【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(yíng)運(yùn)能力、發(fā)展能力、風(fēng)險(xiǎn)水平和償債能力六個(gè)方面的財(cái)務(wù)變量，以及股權(quán)結(jié)構(gòu)、公司治理、重大事項(xiàng)、人力資本4個(gè)方面的非財(cái)務(wù)變量，使用Fisher判別與Logistic回歸兩種方法建立ST前3年的財(cái)務(wù)困境預(yù)警模型。實(shí)證研究表明，加入非財(cái)務(wù)指標(biāo)可以提高財(cái)務(wù)困境預(yù)警的準(zhǔn)確率，且Logistic回歸方法建立的預(yù)警模型的預(yù)測(cè)效果更好。
【關(guān)鍵詞】財(cái)務(wù)困境 財(cái)務(wù)危機(jī) 非財(cái)務(wù)變量 預(yù)警 ST公司
一、引言
財(cái)務(wù)困境又稱財(cái)務(wù)問題，最嚴(yán)重的財(cái)務(wù)危機(jī)是財(cái)務(wù)失敗或破產(chǎn)。Fitzpatrick（1932）首先用單個(gè)財(cái)務(wù)變量預(yù)測(cè)破產(chǎn)，開啟了財(cái)務(wù)困境預(yù)警的先河，財(cái)務(wù)困境預(yù)警問題逐步被學(xué)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(qiáng)，模型穩(wěn)定且預(yù)測(cè)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(cái)務(wù)困境預(yù)警模型。
從目前國(guó)內(nèi)外的研究來看，研究者大多采用財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)困境預(yù)警模型，卻忽略了非財(cái)務(wù)信息的作用，而財(cái)務(wù)數(shù)據(jù)易粉飾且不能反映企業(yè)財(cái)務(wù)狀況的全貌。本文在財(cái)務(wù)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(xiàng)、人力資本等非財(cái)務(wù)變量，多方面探討其在財(cái)務(wù)困境預(yù)警中的作用，尋找對(duì)財(cái)務(wù)困境具有較強(qiáng)區(qū)別能力的財(cái)務(wù)與非財(cái)務(wù)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(jìn)行對(duì)比分析。
二、非財(cái)務(wù)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(jī)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(dǎo)致股東間互相監(jiān)控激勵(lì)和制衡機(jī)制就會(huì)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(cái)務(wù)風(fēng)險(xiǎn)。Porta（2000）認(rèn)為股權(quán)集中度高導(dǎo)致大股東侵占，公司易陷入財(cái)務(wù)困境。也有學(xué)者研究指出國(guó)有股控股給公司財(cái)務(wù)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(guó)家股比例、法人股比例與公司陷入財(cái)務(wù)困境的概率負(fù)相關(guān)。
（二）公司治理因素
1. 董事會(huì)特征。董事會(huì)是公司治理的核心內(nèi)容，董事會(huì)治理效果與其特征密切相關(guān)。董事會(huì)特征包括董事會(huì)規(guī)模﹑獨(dú)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(tuán)隊(duì)擁有更多的資源和能力，能夠做出更好的決策。Daily 和Dalton（1994）認(rèn)為獨(dú)立董事的自主性和獨(dú)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(zhǎng)總經(jīng)理兩職分離的企業(yè)能夠有效地對(duì)經(jīng)理進(jìn)行監(jiān)督和激勵(lì)，破產(chǎn)可能性小。
