论文部分内容阅读
【摘要】文章以2012年1月到2012年6月期间沪深两市新增的28家ST公司为研究样本，按照1：1的比例选择同行业、同会计年度、相近资产规模的另外28家上市公司，利用主成分方法，对财务预警进行预测。结论表明，文章建立的财务预警模型的正确率达到了100%，有较好的预测效果。
【关键词】财务预警 主成分 ST公司
一、引言
从1993年的全国性资本市场的形成开始，中国的资本市场不断发展壮大，上市公司也越来越多。随着上市公司规模的壮大，财务危机的预警越来越体现出其重要的作用。财务预警以公司的财务信息为研究基础，通过观察一些财务指标的综合变化，可以监控和预警可能出现的财务危机，为上市公司的经营提供参考，以便改善经营。
二、文献综述
财务预警的研究方法主要是单变量和多变量两种方法。单变量模型是早期出现的方法；后来出现了更为完善和有效的模型，即多变量模型。多变量模型主要包括多元线性判别模型、logistic模型和神经网络模型三种。多元线性模型，需要变量符合正态分布；而logistic模型对变量的分布不做要求，实用性较好。
很多学者研究了财务预警得建立和预测。张爱民等（2001）采用主成分分析方法，建立了“主成分预测模型”，对上市公司财务失败的主成分预测模型进行实证检验；文章中用1年前的数据得到模型预测的正确率为92.50%。孔宁宁等（2010）综合运用主成分分析法和Logistic回归法构建制造业上市公司财务预警模型；结果表明，成分分析模型与Logistic回归模型的判别准确率均较高，但整体而言，主成分分析预警模型的判别效果更好。
本文将ST公司界定为“财务失败企业”（张爱民等，2001）。由于主成分分析预警模型的判别效果相对于Logistic回归模型更好（孔宁宁等，2010），故本文使用主成分分析模型做财务预警模型。
三、模型设定
（一）研究样本筛选
本文以上市公司中的ST公司作为“财务失败”样本。样本选择范围为在所有上市公司，样本选择时间为2012年1月到2012年6月期间，经过筛选最后确定该期间新增的28家ST公司为样本。并按照1：1的比例选择跟这28家ST公司相同会计年度、行业类型相同的、资产规模相近（根据行业排行，选择与之资产规模排名前后的非ST公司）28家非ST公司作为配对样本。
按照通常的研究方法，将这28对上市公司（56家）分为两组，20对为估计样本组，其余的8对为测试样本组。
（二）财务预警指标的筛选
数据选择是各个公司2011年年报中的财务数据，数据来源：Wind资讯。为了能过全面反映企业的偿债能力、营运能力、成长能力和盈利能力，初始指标选择了24个财务指标。
根据配对样本T检验，对这24个指标（分别表示为X1- X24）进行筛选，以便使得这些指标能够有效地区分ST公司和非ST公司。选择的标准是双尾T检验的显著性水平为5%。
根据上述方法，最后的模型变量为以下11个指标：主营业务收入同比增长率（X1）、总资产同比增长率（X2）、每股净资产（BPS）同比增长率（X3）、销售净利率（X5）、资产净利率（ROA） （X6）、存货周转率（X7）、流动资产周转率（X8）、总资产周转率（X9）、流动比率（X10）、速动比率（X11）、保守速动比率（X12）。
（三）主成分分析
1.数据的标准化
下面首先对20对上市公司估计样本做主成分分析。由于财务比率取值范围不同或度量单位存在差异，首先应进行数据的标准化处理。
2.主成分指标的确定
（1）验证因子分析的可行性及显著性
Bartlett检验目的是确定所要求的数据是否取自多元正态分布的总体。由输出结果可知，Bartlett检验的F值等于 0.000，表明本文研究对象的数据资料来自正态分布总体，可以做进一步分析。
KMO检验目的是分析观测变量之间的简单相关系数和偏相关系数的相对大小，看数据是否适合进行因子分析，取值变化从0-1之间。KMO结果大于0. 572，可以尝试进行因子分析。同时，根据各个变量提取公共因子方差结果可以看出：除了x2、x7在0.7左右以外，其他变量都在0.8以上，说明因子分析的效果是显著的。
