- 相關推薦
我國上市公司財務困境的預測模型研究
內容提要：本文以我國上市公司為研究對象，選取了70家處于財務困境的公司和70家財務正常的公司為樣本，首先應用剖面分析和單變量判定分析，研究財務困境出現前5年內各年這二類公司21個財務指標的差異，最后選定6個為預測指標，應用Fisher線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法，分別建立三種預測財務困境的模型。研究結果表明：(1)在財務困境發生前2年或1年，有16個財務指標的信息時效性較強，其中凈資產報酬率的判別成功率較高；(2)三種模型均能在財務困境發生前做出相對準確的預測，在財務困境發生前4年的誤判率在28％以內；(3)相對同一信息集而言，Logistic預測模型的誤判率最低，財務困境發生前1年的誤判率僅為6．47％。
一、財務困境預測模型研究的基本問題
財務困境(Financial distress)又稱“財務危機”(Financial crisis)，最嚴重的財務困境是“企業破產”(Bankruptcy)。企業因財務困境導致破產實際上是一種違約行為，所以財務困境又可稱為“違約風險”(Default
risk)。事實上，企業陷入財務困境是一個逐步的過程，通常從財務正常漸漸發展到財務危機。實踐中，大多數企業的財務困境都是由財務狀況正常到逐步惡化，最終導致財務困境或破產的。因此，企業的財務困境不但具有先兆，而且是可預測的。正確地預測企業財務困境，對于保護投資者和債權人的利益、對于經營者防范財務危機、對于政府管理部門監控上市公司質量和證券市場風險，都具有重要的現實意義�？v觀財務困境判定和預測模型的研究，涉及到三個基本問題：一是財務困境的定義；二是預測變量或判定指標的選擇；三是計量方法的選擇。
(一)財務困境的定義
關于財務困境的定義，有不同的觀點。Carmiehael(1972)認為財務困境是企業履行義務時受阻，具體表現為流動性不足、權益不足、債務拖欠及資金不足四種形式。Ross等人(1999；2000)則認為可從四個方面定義企業的財務困境：第一，企業失敗，即企業清算后仍無力支付債權人的債務；第二，法定破產，即企業和債權人向法院申請企業破產；第三，技術破產，即企業無法按期履行債務合約付息還本；第四，會計破產，即企業的賬面凈資產出現負數，資不抵債。從防范財務困境的角度看，“財務困境是指一個企業處于經營性現金流量不足以抵償現有到期債務”，即技術破產。
在Beaver(1966)的研究中，79家“財務困境公司”包括59家破產公司、16家拖欠優先股股利公司和3家拖欠債務的公司，由此可見，Beaver把破產、拖欠優先股股利、拖欠債務界定為財務困境。Altman(1968)定義的財務困境是“進入法定破產的企業”。Deakin(1972)則認為財務困境公司“僅包括已經經歷破產、無力償債或為債權人利益而已經進行清算的公司”。
(二)預測變量的選擇
財務困境預測模型因所用的信息類型不同分為財務指標信息類模型、現金流量信息類模型和市場收益率信息類模型。
1．財務指標信息類模型。Ahman(1968)等學者(Ahman，Haldeman和Narayanan，1980；Platt和Platt，1991)使用常規的財務指標，如負債比率、流動比率、凈資產收益率和資產周轉速度等，作為預測模型的變量進行財務困境預測。
盡管財務指標廣泛且有效地應用于財務困境預測模型，但如何選擇財務指標及是否存在最佳的財務指標來預測財務困境發生的概率卻一直存在分歧。Harmer(1983)指出被選財務指標的相對獨立性能提高模型的預測能力。Boritz(1991)區分出65個之多的財務指標作為預測變量。但是，自Z模型(1968)和ZETA模型(1977)發明后，還未出現更好的使用財務指標于預測財務困境的模型。
2．現金流量信息類模型�，F金流量類信息的財務困境預測模型基于一個理財學的基本原理：公司的價值應等于預期的現金流量的凈現值。如果公司沒有足夠的現金支付到期債務，而且又無其他途徑獲得資金時，那么公司最終將破產。因此，過去和現在的現金流量應能很好地反映公司的價值和破產概率。
在Gentry，Newbold和Whitford(1985a；1985b)研究的基礎上，Aziz、Emanuel和Lawson(1988)發展了現金流量信息預測財務困境模型。公司的價值來自經營的、政府的、債權人的、股東的現金流量的折現值之和。他們根據配對的破產公司和非破產公司的數據，發現在破產前5年內兩類公司的經營現金流量均值和現金支付的所得稅均值有顯著的差異。顯然，這一結果是符合現實的。破產公司與非破產公司的經營性現金流量會因投資質量和經營效率的差異而不同，二者以現金支付的所得稅也會因稅收會計的處理差異而不同。Aziz、Emanuel和Lawson(1989)比較了Z模型、ZETA模型、現金流量模型預測企業發生財務困境的準確率，發現現金流量模型的預測效果較好。