基于此，本文提出假設(shè)2：董事會(huì)規(guī)模﹑獨(dú)立董事比率、兩權(quán)分離與公司發(fā)生財(cái)務(wù)困境的概率負(fù)相關(guān)
2. 激勵(lì)約束機(jī)制?？茖W(xué)合理的激勵(lì)約束機(jī)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(cái)務(wù)困境風(fēng)險(xiǎn)。沈藝峰、張俊生（2002）發(fā)現(xiàn)，我國(guó)財(cái)務(wù)困境公司被ST之前董事會(huì)持股比例低于財(cái)務(wù)健康公司。Morck（1988）發(fā)現(xiàn)，董事長(zhǎng)和總經(jīng)理兩職分離的公司，通過頻繁更換總經(jīng)理加強(qiáng)對(duì)總經(jīng)理的激勵(lì)和監(jiān)督。Flagg（1991）發(fā)現(xiàn)審計(jì)意見可以識(shí)別破產(chǎn)。流通股股東通過“用手投票”和“用腳投票”的方式對(duì)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(chǎng)流動(dòng)性對(duì)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(huì)持股比例、高管持股比例與公司發(fā)生財(cái)務(wù)困境的概率負(fù)相關(guān)。
假設(shè)4：總經(jīng)理或董事長(zhǎng)變更與公司陷入財(cái)務(wù)困境的概率正相關(guān)。
假設(shè)5：被出具標(biāo)準(zhǔn)無保留意見的公司相對(duì)陷入財(cái)務(wù)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(cái)務(wù)困境的概率負(fù)相關(guān)。
3. 管理費(fèi)用率。管理費(fèi)用在某種程度在某種程度上代表管理者的職位消費(fèi)，較高的管理費(fèi)用反映公司可能存在監(jiān)管機(jī)制不健全和委托代理問題，使得公司績(jī)效下降，使公司陷入財(cái)務(wù)困境可能性增大。
本文使用管理費(fèi)用率衡量其對(duì)公司財(cái)務(wù)狀況的影響，基于此，本文提出假設(shè)7：管理費(fèi)用率與公司發(fā)生財(cái)務(wù)困境的概率負(fù)相關(guān)。
4. 治理環(huán)境。治理環(huán)境對(duì)發(fā)生經(jīng)營(yíng)行為和業(yè)績(jī)有一定影響。企業(yè)所在地區(qū)的經(jīng)濟(jì)發(fā)展形勢(shì)越好，政府支持力度越大，越不易發(fā)生財(cái)務(wù)危機(jī)。本文采用公司所在地是否為省會(huì)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(duì)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(huì)則公司陷入財(cái)務(wù)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(cái)務(wù)困境的概率小。
（三）重大事項(xiàng)
重大事項(xiàng)是指在本年度是否發(fā)生對(duì)公司的可持續(xù)經(jīng)營(yíng)產(chǎn)生重大影響的事件。具體而言：訴訟仲裁事項(xiàng)通過影響企業(yè)聲譽(yù)及品牌進(jìn)而影響企業(yè)利潤(rùn)；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(dān)保對(duì)公司發(fā)展不利，且容易引起證券市場(chǎng)秩序混亂。本文從公司本年度是否有對(duì)外擔(dān)保和對(duì)外擔(dān)保率兩個(gè)角度衡量公司擔(dān)保行為。當(dāng)公司財(cái)務(wù)狀況不健康時(shí)，傾向于變更會(huì)計(jì)事務(wù)所來避免被出具非標(biāo)準(zhǔn)審計(jì)意見，延緩向利益相關(guān)者傳遞不好的信息。
