上市公司财务困境预警判别分析模型的建立及应用研究

中国管理信息化ChinaManagementInformationizationMar.,2006Vol.9,No.3

上市公司财务困境预警判别分析模型的建立及应用研究朱顺泉

（暨南大学

管理学院会计系，广州

510632）

［摘要］论文应用多元统计分析的判别分析方法，建立了上市公司财务困境预警模型，进行了实证分析，并对数

据分析结果给出了合理解释。［关键词］上市公司财务预警；判别分析模型；应用［中图分类号］Ｆ２７５［文献标识码］Ａ［文章编号］１６７３－０１９４（２００６）０３－００５０－０２

1引言2上市公司财务困境预警模型的建立及其应用

对于上市公司财务困境预警，判断长期因素影响公司

的财务状况，需要建立判别模型。在常规的财务分析方法中，财务指标在一段时间内往往会出现矛盾，例如一个公司的资产负债率非常高，如果它的现金流量很好、获利能力很强，在一定时期内它可能不会出现危机；相反，一个公司的资产负债率很低，如果它的现金流出现问题，可能马上会出现偿债危机，使公司陷入困境。因此，建立判别模型不能考虑单一或几个指标，需要考虑各指标的综合作用，多元统计分析提供了这样的一种方法。

利用相关信息，构建有效的财务困境预警模型，从而获得财务状况恶化的上市公司预警信号，对于投资者、债权人和经营者及监管者等诸多方面无疑都具有重要的现实意义。１９６８年，自美国学者奥特曼在公司破产、财务危机及信用分析等方面所做的工作以来，多元分析技术在财务预测方面获得了广泛的应用，我国不少学者在财务困境预警方面也做了一些工作。本文试图结合判别分析方法，并结合我国的实际情况，来建立上市公司财务困境的预警模型并进行预测。

[收稿日期]2005

20

更会计与估计，而又无正当理由。

风险“爆发期”的警兆：（１）经营者无心经营业务，专心致力于财务周转。（２）关键管理人员变更或离职。管理层重要人员、董事或财务会计人员的突然或连续变更、离职等通常是企业存在隐患的明显标志。（３）审计师出具有保留意见的审计报告。在这种情况下，往往表明企业经营或生产方面出现问题，会计信息使用者很难对企业利润做出较高的评价。（４）企业由于异常原因导致非季节性停工、停产。出现这种情况，往往是财务状况恶化、企业破产的先兆。

三、企业筹资风险预警应注意的问题

企业的经营发展情况不同，其风险发生的表现形式也不同。先兆性指标只能为分析人员提供关于企业财务危机发生可能性的线索，并不能确切地说一定会发生财务危机。我们在运用警兆进行预警分析时还应注意以下几方面：

１．牢固树立风险防范意识，加强财务信息管理。欲使企业筹资风险得以有效管理，就必须牢固树立风险防范意识，加强财务信息管理。这就要求全体员工，特别是领导层在思想上对潜在的危机要有清醒的认识和高度的警惕，

对员工发现的问题及提出的合理建议给予重视和采纳。

２．加强企业的各项制度建设。筹资风险预警应和各项制度结合起来，互相促进、相互配合。如以现金周转为主的企业，应切实建立现金核算制度，掌握现金收付期间的差异；以赊销、代销为主的企业，则应加强企业信用调查制度，强化应收账款回收控制。只有各项制度都配合到位，筹资风险预警才能真正落到实处。

３．企业筹资风险的预警管理还有赖于预警信息传递路线的畅通和对策反应的及时性。这就需要建立一套预警传递系统并有专人负责，使预警信息能迅速反馈到相关部门进行处理。

主要参考文献

［１］财政部企业司．企业财务风险管理［Ｍ］．北京：经济科学出版社，２００４．［２］沈俊，孙强．我国民营企业融资风险预警管理研究［Ｊ］．武汉理工大学学报，２００４，（６）．［３］韩庆兰，吴长强．刍探财务预警系统［Ｊ］．财会月刊，２００１，（４）．［４］向德伟．论财务风险［Ｊ］．会计研究，１９９７，（４）．

50/

CHINAMANAGEMENTINFORMATIONIZATION

财务管理

２．１判别分析的基本步骤

我们应用ＳＰＳＳ来进行判别分析模型的构建，其过程为，对于分为ｋ组的研究对象，可建立ｋ－１个典则判别函数（原始自变量的线性组合）和ｋ个Ｆｉｓｈｅｒ线性判别函数，然后将各样品的自变量回代到判别函数中，计算其判别分数或者属于各组的概率，根据数值的大小判别样品所属组别，对比样品的原始组别给出错分率。具体步骤如下：（１）选择自变量和组变量；（２）计算各组单变量描述统计量，包括组内均值、组内标准差、总均值、总标准差、各组协方差矩阵、组间相关矩阵，并对组间均值相等及协方差矩阵相等的零假设进行检验；（３）推导判别系数，给出标准或未标准化的典则判别函数系数，并对函数显著性进行检验；（４）建立Ｆｉｓｈｅｒ线性判别模型；（５）按照一定的规则进行分组；（６）进行样本回判分析，计算错分率；（７）输出结果；（８）结合实际情况进行分析。

２．２建立模型的数据假定与原始数据的选择

在财务分析的指标中，最常见的指标有流动比率、总资产周转率、资产净利率、总资产增长率等。如果公司的这些财务比率较低，则容易陷入财务困境中。为此，我们试图应用多元统计分析的中判别分析来建立判别函数：

