基于Probit模型的中国上市公司退市风险预警研究

基于Probit模型的中国上市公司退市风险预警研究 论文导读::笔者利用Probit模型。上市公司退市机制是证券市场体系中的重要组成部分。 论文关键词:Probit模型，上市公司，退市风险预测 一、选题背景和意义 从1990年11月上海证券交易所成立以来，我国的证券市场已经走过了近20个年头。处于新兴证券市场的高速发展阶段，我国证券市场的制度建设也从不规范逐步走向规范，从不成熟逐步走向成熟。上市公司退市机制是证券市场制度体系中的重要组成部分，对于提高上市公司质量和优化证券市场融资环境具有十分重要的意义。2001年4月23日PT水仙被终止上市，成为我国证券市场上第一只被摘牌的股票，上海水仙电器股份有限公司成为我国第一家被依法退市的上市公司，它标志着我国上市公司退出机制的正式启动。截止2010年7月，沪深两市共有70家上市公司的73只股票(70家A股毕业论文的格式，3家B股)退市，其中包括上海证券交易所的35家上市公司和深圳证券交易所的35家上市公司。 目前，国内理论界对于上市公司退出机制的研究主要集中在制度和政策的定性分析上:第一种是对我国上市公司退出机制的现状分析(陈华东，2001;晁站勇2004);第二种是从理论上对上市公司退出机制存在的问题和成因的分析;(纪元，2002;中恒，2002;罗贻芬，2002;王国刚，2001;崔钊，2002);第三种是对上市公司退出机制的政策性研究(李德民，2002;孙学亮，2005;袁炜，2000;戴念念，2002;俞玲，2002;李荣，2003;陈尔瑞，2001)。国内现有的理论成果较少针对上市公司退市风险问题进行定量化的实证研究论文提纲格式。[1] 本文通过对我国上市公司退市制度推行以来已退市的36家典型公司的财务数据的实证分析，研究上市公司退市的成因，并建立上市公司退市风险的预警模型。具体地，在预警模型的建构中毕业论文的格式，首先以描述统计和单变量分析对影响上市公司退市的财务因素做出初步判断，目的主要是探讨样本公司的财务指标是否有预警性，是否可以根据这些指标建立预警模型。接着在此基础上建立多变量判断模型，通过因子分析处理数据，利用Probit回归建立退市风险的预警模型。最后以建立的Probit预警模型对样本公司做出综合性评判，并由此推断出各相关财务因素对退市的影响程度。 二、研究对象和指标选取 根据本文研究目的及数据的有效性，在剔除了数据遗漏、不全和主业行业特征不明显的退市公司的基础上，本文研究样本最终选取了2001年4月至2010年7月期间在沪深证券交易所已宣布退市的具有典型代意义的36家上市公司作为研究对象。为了使研究具有可比性，本文还选取了业绩正常的36家非退市公司作为配对样本，全部的样本公司为72 家。而在配对样本公司的选择上，我们还遵循了与退市的样本公司保持同行业、同规模、同时期 的原则。具体地，同行业体现在我们按照证监会规定的行业分类标准选取同行业代码的配对样本;同规模体现在我们按照注册资本和股票市值相近的原则选取配对样本;同时期体现在对样本各项指标的选取上，选择的是退市公司退市前一年的财务指标，而配对的样本公司也选择了同期的财务指标。样本观测值的所用数据来源于新浪财经数据库，并利用证交所公开披露的上市公司年报信息进行补充。本文数据均运用SPSS17.0进行处理分析。 本文目的是考察上市公司财务因素对公司退市风险的影响程度，而理论上一般认为，上市公司的财务因素主要包括了上市公司的盈利能力、成长能力、营运能力、偿债能力和现金流量几方面，它们可以较为全面地从整体上体现上市公司的综合能力和发展水平。[2]其中，盈利能力是衡量上市公司经营绩效的重要尺度;成长能力反映了上市公司的发展趋势;营运能力可以体现上市公司的经营规模;偿债能力体现上市公司的财务结构;现金流量可以反映上市公司的现金持有和流转情况。而由于这5方面的财务因素又分别由各项具体的财务指标所描述毕业论文的格式，所以本文结合上市公司的特点和财务指标的一般化选取原则，选择了可以体现上市公司盈利能力、成长能力、营运能力、偿债能力和现金流量5方面的18个主要的财务指标，作为构建退市风险预警模型的预选指标(见表1)。 