【摘要】本文以房地產(chǎn)行業(yè)上市公司為實(shí)證對(duì)象，選取8家ST類公司和32家財(cái)務(wù)正常的配對(duì)公司為樣本，依據(jù)同一財(cái)政年度、類似固定資產(chǎn)規(guī)模的原則，進(jìn)行三步篩選，建立包含營業(yè)利潤、流動(dòng)比率和凈利潤/營業(yè)總收入三個(gè)變量的Logistic財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型。此模型判定結(jié)果與實(shí)際基本相符，其對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確程度為95%，模型具有較好的判別能力，可為房地產(chǎn)企業(yè)內(nèi)部構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型提供參考。
【關(guān)鍵詞】Logistic模型 房地產(chǎn)企業(yè) 財(cái)務(wù)風(fēng)險(xiǎn)控制
一、引言
我國房地產(chǎn)行業(yè)正處于快速發(fā)展時(shí)期，而伴隨著快速發(fā)展帶來的是房地產(chǎn)行業(yè)的經(jīng)濟(jì)泡沫，其表現(xiàn)為房價(jià)逐年攀升，嚴(yán)重地超過了普通老百姓的購買能力。為制止房價(jià)上漲愈演愈烈，近年來，國家相繼出臺(tái)了房價(jià)調(diào)控政策。例如：2010年，國土資源局出臺(tái)政策提高購地保證金，嚴(yán)格把控房地產(chǎn)供地；2011年，國務(wù)院“國八條”明確要求30多個(gè)城市出臺(tái)“限購令”；2012年，房地產(chǎn)稅正式納入“十二五”規(guī)劃；2013年，國務(wù)院“國五條”出臺(tái)抑制投資性購房政策等等。
在國家嚴(yán)厲的調(diào)控政策下，房地產(chǎn)企業(yè)面臨著銀行等金融機(jī)構(gòu)更為嚴(yán)格的信貸評(píng)估，增加了獲取借貸資金的難度。而房地產(chǎn)行業(yè)是一個(gè)資金密集型產(chǎn)業(yè)，一旦資金鏈斷裂，勢(shì)必會(huì)影響企業(yè)的生存。
在房地產(chǎn)企業(yè)面臨的嚴(yán)峻形勢(shì)下，幫助房地產(chǎn)上市公司分析財(cái)務(wù)風(fēng)險(xiǎn)狀況，提出識(shí)別風(fēng)險(xiǎn)的方法，有效預(yù)防和控制財(cái)務(wù)風(fēng)險(xiǎn)，促使房地產(chǎn)企業(yè)持續(xù)健康地發(fā)展，無疑具有積極的意義，這也正是本文研究的目的。
二、文獻(xiàn)綜述
國外對(duì)于企業(yè)財(cái)務(wù)預(yù)警的研究較早。Fitzpatric（1932）研究發(fā)現(xiàn)財(cái)務(wù)正常和財(cái)務(wù)異常的上市公司在一些財(cái)務(wù)數(shù)據(jù)上存在著明顯的差別，并提出了比較兩種類型上市公司的財(cái)務(wù)比率。Beaver（1966）率先提出了用單變量分析方法來識(shí)別企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。Martin（1977）選取58家銀行的8個(gè)指標(biāo)數(shù)據(jù)，利用Logistic模型有效地預(yù)測(cè)了公司破產(chǎn)。
Ohlson（1980）挑選出1970 ~ 1976年105家財(cái)務(wù)異常公司及205家財(cái)務(wù)正常公司，共310家公司，采用Logistic方法建立企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型，從而奠定了該分析方法在財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別方面應(yīng)用的基礎(chǔ)。Blum（1974）基于資本市場(chǎng)企業(yè)財(cái)務(wù)狀況數(shù)據(jù)分析，提出了“現(xiàn)金流量理論”；Gentry等（1987）通過建立企業(yè)多項(xiàng)現(xiàn)金流量模型，構(gòu)建一種新的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型，該模型是對(duì)Blum模型的延伸。David West（2000）通過建立5種神經(jīng)網(wǎng)絡(luò)模型與5種統(tǒng)計(jì)分類模型進(jìn)行比較，發(fā)現(xiàn)Logistic模型識(shí)別企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的準(zhǔn)確率最高。
