【摘要】本文以滬深兩市A股制造業(yè)上市公司為研究對(duì)象，建立了以財(cái)務(wù)指標(biāo)為自變量的邏輯回歸模型、財(cái)務(wù)指標(biāo)及與公司治理指標(biāo)相結(jié)合的邏輯回歸模型和以Fisher值與公司治理指標(biāo)為自變量的混合模型，并用這三種模型對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)警的準(zhǔn)確度進(jìn)行了檢驗(yàn)，結(jié)果表明：在我國(guó)制造業(yè)上市公司中，利用單純財(cái)務(wù)指標(biāo)建立的邏輯回歸模型預(yù)警的準(zhǔn)確度最差，其次是包含有公司治理變量的邏輯回歸模型，而預(yù)警準(zhǔn)確度最好的是混合模型。
【關(guān)鍵詞】財(cái)務(wù)危機(jī)預(yù)警 主成分分析 Logistic回歸模型 混合模型
一、引言
財(cái)務(wù)預(yù)警系統(tǒng)是以企業(yè)信息化為基礎(chǔ)，以企業(yè)的財(cái)務(wù)報(bào)表、經(jīng)營(yíng)計(jì)劃及其他相關(guān)的財(cái)務(wù)資料為依據(jù)，利用財(cái)會(huì)、金融、企業(yè)管理、市場(chǎng)營(yíng)銷等理論，對(duì)企業(yè)在經(jīng)營(yíng)管理活動(dòng)中的潛在風(fēng)險(xiǎn)進(jìn)行實(shí)時(shí)監(jiān)控的系統(tǒng)。財(cái)務(wù)預(yù)警貫穿于企業(yè)經(jīng)營(yíng)活動(dòng)的全過(guò)程，其目的是及時(shí)發(fā)現(xiàn)、防范和抵御企業(yè)風(fēng)險(xiǎn)。
財(cái)務(wù)預(yù)警一直是現(xiàn)代企業(yè)財(cái)務(wù)管理的一項(xiàng)重要內(nèi)容。在早期的財(cái)務(wù)預(yù)警系統(tǒng)中，主要采用比率分析方法來(lái)衡量企業(yè)面臨的風(fēng)險(xiǎn)，方法比較簡(jiǎn)單，預(yù)警的準(zhǔn)確度不高。近年來(lái)學(xué)者們通過(guò)建立數(shù)學(xué)模型的方法，將企業(yè)內(nèi)外部相關(guān)風(fēng)險(xiǎn)因素納入預(yù)警模型中，綜合考量評(píng)估企業(yè)風(fēng)險(xiǎn)，預(yù)警的準(zhǔn)確度比單一利用財(cái)務(wù)比率進(jìn)行預(yù)警更高。
從現(xiàn)有的研究文獻(xiàn)來(lái)看，國(guó)內(nèi)外學(xué)者采用不同的方法建立了多種財(cái)務(wù)預(yù)警模型，對(duì)財(cái)務(wù)風(fēng)險(xiǎn)衡量的結(jié)果并不一致。本文主要利用我國(guó)制造業(yè)上市公司數(shù)據(jù)，驗(yàn)證當(dāng)前三大主要財(cái)務(wù)預(yù)警模型——以財(cái)務(wù)指標(biāo)為自變量的邏輯回歸模型、財(cái)務(wù)指標(biāo)與公司治理指標(biāo)相結(jié)合的邏輯回歸模型和以Fisher值與公司治理指標(biāo)為自變量的混合模型預(yù)警的準(zhǔn)確性，希冀能夠?qū)ζ髽I(yè)財(cái)務(wù)預(yù)警模型的選擇起到一定的借鑒作用。
二、文獻(xiàn)回顧
1. 國(guó)外學(xué)者對(duì)財(cái)務(wù)危機(jī)預(yù)警研究建立的模型較多，主要分為靜態(tài)模型和動(dòng)態(tài)模型。