表1指标体系汇总表 变量名称 计算方法 盈利 能力 总资产净利润率 净利润/总资产 销售净利率 净利润/销售收入 净资产收益率 净利润/净资产 成长 能力 主营业务收入增长率 (本期主营业务收入-上期主营业务收入)/上期主营业务收入 净资产增长率 (本期净资产-上期净资产)/上期净资产 营运 能力 应收账款周转率 销售收入/平均应收账款 存货周转率 主营业务支出/平均存货总额 总资产周转率 主营业务收入净额/平均资产总额 流动资产周转率 主营业务收入净额/平均流动资产总额 偿债 能力 流动比率 流动资产/流动负债 速动比率 速动资产/流动负债 利息支付倍数 税息前利润/利息费用 长期债务与营运资金比率 长期债务/营运资金 资产负债率 负债总额/资产总额 现金 流量 经营现金净流量对销售收入比率 经营现金净流量/销售收入 资产的经营现金流量回报率 经营现金净流量/资产总额 经营现金净流量对负债比率 经营现金净流量/负债总额 现金流量比率 经营现金净流量/流动负债 三、单变量分析 本文首先对样本的财务指标变量进行基本统计量描述分析，将样本分为退市和非退市两类论文提纲格式。再对退市和非退市公司各指标平均值上的差异性进行T检验，以证明它们的显著性差异以及对区分是否为退市公司的作用，其结果见表2。 表2单变量描述分析和T检验汇总表 显著性水平a=0.05 是否退市 均值 标准差 T检验P值 显著性 总资产净利润率(%) 非退市 2.7917 5.35301 0.004 是 退市 -51.9065 107.13444 销售净利率(%) 非退市 5.7006 5.72429 0.044 是 退市 -2410.7626 6947.54137 净资产收益率(%) 非退市 2.5469 30.94736 0.389 否 退市 -24.5094 181.01392 主营业务收入增长率(%) 非退市 32.0967 70.52510 0.000 是 退市 -18.8666 41.20631 净资产增长率(%) 非退市 12.8997 35.33736 0.133 否 退市 -382.6175 1186.06997 应收账款周转率(次) 非退市 85.3289 419.85260 0.432 否 退市 28.7197 56.71750 存货周转率(次) 非退市 150.1078 865.01786 0.326 否 退市 5.3580 8.11972 总资产周转率(次) 非退市 0.7294 0.50130 0.033 是 退市 0.4549 0.56814 流动资产周转率(次) 非退市 1.3781 1.15112 0.291 否 退市 1.0659 1.33072 流动比率(%) 非退市 1.4761 0.72281 0.000 是 退市 0.6143 0.72030 速动比率(%) 非退市 1.0494 0.73762 0.000 是 退市 0.4474 0.51635 利息支付倍数() 非退市 849.5117 2683.19336 0.636 否 退市 2375.3401 19055.15028 长期债务与营运资金比率(%) 非退市 1.0409 2.99792 0.115 否 退市 0.1913 0.82356 资产负债率(%) 非退市 50.8350 17.08480 0.027 是 退市 323.3585 710.25340 经营现金净流量对销售收入比率(%) 非退市 0.0383 0.21424 0.294 否 退市 -1.7846 10.26119 资产的经营现金流量回报率(%) 非退市 0.0392 0.09324 0.124 否 退市 -0.0439 0.30656 经营现金净流量对负债比率(%) 非退市 0.0844 0.18301 0.178 否 退市 0.0151 0.24485 现金流量比率(%) 非退市 8.9983 21.59952 0.364 否 退市 3.4269 29.48749 从表2的描述性分析中我们可以看出，退市与非退市的公司有许多指标存在很大差异，例如销售净利率、净资产增长率、存货周转率等。而有些指标则差异非常小，并且出现交叉现象，例如流动资产周转率等。从T检验的结果可以看出，单个指标变量的解释能力有所不同:净资产收益率、应收账款周转率、存货周转率、利息支付倍数等11项指标的显著水平 较高,说明其解释能力较弱。总资产净利润率、销售净利率、主营利润增长率、总资产周转率、流动比率、速动比率、资产负债率7项指标的显著水平小于0.05，说明它们的均值存在显著差异，它们对退市公司和非退市公司的分类能力较好。 四、多变量分析 根据单变量分析的结果，选取退市公司和非退市公司之间具有显著性差异的财务指标变量进行多元回归分析，先通过因子分析处理数据，然后利用Probit回归建立上市公司退出风险的预警模型并检验。 (一)用因子分析对数据预处理 由于各财务指标之间存在较多的相关关系，信息有重叠，难于直接分析问题。因此我们首先利用因子分析使变量简化降维，用少数因子去分析整个问题。但在进行因子分析前毕业论文的格式，还要先进行指标的正向化。