某上市公司財務困境預測研究(編輯修改稿)

　

【文章內容簡介】 （） 雖然Probit模型與Logistic模型相似，但應用并不象后者那么廣泛。關于Probit模型研究的文獻很少，這可能是因為該模型包括了非線性估計，所以計算量較Logistic模型大。五、遞歸分割算法遞歸分割算法RPA是一種基于模式識別的非參數的計算機分類技術，它同時具有傳統單變量分類法和多變量分析法的特點。由RPA得到的模型呈現出分類二叉樹的形式，該二叉樹能夠把對象分到特定的組中。RPA的輸入包括一個由個對象的觀測數據組成的原樣本，還有它們實際的類別以及先驗概率和誤判成本。我們用表示某對象屬于組的先驗概率，用表示將屬于組的對象被誤判為組的成本。如圖1所示，我們給出了一個實際的樹，該樹是RPA基于一定的先驗概率和誤判成本，從200家破產公司（組1）和非破產公司（組2）中構建出的。該樹共有5個最終節點（terminal node），如圖1中的圓圈所示。這些圓圈代表所有公司最后的分類。模型根據各個公司的財務特征將其逐級往下分到各個最終節點。RPA模型的構建分兩步，第一步是構建預期誤判成本較小的樹，第二步是通過交叉檢驗來選擇樹合理的復雜度。RPA模型的缺點是：（1）它是一種前向選擇方法，當它引入新的分類規則時并沒有考慮前面的分類方法，因而有可能同一個分類指標會重復出現但判別點發生變化；（2）有可能出現過度擬和現象；（3）RPA技術能將公司分割成不同風險類型，但無法將同一風險類型內的公司進行對比。 RPA樹200家公司現金流量/總負債23家公司現金/總銷售收入132家公司總負債/總資產68家公司留存收益/總資產注：樹（1）是基于200家公司的財務數據、破產組和非破產組的先驗概率以及誤判的成本構建而成。當某個公司的判別變量值大于判別點（cutoff）時朝右邊移動。最終節點是圓圈。最左邊的最終節點有45家公司，其中40家屬于組1，5家屬于組2。屬于組1（破產）的節點在圓圈內記為B。屬于組2的最終節點記為NB。該樹誤判了5家破產公司和15家非破產公司。六、生存分析 上述模型均運用企業破產前的數據進行預測，但并不能預測出企業破產的確切時間。Lane et al.（1986）運用一個比例危害模型對銀行破產進行預測，稱為生存分析。生存分析假定財務健康和財務困境的公司都來自同樣的總體。公司破產的風險是通過計算每家公司的生存時間來衡量的。假設T時間后公司就會破產，那么生存函數S（t）就代表Tt概率，公司在t時間前破產的概率可以用F（t）表示： （）危險度函數h(t)可以由下式給出： （）并且， （）其中，x代表公司一系列財務比率的向量，代表系數向量，是用最大似然法進行估計的，是令x=0計算得到的。生存函數 （）其中， （）由于沒有限制的分布，所以生存分析是一種半參數的方法，這也使之免于很多對參數方法的攻擊，而且，用這種方法處理破產預測問題顯得更為現實。 生存分析方法可以得出期望破產時間，這給決策者提供了重要的信息。雖然相對傳統的統計方法而言，生存分析方法的確是很好的替代方法，但是到目前為止，它仍然得不到非常廣泛的應用。七、專家系統 人工智能的發展和應用使得研究者開始采用專家系統來解決破產問題。專家系統一般是采用歸納推理（Inductive inference）方法，該方法是通過分析與所要解決的問題相關的一系列案例，從而發現規律。歸納推理方法又有兩種途徑：一是模型驅動型（modeldriven），利用先驗模型指導來發現規律；二是信息驅動型（datadriven），利用一系列案例信息來發現規律。在模型驅動型方法中，規律是建立在先驗模型基礎上的，然后用一系列的案例來檢驗。信息驅動型方法首先對所有公司進行審查，然后尋找最為方便的程序系統來對這些公司進行分類，當加入新公司時就必須對所得出的規律進行修改。具體地說該方法先是把公司分成破產組和非破產組，把這些公司用一系列財務狀況屬性來描述，然后歸納出一個流程系統來正確分類樣本公司。其中，優先用于分類的屬性必須使得分類后熵（entropy）最小，假設有某家公司可能被分入n種不同的組，該公司被分入組的概率是，那么分類的熵為 （） 歸納推理方法的局限性表現在以下幾個方面：（1）該方法很難應用于解決較大的問題，因為可以得到的樣本畢竟有限，這可能可以通過把大問題分割成小的問題單元來加以解決，但這只是個設想，仍需進一步研究。（2）方法的應用中如果忽視了重要的案例（公司）或是分類屬性，那么將會使得該方法的預測能力大為減弱。