［摘 要］ 国内外学者关于财务预警模型的研究大都以上市公司年报数据为样本数据。在我国，由于上市公司年报公告的时间与当年有关机构宣布ST公司名单的时间比较接近，而距下年有关机构宣布ST公司名单的时间则比较远，因此，用ST前一年的年报数据来预测当年或下年的警情，都具有较大的局限性。实证研究结果表明，采用上市公司中报数据构建的财务预警模型，不仅具有很高的预警准确率，而且比基于年报数据的模型更具有较强的预警时效性。
　　［关键词］ 上市公司；中报数据；财务预警模型；准确率；时效性
　　［中图分类号］F270.7［文献标识码］A［文章编号］1673-0194（2007）01-0047-05
　　
　　一、引言
　　
　　国外关于财务预警模型的研究中，威廉·比弗(William Beaver，1966)以79对行业相同、资产规模相似的破产公司和非破产公司为样本，在30个财务比率变量中找出最具差别能力的单个财务比率及其分界点，证明了现金流量/债务总额、净收益/资产总额、债务总额/资产总额、营运资本/资产总额、流动资产/流动负债等比率对预测财务失败来说是最好的。爱德华·奥特曼(Altman，1968)利用多元判别分析法对1945-1965年间的33家破产企业和33家正常经营的企业进行了研究，从企业的资产规模、折现能力、获利能力、财务结构、偿债能力、资产利用效率等方面综合反映了企业财务状况，进一步推动了财务预警模型的发展。
　　在我国，陈晓、陈治鸿（2000）运用多元逻辑回归模型，对中国上市公司的财务困境进行了预测，他们的研究所发现的最优模型能够从上一年股本收益率公告小于5%的上市公司中预测出73.68%的公司下一年会进入ST板块，总体判别正确率为78.24%。吴世农、卢贤义（2001）研究财务困境出现前5年内两类公司21个财务指标的差异，最后选定6个指标为预测指标，应用Fisher线性判定分析、多元线性回归模型和Logit回归分析分别建立了3种预警模型。研究结果表明，3种模型均能在财务困境发生前做出相对准确的预测，在财务困境发生前4年内的误判率在28%以内，而Logit预测模型的误判率最低，财务困境发生前1年的误判率仅为6.47%。杨淑娥等（2003）更运用主成分分析方法，以沪深两市1999年和2000年的67家上市公司为样本进行实证研究，提出了我国企业的财务预警模型——Y分数预测模型。张鸣、程涛（2005）运用Logit回归方法，引入现金管理特征变量和现金管理结果变量，从财务指标和现金流量角度共同构建综合预警模型，结果表明：在ST前一年的预警中，财务指标模型预警效果比较好，而在ST前两年、前三年，综合预警模型的效果比较好。
　　根据对国内外研究现状的了解，我们发现：第一，研究方法以及所构建和检验的财务预警模型呈现多样化的特点；第二，研究样本基本分为破产公司和非破产公司（国内分为ST公司和非ST公司）两类；第三，研究数据来源于上市公司的年度报告。
　　研究方法以及所构建和检验的财务预警模型呈现多样化有利于人们从不同的方面采用不同的方法对上市公司的财务危机做出预警。把研究样本分为破产公司和非破产公司（或ST公司和非ST公司）有利于检验财务预警模型的适用性，提高财务预警的准确率。但是，仅仅利用上市公司年度报告作为构建和检验财务预警模型的数据来源，则具有较大的局限性。这是因为，在我国，上市公司年度报告公告的时间与当年有关机构宣布ST公司名单的时间比较接近，而距下年有关机构宣布ST公司名单的时间则比较远，用ST前一年的年报数据来预测当年的警情，提供的预警信号具有明显的滞后性，失去预警的意义；而用ST前一年的年报数据来预测下一年是否会被ST，则又因时距较远、变化因素太多而削弱了预警的准确性，同样也不能给公司提供可靠的预警信号。因此，用ST前一年的中报数据来构建和检验财务预警模型，应该更有理论意义和现实价值。基于这种考虑，本文选择上市公司的中期报告（半年报）数据为研究对象，以多元线性回归模型为研究工具，以我国上市公司中的ST公司和非ST公司为配对样本，构建并检验我国上市公司的财务预警模型，试图在现有研究成果的基础上有所突破。
　　
　　二、研究思路
　　
　　本文以上市公司的半年报数据为研究对象，以多元线性回归模型为研究工具，以我国上市公司中的ST公司和非ST公司为配对样本。先把样本总体分为模型构建样本组和模型检验样本组，然后再将每一个样本组中的样本分为ST样本组和非ST样本组。模型构建样本组主要用于构建财务预警模型，模型检验样本组主要用于检验所构建的财务预警模型的准确性。研究的总体思路为：首先是确定变量，接着选取样本并对样本进行描述，然后提出研究假设，跟着用模型构建样本组的样本来构建模型，用模型检验样本组的样本来检验所构建的模型，最后对研究结论进行归纳并提出相关建议。
