基于Logistic和Z计分法公司财务预警模型研究.docVIP

基于Logistic和Z计分法公司财务预警模型研究 　　【摘要】以沪深A股制造业上市公司为研究对象，运用因子分析法确定主成分指标后，再利用二分类Logistic回归建立中国上市公司制造业行业的财务预警模型，并进一步对模型的预测效果进行检验，从而得出模型的预测准确率达到了95.0%。 　　【关键词】财务危机 财务预警模型 因子分析 Logistic回归 　　一、引言 　　所谓财务预警，是指借助企业提供的财务报表等其他相关会计资料，运用企业管理学、财务学等理论，采用比率分析等多种分析方法，以发现企业潜在的财务风险，避免财务危机的实际发生。 　　上市公司财务预警是国内外学者广泛关注的研究课题，有重要的学术价值和应用价值。制造业作为我国国民经济的支柱行业，在工业4.0时代，应该利用新概念带来的新思路、新方法和新模式，实现新常态下的转型升级。机遇与挑战并存，制造业在快速突破发展瓶颈的情况下，财务预警研究尤为重要。 　　二、文献回顾 　　关于财务预警的研究最早是由FitzPatrick（1932）提出的单变量破产预测模型。他认为单一的财务比率能很好的反映企业财务状况，但忽视了单一财务比率的随机性，并无法全面反映企业状况。直到1968年，Altman开始运用多个财务指标加权汇总得出多变量判定模型（简称Z-Score模型），目前被大多数学者所应用，也是发展最为成熟的财务预警模型。随后，学者Ohlson（1980）克服了多变量判定模型对变量有严格联合正态分布要求，采用多元逻辑回归模型（简称Logistic模型）从而计算出企业破产的概率。后来，各国学者掀起财务预警研究浪潮，相继提出了概率模型、混合模型等，但由于缺乏技术支持，研究受到了一定阻碍，而Z-Score模型成为财务预警体系中不可替代的工具。 　　到了20世纪80年代，国外财务预警的研究成果逐渐被引入国内。上世纪90年代，企业会计准则出台后，财务预警的研究热潮开始，周首华（1996）提出F分数模型，并以Zimmer公司为例进行了F分数的测算，警示企业面临着财务危机的困境。陈静（1999）根据财务报表数据，以1998年的37家ST公司和27家非ST公司为样本进行了一元分析。随后，孙铮（2000）、吴世农（2001）、王泽霞（2009）都分别从不同角度对财务预警问题进行了深入分析和研究。近年来，基于递阶遗传算法和BP网络的财务预警（周辉仁，2010）、基于信息融合的数据挖掘方法在财务预警中的应用（张亮等，2015）、基于混沌理论的预测模型（张晓燕，2016）等新方法不断提出，丰富了财务预警领域的研究。 　　国内外学者对于财务预警模型的研究越来越成熟，但由于数据的复杂性等原因，对于制造业上市公司的研究却极少，本文在前人研究成果的基础上，首先利用阿特曼Z-score模型判断得分较低的企业已有较大的概率陷入财务危机，接着利用因子分析法对所选取的指标提取出公因子，利用二分类Logistic回归建立中国上市公司制造业行业的财务预警模型。 　　三、上市公司财务预警模型的构造 　　（一）样本来源和指标选取 　　在对样本进行选择时，根据国家统计局《2017年国民经济行业分类（GB/T 4754―2017）》标准，首先选取了所有上市的制造业企业作为样本，共2220家，选取财务指标的数据是2016年的年报，所有年报数据均取自合并财务报表。 　　美国纽约大学Altman教授（1968）提出了多元判别分析模型（Z-Score模型），在研究中共选择了五个财务指标，对每个指标分别赋予不同的权重，然后得到这些财务指标的加权平均值即判别值（Z值），最后根据Z值的大小来确定企业的财务状况。Z-Score模型的思路是运用多变量模式建立多元线性函数公式，即运用多种财务指标加权汇总产生的总判别分（称为Z值）来预测企业的财务危机。本文采用此方法： 　　■ 公式（1） 　　其中， 　　X1=（期末流动资产-期末流动负债）/期末总资产 　　X2=（未分配利润+盈余公积）/期末总资产 　　X3=息税前利润/期末总资产 　　X4=期末股东权益的市场价值/期末负债 　　X5=本期销售收入/总资产 　　计算完Z值后，把各个样本的Z值做了排序，我们选取了Z值较低（1.8以下）的313家企业和Z值较高（3到5）的353家企业，作为对照组，剔除异常值后，作为Logistic分析的新样本，然后我们又选取了下表的财务指标，所有的样本指标数据都是选取的2016年报数据。 　　表1 财务预警指标 　　■ 　　（二）因子分析法 　　为保证分析结果的有效性和可信性，本文采取因子分析法进行统计分析。因子分析法是一种多元统计法，旨在找出某些共同因素，以用尽可能少的因子取代大量的原始数据，同时又能反映出原始数据的信息，并