在多指标综合评价中，有些是指标值越大评价越好的指标，称为正向指标，有些是指标值越小评价越好的指标，称为逆向指标，还有些是指标值越接近某个值越好的指标，称为适度指标。在综合评价时，首先必须将指标趋势化,即是需要将逆向指标和适度指标转化为正向指标，所以也成为指标的正向化。[3]根据现代财务理论，流动比率、速动比率和资产负债率一般被认为属于适度指标，因此本文在进行因子分析前首先对这三项指标用X’ij =max, Xij – k,-,Xij – k,(其中k为适度值，是公认的最适宜值)的方法进行正向化处理。正向化之后进行了因子分析的可行性检验(见表3)。 表3 KMO和 Bartlett 的检验 取样足够度的 Kaiser-Meyer-Olkin 度量论文提纲格式。 0.675 Bartlett 的球形度检验 近似卡方 181.100 df 21 Sig. .000 由上表可以看出，Bartlett 的球形度检验统计量的观测值是181.100，相应的概率P值小于显著水平0.05，同时KMO的测度值为0.675，大于0.6，说明Bartlett球形检验显示结果显著，可以进行下一步因子分析。根据因子的特征值大于1原则，由方差分析表(表4)决定提取四个因子毕业论文的格式，可以看出，四个因子的特征值共占去方差的84.984%，说明前四个因子较好的提供了原始数据的信息。 表4 因子解释变量总方差 成份 初始特征值 提取平方和载入 旋转平方和载入 合计 方差的 % 累积 % 合计 方差的 % 累积 % 合计 方差的 % 累积 % 1 3.015 43.071 43.071 3.015 43.071 43.071 1.893 27.038 27.038 2 1.210 17.279 60.350 1.210 17.279 60.350 1.668 23.835 50.873 3 0.982 14.035 74.384 0.982 14.035 74.384 1.281 18.299 69.171 4 0.742 10.600 84.984 0.742 10.600 84.984 1.107 15.813 84.984 5 0.560 7.997 92.981 6 0.374 5.343 98.324 7 0.117 1.676 100.000 表5 旋转后因子负荷矩阵 成份 F1 F2 F3 F4 总资产净利润率(%) 0.918 0.161 0.180 0.186 销售净利率(%) 0.153 0.079 0.118 0.956 主营业务收入增长率(%) 0.077 0.437 0.532 0.367 总资产周转率(次) 0.133 0.069 0.939 0.059 资产负债率 0.957 0.136 0.043 0.046 流动比率 0.286 0.754 0.262 0.137 速动比率 0.067 0.924 0.006 0.014 从旋转后因子载荷矩阵可知(见表5), 总资产净利润率、资产负债率在第一个因子上载荷较大，这两个变量主要体现了公司的盈利能力和负债结构，它们可以看作是公司盈利能力的总体反映，由此，第一个因子F1可以成为盈利指标因子。由表4可知，F1对总方差的贡献率达到27.038% ,它是影响力最大的重要公因子。变量速动比率、流动比率在第二个公因子F2上的载荷较大,而这些变量主要体现了公司的偿债能力，因此F3可以称为偿债指标因子。主营业务收入增长率和总资产周转率在第三个因子载荷较高，F3可以成为成长指标因子。销售净利率在第四个因子上载荷较高，所以F4是反映营运能力的因子。各因子得分函数如下: F1=0.516×总资产净利润率-0.073×销售净利率-0.137×主营业务收入增长率-0.041×总资产周转率+0.582×资产负债率+0.011×流动比率-0.110×速动比率. F2=-0.089×总资产净利润率-0.104×销售净利率+0.157×主营业务收入增长率-0.186×总资产周转率-0.067×资产负债率+0.451×流动比率+0.688×速动比率. F3=-0.009×总资产净利润率-0.176×销售净利率+0.330×主营业务收入增长率+0.901×总资产周转率-0.108×资产负债率-0.026×流动比率-0.212×速动比率. F4=-0.000×总资产净利润率+0.998×销售净利率+0.200×主营业务收入增长率-0.218×总资产周转率-0.122×资产负债率-0.051×流动比率-0.104×速动比率. (二)Probit多元回归建立预警模型 probit模型是一种广义的线性模型。