靜態(tài)模型包括單變量模型、多元線性模型、Logistic回歸模型、支持向量機(jī)及神經(jīng)網(wǎng)絡(luò)模型等。Fitzpatrick（1932）最早利用單變量模型研究財(cái)務(wù)危機(jī)預(yù)警，其研究表明判別能力最強(qiáng)的兩個(gè)指標(biāo)是凈利潤(rùn)/股東權(quán)益與股東權(quán)益/負(fù)債。Altman首次將多元判別分析方法引入財(cái)務(wù)危機(jī)預(yù)測(cè)領(lǐng)域，與其合作者建立了Z分?jǐn)?shù)系列模型；他還與Haldeman和Narayanan 建立了以7個(gè)財(cái)務(wù)指標(biāo)為基礎(chǔ)的ZETA模型，該模型通過(guò)會(huì)計(jì)數(shù)據(jù)能夠提前三年比較準(zhǔn)確地預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，使多元線性模型的研究達(dá)到了前所未有的高度。但是多元線性判定模型對(duì)預(yù)測(cè)變量有嚴(yán)格的聯(lián)合正態(tài)分布要求，為解決這一問(wèn)題，Martin運(yùn)用Logistic回歸模型預(yù)測(cè)銀行財(cái)務(wù)危機(jī)，他以1970 ～ 1977年間58家銀行作為樣本，從25個(gè)財(cái)務(wù)指標(biāo)中選出8個(gè)指標(biāo)構(gòu)建多元邏輯回歸模型，并且將其與Z值和ZETA模型進(jìn)行對(duì)比，發(fā)現(xiàn)多元Logistic回歸模型的預(yù)測(cè)能力最高。隨著統(tǒng)計(jì)學(xué)及計(jì)算機(jī)網(wǎng)絡(luò)等技術(shù)的發(fā)展，國(guó)外學(xué)者紛紛引入新的分析技術(shù)，建立如神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型等預(yù)警模型。
動(dòng)態(tài)預(yù)警模型是基于時(shí)間序列回歸或動(dòng)態(tài)管理將研究樣本和配對(duì)樣本的現(xiàn)金管理特征變量納入構(gòu)建的預(yù)警模型檢測(cè)財(cái)務(wù)狀況，評(píng)估財(cái)務(wù)風(fēng)險(xiǎn)。目前研究動(dòng)態(tài)預(yù)警模型的文獻(xiàn)還不多，可用的動(dòng)態(tài)預(yù)警模型只有如累積與控制圖模型及指數(shù)加權(quán)移動(dòng)平均控制圖模型等少數(shù)模型。
2. 國(guó)內(nèi)對(duì)財(cái)務(wù)危機(jī)預(yù)警的研究相對(duì)較晚。黃世忠、吳世農(nóng)（1986）通過(guò)對(duì)企業(yè)財(cái)務(wù)報(bào)表各個(gè)獨(dú)立財(cái)務(wù)指標(biāo)加以分析來(lái)預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)，但是他們的預(yù)警指標(biāo)比較單一，并未將各類指標(biāo)綜合起來(lái)考慮，準(zhǔn)確度難以保證。周首華、楊濟(jì)華對(duì)Z-score模型指標(biāo)進(jìn)行相應(yīng)調(diào)整和改進(jìn)，提出了著名的F分?jǐn)?shù)模型。吳世農(nóng)、盧賢義應(yīng)用Fisher判別分析、多元線性回歸和Logistic回歸分析構(gòu)建了相應(yīng)的預(yù)警模型，其三種模型均能在財(cái)務(wù)危機(jī)發(fā)生前做出較為準(zhǔn)確的判斷。楊淑娥、徐偉剛采用主成分分析法構(gòu)建Y分?jǐn)?shù)財(cái)務(wù)危機(jī)預(yù)警模型，確定了企業(yè)財(cái)務(wù)狀況評(píng)價(jià)區(qū)域，從而為財(cái)務(wù)危機(jī)的預(yù)測(cè)提供了一種新方法。王克敏、姬美光分別使用基于財(cái)務(wù)和非財(cái)務(wù)指標(biāo)的Logistic回歸模型對(duì)我國(guó)虧損上市公司進(jìn)行財(cái)務(wù)預(yù)警，發(fā)現(xiàn)在公司被ST早期階段，引入公司治理、對(duì)外擔(dān)保、關(guān)聯(lián)方交易等非財(cái)務(wù)因素的影響力比財(cái)務(wù)因素的影響力更為顯著，精確率更高。
