(精选文档)运用Z计分模型对我国上市公司财务风险的实证研究

(精选文档)运用Z计分模型对我国上市公司财务风险的实证研究 运用Z计分模型对我国上市公司财务风险的实证研究 一、引言 (一)研究背景 企业财务危机预警的重要性是不言而喻的。资本市场的蓬勃发展使得企业能够从资本市场募集低成本的资金，以加速企业发展:投资人也可以利用资本市场的运作，进行投资获取较高的报酬。但现代企业面临着日益险恶的市场环境，风险无时无刻不在困扰着企业的经营管理者。现代企业的生存过程就是一个不断产生并化解各种风险的过程，企业一旦发生财务危机，波及层面相当广泛，将严重影响到广大投资者的利益。1997年下半年的东南亚金融危机进一步发展成为50年来最严重的国际经济危机，大批企业纷纷倒闭;近年来，世界范围内每年的企业破产案件远高于新设企业数，众多大型集团公司陷入困境;“安然”的倒塌更为上市公司财务状况蒙上阴影。自1986年我国通过《破产法》以来，破产企业的数量逐年增长，而且，以国有大中型企业、债务人申请破产居多。 上市公司是证券市场的基石，其行为的规范与否和财务状况的好坏将直接影响到证券市场的发展和投资者的利益。正是由于此重要性，1994年7月1日起正式实施的《公司法》规定:公司最近三年连续亏损，由国务院证券管理部门决定暂停其股票上市，亏损情形在限期内未能清除，由国务院证券管理部门决定终止其股票上市。1998年3月16日，中国证券8监督管理委员会以“部门规章”的形式，颁布了《关于上市公司状况异常期间的股票特别处理方式的通知》，要求上海证券交易所和深圳证券交易所根据证券交易所股票上市规则的规 定，对“状况异常”的上市公司股票交易实行特别处理(special treatment,简称“ST”) 2001年12月4日证监会正式取消“PT”制度，规定连续3年亏损的公司将在第3年年报公布之后10日内直接暂停上市，不再继续提供特别转让服务，为我国上市公司创立了新的、可操作的退出机制，从而给亏损公司扭亏提出了更紧迫的时间要求。截止2003年4月30日，据不完全统计，沪深两市A股交易市场己有151家上市公司披露年报亏损，亏损比重达13. 02%(参考“证券之星”网)。有鉴于此，迫切需要建立一个能预先发出危机警报的财务分析系统，以帮助上市公司的管理当局极早获得财务状况恶化的信号，避开或化解可能出现的财务危机:帮助投资者在证券价格大跌之前就获得财务风险的警报，及时撤走资金或审慎投资;帮助银行考察贷款风险，防止坏账发生;帮助审计师准确判断企业的经营状况;帮助那些准备借“壳”或买“壳”上中的公司搜寻目标。对上市公司财务状况恶化进行预警分析，不仅是各界人士关注的焦点，也将对上市公司今后的发展具有重要的指导意义。 经济全球化日益成为一种趋势，中国加入W TO后，面对经济全球化浪潮的冲激，市场竞争的加剧，企业集团的生存和发展面临前所未有的挑战。企业因财务危机导致经营陷入困境，甚至破产的例子更是屡见不鲜。今天，现金流量管理和控制财务风险己成为财务管理工作的核心。产生财务危机的原因很多，有内部企业经营者决策失误、管理失控，也有外部环境的影响，，如战争、经济危机、通货膨胀、金融危机。因此现代企业管理应以稳健经营为原则。在发现经营风险和财务危机时，及时做出应急方案，化解财务危机，减少财务风险。 随着市场竞争的日益激烈，财务失败将直接影响企业的生存和发展。因此，完善财务预警系统，需要加大宣传贯彻《会计法》和制订会计准则的力度，建立新的指标衡量上市公司业绩，改进财务预警方法，在财务危机到来之前向企业管理当局发出信号，可使其及时改善生产经营，以延长企业生命。 中国面对经济全球化的冲击，企业的生存和发展面临巨大的竞争压力。企业财务风险 监测与危机预警机制的建立可以防范财务危机的发生，并能阻止财务状况进一步恶化。“Z-Score”模型是其中最重要的模型，它是一个运用多变思路建立的多元线性函数公式。在企业财务风险监测与危机预警中占很重要的地位，面对我国的实际情况，“Z-Score”模型有它使用的空间，但是我国企业由于自身的情况，Z值在财务预测中的应用与西方存在着差异。所以应就目前我国的实际情况，研究“Z-Score”模型在我国企业财务分析方面的作用，并结合我国的实际情况加以修正，从而将这一成功的模型很好的应用到我国，为我国经济发展作出应有的贡献。 (二)研究意义 如何改善我国上市公司的状况，遏制其财务恶化，扭转大面积亏损的现状，是现代财务理论界急于解决的问。而建立完善的财务危机预警系统，是公司降低财务风险的关键所在。 预警是度量某种状态偏离预警线的强弱程度，发出预警信号的过程。所谓财务危机预警系统，是指为了防止企业财务系统运行偏离预期目标而建立的报警系统。 一个良好的财务危机预警系统，作为一种成本低廉的诊断工具，能提早发现问题并告知企业经营者，从而能有效地防范与解决问题、回避财务危机的发生。因此研究财务预警，无论在理论上还是实务中都具有重要意义: 1.对于企业(1)正确评价企业当前的财务状况，当危害企业财务状况的关键因素出现时，发出警告，提醒经营者早作准备，或采取对策以减少财务损失;(2)能描述企业财务状况变动的轨迹，并承担短期财务分析的任务;(3)能及时反映财务政策的执行效果，判断经营者的决策是否运用恰当，是否起到了改善财务状况的效果等。 2.对于政府和银行等国家金融机构，财务危机预测有利于改善资源的宏观配置，控制给处于破产边缘、没有前景的企业进行财政拨款、贷款，以减少国有资产流失，实现资源优化配置。 3.对于投资者和债权人来说，可以根据财务预测指数的动态分析，获得财务风险的警报，避免风险，进行正确的投资选择。 4.对于准备借壳上市或买壳上市的公司来说，可以通过关注预警信息寻找到宝贵的“壳”公司。 5.对于审计人员、法律人员来说，可以据此更为准确的对上市公司经营情况做出判断，避免因未能准确披露而招致的法律诉讼。 