（2）确定主因子和及赋予主因子经济含义
在确定主因子个数时，根据结果的特点，本文按照在特征值大于1的前提下，选择主成分包含原来信息较大的原则进行取舍，最后提取了五个主成分。经过方差最大化旋转之后，五个主成分的累计贡献率为85.705%，符合因子分析的标准。
经过方差最大化旋转之后，形成五个主因子的因子载荷矩阵。根据主成分在变量上的负荷的集中程度，最后确定了五个主成分，分别是偿债能力指标、营运能力指标、F4为成长指标之主营业务收入同比增长率以及成长指标，具体数据，可向作者索要。
最后根据因子得分矩阵表，结合各个主成分因子的贡献率，可以最后得到上市公司的财务预警模型。
其中F1为偿债能力指标；F2为营运能力指标；F3为盈利指标；F4为成长指标之主营业务收入同比增长率；F5命名为成长指标。
将估计样本的各个财务指标标准化后，代入上述公式，计算各个上市公司最后的预警值，按照从小到大排列，具体结果，可向作者索要。按照预测错误总数最小的原则，最后得出分割点在-0.12到-0.06之间。借鉴通常的做法，取二者的平均值-0.09作为判别标准：即如果预警模型值小于-0.09，则公司为ST公司，即出现了财务失败；如果预警模型的值大于-0.09，则该上市公司为非ST公司，即该公司的财务正常。
四、预警模型的检验 为了检验模型的预测效果，下面使用测试样本对上述预警模型进行检验。首先将这8对上市公司的财务数据进行标准化，然后依次代入F1、F2、F3、F4、F5，计算出各自的值，最后将F1、F2、F3、F4、F5代入预警模型中，得出最后的预警值，如下表。
上表中，显示了测试样本的预警值。根据本文的估计模型得到的将-0.09作为判别标准，可以发现在这8对公司（16家上市公司）预测中，模型的预测正确率为100%。可以初步得出该模型具有较强的预测能力。
五、结论及不足之处
（一）合理性
预测模型的有效性只要是受财务指标和样本范围选择的影响。本文的样本选择范围为在所有上市公司，样本选择时间为2012年1月到2012年6月期间。样本的选择标准是会计年度相同、行业类型相同的、资产规模相近。样本选择较为合理。
而指标的选择涵盖了企业的偿债能力、营运能力、成长能力和盈利能力，较为全面；同时在指标的具体选择上，使用了配对样本T检验，使得指标能够有效地区分ST公司和非ST公司。在进行主成分分析时，对数据进行了标准化处理，这样各个财务指标之间具有了可比性和可加性，去除了量纲等因素的影响。
综合上述，模型的样本选择和指标的筛选方面做得努力，本文预警模型的预测正确率达到了100%，可以说预测效果较好。这也验证了孔宁宁（2010）的结论：主成分分析预警模型的判别效果较好。
（二）不足之处
但是，由于2012年1月到2012年6月期间新增的ST公司有限，本文的研究样本也就有限，这样样本的范围是本文最大的不足之处，这也可能是影响模型预测正确率很高的一个因素。所以样本规模方面有待扩大。
其次，财务危机的出现，不仅仅受财务因素的影响，同时也受很多非财务的影响。因此在具体分析公司是否出现财务危机时，必须考虑非财务因素，将定量和定性分析结合。
参考文献
[1] 张爱民，祝春山，许丹健.上市公司财务失败的主成分预测模型及其实证研究[J] .金融研究，2001 （3）：10-251.
[2] 孔宁宁，魏韶巍.基于主成分分析和Logistic回归方法的财务预警模型比较[J].经济问题，2010（6）.
[3]刘洪.基于人工神经网络方法的上市公司经营失败预警研究[J].会计研究，2004 （2） ：42-461.
[4]陈晓，陈治鸿.中国上市公司的财务困境预测[J].中国会计与财务研究，2000 （9） ：55-92.
[5]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999（4）.
[6]张文彤.SPSS统计分析高级教程[M].1版.北京市：高等教育出版社，2004.
