摘要：本文以我国制造业上市公司为研究对象，利用其被ST前三年的季度时间序列数据建立财务预警模型，以期能反映上市公司财务变化的动态累积效应。研究表明：基于时间序列数据建立的logistic财务预警模型预测效果优于基于截面数据的财务预警模型；预警方法上logistic逻辑回归较fisher多元判别更佳；模型实证结果显示，公司盈利能力、每股收益和总经理持股比例对公司财务困境有显著影响。
关键词：制造业上市公司 财务困境 全局主成分 logistic回归
一、引言
随着我国资本市场不断深化和发展，越来越多的企业选择通过上市来筹集资金，与此同时，因陷入财务困境导致公司经营失败的案例也屡见不鲜。因此建立一套合理有效地财务预警模型对公司管理者、投资者和市场监管者及时识别并规避财务风险具有重要现实意义。学者研究表明，财务风险具有行业特性。目前，工业尤其是制造业仍是我国经济发展的支柱。因此，本文以我国制造业上市公司作为研究对象对国民经济发展也具有重要意义。目前国内外关于财务预警的实证研究主要集中在预警变量、预警方法和预警时点三个方面。早期的研究主要是基于资产负债表和利润表的相关指标，站在某一时点进行截面数据财务预警的静态财务。20世纪80年代以后，国外开始以现金流量表为基础进行动态财务预警研究。Olson（1980）采用logistic回归模型，分别构建了以现金流量指标为基础的财务预警系统。Aziz、Emanuel和Lawson（1988）比较了多个模型的财务预警准确率，发现现金流量模型的预警效果较好。国内动态财务预警的研究自21世纪才开始。吴方卫、张锦华（2005）在农业上市公司持续性经营能力研究中，完全采用以自由现金流量建立的指标体系，证明了在预测经营失败时准确率为85%，远远大于传统指标的65%。蒋丽（2007）引入现金流量指标，建立了不同年度的财务预警模型，以实现动态财务困境预测。张懿（2009）引入了公司增长变量，分别以中报和年报数据建立了短期和长期财务预警模型。研究表明，前者更具有时效性。回顾国内外已有研究成果，动态财务预警研究不多。且利用时间序列数据开展动态财务预警研究较少。财务困境的产生是一个长期累积和逐步发展的过程，因此本文尝试利用季报时间序列数据建立动态财务预警模型，以期体现公司财务状况的动态累积效应。
二、研究设计
（一）研究假设 公司是否会陷入财务困境同时受财务因素和非财务因素影响。从长期来看，盈利能力和成长能力好的公司抵抗风险能力会强。短期内，公司可能会因为偿债困难而出现财务问题，但如果发展动力充足，必然会扭亏为盈。公司财务状况恶化是一个循序渐进的过程。上市公司被特别处理的当年定义为t年，我国一般是根据公司t-1和t-2年的财务状况来决定是否在t年对公司实施特别处理。虽然在t-3年公司仍然保持账面盈利，但是一些财务指标已经出现恶化端倪。因此本文以t-3年一季报、半年报、三季报和年报组成的时间序列数据建立财务预警模型以体现公司财务动态累积效用。本文以t-3年作为预警时点。用特别处理前两年的财务信息来预测失败，会高估模型的预测能力，且在t-3年进行预测相对于t-1和t-2年，时效性更强。基于以上分析提出假设：
假设1：盈利能力和成长能力指标对财务困境具有显著识别能力
假设2：基于时间序列数据建立的动态财务预警模型优于传统的静态财务预警模型
假设3：传统的静态财务预警模型优于基于时间序列数据建立的动态财务预警模型
（二）样本选取与数据来源 借鉴国内大多学者的观点，本文将“因财务状况恶化”而被特别处理（ST）作为上市公司陷入财务困境的标准。以2006年至2009年沪深两市首次被ST的A股制造业上市公司为研究样本，剔除数据不全及上市未满三年的样本；以公司被ST前三年年度数据为基础，遵照行业（二级分类）相同、规模相近（总资产规模相差在10%以内）的原则，按1:1比例配对选取特别处理公司（财务困境公司）和配对公司（财务正常公司）各61家共122家作为研究样本，其中2006年至2008年的100家作为建模样本建立预警模型，2009年的22家作为预测样本检验模型的准确率。本研究数据主要来源于：上海和深圳证券交易所公布的数据、国泰安数据库、清华金融研究数据库以及色诺芬数据库。