6.对于那些准备借“壳”或买“壳”上市的公司，通过对财务状况的预测更好的寻找重组的目标公司。 (三)财务危机预警的相关概念 1.财务风险 财务风险的理解有几种不同的观点，总体上说，广义观与狭义观是目前流行的两种观点。但从财务预警角度看，对上市公司财务危机的预警不仅仅限于对筹资风险的预警。因而，本文认为，对财务风险涵义的界定取广义观为佳。因而，我们可将财务风险定义为:上市公司从事财务活动由于外部环境和内部条件发生各种难以预料或控制的变化而导致上市公司财务状况的不确定性。 2.财务危机 (1)财务危机是财务风险的一种极端表现，对财务危机的涵义及财务危机上市公司的界定问题，财务理论界及实务界一直争论不休，目前并无统一的说法。 我国对财务危机已有的研究中，绝大多数学者认为上市公司中的ST公司可作为财务危机型上市公司。原因如下:第一，国外学者普遍认可的破产界限，在国外市场经济发达，信息披露充分的条件下较易确认，而我国目前的经济环境却不适合采用这一。我国只有上市公司的财务资料对外公开，较易获取，出于可操作性考虑，破产标准不适用;第二，目前， 我国ST公司的认定标准为:上市公司如发生财务状况异常或发生其他异常状况，导致投资者对该公司前景难以判定，可能发生损害投资者利益的情形时，交易所将对该上市公司实行特别处理。其中，“财务状况异常”指的是最近两年连续亏损，或最近一年的每股净资产低于每股面值，或同时出现上述两种情况;“其他状况异常”指的是因自然灾害，重大事故导致公司生产经营活动基本终止、或公司面临赔偿金额可能超过其净资产的诉讼等。上市公司一旦发生上述两种状况，将自动进入所谓的ST板块。从以上规定可以看出，宣布为特别处理的上市公司己经陷入了较大的财务危机，它们往往会出现难以偿还到期债务的情形。所以，将ST类公司作为财务危机型上市公司是既合理又合适的。 (2)财务风险与财务危机的关系 财务危机是财务风险积聚到一定程度的产物，它同财务风险一样，是在不断运动变化着的。陷入财务危机的上市公司必然面临着较大的财务风险，而具有财务风险的上市公司不一定陷入了财务危机。不同上市公司财务风险与财务危机有不同的表现形式，即使是同一上市公司，在不同时点其财务风险与财务危机也会有所不同。 财务风险与财务危机的关系可用图2-1表示: 财务风险 积 累 财务危机 化 恶 解 化 财务风险 企业破产 „„„„ 图1-1财务风险与财务危机的关系 3.财务预警系统 (1)财务预警 财务预警就是通过对企业财务活动运行状态进行监控，预先告知企业即将发生的警情，并采取一定的措施，排除警情，保证企业财务活动安全运行的管理行为。 根据警情界定程度的不同，可将其分为广义和狭义的财务预警。广义的财务预警是对所有可能引起企业财务活动波动的因素进行研究，只要引起企业财务活动产生不利因素就进行预警。它与财务风险控制的区别主要在于它更偏重于研究如何规避影响企业财务运转正常的那些风险所带来的不利因素，目的只在于保证企业生存。而财务风险控制还要研究影响企业盈利的那些风险，目的还在于发展和获利。 狭义的财务预警偏重于研究财务危机，实际上就是财务危机预警。财务危机主要表现为企业财务状况恶化，丧失了偿还到期债务的能力，企业的净现金流量小于企业需偿还的到期债务;是一个时期的概念，从技术性失败到公司破产都属于财务危机过程，并且有程度轻重之分。它与财务风险紧密相连，实质上就是财务风险规模化、高强度化的集中爆发。 (2)财务危机预防和财务预警 ?财务危机的预防 任何危机管理最有效的状况应该是有效的预防，而不是等到出了事再去预警。在一定意义上，预防是预警的前一道屏障，预防手段的合理和有效，将会大大减轻预警的压力。当然，从一个整体的意义上来看，广义的预警系统应该也包含企业财务危机的预防性措施和手段，且这对于企业财务危机预警系统的有效性是具有重要影响的。 ?财务危机预防与财务预警关系 如果我们将企业财务危机预警系统的功能作更深入的研究，就会发现，其实企业财务预警系统有帮助企业管理层了解财务危机产生诱因，起到有效预防企业财务危机产生的功能。企业财务预警的作用，看似在企业的财务危机征兆出现后，它才会发挥作用，其实由于企业建立了财务预警系统，事先已明确了各种可能导致企业财务危机的诱因和监控指标，所以在实际上，它己经起到了一种先导的预防功能，能使企业的财务危机征兆在其预警信号尚未形成之时，就被有效得以防止和克服。 财务危机的预防必须要与财务危机预警系统的建立紧密地相结合，在建立企业有效的财务危机预警系统的过程中，实际就是有效地宣传正确的理财概念，提升公司管理层和所有员工的风险意识和实施企业有效预防财务危机的过程。财务危机的预防和财务预警系统的本质是一致的，许多财务控制的手段和财务状况不佳的表现特性，其可能既是财务危机预防内容，也是财务预警系统的信号。 总之，财务危机预防和财务危机预警实际是一个问题的不同层面的表述，可以讲财务危机预防是财务危机预警的基础，而财务危机预警系统是建立在较完善的财务危机预防的基础之上，也是其发展的必然结果。 (四)研究目的 检验我国上市公司财务危机公司和非财务危机公司财务指标对财务危机预警的有效性。通过实证分析，验证模型的适用性并对对原模型进行修正，使修正后的Z-score模型对我国上市公司的财务危机有更好的预测作用，帮助上市公司更好的防范财务危机。 (五)本文结构 本文围绕我国上市公司财务预警进行研究。其主要内容大概分为四大部分:第一部分为引言，介绍本文的研究背景、研究意义、相关理论、研究目的和本文的结构;第二部分为文献综述，介绍国内外关于财务预警的研究成果;第三部分是我国上市公司财务预警的实证研究及其分析;第四部分得出本文的研究结论及本文的一些局限性;最后一部分为参考文献。 二、财务风险预警模型研究文献综述 (一)国外的研究状况 1.