［摘 要］ 國內外學者關于財務預警模型的研究大都以上市公司年報數據為樣本數據。在我國，由于上市公司年報公告的時間與當年有關機構宣布ST公司名單的時間比較接近，而距下年有關機構宣布ST公司名單的時間則比較遠，因此，用ST前一年的年報數據來預測當年或下年的警情，都具有較大的局限性。實證研究結果表明，采用上市公司中報數據構建的財務預警模型，不僅具有很高的預警準確率，而且比基于年報數據的模型更具有較強的預警時效性。
［關鍵詞］ 上市公司；中報數據；財務預警模型；準確率；時效性
［中圖分類號］F270.7［文獻標識碼］A［文章編號］1673-0194（2007）01-0047-05
一、引言
國外關于財務預警模型的研究中，威廉·比弗(William Beaver，1966)以79對行業相同、資產規模相似的破產公司和非破產公司為樣本，在30個財務比率變量中找出最具差別能力的單個財務比率及其分界點，證明了現金流量/債務總額、凈收益/資產總額、債務總額/資產總額、營運資本/資產總額、流動資產/流動負債等比率對預測財務失敗來說是最好的。愛德華·奧特曼(Altman，1968)利用多元判別分析法對1945-1965年間的33家破產企業和33家正常經營的企業進行了研究，從企業的資產規模、折現能力、獲利能力、財務結構、償債能力、資產利用效率等方面綜合反映了企業財務狀況，進一步推動了財務預警模型的發展。
在我國，陳曉、陳治鴻（2000）運用多元邏輯回歸模型，對中國上市公司的財務困境進行了預測，他們的研究所發現的最優模型能夠從上一年股本收益率公告小于5%的上市公司中預測出73.68%的公司下一年會進入ST板塊，總體判別正確率為78.24%。吳世農、盧賢義（2001）研究財務困境出現前5年內兩類公司21個財務指標的差異，最后選定6個指標為預測指標，應用Fisher線性判定分析、多元線性回歸模型和Logit回歸分析分別建立了3種預警模型。研究結果表明，3種模型均能在財務困境發生前做出相對準確的預測，在財務困境發生前4年內的誤判率在28%以內，而Logit預測模型的誤判率最低，財務困境發生前1年的誤判率僅為6.47%。楊淑娥等（2003）更運用主成分分析方法，以滬深兩市1999年和2000年的67家上市公司為樣本進行實證研究，提出了我國企業的財務預警模型——Y分數預測模型。張鳴、程濤（2005）運用Logit回歸方法，引入現金管理特征變量和現金管理結果變量，從財務指標和現金流量角度共同構建綜合預警模型，結果表明：在ST前一年的預警中，財務指標模型預警效果比較好，而在ST前兩年、前三年，綜合預警模型的效果比較好。
根據對國內外研究現狀的了解，我們發現：第一，研究方法以及所構建和檢驗的財務預警模型呈現多樣化的特點；第二，研究樣本基本分為破產公司和非破產公司（國內分為ST公司和非ST公司）兩類；第三，研究數據來源于上市公司的年度報告。
研究方法以及所構建和檢驗的財務預警模型呈現多樣化有利于人們從不同的方面采用不同的方法對上市公司的財務危機做出預警。把研究樣本分為破產公司和非破產公司（或ST公司和非ST公司）有利于檢驗財務預警模型的適用性，提高財務預警的準確率。但是，僅僅利用上市公司年度報告作為構建和檢驗財務預警模型的數據來源，則具有較大的局限性。這是因為，在我國，上市公司年度報告公告的時間與當年有關機構宣布ST公司名單的時間比較接近，而距下年有關機構宣布ST公司名單的時間則比較遠，用ST前一年的年報數據來預測當年的警情，提供的預警信號具有明顯的滯后性，失去預警的意義；而用ST前一年的年報數據來預測下一年是否會被ST，則又因時距較遠、變化因素太多而削弱了預警的準確性，同樣也不能給公司提供可靠的預警信號。