本文認(rèn)為重大事項(xiàng)的發(fā)生與財(cái)務(wù)困境可能存在顯著關(guān)系。基于此，提出以下假設(shè)：
假設(shè)10：有重大訴訟仲裁、有關(guān)聯(lián)方交易、有對(duì)外擔(dān)保、變更會(huì)計(jì)事務(wù)所的行為，則公司陷入財(cái)務(wù)困境的可能性大。
假設(shè)11：擔(dān)保率與公司發(fā)生財(cái)務(wù)困境的概率正相關(guān)。
（四）人力資本
企業(yè)管理層能力越強(qiáng)越有利于企業(yè)的長(zhǎng)遠(yuǎn)發(fā)展，不易使企業(yè)陷入財(cái)務(wù)危機(jī)。員工素質(zhì)越高，企業(yè)經(jīng)營(yíng)管理越高效。本文從學(xué)歷角度評(píng)價(jià)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(zhǎng)素質(zhì)、總經(jīng)理素質(zhì)、員工素質(zhì)與公司陷入財(cái)務(wù)困境的概率負(fù)相關(guān)。
三、研究設(shè)計(jì)
（一）分類標(biāo)準(zhǔn)
目前，國(guó)外財(cái)務(wù)困境預(yù)警研究多將破產(chǎn)企業(yè)作為研究對(duì)象，而我國(guó)資本市場(chǎng)鮮有申請(qǐng)破產(chǎn)的公司，所以本文把因財(cái)務(wù)狀況異常被特別處理的公司界定為財(cái)務(wù)困境公司，作為本文的研究對(duì)象，這一點(diǎn)和國(guó)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(yù)股因財(cái)務(wù)狀況異常首次被ST的上市公司作為ST樣本組，選取財(cái)務(wù)困境公司共52家，并按照1∶1的比例逐步尋找配對(duì)樣本。為消除行業(yè)差異和上市時(shí)間差異，按以下條件優(yōu)先順序選取非ST樣本組的樣本：①?gòu)奈幢惶貏e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(huì)是根據(jù)上市公司連續(xù)2年財(cái)務(wù)狀況異常對(duì)其進(jìn)行處理，使用ST前2年的數(shù)據(jù)會(huì)夸大模型的預(yù)測(cè)能力，故本文選用T-3年度數(shù)據(jù)進(jìn)行預(yù)測(cè)研究。
（三）研究變量
本文指標(biāo)體系包含盈利能力、股東獲利能力、營(yíng)運(yùn)能力、發(fā)展能力、風(fēng)險(xiǎn)水平和償債能力六個(gè)方面的財(cái)務(wù)變量，及股權(quán)結(jié)構(gòu)、公司治理、重大事項(xiàng)、人力資本4個(gè)方面的非財(cái)務(wù)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(jiǎn)化為一維進(jìn)行處理，建立線性判別函數(shù)計(jì)算出各個(gè)觀測(cè)量在各典型變量維度上的坐標(biāo)，并得出樣本距離各個(gè)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(gè)預(yù)警指標(biāo)；ai為第i個(gè)預(yù)警指標(biāo)對(duì)應(yīng)的判別系數(shù)；Z為判別分?jǐn)?shù)值。
2. Logistic回歸。Logistic回歸常用于被解釋變量為二分變量時(shí)的回歸擬合，進(jìn)行二元Logistic回歸需先對(duì)目標(biāo)概率做Logit變換，Logistic回歸模型的參數(shù)估計(jì)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(jìn)行預(yù)測(cè)模型研究。Logistic回歸的表達(dá)式如下：
ln[pi1-pi=a+i=1mβixi] （2）
其中：pi為第i個(gè)觀測(cè)中事件發(fā)生的概率；xi為解釋變量；[β]為待估計(jì)參數(shù)。四、實(shí)證研究
（一）均值差異檢驗(yàn)