单变量财务预警模型 最早的财务困境预测研究是Fitzpatrick(1932)开展的单变量破产预测研究。1932年Fitzpatrick的相关文章“A Comparison of Ratios of Successful Industrial Enterprial with Those of Failed Firms”。他发现在所有的指标中判别能力最高的净利润/股东权益和股东权益/负债这两个指标。由于当时缺乏先进的统计工具和计算工具，仅此主要的研究方法是对失败企业和正常企业的一系列财务比率进行经验分析和比较。这种状况一直延续到1960年代初期，之后财务判别研究才真正进入系统化的阶段。 直到30多年后的1966年，美国的William Beaver才沿着Fitzpatrick的思路在其“Financial Ratios as Predictors of Failure”中率先提出较为成熟的单变量模型。他对于财务失败，不仅仅狭义地界定为破产，还包括“债券拖欠不履行，银行超支，不能支付优先股利等”。他首先使用资产负债率，净资产收益率，总资产收益率，流动比率等作为变量，对79家经营失败的公司和79家经营未失败的公司进行一元判定预测，发现现金流量与负债总额的比 率哪个最好地判定公司的财务状况(误判率最低)，预见性越强。 Beaver所采用的主要研究方法和步骤为: (1)立面分析。Beaver以1954年至1964年期间的79家财务失败的企业和相应(同行业，同规模)的79家非失败企业为样本，对其失败五年前的财务比率的等权均值逐年进行比较，发现两组的财务比率均值有明显的差异，离失败日越近，差距越明显。 (2)检验。主要是将所有失败与非失败的企业的财务比率进行排序，选择分割点。然后进行误差类检验，确定出误差类率最小的分割点。 (3)获得一元预测模型。即运用所确定的各财务比率的分割点，来判定样本公司的财务经营状况。 Beaver还发现离经营失败日越近，财务比率预测错误分类率越低。但这种模型的统计设计和方法的有用性上存在局限: (1)把比率的选择建立在其普遍性上有失偏颇，这就有可能是所选择的比率未包含一些重要的信息，而且常用的比率的也往往是管理者所关注的，因此，极有可能被操纵。 (2)该模型每次预测只能用一个比率进行分类，根据不同的比率进行分类，势必造成冲突，得出不同的结论，企业的经营业务是多方面的，没有哪个比率能单独说明企业的各方面，解决这个问题要运用多元判定分析。 在单变量的分析中，还有日本经营咨询诊断专家田边升一，在其所著的《企业经营弊病的诊治》一书中提出了检查企业“血液”———资金秘诀之一是“利息及票据贴现费用”判别分析法。 2.多变量财务预警模型 (1)多元Z值判断模型 美国学者Altman于1968年在《金融杂志》发表的一篇题为《财务比率、判别分析和公司破产预测》的文章中提出了预测企业破产的多元Z值判断模型，这是最早的多变量型财务预警。他将若干变量拟合成一个函数方程，用z值进行判断，从而克服了一元判定模型的缺陷。其实证结果表明，在破产前一年的预测准确性比一元模型有较大的提高，但在破产前五年进行预测准确性却不如一元模型。Altman的多元z值判定模型的重要性在于他介绍了一种方法技术，使用几个变量综合进行估计，获得企业的有关信息。人们已经无法用一个比率，获得足够的信息来描述企业所有特性，而一个一个地分析比率则过于复杂。因此，把多个比率合并入一个方程式的做法较为可取。 Altman最初选择的样本共有66家公司，分两组，每组33家。破产组(组1)包含了从1946年到1965年申请破产的33家制造业公司。考虑到无论是从行业还是从资产规模进行比较，这些公司的差别都较大。因此，在选择非破产组(组2)时，Altman采用了分层随机抽样的方式对应选择了另外33家在1996年仍在经营的未破产的制造业企业。每层样本的设计主要考虑了行业和规模因素，样本中剔除了小公司(总资产100万以下)和超大型公司，因为小公司的报表数据不全，而超大型公司的破产概率较小，不适于用来做普遍意义上的预测模型。 Altman共选择了22个可能有用的财务比率分五大类(流动性、获利能力、财务杠杆、偿债能力和活动性)进行研究。选择原则是该比率在以前研究中出现的频率和其与研究问题的潜在相关性。Altman经过因素分析最终找出最具解释力的五个财务指标，建立的判别函数模型如下: Z=0.012X+0.014X+0.033X+0.0064X+0.999X12345 X营运资金/资产总额 1= X=留存收益/资产总额 2 X=息税前利润/资产总额 3 X=权益市价/负债总额4 X=销售收入/负债总额 5 根据对过去经营失败企业统计数据的分析，Altman得出经验性临界数据值判断企业破产的临界值:如果,值大于2.675，则表示企业的财务状况、经营状况良好，发生破产的可能性小;如果,值小于1.81，则表明企业正处于破产的边缘;如果,值在1.81,2.675之间，则表明企业的财务及经营极不稳定，被称为“灰色地带”。通过计算，观察某个企业连续若干年的,值大小，就能发现企业发生财务危机的先兆。 (2)逻辑(logit)和概率比(probit)回归分析 多元判别分析模型存在严格的假设条件:如多元变量多元正态分布、多元变量的等协方差以及多元指标变量的平均向量、协方差、先验概率记错分成本必须为已知。但实证发现大多数财务比率并不满足这一要求。且一旦出现虚拟变量，联合正态分布的假设就完全不成立，而且产生的Z值没有明确的含义。为克服这些局限性，自20世纪70年代末以来，财务困境研究人员引进了逻辑(logit)和概率比(probit)回归方法。从而将问题简化为已知一个公司具有某些性质{由财务比率指标加以呈现}，计算它在一段时间里陷入财务困境的条件概率有多大。如果算出的概率大于设定的分割点，则判定该公司在这段时间内会陷入财务困境。