作者简介：龙腾云（1988-），男 ，陕西人，南京大学商学院经济系硕士研究生，政治经济学，研究方向：宏观经济学。
（责任编辑：龙大为）
【关键词】财务预警 主成分 ST公司
一、引言
从1993年的全国性资本市场的形成开始，中国的资本市场不断发展壮大，上市公司也越来越多。随着上市公司规模的壮大，财务危机的预警越来越体现出其重要的作用。财务预警以公司的财务信息为研究基础，通过观察一些财务指标的综合变化，可以监控和预警可能出现的财务危机，为上市公司的经营提供参考，以便改善经营。
二、文献综述
财务预警的研究方法主要是单变量和多变量两种方法。单变量模型是早期出现的方法；后来出现了更为完善和有效的模型，即多变量模型。多变量模型主要包括多元线性判别模型、logistic模型和神经网络模型三种。多元线性模型，需要变量符合正态分布；而logistic模型对变量的分布不做要求，实用性较好。
很多学者研究了财务预警得建立和预测。张爱民等（2001）采用主成分分析方法，建立了“主成分预测模型”，对上市公司财务失败的主成分预测模型进行实证检验；文章中用1年前的数据得到模型预测的正确率为92.50%。孔宁宁等（2010）综合运用主成分分析法和Logistic回归法构建制造业上市公司财务预警模型；结果表明，成分分析模型与Logistic回归模型的判别准确率均较高，但整体而言，主成分分析预警模型的判别效果更好。
本文将ST公司界定为“财务失败企业”（张爱民等，2001）。由于主成分分析预警模型的判别效果相对于Logistic回归模型更好（孔宁宁等，2010），故本文使用主成分分析模型做财务预警模型。
三、模型设定
（一）研究样本筛选
本文以上市公司中的ST公司作为“财务失败”样本。样本选择范围为在所有上市公司，样本选择时间为2012年1月到2012年6月期间，经过筛选最后确定该期间新增的28家ST公司为样本。并按照1：1的比例选择跟这28家ST公司相同会计年度、行业类型相同的、资产规模相近（根据行业排行，选择与之资产规模排名前后的非ST公司）28家非ST公司作为配对样本。
按照通常的研究方法，将这28对上市公司（56家）分为两组，20对为估计样本组，其余的8对为测试样本组。
（二）财务预警指标的筛选
数据选择是各个公司2011年年报中的财务数据，数据来源：Wind资讯。为了能过全面反映企业的偿债能力、营运能力、成长能力和盈利能力，初始指标选择了24个财务指标。
根据配对样本T检验，对这24个指标（分别表示为X1- X24）进行筛选，以便使得这些指标能够有效地区分ST公司和非ST公司。选择的标准是双尾T检验的显著性水平为5%。
根据上述方法，最后的模型变量为以下11个指标：主营业务收入同比增长率（X1）、总资产同比增长率（X2）、每股净资产（BPS）同比增长率（X3）、销售净利率（X5）、资产净利率（ROA） （X6）、存货周转率（X7）、流动资产周转率（X8）、总资产周转率（X9）、流动比率（X10）、速动比率（X11）、保守速动比率（X12）。
（三）主成分分析
1.数据的标准化
下面首先对20对上市公司估计样本做主成分分析。由于财务比率取值范围不同或度量单位存在差异，首先应进行数据的标准化处理。
2.主成分指标的确定
（1）验证因子分析的可行性及显著性
Bartlett检验目的是确定所要求的数据是否取自多元正态分布的总体。由输出结果可知，Bartlett检验的F值等于 0.000，表明本文研究对象的数据资料来自正态分布总体，可以做进一步分析。
KMO检验目的是分析观测变量之间的简单相关系数和偏相关系数的相对大小，看数据是否适合进行因子分析，取值变化从0-1之间。KMO结果大于0. 572，可以尝试进行因子分析。同时，根据各个变量提取公共因子方差结果可以看出：除了x2、x7在0.7左右以外，其他变量都在0.8以上，说明因子分析的效果是显著的。
（2）确定主因子和及赋予主因子经济含义
