我国上市公司财务困境的预测模型研究

为财务困境公司；否则为非财务困境公司。判定结果如表9所示。



表9 LPM在财务困境前1年的判定结果


　　在回判过程中，70家非财务困境公司有4家被错判，误判率为5．71％；69家财务困境公司有10家被错判，误判率为14．49％；总的误判率为10．07％。判定正确率较高。采用同样的方法可以计算其他年份的最佳判定点和误判率。



　　2．Fisher二类线性判定模型。把财务困境公司划分为组合1，非财务困境公司划分为组合2，对样本公司的财务困境前1年的财务数据，使用同样的6个变量，估计Fisher二类线性判定分析。



　　对于组合1，判定模型为：



　　Z=-6．059+0．331x1一25．865x3+4．033x7+3．250x11-11．905x12+4．428x19



　　对于组合2，判定模型为：



　　Z=-4．859—0．812x1+3．989x3+3．432x7+1．142x11一7．734x12+5．924x19



　　以典则(Canonical)变量代替原始数据中指定的自变量，其中，典则变量是原始自变量的线性组合，得到典则的线性判定模型为：



　　Z=0．448—0．435xl+11.374x3—0．229x7—0．803x11+1．589x12+0．570x19



　　根据上述判定模型，以财务困境发生前1年的原始数据分别进行回代。二个组合的平均Z值分别是-1．3254和1．3065，样本个数分别为69和70，所以按完全对称原则确定的最佳判定点为z*。由此可知：当把财务困境发生前1年的原始数据代入判定模型所得的判定值Z大于Z*，则判为组合2，即非财务困境公司，否则判为组合1。由此得到的判定结果见表10。同理可计算其他年份的最佳判定点和误判率。



表10 Fisher二类线性判定模型在财务困境前1年


　　值得指出的是，Fisher判定模型在财务困境发生前1年的误判率为10．07％，与LPM模型的误判率相同，这从应用上证明二个模型是等价的。



　　3．Iosistic回归模型。使用同样的财务指标和数据，进行二元Logistic回归分析，得到模型的估计结果见表11。



表11 二元Logistic回归模型估计结果


　　截距模型是将所有自变量删除后只剩一个截距系数模型。当前模型是含有自变量的Logistic回归模型。“Likelihood为似然函数值，“—2LogLikelihood(缩写为—2LL)是似然函数值的自然对数的—2倍，常用来反映模型的拟合程度，其值越小，表示拟合程度越好。因为Idsistic模型是使用最大似然估计，似然函数值越大，则表明越接近最大似然值，拟合程度越好。从表10可见，变量x1、X3、X11的显著水平均小于0．05，说明其预测能力较强；其余3个变量的显著水平较高，说明其预测能力较弱。



方程可表示为：



log(p/(1-p))=-0.867+2.5313X2-40.2785X4+0.4597X8+3.2293X12-3.9544X13-1.7814X20



即



P=1/(1+e-(-0.867+2.5313X1-40.2785X3+0.4597X7+3.2293X11-3.9544X12-1.7814X19))



　　根据回归所得到的Logistic方程，以0．5为最佳判定点，对财务困境前1年的原始数据进行回代判定，结果见表12。



表12 Logistic回归模型在财务困境前1年的判定结果


　　在财务困境前1年，70个非财务困境公司有4个被错判，误判率为5．71％，69个财务困境公司有5个被错判，误判率7．25％，总体上看，139个公司有9个被错判，误判率6．47％。同样地，使用二元Logistic回归可以对财务困境前2年财务困境前5年的情况进行判定分析，判定结果见表13。



表13 三种多元判定分析方法估计模型的比较


　　四、结论与启示



　　第一，我国上市公司的财务指标包含着预测财务困境的信息含量，因此其财务困境具有可预测性。第二，在我国上市公司陷入财务困境的前1年和前2年，本文所选的21个财务指标中16个指标具有判定和预测财务困境的信息含量，但各个指标的信息含量不同，预测财务困境的准确率不同。在单变量分析中，净资产报酬率的判定效果较好。第三，多变量判定模型优于单变量判定模型。第四，比较三种判定模型的效果表明，Logistic模型的判定准确性最高。



　　参考文献



　　陈静，1999：《上市公司财务恶化预测的实证分析》，《会计研究》第4期。



　　吴世农、黄世忠，1986：《企业破产的分析指标和预测模型》，《中国经济问题》第6期。



　　张玲，2000：《财务危机预警分析判别模型》，《数量经济技术经济研究》第3期。

上一页  [1] [2] [3]