logit模型的形式为:,,,,?(,,,),,α,，β,,,，β,,,，…，β,,,。其中:,取值为,、,;,为概率;,,，,,，…，,,为,个预测变量，即财务指标;α,、β,、β,、…、β,为系数。 Ohlson(1980)使用Logit方法分析了选用的非配比对样本在破产概率区间上的分布以及两类判别错误和分割点的关系,认为以前根据行业和资产规模来进行样本配对的选样方式过于武断,将资产规模变量直接放入模型中.用1970-1976年间的105家破产公司及2058家正常公司为研究对象。采取9个财务变量来估计模型，实证结果表明，其中4项财务资料对评估破产概率具有统计显著性，依次是规模(总资产/GNP物价指数后取对数);资本结构(总负债/总资产);资产报酬率或来自经营的总负债/总资产;短期流动性(营运资金/总资产、流动负债/流动资产)，判别正确率也高达92%以上。他构造了两个虚拟变量，OPNEG和INTWO ，前者当企业总资产超过总负债是值为1，否则为0;后者当企业破产前两年的净利润负时值为1，否则为0。其研究结果表明这两个虚拟变量对模型的解释能力甚至不低于某些常用的财务比率。他指出采用破产之后获得的信息来预测破产会高估破产模型的预测能力。 1984年Zmijewski 使用probit分析模型，用逻辑必分析的方法对财务困境的预测进行了新的探索。他研究了两族间样本个体数量分配的问题，认为一一配对会使样本中两类公司的比例严重偏离两类公司在实际总体中的比例，从而高估模型的预测能力，特别会高估对破产公司的预测能力。他的研究结果表明这种过度选样所带来的模型偏差的确存在，但并为显著影响统计参数和模型的总体预测精度。 probit概率模型的预测效果一般与logit模型预测的效果相差不大。 (3)Deakin多变量模型 1972年，埃德米斯(Deakin)专门针对小企业建立了小企业财务危机预警分析模型，该模型假定所有变量服从N(0， 1)分布，以标准值为界限进行判别，变量值只能为l或0。模型如下: Z=0.951X1-0.423X2-0.482X3+0.277X4-0.452X5-0.352X6-0.924X7; X1=(税前净利+折旧)/流动负债:若该比率小于0.05则X1=1;否则，X1=0; X2=所有者权益/销售收入:若该比率小于0.07则X2=1;否则X2=0; X3=净营运资金与销售收入比值再除以行业平均值:若该比率小于-0.02则X3=1;否则 X3=0; X4=流动负债/所有者权益:若该比率小于0.48则X4=1;否则X4=0; X5=存货与销售收入比值再除以行业平均值:若该比值有上升趋势(根据连续三年的数 据判断)，则X5=1;否则X5=0; X6=速动比率/行业平均速动比率趋势值:若该比值有下降趋势并同时该值小于0.34， 则X6=1;否则X6=0 X7=速动比率/行业平均速动比率:若该比值有下降趋势(根据连续三年的数据判断)，则 X7=1;否则X7=0 3.新的研究动向 (1)神经网络模型的应用。在19世纪80年代末期，神经网络理论(NN)开始兴起，其影响也及于财务危机预测研究领域。虽然神经网络判别模型可谓是研究方法上的重大创新，但实际效果却很不稳定。例如，Coats和Fant(1991)对47家财务危机公司和47家正常公司运用神经网络模型进行判别时，对财务危机公司的预测准确率达到了91%，明显高于多元判别法72%的准确率。然而，Back等人在1994年所做的一项研究却并不认为神经网络模型具有比多元判别分析(MDA)和Logistic分析明显更佳的预测效果。不过，由于财务数据可以表现企业生命的各种特征，其变化规律也与达尔文进化论有许多相似之处，因此随着遗传算法(Genetic algorithms)模型等思路的不断完善(如Back和Laitinen等人1996年的相关研究)，该方法可能代表着未来的一种重要趋势。 (2)期权定价理论。Charitou 和Trigeorgis(2000)使用B-S期权定价模型中的相关变量构建了财务危机判别模型，对1983年到1994年期间的139对美国企业进行了对比检验，结果发现到期债务面值、企业资产的当期市价、企业价值变化的标准差等期权变量在预测破产方面作用显著。不过，该研究的基础方法仍然建立于Logistic回归检验之上，仅仅在变量设计方面引入了期权因子，因此实际的理论贡献不大。正如我们前文所指出的，“破产”要件受到债权人选择等非线性因素的影响而具有不确定的后果，因此期权理论目前仅在企业总体估价中得到有限应用，若作为财务危机预测研究的一种方法，仍然具有不可克服的先天局限。 (二)国内的研究状况 国内大部分学者在财务预警分析时所涉及的指标较多，有时高达20多项。最典型的是北京化工大学会计西周首华、美国夏威夷大学会计学院杨济华和中国人民大学王平1996年应用多微区分分析，建立的“供管理当局使用而又区别于传统的公司偿付能力分析的新的预测模式—F分数模式(Failure Score Model)”。其模型表达式是: F=-0.1774+1.109X+0.1074X+1.9217X+0.0302X+0.4961X12345 其中:F为判别函数值 X——(期末流动资产-期末流动负债)/期末总资产 1 X——期末留存收益/期末总资产 2 X——(税后收益+折旧)/平均总资产 3 X——期末股东权益的市场价值/期末总负债 4 X——(税后纯收益+折旧+利息)/平均总资产 5 这个模型的判别临界点是0.00274，比率越低，企业发生财务失败或破产的可能性越大。 但是，F分数模式的研究对象并不是中国的证券市场。 1986年，吴世农、黄世忠曾撰文介绍企业破产的财务分析指标及其预测模型。 蔡红艳、韩立岩(2003)采用了Fisher判别方法建模，进入建模的指标有:资产收益率、资产负债率等几个指标。