上市公司財務失敗（ST）的影響因素分析

【摘要】本文以2014年28家ST（特別處理）上市公司為研究對象，選取這28家上市公司2011~2013年的財務數據，運用Logistic回歸分析方法，建立回歸模型，對影響上市公司財務失敗的因素進行實證分析。研究結果表明，總資產收益率和流動比率顯著地影響著公司在兩年以后被ST的可能性的大小。并且提出了一個預測公司財務失敗的邏輯回歸模型。該模型準確地預測了超過60%的樣本，顯示了它良好的預測能力。

【關鍵詞】上市公司；ST；Logistic回歸

一、案例背景

研究和建立上市公司的財務預警模型有利于保護投資者和債權人的利益，幫助注冊會計師判斷其審計風險，幫助政府部門監控上市公司質量和證券市場風險，也有利于上市公司對自身財務狀況進行判斷和構造有效的財務預警系統。我國財務預警模型研究起步較晚，相對顯得不夠成熟，進一步對財務預警模型進行研究有助于完善適合我國上市公司的理論模型，為建立能有效預測我國上市公司財務狀況的預警模型進一步奠定理論基礎。本文擬繼承我國已有的研究成果和已證明的較好研究方法，以2011年至2013年上市公司財務數據為基礎，對財務預警模型進行進一步的研究。

二、指標選取

本文在總結國內外研究結果的基礎上選取了以下的指標。

首先，從財務分析角度，選擇了五個代表企業不同方面能力的指標，分別為總資產報酬率ROA、資產負債率、流動比率、總資產周轉率和營業收入（同比增長率）這些指標分別代表了企業的盈利能力、長期償債能力、短期償債能力、資產利用能力、成長能力。以上五個指標較為全面地反映企業的健康狀況，從而對企業的盈利趨勢做出預測。

其次，我們認為公司的規模大小也是影響公司是否被特別處理（ST）的重要因素。公司規模越大，操縱會計盈余的空間也就越大。例如，他們有更多的資產或負債進行重組以取得有利的交易利得。因此，我們選擇負債及股東權益總計作為描述公司規模的指標。

最后，公司的大股東在危急關頭經常能扮演拯救公司的角色，他們并不想失去企業的上市資源，從而盡可能挽救企業。故選擇第一大股東持股比例作為預測的重要指標。

綜上所述，最終選取的財務指標分別為總資產報酬率ROA、資產負債率、流動比率、總資產周轉率、營業收入（同比增長率）、負債及股東權益總計以及第一大股東持股比例。

三、數據獲得機制

本文的樣本數據全部取自wind資訊。

據wind顯示，2014年A股被特別處理（ST）的股票共有28家，我們選擇該28家公司作為ST公司的樣本。要預測2014年被ST的公司，應當剔除2011年利潤為負的公司（共160家）。若2011年利潤為負，則可能2012

或2013年公司被ST，一定不會在2014年被ST。若2012利潤為正，2014年不會被ST；若2012利潤為負，2013年會被ST。除此之外，還需剔除一些因新上市或者被借殼而缺乏數據的公司。最終，非ST公司的有效樣本為2400多家。

預測2014年被ST的公司，2013年的數據是不需要的。因為若存在2013年的數據，2014年是否為ST就可以被判別。同樣2012的數據也是不需要的，若2012的利潤為負，則只需預測2013年利潤是否為負即可判別2014年是否被ST，故應該選取2011年數據對2014年是否為ST作為預測，這是由連續兩年虧損被定為ST的政策決定的。

因此，選取作為預測的樣本共2400多家上市公司，其中2014年被定為ST的公司僅占比1%左右。

四、探索性數據分析

將所收集的上市公司財務數據按ST上市公司和非ST上市公司分成兩大類，ST上市公司的短期償債能力與長期償債能力明顯比非ST上市公司差，另外ST上市公司的盈利能力和資產管理效率也明顯低于非ST上市公司。ST上市公司的流動比率、速動比率均低于非ST上市公司，這說明困境公司的短期償債能力較低。困境公司存在大量的短期借款，而短期償債能力的降低容易導致公司到期無力償還債務，從而使公司的財務狀態惡化。