（3）方法的應用中經常會出現相互矛盾的案例，比如說兩個案例（公司）屬于不同類，但是具有相同的屬性，從而難于加以區分。 目前，在專家系統方法的深入研究中，除了我們所具體闡述的歸納推理方法外，通過與經驗豐富的決策者進行交談，并將其知識和經驗并入流程程序中，這也是一種很好的方法。 專家系統經常被用來解決破產與信用承諾問題，Borowski et al.(1988)采用專家系統方法來預測儲蓄和貸款機構的破產問題,而Bouwman（1983）和Duchessi et al.（1988）等則將專家系統的方法應用于信用承諾研究。八、神經網絡模型神經網絡模型是由大量的簡單處理單元相互聯結組成的復雜網絡系統。它的許多功能和特性是對人腦神經網絡系統的模擬，是一種自然的非線性建模過程，也被稱為人工神經網絡（Artificial Neural Network）。作為非參數的預測模型，它克服了選擇模型函數形式的困難，同時對樣本及變量的分布特征沒有限制。其主要分析模型如下： 神經網絡模型輸出神經元隱層神經元輸入神經元Layer ILayer II它的神經元一般包括三種處理單元，也稱為節點（Node）：輸入神經元，隱層神經元和輸出神經元。輸入神經元接受外界環境信息的輸入；輸出神經元則將經過神經網絡處理后的信息送到外界；而隱層神經元則處于前兩種神經元之間，不直接與外界環境發生聯系，它接受輸入神經元的信息，經過多層次的網絡內部運算，把數據結果轉移給輸出神經元。隱層神經元可以有多個層次（Layer）。總體來說，神經網絡具有一些其他方法無法比擬的優點，體現在：(1)它根據所提供的數據進行學習和訓練，找出輸入與輸出之間的內在聯系，通過改變每個節點上的加權系數來求取問題的解，從而具有自適應的功能；(2)能夠處理那些有噪聲或不完全的數據，具有泛化功能和很強的容錯能力；(3)神經網絡對于非獨立因素組成的總體依然適用，并能夠處理其中復雜的非線性關系。目前，主要采用的神經網絡模型有反向傳播（Back－Propagation）算法、串級相關（Cascade Correlation）算法和遺傳算法（Genetic Algorithm）等。第三節 國內財務困境預測研究概述國內的財務困境預測研究才剛剛起步，陳靜（1999）以1998年27家ST和27家非ST上市公司作為樣本，分別采用單變量分析和多元判別分析方法進行財務困境預測，發現由資產負債率、凈資產收益率、總資產收益率、流動比率、營運資本/總資產、總資產周轉率等6個指標構成的判別函數能較好地預測出ST公司。陳曉、陳治鴻（2000）以38家ST和132家非ST上市公司作為樣本，采用Logistic模型，通過試驗1260種變量組合，發現負債－權益比、應收賬款周轉率、主營利潤/總資產、留存收益/總資產對企業財務困境有顯著的預測作用。高培業、張道奎（2000）采用29個財務指標，運用多元判別分析方法建模，發現由留存收益/總資產、息稅前收益/總資產、銷售收入/總資產、資產負債率、營運資本/總資產構成的判別函數有較好的預測能力。吳世農、盧賢義（2001）以70家ST和70家非ST上市公司作為樣本，采用盈利增長指數、資產報酬率、流動比率、長期負債/股東權益、營運資本/總資產、資產周轉率等6個財務指標，比較了多元判別分析、線性概率模型和Logistic模型的預測效果，發現logsitic模型的預測能力最強。長城證券課題組（2001）選取了37個財務指標，采用logsitic模型，設計了財務危機預警系統和財務危機惡化預警系統，發現凈利潤/總資產、投資收益/利潤總額、應收賬款周轉率、營業利潤增長率、凈資產增長率、長期負債/總資產、凈利潤增長率、存貨周轉率等指標具有顯著的判別作用。 歸納起來，國內目前的研究存在以下不足：（1）使用的方法比較簡單，主要是單變量分析、多元判別分析和Logistic模型等參數方法，而像神經網絡模型等非參數方法則尚未有人使用；（2）由于受到數據限制，樣本量不足，大部分研究只是對估計樣本進行回判，沒有采用新樣本進行檢驗，這高估了模型的預測能力；（3）大部分研究是在公司被ST的前兩年進行預測，即在公司已經虧損一年的情況下進行預測，判斷其最終是否會被ST，這樣無疑會再度高估模型的預測能力；（4）有些研究采用的財務指標不多，無法反映企業全面的財務狀況。鑒于此，本文的目的即采用容量更大的樣本和更全面的財務指標比較多元判別分析、Logistic模型和神經網絡模型三種方法的真實預測能力。