3．市場收益率信息類模型。Beaver(1968)是使用股票市場收益率信息進行財務困境預測研究的先驅。他發現在有效的資本市場里，股票收益率也如同財務指標一樣可以預測破產，但時間略滯后。Altman和Brenner(1981)的研究表明，破產公司的股票在破產前至少1年內在資本市場上表現欠佳。Clark和Weinstein(1983)發現破產公司股票在破產前至少3年內存在負的市場收益率。然而，他們也發現破產公告仍然向市場釋放了新的信息。破產公司股票在破產公告日前后的兩個月時間區段內平均將經歷26％的資本損失。
Aharony，Jones和Swary(1980)提出了一個基于市場收益率方差的破產預測模型。他們發現在正式的破產公告日之前的4年內，破產公司的股票的市場收益率方差與一般公司存在差異。在接近破產公告日時，破產公司的股票的市場收益率方差變大。
(三)計量方法的選擇
財務困境的預測模型因選用變量多少不同分為單變量預測模型和多變量預測模型；多變量預測模型因使用計量方法不同分為線性判定模型、線性概率模型和Logistic回歸模型。
此外，值得注意的是，近年來財務困境預測的研究方法又有新的進展。網絡神經遺傳方法已經開始被應用于構建和估計財務困境預測模型。
(四)我國對企業財務困境預測的研究
在國內的研究中，吳世農、黃世忠(1986)曾介紹企業的破產分析指標和預測模型；陳靜(1999)以1998年的27家ST公司和27家非ST公司，使用了1995—1997年的財務報表數據，進行了單變量分析和二類線性判定分析，在單變量判定分析中，發現在負債比率、流動比率、總資產收益率、凈資產收益率4個財務指標中，流動比率與負債比率的誤判率最低；在多元線性判定分析中，發現由負債比率、凈資產收益率、流動比率、營運資本／總資產、總資產周轉率6個指標構建的模型，在ST發生的前3年能較好地預測ST。張玲(2000)以120家公司為研究對象，使用其中60家公司的財務數據估計二類線性判別模型，并使用另外60家公司進行模型檢驗，發現模型具有超前4年的預測結果。
二、本文的樣本和研究方法
本文與以前我國上市公司財務困境的研究有所不同。第一，樣本新、時間長、容量大。本文研究的ST樣本包括1998—2000年發生ST的公司，即A股市場上全部的ST公司，同時剔除了非正常的ST公司；此外，樣本數據的收集時間延至公司發生ST前5年，樣本時間跨度較長。選入研究的ST樣本公司70家和相對應的非ST樣本公司70家，樣本容量達到了140家，可望在一定程度上降低估計和預測誤差。第二，選擇多種研究方法，建立單變量判定模型和三種多變量判定模型，并比較各種模型在財務困境預測中的效率。
(一)財務困境公司的樣本選定
本文從我國A股市場上3年中出現的82家ST公司中界定出70家公司作為財務困境公司，進行財務困境預測研究。它們是：(1)連續兩年虧損，包括因對財務報告調整導致連續兩年虧損的“連虧”公司，共51家；(2)一年虧損但最近一個會計年度的股東權益低于注冊資本，即“巨虧”公司，共16家；(3)因注冊會計師意見而特別處理的，共3家。但排除了：(1)上市兩年內就進入特別處理的公司，共8家。排除原因是財務數據過少和存在嚴重的包裝上市嫌疑，因此與樣本中的其他公司不具有同質性；(2)因巨額或有負債進行特別處理的公司，共2家。排除原因是或有負債屬偶發事件，不是由企業正常經營造成的，與其他樣本公司不具有同質性；(3)因自然災害、重大事故等進行特別處理的，共2家，原因同(2)。
(二)研究程序和計量方法
本研究首先計算140家樣本公司的盈利增長比率、股東權益收益率等21個財務指標，這些指標綜合反映了企業的盈利能力、長短期償債能力、營運能力、成長能力和企業規模。在此基礎上，使用剖面分析對樣本中的財務困境公司和非財務困境公司在財務困境發生前5年期間歷年的21個財務指標進行對比分析，探討對企業陷入財務困境影響顯著的變量。其后，應用單變量分析，選擇4個財務指標為例估計單變量判定模型。最后，篩選和確定對企業陷入財務困境影響最為顯著的6個指標為模型的判定指標，應用線性概率模型、Fisher二類線性判定模型、Logistic模型三種計量方法，建立和估計財務困境的預測模型，并比較這三種模型的預測效果。
