·2011年第10期·
企业活力ENTERPRISEVITALITY
上市公司财务危机预警模型分析
□刘建胜1廖珍珍2
（1、2.江西理工大学经济管理学院，赣州341000）
［摘要］在后金融危机时代企业财务预警越来越受到重视，建立财务危机预警模型在理论上和实践中都有重要意义。本文选取了赢利能力指标、营运能力指标、偿债能力指标、成长能力指标、现金流量指标建立了主成分分析预警模型，该模型可以用来对企业财务危机进行预测。经实证研究表明：主成分预测模型在预测上市公司财务危机方面具有较好的预测能力。
［关键词］财务危机；主成分分析；显著性检验
［中图分类号］F275.5［文献标识码］A［文章编号］1003-4919（2011）10-0081-06
银行账户透支四项中的具备其中任何一项的企业，
一、引言
2008年的金融危机给企业财务管理带来严峻
可列为“财务危机”。Altman（1968）认为财务失败、无力偿还、违约以及破产的企业为财务危机企业。Deakin（1972）的研究结论：财务危机企业仅包括已经经历了破产、无力偿债或为债权人利益，从而已经清算的公司［1］。美国的Carmichael将财务危机定义为出现以下几种表现的企业：（1）流动性不足。流动负债大于流动资产，净经营性资产小于0，不能偿还短期债务。（2）权益不足。总负债大于总资产（负权益），公司的长期偿债能力不足并且留存收益出现赤字。（3）债务拖欠。公司不能偿付到期负债，或者违背了贷款条款。（4）资金不足。Ross（1999）等人认为财务危机是指“企业处于经营性现金流量不足以抵消现有到期债务（利息）而被迫采取改正行动的情况”。他们认为一旦企业发生如下的事情时，可以表明企业陷入了财务危机，股利的减少，工厂的倒闭、亏损，解雇员工，高级主管的辞职，股票的暴跌等。
（二）预警指标的研究1.传统的财务指标
在财务危机预警研究的早期。国内外学者较多地运用了偿债能力、营运能力、赢利能力和成长能力等直接的传统财务指标。如Fitzpatrick
挑战，越来越多的海内外企业面临着财务危机的窘境，这不仅给企业管理者、股东、员工等利益相关者带来巨大的经济损失，还给整个国家带来巨大的社会和经济成本。特别是上市公司的财务危机预警越来越重要。因而，如何构建一个准确的预警模型来减少财务危机的出现，一直是国内外学者关注的
问题。国内外关于财务危机预警模型的研究文献较多，本文拟利用主成分分析法建立企业财务危机预警模型，希望对企业预测财务危机在理论与实践上有一定的作用。
二、文献回顾
在财务危机预警模型的研究方面，国内外学者主要集中在财务危机的定义、预警方法的选择、预警变量或判别指标的探讨上。
（一）关于财务危机的界定
对于“财务危机”的界定标准国外学者因研究侧重点不同，使用了不同的标准。Beaver（1966）认为企业破产、不能支付优先股股利、拖欠债务以及
［收稿日期］2011-08-26
［作者简介］1.刘建胜（1975—），男，江西定南人，江西理工大学经济管理学院副教授，研究方向：财务与会计；2.廖珍珍
（1987—），女，江西宁都人，江西理工大学经济管理学院硕士研究生，研究方向：企业管理。
82
Enterprise企业活力-管Vitality理理论
（1932）、Altman（1968）、Platt，etal（1994）等，均采用负债比率、流动比率、净资产收益率和资产周转速度等，作为预警模型的指标变量进行财务危机预警［2］。我国学者也较多地运用了资产负债率（陈静，1999；孙铮，2000）、流动比率（陈静，1999）、总资产收益率、存货周转率、应收账款周转率。杨淑娥（2007）还采纳了每股收益、每股净资产、资产周转率、总资产增长率、净利润增长率等指标。
2.现金流量指标
现金流量不仅是企业正常运营的必要保证。还是其偿还债务的必备储蓄。如果公司没有足够的现金支付到期债务，而且又无其他途径获得资金时，那么公司最终将破产。因此，过去和现在的现金流量能很好地反映公司的价值和破产概率。研究结果表明：现金流量模型预测企业发生困境的效果较好，如杨淑娥（2007）。
3.市场收益指标
收益率也如同财务指标一样可以预测破产，Beaver（1968）发现在有效的资本市场里，但时间股票
略滞后。Lark＆Weinstein（1983）发现破产公司
股票在破产前至少3年内存在负的市场收益率。我国学者杨淑娥（2007）等人也在模型中加入了股本市价/负债账面价来衡量市场收益。
4.公司治理指标
最近的研究学者们正在探讨如何将公司的一些治理指标加入预警模型，如董事会持股比例、股权集中度、法人持股比例、独立董事比例、两职合一等指标来反映公司治理对财务危机的预测力。
5.其他指标
除以上指标外，也有的学者在考虑关联方交易、审计意见等指标。
（三）预警方法的研究
财务危机预警方法按大类划分，可分为定性与定量的研究方法。
1.定性分析
定性分析是通过分析企业内外部特征来预测企业发生财务危机的可能性，如标准化调查法、“四阶段症状”分析法、“三个月资金周转表”分析法、流程图分析法、管理评分法等。
·2011年第10期·
2.定量分析
定量分析则是运用不同的预测变量和数学工具来建立财务预警模型，该方法因选用变量的多少不同分为：单变量预警模型和多变量预警模型。多变量预警模型又因使用不同的计量方法分为线性判定模型、线性概率模型和logistic回归模型。另外，目前还有些学者运用神经网络、支持向量集以及模糊算法等研究财务危机预警。