本文的顯著性水平設(shè)置為0.05，選擇K-S檢驗(yàn)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(dòng)資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、營(yíng)業(yè)收入增長(zhǎng)率、營(yíng)運(yùn)資金比率、營(yíng)運(yùn)資金對(duì)資產(chǎn)總額比率、資產(chǎn)負(fù)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(gè)變量服從正態(tài)分布。
根據(jù)K-S檢驗(yàn)結(jié)果，服從正態(tài)分布的11個(gè)變量進(jìn)行T檢驗(yàn)，剩余49個(gè)變量進(jìn)行非參Mann-U 檢驗(yàn)。結(jié)果顯示，x10、x11、x30、x31、x32這5個(gè)財(cái)務(wù)變量通過T檢驗(yàn)；x1-x9、x12、x14、x16-x24、x26-x29、x33-x35這27個(gè)財(cái)務(wù)變量和G8、G11、G14、G16、G21這5個(gè)非財(cái)務(wù)變量通過了非參Mann- U檢驗(yàn)。
為消除多重共線性的影響，以方差膨脹因子（VIF）值來檢測(cè)37個(gè)通過顯著性檢驗(yàn)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(rèn)為存在嚴(yán)重共線性。檢測(cè)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(gè)變量通過T檢驗(yàn)，32個(gè)變量通過Mann-U檢驗(yàn)，合計(jì)37個(gè)（財(cái)務(wù)變量32個(gè)，非財(cái)務(wù)變量5個(gè)）預(yù)警指標(biāo)將成為本文的最終指標(biāo)體系，其余不具有顯著性的指標(biāo)則予以剔除。
（二）Fisher判別分析
Fisher判別分析采用步進(jìn)式方法中的Wilks’lambda方法確定進(jìn)入模型的最終變量，變量進(jìn)入方程的根據(jù)是使總體的Wilks’lambda統(tǒng)計(jì)量最小。
1. 財(cái)務(wù)指標(biāo)預(yù)警模型。本文將因變量劃分為2分類變量，取1代表財(cái)務(wù)困境公司，取0代表財(cái)務(wù)健康公司。利用SPSS對(duì)通過顯著性檢驗(yàn)的32個(gè)財(cái)務(wù)指標(biāo)建立Fisher判別財(cái)務(wù)困境預(yù)警模型，得到結(jié)果見表2。
對(duì)模型的判別能力進(jìn)行特征值檢驗(yàn)和Wilks檢驗(yàn)，檢驗(yàn)表明函數(shù)1能夠有效地進(jìn)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(cái)務(wù)指標(biāo)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(fù)，x5、x20系數(shù)為正，所以x2、x12、x24與公司陷入財(cái)務(wù)困境的概率負(fù)相關(guān)，x5、x20與公司陷入財(cái)務(wù)困境的概率正相關(guān)，這說明銷售凈利率越高、應(yīng)收賬款與收入比越大、財(cái)務(wù)杠桿系數(shù)越大、總資產(chǎn)凈利潤(rùn)率越低、凈利潤(rùn)增長(zhǎng)率越低，公司陷入財(cái)務(wù)困境的可能性越小。
2. 基于財(cái)務(wù)和非財(cái)務(wù)指標(biāo)預(yù)警模型。采用相同的方法對(duì)T-3年通過顯著性檢驗(yàn)的32個(gè)財(cái)務(wù)指標(biāo)和5個(gè)非財(cái)務(wù)指標(biāo)數(shù)據(jù)建立Fisher判別模型，得到結(jié)果見表3。對(duì)模型進(jìn)行特征值檢驗(yàn)和Wilks檢驗(yàn)，檢驗(yàn)表明函數(shù)1能夠有效地進(jìn)行判別。
得到T-3年財(cái)務(wù)和非財(cái)務(wù)指標(biāo)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(fù)，x5、x11、x20、x21系數(shù)為正，故x2、x19、x24、G16與公司陷入財(cái)務(wù)困境的概率負(fù)相關(guān)，x5、x11、x20、x21與公司陷入財(cái)務(wù)困境的概率正相關(guān)，即銷售凈利率、每股收益增長(zhǎng)率和財(cái)務(wù)杠桿系數(shù)越高、公司所在地為省會(huì)城市的，公司陷入財(cái)務(wù)困境的可能性越??；總資產(chǎn)凈利潤(rùn)率、留存收益資產(chǎn)比、凈利潤(rùn)增長(zhǎng)率和營(yíng)業(yè)利潤(rùn)增長(zhǎng)率越高，公司陷入財(cái)務(wù)困境的可能性越大。