國內(nèi)也有不少學(xué)者進(jìn)行了這方面的研究，周首華等（1996）提出了F-Score模型進(jìn)行財(cái)務(wù)預(yù)警，并考慮了企業(yè)現(xiàn)金流量變動(dòng)情況的相關(guān)影響因素。楊保安、季海（2001）綜合比較構(gòu)建企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)模型的各種方法，將神經(jīng)網(wǎng)絡(luò)分析法引入財(cái)務(wù)預(yù)警模型，可有效識(shí)別企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)。徐勇（2007）結(jié)合Fisher線性分析方法和Logistic分析方法，以上市公司為例進(jìn)行了實(shí)證研究，發(fā)現(xiàn)企業(yè)規(guī)模對(duì)于評(píng)價(jià)指標(biāo)具有明顯的影響。浦軍、劉娟（2009）通過Logistic分析方法，采用公司治理指標(biāo)、現(xiàn)金流量指標(biāo)和傳統(tǒng)財(cái)務(wù)指標(biāo)，對(duì)2007年ST公司財(cái)務(wù)狀況進(jìn)行分析，最終得出企業(yè)獲利能力、償債能力及成長能力等指標(biāo)在模型中影響顯著。羅曉光和劉飛虎（2011）選用資本充足性、信用度、盈利能力、流動(dòng)性和發(fā)展能力等五項(xiàng)指標(biāo)，通過Logistic回歸模型構(gòu)建商業(yè)銀行的“多指標(biāo)風(fēng)險(xiǎn)測(cè)度模型”。杜俊娟（2013）結(jié)合財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)對(duì)房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警分析，并采用ZETA模型（即第二代信用風(fēng)險(xiǎn)模型）進(jìn)行風(fēng)險(xiǎn)評(píng)判，發(fā)現(xiàn)2011年所有公司ZETA值相對(duì)下降，意味著企業(yè)財(cái)務(wù)狀況變差。
三、實(shí)證分析
1. 指標(biāo)的選擇。企業(yè)盈利能力、資產(chǎn)運(yùn)營能力、償債能力以及成長能力指標(biāo)在傳統(tǒng)的企業(yè)財(cái)務(wù)管理中應(yīng)用較為廣泛，而大量研究證明，企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)與資產(chǎn)流動(dòng)性密不可分。因此，還應(yīng)將反映資產(chǎn)流動(dòng)性的現(xiàn)金流量能力指標(biāo)納入財(cái)務(wù)評(píng)價(jià)體系。本文結(jié)合選取房地產(chǎn)行業(yè)上市公司樣本數(shù)據(jù)，最終采用綜合反映上述五個(gè)方面能力的30個(gè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)構(gòu)成評(píng)價(jià)體系，具體見表1。2. 樣本的選擇。截至2012年底，對(duì)照證監(jiān)會(huì)發(fā)布的行業(yè)分類標(biāo)準(zhǔn)，得知滬深兩市房地產(chǎn)開發(fā)與經(jīng)營業(yè)上市公司共有152家。樣本數(shù)據(jù)主要來源于Wind數(shù)據(jù)庫、上市公司資訊網(wǎng)和各上市公司年報(bào)。
本文選取30個(gè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)健全的房地產(chǎn)上市公司作為樣本，將被標(biāo)記為ST、∗ST或者S∗ST的上市公司定為財(cái)務(wù)狀況異常公司，將未被標(biāo)記為ST的上市公司定為財(cái)務(wù)狀況正常公司。由于2012年行業(yè)ST類型公司樣本數(shù)為4家，且∗ST國商凈資產(chǎn)收益率ROE（TTM）計(jì)算結(jié)果無意義，予以放棄，故ST樣本公司僅為3家，因此對(duì)2011年數(shù)據(jù)進(jìn)行取樣，其中ST樣本數(shù)為8家，上市公司總數(shù)為137家?？紤]到企業(yè)的規(guī)模不同，各項(xiàng)財(cái)務(wù)指標(biāo)數(shù)據(jù)之間可比性不強(qiáng)，因此需要考慮規(guī)模因素造成的偏差，并在選取樣本時(shí)遵循上市公司固定資產(chǎn)總額類似原則。最后，挑選出8家財(cái)務(wù)狀況異常的上市公司，按照4倍比例選取財(cái)務(wù)狀況正常的樣本公司共32家，具體見表2。
3. Logsitic模型分析。
（1）單因素Logsitic模型回歸分析。采用Logistic回歸模型將樣本數(shù)據(jù)分為兩組，其中財(cái)務(wù)狀況正常上市公司賦值為0，財(cái)務(wù)狀況異常上市公司賦值為1。
以組別（1,0）作為分析的因變量，30個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)作為自變量，并選取0.25作為各變量顯著水平比較值，以此作為臨界點(diǎn)來判斷變量是否保留，如果自變量顯著水平sig<0.25，則保留；如果自變量顯著水平sig>0.25，則放棄。