①单变量预警模型。具有代表性的研究是Fitzpatrick继续沿着这一思路研究破产预测问题。（1932）的研究。30多年后，BeaverBeaver（1966选）用了79家公司组成的样本进行检验，结果发现最好的判别变量是营运资本/流动负债。在判别效果上越临近破产日，误判率越低。
②多变量预警模型。Altman（1968）首先使用多元线性判别模型（Z分数模型）研究公司破产问题。其判别函数为：0.999X5
Z=0.012X1+0.013X2+0.033X3+0.006X4+其中：
X1=X2=（X3=留存收益流动资产－流动负债息税前利润/资产总额）/资产总额X4=资本市值/总负债/资产总额X5=销售收入/资产总额
出，ZAltman值越小，教授通过对该公司遭受财务失败的可能性越大，Z分数模型的研究分析得
美国公司Z值的临界值为1.81，具体判断标准是：Z2.675，表明公如果处于1.81—2.675之间，Altman称之“灰色地带”，即公司财务状况不稳定，无法判断。之后又有了ZETA③模型和第三代Logistic回归模型。ZETA模型。
Martni引入了Logistic回
归分析法建立企业财务危机预警模型。他在1977年的研究中，以1969—1974年为样本期间，从大约5700从25家美联储成员银行中界定出个财务指标中选取了总资产净利率等58家困境银行，8个变量构建模型，预测两年后银行可能倒闭的概率。经
研究发现，Logistic模型的预测能力优于Z模型和ZEAT方法，模型。嗣后，以1970—1976Ohlson年为抽样期，（1980）采用以105Logistic家破产公分析司与2058家正常公司作为样本，运用9个会计比率并以均等权数对第I类和第II类错误进行加权平均来计算区分点，其误判率为3.88%。研究结果发现公司规模、资本结构、业绩和当前资产的变现能力显著影响公司破产概率。他的这一研究为财务危机的进一步发展奠定了基础。
④人工智能及神经网络。除了线性判别模型和Logistic模型外，一些学者还研究应用人工神经网络系统进行财务危机预警预测，Odom＆Sharda现ANN（1990模型对保留样本失败类与正常类企业的预
）运用神经网络方法构建预警模型。发测正确率为81.75％与78.18%［3］。
近年，支持向量机已经成为解决模式识别问题的有力工具，并且已经在财务领域得到了应用。另外，随着统计技术和计算机技术的不断发展，递归分类、SWARA仿真、人工智能、粗糙集等技术，以及各种方法的混合使用也逐渐被引入财务危机预测的研究，且在预警中发挥着越来越重要的作用。
三、本文对财务危机的界定
财务危机并不等于财务困境，它是财务困境发展到一种更深程度的阶段。而破产则是财务困境发展至财务危机后的一种极端形式。国外对财务危机的界定因研究目的的不同而不同，主要有：（1）已经破产的企业；（2）进入破产程序的企业；（3）无力还本付息的企业；（4）资不抵债的企业［4］。国内学者尽管见仁见智，各执一词，但从总体上看，对财务危机的定义中既包括了技术性的失败，即资金方面比较困难，主要是指财务指标恶化等；同时也包括了严重的资不抵债、无法持续经营等的情况。
本文在后面的实证研究中将财务危机公司界定为因财务问题而被特别处理即是被“ST”或“*ST”公司。被“ST”或“*ST”公司具有以下特征［5］：
（1）最近两年连续亏损（以最近两年年度报告披露的当年经审计净利润为依据）；
企业活力
管理理论
83
（2）因财务报告存在重大会计差错或虚假记载，公司主动改正或者被中国证监会责令改正后，对以前年度财务会计报告进行追溯调整，导致最近两年连续亏损；
（3）因财务报告存在重大会计差错或虚假记载，被中国证监会责令改正但未在规定期限内改正，且公司已停牌两个月；
（4）最近一个会计年度的审计结果表明股东权益为负值；
（5）最近一个年度的财务会计报告被会计师事务所出具无法表示意见或者否定意见的审计报告。
四、样本及变量的选择（一）样本的选择
在本文的研究中，我们也是把上市公司中的ST或*ST公司界定为“财务危机”企业。选取了2010年被特别处理即ST或*ST的公司作为财务危机型企业，共57家，同时采取一对一配对的形式选取非ST业、公司，同时间、选取配对的非资产规模最接近且之前没有被特别处
ST公司参照的标准是同行理过的公司。配对后总样本确定为114家上市公司，非ST公司57家，ST公司57家，其中建模样本为29对，（二测试样本为）变量的选择28对。
1.变量的初步选择
在借鉴国内外学者的实证研究成果并结合我国上市公司实际情况的基础上，选取了以下包含企业赢利能力、营运能力、偿债能力、成长能力和现金流量的指标。
反映企业赢利能力的指标：总资产报酬率、每股收益、每股未分配利润、主营业务利润率。
反映企业营运能力的指标：总资产周转率、应收账款周转率、存货周转率。
反映企业偿债能力的指标：资产负债率、流动比率、速动比率。
反映企业成长能力的指标：主营业务增长率、净利润增长率、总资产增长率。
反映企业现金流量的指标：现金流量负债比、
·2011年第10期·
84
EnterpriseVitality企业活力-管理理论
净收益营运指数、每股营业现金流量。
2.建模变量的最终选择