最简单的probit模型就是指被解释变量Y是一个0,1变量，事件发生地概率是依赖于解释变量，即P(Y=1)=f(X)，也就是说,Y=1的概率是一个关于X的函数，其中f(.)服从标准正态分布。[4]为建立多元预警模型，首先设定退市和非退市公司为因变量(退市取值1，非退市取值0，同时将因子分析得到的4个因子为自变量，用probit多元回归建立预警模型。运用spss17.0软件进行拟合毕业论文的格式，得到最终的结果如下: 表6 参数估计值 参数 估计 标准误 z Sig. 95% 置信区间 下限 上限 F1 -5.420 1.683 -3.221 0.001 -8.718 -2.122 F2 -1.404 0.346 -4.062 0.000 -2.082 -.727 F3 -1.119 0.359 -3.117 0.002 -1.823 -.416 F4 -3.596 1.477 -2.435 0.015 -6.490 -.701 常数项 1.861 0.613 3.035 0.002 1.248 2.474 从表6中可以看出，所有因子均通过了检验，可以认为总资产净利润率、销售净利率、主营利润增长率、总资产增长率、资产负债率、流动比率、速动比率等指标能较好反映退市公司与非退市公司的差异性。由此可建立如下probit回归方程: 表7 模型的总体检验 卡方 dfa Sig. PROBIT Pearson 拟合度检验 62.594 67 0.595 由表7可知拟合优度检验结果p= 0.621，说明当前模型拟合良好，且在可区间计算时不再 进行异质性校正。以0.50为概率最近分割点进行预测，P大于0.5为退市公司，预测结果如 表8: 表8 预测结果 观测值 预测值 是否退市 百分比校正 非退市 退市 是否退市 非退市 34 2 94.4 退市 7 29 80.6 总计百分比 87.5 由上，模型整体预测效果为87.5%，其中非退市公司的预测准确率为94.4%，退市公司的预测准确率为80.6%，模型预测效果较好。 五、结论及建议 笔者利用Probit模型，对中国上市公司的退市风险进行了预测研究论文提纲格式。选取的样本是已退市的36家公司和相同数量的业绩正常的上市公司，采纳的数据变量是反映了上市公司总体状况的多项财务指标。实证研究结果表明,选入的财务指标各自的预测准确率不同,但其中的总资产净利润率、销售净利率、主营利润增长率、总资产增长率、资产负债率、流动比率、速动比率七项指标能较好反映退市公司与非退市公司的差异性。通过Probit回归所得总体上的模型方程的预测结果来看,判断的准确率达到了87.5 % ,比较理想。这说明Probit模型在预测上市公司退市风险方面是有效的，对于上市公司的管理层和资本市场上的机构与个人投资者来说具有投资决策与风险管理方面的参考价值。 根据本文的研究结论，上市公司的多项财务指标对于退市风险都有较大的影响力，而我国现有的上市公司退市量化标准却比较单一，仅仅是连续三年亏损。因此笔者建议，首先，对于监管机构而言毕业论文的格式，应该进一步完善上市公司的退市机制，考虑证券市场和上市公司的多方面因素，加强对上市公司多项财务指标的监控，并建立健全多元化的退市量化标准。一方面可以加强退市机制对上市公司的约束力，避免本该退市的上市公司通过对会计利润的调整轻易规避退市的现象。一方面还可以增强退市规则的明晰度和可操作性，从而强化上市公司退市机制的执行力。其次，对上市公司而言，应该充分认识到，企业在证券市场继续上市的价值是源于企业的盈利能力、偿债能力、成长能力、营运能力等综合能力的全面发展，上市公司应当加强对企业多项财务指标的关注，通过从整体上提升企业内在价值的方式来避免退市风险。 参考文献: [1]冯芸.上市公司退市制度实施效果的实证分析[J].财经研究,2009,(1):133-143 [2]李明祥.上市公司退市风险预警模型研究[J].数学的实践与认识,2008,(7):44-47 [3]Karels G, Prakash A.Multivariate Normality and Forecasting of Business Bankruptcy[J] . Journal ofBusiness Finance Accounting ,1987，(20) :573-593. [4]Santomero A , Vinso J .Estimating the Probability of Failure for Firms in the Banking System [J].Journal of Banking and Finance ，1977 ,1 (9) :185-205.