第二章 實證研究設計第一節 樣本設計如第一章第一節所述，本文以滬深兩市A股上市公司作為研究對象，將公司因財務狀況異常而被特別處理（ST）作為企業陷入財務困境的標志，從中選取了1998－2003年間108家ST公司作為財務困境公司樣本，具體樣本見附錄1，樣本的行業分布特征如下： “財務困境企業”樣本的行業分布特征行業類別財務困境企業樣本數量（個）農、林、牧、漁業1制造業59建筑業1交通運輸、倉儲業3信息技術業5批發和零售貿易9房地產業7社會服務業5傳播與文化產業3綜合15合計108 由于證監會是根據上市公司前兩年的年報所公布的業績判斷其是否出現財務狀況異常并決定是否要對其進行特別處理的，所以采用上市公司前兩年的年報預測其是否會被ST顯然會夸大模型的預測能力。畢竟在公司已經虧損一年的情況下其被ST的幾率自然大于沒有出現虧損的公司；而在公司已經虧損兩年的情況下其被ST已成定局，所以更沒有任何預測意義。因此，本文選擇在上市公司被ST的前三年進行預測，判斷其最終是否會陷入財務困境，即如果某上市公司在2003年被特別處理，我們采用2000年的年報數據進行預測。為了剔除不同年份、行業和資產規模因素對財務困境預測的影響，我們根據以下原則按1：1的比例選擇財務健康的上市公司作為配對樣本：（1）、研究期間一致，如財務困境企業采用的是2000年的數據，則財務正常公司也同樣采用2000年的數據。（2）、配對樣本與財務困境企業行業類型相同或相近。（3）、配對樣本與財務困境企業的總資產規模相當。據此，本文確定了216個研究樣本，其中3/4作為估計樣本，1/4作為預測樣本，具體情況如下：估計樣本162家，其中財務困境公司81家，財務健康公司81家預測樣本54家，其中財務困境公司27家，財務健康公司27家第二節 預測變量的選擇一、預測變量分類財務困境預測模型所采用的預測變量大體可分為三類：財務指標。這里的財務指標指的是狹義的來自資產負債表和損益表的指標，大部分學者均采用此類預測變量，但是對于如何選取財務指標卻一直存在分歧。目前唯一能達成共識的一點是財務指標所涵蓋的企業的財務信息越廣越好，應該覆蓋企業盈利能力、長短期償債能力、營運能力、成長能力、風險水平等諸多方面，但是對于具體挑選哪一個指標，則見仁見智。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。在美國，Altman（1968）選取的5個財務指標成為大部分學者用于模型比較的基準，但是這5個指標在中國卻未必適用。現金流量指標。上世紀80年代，隨著現金流量表在用于評價企業整體財務狀況時越來越受到重視，各國學者開始討論現金流量指標是否能用于企業財務困境預測。Nosworthy et al.（1980）認為“現金流/總債務”是一個顯著的單變量判別指標。Aziz et al.（1988）則發現在破產前五年財務困境公司和財務正常公司的經營現金流量均值和用現金支付的所得稅均值存在顯著差異。但是Casey et al. (1984b)卻認為單獨使用現金流量指標進行財務困境預測效果不佳，而在其1985年的文章中，他們更進一步指出即使采用現金流量指標結合其他財務指標進行分析，也無助于提高模型的預測能力。Gombola et al.（1987）也認為現金流指標并不是一個重要的財務困境預測變量。因此，現金流量指標究竟是否有助于財務困境預測仍有待考證。股票收益率指標。Beaver（1966）最早使用股票收益率數據進行財務困境預測，他發現在有效的資本市場上，股票收益率也如同財務指標一樣可以預測企業破產。Ahorony et al.（1980）則提出采用股票收益率的方差進行財務困境預測，他們發現在正式的破產公告之前的4年內，財務困境公司的股票的市場收益率方差與財務健康公司存在差異。但是，由于中國證券市場目前仍不是一個有效市場，所以無法采用股票收益率指標進行財務困境預測。二、剖面分析如前所述，不同的財務指標從不同的側面反映企業的財務狀況，選擇的變量不同，最終預測的效果自然各異。由于以前很多研究在變量的選擇上帶有主觀性，因此很難直接比較其研究成果。為了克服這一問題，首先我們將以往研究中所提到的對最終模型有顯著貢獻的財務指標進行了歸納，并將其全部作為初始自變量（附錄2）。這些變量包括短期償債能力、長期償債能力、營運效率、盈利能力、風險水平、發展能力總共六大類5