Ｚ＝ａ０＋ａ１＊流动比率＋ａ２＊总资产周转率＋ａ３＊资产净利率＋ａ４＊总资产增长率

其中：Ｚ为判断函数；ａ０为常数项，ａ１为流动比率对判断函数的影响系数；ａ２为总资产周转率对判断函数的影响系数，ａ３为资产净利率对判断函数的影响系数；ａ４为总资产增长率对判断函数的影响系数。每个系数可以根据历史资料进行回归得出。

为了使建立的模型具有有效性，我们假定流动比率、总资产周转率、资产净利率、总资产增长率数据都服从正态分布。

为了得到ａ０、ａ１、ａ２、ａ３、ａ４，我们从网上随机下载若干财务数据，按流动比率、总资产周转率、资产净利率、总资产增长率数据的假定，经过整理如表１所示。

表1公司ST成百ST黎明ST棱光ST高斯达ST生态ST康赛ST中燕ST鞍一工类型ST组ST组ST组ST组ST组ST组ST组ST组原始数据流动比总资产率周转率（x1）（x2）0.621.31.80.91.10.20.70.030.030.0300.260.0100.02资产净利率（x3）0-0.02-0.1300.06-0.03-0.23-0.03总资产增长率（x4）-0.01-0.28-0.110.130.190-0.26-0.1CHINAMANAGEMENTINFORMATIONIZATION

X1X2X4（Constant）续表公司ST自仪ST达声ST中华AST英达AST中侨AST吉发ST猴王ST金马ST海洋ST银山ST合成贵华旅业江苏吴中浙江东日国际大厦农产品浙江富润上海三毛飞彩股份吴中仪表夏新电子济南轻骑北大股份深宝恒光彩建设大西洋圣地洞庭水殖兴发集团东风药业类型ST组ST组ST组ST组ST组ST组ST组ST组ST组ST组ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组非ST组流动比总资产率周转率（x1）（x2）0.80.70.70.811.10.40.500.51.30.72.111.40.71.21.71.52.81.421.81.32.83.40.63.81.34.70.270.010.010.210.010.40.040.1200.210.120.130.490.10.120.30.460.260.290.110.370.070.240.070.070.50.070.110.240.25资产净利率（x3）0-0.73-0.020-0.03-0.11-0.07-0.090-0.02-0.02-0.140.060.02-0.020.020.040.010.020.02-0.02-0.060.030.2200.0300.010.020.04总资产增长率（x4）-0.3-0.12-0.03-0.07-0.07-0.08-0.470.080.15-0.09-0.06-0.210.170.150.10.620.1600.220.0.0600.24-0.070.700.020.06-0.03-0.07２．３判别模型的建立与判别结果

对表１中的原始数据我们应用ＳＰＳＳ统计软件进行判别分析，具体步骤请参见３．１节判别分析的步骤，我们得到表２、表３、表４的统计结果。

表2未标准化的典型判别函数系数函数1.6803.8112.691-1.629/51

财务管理表3标准化的典型判别函数系数函数表7

全模型法判别结果

预测组成员类型1（ST）2（非ST）1原始X1.5922X2.511%X4.5722表4

Wilks'Lambda

26.373.7100.0184.215.8100.051419计数116319累计TestofFunction(s)Wilks'LambdaChi-squaredfSig.1.121.2103.000表5Fisher线性判别函数系数

类型（ST组）1X1X2X4(Constant）1.1114.634-1.901-1.465（非ST组）22.33011.4722.927-4.387表２、表３给出了典型判别函数的未标准化系数与标

准化系数。由此，我们构建典型判别模型如下：

Ｚ＝－１．６２９＋０．６８０＊ｘ１＋３．８１１＊ｘ２＋２．６９１＊ｘ４或Ｚ＝０．５９２＊ｘ１＋０．５１１＊ｘ２＋０．５７２＊ｘ４

由表４可知，ｐ＝０．００＜０．０５，说明在０．０５的显著水平下，典型函数是显著的；

表５给出了Ｆｉｓｈｅｒ线性判别函数系数，为此，我们建立Ｆｉｓｈｅｒ线性判别模型如下：

ＳＴ组：Ｚ１＝－１．４６５＋１．１１１＊ｘ１＋４．６３４＊ｘ２－１．９０１＊ｘ４非ＳＴ组：Ｚ１＝－４．３８７＋２．３３０＊ｘ１＋１１．４７２＊ｘ２＋２．９２７＊ｘ４

表６给出了逐步判别分析小结，公司破产的正确分组率为８９．５％，错分率为１０．５％；公司未破产的正确分组率为７７．３％，错分率为２６．３％。

表７给出了全模型法的判别分析小结，公司破产的正确分组率为８４．２％，错分率为１５．８％；公司未破产的正确分组率为７７．３％，错分率为２６．３％。

3小结

表6逐步判别结果预测组成员类型（ST）21（非ST）累计本文采用全模型判别分析法的判别效果低于逐步判别分析法的判别结果，这说明选择对判别贡献大的变量建立判别模型要优于未加选择的使用。从判别的结果来看，该文选择的上市公司判别的效果较好，但如果各公司判别的效果不太好，建议进一步收集数据，同时引入其他的指标变量再建立模型。

主要参考文献

原始计数12175.526.321410.573.71919100.00100.00%12［１］陈晓等．财务困境研究的理论、方法与应用［Ｊ］．投资研究，２００１，（６）．

［２］苗润生．公司财务预警系统研究［Ｊ］．财经大学学报，２００３，（８）．

［３］徐锡意．上市公司财务危机的预警模型［Ｊ］．统计与决策，２００３，（４）．

［４］卫海英．ＳＰＳＳ１０．０在经济管理中的应用［Ｍ］．北京：中国统计出版

社，２００１．

52/

CHINAMANAGEMENTINFORMATIONIZATION