3. 綜上所述，財(cái)務(wù)預(yù)警方法已從判別分析法、Logistic回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)等靜態(tài)模型向動(dòng)態(tài)模型和混合模型轉(zhuǎn)變。實(shí)證研究表明，動(dòng)態(tài)模型和混合模型能顯著提高財(cái)務(wù)預(yù)警的準(zhǔn)確率，但是由于我國(guó)資本市場(chǎng)尚難以提供較多的時(shí)間序列數(shù)據(jù)，因而企業(yè)很少使用動(dòng)態(tài)模型，而大多使用判別分析法、Logistic回歸分析、混合模型等靜態(tài)模型。那么在我國(guó)制造行業(yè)內(nèi)，使用哪一種模型進(jìn)行預(yù)警的結(jié)果更準(zhǔn)確呢？本文對(duì)此進(jìn)行研究，具體研究思路如下圖所示。
三、樣本選取與研究設(shè)計(jì)
1. 樣本、數(shù)據(jù)及預(yù)警指標(biāo)的選取。
（1）樣本選取。目前，學(xué)者們對(duì)財(cái)務(wù)危機(jī)的界定方法尚不一致，本文借鑒有關(guān)學(xué)者的研究成果，將財(cái)務(wù)危機(jī)歸結(jié)為以下方面：①無(wú)償債能力、資不抵債等；②嚴(yán)重虧損；③現(xiàn)金流嚴(yán)重不足。其邏輯關(guān)系為企業(yè)嚴(yán)重虧損、現(xiàn)金流嚴(yán)重不足，導(dǎo)致資不抵債、無(wú)償債能力，調(diào)整無(wú)效最后破產(chǎn)。結(jié)合我國(guó)證券市場(chǎng)的實(shí)際情況及上述財(cái)務(wù)危機(jī)企業(yè)特征，本文將財(cái)務(wù)預(yù)警研究的對(duì)象界定為因“財(cái)務(wù)狀況異?！倍弧癝T”的上市公司，并選取了2009 ～ 2012年總共45家因“財(cái)務(wù)狀況異常”而首次被ST的制造業(yè)A股（無(wú)交叉股）上市公司作為發(fā)生財(cái)務(wù)危機(jī)的樣本。并以1∶2的配對(duì)比例，以行業(yè)相同、資產(chǎn)規(guī)模相近、上市時(shí)間相近且從未有ST記錄為選取原則，選取同期90家制造業(yè)A股（無(wú)交叉股）上市公司作為財(cái)務(wù)危機(jī)樣本的配對(duì)樣本。
（2）數(shù)據(jù)選取。公司財(cái)務(wù)狀況及治理狀況不良會(huì)帶來(lái)財(cái)務(wù)危機(jī)，但是這種“不良”帶來(lái)的“財(cái)務(wù)狀況異常”甚至于被“ST”這種后果不會(huì)在當(dāng)期就體現(xiàn)出來(lái)，即企業(yè)財(cái)務(wù)惡化有一個(gè)“漸變”的過(guò)程，財(cái)務(wù)預(yù)警就是要利用當(dāng)前看似正常的企業(yè)財(cái)務(wù)及公司治理指標(biāo)預(yù)測(cè)將來(lái)發(fā)生財(cái)務(wù)危機(jī)的可能性。因此，在進(jìn)行預(yù)警模型的準(zhǔn)確性驗(yàn)證時(shí)，采用哪一期間的數(shù)據(jù)進(jìn)行預(yù)警亦是相關(guān)學(xué)者關(guān)注的重要問(wèn)題。本文借鑒有關(guān)學(xué)者的研究成果，以企業(yè)被“ST”之前第三年的財(cái)務(wù)狀況及公司治理狀況為基礎(chǔ)進(jìn)行財(cái)務(wù)危機(jī)預(yù)警，即若上市公司被“ST”年度為T(mén)年，則被“ST”之前年度分別為T(mén)-1年、T-2年……，本文選取T-3年的數(shù)據(jù)來(lái)建立財(cái)務(wù)危機(jī)預(yù)警模型。研究數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)及各知名財(cái)經(jīng)網(wǎng)站。