采用统计分析法中的显著性检验方法（T检验）对预警指标进行筛选。利用搜集的样本共114家上市公司ST前三年的数据资料，使用SPSS统计分析软件，对财务危机企业被宣布特别处理前三年的数据进行显著性检验（T检验）的结果为：总资产报酬率、每股收益、每股未分配利润、总资产周转率、资产负债率、速动比率、主营业务增长率、总资产增长率、销售现金比率和每股营业现金流量的显著性水平均为0，主营业务利润率的显著性水平为0.055，应收账款周转率的显著性水平为0.125，存货
财务指标在0.05的显著水平上没有差异。以上显著水平是在5%的置信水平下的统计结果）
从T检验结果可以看出：11个指标通过了显著性检验，分别是：总资产报酬率（X1）、每股收益（X2）、每股未分配利润（X3）、主营业务利润率（X4）、总资产周转率（X5）、资产负债率（X6）、速动比率（X7）、主营业务增长率（X8）、总资产增长率（X9）、销售现金比率（X10）、每股营业现金流量（X11）。选取以上11个指标为模型的指标体系。
五、主成分分析
首先，将建模样本58家企业被宣布特别处理的前1年的11项财务比率数据运用SPSS软件进行主成分分析，得到主成分、特征值与贡献率（表1）、因子负荷矩阵（表2）。
周转率的显著性水平为0.355，流动比率为的显著性水平0.215，净利润增长率的显著性水平为0.062，现金流量负债比的显著性水平为0.208。（注：T检验为异方差双样本配对检验值；标准值是p值≤0.05。原假设为ST公司的财务指标和非ST公司的
主成分
特征值
2345678109
1.9171.3111.0710.6430.3770.1710.0810.0780.33
初始值贡献率（%）17.42511.9189.7395.8433.4242.9961.5560.7410.706表1主成分、特征值与贡献率
提取后
累计贡献率（%）
62.93974.85884.59793.86396.85998.41599.15699.86290.44
特征值1.9171.311
贡献率（%）17.42511.918
累计贡献率（%）
62.93974.858
提取的方法：主成分分析法
表2因子负荷矩阵
主成分X2X3X4X5主成分X8X10X11X9
0.8670.822-0.7590.528
-0.1690.0180.193-0.2180.2760.4140.281
0.3940.7080.3210.123
-0.202-0.5270.8370.895
0.6350.0060.291
-0.161
-0.027
提取的方法：主成分分析法（提取了3个主成分）
·2011年第10期·
企业活力
管理理论
85
其次，主成分经济含义的解释。
（1）主成分F1中，总资产报酬率（X1）、每股收益（X2）、每股未分配利润（X3）、总资产周转率（X5）、资产负债率（X6）、速动比率（X7）的负荷量大于其他财务比率的负荷量，所以F1代表了企业的赢利能力、营运能力与偿债能力。
（2）主成分F2中，销售现金比率（X10）、每股营业现金流量（X11）的负荷量大于其他财务比率的负荷量，所以F2代表了企业的现金流量方面营运的能力。
（3）主成分F3中，主营业务增长率（X8）的负荷量大于其他财务比率的负荷量，所以F3代表了企业的成长能力。
最后，主成分关于11个财务比率的线性表达式系数的确定。
关于主成分关于11个财务比率的线性表达式系数的确定，需要从因子负荷矩阵来求得。具体的关系式是：某一财务比率的系数=该财务比率的因子负荷矩数/所属主成分的特征值［6］。利用本关系式可以求得表3中的系数。
表3主成分关于各财务比率的系数表
主成分X2X3X4X50.173080.16427-0.151520.10539
-0.088170.009340.10079-0.166260.210610.316090.21440
主成分X8X10X11X9
0.078670.141500.064150.02449
-0.10539-0.274820.436570.46709
0.484590.004400.22199
-0.08385
-0.02044
根据上表可以写出各个主成分关于11个财务比率的线性表达式，分别如下所示：
0.10539*X4-0.15152*X5+0.16928*X6+0.1635*X7+0.07867*X8+0.1415*X9+0.06415*X10+0.02449*X11
F2=-0.03283*X1-0.08817*X2+0.00934*X3+F1=0.14972*X1+0.17308*X2+0.16427*X3+
六、预警模型的建立
基于以上分析，得到以下ST公司被ST前一年财务危机预测主成分模型：
P=0.60801*F1+0.23277*F2+0.15921*F3若P≥0.02，1年后该企业还属经营正常企业；若P
0.10539*X4-0.15152*X5+0.16928*X6+0.1635*X7+0.07867*X8+0.1415*X9+0.06415*X10+0.02449*X11
F2=-0.03283*X1-0.08817*X2+0.00934*X3+F1=0.14972*X1+0.17308*X2+0.16427*X3+
0.10079*X4-0.08385*X5+0.0065*X6+0.0119*X7-X11
