【摘要】本文選取滬深兩市A股2010 ~ 2013年52家首次ST公司和52家從未被ST公司作為研究樣本，引入盈利能力、股東獲利能力、營運能力、發(fā)展能力、風險水平和償債能力六個方面的財務變量，以及股權(quán)結(jié)構(gòu)、公司治理、重大事項、人力資本4個方面的非財務變量，使用Fisher判別與Logistic回歸兩種方法建立ST前3年的財務困境預警模型。實證研究表明，加入非財務指標可以提高財務困境預警的準確率，且Logistic回歸方法建立的預警模型的預測效果更好。
【關(guān)鍵詞】財務困境 財務危機 非財務變量 預警 ST公司
一、引言
財務困境又稱財務問題，最嚴重的財務危機是財務失敗或破產(chǎn)。Fitzpatrick（1932）首先用單個財務變量預測破產(chǎn)，開啟了財務困境預警的先河，財務困境預警問題逐步被學者所重視。
隨后出現(xiàn)了Beaver（1966）一元判別分析法，Altman（1968）多元判別分析法，martin（1977）多元邏輯回歸法，Ohlson（1980）多元概率比回歸法，F(xiàn)rydman（1985）決策樹法，Messier（1988）專家系統(tǒng)法，Odom（1990）人工神經(jīng)網(wǎng)絡(luò)法，Lane（1986）生存分析法等多種方法。其中多元判別分析和邏輯回歸兩種方法的可操作性較強，模型穩(wěn)定且預測效果較好。本文采用Fisher判別與Logistic回歸兩種方法構(gòu)建上市公司財務困境預警模型。
從目前國內(nèi)外的研究來看，研究者大多采用財務指標構(gòu)建財務困境預警模型，卻忽略了非財務信息的作用，而財務數(shù)據(jù)易粉飾且不能反映企業(yè)財務狀況的全貌。本文在財務因素分析的基礎(chǔ)上，引入股權(quán)結(jié)構(gòu)、公司治理、重大事項、人力資本等非財務變量，多方面探討其在財務困境預警中的作用，尋找對財務困境具有較強區(qū)別能力的財務與非財務變量，使用Fisher判別與Logistic回歸兩種方法構(gòu)建模型，并將兩種方法構(gòu)建模型的結(jié)果進行對比分析。
二、非財務變量及假設(shè)的建立
（一）股權(quán)結(jié)構(gòu)因素
股權(quán)結(jié)構(gòu)是公司治理核心要素，決定股東在內(nèi)部監(jiān)控機制中的權(quán)利分布狀況。根據(jù)理性人假設(shè)，股權(quán)結(jié)構(gòu)失衡導致股東間互相監(jiān)控激勵和制衡機制就會削弱或失效，從而出現(xiàn)的“搭便車”和“內(nèi)部人控制”等問題，增加公司財務風險。Porta（2000）認為股權(quán)集中度高導致大股東侵占，公司易陷入財務困境。也有學者研究指出國有股控股給公司財務狀況帶來消極影響。
基于此，本文提出假設(shè)1：股權(quán)集中度、國家股比例、法人股比例與公司陷入財務困境的概率負相關(guān)。
（二）公司治理因素
1. 董事會特征。董事會是公司治理的核心內(nèi)容，董事會治理效果與其特征密切相關(guān)。董事會特征包括董事會規(guī)模﹑獨立董事比率﹑兩權(quán)分離狀況等。Cooper和Bruno（1977）的研究表明，大規(guī)模的團隊擁有更多的資源和能力，能夠做出更好的決策。Daily 和Dalton（1994）認為獨立董事的自主性和獨立性較好，能夠更好的發(fā)揮監(jiān)督控制作用，促使公司健康發(fā)展。Morck（1988）的研究發(fā)現(xiàn)董事長總經(jīng)理兩職分離的企業(yè)能夠有效地對經(jīng)理進行監(jiān)督和激勵，破產(chǎn)可能性小。
基于此，本文提出假設(shè)2：董事會規(guī)模﹑獨立董事比率、兩權(quán)分離與公司發(fā)生財務困境的概率負相關(guān)