（三）研究方法 本文采用全局主成分法提取财务预警变量。经典主成分分析在财务预警模型研究中比较常见，因为它能很好的解决财务指标变量间存在多重共线性这一问题，但是它只能处理单一时间点的截面数据，而全局主成分能分析在保留经典主成分优点的同时，能很好的对时序立体数据进行处理，符合本文的研究需求。本文采用logistic逻辑回归和fisher线性判别两种方法建立财务预警模型。Logistic回归方法不严格要求变量服从正态分析的研究假设，同时已被国内外相关研究证实为一种有效地建模方法，且相对于目前较为流行的神经网络模型，该方法具有易于理解的优点，能清晰展现影响因素与公司陷入财务困境的关系。Fisher线性判别模型也被国内学者证实是一种简洁有效地判别方法。这两种方法均体现了有效性与实用性的合理折中。
（四）财务预警指标体系建立 从国内外研究现状来看，学者对预警指标的选取普遍缺乏深厚理论支持，通常都是借鉴前人研究成果或在前人研究基础上进行适当补充。本文遵循全面性、有效性和可操作性原则，选取涵盖公司偿债能力、运营能力、收益能力、股东获利能力、成长能力和现金流量六方面的财务指标25个；选取代表公司治理的公司董事会结构、股权结构和管理者激励三方面非财务指标14个，具体指标如（表1）所示。
三、实证结果分析
（一）显著性检验 由于来自上市公司的数据分布是未知的，本文首先采用K-S检验验证指标变量是否服从正态分布。对服从正态分布的变量进行T检验，否则对其进行非参数Wilcoxon秩和检验。K-S检验结果表明样本财务指标变量不服从正态分布，故对其进行非参数Wilcoxon秩和检验。Bendel和Afifi（1977）以及Mickey和Gereenland（1989）的研究指出：采用常规水平（如5%）作为检验标准可能导致重要变量的遗漏；而Afifi（1979）的研究也表明：检验标准采用10%-25%之间的显著性水平更好。本文采用25%的显著性水平作为检验标准。使用SPSS11.5软件对数据进行处理，具体检验结果如（表2）所示。最终通过显著性检验标准的财务指标共16个，分别为X1、X2、X3、X4、X7、X8、X9、X10、X12、X13、X14、X15、X17、X19、X21和X22。同理对非财务指标进行显著性检验。最终通过显著性检验的非财务指标共6个，分别为K2、K3、K7、K11、K12和K14（见表3）。
（二）全局主成分分析 针对通过显著性检验的财务指标进行全局主成分分析。（1）适用性检验。首先对数据进行KMO和Bartlett"s 检验，以验证其是否适合做全局主成分分析，检验结果表明：KMO统计量为0.637；Bartlett球形检验，检验性结果p值远远小于0.001，拒绝单位相关性的原始假设，适合主成分分析。（2）主成分提取。对四个时点的时间序列数据进行全局主成分分析，共提取9个主成分因子，累积方差贡献率达到87.614%，基本上保留了原始数据的信息量。（3）主成分经济解释。为了建模时深入分析每个主成分对公司陷入财务困境的影响情况，首先需要对主成分做出合理的解释，赋予其新的经济意义。下面根据旋转因子载荷矩阵（表4）来定性分析每个主成分的经济含义。由表可知：主成分F1中，变量X1、X2、X4的贡献最多，这三个指标分别为流动比率、速动比率和资产负债率，为偿债能力指标，因此F1反映了公司偿债能力；主成分F2中，变量X7、X8、X9的贡献最多，这三个指标分别为流动资产周转率、固定资产周转率和总资产周转率，为营运能力指标，因此F2反映了公司营运能力；主成分F3中，变量X14、X15的贡献最多，这两个指标分别为净资产收益率和息税前利润/营业总收入，为盈利能力指标，因此F3反映了公司盈利能力；主成分F4中，变量X22（每股现金流量净额）贡献最多，因此F4反映了公司每股现金获取能力；主成分F5中，变量X21（每股经营活动现金流量净额）贡献最多，因此F5反映了公司经营活动现金获取能力；主成分F6中，变量X12（营业收入增长率）贡献最多，因此F6反映了公司营业收入增长能力；主成分F7中，变量X3（产权比率）贡献最多，因此F7反映了公司资本结构状况；主成分F8中，变量X13（利润总额增长率）贡献最多，因此F8反映了公司利润增长情况；主成分F9中，变量X19（每股未分配利润）贡献最多，因此F9反映了公司每股获能力。（4）主成分得分矩阵。在确定了各主成分的经济含义后，可根据因子得分系数矩阵建立各个主成分关于原始财务比率的线性表达式。具体结果见（表5）。通过系数矩阵可以将所有主成分表示为各个标量的线性组合，从而计算出每个样本各个主成分值，用来建立预警模型。