在ST前1~3年，ST上市公司的資產負債率均高于非ST上市公司，并有逐年上升的趨勢。ST上市公司各年的長期負債比率也低于非ST上市公司，表明公司對債權人利益的保障程度越來越弱。隨著ST時間的臨近，長期償債能力越來越弱，公司面臨的財務風險越來越高，陷入財務困境的概率逐漸增大。

ST上市公司的應收賬款周轉率、固定資產周轉率和總資產周轉率均低于非ST上市公司。困境公司在被ST前幾年，應收裝款、存貨和固定資產周轉率均有所提高。特別是困境公司在ST當年比非ST上市公司的存貨周轉率高。在ST前一年固定資產周轉率顯著低于正常公司，這表明困境公司資金回籠速度慢，資產利用效率低。總資產周轉率逐年下降，表明困境公司總體資產營運能力較弱、資產管理效率較低。

在ST前1~2年，ST上市公司的各盈利能力指標與非ST上市公司存在顯著差異。困境公司在盈利能力指標的特征是在臨近被特別處理前1~2年，盈利能力顯著低于正常公司，并且部分財務指標出現了負增長。ST上市公司的主營業務利潤率指標在ST前1~3年較低或持續下降，說明企業的產品已逐步喪失競爭能力和盈利能力，這也可能是企業發生財務困境的重要原因。ST上市公司的資產報酬、總資產凈利潤率、固定資產利潤率和凈資產收益率在ST前1~3年明顯下降并呈現負增長。困境公司盈利能力顯著降低，經營效益水平低下，是陷入財務危機的一個重要信號。

在ST前不同時點上，ST上市公司與非ST上市公司的固定資產增長率不存在顯著差異，但是在ST前1~2年，ST公司的固定資產增長率下降明顯，甚至出現負增長。財務困境公司在成長能力指標方面的特征是被特別處理前1~2年，困境公司的成長能力顯著低于正常公司。困境公司經營規模逐漸萎縮，成長性幾近喪失，靠自身能力很難擺脫困境、維持持續經營。

五、建模過程

1、模型介紹

由于因變量（是否為ST）為分類型變量，假設上市公司被ST的可能性分布為邏輯分布，此時，定義模型為：

其中X為選取的指標，如總資產報酬率ROA、資產負債率、流動比率、總資產周轉率、營業收入（同比增長率）、負債及股東權益以及第一大股東持股比例等。β是回歸系數。若該系數為正，表明隨著該變量的增大，該公司被ST的概率增加。若該系數為負，表明隨著該變量的增大，該公司被ST的概率降低。同時，系數的大小在一定程度上反映了該變量對公司財務失敗的影響力的大小。在建立模型前，我們針對數據進行了過度抽樣，以避免ST公司樣本量太少而對模型的預測結果造成影響。