2. 激勵約束機制?？茖W合理的激勵約束機制，能夠協(xié)調(diào)管理者與股東的利益，弱化侵害行為，避免財務困境風險。沈藝峰、張俊生（2002）發(fā)現(xiàn)，我國財務困境公司被ST之前董事會持股比例低于財務健康公司。Morck（1988）發(fā)現(xiàn)，董事長和總經(jīng)理兩職分離的公司，通過頻繁更換總經(jīng)理加強對總經(jīng)理的激勵和監(jiān)督。Flagg（1991）發(fā)現(xiàn)審計意見可以識別破產(chǎn)。流通股股東通過“用手投票”和“用腳投票”的方式對公司治理發(fā)揮作用。本文使用第二至第十大流通股股東持股比例之和代表資本市場流動性對管理層的外部約束。
基于此，本文提出以下假設(shè)：
假設(shè)3：董事會持股比例、高管持股比例與公司發(fā)生財務困境的概率負相關(guān)。
假設(shè)4：總經(jīng)理或董事長變更與公司陷入財務困境的概率正相關(guān)。
假設(shè)5：被出具標準無保留意見的公司相對陷入財務困境的概率小。
假設(shè)6：第二大至第十大流通股股東持股比例之和與公司陷入財務困境的概率負相關(guān)。
3. 管理費用率。管理費用在某種程度在某種程度上代表管理者的職位消費，較高的管理費用反映公司可能存在監(jiān)管機制不健全和委托代理問題，使得公司績效下降，使公司陷入財務困境可能性增大。
本文使用管理費用率衡量其對公司財務狀況的影響，基于此，本文提出假設(shè)7：管理費用率與公司發(fā)生財務困境的概率負相關(guān)。
4. 治理環(huán)境。治理環(huán)境對發(fā)生經(jīng)營行為和業(yè)績有一定影響。企業(yè)所在地區(qū)的經(jīng)濟發(fā)展形勢越好，政府支持力度越大，越不易發(fā)生財務危機。本文采用公司所在地是否為省會城市和公司所在地區(qū)為生產(chǎn)總值排名前十的省市衡量治理環(huán)境對企業(yè)的影響，
基于此，本文提出以下假設(shè)：
假設(shè)8：公司所在地為省會則公司陷入財務困境的概率小。
假設(shè)9：公司所在地屬于本年度地區(qū)生產(chǎn)總值前十的省市則公司陷入財務困境的概率小。
（三）重大事項
重大事項是指在本年度是否發(fā)生對公司的可持續(xù)經(jīng)營產(chǎn)生重大影響的事件。具體而言：訴訟仲裁事項通過影響企業(yè)聲譽及品牌進而影響企業(yè)利潤；關(guān)聯(lián)方交易披露不充分引起資金侵占等問題；違規(guī)擔保對公司發(fā)展不利，且容易引起證券市場秩序混亂。本文從公司本年度是否有對外擔保和對外擔保率兩個角度衡量公司擔保行為。當公司財務狀況不健康時，傾向于變更會計事務所來避免被出具非標準審計意見，延緩向利益相關(guān)者傳遞不好的信息。
本文認為重大事項的發(fā)生與財務困境可能存在顯著關(guān)系?；诖耍岢鲆韵录僭O(shè)：
假設(shè)10：有重大訴訟仲裁、有關(guān)聯(lián)方交易、有對外擔保、變更會計事務所的行為，則公司陷入財務困境的可能性大。
假設(shè)11：擔保率與公司發(fā)生財務困境的概率正相關(guān)。
（四）人力資本
企業(yè)管理層能力越強越有利于企業(yè)的長遠發(fā)展，不易使企業(yè)陷入財務危機。員工素質(zhì)越高，企業(yè)經(jīng)營管理越高效。本文從學歷角度評價企業(yè)管理層和員工的能力，基于此，本文提出假設(shè)12：董事長素質(zhì)、總經(jīng)理素質(zhì)、員工素質(zhì)與公司陷入財務困境的概率負相關(guān)。
三、研究設(shè)計
（一）分類標準
目前，國外財務困境預警研究多將破產(chǎn)企業(yè)作為研究對象，而我國資本市場鮮有申請破產(chǎn)的公司，所以本文把因財務狀況異常被特別處理的公司界定為財務困境公司，作為本文的研究對象，這一點和國內(nèi)大多數(shù)研究相似。