（3）預(yù)警指標(biāo)的選取。劉彥文（2009）對(duì)2002 ～ 2008年國(guó)內(nèi)外發(fā)表的財(cái)務(wù)危機(jī)預(yù)警文獻(xiàn)中的最終模型具有顯著影響的預(yù)測(cè)變量進(jìn)行了頻次統(tǒng)計(jì)（表略），本文根據(jù)其結(jié)果并結(jié)合筆者的判斷確定了研究指標(biāo)，這些指標(biāo)包括財(cái)務(wù)類指標(biāo)及公司治理指標(biāo)，具體見(jiàn)表1、表2、表3、表4。其中財(cái)務(wù)類指標(biāo)包括財(cái)務(wù)狀況指標(biāo)、現(xiàn)金流量指標(biāo)及盈余管理程度指標(biāo)。2. 變量檢驗(yàn)。
（1）顯著性檢驗(yàn)。本文選取滬深A(yù)股制造業(yè)上市公司2009 ～ 2010研究樣本企業(yè)28家，配對(duì)樣本企業(yè)56家，總共84家樣本企業(yè)用于模型的建立；選取2011 ～ 2012年樣本企業(yè)17家、配對(duì)樣本企業(yè)34家，共51家樣本企業(yè)用來(lái)作為檢測(cè)樣本。
劉國(guó)光（2009）研究表明，不是所有的財(cái)務(wù)數(shù)據(jù)都服從正態(tài)分布，為此我們的研究需要對(duì)服從正態(tài)分布及其他分布的樣本進(jìn)行不同處理，故本節(jié)主要對(duì)84家建模樣本的預(yù)警指標(biāo)進(jìn)行K-S檢驗(yàn)，以確定變量是否符合正態(tài)分布。對(duì)于符合正態(tài)分布的指標(biāo)，則進(jìn)行獨(dú)立樣本T檢驗(yàn)，以確定這些指標(biāo)在研究樣本與配對(duì)樣本之間是否存在顯著差異；若差異不顯著，則說(shuō)明這些指標(biāo)不能夠反映樣本企業(yè)與配對(duì)企業(yè)的財(cái)務(wù)狀況存在差異，需要剔除。對(duì)于通過(guò)K-S檢驗(yàn)確定不符合正態(tài)分布的指標(biāo)，則進(jìn)行Mann-Whitney U檢驗(yàn)，以剔除兩種樣本之間不具備顯著差異的指標(biāo)。
首先，在SPSS17.0軟件中進(jìn)行K-S檢驗(yàn)（受篇幅所限，檢驗(yàn)結(jié)果表已省略），結(jié)果顯示：X1、X3、X4、X15、X20、X21、X22、X23、X24、X25、X32、X34及X36的P值大于給定的顯著性水平0.05，這些變量符合正態(tài)分布。
然后，對(duì)上述指標(biāo)進(jìn)行獨(dú)立樣本T檢驗(yàn)（檢驗(yàn)結(jié)果表已省略），結(jié)果顯示在0.05的水平上，X15和X25通過(guò)顯著性檢驗(yàn)，表明其在兩種樣本之間存在顯著差異。
對(duì)未通過(guò)正態(tài)性檢驗(yàn)的指標(biāo)則進(jìn)行Mann-Whitney U檢驗(yàn)（檢驗(yàn)結(jié)果表已省略），結(jié)果顯示：X5、X6、X8、X9、X11、X17、X18、X27、X28、X29、X30、X31及X35，共13個(gè)指標(biāo)的P值小于顯著性水平0.05，故在兩種樣本之間存在顯著差異。
綜上所述，通過(guò)變量檢驗(yàn)，存在顯著差異的財(cái)務(wù)指標(biāo)有 X5、X6、X8、X9、X11、X15、X17、X18、X25、X27、X28、X29及X30，共13個(gè)。非財(cái)務(wù)指標(biāo)：X31、X35共2個(gè)。