三、實證研究
(一)剖面分析
首先分組計算70家財務困境公司和70家非財務困境公司的21個財務指標在財務困境發生前1至5年的平均值和標準差等描述性統計量，比較這二組在21個財務指標各年的平均值是否具有顯著差異，其次計算各年的Z統計檢驗量，結果如表1所示。剖面分析結果表明：(1)在ST發生的前1和2年，財務困境公司和非財務困境公司的17個財務指標的平均值存在顯著的差異；(2)Z值隨著ST發生時間的臨近而顯著增大，即二組的財務指標平均值的差異隨ST發生時間的臨近而擴大。由此可見，在所選的21個財務指標中，除利息保障倍數、存貨周轉率、Log(總資產)和Idg(凈資產)外，其余17個在財務困境發生前1至2年中具有顯著的預測能力。
表1 21個財務指標Z統計量的計算結果*
變量
年份
財務指標
1
2
3
4
5
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
X13
X14
X15
X16
X17
X18
X19
X20
X21
盈利增長指數
凈資產報酬率
資產報酬率
主營業務利潤貢獻率
主營業務利潤率
利息保障倍數
流動比率
速動比率
超速動比率
負債比率
長期負債比率
營運資本與總資產比例
留存收益與總資產比例
資產增長率
股東權益增長率
主營業務收入增長率
應收帳周轉率
存貨周轉率
資產周轉宰
Log(總資產)
Log(總凈資產)
-5．02801
-9．39818
-13.5737
-6．95792
-2．38001
-1.00056
-4．18523
-4．78131
-4．76609
7．069639
2.677646
-7.48542
-5.86409
-5.45125
-2.17953
-2.22814
-3．10585
0．76(5903
-5．33927
-2．06383
-1．17666
-7．27657
-8．29335
-9．85133
-3．38818
-1．69139
-2．47864
-2．55904
-2．68381
-3．8911
4．709338
1．649888
-4．6706
-7．30313
-5．8694
-6．16978
-2．82127
-3．55299
0．269081
-3．92923
-0．10284
0．390389
-3．192363
-5．579462
-6．17433
-3．05861
-0．379336
-0．457141
0．9768771
0．7578366
0．1646762
1．3630592
1．2005162
-1．073014
-3．051216
-2．918784
-3．705277
-3．202361
-0．873054
-0．639056
-3．424565
1．0443092
0．9128631
-3．87171
-3．19338
-4．38721
-0．88492
0．350246
0．802593
-0．06973
-0．16707
-0．76186
2．181309
1．141137
-0．96758
-3．22819
1．031446
0．356409
0．943658
-1．94698
-0．84383
-1．42641
2．35245
2．163495
n．a．
-1．86256
-2．29654
0．183391
0．345284
0．100075
1．036392
1．146756
1．120344
1．015672
0．499249
0．218316
-1．0225
n．a．
n．a．
n．a．
-2．75977
-0．86133
-1．9508
1．083705
1．358374
*Z是二組的平均數之差除于二組的共同標準誤，即Z=[M1-M2]/[S1/N1]+（S2/N2）]1/2
(二)單變量判定分析
本文選擇凈資產報酬率、負債比例、營運資產與總資產的比例和資產周轉率4個財務指標，應用單變量判定分析分別建立4個單變量預測模型，通過確定模型的最佳判定點，可以判定某一企業在財務困境發生前1至5年其是否會陷入財務困境。估計模型的結果如表2至表5所示。
表2 凈資產報酬率在財務困境前1-5年的判定模型
年份
最佳判定點
原始值
預測值
合計
誤判率
0
1
(％)
計數
0
64
6
70
1
0．00
1
7
62
69
9．35
百分比
0
91．43
8．57
100
1
10．14
89．86
100
計數
0
57
13
70
2
0．055
1
11
59
70
17．14
百分比
0
81．43