0.10539*X8-0.27482*X9+0.43657*X10+0.46709*
F3=0.37072*X1+0.2144*X2-0.16626*X3+
0.21061*X4+0.31609*X5-0.24402*X6-0.25175*X7X11
+0.48459*X8+0.0044*X9-0.02044*X10+0.22199*
同时，根据表1中各个主成分的贡献率，可以得P=0.60801*F1+0.23277*F2+0.15921*F3
到主成分预测函数为：
将建模样本58家上市公司的数据代入上式中，根据计算的结果，临界值取-0.01和0.05的中位数，确定临界值为0.02。
0.10539*X8-0.27482*X9+0.43657*X10+0.46709*X11+0.31609*X5-0.24402*X6-0.25175*X7+0.48459*X8+0.0044*X9-0.02044*X10+0.22199*X11
注：P为模型预测得分值X1——总资产报酬率
F3=0.37072*X1+0.2144*X2-0.16626*X3+0.21061*X4
0.10079*X4-0.08385*X5+0.0065*X6+0.0119*X7-
X3——每股未分配利润
X2——每股收益
·2011年第10期·
86
EnterpriseVitality企业活力-管理理论
率X6——资产负债率X9——总资产增长率金流量
X4——主营业务利润率X5——总资产周转
备比较不错的预警作用了。被特别处理3年前的预测正确率为71.43%，预测能力就比较差。另外，我们可以很明显地看出，随着距离公司被宣布特别处理前年限的增加，模型预测的准确率呈现非常明显的递减趋势，这就完全符合了财务预警理论方面的规律和特点。
综上可知：所建立的主成分预测模型在预测上市公司财务危机方面是具有较好的预测能力的。但是，本文在研究上也存在一些局限，例如指标的选择没有考虑非财务指标、样本的设计没有考虑行业的差异、研究的年限较短等。
参考文献：
［1］Deakin，Edward
B..
A
Discriminate
Analysis
of
PredictorofBusinessFailure［J］.JournalofAccounting［2］张慧君，李卉.我国上市公司财务预警模型的构建及应
用［J］.会计之友上旬刊，2010，（10）：83-85.
［3］安岩，吴慧明，李国凤.基于主成分分析的上市公司财务
危机预警模型研究［J］.开封大学学报，2007，（4）.［4］吕长江，周现华.上市公司财务困境预测方法的实证研
究［J］.吉林大学社会科学学报，2005，（6）：99-109.［5］李胜.基于主成分分析的中国上市公司财务预警模型研
究［D］.吉林大学硕士论文，2008：40-50.
［6］廖珍珍，应益华.上市公司财务危机预警Z模型的改进与
应用［J］.商业会计，2011，（8）.Research，1972，10（l）：167-179.
X7——速动比率X8——主营业务增长率X10——销售现金比率
X11——每股营业现
七、预警模型的检验与评价1.预警模型的检验
按照相同的分析方法，我们可以建立ST前2、3年预测模型，具体的主成分建立过程见附件。并利用上述所建立的模型，分别将该年度的预测样本数据代入该年度的预测模型之中。具体的预测结果为：测试样本数1年前56，2年前56，3年前56；检测正确数1年前52，2年前48，3年前40；预测正确率1年前为92.86%，2年前为85.71%，3年前为71.43%。
2.预警模型的评价
从以上实证结果分析，我们得出结论：所建立的主成分预测模型在预测上市公司财务危机方面是具有较好的预测能力的。公司被宣布特别处理（ST）1年前的预测正确率92.86%，56家公司只有4家预测错误。这样，该模型对上市公司下一年就有很好的预警作用。相比较而言，被特别处理2年前的预测正确率为85.71%，这也在一定程度上同样具
AnalysisofFinancialDistressWarningModelforListedCompanies
（1，2.EconomicsandManagementCollege，JiangxiUniversityofScienceandTechnology，Ganzhou341000，China）Abstract：Inthepost⁃financial⁃crisisera，moreandmoreattentionistakentothecorporatefinancialearlywarning，soitisimportantforcompaniestomakefinancialcrisisearly⁃warningmodelbothintheoryandpractice.Allsuchindexesareselectedastheprofitabilityindex，operationabilityindex，debt⁃repayingabilityindex，developmentcapabilityindexandcashflowindex.Onthebasisofthat，aprincipalcomponentanalysiswarningmodelisconstructedtoforecastfinancialdistressinChina.