（2）主成分分析。為了克服變量之間的多重共線性、簡(jiǎn)化計(jì)算并盡可能地保留對(duì)因變量有貢獻(xiàn)的自變量，從而保留更多對(duì)預(yù)警有用的財(cái)務(wù)信息，需要進(jìn)行主成分分析。
考慮到公司治理指標(biāo)中含有一些虛擬變量，取值不連續(xù)，不能滿足主成分分析的充分條件，不能進(jìn)行主成分分析，因此本文只對(duì)通過(guò)顯著性檢驗(yàn)的13個(gè)財(cái)務(wù)類指標(biāo)進(jìn)行主成分分析，對(duì)公司治理指標(biāo)則直接建立模型。
首先是主成分的提取。在做主成分分析前筆者進(jìn)行了Bartlett球形檢驗(yàn)及KMO測(cè)試。結(jié)果顯示，KMO測(cè)試系數(shù)為0.757， Bartlett檢驗(yàn)的P=0.000＜α（α=0.05），表明變量之間具有較強(qiáng)的相關(guān)性，可以進(jìn)行主成分提取。在SPSS17.0軟件中進(jìn)行主成分分析，通過(guò)方差最大化旋轉(zhuǎn)，結(jié)果見(jiàn)表5。
本文采取累積貢獻(xiàn)率的方式對(duì)主成分進(jìn)行篩選，根據(jù)經(jīng)驗(yàn)數(shù)據(jù)，累積貢獻(xiàn)率要求在85%以上，因此本文提取7個(gè)因子使其累積貢獻(xiàn)率達(dá)到87.806%以上。
其次是主成分的列式。根據(jù)SPSS17.0的檢驗(yàn)結(jié)果，主成分的得分系數(shù)矩陣和旋轉(zhuǎn)成分矩陣如表6所示。
根據(jù)表6因子得分系數(shù)矩陣數(shù)據(jù)，主成分可以用原始變量進(jìn)行表示，具體列示如下：
F1=0.133X5+0.337X6+0.274X8+0.245X9+0.263X11-0.076X15-0.045X17-0.048X18+0.054X25+0.048X27+0.013X28+0.068X29-0.025X30
F2=-0.184X5+0.034X6+0.074X8+0.070X9+0.011X11+0.060X15-0.018X17-0.023X18-0.147X25+0.564X27-0.012X28+0.521X29-0.112X30
F3=0.218X5-0.079X6+0.036X8-0.017X9+0.011X11+0.031X15+0.045X17+0.056X18+0.243X25-0.105X27+0.501X28-0.060X29+0.540X30
F4=-0.243X5-0.147X6-0.076X8+0.228X9-0.052X11+0.013X15-0.013X17+0.844X18-0.260X25-0.059X27-0.077X28+0.053X29+0.155X30
F5=0.104X5-0.336X6+0.077X8+0.020X9+0.057 0X11+0.935X15+0.008X17+0.007X18+0.071X25+0.110X27+0.089X28-0.024X29-0.018X30
F6=-0.640X5-0.138X6+0.062X8-0.083X9-0.015X11-0.012X15-0.012X17-0.043X18+0.744X25+0.038X27+0.029X28-0.017X29+0.085X30
F7=-0.161X5-0.026X6-0.009X8-0.050X9+0.000X11+0.014X15+0.993X17-0.024X18-0.160X25-0.024X27+0.009X28-0.004X29+0.070X30
