上市公司财务困境预测摘要：本文以2008年经济危机以来的经济环境为背景，以上市公司受到退市风险警示作为其陷入财务困境的标志，在沪深股市中选取19家财务困境公司和57家正常公司作为样本，利用所有者权益比率、现金比率等财务指标建立Logit回归模型，以探索同新经济形势相适应的我国上市公司财务预警模型。

根据所建立的模型对2016年部分上市公司财务状况进行预测分析，并针对我国制造业提出了加强信息化水平、淘汰落后产能等政策性建议。

关键词：财务困境；财务指标；Logit模型；预测2008年的美国次贷危机引发全球性的经济萧条，各国经济均出现不同程度的下滑，其影响至今尚未完全消除。

作为美国次贷危机的延续和深化，2009年爆发的欧洲主权债务危机对我国的出口贸易、大宗商品价格以及投资信心造成一定程度的影响，是中国外部经济面临的一场重要危机。

2012年起，中国GDP增速回落，经济增长阶段发生根本性变化，经济发展总体呈现出从高速增长转为中高速增长、经济结构不断优化升级、从要素驱动、投资驱动转向创新驱动的特征，步入“新常态”。

2015年，我国经济总体下行，三大产业增速均下滑，全年出口负增长，经济下行压力持续增大。

严峻的经济形势可能导致公司资金链断裂的风险加大，公司应针对经济环境的变化及时调整战略以避免财务困境。

财务困境作为上市公司在市场经济中的普遍现象，对于其界定，目前尚无定论。

由于我国不健全的上市公司破产制度，申请破产不能作为判别我国上市公司财务困境的依据。

而“退市风险警示”作为沪深交易所对出现财务状况异常的上市公司股票交易的处置措施，可以作为对上市公司陷入财务困境的评判标准。

笔者通过阅读大量文献发现，关于上市公司财务困境模型的研究大多集中在2008年以前，而之前学者建立的财务困境模型，很可能因为经济形势的不断变化而失去时效性。

因此，在新经济形势下，如何对上市公司的财务困境进行准确预测，对于投资者正确判断公司前景、做出投资决策，对于公司管理层及时调整经营战略、防范财务危机，对于政府、监管层监控证券市场风险、进行宏观调控均具有重要现实价值。

本文拟根据财务指标建立我国上市公司财务困境预警模型，并对2016年可能出现财务困境的上市公司进行预测。

一、文献综述（一）财务困境预警指标综述国内外学者在财务困境预警指标方面都进行了相关研究，目前比较流行的是在传统财务指标中加入非财务指标以构建全面的指标体系。

1966年，Beaver[1]首次在财务困境指标体系中加入现金流量指标，通过单变量分析方法发现债务保障率对企业财务困境具有良好判别性。

Glassman（2003）[2]在财务指标体系中引入经济增加值进行研究，发现经济增加值对财务困境的预测要优于传统财务指标。

Campbell（2006）[3]将杠杆率、盈利能力、市场资本总额、股票收益率及其稳定性等因素引入财务预警模型，并发现相对于单一指标体系，综合指标体系对财务困境预测的准确性更强。

Blanco-Oliver等（2015）[4]将公司所有权特点等非财务因素引入模型，并获得比人工神经网络模型更好的预测效果。

2016年，Chan等[5]在财务预警模型中引入公司治理因素，并提出决策者可通过制定相应的公司治理机制来避免破产。

聂丽洁和赵艳芳（2011）[6]同时利用财务指标与现金流量指标进行财务困境预警，得到比传统财务指标体系更佳的预测精度及错判率。

2011年，梁杰等[7]将经济增加值指标引入财务困境模型，通过研究得出经济增加值对上市公司财务困境具有显著判别能力。

卢永艳（2013）[8]在财务预警模型中同时加入财务指标与宏观经济因素，发现贷款利率及国内生产总值增长率对上市公司是否陷入财务困境有显著影响。

刘小淇和曾繁荣（2015）[9]将股权结构、人力资本等非财务因素纳入财务预警指标体系。

研究发现：相对于仅含财务指标的预警模型，非财务指标的引入使模型具备更佳的预测准确性。

（二）财务困境研究方法综述在研究方法的选择上，过去学者大多采用判别分析、回归模型等传统方法，随着计算机技术的进步，学者开始利用人工神经网络、决策树等复杂的分析方法进行预测研究。

Ohlson（1980）[10]使用Logistic模型进行财务困境预警，同时对样本公司在破产概率区间的分布及分割点与两类错误间的关联性进行说明。

Hensher等（2007）[11]使用多项误差分量Logit模型对财务困境进行研究，取得比标准多项Logit 模型更佳的拟合优度。

2012年，Sánchez-Lasheras等[12]结合自组织映射（Self-Organizing Map）与多元自适应回归样条法来建立混合模型，发现所采用的混合模型较神经网络模型能够更准确地识别财务困境。