LiuJian⁃sheng1，LiaoZhen⁃zhen2
distressinthispaper.TheresultshowsthatthismethodisveryeffectiveinforecastingthelistedcompaniesfinancialKeywords：financialcrisis；principalcomponentanalysis；significanttest
·2011年第10期·
·2011年第10期·
企业活力ENTERPRISEVITALITY
上市公司财务危机预警模型分析
□刘建胜1廖珍珍2
（1、2.江西理工大学经济管理学院，赣州341000）
［摘要］在后金融危机时代企业财务预警越来越受到重视，建立财务危机预警模型在理论上和实践中都有重要意义。本文选取了赢利能力指标、营运能力指标、偿债能力指标、成长能力指标、现金流量指标建立了主成分分析预警模型，该模型可以用来对企业财务危机进行预测。经实证研究表明：主成分预测模型在预测上市公司财务危机方面具有较好的预测能力。
［关键词］财务危机；主成分分析；显著性检验
［中图分类号］F275.5［文献标识码］A［文章编号］1003-4919（2011）10-0081-06
银行账户透支四项中的具备其中任何一项的企业，
一、引言
2008年的金融危机给企业财务管理带来严峻
可列为“财务危机”。Altman（1968）认为财务失败、无力偿还、违约以及破产的企业为财务危机企业。Deakin（1972）的研究结论：财务危机企业仅包括已经经历了破产、无力偿债或为债权人利益，从而已经清算的公司［1］。美国的Carmichael将财务危机定义为出现以下几种表现的企业：（1）流动性不足。流动负债大于流动资产，净经营性资产小于0，不能偿还短期债务。（2）权益不足。总负债大于总资产（负权益），公司的长期偿债能力不足并且留存收益出现赤字。（3）债务拖欠。公司不能偿付到期负债，或者违背了贷款条款。（4）资金不足。Ross（1999）等人认为财务危机是指“企业处于经营性现金流量不足以抵消现有到期债务（利息）而被迫采取改正行动的情况”。他们认为一旦企业发生如下的事情时，可以表明企业陷入了财务危机，股利的减少，工厂的倒闭、亏损，解雇员工，高级主管的辞职，股票的暴跌等。
（二）预警指标的研究1.传统的财务指标
在财务危机预警研究的早期。国内外学者较多地运用了偿债能力、营运能力、赢利能力和成长能力等直接的传统财务指标。如Fitzpatrick
挑战，越来越多的海内外企业面临着财务危机的窘境，这不仅给企业管理者、股东、员工等利益相关者带来巨大的经济损失，还给整个国家带来巨大的社会和经济成本。特别是上市公司的财务危机预警越来越重要。因而，如何构建一个准确的预警模型来减少财务危机的出现，一直是国内外学者关注的
问题。国内外关于财务危机预警模型的研究文献较多，本文拟利用主成分分析法建立企业财务危机预警模型，希望对企业预测财务危机在理论与实践上有一定的作用。
二、文献回顾
在财务危机预警模型的研究方面，国内外学者主要集中在财务危机的定义、预警方法的选择、预警变量或判别指标的探讨上。
（一）关于财务危机的界定
对于“财务危机”的界定标准国外学者因研究侧重点不同，使用了不同的标准。Beaver（1966）认为企业破产、不能支付优先股股利、拖欠债务以及
［收稿日期］2011-08-26
［作者简介］1.刘建胜（1975—），男，江西定南人，江西理工大学经济管理学院副教授，研究方向：财务与会计；2.廖珍珍
（1987—），女，江西宁都人，江西理工大学经济管理学院硕士研究生，研究方向：企业管理。
82
Enterprise企业活力-管Vitality理理论
（1932）、Altman（1968）、Platt，etal（1994）等，均采用负债比率、流动比率、净资产收益率和资产周转速度等，作为预警模型的指标变量进行财务危机预警［2］。我国学者也较多地运用了资产负债率（陈静，1999；孙铮，2000）、流动比率（陈静，1999）、总资产收益率、存货周转率、应收账款周转率。杨淑娥（2007）还采纳了每股收益、每股净资产、资产周转率、总资产增长率、净利润增长率等指标。
2.现金流量指标
现金流量不仅是企业正常运营的必要保证。还是其偿还债务的必备储蓄。如果公司没有足够的现金支付到期债务，而且又无其他途径获得资金时，那么公司最终将破产。因此，过去和现在的现金流量能很好地反映公司的价值和破产概率。研究结果表明：现金流量模型预测企业发生困境的效果较好，如杨淑娥（2007）。
3.市场收益指标
收益率也如同财务指标一样可以预测破产，Beaver（1968）发现在有效的资本市场里，但时间股票
略滞后。Lark＆Weinstein（1983）发现破产公司
股票在破产前至少3年内存在负的市场收益率。我国学者杨淑娥（2007）等人也在模型中加入了股本市价/负债账面价来衡量市场收益。
4.公司治理指标
最近的研究学者们正在探讨如何将公司的一些治理指标加入预警模型，如董事会持股比例、股权集中度、法人持股比例、独立董事比例、两职合一等指标来反映公司治理对财务危机的预测力。
5.其他指标
除以上指标外，也有的学者在考虑关联方交易、审计意见等指标。
（三）预警方法的研究
财务危机预警方法按大类划分，可分为定性与定量的研究方法。
1.定性分析
定性分析是通过分析企业内外部特征来预测企业发生财务危机的可能性，如标准化调查法、“四阶段症状”分析法、“三个月资金周转表”分析法、流程图分析法、管理评分法等。
·2011年第10期·
2.定量分析