因此，用ST前一年的中報數據來構建和檢驗財務預警模型，應該更有理論意義和現實價值。基于這種考慮，本文選擇上市公司的中期報告（半年報）數據為研究對象，以多元線性回歸模型為研究工具，以我國上市公司中的ST公司和非ST公司為配對樣本，構建并檢驗我國上市公司的財務預警模型，試圖在現有研究成果的基礎上有所突破。
二、研究思路
本文以上市公司的半年報數據為研究對象，以多元線性回歸模型為研究工具，以我國上市公司中的ST公司和非ST公司為配對樣本。先把樣本總體分為模型構建樣本組和模型檢驗樣本組，然后再將每一個樣本組中的樣本分為ST樣本組和非ST樣本組。模型構建樣本組主要用于構建財務預警模型，模型檢驗樣本組主要用于檢驗所構建的財務預警模型的準確性。研究的總體思路為：首先是確定變量，接著選取樣本并對樣本進行描述，然后提出研究假設，跟著用模型構建樣本組的樣本來構建模型，用模型檢驗樣本組的樣本來檢驗所構建的模型，最后對研究結論進行歸納并提出相關建議。
三、變量確定
（一）被解釋變量
為了能夠直觀地表示公司的財務狀況處在何種境地，本文把被解釋變量Y確定為一個虛擬變量，代表公司的財務狀況。根據多元線形回歸模型的判斷規則，當Y＜0.5時，表示公司陷入了財務困境；當Y＞0.5時，表示公司的財務狀況正常。
（二）解釋變量
客觀地說，影響公司財務狀況的因素很多，既有公司外部的因素——不可控因素，也有公司內部的因素----可控因素。作為一項研究，要想把所有影響因素都考慮進去，一是不可能，二是沒有必要。因此，本文在借鑒國內外研究成果的基礎上，初步確定了以下13個公司可以控制并能夠可靠計量的財務比率作為備選的解釋變量（見表1）。
上表中的財務比率反映了公司資本結構、償債能力、運營能力、盈利能力和成長能力5個方面的財務狀況，它們能夠從不同的方面解釋公司的財務狀況處于何種境地。 四、樣本選取和描述
在我國，一般認為，上市公司一旦被實施了“特別處理”（即ST），即被認為陷入了“財務困境”。因此，本文定義的財務困境公司就是ST公司，財務正常公司就是非ST公司，并以此定義為標準來選取樣本。
（一）ST樣本組的選取
在所有2003-2005年間曾經被ST的上市公司中隨機抽取37家公司組成ST樣本組，并獲取其被ST前一年的中期財務報告。
（二）非ST樣本組的選取
根據所選取的ST公司所處的行業，在行業內選取相同數量的、規模大致相同、會計年度相一致的非ST公司作為配對樣本，組成非ST樣本組。如果在非ST公司中找不到與ST公司嚴格配對的樣本，則需要回頭剔除這個ST公司，另找一家能夠找得到配對樣本的ST公司補充進ST樣本組來。如此嚴格篩選，直到找到能夠完全配對的兩組樣本組為止。之所以要找到能夠完全配對的兩組樣本組，主要是為了控制由于ST樣本組和非ST樣本組之間的行業特征差異、公司規模差異和會計期間差異而可能帶來的模型偏差，以保證模型的準確性。
經過以上兩個步驟的篩選之后，本文最終選取74家樣本公司，其中37家組成了ST樣本組（其中2003年11家、2004年6家、2005年20家），另外37家組成了非ST樣本組（相對應地，也是2003年11家、2004年6家、2005年20家）。所選取的樣本的行業分布和會計年度分布情況如表2所示。
（三）將所選中的樣本公司進一步劃分為模型構建樣本組和模型檢驗樣本組
