基于Logistic模型的上市公司财务困境预警研究(2)

　　（二）指标选取本文主要从公司盈利能力、偿债能力、资产管理能力、股本扩张能力、现金流动性和主营业务鲜明状况等六方面选择财务指标，作为模型构建的初始变量（见表1）。
　　四、模型构建
　　（一）剔除非显著变量为更好反映选取指标在两类公司间的差异，本文首先采用Z值检验法对指标差异的显著性进行检验，以剔除发生财务困境公司与正常公司差异不显著的指标。然后，对分组60家被特别处理公司和60家非特别处理公司15个财务指标的3年平均值的差异进行Z值检验，并剔除非显著变量。表2统计检验结果显示，非ST公司与ST公司的每股公积金、主营业务鲜明率指标差别并不显著，其可能原因是由于公积金的积累是法定的，需要按照规定的比例缴纳，所以两个指标并没有显著差别。
　　（二）公共因子提取考虑到各变量之间具有一定的相关性，为尽可能多的反映样本信息，又可以较少指标数量，本文采用因子分析法提取公共因子展开分析。因子分析法的基本思想是根据变量相关性大小对变量进行归类分组，使得同组内变量的相关性较高，而不同组的变量相关性相对较低。这样每组变量就形成一个公共因子，公共因子往往能够反映事物或研究对象的本质。因子分析法的数学模型可以表示为：Z=AX+aδ。其中：A表示因子载荷矩阵，a表示为因子载荷；X表示Z的公共因子，δ表示特殊因子。
　　常用到的因子分析法适用性检验是巴特利特球度检验，该检验服从χ2分布。检验结果显示，巴特利特球度检验相伴概率为0.0001，在1%水平上显著，说明所选取的财务指标适合于因子分析。就公共因子累计贡献率来看，公共因子累计贡献率达到92.51%，说明提取公共因子具有较好的代表性。
　　为较好理解公共因子的经济意义，采用方差最大法（Varimax）对公共因子进行旋转，以将公共因子表示为原始指标形式，这样可根据原始指标与公共因子转化形式确定公共因子得分。就旋转后因子负载值来看（见表3）：第一公共因子主要反映了公司的流动比率、速动比率、存货周转率等信息，代表短期偿债能力和存货变现能力；第二公共因子主要反映了公司的资产负债率、总资产利润率等信息，代表偿债能力和盈利能力；第三公共因子反映了公司的每股未分配利润、每股收益率、每股净资产等信息，代表了发展潜力；第四公共因子反映了公司的每股经营活动净现金流量的信息，代表现金流动能力；第五公共因子主要反映了公司的主营业务利润率，代表主营业务的盈利能力；第六公共因子主要反映了公司的总资产周转率的信息，代表资产管理能力；第七公共因子反映了公司的净资产收益率的信息；第八公共因子反映了公司的应收账款周转率的信息，代表资产的变现能力。
　　（三）因子得分公共因子得分是进一步分析的基础，公共因子得分就是公共因子在每一个样本点上的分值。常用的求解方法是用回归思想求解出来，通常以公共因子为因变量，以原始变量为自变量，然后进行线性回归的估计值，从而实现原始数据向公共因子得分的转变，回归的模型如下：
　　Xj=βj1+x1+…+βjpxp（1）
　　其中βj表示第j个指标对应的系数，p表示样本的总量。由此可见，本模型包括8个公共因子与13个原始指标，公共因子分值计算公式如下：
　　x1x8=Ax1x13（2）
　　其中A表示系数矩阵。根据因子得分与原始变量的标准化值，可以计算每个公共因子得分，并进行进一步分析。由此，可以根据该系数矩阵，实现原始变量向公共因子的转换。本文主要采用SPSS软件进行处理，各公共因子与原始财务指标的线性表达式采用矩阵表示，具体如下：
　　（四）模型建立为提高财务预警模型预测准确性，需要确定不同情况下公司发生财务困境的概率。为此，本文采用logistic方法建立预测模型，该模型是建立在随机效用函数基础上的二元选择模型，该模型将逻辑分布作为μ*i的概率分布而推导出来的。B？觟rsch-Supan（1987）指出，如果选择行为是依据效用最大化原则进行，具有极限值的逻辑分布是较好的选择，在这种情况下二元选择模型就应该采用Logistic模型。若假设企业经营失败的概率为P、ln■可以用财务指标比率线性解释。即公司发生经营困境的计量模型可以表示为：
　　ln■=βX+ε（3）
　　p=■（4）
　　若设定某一临界值作为财务困境发生与否的判别标准，当事件发生的概率大于临界值时，则判定财务困境发生，否则判定财务困境不发生。在选定企业发生财务困境概率阀值后，将样本数据代入模型p=■，若得到的p值大于选定的阀值，则判定该样本公司属于财务困境公司组，否则该样本公司属于未发生财务困境的公司组。
　　由于上市公司经营状况通常是由公司的经营管理能力、资产管理能力、资本运作能力等因素共同决定的，因此，上市公司是否会发生财务困境是由公司盈利能力、资产管理能力、偿债能力、股本扩张能力等多方面因素内生决定。从数据使用来看，考虑到模型需要对公司的财务状况进行预测分析，因此，本文主要使用混合数据展开研究。为保证变量的稳定性，使用Eviews软件对模型进行逐步回归。表4结果显示，计量模型各项检验指标反映模型拟合效果较好，模型的整体检验相伴概率为0.00，在1%水平上显著，除一个公共因子在10%水平显著外，其余公共因子均在1%水平显著。由此，可将财务困境预警模型表示为：
　　该模型从系数来看，影响程度从大到小的排列顺序为X2、X8、X6、X4、X5、X7。
　　（五）模型检验参照相关研究，本文选取0.5为发生财务困境的阀值，当拟合值大于0.5时判定该公司为ST公司，当拟合值小于0.5时判定该公司为非ST公司。应用上述模型分别对2010新增ST上市公司和对应的非ST公司进行检验（结果见表5）。模拟结果显示，该模型具有较好的预测能力，其中上市公司在被特别前三年的准确率为84.91%，前两年的准确率为94.34%，前一年的准确率为96.23%。在公司被列为ST公司前两年，该模型预测准确程度均比较高，这反映该模型进行预测时具有比较稳定、可靠的性质。但是也应该注意到，公司发生财务困境前第三年的预测程度较低，这可能是因为时间跨度较大，由于公司发生财务困境是个渐进的过程，所以导致模型在不同年份的预测准确率存在较大差异。
　　五、模型评价