由旋轉(zhuǎn)成分矩陣（受篇幅所限，矩陣表已省略），可對(duì)7個(gè)主成分因子進(jìn)行如下命名：①主成分F1主要由凈資產(chǎn)收益率（X8）、長(zhǎng)期資本收益率（X11）、成本費(fèi)用利潤(rùn)率（X6）及息稅前利潤(rùn)率（X9）進(jìn)行解釋，表明公司盈利能力和收益情況，可稱為“獲利因子”。②主成分F2主要由應(yīng)收賬款占流動(dòng)資產(chǎn)比率（X27）與應(yīng)收賬款占銷售收入比率（X29）進(jìn)行解釋，表明公司應(yīng)收賬款的管理運(yùn)營(yíng)狀況，可稱為“應(yīng)收賬款因子”。③主成分F3主要由非經(jīng)常性損益占利潤(rùn)總額比率（X30）及其他應(yīng)收款與流動(dòng)資產(chǎn)比率（X28）進(jìn)行解釋，表明公司非經(jīng)常性損益情況，可稱為“盈余管理因子”。④主成分F4主要由資本積累率（X18）進(jìn)行解釋，表明公司凈資產(chǎn)的增長(zhǎng)情況，可稱為“資本積累因子”。⑤主成分F5主要由總資產(chǎn)周轉(zhuǎn)率（X15）進(jìn)行解釋，表明企業(yè)的資產(chǎn)營(yíng)運(yùn)狀況，可稱為“營(yíng)運(yùn)因子”。⑥主成分F6主要由每股經(jīng)營(yíng)性現(xiàn)金流量（X25）和利息保障倍數(shù)（X5）進(jìn)行解釋，表明公司現(xiàn)金流量狀況和償債能力，可稱為“現(xiàn)金償債因子”。⑦主成分F7主要由凈利潤(rùn)增長(zhǎng)率（X17）進(jìn)行解釋，表明公司的發(fā)展?jié)摿皖A(yù)期，可稱為“發(fā)展因子”。
總之，主成分因子將從企業(yè)的盈利能力、盈余管理、現(xiàn)金流量狀況、償債能力、資產(chǎn)運(yùn)營(yíng)能力等方面進(jìn)行分析。
四、模型的建立與檢驗(yàn)
1. Logistic回歸模型的建立與檢驗(yàn)。
（1）邏輯回歸模型的建立。Logistic回歸的表達(dá)式為：
Ln（■）=a+ bkxki
式中：Pi=P（yi=1|x1i，x2i，x3i，…，x1i，），表示自變量為x1i，x2i，x3i，…，xti；bk為回歸系數(shù)；a為截距。用最大似然估計(jì)值去估計(jì)a和bk，則可得某一事件發(fā)生的概率Pi。
以7個(gè)主成分作為自變量，以企業(yè)在三年后是否ST企業(yè)為應(yīng)變量，建立Logistic回歸模型。在此基礎(chǔ)上綜合考慮公司治理因素，其他不變因素加入公司治理變量得到回歸模型，在SPSS17.0中進(jìn)行分析的結(jié)果如表7所示。從表7可以看出，在兩個(gè)模型中顯示各變量的系數(shù)都很顯著。
F1、F4、F5、F6及F7與財(cái)務(wù)危機(jī)發(fā)生的概率P呈負(fù)相關(guān)關(guān)系，表明企業(yè)的盈利能力、償債能力、營(yíng)運(yùn)能力及發(fā)展能力越強(qiáng)、現(xiàn)金流量越多，財(cái)務(wù)危機(jī)的概率就越小。
F2及F3與財(cái)務(wù)危機(jī)發(fā)生的概率呈正相關(guān)關(guān)系，表明企業(yè)的盈余管理越強(qiáng)，其陷入財(cái)務(wù)危機(jī)的概率就越大。
X31與企業(yè)發(fā)生財(cái)務(wù)危機(jī)的概率呈正相關(guān)關(guān)系，表明當(dāng)控股股東為國(guó)有股時(shí)，由于國(guó)有股“所有者缺位”及流通性滯后，加大了內(nèi)部人控制帶來(lái)的代理問(wèn)題，導(dǎo)致公司治理效率低下，增加了企業(yè)財(cái)務(wù)危機(jī)發(fā)生的概率。
X35與財(cái)務(wù)危機(jī)概率呈正相關(guān)關(guān)系，因?yàn)楫?dāng)股權(quán)高度集中在前5大股東時(shí)，大股東將掌握控股權(quán)，實(shí)質(zhì)掌握公司的決策權(quán)，導(dǎo)致董事會(huì)與經(jīng)理層成為其直接利益的代言人，便能以控制權(quán)謀求自身利益而侵蝕小股東的經(jīng)濟(jì)利益，從而降低企業(yè)的經(jīng)營(yíng)績(jī)效，增大財(cái)務(wù)危機(jī)發(fā)生的概率。