2014年，Heo和Yang[13]针对韩国建筑公司利用Adaboost算法来预测财务困境，通过比较，他们发现该算法较其他算法具有更佳的预测性能。

2016年，Slavici等[14]利用统计方法对人工神经网络进行优化，并认为经改进的模型的预测性能可达国际适用水平。

周建涛，庞文凤（2009）[15]通过建立Z值财务预警模型，发现财务困境公司与正常公司的Z值波动特征有显著不同。

2012年，周喜和吴可夫[16]利用粗糙集优化人工神经网络的输入端以提高其学习推理能力，并取得比传统模型更高的判别准确性。

2014年，谢赤和赵亦军[17]利用经过CFaR模型识别的变量建立Logistic模型并验证模型具有良好的预测效果。

庄倩和陈良华（2014）[18]通过划分财务困境动态发展各时期的不同特征，在进行动态预测时嵌入卡尔曼滤波算法，提升了模型的前瞻预测能力。

2015年，李力和冯涛[19]基于自适应神经网络模糊推理系统与马氏距离判别法的组合模型，发现在结合贝叶斯判别法时综合模型的预测能力有显著提升。

由上述综述可看出，对于财务困境，国内外学者均作了大量研究。

相比较而言，国外学者的研究起步早、成果丰富。

而国内学者对财务困境的研究起步晚，与国外的研究水平存在一定差距。

同时，虽然国内外学者在研究指标和研究方法上不断取得新的成果，但由于经济环境的不断变化，即便是具备较强学习能力的模型也很难对环境的变化做出完美的调整。

因此，我们需要根据国内经济的实际情况、国内上市公司的经营特点来构建与实际相适应的预警模型，以在最大程度上减少公司及投资人的损失。

二、研究设计（一）研究假设根据上海、深圳证券交易所股票上市规则，当上市公司出现财务状况或其他状况异常，可能导致其股票退市或损害投资者利益的，其股票交易将被实施风险警示。

股票交易的风险警示实施分为两种情形：当上市公司出现近两年连续亏损、近一年经审计的期末净资产小于零等情况时，该公司的股票交易将被实施退市风险警示，其股票简称前将被冠以“*ST”字样；当上市公司被冻结重要银行账号、无法召开董事会等情况时，该公司的股票交易将被实施其他风险警示，其股票简称前将被冠以“ST”字样。

由上述股票上市规则，实施“退市风险警示”时的条件符合上市公司财务状况异常的判定标准，实施“其他风险警示”时则可认定为上市公司其他状况异常。

基于上述说明及研究预测的需求，本文假设如下：假设一：我国上市公司中，股票交易被实施“退市风险警示”的为财务困境公司，股票交易被实施“其他风险警示”的为其他状况异常公司。

除此之外为正常公司。

假设二：在本文所研究的年限内，样本数据不存在非同质性问题，均可代回所建立的Logit模型进行分析。

（二）数据来源根据我国上市公司年报披露制度，上市公司（t-1）年的财务数据和其股票交易在t年是否被实施“退市风险警示”具有很强的相关性。

故本文基于Logit模型对上市公司进行财务困境的预测，采用2013年的数据作为研究数据并利用2015年公司的财务状况检验模型的准确性。

最后，以2014年的数据预测2016年可能陷入财务困境的公司。

为避免正确判别率过低（Ohlson，1980），本文未按财务困境公司与正常公司的实际比例来选取样本。

而根据Zmijewski（1984）的经验，财务困境公司的正确判别率会因对财务困境公司的过度抽样而高估，因此本文摒弃一比一的配比方式。

因此，本文选取沪深股市2015年出现财务困境但此前财务状况持续正常的19家上市公司，按照一比三的配对比例，按照同时期、同行业、资产规模相似（相差在10%以内）的原则选取57家正常公司与之配比，以此建立财务困境预测模型。

另外，按上述原则及各行业间实际上市公司数量比例，选取60家上市公司，利用其2014年数据对其2016年是否出现财务困境进行预测。

本文所采用的数据来源于国泰安数据库。

（三）变量选取本文从比率结构、偿债能力、发展能力、经营能力、每股指标、盈利能力六个方面进行指标选取，结合之前学者的研究成果[8，20，21]，并剔除残缺值较多的指标后，得到38个财务指标，将其分别命名为X1～X38（见表1）。

1.指标正态分布检验及均值比较检验利用SPSS 22.0对上述指标进行K-S单样本检验，根据结果，3个财务指标符合正态分布。

为继续验证所选财务指标在财务困境公司和正常公司之间是否具有显著差异，本文进一步对上述3个财务指标进行两样本T检验，根据结果，两类上市公司间有显著差异的财务指标只有X19，对应总资产增长率。

对之前未通过正态分布检验的38个指标进行曼-惠特尼U检验，根据结果，在两类公司间具有显著区分度的指标有所有者权益比率（X5）、主营业务利润占比（X9）、现金比率（X12）、所有者权益增长率（X21）、固定资产周转率（X27）、每股净资产（X30）和每股经营活动产生的现金流量净额（X31）。

2.指标相关性检验经过上述筛选所得到的8个指标并不能直接带入方程。

为避免指标间的多重共线性对预测模型的影响，本文利用Eviews 8.0对变量间相关性进行分析（见表2）。

根据表2，经筛选得到的8个指标中，X19和X21的相关系数大于0.5，呈现较高的相关性。

经比较，由于X19与其他变量间的相关程度相对X21而言较小，故删除X21，并确定建模变量为所有者权益比率（X5）、主营业务利润占比（X9）、现金比率（X12）、总资产增长率（X19）、固定资产周转率（X27）、每股净资产（X30）和每股经营活动产生的现金流量净额（X31）7个变量。

最终确定变量如下表所示（见表3）。

如表3所示，所有者权益比率是公司所有者权益与资产总额的比例，是反映公司长期偿债能力的重要指标，笔者认为，当该指标较高时，公司发生财务困境的概率会变小。

主营业务利润占比。

主营业务利润占比为（营业收入-营业成本）与利润总额的比例，反映公司日常经营活动产生的利润对其利润总额的贡献程度。

现金比率是现金及现金等价物期末余额与流动负债的比率，可衡量公司资产流动性，笔者认为，该指标越高，公司偿债能力越强，故发生财务困境的概率越小。