18．57
100
1
15．71
84．29
100
計數
0
52
18
70
3
0．095
1
18
51
69
25．90
百分比
O
74．29
25．71
100
1
26.09
73．91
100
計數
0
41
21
62
4
0．105
1
21
40
61
34．15
百分比
0
66．13
33．87
100
1
34．43
砧．57
100
計數
0
18
13
31
5
0．105
1
16
16
32
46.03
百分比
0
58．06
41．94
100
1
50．00
50．00
100
由表2至表5可見：(1)從各個單變量判定模型的判定效果來看，凈資產報酬率的判定模型誤差最��；營運資本／總資產的判定模型和負債比率的判定模型誤差次之，資產周轉率的判定模型誤差最大。(2)財務指標作為預測變量具有信息含量和時效性，其信息含量隨著時間的推移而遞減，即指標值離財務困境發生的時間愈短，信息含量愈多，預測的準確性愈高，反之信息含量愈少，預測準確性愈低。(3)結合剖面分析，在兩組均值的差異性檢驗中非常顯著的財務指標，在單變量判定分析中的誤判率卻較高。例如，財務困境公司與非財務困境公司兩組的負債比率在財務困境前1年的Z統計量為7．0696，差異性非常顯著，但在單變量判定分析中誤判比率卻高達24．46％。以上結果表明，應用不同研究方法分析同一個指標所得結果不同。我們認為，這是因為在剖面分析的z檢驗中，誤判率不僅與兩組的均值有關，而且與兩組的樣本分布的狀況有關。因此，應用不同判定分析方法構建的單指標判定模型，結論往往相互沖突。
表3 負債比率在財務困境前1-5年的判定模型
年份
最佳判定點
原始值
預測值
合計
誤判率
0
1
(％)
計數
0
53
17
70
1
0．585
1
17
52
69
24．46
百分比
0
75．71
24．29
100
1
24．64
75．36
100
計數
0
46
24
70
2
0．505
1
24
46
70
34．29
百分比
0
65．71
34．29
100
1
34．29
65．71
100
計數
0
43
27
70
3
0．495
1
26
43
69
38．13
百分比
0
61．43
38．57
100
1
37．68
62．32
100
計數
0
38
24
62
4
0．53
1
22
39
61
37．40
百分比
0
61．29
38．71
100
1
36．07
63．93
100
計數
0
19
12
31
5
0．455
1
12
20
32
38．10
百分比
0
61．29
38．71
100
1
37．50
62．50
100
表4 營運資本/總資產在財務困境前1-5年的判定模型
年份
最佳判定點
原始值
預測值
合計
誤判率
0
1
(％)
計數
0
54
16
70
1
0．065
1
14
55
69
21．58
百分比
0
77．14
22．86
100
1
20．29
79．71
100
計數
0
50
20
70
2
0．155
1
22
48
-70
30．00
百分比
0
71．43
28．57
100
1
31．43
68．57
100
計數
0
36
34
70
3
0．165
1
31
38
69
46．76
百分比
0
51．43
48．57
100
1
44．93
55．07
100
計數
1
31
31
62
4
0．165
1
29
32
61
48．78
百分比
0
50．00
50．00
100
1
47．54
52．46
100
計數
0
16
15
31
5
0．145
1
16
16
32
49．21
百分比
0
51．61
48．39
100
1
50．00
50．00
100
表5 資產周轉率在財務困境前1-5年的判定模型
年份
最佳判定點
原始值
預測值
合計
誤判率
0
1
(％)
計數
0
50
20
70
1
0．36
1
21
48
69
29．50
百分比
0
71．43
28．57
100
1
30．43
69．57
100
計數
0
44
26
70
2
0．38
1
28
42
70
31.43
百分比
0
62．86
37．14
100
1
40．00
60．00
100
計數
0
44
26
70
3
0．475
1
26
43
69
37.41
百分比
0
62．86
37．14
100
1
37．68
62．32
100
計數
0
34
28
62
4
0．475
1
27
34
61
44.72
百分比
0
54．84