依據(jù)分析結(jié)果得出總共14項(xiàng)指標(biāo)顯著水平sig>0.25，即其未通過顯著性檢驗(yàn)，因此應(yīng)放棄這些指標(biāo)。其余成長能力指標(biāo)——營業(yè)總收入（同比增長率）為X13、利潤總額（同比增長率）為X15；償債能力指標(biāo)——有形資產(chǎn)/總負(fù)債為X22、經(jīng)營活動(dòng)產(chǎn)生的經(jīng)營流量凈額/總負(fù)債為X24、歸屬母公司股東的權(quán)益/總負(fù)債為X25、經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流量凈額/流動(dòng)負(fù)債為X26；盈利能力指標(biāo)——ROE為X31、銷售毛利率為X34；營運(yùn)能力指標(biāo)——固定資產(chǎn)周轉(zhuǎn)率為X46、總資產(chǎn)周轉(zhuǎn)率為X47；現(xiàn)金流量能力指標(biāo)——銷售商品提供勞務(wù)收到的現(xiàn)金/營業(yè)收入為X51、經(jīng)營活動(dòng)現(xiàn)金流量凈額/營業(yè)收入為X52、資本支出/折舊和攤銷為X53和經(jīng)營性現(xiàn)金凈流量/營業(yè)總收入為 X54。
（2）相關(guān)性分析和多元共線性檢驗(yàn)。對(duì)于剩下的指標(biāo)，采用Pearson進(jìn)行相關(guān)性檢驗(yàn)，并設(shè)置標(biāo)準(zhǔn)值為0.5。如果兩兩變量之間的相關(guān)系數(shù)監(jiān)測(cè)結(jié)果大于0.5，說明兩者相關(guān)性較高，僅選取其中一個(gè)變量作為下一步分析的自變量。
X35、X36、X37、X41與X42的相關(guān)系數(shù)分別為0.808、0.813、0.813和0.989。由于剩余的變量中還有存貨周轉(zhuǎn)率X43這一指標(biāo)，而該指標(biāo)更具有完整性，故舍棄存貨周轉(zhuǎn)天數(shù)X42。
X35、X36與X37三者兩兩相關(guān)系數(shù)均為1，考慮到單因素Logistic回歸模型的分析結(jié)果，凈利潤/營業(yè)收入對(duì)因變量的解釋程度強(qiáng)，故保留凈利潤/營業(yè)總收入X35，舍去營業(yè)利潤/營業(yè)總收入X36和息稅前利潤/營業(yè)總收入X37兩個(gè)變量。
X11、X23、X32、X44與X33的相關(guān)系數(shù)分別為：0.511、0.736、0.813和0.504，考慮到Logistic回歸模型要求簡潔且解釋力強(qiáng)，故舍棄ROIC X33。
X14、X43、X45與X12的相關(guān)系數(shù)分別為-0.857、0.998和0.752，考慮到指標(biāo)的完整性，故舍棄每股經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流量凈額（同比增長率）X12。
X16與X11為0.997，因?yàn)樵诘谝徊街邪l(fā)現(xiàn)X25對(duì)與因變量的解釋力較弱，考慮到因變量前后的一致性和良好的解釋能力，故舍棄歸屬母公司股東的凈利潤X16。
經(jīng)過第二步篩選后，剩下10個(gè)自變量兩兩間相關(guān)系數(shù)均低于0.5，再通過容忍度檢驗(yàn)，實(shí)現(xiàn)自變量多元共線性檢驗(yàn)，結(jié)果如表3所示：
陳希孺等（1990）提出若自變量容忍度小于0.1，則多變量之間存在共線性問題?；诖?，本文認(rèn)定當(dāng)自變量容忍度大于0.1且VIF小于10時(shí)，可以認(rèn)定該自變量不存在多元共線性問題。依據(jù)表3，可以得出X23這一自變量被排除，剩下9個(gè)自變量不存在多元共線性問題。
（3）參數(shù)估計(jì)。本文采用“向后：LR”逐步選擇法，確定模型中應(yīng)包含的自變量，并評(píng)估所得的參數(shù)。此次模型構(gòu)建經(jīng)過六次極大偏似然估計(jì)，并舍棄似然比統(tǒng)計(jì)量最小的自變量，直到第七步模型中所有自變量均滿足要求。
模型第七步驟的回歸結(jié)果表明：營業(yè)利潤（同比增長率）X14、流動(dòng)比率X21和凈利潤/營業(yè)總收入X35三個(gè)變量更改的顯著性均小于0.05，故保留。將此三個(gè)變量代入Logistic模型，得到如下表達(dá)式：
[lnp1-p=0.927-0.07X14-0.642X21-0.155X35] （1）
式（1）轉(zhuǎn)化為非線性形式即為：
[p=11+e-(0.927-0.07X14-0.642X21-0.155X35)] （2）
式（2）為Logistic模型，p為房地產(chǎn)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)概率。鑒于式（2）中自變量難以對(duì)因變量進(jìn)行解釋，故引入概率發(fā)生比（Odds），即p/（1-p）和發(fā)生比率（Odds ratio），用自變量來解釋發(fā)生比貢獻(xiàn)的大小，發(fā)生比率表示自變量的變化對(duì)發(fā)生比的影響程度。于是可得發(fā)生比的表達(dá)式：