（二）樣本選取和數(shù)據(jù)來源
本文以2010 ~ 2013年滬深A股因財務狀況異常首次被ST的上市公司作為ST樣本組，選取財務困境公司共52家，并按照1∶1的比例逐步尋找配對樣本。為消除行業(yè)差異和上市時間差異，按以下條件優(yōu)先順序選取非ST樣本組的樣本：①從未被特別處理；②行業(yè)相近；③上市年份相近；④平均總資產(chǎn)相近。本文最終確定了104家上市公司作為研究樣本。
本文把上市公司被特殊處理的年份假定為T年，由于證監(jiān)會是根據(jù)上市公司連續(xù)2年財務狀況異常對其進行處理，使用ST前2年的數(shù)據(jù)會夸大模型的預測能力，故本文選用T-3年度數(shù)據(jù)進行預測研究。
（三）研究變量
本文指標體系包含盈利能力、股東獲利能力、營運能力、發(fā)展能力、風險水平和償債能力六個方面的財務變量，及股權(quán)結(jié)構(gòu)、公司治理、重大事項、人力資本4個方面的非財務變量。各變量含義見表1。
（四）研究方法
1. Fisher判別。Fisher判別也稱典型判別，利用投影的方法使多維問題簡化為一維進行處理，建立線性判別函數(shù)計算出各個觀測量在各典型變量維度上的坐標，并得出樣本距離各個類中心的距離，以此作為分類依據(jù)。
Fisher判別函數(shù)的一般形式為：
Z=a1x1+a2x2+…+aixi（i=1，2，…，n） （1）
其中：xi為第i個預警指標；ai為第i個預警指標對應的判別系數(shù)；Z為判別分數(shù)值。
2. Logistic回歸。Logistic回歸常用于被解釋變量為二分變量時的回歸擬合，進行二元Logistic回歸需先對目標概率做Logit變換，Logistic回歸模型的參數(shù)估計可以采用迭代法或最大似然法。
本文使用二元Logistic回歸分析進行預測模型研究。Logistic回歸的表達式如下：
ln[pi1-pi=a+i=1mβixi] （2）
其中：pi為第i個觀測中事件發(fā)生的概率；xi為解釋變量；[β]為待估計參數(shù)。四、實證研究
（一）均值差異檢驗
本文的顯著性水平設(shè)置為0.05，選擇K-S檢驗變量是否服從正態(tài)分布。結(jié)果顯示，每股凈資產(chǎn)、留存收益資產(chǎn)比、流動資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、營業(yè)收入增長率、營運資金比率、營運資金對資產(chǎn)總額比率、資產(chǎn)負債率、前五大股東持股比例和、前十大股東持股比例和、員工素質(zhì)這11個變量服從正態(tài)分布。
根據(jù)K-S檢驗結(jié)果，服從正態(tài)分布的11個變量進行T檢驗，剩余49個變量進行非參Mann-U 檢驗。結(jié)果顯示，x10、x11、x30、x31、x32這5個財務變量通過T檢驗；x1-x9、x12、x14、x16-x24、x26-x29、x33-x35這27個財務變量和G8、G11、G14、G16、G21這5個非財務變量通過了非參Mann- U檢驗。
為消除多重共線性的影響，以方差膨脹因子（VIF）值來檢測37個通過顯著性檢驗的變量之間是否存在高度線性重合的現(xiàn)象，VIF值大于10則認為存在嚴重共線性。檢測結(jié)果顯示，變量之間不存在明顯的共線性。
綜合以上的分析，5個變量通過T檢驗，32個變量通過Mann-U檢驗，合計37個（財務變量32個，非財務變量5個）預警指標將成為本文的最終指標體系，其余不具有顯著性的指標則予以剔除。
（二）Fisher判別分析
Fisher判別分析采用步進式方法中的Wilks’lambda方法確定進入模型的最終變量，變量進入方程的根據(jù)是使總體的Wilks’lambda統(tǒng)計量最小。
1. 財務指標預警模型。本文將因變量劃分為2分類變量，取1代表財務困境公司，取0代表財務健康公司。利用SPSS對通過顯著性檢驗的32個財務指標建立Fisher判別財務困境預警模型，得到結(jié)果見表2。