定量分析则是运用不同的预测变量和数学工具来建立财务预警模型，该方法因选用变量的多少不同分为：单变量预警模型和多变量预警模型。多变量预警模型又因使用不同的计量方法分为线性判定模型、线性概率模型和logistic回归模型。另外，目前还有些学者运用神经网络、支持向量集以及模糊算法等研究财务危机预警。
①单变量预警模型。具有代表性的研究是Fitzpatrick继续沿着这一思路研究破产预测问题。（1932）的研究。30多年后，BeaverBeaver（1966选）用了79家公司组成的样本进行检验，结果发现最好的判别变量是营运资本/流动负债。在判别效果上越临近破产日，误判率越低。
②多变量预警模型。Altman（1968）首先使用多元线性判别模型（Z分数模型）研究公司破产问题。其判别函数为：0.999X5
Z=0.012X1+0.013X2+0.033X3+0.006X4+其中：
X1=X2=（X3=留存收益流动资产－流动负债息税前利润/资产总额）/资产总额X4=资本市值/总负债/资产总额X5=销售收入/资产总额
出，ZAltman值越小，教授通过对该公司遭受财务失败的可能性越大，Z分数模型的研究分析得
美国公司Z值的临界值为1.81，具体判断标准是：Z2.675，表明公如果处于1.81—2.675之间，Altman称之“灰色地带”，即公司财务状况不稳定，无法判断。之后又有了ZETA③模型和第三代Logistic回归模型。ZETA模型。
Martni引入了Logistic回
归分析法建立企业财务危机预警模型。他在1977年的研究中，以1969—1974年为样本期间，从大约5700从25家美联储成员银行中界定出个财务指标中选取了总资产净利率等58家困境银行，8个变量构建模型，预测两年后银行可能倒闭的概率。经
研究发现，Logistic模型的预测能力优于Z模型和ZEAT方法，模型。嗣后，以1970—1976Ohlson年为抽样期，（1980）采用以105Logistic家破产公分析司与2058家正常公司作为样本，运用9个会计比率并以均等权数对第I类和第II类错误进行加权平均来计算区分点，其误判率为3.88%。研究结果发现公司规模、资本结构、业绩和当前资产的变现能力显著影响公司破产概率。他的这一研究为财务危机的进一步发展奠定了基础。
④人工智能及神经网络。除了线性判别模型和Logistic模型外，一些学者还研究应用人工神经网络系统进行财务危机预警预测，Odom＆Sharda现ANN（1990模型对保留样本失败类与正常类企业的预
）运用神经网络方法构建预警模型。发测正确率为81.75％与78.18%［3］。
近年，支持向量机已经成为解决模式识别问题的有力工具，并且已经在财务领域得到了应用。另外，随着统计技术和计算机技术的不断发展，递归分类、SWARA仿真、人工智能、粗糙集等技术，以及各种方法的混合使用也逐渐被引入财务危机预测的研究，且在预警中发挥着越来越重要的作用。
三、本文对财务危机的界定
财务危机并不等于财务困境，它是财务困境发展到一种更深程度的阶段。而破产则是财务困境发展至财务危机后的一种极端形式。国外对财务危机的界定因研究目的的不同而不同，主要有：（1）已经破产的企业；（2）进入破产程序的企业；（3）无力还本付息的企业；（4）资不抵债的企业［4］。国内学者尽管见仁见智，各执一词，但从总体上看，对财务危机的定义中既包括了技术性的失败，即资金方面比较困难，主要是指财务指标恶化等；同时也包括了严重的资不抵债、无法持续经营等的情况。
本文在后面的实证研究中将财务危机公司界定为因财务问题而被特别处理即是被“ST”或“*ST”公司。被“ST”或“*ST”公司具有以下特征［5］：
（1）最近两年连续亏损（以最近两年年度报告披露的当年经审计净利润为依据）；
企业活力
管理理论
83
（2）因财务报告存在重大会计差错或虚假记载，公司主动改正或者被中国证监会责令改正后，对以前年度财务会计报告进行追溯调整，导致最近两年连续亏损；
（3）因财务报告存在重大会计差错或虚假记载，被中国证监会责令改正但未在规定期限内改正，且公司已停牌两个月；
（4）最近一个会计年度的审计结果表明股东权益为负值；
（5）最近一个年度的财务会计报告被会计师事务所出具无法表示意见或者否定意见的审计报告。
四、样本及变量的选择（一）样本的选择
在本文的研究中，我们也是把上市公司中的ST或*ST公司界定为“财务危机”企业。选取了2010年被特别处理即ST或*ST的公司作为财务危机型企业，共57家，同时采取一对一配对的形式选取非ST业、公司，同时间、选取配对的非资产规模最接近且之前没有被特别处
ST公司参照的标准是同行理过的公司。配对后总样本确定为114家上市公司，非ST公司57家，ST公司57家，其中建模样本为29对，（二测试样本为）变量的选择28对。
1.变量的初步选择
在借鉴国内外学者的实证研究成果并结合我国上市公司实际情况的基础上，选取了以下包含企业赢利能力、营运能力、偿债能力、成长能力和现金流量的指标。
反映企业赢利能力的指标：总资产报酬率、每股收益、每股未分配利润、主营业务利润率。
反映企业营运能力的指标：总资产周转率、应收账款周转率、存货周转率。
反映企业偿债能力的指标：资产负债率、流动比率、速动比率。
反映企业成长能力的指标：主营业务增长率、净利润增长率、总资产增长率。
反映企业现金流量的指标：现金流量负债比、
·2011年第10期·
84
EnterpriseVitality企业活力-管理理论
净收益营运指数、每股营业现金流量。
2.建模变量的最终选择