45．16
100
1
44．26
55．74
100
計數
0
18
13
31
5
0．405
1
15
17
32
44.44
百分比
O
58．06
41．94
100
1
46．88
53．13
100
(三)多元線性判定模型的變量選擇分析
本研究首先應用LPM，采用逐步回歸選擇變量方法，對5年的樣本數據依次進行回歸，從21個變量中選擇若干變量。選擇的標準是：F值的概率值小于0．10時進入，大于0．11時剔除。
利用財務困境前1至5年的數據，分別進行逐步回歸，結果如表6所示。我們最終選取了Xl(盈利增長指數)、X3(資產報酬率)、X7(流動比率)、X11(長期負債與股東權益比率)、X12(營運資本與總資產比)、X19(資產周轉率)等6個指標作為多元判定分析的變量。選取這些指標的原因是：(1)以財務困境前1年的逐步回歸結果為主，參考其他年份的回歸結果。由剖面分析可知，財務困境前1年的財務指標作為財務困境預測的信息含量最多，時效性最強；離財務困境發生的時間越遠，指標的信息含量越少，時效性越差。所以，財務困境前1年逐步回歸所得的變量全部入選。結合其他年份特別是財務困境前2年的結果，營運資本總資產比、速動比率、負債比率、應收賬款周轉率是表現較好的變量。(2)兼顧全面綜合的信息反映，適當避免同類信息的重復反映。首先，財務困境前1年逐步回歸所得的變量盈利增長指數、資產報酬率、長期負債股東權益比率、資產周轉率分別是反映企業成長能力、盈利能力、長期償債能力、營運能力的指標，但沒有反映短期償債能力的指標。營運資本與總資產比是財務困境前2年逐步回歸所得的變量之一，而且參數估計值的顯著性水平在0．05之上，故也把該變量作為預測變量之一。其次，速動比率是反映短期償債能力的指標，但更能全面反映短期償債能力是流動比率，結合剖面分析，歷年兩組間的流動比率和速動比率均值差異性檢驗統計量Z值比較接近，表明這二個指標都能反映的兩組的差異性。因此，從反映短期償債能力的全面性來考慮，我們在建模時選擇了流動比率，舍棄了速動比率。再次，考慮到若企業短期償債能力較強，會減少其在短期內陷入財務困境的概率，因此把短期償債能力的兩個指標——營運資本與總資產比和流動比率同時引入預測變量組合，加強短期償債能力信息在預測中的比重。第四，負債比率與長期負債股東權益比同是反映企業長期償債能力的指標，長期負債股東權益比已在財務困境前1年引入了變量組合，為避免信息的重復反映，舍棄了負債比率。最后，應收賬款周轉率與總資產周轉率同是反映營運能力的指標，但應收賬款周轉率不及總資產周轉率反映全面，所以反映營運能力的指標選用總資產周轉率，舍棄應收賬款周轉率。
表6 各年逐步回歸的所得的變量結果
年份
1
2
3
4
5
參數估計值
參數估計值
參數估計值
參數估計值
參數估計值
截距
0．4380
0．2225
0．2215
-1．2365
0．6001
X1
0．1087
-0．1661*
-0．2365
X3
-2．9856*
一2．2959，
-4．4429*
-2．7496*
X5
0．7748*
X8
0．1596*
0．0874*
X1O
0．4844
0．5194*
X11
0．2039*
X12
-0．6053x
X14
0．3597
X15
-0．2234*
X17
-0．0056
-0．0073*
X19
-0．1584*
X20
0．2008
為了避免多重共線性，對選定的6個變量進行多重共線性檢驗。本文使用的檢驗指標是容許度(TOL)和方差膨脹因子(VIF)。計算公式為：
TOLj=1—R2j=1／VIFj
其中，群為均對其余k—1個自變量回歸中的判定系數R2。當TOL較小時，認為存在多重共線性。一般地，方差膨脹因子VIF大于10，認為具有高的多重共線性。VIF檢驗的結果見表7。從表7可知，6個變量的VIF均小于10，可認為各變量之間不存在顯著的多重共線性。
表7 多重共線性檢驗
X1
X3
X7
X11
X12
X19
TOL
0．6255
0．4334
0．3792
0．9524
0．2922
0．8030
VIF
1．5987
2．3073
2．6373
1．0500
3．4225
1．2453
(四)多元線性判定模型的估計結果
1．LPM模型。根據上述選定的6個變量及其財務困境前1年的樣本數據，得到LPM模型的回歸結果如表8所示。LPM模型的方程可表示為：
Y=0．3883+0．1065x1-2．7733x3+0．0537x7+0．1970x11-0．3687Xl2-0.1388x19