對模型的判別能力進行特征值檢驗和Wilks檢驗，檢驗表明函數(shù)1能夠有效地進行判別，F(xiàn)isher判別函數(shù)的投影能夠很好把兩組樣本分類。
T-3年財務指標建立的Fisher判別模型為：
Z1=-40.971x2+58.853x5-2.370x12+0.073x20-0.035x24+…+0.436 （3）
由表2，x2、x12、x24系數(shù)為負，x5、x20系數(shù)為正，所以x2、x12、x24與公司陷入財務困境的概率負相關(guān)，x5、x20與公司陷入財務困境的概率正相關(guān)，這說明銷售凈利率越高、應收賬款與收入比越大、財務杠桿系數(shù)越大、總資產(chǎn)凈利潤率越低、凈利潤增長率越低，公司陷入財務困境的可能性越小。
2. 基于財務和非財務指標預警模型。采用相同的方法對T-3年通過顯著性檢驗的32個財務指標和5個非財務指標數(shù)據(jù)建立Fisher判別模型，得到結(jié)果見表3。對模型進行特征值檢驗和Wilks檢驗，檢驗表明函數(shù)1能夠有效地進行判別。
得到T-3年財務和非財務指標建立的Fisher判別模型為：
Z1=-43.520x2+55.540x5+2.869x11-0.103x19+0.055
x20+0.243x21-0.031x24-0.829G16+0.389 （4）
由表3可知，x2、x19、x24、G16系數(shù)為負，x5、x11、x20、x21系數(shù)為正，故x2、x19、x24、G16與公司陷入財務困境的概率負相關(guān)，x5、x11、x20、x21與公司陷入財務困境的概率正相關(guān)，即銷售凈利率、每股收益增長率和財務杠桿系數(shù)越高、公司所在地為省會城市的，公司陷入財務困境的可能性越??；總資產(chǎn)凈利潤率、留存收益資產(chǎn)比、凈利潤增長率和營業(yè)利潤增長率越高，公司陷入財務困境的可能性越大。
3. Fisher判別模型回判檢驗。本文取0為判別臨界值：當判別式得分大于0時，認為該企業(yè)為ST企業(yè)；當判別式得分小于0時，則認為該企業(yè)為非ST企業(yè)。利用上文建立的Fisher預警模型對樣本進行回判檢驗，檢驗結(jié)果如表4所示。
由表4可知，財務指標預警模型的整體預測準確率是77.9%，引入非財務變量后預警模型的整體預測準確率為82.7%，提高了4.8%，模型預測能力顯著提升，說明了引入非財務指標的重要性。
（三）Logistic回歸分析
Logistic回歸中采用向前條件逐步法確定進入模型的最終變量，變量進入方程的根據(jù)是比分檢驗(Score Test)統(tǒng)計量的顯著性水平剔除方程的依據(jù)是條件參數(shù)估計所得的似然比卡方變化量。1. 財務指標預警模型。利用SPSS統(tǒng)計分析軟件對上述選定的ST前3年的32個財務指標的數(shù)據(jù)建立Logistic回歸預警模型。模型的回歸結(jié)果見表5。x5、x10、x20和常數(shù)項的顯著性水平小于0.05，Wald 統(tǒng)計量的值也較大，故參數(shù)具有顯著意義。模型的顯著性檢驗和模型擬合度檢驗（Hosmer 和 Lemeshow ）都表明模型能很好地擬合數(shù)據(jù)。因此T-3年的財務指標Logistic 回歸模型為：
（5）
其中：p為因變量取1 的概率。
因為x5、x10、x20系數(shù)均為負，所以x5、x10、x20與公司陷入財務困境的概率負相關(guān)，這說明公司資產(chǎn)報酬率、每股收益、固定資產(chǎn)增長率越高，公司陷入財務困境的可能性越小。由于x5是盈利能力指標、x10是股東獲利能力指標、x20是發(fā)展能力指標，模型回歸結(jié)果亦可解釋為盈利能力、股東獲利能力、發(fā)展能力越強，公司陷入財務困境的機會越小。