將19家ST公司和配對的19家非ST公司設定為模型構建樣本組，主要用于財務預警模型的構建；將剩余的18家ST公司和配對的18家非ST公司設定為模型檢驗樣本組，主要用于財務預警模型的檢驗。兩組功能不同的樣本組的構成情況如表2所示。
（四）計算主要財務指標均值
根據所獲取的樣本公司的中期報告數據，計算出樣本公司的主要財務指標均值如表3所示，并將樣本ST公司與樣本非ST公司的標均值比較如圖1所示。
從表3和圖1可以看出，樣本非ST公司的財務指標均值明顯優于樣本ST公司，即樣本非ST公司的財務狀況明顯好于樣本ST公司，表明所選取的ST樣本組和非ST樣本組在財務特征上具有明顯的差異，符合配對的要求，樣本有效。
五、研究假設
（一）樣本所屬行業和規模對研究結論不會造成實質性影響
本文的數據均取自這74家樣本公司2005年公開披露在上海證券交易所、深圳證券交易所網站上的財務報表。所選取的74家樣本公司，其行業和規模都不完全相同，為了便于開展研究，本文假設這些差異不會對研究結論產生實質性影響。
（二）財務數據真實、可靠
本文所采用的財務數據是各樣本公司在網上披露的中期財務報告，而當前我國上市公司披露的中期財務報告基本上是沒有經過審計的，雖然有公司的經理人員書面保證所披露的數據真實可靠，但也不排除有粉飾報告的可能性。因此，本文還需假設所獲得的財務數據真實、可靠。
六、模型構建
本文的研究目標是采用樣本ST公司被ST前一年的自身半年報數據和與其配對的樣本非ST公司的同期半年報數據作為研究對象，構建一個基于ST前一年的中期報告數據的財務預警模型，并同時檢驗其準確性。因此，所選取的樣本數據屬于2003-2005年的ST公司及與其配對的非ST公司在2002-2004年間的半年報數據。
根據前文所設計的研究方法，本文首先根據模型構建樣本組中的38家樣本公司（其中ST公司和非ST公司各19家）2002年-2004年間的半年報財務指標均值來構建模型。其構建過程如下：
1. 采用全部進入法，將模型構建樣本組中38家樣本公司（其中ST公司和非ST公司各19家）2002-2004年間的半年報中的上述13個備選解釋變量的指標值輸入Eviews軟件，得到一個初步的、未經篩選和剔除的多元線性回歸模型為：
Y=-0.650 6+0.91X1+0.114 1X2-0.361 8X3-0.145 8X4+0.486 8X5+0.000 1X6+2.117 8X7+2.087 8X8+0.001 5X9+2.830 7X10+1.486 5X11+1.772 8X12+0.008 2X13
R2值＝0.813925F檢驗值＝8.075381
R2值表示回歸平方和在總離差平方和中所占的比重，是衡量回歸直線與樣本觀測值之間的擬合程度的一個重要指標。R2值在0～1之間，R2越大，擬合程度就越好。F檢驗值是表示模型總體線性關系是否顯著的指標， F檢驗值越大，模型線性關系越顯著。
上述模型中，解釋變量有13個之多，有的變量可能對被解釋變量的解釋能力不強，從而影響模型的顯著性，況且，解釋變量太多，在模型的實際應用上也沒有必要，因此，需要對這13個解釋變量的解釋能力進行篩選，剔除一些解釋能力不強的變量。
