上市公司财务失败模型实证分析定稿83.docVIP

上市公司财务失败模型实证分析 张晓晴 王巍 内容摘要：近年来，国内学者对上市公司财务失败的关注越来越广泛。本文在分析国内和国外研究文献的基础上，分析了目前国内建立财务失败模型误区，然后选用了上海A股市场的数据，对数据间的多重共线性进行了处理，建立了Logit模型，结果表明模型的拟和度较高，达到了了78.9%。最后，还用建立的模型进行了测试，结果模型的判正率达到72%，说明该模型总体效果较好。 关键词：财务失败 多重共线性 Logit模型 绪论 1．1财务失败简析 所谓财务失败是指一个企业的盈利能力实质性的减弱，持续经营遇到了困难，无力偿还到期债务的困难和危机。从资产存量角度看，财务失败表现为企业总资产账面价值低于总负债账面价值，即企业净资产为负数；从现金流量角度看，财务失败表现为企业现金流入小于现金流出，即企业现金净流量为负数。本文以ST公司为财务失败的典型表现。 1．2文献回顾 Beaver（1966）使用由79对公司组成的样本，通过对30多个比率进行单个检验，他发现最好的判别变量是现金流量/总负债。Beaver还发现越临近破产日，误判率越低。由于企业的财务特征不可能由一个变量充分反映，因此，此后的大量研究倾向于采用多变量分析方法。Altman于1968年首先使用了多元线性判别模型来研究公司的破产问题。根据行业和资产规模，他为33家破产公司选择了33家非破产?配比公司，选用22个变量作为破产前1～5年的预警备选变量，根据误判率最小的原则，最终确定了5个变量为最佳判别变量。 最终的估计判别函数为： Z=0.12X1+0.14X2+0.33X3+0.06X4+1.0X5 线性判别模型对预警变量有着严格的联合正态分布要求，但现实中大多数财务比率并不满足这一要求，且一旦在预警变量中出现虚拟变量，那么联合正态分布的假设完全不成立。为克服这一局限性，研究人?员引进了逻辑（Logit）和概率比（Probit）回归方法。Ohlson（1980）分析了样本公司在破产概率区间上?的分布以及两类判别错误和分割点的关系，他发现至少存在四类显著影响公司破产概率的变量：公司规模、资本结构、业绩和当前的变现能力。由此，Ohlson认为：以前根据行业和资产规模来进行样本配比的选样方法显得有些武断，还不如将资产规模变量直接放在模型中考虑。此后，Coats和Fant在1991年对47家财务困境公司和47家正常公司运用神经网络模型进行判别时，对财务困境公司的预测准确率达到了91%，明显高于多元判别法72%的准确率。然而，back等人在1994年等人在1994年所做的研究中并不认为神经网络模型具有多元判别分析和logit分析更加明显的预测效果。 国内学者陈静以27对同行业同规模的ST和非ST公司的财务数据为基础，进行了单变量判别分析和多变量判别分析，最后的结果为在宣布日前一年总的准确率为100%和85%。吴世农、卢贤义（2001）采用单变量模型、多元线性判定和Logit模型，结果证明，在财务困境发生前三种模型均能够做出相对准确的预测，误判率在28%以内。卢宇林等采用多种判别分析方法，模型的总体有效性达到81%。 2 判别分析方法的选择 2.1判别分析方法的选择 综合大量文献可以看出，目前学术界主要采用的方法有Z-score模型，多元判别分析，Logit模型。但是在具体运用中存在大量的误用，特别是忽视了模型的前提假设。 Z-score模型是Altman根据美国的破产公司得出的经验数据，不论选取的指标和系数都不一定适合于中国，但国内现在很多学者是直接用该模型判断我国上市公司的财务状况，其结果的可信性可想而知。 在判别分析法中，贝叶斯判别要求满足整台分布，协方差矩阵相等，判别函数为线性函数的形式。如果总体不服从正态分布，则判别形式虽然能够成立，但结果肯定可能不是最优的结果。Fisher判别对分布类型的要求相对较松，可以是任何概率分布，但要求协方差矩阵相等，判别函数也要求是线性函数。在Fisher 判别中如果协方差阵不相等，也会影响模型的正确性。从常识中，我们即容易得出结论：财务危机公司和正常公司各自财务比率的协方差阵是不可能完全相同的，因为两类公司的各项财务指标的波动情况不会完全一致。同时，和其他金融数据一样，企业的财务比率并不服从正态分布，而具有明显的高峰厚尾分布的特征。因此，多元判别分析在分布类型、协方差阵等方面严格的假定，使其在实践中的应用难度非常大。 基于多元判别分析的种种限制，Logit 的应用相对更多，这是因为Logit 回归模型的理论前提相对判别分析法要宽松得多，且没有关于分布类型、协方差阵等方面的严格假定。不过，在大量运用Logistic 回归的研究中往往忽视了另一个相当重要的问题，即模型自变量之间可能存在的多重共线性