2. 基于財務和非財務指標的預警模型。采用相同的方法對T-3年通過顯著性檢驗的32個財務指標和5個非財務指標數(shù)據(jù)建立Logistic回歸模型，回歸結(jié)果見表6。顯著性檢驗和模型擬合度檢驗都表明模型擬合效果好。
得到T-3年的財務與非財務指標的Logistic 回歸模型為：
因為x8、x10、x21、x26、G16系數(shù)為負，x19、x24系數(shù)為正，所以x8、x10、x21、x26、G16與公司陷入財務困境的概率負相關(guān)，x19、x24與公司陷入財務困境的概率正相關(guān)。成本費用利潤率越高、每股凈資產(chǎn)、營業(yè)利潤增長率越高、綜合杠桿系數(shù)越高、公司所在地為省會城市，公司陷入財務困境的可能性越小；每股收益增長率、財務杠桿系數(shù)越高，公司陷入財務困境的可能性越大。
3. Logistic回歸模型回判檢驗。沿用前人研究的經(jīng)驗，取0.5為判別臨界值：當P>0.5時，認為該企業(yè)為ST企業(yè)；當P<0.5時，則認為該企業(yè)為非ST企業(yè)。利用建立的Logistic預警模型對樣本進行回判檢驗，檢驗結(jié)果如表5所示，財務指標預警模型的整體預測準確率為81.7%，引入非財務變量后預警模型的整體預測準確率提高2%，引入非財務指標后模型預測財務健康公司的能力有顯著提升，說明了引入非財務指標的重要性。
（四）Fisher判別與Logistic回歸預警模型比較分析
1. 財務指標建立的預警模型對比分析。對通過檢驗的財務指標使用Fisher判別與Logistic回歸兩種方法建立的財務困境預警模型進行對比。由表8可知，Logistic回歸對于被ST公司的判別準確率為82.7%，對于非ST公司的判別準確率為88.5%，整體判別準確率為81.7%，F(xiàn)isher判別預警模型的預測準確率則分別為75.0%、73.1%、73.1%。僅使用財務指標構(gòu)建財務困境預警模型，Logistic回歸方法的預警效果明顯優(yōu)于Fisher判別。
2. 引入非財務指標建立的預警模型對比分析。對通過檢驗的財務與非財務指標使用Fisher判別與Logistic回歸兩種方法建立的財務困境預警模型進行對比。由表9可知，Logistic回歸對于被ST公司的判別準確率為82.7%，對于非ST公司的判別準確率為84.6%，整體判別準確率為83.7%，F(xiàn)isher判別預警模型的預測準確率則分別為88.5%、76.9%、82.7%。我們發(fā)現(xiàn)，引入非財務指標構(gòu)建財務困境預警模型，Logistic回歸方法的預警效果仍然優(yōu)于Fisher判別，但是差別已經(jīng)縮小。
3. 引入非財務指標后Fisher判別與Logistic回歸預警模型比較。由表8和表9可知，引入非財務指標后，兩種方法建立的預警模型的整體預測準確率均有提高，且Fisher判別方法建立的預警模型預測效果有顯著提升，對于被ST公司的判別準確率由82.7%提升為88.5%，對于非ST公司的判別準確率由73.1%提升為76.9%，整體判別準確率提升4.8%。Logistic回歸方法建立的預警模型雖然對ST公司的判別準確率下降5.8%，但是對于非ST公司的判別準確率提升9.6%，且整體預測準確率也提升了2%。
實證結(jié)果表明，引入非財務指標建立預警模型能夠提高其預測上市公司財務困境預警的能力，引入非財務指標后預警模型的擬合度和穩(wěn)定性更好，引入財務指標非常重要。
五、結(jié)論與啟示
通過以上研究，我們可以得出以下結(jié)論與啟示：
1. 引入非財務因素非常必要。公司所在地是否省會城市這個非財變量進入Fisher模型和Logistic回歸模型且有統(tǒng)計意義顯著。因此，在研究公司財務困境預測問題時，不能僅考慮財務信息層面，應同時考慮公司治理、股權(quán)結(jié)構(gòu)、重大事項等多個層面信息，才能更全面地反映公司實際財務狀況，構(gòu)建更有效的預警模型。