在确定主因子个数时，根据结果的特点，本文按照在特征值大于1的前提下，选择主成分包含原来信息较大的原则进行取舍，最后提取了五个主成分。经过方差最大化旋转之后，五个主成分的累计贡献率为85.705%，符合因子分析的标准。
经过方差最大化旋转之后，形成五个主因子的因子载荷矩阵。根据主成分在变量上的负荷的集中程度，最后确定了五个主成分，分别是偿债能力指标、营运能力指标、F4为成长指标之主营业务收入同比增长率以及成长指标，具体数据，可向作者索要。
最后根据因子得分矩阵表，结合各个主成分因子的贡献率，可以最后得到上市公司的财务预警模型。
其中F1为偿债能力指标；F2为营运能力指标；F3为盈利指标；F4为成长指标之主营业务收入同比增长率；F5命名为成长指标。
将估计样本的各个财务指标标准化后，代入上述公式，计算各个上市公司最后的预警值，按照从小到大排列，具体结果，可向作者索要。按照预测错误总数最小的原则，最后得出分割点在-0.12到-0.06之间。借鉴通常的做法，取二者的平均值-0.09作为判别标准：即如果预警模型值小于-0.09，则公司为ST公司，即出现了财务失败；如果预警模型的值大于-0.09，则该上市公司为非ST公司，即该公司的财务正常。
四、预警模型的检验 为了检验模型的预测效果，下面使用测试样本对上述预警模型进行检验。首先将这8对上市公司的财务数据进行标准化，然后依次代入F1、F2、F3、F4、F5，计算出各自的值，最后将F1、F2、F3、F4、F5代入预警模型中，得出最后的预警值，如下表。
上表中，显示了测试样本的预警值。根据本文的估计模型得到的将-0.09作为判别标准，可以发现在这8对公司（16家上市公司）预测中，模型的预测正确率为100%。可以初步得出该模型具有较强的预测能力。
五、结论及不足之处
（一）合理性
预测模型的有效性只要是受财务指标和样本范围选择的影响。本文的样本选择范围为在所有上市公司，样本选择时间为2012年1月到2012年6月期间。样本的选择标准是会计年度相同、行业类型相同的、资产规模相近。样本选择较为合理。
而指标的选择涵盖了企业的偿债能力、营运能力、成长能力和盈利能力，较为全面；同时在指标的具体选择上，使用了配对样本T检验，使得指标能够有效地区分ST公司和非ST公司。在进行主成分分析时，对数据进行了标准化处理，这样各个财务指标之间具有了可比性和可加性，去除了量纲等因素的影响。
综合上述，模型的样本选择和指标的筛选方面做得努力，本文预警模型的预测正确率达到了100%，可以说预测效果较好。这也验证了孔宁宁（2010）的结论：主成分分析预警模型的判别效果较好。
（二）不足之处
但是，由于2012年1月到2012年6月期间新增的ST公司有限，本文的研究样本也就有限，这样样本的范围是本文最大的不足之处，这也可能是影响模型预测正确率很高的一个因素。所以样本规模方面有待扩大。
其次，财务危机的出现，不仅仅受财务因素的影响，同时也受很多非财务的影响。因此在具体分析公司是否出现财务危机时，必须考虑非财务因素，将定量和定性分析结合。
参考文献
[1] 张爱民，祝春山，许丹健.上市公司财务失败的主成分预测模型及其实证研究[J] .金融研究，2001 （3）：10-251.
[2] 孔宁宁，魏韶巍.基于主成分分析和Logistic回归方法的财务预警模型比较[J].经济问题，2010（6）.
[3]刘洪.基于人工神经网络方法的上市公司经营失败预警研究[J].会计研究，2004 （2） ：42-461.
[4]陈晓，陈治鸿.中国上市公司的财务困境预测[J].中国会计与财务研究，2000 （9） ：55-92.
[5]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999（4）.
[6]张文彤.SPSS统计分析高级教程[M].1版.北京市：高等教育出版社，2004.
作者简介：龙腾云（1988-），男 ，陕西人，南京大学商学院经济系硕士研究生，政治经济学，研究方向：宏观经济学。
（责任编辑：龙大为）