上述結(jié)果為依據(jù)的模型如下：
Ln（■）=-0.704-10.586F1+0.045F2+1.548F3-0.511F4-1.836F5-1.664F6-0.433F7+ε （模型3-1）
Ln（■）=4.299-16.402F1+1.114F2+0.576F3-8.327F4-13.802F5-2.509F6-0.477F7+1.137X31+20.395X35+ε（模型3-2）
（2）回歸模型的檢驗(yàn)。利用前述2011 ～ 2012年被“ST”公司及其配對(duì)企業(yè)進(jìn)行回歸模型準(zhǔn)確性判斷，判斷方式如下：當(dāng)P＞0.5時(shí)，為財(cái)務(wù)狀況正常企業(yè)；當(dāng)P＜0.5時(shí)，為財(cái)務(wù)狀況危機(jī)企業(yè)；當(dāng)P=0.5時(shí)，鑒于運(yùn)用該模型進(jìn)行檢驗(yàn)誤差較大，需結(jié)合其他內(nèi)外部因素綜合起來(lái)進(jìn)行判斷。
下面將分別對(duì)建模樣本及檢測(cè)樣本的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)計(jì)分析。結(jié)果如表8、表9所示：本文將經(jīng)過(guò)模型檢驗(yàn)的財(cái)務(wù)危機(jī)公司誤判為正常公司定義第Ⅰ類錯(cuò)誤，將正常公司誤判為財(cái)務(wù)危機(jī)公司定義為第Ⅱ類錯(cuò)誤。由表8、表9可以看出建模樣本與檢測(cè)樣本在引入公司治理指標(biāo)后，模型3-2綜合預(yù)測(cè)準(zhǔn)確率分別提高了11.90%和9.80%，第Ⅰ類錯(cuò)誤分別降低了21.43%、5.88%，第Ⅱ類錯(cuò)誤分別降低了7.14%、11.76%。因此可以證明，公司治理指標(biāo)的引入提高了模型預(yù)測(cè)的正確率，降低了模型的誤判率。
2. 混合模型的構(gòu)建與檢驗(yàn)。
（1）混合模型的構(gòu)建。將Logistic回歸模型與Fisher判別模型結(jié)合起來(lái)，構(gòu)建包含二者特長(zhǎng)的混合模型，然后對(duì)樣本進(jìn)行預(yù)測(cè)和分析，將Fisher（費(fèi)雪）判別分析中所得的Y值作為L(zhǎng)ogistic回歸模型的一個(gè)自變量，與其他具備顯著性的指標(biāo)一起進(jìn)行回歸分析，意在提高模型的預(yù)測(cè)準(zhǔn)確率。利用統(tǒng)計(jì)軟件SPSS17.0對(duì)上文提取的7個(gè)主成分進(jìn)行Fisher判別分析，剔除不顯著變量后，得到的結(jié)果如表10所示：
由表10可知，本文建立的Fisher（費(fèi)雪）判別函數(shù)為：
Y=0.455-1.169×F1+1.336×F3+0.022×F4-1.205×F5
將Fisher分析中所得到的y值命名為Fisher，與顯著的公司治理指標(biāo)一起進(jìn)行Logistic回歸分析，經(jīng)SPSS17.0檢驗(yàn)得到的運(yùn)算結(jié)果如表11所示：
由上得到如下模型：Ln（■）=8.224-1.464Fisher-1.168X31 -10.481X35+ε （模型3-3）
（2）混合模型結(jié)果的檢驗(yàn)。利用建模樣本和檢測(cè)樣本對(duì)本文所建立的混合模型進(jìn)行檢驗(yàn)，結(jié)果如表12、表13所示：
由表12、表13可以看出，建模樣本及檢測(cè)樣本混合模型的綜合預(yù)測(cè)率比模型3-2分別提高了5.956%、7.84%；其第Ⅰ類錯(cuò)誤分別降低了3.57%、5.88%，第Ⅱ類錯(cuò)誤分別降低了7.15%、8.83%。因此利用Fisher值建立混合模型將有助于提高模型的綜合預(yù)測(cè)率，從而降低誤判率。