其中：Y是陷入財務困境的概率；X1是盈利增長指數；x3是資產報酬率；x7是流動比率；X11，是長期負債股東權益比率；x12是營運資本／總資產；X19是資產周轉率。
表8 LPM模型的回歸估計結果
R2=0．6373
R2
一橫=0．6373
F=38．6508
P值=0．0000
參數估計值
標準差
T統計量
P值
截距
0．3883
0．0777
4．9992
0．0000
X1
0．1065
0．0570
1．8663
0．0642
X3
-2．7733
0．3068
-9．0408
0．0000
X7
0．0537
0．0446
1．2026
0．2313
X11
0．1970
0．0619
3．1836
0.0018
X12
-0．3687
0．2085
-1．7685
0.0793
X19
-0．1388
0．0798
-1．7394
0．0843
線性概率方程是以70家非財務困境公司與69家財務困境公司在財務困境前1年的6個財務指標的數據為因變量值，取財務困境公司為1，非財務困境公司為0作為因變量值進行估計的。因此，理論上取0．5為最佳判定點。根據估計的模型對原始數據進行回代判定，若預測值大于0．5的，判定為財務困境公司；否則為非財務困境公司。判定結果如表9所示。
表9 LPM在財務困境前1年的判定結果
原始值
預測值
合計
誤判率
0
1
(％)
計數
0
66
4
70
1
10
59
69
10．07
百分比
0
94．29
5．71
100
1
14．49
85．51
100
在回判過程中，70家非財務困境公司有4家被錯判，誤判率為5．71％；69家財務困境公司有10家被錯判，誤判率為14．49％；總的誤判率為10．07％。判定正確率較高。采用同樣的方法可以計算其他年份的最佳判定點和誤判率。
2．Fisher二類線性判定模型。把財務困境公司劃分為組合1，非財務困境公司劃分為組合2，對樣本公司的財務困境前1年的財務數據，使用同樣的6個變量，估計Fisher二類線性判定分析。
對于組合1，判定模型為：
Z=-6．059+0．331x1一25．865x3+4．033x7+3．250x11-11．905x12+4．428x19
對于組合2，判定模型為：
Z=-4．859—0．812x1+3．989x3+3．432x7+1．142x11一7．734x12+5．924x19
以典則(Canonical)變量代替原始數據中指定的自變量，其中，典則變量是原始自變量的線性組合，得到典則的線性判定模型為：
Z=0．448—0．435xl+11.374x3—0．229x7—0．803x11+1．589x12+0．570x19
根據上述判定模型，以財務困境發生前1年的原始數據分別進行回代。二個組合的平均Z值分別是-1．3254和1．3065，樣本個數分別為69和70，所以按完全對稱原則確定的最佳判定點為z*。由此可知：當把財務困境發生前1年的原始數據代入判定模型所得的判定值Z大于Z*，則判為組合2，即非財務困境公司，否則判為組合1。由此得到的判定結果見表10。同理可計算其他年份的最佳判定點和誤判率。
原始值 預測值 合計 誤判率 0 1 (％) 計數 0 66 4 70 1 10 59 69 10．07 百分比 0 94．29 5．71 100 1 14．49 85。51 100
值得指出的是，Fisher判定模型在財務困境發生前1年的誤判率為10．07％，與LPM模型的誤判率相同，這從應用上證明二個模型是等價的。
3．Iosistic回歸模型。使用同樣的財務指標和數據，進行二元Logistic回歸分析，得到模型的估計結果見表11。
表11 二元Logistic回歸模型估計結果
截距模型：
-2LOG
LIKEUHOOD=192．68772
當前模型：
-2LOG
LIKEUHOOD=50．644
參數估計值
標準差
Wald統計量
自由度
顯著性水平
X1
2．5313
0．7592
11．1168
1
0．0009
X3
-40．2785
8．0178
25．2368
1
0
X7
0．4597
0．5612
0．6709
1
0．4127
X11
3．2293
1．5782
4．1869
1
0．0407
X12
-3．9544
3．0113
1．7245
1
0．1891
X19
-1．7814
1．4568
1．4954
1
0．2214
截距
-0．867
1．1012
0．6199
1
0．4311