2. 利用T檢驗值和P檢驗值來測試解釋變量對被解釋變量的解釋能力，即測試解釋變量對被解釋變量的顯著性。 在回歸模型的統計檢驗中，T檢驗值又稱變量顯著性檢驗值，是用來檢驗解釋變量對被解釋變量的影響是否顯著。P檢驗值又稱概率顯著性檢驗值，是用來表示有多大的概率可斷定未來的實際值落入某一個區間。T檢驗值的絕對值越大，表明該解釋變量對被解釋變量越顯著；P檢驗值越小，表明該解釋變量對被解釋變量越顯著。進行T檢驗和P檢驗的目的就是為了剔除一些對被解釋變量不顯著的解釋變量，保證留存在所構建的模型中的解釋變量具有最優的顯著性組合，從而保證所構建的模型具有最優的預測精度或者最優的解釋能力。
運用Eviews軟件計算得上述13個解釋變量的T檢驗值和P檢驗值如表4所示。
從表4的數據可知，不管是按T檢驗值（絕對值）排序還是按P檢驗值排序，13個變量的顯著性大小順序都是一樣的，由大到小依次為資產周轉率、留存收益/總資產、主營業務利潤率、營運資本/總資產、流動比率、總資產增長率、速動比率、經營現金比率、資產負債率、應收賬款周轉率、產權比率、息稅前利潤/總資產、現金流量結構比率。
3. 剔除對被解釋變量影響不顯著的解釋變量，構建具有最優解釋能力的模型。
在回歸模型的統計檢驗中，一般認為，解釋變量對被解釋變量的影響越顯著，或者說解釋變量對被解釋變量的解釋能力越強，就表明模型越有效。但是，太高的顯著性水平會導致進入模型的變量個數太少，帶來的直接后果是所蘊含的信息量不足以構造預測能力較強的預測模型；太低的顯著性水平則會導致進入模型的變量個數太多，從而提高模型的使用成本，違背了建立模型的初衷，也容易導致解釋變量良莠不齊，降低模型的預測效果。所以，本文綜合考慮以上各方面因素并經過逐步測試之后，最終確定將資產周轉率、留存收益/總資產、主營業務利潤率、營運資本/總資產、流動比率、總資產增長率、速動比率、經營現金比率這8個變量納入所構建的模型中，得出如下最優模型：
Y=-0.081 6-0.292 1X3-0.144 4X4+0.562 9X5+1.797 1X7+2.216X8+1.356 8X11+1.740 3X12+0.008X13
這時，R2值＝0.79，F檢驗值＝13.79，顯著性排序第8位的經營現金比率的T檢驗值=1.427 598，P檢驗值=0.166 3。
上述模型中，流動比率X3、速動比率X4的系數為負值，表明這兩個解釋變量與被解釋變量Y之間呈負相關關系。但是，從經濟意義上說，流動比率和速動比率跟公司是否陷入財務困境應該屬于正相關的關系。模型顯示的變量關系與經濟意義相背，是否意味著該模型是無效的呢？為了求證這個問題，本文運用Eviews軟件中的correlation命令，輸出流動比率X3 與被解釋變量Y之間的相關系數為0.243 265、速動比率X4與被解釋變量Y之間的相關系數為0.119 73，表明流動比率X3、速動比率X4與被解釋變量Y之間仍然是正相關關系，沒有背離經濟意義，因此，所構建的模型仍然是有效的。
4. 將模型構建樣本組中38家樣本公司2002-2004年間半年報中8個解釋變量的值代入所構建的最優模型，以驗證模型的可靠性。驗證結果如表5所示。
根據多元線形回歸模型的判斷規則，當Y＜0.5時，表示公司陷入了財務困境；當Y＞0.5時，表示公司的財務狀況正常。從表5顯示的驗證結果來看，19家ST公司中有18家的Y＜0.5（即陷入財務困境），只有1家的Y＞0.5（即財務狀況正常），表明根據最優模型來驗證模型構建樣本組中的ST公司，只有1家公司被誤判為財務狀況正常，其余18家公司均判斷準確，準確率為94.74%。19家非ST公司的Y全部＞0.5，即全部判斷為財務狀況正常，判斷準確率為100%。這說明，根據模型構建樣本組的財務比率所構建出來的模型對該樣本組中的樣本公司是否陷入財務困境，具有很高的判斷準確率，從而說明所構建的模型非常有效。