3. Fisher判別模型回判檢驗(yàn)。本文取0為判別臨界值：當(dāng)判別式得分大于0時(shí)，認(rèn)為該企業(yè)為ST企業(yè)；當(dāng)判別式得分小于0時(shí)，則認(rèn)為該企業(yè)為非ST企業(yè)。利用上文建立的Fisher預(yù)警模型對(duì)樣本進(jìn)行回判檢驗(yàn)，檢驗(yàn)結(jié)果如表4所示。
由表4可知，財(cái)務(wù)指標(biāo)預(yù)警模型的整體預(yù)測(cè)準(zhǔn)確率是77.9%，引入非財(cái)務(wù)變量后預(yù)警模型的整體預(yù)測(cè)準(zhǔn)確率為82.7%，提高了4.8%，模型預(yù)測(cè)能力顯著提升，說明了引入非財(cái)務(wù)指標(biāo)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(jìn)入模型的最終變量，變量進(jìn)入方程的根據(jù)是比分檢驗(yàn)(Score Test)統(tǒng)計(jì)量的顯著性水平剔除方程的依據(jù)是條件參數(shù)估計(jì)所得的似然比卡方變化量。1. 財(cái)務(wù)指標(biāo)預(yù)警模型。利用SPSS統(tǒng)計(jì)分析軟件對(duì)上述選定的ST前3年的32個(gè)財(cái)務(wù)指標(biāo)的數(shù)據(jù)建立Logistic回歸預(yù)警模型。模型的回歸結(jié)果見表5。x5、x10、x20和常數(shù)項(xiàng)的顯著性水平小于0.05，Wald 統(tǒng)計(jì)量的值也較大，故參數(shù)具有顯著意義。模型的顯著性檢驗(yàn)和模型擬合度檢驗(yàn)（Hosmer 和 Lemeshow ）都表明模型能很好地?cái)M合數(shù)據(jù)。因此T-3年的財(cái)務(wù)指標(biāo)Logistic 回歸模型為：
（5）
其中：p為因變量取1 的概率。
因?yàn)閤5、x10、x20系數(shù)均為負(fù)，所以x5、x10、x20與公司陷入財(cái)務(wù)困境的概率負(fù)相關(guān)，這說明公司資產(chǎn)報(bào)酬率、每股收益、固定資產(chǎn)增長(zhǎng)率越高，公司陷入財(cái)務(wù)困境的可能性越小。由于x5是盈利能力指標(biāo)、x10是股東獲利能力指標(biāo)、x20是發(fā)展能力指標(biāo)，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(qiáng)，公司陷入財(cái)務(wù)困境的機(jī)會(huì)越小。
2. 基于財(cái)務(wù)和非財(cái)務(wù)指標(biāo)的預(yù)警模型。采用相同的方法對(duì)T-3年通過顯著性檢驗(yàn)的32個(gè)財(cái)務(wù)指標(biāo)和5個(gè)非財(cái)務(wù)指標(biāo)數(shù)據(jù)建立Logistic回歸模型，回歸結(jié)果見表6。顯著性檢驗(yàn)和模型擬合度檢驗(yàn)都表明模型擬合效果好。
得到T-3年的財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的Logistic 回歸模型為：
因?yàn)閤8、x10、x21、x26、G16系數(shù)為負(fù)，x19、x24系數(shù)為正，所以x8、x10、x21、x26、G16與公司陷入財(cái)務(wù)困境的概率負(fù)相關(guān)，x19、x24與公司陷入財(cái)務(wù)困境的概率正相關(guān)。成本費(fèi)用利潤(rùn)率越高、每股凈資產(chǎn)、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率越高、綜合杠桿系數(shù)越高、公司所在地為省會(huì)城市，公司陷入財(cái)務(wù)困境的可能性越?。幻抗墒找嬖鲩L(zhǎng)率、財(cái)務(wù)杠桿系數(shù)越高，公司陷入財(cái)務(wù)困境的可能性越大。