（三）回归分析 为了对比分析时间序列数据财务预警模型和截面数据财务预警模型的有效性，本文利用t-3年年度数据建立了基于截面数据的logistic财务预警模型进行比较分析；同时还建立了基于时间序列数据的fisher多元判别财务预警模型，用于比较logistic逻辑回归和fisher多元判别两种方法的优劣。将已提取的9个财务主成分和6个非财务指标作为预警变量，以t-3年末为预警时点，建立基于时间序列数据的logistic财务预警模型。实证结果如（表6）所示。回归结果表明：模型H-L统计量的概率为0.365，统计上不显著，证明模型拟合效果较好。变量F3（盈利能力因子）、F9（每股获利能力因子）和K14（总经理持股比例）通过了显著性检验，最终成为进入模型的有意义的变量。这表明，公司是否会陷入财务困境与公司的成长能力以及盈利能力密切相关，并且受总经理持股比例这一高管激励因素影响。这一实证结果与本文假设1相符。将ST公司误判为财务正常公司的比例用I类错误率表示；将财务正常公司误判为财务困境公司的比例用II类错误率表示。将检验样本带入模型，检验模型的预测准确率（表7）。模型的回判精度为80%，总预测正确率为76%，其中I类误判率为20%。
通过利用两类误判率和综合预测准确率对三类财务预警模型进行比较，结果见（表8）所示。可以发现，基于时间序列数据建立的logistic财务预警模型明显优于基于截面数据的logistic财务预警模型和Fisher判别财务预警模型。前者的两类误判率均低于后者，且综合预测准确率高于后者。可见，基于时间序列数据建立的logistic财务预警模型具有较好的预测效果，故前文所提假设2成立。
四、结论
本文基于时间序列数据，综合财务和非财务因素，以期建立一套符合公司财务循环累积特点且合理有效的财务预警模型。研究表明：在t-3年建立的基于时间序列数据的财务预警模型具有较好拟合效果和预测能力，且优于基于截面数据的财务预警模型。在预警方法上，logistic逻辑回归模型较Fisher多元判别模型效果更好。综上所述，公司是否会陷入财务困境与公司盈利能力和每股获利能力密切相关，并且受高管人员薪酬影响。因此公司应考虑从提高自身盈利能力和成长能力入手改善公司的财务状况，同时应该制定合理的高管激励政策，保证公司持续健康发展。本结论不仅能帮助各市场主体提前识别财务风险，而且可以指导公司管理者从根本上进行风险防范。
参考文献：
［1］吴世农、卢贤义：《我国上市公司财务困境的预测模型研究》，《经济研究》2001年第6期。
［2］吴方卫、张锦华：《农业上市公司的持续经营能力分析――基于自由现金流量的理论与实证研究》，《农业技术经济》2003年第3期。
［3］曹德芳、赵希男、王宇星：《基于董事会治理因素的财务困境预警模型的构建》，《东北大学学报》2007年第9期。
［4］乔峰、姚俭：《时序全局主成分分析在经济发展动态描绘中的应用》，《数理统计与管理》2003年第2期。
［5］张鸣、张艳、程涛：《企业财务预警研究前沿》，中国财政经济出版社2004年版。
［6］Frizpatrick.A Comparison of ratios of Successful Industrial Enterprises with those of Failed Firms［M］.New York：Certified Public Accountant，1932.
［7］Bendel,P.B and Afifi,A.A.Comparison of stopping rules in forward stepwise regression.Jourmal of American Statistical Association, 1977.
［8］Odom and R Sharda. A neural network models for bankruptcy prediction.Neural Networks，1990.
［9］Jae H.Min， Young-Chan Lee， Bankruptcy Prediction using Support Vector Marching with Optimal Choice of Kernel Function Parameters.Expert Systems with Applications， 2005.
（编辑 虹 云）