七、模型檢驗
上述最優模型對模型構建樣本組中的樣本公司具有很高的判斷準確率，而對模型構建樣本組之外的其他公司是否也具有如此高的判斷準確率，則需要采用本文選取的模型檢驗樣本組中的樣本公司來作進一步的檢驗。如果檢驗的結果具有很高的判斷準確率，則說明所構建的模型具有廣泛的應用價值，反之，則不具有廣泛的應用價值。
將模型檢驗樣本組中36家樣本公司2002-2004年間半年報中8個解釋變量的值代入所構建的最優模型，得出的檢驗結果如表6所示。
從表6顯示的檢驗結果來看，18家ST公司中有17家公司的Y＜0.5，只有1家公司的Y＞0.5，說明判斷準確的有17家，判斷失誤的只有1家，準確率為94.44%。18家非ST公司中有15家公司的Y＞0.5，有3家公司的Y＜0.5，說明判斷準確的有15家，判斷失誤的有3家，準確率為83.33%。可見，所構建的最優模型對模型構建樣本組之外的其他公司也具有很高的判斷準確率，即具有很強的財務預警能力，說明基于上市公司中期報告數據而構建的財務預警模型具有廣泛的應用價值。
八、結論與建議
（一）基本結論
1. 多元線性回歸模型在我國財務預警研究中具有很高的應用價值。實證結果表明，采用多元線性回歸模型所建立的財務預警模型可以獲得很好的預警效果。
2. 采用上市公司中期報告數據構建的財務預警模型，不僅具有很強的財務預警能力，而且改善了財務預警的時效性，能更加及時地預測出公司是否會陷入財務困境，因而在實際工作中更具有廣泛的應用價值。 3. 我國上市公司公開披露的中期報告數據具有很強的有用性。一般認為，中期報告數據是未經審計的，存在虛假信息的可能性比較大。但本文的實證結果表明，我國上市公司公開披露的中期報告數據對本文的研究具有很強的有用性，基于這些數據而構建的財務預警模型，其判斷的準確率很高。說明我國上市公司公開披露的中期報告數據是可信的和可利用的。
（二）相關建議
1. 有關各方，比如公司股東、經理人員、主要債權人、資本市場潛在的投資人或債權人、人才市場潛在的經理人等，可以采集相關上市公司的中期報告數據，建立多元回歸模型來對相關上市公司的財務狀況作出及時的預測，以幫助自己作出相關決策。
2. 有關各方在利用上市公司的中期報告數據和多元回歸模型來進行財務預警時，要注意篩選解釋變量，防止最終進入模型的變量個數過多或過少，以致影響模型的預警能力。同時還要注意將模型的定量結果和其他非定量因素結合起來綜合判斷，以防由于模型的偏差造成最終的判斷失誤。
3. 上市公司不應該把風險管理的焦點放在如何進行財務預警問題上，而是放在如何完善風險的防范機制上，因為防范是“本”，預警是“末”，一味地偏重于財務預警而忽視風險防范，就是本末倒置。把財務預警當作風險管理的一種輔助手段是可以的，但當作風險管理的主要手段就不行了。牢固樹立風險防范意識，加強風險防范機制的建設才是風險管理中的主要內容。
主要參考文獻
[1] 陳曉，陳治鴻. 企業財務困境研究的理論、方法及應用[J]. 投資研究，2000，（6）.
[2] 吳世農，盧賢義. 我國上市公司財務困境的預測模型研究[J]. 經濟研究，2001，（6）.
[3] 楊淑娥，徐偉剛. 上市公司財務預警模型——Y分數模型的實證研究[J]. 中國軟科學，2003，（1）.
[4] 張鳴，程濤. 上市公司財務預警實證研究的動態視角[J]. 財經研究，2005，（1）.
[5] 張鳴，張艷，程濤. 企業財務預警研究前沿[M]. 北京：中國財政經濟出版社，2004.