3. Logistic回歸模型回判檢驗(yàn)。沿用前人研究的經(jīng)驗(yàn)，取0.5為判別臨界值：當(dāng)P>0.5時(shí)，認(rèn)為該企業(yè)為ST企業(yè)；當(dāng)P<0.5時(shí)，則認(rèn)為該企業(yè)為非ST企業(yè)。利用建立的Logistic預(yù)警模型對(duì)樣本進(jìn)行回判檢驗(yàn)，檢驗(yàn)結(jié)果如表5所示，財(cái)務(wù)指標(biāo)預(yù)警模型的整體預(yù)測(cè)準(zhǔn)確率為81.7%，引入非財(cái)務(wù)變量后預(yù)警模型的整體預(yù)測(cè)準(zhǔn)確率提高2%，引入非財(cái)務(wù)指標(biāo)后模型預(yù)測(cè)財(cái)務(wù)健康公司的能力有顯著提升，說明了引入非財(cái)務(wù)指標(biāo)的重要性。
（四）Fisher判別與Logistic回歸預(yù)警模型比較分析
1. 財(cái)務(wù)指標(biāo)建立的預(yù)警模型對(duì)比分析。對(duì)通過檢驗(yàn)的財(cái)務(wù)指標(biāo)使用Fisher判別與Logistic回歸兩種方法建立的財(cái)務(wù)困境預(yù)警模型進(jìn)行對(duì)比。由表8可知，Logistic回歸對(duì)于被ST公司的判別準(zhǔn)確率為82.7%，對(duì)于非ST公司的判別準(zhǔn)確率為88.5%，整體判別準(zhǔn)確率為81.7%，F(xiàn)isher判別預(yù)警模型的預(yù)測(cè)準(zhǔn)確率則分別為75.0%、73.1%、73.1%。僅使用財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)困境預(yù)警模型，Logistic回歸方法的預(yù)警效果明顯優(yōu)于Fisher判別。
2. 引入非財(cái)務(wù)指標(biāo)建立的預(yù)警模型對(duì)比分析。對(duì)通過檢驗(yàn)的財(cái)務(wù)與非財(cái)務(wù)指標(biāo)使用Fisher判別與Logistic回歸兩種方法建立的財(cái)務(wù)困境預(yù)警模型進(jìn)行對(duì)比。由表9可知，Logistic回歸對(duì)于被ST公司的判別準(zhǔn)確率為82.7%，對(duì)于非ST公司的判別準(zhǔn)確率為84.6%，整體判別準(zhǔn)確率為83.7%，F(xiàn)isher判別預(yù)警模型的預(yù)測(cè)準(zhǔn)確率則分別為88.5%、76.9%、82.7%。我們發(fā)現(xiàn)，引入非財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)困境預(yù)警模型，Logistic回歸方法的預(yù)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(cái)務(wù)指標(biāo)后Fisher判別與Logistic回歸預(yù)警模型比較。由表8和表9可知，引入非財(cái)務(wù)指標(biāo)后，兩種方法建立的預(yù)警模型的整體預(yù)測(cè)準(zhǔn)確率均有提高，且Fisher判別方法建立的預(yù)警模型預(yù)測(cè)效果有顯著提升，對(duì)于被ST公司的判別準(zhǔn)確率由82.7%提升為88.5%，對(duì)于非ST公司的判別準(zhǔn)確率由73.1%提升為76.9%，整體判別準(zhǔn)確率提升4.8%。Logistic回歸方法建立的預(yù)警模型雖然對(duì)ST公司的判別準(zhǔn)確率下降5.8%，但是對(duì)于非ST公司的判別準(zhǔn)確率提升9.6%，且整體預(yù)測(cè)準(zhǔn)確率也提升了2%。