2、全模型

剔除掉2011年財務數據不全的樣本，將剩余的2224個樣本按照隨機抽樣原則，選取其中80%的數據為訓練集，余下20%的數據為測試集。

對訓練集建立Logistic模型，引入所有自變量進行回歸，并對各變量的系數進行估計和檢驗，回歸結果如下表。

表5.2.1

全模型回歸系數表

系數估計值

標準差

Z統計值

P值

截距項

-1.07E+00

9.96E-01

-1.078

0.28117

X1

1.25E-02

1.05E-02

1.188

0.23468

X2

-7.04E-02

4.66E-02

-1.51

0.13098

X3

-6.88E-01

6.76E-01

-1.018

0.30872

X4

-9.87E-03

1.31E-02

-0.752

0.45207

X5

-7.24E-01

2.75E-01

-2.629

0.00856

**

X6

-4.52E-01

4.26E-01

-1.06

0.28907

X7

2.67E-03

4.55E-03

0.587

0.557

X8

-1.71E-03

8.97E-03

-0.191

0.84869

X9

-5.33E-03

6.22E-03

-0.856

0.39187

X10

-5.38E-08

2.48E-07

-0.217

0.82827

X11

8.48E-05

7.22E-05

1.176

0.23976

X12

-4.29E-03

1.20E-02

-0.356

0.7218

X13

-5.55E-06

4.37E-06

-1.272

0.20333

X14

2.96E-06

1.57E-06

1.883

0.05969

.X15

-6.08E-04

1.35E-02

-0.045

0.96418

X16

1.01E-04

4.74E-04

0.214

0.8309

AIC

331.41

對模型的整體顯著性進行似然比檢驗，計算出P值為0.000，認為此時模型具有顯著性，說明各個解釋變量中至少有一個對被解釋變量具有顯著的解釋作用。

根據估計結果可知，在0.01的顯著性水平下，Logistic模型認為僅X5(流動比率)這一個變量對模型是顯著的，猜測是由于我們引入變量過多，可能會造成變量相互影響從而影響整體效果。

3、理論模型

我們經過文獻閱讀挑選出來可能會對ST有影響的變量如下：總資產報酬率ROA（X2）、資產負債率（X4）、流動比率（X5）、總資產周轉率（X6）、營業收入（同比增長率）（X9），負債及股東權益（X10），第一大股東持股比例（X12）。定義這些自變量為理論自變量。

對訓練集建立Logistic模型，引入理論自變量進行回歸，并對各變量的系數項進行估計和檢驗，整理結果如下表所示。

表5.3.1

理論模型回歸系數表

系數估計值

標準差

Z統計值

P值

截距項

-1.10E+00

9.26E-01

-1.184

0.23652

X2

-6.54E-02

2.31E-02

-2.833

0.00461

X4

-1.19E-02

1.19E-02

-0.997

0.31853

X5

-6.82E-01

2.53E-01

-2.694

0.00707

X6

-4.46E-01

4.18E-01

-1.066

0.28631

X9

-5.51E-03

6.11E-03

-0.901

0.36741

X10

-1.09E-07

1.43E-07

-0.763

0.44572

X12

-9.03E-02

1.19E-02

-0.507

0.09241

AIC

320.75

對模型的整體顯著性進行似然比檢驗，計算出P值為0.000，認為此時模型具有顯著性，說明各個解釋變量中至少有一個對被解釋變量具有解釋作用。理論變量模型的AIC信息比全模型更小，說明相對于全模型來說，理論模型取得了改進。

根據估計結果可知，在0.01的顯著性水平下，Logistic模型認為X2（總資產報酬率）、X5(流動比率)這兩個變量對模型是顯著的。

4、BIC選擇最優模型

對Logistic模型利用BIC準則進行變量選擇，選擇結果如下表。

表5.4.1

最優模型參數估計表

系數估計值

標準差

Z統計值

P值

截距項

-2.65077

0.30505

-8.69

2e-16

***

X2

-0.07691

0.02041

-3.769

0.000164

***

X5

-0.48002

0.19585

-2.451

0.014247

*

AIC

317.8

最優模型的AIC信息值最小，說明相對于全模型、理論來講，最優模型取得了改進。觀察輸出結果，發現經過BIC準則選擇出來的變量（X2，X5）與理論模型中的顯著變量(X2，X5)一致。

X2，X5的系數估計值都為負，說明總資產報酬率、流動比率對公司被ST起到反向作用，即總資產報酬率越高、流動比率越高，公司在3年后被ST的可能性越小。

因此，最終確定模型為：

5、臨界值的確定

模型最終確定為：

模型預測的好壞除了與模型本身有關系外，還與臨界值的選取有密切的關聯。令臨界值為Z，,即當P值大于Z值時，認為該上市公司會被ST。

我們的關注點在于找出ST公司，降低投資風險。

TPR:把真實的ST公司正確預測為ST=1的概率，該指標越大越好；

FPR:把真實的非ST公司錯誤預測為ST=1的概率，該指標越小越好。

利用訓練集數據，畫出ROC曲線，如下圖所示。

圖5.5.1

ROC曲線圖

從圖中可以看出，ROC曲線在對角線上方且向上凸起，說明TPR的取值高于FPR值，證明預測的模型是有效的。

臨界值的選取有很大的主觀性，根據實際樣本情況，分別選取臨界值為0、0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09十個值，對訓練集數據進行計算相應的TPR、FPR及預測準確率值，整理結果如下表。