五、研究結(jié)論與建議
本文根據(jù)變量檢驗(yàn)的結(jié)果，在單純財(cái)務(wù)類指標(biāo)模型的基礎(chǔ)上，引入控股股東性質(zhì)、CR-S指數(shù)2個(gè)公司治理指標(biāo)進(jìn)行建模分析，不管是建模樣本還是檢測(cè)樣本，在引入公司治理指標(biāo)后，模型的綜合預(yù)測(cè)率都有顯著的提升，降低了模型的誤判率。本文的研究結(jié)果還表明：混合模型比單一模型具備更好的預(yù)測(cè)效果，不管是建模樣本還是檢測(cè)樣本，混合模型預(yù)測(cè)的綜合準(zhǔn)確率比單一的Logistic模型均有顯著的提高，第Ⅰ類錯(cuò)誤率和第Ⅱ類錯(cuò)誤率均顯著降低。
本文的研究還存在一定的局限性：首先，本文選取的42個(gè)預(yù)警指標(biāo)主要是基于前人的研究和筆者自己的判斷，但影響企業(yè)財(cái)務(wù)狀況的因素是多種多樣的，后續(xù)研究可進(jìn)一步擴(kuò)充指標(biāo)體系。其次，本文從靜態(tài)角度對(duì)企業(yè)陷入財(cái)務(wù)危機(jī)的可能性進(jìn)行判斷，而企業(yè)陷入財(cái)務(wù)危機(jī)是一個(gè)動(dòng)態(tài)過(guò)程。隨著我國(guó)資本市場(chǎng)的逐步完善及相關(guān)數(shù)據(jù)庫(kù)資料的積累，我們將使用動(dòng)態(tài)模型，這能提高財(cái)務(wù)危機(jī)預(yù)測(cè)的準(zhǔn)確性。
主要參考文獻(xiàn)
1. Fitzpatrick P.J.. A Comparison of Ratios of Successful Industrial Enterprise with Those of Failed Firms. Certified Public Accountant，1932；2
2. Beaver W. H.. Financial Ratios as Predictors of Failure. Journal of Accounting research（Supplement），1966；17
3. Martin D.. Early warning of bank failure： a logistic regression approach . Journal of banking and finance，1977；1
4. Feng Yu Lin， Sally MeClean. A Data Mining Approach to the Prediction of Corporate Failure. Kownledge-Based Systems，2001；4
5. 吳世農(nóng)，黃世忠，企業(yè)破產(chǎn)的分析指標(biāo)及預(yù)測(cè)模型.中國(guó)經(jīng)濟(jì)問(wèn)題，1986；6
6. 周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析——F分?jǐn)?shù)模型.會(huì)計(jì)研究，1996；8
7. 吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)危機(jī)的預(yù)測(cè)模型研究.經(jīng)濟(jì)研究，2001；6
8. 楊淑娥，徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究.中國(guó)軟科學(xué)，2003；1
【作 者】
李紅梅 田景鮮
【作者單位】
（中南大學(xué)商學(xué)院 長(zhǎng)沙 410083 華中科技大學(xué)管理學(xué)院 武漢 430074）