Fisher二类线性判定模型在财务危机发生前的第1年的判定准确率达到了89.1%。 上海财经大学的陈静在1999年对上市公司财务恶化预测进行了实证研究，她选用了 1998年27家ST上市公司作为样本，并将其界定为财务失败公司，主要借鉴了Beaver和Altman的模型，采用1998年财务数据，应用判定分析建立的两个模型。 Z=56.73X+1.26X-25.79X+4.06X-0.24X+10.59X1123456 Z=-16.44X1+43.19 X+1.158 X-6.58 X+3.53 X+11.39 X 223456 X——资产负债率 ; 1 X——净资产收益率 ; 2 X——总资产收益率 ; 3 X——流动比率; 4 X——营运资本比率; 5 X——总资产周转率; 6 陈静的研究结果表明，各上市公司样本在其中ST公司之前的前一年(1997年)、前两年(1996年)、前三年(1995年)的判别准确率分别是92.6%、85.2%和79.6%。模型在ST宣布前一年的判别准确率较高，离宣布日越远，准确率越低。成经所做研究中样本包括制造业、商业、房地产等不同的行业，而不同的行业的财务比率在一定程度上缺乏可比性，因此很难保证模型预测的正确率;样本仅局限于1998年一个年度，这在1999年来说，时效性很强，但六年来我国证券市场的发展变化十分显著，如果将原研究成果应用于现代的证券市场，缺乏说服力，很难保证模型的有效性;陈静在分析建模时所用数据是各ST公司被ST当年的数据，而非ST之前的数据，这样就会在一定程度上削弱所建模型的预测准确性 1996年，周首华等对Z计分模型加以改造，建立了财务危机预测的新模式——F分数模型。F分数模型使用的样本更加扩大，使用了Compustat PC Plus会计数据库中1990年以来的4160家公司的数据作为样本进行了验证，在模型中加入了现金流量这一预测自变量，许多专家证实现金流量比率是预测公司破产的有效变量。 张玲(2000)以上市公司的财务比率为基础，根据样本进行统计推断，最后判别函数用到了资产负债比率、总资产利润率、营运资金与总资产比率、留成收益、资产总额比5个指标。以原始样本判别值得分界线作为预警临界点，120家公司为研究样本，使用其中60家公司的财务数据估计二类线性判别模型，并使用另外60家公司进行检验，发现模型具有超前4年的预测效果。 吴世农、卢贤义(2001)选取了70家处于财务困境的公式和70家对照公司为样本，检验了Fisher线性判定分析、多元线性回归分析和Logistic回归分析三种方法，并结合中国的实际情况建立了相应的模型。他们的研究结果表明，在财务危机发生前2年或1年，盈利增长指数、流动比率、负债比率、总资产周转率等16个指标的时效性较强:多元线性判定模型，Fisher二类判定模型和Logistic回归模型均能在财务危机发生前做出较为准确的判断;相比于同一信息集而言，Logistic回归模型的误判率最低，在财务危机发生前1年的误判率只有6.47%。 黄岩、李元旭以沪深两市的上市公司为样本，建立了中国工业类上市公司财务失败预测模型，给出了所研究上市公司的Z值范围，用到的指标处理方法主要是聚类分析和判别分析。 我国台湾学者陈肇荣经过研究、测试，得出如下财务危机预测模型: Y=0.35X+0.67X-0.57X+0.29X+0.55X12345 其中:Y为判别函数值 X——速动总额/流动负债; 1 X——营运资金/资本总额 ; 2 X——固定资本/资本净额 ; 3 X——应收账款/销货净额; 4 X——现金流入量/现金流出量 5 按照此模型，当Y值低于11.5时，企业有可能在未来一年内发生财务危机。 我国学者吴世农等人(2001)运用逻辑回归判别模型，对1998—2000年间沪深两市的140家上市公司进行了判别分析，得出以下逻辑模型: Y=-0.867+2.5313X-40.2785X+0.4597X+3.2293X-3.9544X-1.7814Xi248121320 Pexp(Y)/[1+ exp(Y)] i=ii 其中: X——净资产收益率; 2 X——主营业务利润贡献率; 4 X——速动比率; 8 X——留存收益/总资产; 13 X——总资产负债率 20 Y值为总判别分，它反映的是i项在总资产中墨一上市公司综合财务状况的数量特征，i P是在线性回归模型基础上计算得出的发生财务危机的概率。 i 高培叶、张道奎(2000)采用了贝叶斯判别方法和Fisher判别方法、Logit判别方法、Probit方法分别建立模型。结果发现，贝叶斯线性判别函数同时优于贝叶斯线性判别函数和Fisher线性判别函数。采用Jacknife技术估计误判率时，绝大多数贝叶斯线性判别函数优于Logit模型的结果。比较对训练样本的回归误判率和采用Jacknife技术估计误判率，Logit模型显示出了更多的波动性，这表明采用我们的样本，Logit模型表现出更依赖于训练样本。 储一军、王安武(2000)以因财务状况异常而被特别处理ST作为上市公司陷入财务危机的标志，运用多元逻辑回归模型对中国上市公司的财务危机进行了预测。发现多元逻辑回归模型预测效果良好，总体判别正确率为78.24%。 杨保安、季海、徐晶等(2001)提出神经网络方法是企业财务危机预警中较好的应用工具，并能为银行贷款授信、预警提供有效决策。 王芳云(2005)在介绍Altman的Z计分模型的基础上，鉴于我国股市非流通股无市场价格等因素，对,计分模型中各项指标的设定作了调整，以2003年山东上市公司67只A股作样本，对上市公司财务风险进行了实证研究。研究结果表明，,计分模型在评价企业财务风险方面具有较强的有效性 三、实证研究 (一) 研究假设 假设1:ST公司具有较大财务风险，Z值应小于1.81; 假设2:Z值大于2.675的公司，不具有财务风险。 (二) 样本选取与研究设计 1、 样本的选择 本文以在深市发行的10只A股和沪市发行的10只A股为样本，其中包括ST公 司和非ST公司各5只。 2、 数据来源 上市公司2003年、2004年和2005年的年报数据。 3、 指标设定 本文采用多元分析方法。多元分析是将几个指标综合起来，反映企业总体财务状 况，预测财务危机。多元分析选择相对较简单、且数据易于获取，并且在实际中应用较 广，国际上也较为流行Altman的Z-score模型。Z-score模型的判别函数如下所示: Z= 1.2X1 + 1.4X2 + 3.3X3 + 0.6 X4 + 1.0X5 其中: X1:营运资金/总资产=(流动资产-流动负债)/ 总资产 X2:留存收益/ 总资产=(未分配利润+ 盈余公积)/ 总资产 X3:息税前利润/ 总资产=(税前利润+ 财务费用)/ 总资产 X4:股权市价总值/总负债=(每股市价×流通股数+ 每股净资产×非流通股数)/ 总负债 X5:销售收入/总资产=主营业务收入/总资产。 在Z-score模型中,五个指标充分考虑了企业的盈利能力(,2、,3)、资产管理水平(,1)、成长能力(,5)及企业市场价值或账面价值(,4)等方面,比较全面地反映企业的经营状况,但在目前市场经济条件下,我们认为Z-score模型还存在问题,使其模型具有明显的不适应性。其中，,4指标的适用性不够。,4指标反映的是普通股和优先股市价或企业的账面价值与负债的账面价值的比值,此项指标在现阶段不管对上市公司,还是非上市公司都有其不适应性。对上市公司来讲,由于我国股市运行时间较短,存在着许多不规范之处,股票市价并不能真实地反映企业的市场价值;对于非上市公司来讲,该项指标也只能反映公司的财务结构,即净资产与负债的比例,这与,1、,2指标有重复之嫌,其应用价值大打折扣。因此，我们将Z-score模型中的,4改为总资产现金回收率,计算公式为:营业现金净流量/总资产。这样模型中的五个指标充分考虑了企业的盈利能力、资产管理水平、成长能力及企业获取现金的能力等方面,增强其判别函数的适用性,更好地为企业发挥预警作用。调整后的模型中相关指标系数仍采用第一个模型中的相关系数。我们认为,可以在不改变,判别值的计算结果及破产界限划分的前提下,根据行业盈利水平和现金流量状况进行测算,然后确定判断范围,在一段时期内适用。这样既可以保证行业内有统一的评价标准,又可以充分考虑不同行业的不同经营环境、不同风险程度。 根据以上思路和建议,调整后“Z-score模型”为: ,=0.012,1+0.014,2+0.033,3+0.006,4+0.999,5 其中,1=净营运资本/总资产; ,2=保留收益/总资产; ,3=息税前收益/总资产; ,4=经营净现金流量/总资产; ,5=销售额/资产总额。 (三)实证结果的分析与解释 (1)Z值的计算 研究样本中ST公司与非ST公司Z值的计算 表1: 2003年 X1 X2 X3 X4 X5 Z1 公司类型 样本 *ST华发A -2.9542 -22.6870 -0.2042 1.0025 0.6381 0.2837 GST特力A -21.4093 -14.2740 2.4471 7.9038 1.9304 1.5999 G*ST环球 -37.6571 -19.3704 -17.6714 -0.2092 0.0971 -1.2105 ST公司 ST京西 -15.1595 -8.8760 -5.2797 -3.0961 0.5462 0.0467 *ST天纺 8.8677 -28.5019 -17.1152 -0.5571 0.5837 -0.2776 深市 华联控股 16.7346 9.7507 4.2318 0.4740 0.9624 1.4412 川化股份 8.9978 11.4705 5.9762 10.8596 1.9818 2.5108 金融街 64.3344 14.7122 9.9982 -0.8471 0.4217 1.7241 非ST公司 沈阳机床 -15.9465 -0.4992 2.5465 2.2348 0.7017 0.6001 徐工科技 12.4439 4.6365 5.8000 1.5098 1.5727 1.9859 *ST联谊 -11.1547 -17.2408 -24.7605 53.6141 1.9093 1.0367 *ST新智 40.4780 -1.0961 -13.9566 19.9724 0.4001 0.5294 ST万鸿 -184.4549 -253.5694 -250.7555 244.1792 1.2426 -11.3320 ST公司 *ST民丰 -24.5316 -41.9869 2.0947 203.0629 1.1640 1.5682 GST中西 -124.5286 -121.6030 4.9768 45.2071 0.8821 -1.8801 沪市 G银鸽 -4.3230 -7.2850 4.1503 11.4820 1.1855 1.2363 国能集团 26.6833 -9.9587 -0.8381 148.7588 0.4215 1.4667 东风科技 -0.4181 17.5199 8.6536 66.2168 1.7026 2.6241 非ST公司 G水运 9.6759 20.2336 12.4343 19.4622 2.1934 3.1176 哈高科 19.6193 -2.4172 2.1475 2.1624 0.6541 0.9389 表2:2004年 X1 X2 X3 X4 X5 Z2 公司类型 样本 *ST华发A -9.9976 -35.4702 -8.6422 2.5168 0.8365 -0.0510 GST特力A -22.9041 -16.7033 2.4601 -7.5153 2.0768 1.6021 G*ST环球 -72.3369 -55.0812 -26.9598 0.0513 0.0098 -2.5188 ST公司 ST京西 -14.5461 -16.1747 4.1423 -5.9153 2.3608 2.0586 *ST天纺 12.2813 -65.1506 -22.2226 6.1455 0.6694 -0.7925 深市 华联控股 21.1087 16.9144 3.6929 -11.5809 0.7501 1.2919 川化股份 -1.1034 7.3216 1.2374 11.8034 1.4386 1.6381 金融街 49.7280 13.1632 8.5791 -5.3428 0.3152 1.3469 非ST公司 沈阳机床 -2.7738 0.8145 4.2058 5.7024 1.0224 1.1725 徐工科技 9.7301 6.1645 4.0118 -5.5570 1.5404 1.8410 *ST联谊 -30.5420 -44.1057 -23.1419 2.0451 1.6178 -0.1192 *ST新智 4.2373 -87.8022 -48.6194 1.5642 0.2118 -2.5619 ST万鸿 -169.0684 -233.9287 8.1125 3.0880 0.9160 -4.1025 ST公司 *ST民丰 -50.7297 73.5840 -18.4938 0.4257 3.4869 3.2971 GST中西 -150.8815 -158.2455 -9.7247 0.9130 1.1095 -3.2330 沪市 G银鸽 -5.2582 -2.5684 5.0724 0.3644 1.4240 1.4931 国能集团 -0.7971 -9.5540 1.6425 2.0044 0.8606 0.7827 东风科技 1.4537 19.3209 5.0941 0.1095 1.6708 2.1258 非ST公司 G水运 5.0618 25.5505 14.3382 0.2697 2.2001 3.0911 哈高科 23.0706 -1.9401 1.2416 -2.5161 0.5653 0.8403 表3:2005年 X1 X2 X3 X4 X5 Z3 公司类型 样本 *ST华发A -6.2667 -37.4619 3.4185 7.0858 0.9086 0.4633 GST特力A -30.9701 0.0312 2.3694 4.1826 3.4117 3.1403 G*ST环球 21.5348 -0.1409 0.3162 8.5030 0.0002 0.3181 ST公司 ST京西 -28.1047 -5.6213 4.3918 24.0843 1.3663 1.2384 深市 *ST天纺 20.3939 -77.7279 3.7970 22.5730 0.9137 0.3300 华联控股 -3.7970 5.1375 1.7524 -5.6293 0.6035 0.6533 非ST公司 川化股份 0.3964 14.6356 12.8430 13.1514 2.7246 3.4343 金融街 38.1734 14.0247 8.8137 -0.1712 0.3313 1.2752 沈阳机床 7.4877 2.8390 5.3336 6.9543 1.1106 1.4569 徐工科技 7.9125 1.7873 -2.1180 3.9096 1.3626 1.4347 *ST联谊 -49.8089 -81.4716 -24.8032 125.8183 1.8694 0.0656 *ST新智 10.4346 -105.4613 1.9131 33.6369 0.6651 -0.4218 ST万鸿 -193.7894 -255.6959 -2.9604 265.7482 0.9800 -3.4294 ST公司 *ST民丰 -69.1494 -96.1954 -19.9397 346.9137 1.4248 0.6703 GST中西 -26.7067 -17.5481 3.1147 41.2621 0.8255 0.6089 沪市 G银鸽 -8.4865 4.0630 6.7517 5.1511 1.7186 1.9257 国能集团 49.9256 -9.9320 3.4078 223.0515 0.6724 2.5826 东风科技 -12.7191 5.0936 -9.5595 75.6002 1.9223 1.9772 非ST公司 G水运 9.0161 26.5793 17.5538 13.1974 2.5004 3.6366 哈高科 22.2736 -0.7547 1.3701 4.1957 0.3302 0.6570 从上面三个表中可以看出，ST公司的Z值与非ST公司的Z值有较大的差距。从Z值的组成成分看，五个变量中，变量X5在两类公司间的差距较小，而其他四个变量两类公司均相差很大。 (2)数据分析。 Altman认为如果公司的Z值低于1.81时，公司有很大的破产风险;但当1.81,Z,2.99时，公司的财务状况极不稳定;当Z,2.99时，公司的财务状况良好，破产的可能性极小，但这个标准是否适用于我国的上市公司，我们对样本的Z值结果进行统计，情况见表4。 表4 Z,1.81 1.81,Z,2.675 Z,2.675 Z值范围 公司数量 比例(%) 公司数量 比例(%) 公司数量 比例(%) 2003 10 100 0 0 0 0 ST公司 2004 8 80 1 10 1 10 2005 9 90 0 0 1 10 2003 6 60 3 30 1 10 非ST公2004 7 70 2 20 1 10 司 2005 5 50 3 30 2 20 首先以1.81为分割点对计算所得的Z值进行分析,。