截距模型是將所有自變量刪除后只剩一個截距系數模型。當前模型是含有自變量的Logistic回歸模型�！癓ikelihood"為似然函數值，“—2LogLikelihood"(縮寫為—2LL)是似然函數值的自然對數的—2倍，常用來反映模型的擬合程度，其值越小，表示擬合程度越好。因為Idsistic模型是使用最大似然估計，似然函數值越大，則表明越接近最大似然值，擬合程度越好。從表10可見，變量x1、X3、X11的顯著水平均小于0．05，說明其預測能力較強；其余3個變量的顯著水平較高，說明其預測能力較弱。
方程可表示為：
log(p/(1-p))=-0.867+2.5313X2-40.2785X4+0.4597X8+3.2293X12-3.9544X13-1.7814X20
即
P=1/(1+e-(-0.867+2.5313X1-40.2785X3+0.4597X7+3.2293X11-3.9544X12-1.7814X19))
根據回歸所得到的Logistic方程，以0．5為最佳判定點，對財務困境前1年的原始數據進行回代判定，結果見表12。
表12 Logistic回歸模型在財務困境前1年的判定結果
一類錯誤(％)
二類錯誤(％)
誤判率(％)
年份
LPM
Fisher
模型
Logistic
模型
LPM
Fisher
模型
Logistic
模型
LPM
Fisher
模型
Logistic
模型
1
14．49
14．49
7．25
5．71
5．71
5．71
10．07
10．07
6．47
2
22．86
22．86
17．14
11．43
11．43
14．29
17．14
17．14
15．71
3
23．19
23．19
26．09
24．29
24.29
21.43
23．74
23．74
23．74
4
29．51
29．51
27．87
25．81
25．81
25．81
27．64
27．64
26．83
5
31．25
31．25
34．38
61．29
61．29
54．84
46．03
46．03
44．44
在財務困境前1年，70個非財務困境公司有4個被錯判，誤判率為5．71％，69個財務困境公司有5個被錯判，誤判率7．25％，總體上看，139個公司有9個被錯判，誤判率6．47％。同樣地，使用二元Logistic回歸可以對財務困境前2年財務困境前5年的情況進行判定分析，判定結果見表13。
表13 三種多元判定分析方法估計模型的比較
一類錯誤(％)
二類錯誤(％)
誤判率(％)
年份
LPM
Fisher
模型
Logistic
模型
LPM
Fisher
模型
Logistic
模型
LPM
Fisher
模型
Logistic
模型
1
14．49
14．49
7．25
5．71
5。71
5．71
10．07
10．07
6．47
2
22．86
22．86
17．14
11．43
11．43
14．29
17．14
17．14
15．71
3
23．19
23．19
26．09
24．29
24．29
21．43
23。74
23．74
23．74
4
29．51
29．51
27。87
25．81
25．81
25．81
27。64
27．64
26．83
5
31．25
31．25
34。38
61．29
61．29
54．84．
46。03
46．03
44．44
四、結論與啟示
第一，我國上市公司的財務指標包含著預測財務困境的信息含量，因此其財務困境具有可預測性。第二，在我國上市公司陷入財務困境的前1年和前2年，本文所選的21個財務指標中16個指標具有判定和預測財務困境的信息含量，但各個指標的信息含量不同，預測財務困境的準確率不同。在單變量分析中，凈資產報酬率的判定效果較好。第三，多變量判定模型優于單變量判定模型。第四，比較三種判定模型的效果表明，Logistic模型的判定準確性最高。
參考文獻
陳靜，1999：《上市公司財務惡化預測的實證分析》，《會計研究》第4期。
吳世農、黃世忠，1986：《企業破產的分析指標和預測模型》，《中國經濟問題》第6期。
張玲，2000：《財務危機預警分析判別模型》，《數量經濟技術經濟研究》第3期。
【我國上市公司財務困境的預測模型研究】相關文章：
我國上市公司財務困境的預測模型研究08-07
中國上市公司績效評價模型研究08-05
對我國上市公司兼并收購的實證研究08-05
人口預測模型的非線性動力學研究08-07
我國上市公司的代理成本問題研究08-05
我國上市公司退市標準的法律問題研究08-05
我國上市公司盈利信息鑒別的實證研究08-05
我國農村融資困境與對策08-20
我國上市公司管理層收購的法律規制研究08-05