引入非財務指標后，F(xiàn)isher判別與Logistic回歸兩種方法建立的財務困境預警模型的預測準確率均有提升，證實了引入非財務因素的重要性。
2. Logistic回歸方法優(yōu)于Fisher判別方法。僅使用財務指標建立財務困境預警模型時，Logistic回歸方法的預警效果明顯優(yōu)于Fisher判別。引入非財務指標后，F(xiàn)isher判別方法預測效果提升較明顯。
在引入非財務指標后，兩種方法均有較高的預測準確率，整體預測準確率差異不大，但是Logistic回歸方法建立的預警模型對財務健康公司的預測準確率仍然大幅度高于Fisher判別方法，且Logistic回歸方法的整體預測準確率大于Fisher判別方法，我們?nèi)匀徽J為Logistic回歸方法較優(yōu)。
3. 雖然本文選擇了對公司陷入財務困境有顯著影響的25個非財務變量，有5個非財務變量在兩組樣本間具有顯著差異，但最終只有1個變量進入綜合預測模型，關(guān)于如何有效量化非財務指標進行財務困境預警需要繼續(xù)深入研究。
4. 本文僅把上市公司分為財務困境公司和財務健康公司，且僅采用因財務狀況特別處理定義為財務困境公司。如何將上市公司進一步分為三類甚至更多類，分類標準不僅限于利潤指標，還有待今后研究。
【注】本文系教育部人文社會科學研究項目（項目編號：11XJA880011）和廣西教育科學規(guī)劃自籌經(jīng)費重點課題（項目編號：2011B0010）的階段性研究成果。
主要參考文獻
1. 吳世農(nóng)，盧賢義.我國上市公司財務困境的預測模型研究.經(jīng)濟研究，2001；6
2. 黃成波.股權(quán)結(jié)構(gòu)與公司治理.經(jīng)濟師，2006；4
3. 王耀.基于公司治理變量的財務困境預測研究.華東經(jīng)濟管理，2009；4
4. 張海斌.上市公司董事會治理結(jié)構(gòu)層次實證研究.合作經(jīng)濟與科技，2010；7
5. 沈藝峰，張俊生.ST公司董事會治理失敗若干成因分析.證券市場導報，2002；3
6. 陳勝可.SPSS統(tǒng)計分析從入門到精通.北京：清華大學出版社，2010
7. 朱永忠，姚燁，張艷.基于主成分與Logistic回歸的上市公司財務困境預警模型研究.浙江工業(yè)大學學報，2012；6
8. 顏秀春，徐晞.后金融危機時代財務困境企業(yè)解困的路徑選擇.統(tǒng)計與決策，2012；4
9. Cooper A C, A Bruno. Success among High - Technology Firms, Business Horizons，1977；2
10. Daily C M, Dalton D R. CEO and Director Turnover in Failing Firms: An Illusion of Change. Strategic Management Journal，1995；16
11. Morck R, Shleifer A, Roberb W V. Management ownership and market valuation: an empirical analysis. Journal of Financial Economics，1988；4
12. Warfield T D, John J W. Wild K L. Managerial ownership, accounting choices and in formativeness of earnings.Journal of Accounting and Economics，1995；1
13. Flagg J C, Giroux G A, Wiggins C E. Predicting Corporate
【作 者】
曾繁榮（教授） 劉小淇
【作者單位】
（桂林電子科技大學商學院 廣西桂林 541004）