采用统计分析法中的显著性检验方法（T检验）对预警指标进行筛选。利用搜集的样本共114家上市公司ST前三年的数据资料，使用SPSS统计分析软件，对财务危机企业被宣布特别处理前三年的数据进行显著性检验（T检验）的结果为：总资产报酬率、每股收益、每股未分配利润、总资产周转率、资产负债率、速动比率、主营业务增长率、总资产增长率、销售现金比率和每股营业现金流量的显著性水平均为0，主营业务利润率的显著性水平为0.055，应收账款周转率的显著性水平为0.125，存货
财务指标在0.05的显著水平上没有差异。以上显著水平是在5%的置信水平下的统计结果）
从T检验结果可以看出：11个指标通过了显著性检验，分别是：总资产报酬率（X1）、每股收益（X2）、每股未分配利润（X3）、主营业务利润率（X4）、总资产周转率（X5）、资产负债率（X6）、速动比率（X7）、主营业务增长率（X8）、总资产增长率（X9）、销售现金比率（X10）、每股营业现金流量（X11）。选取以上11个指标为模型的指标体系。
五、主成分分析
首先，将建模样本58家企业被宣布特别处理的前1年的11项财务比率数据运用SPSS软件进行主成分分析，得到主成分、特征值与贡献率（表1）、因子负荷矩阵（表2）。
周转率的显著性水平为0.355，流动比率为的显著性水平0.215，净利润增长率的显著性水平为0.062，现金流量负债比的显著性水平为0.208。（注：T检验为异方差双样本配对检验值；标准值是p值≤0.05。原假设为ST公司的财务指标和非ST公司的
主成分
特征值
2345678109
1.9171.3111.0710.6430.3770.1710.0810.0780.33
初始值贡献率（%）17.42511.9189.7395.8433.4242.9961.5560.7410.706表1主成分、特征值与贡献率
提取后
累计贡献率（%）
62.93974.85884.59793.86396.85998.41599.15699.86290.44
特征值1.9171.311
贡献率（%）17.42511.918
累计贡献率（%）
62.93974.858
提取的方法：主成分分析法
表2因子负荷矩阵
主成分X2X3X4X5主成分X8X10X11X9
0.8670.822-0.7590.528
-0.1690.0180.193-0.2180.2760.4140.281
0.3940.7080.3210.123
-0.202-0.5270.8370.895
0.6350.0060.291
-0.161
-0.027
提取的方法：主成分分析法（提取了3个主成分）
·2011年第10期·
企业活力
管理理论
85
其次，主成分经济含义的解释。
（1）主成分F1中，总资产报酬率（X1）、每股收益（X2）、每股未分配利润（X3）、总资产周转率（X5）、资产负债率（X6）、速动比率（X7）的负荷量大于其他财务比率的负荷量，所以F1代表了企业的赢利能力、营运能力与偿债能力。
（2）主成分F2中，销售现金比率（X10）、每股营业现金流量（X11）的负荷量大于其他财务比率的负荷量，所以F2代表了企业的现金流量方面营运的能力。
（3）主成分F3中，主营业务增长率（X8）的负荷量大于其他财务比率的负荷量，所以F3代表了企业的成长能力。
最后，主成分关于11个财务比率的线性表达式系数的确定。
关于主成分关于11个财务比率的线性表达式系数的确定，需要从因子负荷矩阵来求得。具体的关系式是：某一财务比率的系数=该财务比率的因子负荷矩数/所属主成分的特征值［6］。利用本关系式可以求得表3中的系数。
表3主成分关于各财务比率的系数表
主成分X2X3X4X50.173080.16427-0.151520.10539
-0.088170.009340.10079-0.166260.210610.316090.21440
主成分X8X10X11X9
0.078670.141500.064150.02449
-0.10539-0.274820.436570.46709
0.484590.004400.22199
-0.08385
-0.02044
根据上表可以写出各个主成分关于11个财务比率的线性表达式，分别如下所示：
0.10539*X4-0.15152*X5+0.16928*X6+0.1635*X7+0.07867*X8+0.1415*X9+0.06415*X10+0.02449*X11
F2=-0.03283*X1-0.08817*X2+0.00934*X3+F1=0.14972*X1+0.17308*X2+0.16427*X3+
六、预警模型的建立
基于以上分析，得到以下ST公司被ST前一年财务危机预测主成分模型：
P=0.60801*F1+0.23277*F2+0.15921*F3若P≥0.02，1年后该企业还属经营正常企业；若P
0.10539*X4-0.15152*X5+0.16928*X6+0.1635*X7+0.07867*X8+0.1415*X9+0.06415*X10+0.02449*X11
F2=-0.03283*X1-0.08817*X2+0.00934*X3+F1=0.14972*X1+0.17308*X2+0.16427*X3+
0.10079*X4-0.08385*X5+0.0065*X6+0.0119*X7-X11
0.10539*X8-0.27482*X9+0.43657*X10+0.46709*
F3=0.37072*X1+0.2144*X2-0.16626*X3+
0.21061*X4+0.31609*X5-0.24402*X6-0.25175*X7X11