[Odds=e(0.927-0.07X14-0.642X21-0.155X35)] （3）
式（3）若自變量X14變化了l個(gè)單位，則此時(shí)發(fā)生比率為：
[Odds1Odds2=e0.927-0.07(X14+1)-0.642X21-0.155X35e(0.927-0.07X14-0.642X21-0.155X35)=e-0.07] （4）
此時(shí)發(fā)生比變化了（e-0.07-1）個(gè)單位。若發(fā)生比率大于1，則表明事件發(fā)生的可能性會(huì)提升，否則相反。
（4）模型顯著性檢驗(yàn)。模型中每剔除一個(gè)不顯著的變量后，其卡方值均大于臨界值1.323，這說明在檢驗(yàn)過程應(yīng)拒絕零假設(shè)，即回歸方程整體上是顯著的。而且，剔除過程中，每步對(duì)應(yīng)的顯著性水平分別達(dá)到0.784、0.808、0.816、0.468、0.548、0.236，均大于既定顯著性水平，也即在檢驗(yàn)過程中，每步剔除的變量都不顯著，接受零假設(shè)，也即剔除的變量不會(huì)影響模型的顯著性水平。
四、結(jié)論
本文構(gòu)建Logistic財(cái)務(wù)風(fēng)險(xiǎn)識(shí)別模型的判定結(jié)果與實(shí)際基本相符，其對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確程度為95%，可見模型具有較好的判別能力。經(jīng)過三步篩選，最終得出效果較好的3個(gè)指標(biāo)為Logistic模型的自變量，即營業(yè)利潤（同比增長率）X14、流動(dòng)比率X21和凈利潤/營業(yè)總收入X35，這三項(xiàng)指標(biāo)能夠較好地判別房地產(chǎn)上市公司的財(cái)務(wù)狀況。
從模型評(píng)價(jià)的結(jié)果可以看出，在假定的分類點(diǎn)位P=0.5時(shí)，Logistic模型對(duì)總體的預(yù)測(cè)準(zhǔn)確率達(dá)到95%，對(duì)正常企業(yè)的判定正確率為100%，對(duì)具有財(cái)務(wù)風(fēng)險(xiǎn)的ST企業(yè)判定的正確率為75%。模型的回歸結(jié)果表明，運(yùn)用Logistic模型可以有效地預(yù)測(cè)和檢測(cè)樣本房地產(chǎn)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)，那么其他房地產(chǎn)公司同樣可以運(yùn)用此模型建立符合自身特點(diǎn)的風(fēng)險(xiǎn)評(píng)估模型，比如考慮治理結(jié)構(gòu)、學(xué)習(xí)能力、客戶關(guān)系管理能力等非財(cái)務(wù)因素，進(jìn)而有效地制定風(fēng)險(xiǎn)預(yù)警機(jī)制，最終保證企業(yè)在市場(chǎng)中擁有核心競爭力和持續(xù)競爭優(yōu)勢(shì)。
主要參考文獻(xiàn)
1. Fitzpartrick，P. J.. A Comparison of Ratios of Successful Industrial Enterprises With those Failed Firms. The Accountants Publishing Company，1932
2. Beaver, William H.. Financial Ratios as Predictors of Failure. Journal of Accounting Research，1966；4
3. Blum M.. Failing company discriminant analysis. Journal of Accounting Research，1974；12
4. 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)模式.會(huì)計(jì)研究，1996；8
5. 楊保安，季海.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)警研究.系統(tǒng)工程理論與實(shí)踐，2001；5
6. 浦軍，劉娟.財(cái)務(wù)狀況質(zhì)量與財(cái)務(wù)危機(jī)研究——基于LOGISTIC模型的實(shí)證分析.經(jīng)濟(jì)問題，2009；10
7. 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究.金融發(fā)展研究，2011；11
8. 陳希孺，白志東，趙林城，吳月華.線性模型中最小一乘估計(jì)的漸近正態(tài)性.中國科學(xué)，1990；5
【作 者】
杜運(yùn)潮 徐鳳菊（博士生導(dǎo)師）
【作者單位】
（武漢理工大學(xué)管理學(xué)院 武漢 430070）