假定第一类错误为将ST公司误分为非ST公司;第二类错误为将非ST公司误分为ST公司。分析结果如表5所示。 表5: 以1.81为分割点 判定结果 样本数 总体正确率 ?类误分率 ?类误分率 时间 2003 20 70 0 60 2004 20 55 20 70 2005 20 70 10 50 从以上的结果可以看出，Altman标准对我国的上市公司不具有较好的适用性。同时可以看出，同这个标准相比，我国的ST公司的Z值相对较低，在2005年，其中有60%的 ST公司的Z值是在0.5以下，只有20%的ST公司的Z值是在1以上。说明这个标准在我国可能得适当的有所降低;而在同时，非ST公司的Z值在1.2以上的有80%。因而，从现实使用的角度看，判别点仍需进一步优化，我们分别以0.5和1.2为分割点进行分析，结果如表6。 表6: ,分值判定准则的预测效果表 以0.5为分割点 以1.2为分割点 判定结果 总体?类误?类误总体?类误?类误样本数 时间 正确分率 分率 正确分率 分率 率 率 2003 20 60 40 0 80 20 20 2004 20 70 30 0 70 30 30 2005 20 80 40 0 80 20 20 从分析结果可以看出，以1.2为分割点的总体正确率要优于以0.5为分割点，而且它的第一类误分率明显低于以0.5为分割点的第一类误分率。从投资者的角度看，第一类错误的成本可能会更高一些，错误的判断会使投资者做出错误的决策，进而可能会有大量的损失，而且上市公司的股东人数较多，会产生较大范围的损失，并有可能影响证券市场的稳定。所以我们建议以1.2为分割点来修正,模型分值。 一种比较实用的优化方法是设定灰色区域。如设定0.5,1.2为灰色区域。判定规则如表7。 表7: ,模型分值 企业财务状况判定 0.5以下 存在严重的财务危机，破产概率较高 0.5,1.2 存在发生财务危机可能性视情况而定 1.2以上 财务状况良好 根据修正后的判定规则，我们对样本的Z值重新进行统计分析，结果如表8所示。 表8: Z,0.5 0.5,Z,1.2 Z,1.2 Z值范围 公司数量 比例(%) 公司数量 比例(%) 公司数量 比例(%) 2003 6 60 2 20 2 20 ST公司 2004 7 70 0 0 3 30 2005 6 60 2 20 2 20 2003 0 0 2 20 8 80 非ST公2004 0 0 3 30 7 70 司 2005 0 0 2 20 8 80 四、研究结论及说明 从上面的实证结果可知， Z-score模型并不完全适用于我国上市公司，因而我们前面提出的假设1和假设2基本成立，但是仍然需要进一步优化，即将假设1中的分割点修正为 1.2。修正后的Z-score模型对我国上市公司的财务危机有较好的预测作用，模型的分类能力和超前预测能力比较令人满意。 总的来说，本文所采用的模型可以帮助金融机构、投资者、基金经理们进行财务危机预测分析，但自身仍存在一些缺陷。 首先，没有考虑到行业差别这个问题上，可能也会产生一定的误差。不同行业经营环境、盈利水平、风险水平有很大差异。 其次，财务预警研究的前提是公司发布的财务数据必须是真实可靠的，但由于目前我国的上市公司会计信息失真现象依然存在，部分公司为了避免被宣布特别处理或暂停上市有可能会操纵利润。 再次，由于我们的样本是随机选取的且数量有限，可能会产生一定的误差，再加上我们的技术水平有限，从而使得出的结论缺乏足够的说服力。 最后，虽然这些财务危机的预警模型存在一定的局限性，但是仍然是一种有效的预警方式，在我国的证券市场上有较好的时间作用。 参考文献 [1]周首华等，论财务危机的预警分析——F分数模型，会计研究，1996，(8) [2]陈静.上市公司财务恶化预测的实证分析[J]，会计研究，1999，(4) [3]陈瑜.对我国证券市场ST公司预测的实证研究[J]，经济科学，2000，(6) [4]黄岩，李元旭.上市公司财务失败预测实证研究[J]，系统工程理论方法应用，2001，(1) [5]尹侠.上市公司财务预警的实证分析[J].财经理论与实践，2002，(1) [6]葛文雷.上市公司财务状况综合评价[J].管理工程学报，1999，(2) [7]张友棠，唐慧贤，黄辉.现代财务理论及其在财务预警中的应用研究[J].武汉理工大学学报，2001，(2) [8]罗栋梁.ST财务危机预警.会计之友，2001，(7) [9]李小青，董全.企业财务预警系统及其定量分析[J].会计之友，2000，(1) [10]韩庆兰，吴长强.浅议财务预警机制[N]，财会月刊，2001，(4) [11]王永生，李洁. Z-score预警模型的研究与分析[J]，财会通讯，2006，(2) [12]万希宁.关于上市公司财务失败预警的实证分析[J]，商业研究，2003，(12) [13]王芳云.运用Z计分模型对上市公司财务风险的实证研究[J]，山东纺织经济，2005，(5) [14]赵健梅，王春莉.财务危机预警在我国上市公司的实证研究[J]，数量经济技术经济研究，2003，(7) [15]胡刚.基于上市公司财务困境修正Z模型的实证研究，中南大学硕士学位论文，2004，(5) [16]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J]，经济研究，2001，(6) [17]吴世农，黄世忠.企业破产的分析指标和预测模型[J]，中国经济问题，1986，(6) [18]张玲.财务危机预警分析判别模型[J]，数量经济技术经济研究，2000，(3)