實(shí)證結(jié)果表明，引入非財(cái)務(wù)指標(biāo)建立預(yù)警模型能夠提高其預(yù)測(cè)上市公司財(cái)務(wù)困境預(yù)警的能力，引入非財(cái)務(wù)指標(biāo)后預(yù)警模型的擬合度和穩(wěn)定性更好，引入財(cái)務(wù)指標(biāo)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(cái)務(wù)因素非常必要。公司所在地是否省會(huì)城市這個(gè)非財(cái)變量進(jìn)入Fisher模型和Logistic回歸模型且有統(tǒng)計(jì)意義顯著。因此，在研究公司財(cái)務(wù)困境預(yù)測(cè)問題時(shí)，不能僅考慮財(cái)務(wù)信息層面，應(yīng)同時(shí)考慮公司治理、股權(quán)結(jié)構(gòu)、重大事項(xiàng)等多個(gè)層面信息，才能更全面地反映公司實(shí)際財(cái)務(wù)狀況，構(gòu)建更有效的預(yù)警模型。
引入非財(cái)務(wù)指標(biāo)后，F(xiàn)isher判別與Logistic回歸兩種方法建立的財(cái)務(wù)困境預(yù)警模型的預(yù)測(cè)準(zhǔn)確率均有提升，證實(shí)了引入非財(cái)務(wù)因素的重要性。
2. Logistic回歸方法優(yōu)于Fisher判別方法。僅使用財(cái)務(wù)指標(biāo)建立財(cái)務(wù)困境預(yù)警模型時(shí)，Logistic回歸方法的預(yù)警效果明顯優(yōu)于Fisher判別。引入非財(cái)務(wù)指標(biāo)后，F(xiàn)isher判別方法預(yù)測(cè)效果提升較明顯。
在引入非財(cái)務(wù)指標(biāo)后，兩種方法均有較高的預(yù)測(cè)準(zhǔn)確率，整體預(yù)測(cè)準(zhǔn)確率差異不大，但是Logistic回歸方法建立的預(yù)警模型對(duì)財(cái)務(wù)健康公司的預(yù)測(cè)準(zhǔn)確率仍然大幅度高于Fisher判別方法，且Logistic回歸方法的整體預(yù)測(cè)準(zhǔn)確率大于Fisher判別方法，我們?nèi)匀徽J(rèn)為L(zhǎng)ogistic回歸方法較優(yōu)。
3. 雖然本文選擇了對(duì)公司陷入財(cái)務(wù)困境有顯著影響的25個(gè)非財(cái)務(wù)變量，有5個(gè)非財(cái)務(wù)變量在兩組樣本間具有顯著差異，但最終只有1個(gè)變量進(jìn)入綜合預(yù)測(cè)模型，關(guān)于如何有效量化非財(cái)務(wù)指標(biāo)進(jìn)行財(cái)務(wù)困境預(yù)警需要繼續(xù)深入研究。
4. 本文僅把上市公司分為財(cái)務(wù)困境公司和財(cái)務(wù)健康公司，且僅采用因財(cái)務(wù)狀況特別處理定義為財(cái)務(wù)困境公司。如何將上市公司進(jìn)一步分為三類甚至更多類，分類標(biāo)準(zhǔn)不僅限于利潤(rùn)指標(biāo)，還有待今后研究。
【注】本文系教育部人文社會(huì)科學(xué)研究項(xiàng)目（項(xiàng)目編號(hào)：11XJA880011）和廣西教育科學(xué)規(guī)劃自籌經(jīng)費(fèi)重點(diǎn)課題（項(xiàng)目編號(hào)：2011B0010）的階段性研究成果。
主要參考文獻(xiàn)
1. 吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究.經(jīng)濟(jì)研究，2001；6
2. 黃成波.股權(quán)結(jié)構(gòu)與公司治理.經(jīng)濟(jì)師，2006；4
3. 王耀.基于公司治理變量的財(cái)務(wù)困境預(yù)測(cè)研究.華東經(jīng)濟(jì)管理，2009；4
4. 張海斌.上市公司董事會(huì)治理結(jié)構(gòu)層次實(shí)證研究.合作經(jīng)濟(jì)與科技，2010；7
5. 沈藝峰，張俊生.ST公司董事會(huì)治理失敗若干成因分析.證券市場(chǎng)導(dǎo)報(bào)，2002；3
6. 陳勝可.SPSS統(tǒng)計(jì)分析從入門到精通.北京：清華大學(xué)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(cái)務(wù)困境預(yù)警模型研究.浙江工業(yè)大學(xué)學(xué)報(bào)，2012；6
8. 顏秀春，徐晞.后金融危機(jī)時(shí)代財(cái)務(wù)困境企業(yè)解困的路徑選擇.統(tǒng)計(jì)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(xué)商學(xué)院 廣西桂林 541004）