表5.5.1

Logistic模型的預測率指標表

臨界值

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

TPR

1.00

0.97

0.89

0.57

0.20

0.14

0.14

0.11

0.09

0.06

FPR

1.00

0.66

0.40

0.18

0.06

0.04

0.02

0.02

0.02

0.01

準確率

0.02

0.36

0.60

0.82

0.92

0.95

0.96

0.96

0.97

0.97

根據表中結果可知，在不同臨界值水平下，TPR、FPR及預測準確率的值均不同。另外在ROC曲線中，當臨界值為0.02時，TPR的值相對更高；當臨界值再增大時，TPR下降得更快。

理論上來講，將樣本總體看作一個隨機抽樣的樣本，由中心極限定理作為基礎，ST=1的公司比例為2%左右，因此取臨界值為0.02也有一定的理論基礎。

6、模型的預測效果

取臨界值為0.02，對測試集數據進行預測，得到預測結果如下。

表5.6.1

測試集預測結果表

預測類型

真實類型

ST=0

ST=1

ST=0

262

177

ST=1

0

TPR

6/(6+0)=1.00

FPR

177/(262+177)=0.40

六、結果及實際意義解釋

表5.2.1說明,經過理論研究后選擇出的預測變量中,總資產報酬率ROA和流動比率在統計上顯著。總資產報酬率ROA的系數為-

0.065(1%水平下顯著),表明獲利能力強，投入產出情況較好的公司未來被ST的概率較小。流動比率變量的回歸系數為-0.682（1%水平下顯著），表明資產變現能力和短期償債能力強的企業財務失敗的可能性更低。兩個結果共同說明企業的長期健康與否取決于公司的盈利能力和資金活力。投資人應該重視對公司盈利能力狀況的分析,并對資金流動能力較差的公司保持警惕。

第一大股東持股比例的回歸系數為-

0.0903,且在10%的水平下顯著,符合我們的預期:大股東持股比例越高,公司被ST的可能性越小。研究結果表明,在我國上市公司財務失敗的研究中,完全按照國外的研究模式來做可能會漏掉重要的因素。在我國,股權結構應該被考慮進來。除此以外,我們考慮的其他財務數據在回歸中都不顯著,包括資產負債率、總資產周轉率、營業收入同比增長率和負債及股東權益。我們對此結果并不感到奇怪,也不認為這些比率和公司健康與否沒有關系。但是,我們的結果表明,這些比率在公司被ST之前第三年時缺乏對ST的預測能力。

表5.3.1說明,去掉不顯著的因素以后,總資產報酬率和流動比率對ST的預測精度和顯著性都有了提高。這個簡化的模型比原模型的預測能力更好。

最后，我們檢驗一下模型的預測準確度。從表5.6.1的結果可以看出來，將真實ST的上市公司預測為ST=1的概率是1，將真實的非ST公司預測為ST=1的概率為0.4。模型的整體預測準確率為(62+6)/(262+6+177)=0.60。因此,認為模型的預測效果良好，值得推薦。

七、結論及建議

本文通過邏輯回歸模型,結合我國上市公司2011年到2014年的數據,對公司財務失敗(ST)的因素進行了分析。我們的研究表明,在我們考慮的眾多指標中,總資產收益率和流動比率顯著地影響著公司在兩年以后被ST的可能性的大小。基于我們的分析結果,我們提出了一個預測公司財務失敗的邏輯回歸模型。在我們的樣本中,該模型準確地預測了超過60%的樣本,顯示了它良好的預測能力。所以,我們的模型可以成為投資者進行投資決策的工具之一。

在我國這樣一個新興的資本市場上,我們應該動態地看待我們研究的問題。我國資本市場的監管、產品、投資者群體以及我們的經濟和社會都在經歷著迅速的、重大的變革。很少有某一種關系,如財務數據和財務失敗的關系,會保持一個絕對的穩定性。文中的模型需要不斷的改善，在現有資料的基礎上不斷調整，才能為投資者提供更有預測能力的研究成果。