和多变量两种方法。单变量模型是早期出现的方法；后来出现了更为完善和有效的模型，即多变量模型。多变量模型主要包括多元线性判别模型、logistic模型和神经网络模型三种。多元线性模型，需要变量符合正态分布；而logistic模型对变量的分布不做要求，实用性较好。 　　很多学者研究了财务预警得建立和预测。张爱民等（2001）采用主成分分析方法，建立了“主成分预测模型”，对上市公司财务失败的主成分预测模型进行实证检验；文章中用1年前的数据得到模型预测的正确率为92.50%。孔宁宁等（2010）综合运用主成分分析法和Logistic回归法构建制造业上市公司财务预警模型；结果表明，成分分析模型与Logistic回归模型的判别准确率均较高，但整体而言，主成分分析预警模型的判别效果更好。 　　本文将ST公司界定为“财务失败企业”（张爱民等，2001）。由于主成分分析预警模型的判别效果相对于Logistic回归模型更好（孔宁宁等，2010），故本文使用主成分分析模型做财务预警模型。 　　三、模型设定 　　（一）研究样本筛选 　　本文以上市公司中的ST公司作为“财务失败”样本。样本选择范围为在所有上市公司，样本选择时间为2012年1月到2012年6月期间，经过筛选最后确定该期间新增的28家ST公司为样本。并按照1：1的比例选择跟这28家ST公司相同会计年度、行业类型相同的、资产规模相近（根据行业排行，选择与之资产规模排名前后的非ST公司）28家非ST公司作为配对样本。 　　按照通常的研究方法，将这28对上市公司（56家）分为两组，20对为估计样本组，其余的8对为测试样本组。 　　（二）财务预警指标的筛选 　　数据选择是各个公司2011年年报中的财务数据，数据来源：Wind资讯。为了能过全面反映企业的偿债能力、营运能力、成长能力和盈利能力，初始指标选择了24个财务指标。 　　根据配对样本T检验，对这24个指标（分别表示为X1- X24）进行筛选，以便使得这些指标能够有效地区分ST公司和非ST公司。选择的标准是双尾T检验的显著性水平为5%。 　　根据上述方法，最后的模型变量为以下11个指标：主营业务收入同比增长率（X1）、总资产同比增长率（X2）、每股净资产（BPS）同比增长率（X3）、销售净利率（X5）、资产净利率（ROA） （X6）、存货周转率（X7）、流动资产周转率（X8）、总资产周转率（X9）、流动比率（X10）、速动比率（X11）、保守速动比率（X12）。 　　（三）主成分分析 　　1.数据的标准化 　　下面首先对20对上市公司估计样本做主成分分析。由于财务比率取值范围不同或度量单位存在差异，首先应进行数据的标准化处理。 　　2.主成分指标的确定 　　（1）验证因子分析的可行性及显著性 　　Bartlett检验目的是确定所要求的数据是否取自多元正态分布的总体。由输出结果可知，Bartlett检验的F值等于 0.000，表明本文研究对象的数据资料来自正态分布总体，可以做进一步分析。 　　KMO检验目的是分析观测变量之间的简单相关系数和偏相关系数的相对大小，看数据是否适合进行因子分析，取值变化从0-1之间。KMO结果大于0. 572，可以尝试进行因子分析。同时，根据各个变量提取公共因子方差结果可以看出：除了x2、x7在0.7左右以外，其他变量都在0.8以上，说明因子分析的效果是显著的。 　　（2）确定主因子和及赋予主因子经济含义 　　在确定主因子个数时，根据结果的特点，本文按照在特征值大于1的前提下，选择主成分包含原来信息较大的原则进行取舍，最后提取了五个主成分。经过方差最大化旋转之后，五个主成分的累计贡献率为85.705%，符合因子分析的标准。 　　经过方差最大化旋转之后，形成五个主因子的因子载荷矩阵。根据主成分在变量上的负荷的集中程度，最后确定了五个主成分，分别是偿债能力指标、营运能力指标、F4为成长指标之主营业务收入同比增长率以