+0.48459*X8+0.0044*X9-0.02044*X10+0.22199*
同时，根据表1中各个主成分的贡献率，可以得P=0.60801*F1+0.23277*F2+0.15921*F3
到主成分预测函数为：
将建模样本58家上市公司的数据代入上式中，根据计算的结果，临界值取-0.01和0.05的中位数，确定临界值为0.02。
0.10539*X8-0.27482*X9+0.43657*X10+0.46709*X11+0.31609*X5-0.24402*X6-0.25175*X7+0.48459*X8+0.0044*X9-0.02044*X10+0.22199*X11
注：P为模型预测得分值X1——总资产报酬率
F3=0.37072*X1+0.2144*X2-0.16626*X3+0.21061*X4
0.10079*X4-0.08385*X5+0.0065*X6+0.0119*X7-
X3——每股未分配利润
X2——每股收益
·2011年第10期·
86
EnterpriseVitality企业活力-管理理论
率X6——资产负债率X9——总资产增长率金流量
X4——主营业务利润率X5——总资产周转
备比较不错的预警作用了。被特别处理3年前的预测正确率为71.43%，预测能力就比较差。另外，我们可以很明显地看出，随着距离公司被宣布特别处理前年限的增加，模型预测的准确率呈现非常明显的递减趋势，这就完全符合了财务预警理论方面的规律和特点。
综上可知：所建立的主成分预测模型在预测上市公司财务危机方面是具有较好的预测能力的。但是，本文在研究上也存在一些局限，例如指标的选择没有考虑非财务指标、样本的设计没有考虑行业的差异、研究的年限较短等。
参考文献：
［1］Deakin，Edward
B..
A
Discriminate
Analysis
of
PredictorofBusinessFailure［J］.JournalofAccounting［2］张慧君，李卉.我国上市公司财务预警模型的构建及应
用［J］.会计之友上旬刊，2010，（10）：83-85.
［3］安岩，吴慧明，李国凤.基于主成分分析的上市公司财务
危机预警模型研究［J］.开封大学学报，2007，（4）.［4］吕长江，周现华.上市公司财务困境预测方法的实证研
究［J］.吉林大学社会科学学报，2005，（6）：99-109.［5］李胜.基于主成分分析的中国上市公司财务预警模型研
究［D］.吉林大学硕士论文，2008：40-50.
［6］廖珍珍，应益华.上市公司财务危机预警Z模型的改进与
应用［J］.商业会计，2011，（8）.Research，1972，10（l）：167-179.
X7——速动比率X8——主营业务增长率X10——销售现金比率
X11——每股营业现
七、预警模型的检验与评价1.预警模型的检验
按照相同的分析方法，我们可以建立ST前2、3年预测模型，具体的主成分建立过程见附件。并利用上述所建立的模型，分别将该年度的预测样本数据代入该年度的预测模型之中。具体的预测结果为：测试样本数1年前56，2年前56，3年前56；检测正确数1年前52，2年前48，3年前40；预测正确率1年前为92.86%，2年前为85.71%，3年前为71.43%。
2.预警模型的评价
从以上实证结果分析，我们得出结论：所建立的主成分预测模型在预测上市公司财务危机方面是具有较好的预测能力的。公司被宣布特别处理（ST）1年前的预测正确率92.86%，56家公司只有4家预测错误。这样，该模型对上市公司下一年就有很好的预警作用。相比较而言，被特别处理2年前的预测正确率为85.71%，这也在一定程度上同样具
AnalysisofFinancialDistressWarningModelforListedCompanies
（1，2.EconomicsandManagementCollege，JiangxiUniversityofScienceandTechnology，Ganzhou341000，China）Abstract：Inthepost⁃financial⁃crisisera，moreandmoreattentionistakentothecorporatefinancialearlywarning，soitisimportantforcompaniestomakefinancialcrisisearly⁃warningmodelbothintheoryandpractice.Allsuchindexesareselectedastheprofitabilityindex，operationabilityindex，debt⁃repayingabilityindex，developmentcapabilityindexandcashflowindex.Onthebasisofthat，aprincipalcomponentanalysiswarningmodelisconstructedtoforecastfinancialdistressinChina.
LiuJian⁃sheng1，LiaoZhen⁃zhen2
distressinthispaper.TheresultshowsthatthismethodisveryeffectiveinforecastingthelistedcompaniesfinancialKeywords：financialcrisis；principalcomponentanalysis；significanttest
·2011年第10期·