　　
　　三、变量确定
　　
　　（一）被解释变量
　　为了能够直观地表示公司的财务状况处在何种境地，本文把被解释变量Y确定为一个虚拟变量，代表公司的财务状况。根据多元线形回归模型的判断规则，当Y＜0.5时，表示公司陷入了财务困境；当Y＞0.5时，表示公司的财务状况正常。
　　（二）解释变量
　　客观地说，影响公司财务状况的因素很多，既有公司外部的因素——不可控因素，也有公司内部的因素----可控因素。作为一项研究，要想把所有影响因素都考虑进去，一是不可能，二是没有必要。因此，本文在借鉴国内外研究成果的基础上，初步确定了以下13个公司可以控制并能够可靠计量的财务比率作为备选的解释变量（见表1）。
　　
　　上表中的财务比率反映了公司资本结构、偿债能力、运营能力、盈利能力和成长能力5个方面的财务状况，它们能够从不同的方面解释公司的财务状况处于何种境地。 　四、样本选取和描述
　　
　　在我国，一般认为，上市公司一旦被实施了“特别处理”（即ST），即被认为陷入了“财务困境”。因此，本文定义的财务困境公司就是ST公司，财务正常公司就是非ST公司，并以此定义为标准来选取样本。
　　（一）ST样本组的选取
　　在所有2003-2005年间曾经被ST的上市公司中随机抽取37家公司组成ST样本组，并获取其被ST前一年的中期财务报告。
　　（二）非ST样本组的选取
　　根据所选取的ST公司所处的行业，在行业内选取相同数量的、规模大致相同、会计年度相一致的非ST公司作为配对样本，组成非ST样本组。如果在非ST公司中找不到与ST公司严格配对的样本，则需要回头剔除这个ST公司，另找一家能够找得到配对样本的ST公司补充进ST样本组来。如此严格筛选，直到找到能够完全配对的两组样本组为止。之所以要找到能够完全配对的两组样本组，主要是为了控制由于ST样本组和非ST样本组之间的行业特征差异、公司规模差异和会计期间差异而可能带来的模型偏差，以保证模型的准确性。
　　
　　经过以上两个步骤的筛选之后，本文最终选取74家样本公司，其中37家组成了ST样本组（其中2003年11家、2004年6家、2005年20家），另外37家组成了非ST样本组（相对应地，也是2003年11家、2004年6家、2005年20家）。所选取的样本的行业分布和会计年度分布情况如表2所示。
　　（三）将所选中的样本公司进一步划分为模型构建样本组和模型检验样本组
　　
　　将19家ST公司和配对的19家非ST公司设定为模型构建样本组，主要用于财务预警模型的构建；将剩余的18家ST公司和配对的18家非ST公司设定为模型检验样本组，主要用于财务预警模型的检验。两组功能不同的样本组的构成情况如表2所示。
　　（四）计算主要财务指标均值
　　根据所获取的样本公司的中期报告数据，计算出样本公司的主要财务指标均值如表3所示，并将样本ST公司与样本非ST公司的标均值比较如图1所示。
　　从表3和图1可以看出，样本非ST公司的财务指标均值明显优于样本ST公司，即样本非ST公司的财务状况明显好于样本ST公司，表明所选取的ST样本组和非ST样本组在财务特征上具有明显的差异，符合配对的要求，样本有效。
　　
　　
　　五、研究假设
　　
　　（一）样本所属行业和规模对研究结论不会造成实质性影响
　　本文的数据均取自这74家样本公司2005年公开披露在上海证券交易所、深圳证券交易所网站上的财务报表。所选取的74家样本公司，其行业和规模都不完全相同，为了便于开展研究，本文假设这些差异不会对研究结论产生实质性影响。
　　（二）财务数据真实、可靠
　　本文所采用的财务数据是各样本公司在网上披露的中期财务报告，而当前我国上市公司披露的中期财务报告基本上是没有经过审计的，虽然有公司的经理人员书面保证所披露的数据真实可靠，但也不排除有粉饰报告的可能性。因此，本文还需假设所获得的财务数据真实、可靠。
　　
　　六、模型构建
　　
　　本文的研究目标是采用样本ST公司被ST前一年的自身半年报数据和与其配对的样本非ST公司的同期半年报数据作为研究对象，构建一个基于ST前一年的中期报告数据的财务预警模型，并同时检验其准确性。因此，所选取的样本数据属于2003-2005年的ST公司及与其配对的非ST公司在2002-2004年间的半年报数据。
　　根据前文所设计的研究方法，本文首先根据模型构建样本组中的38家样本公司（其中ST公司和非ST公司各19家）2002年-2004年间的半年报财务指标均值来构建模型。其构建过程如下：
　　1. 采用全部进入法，将模型构建样本组中38家样本公司（其中ST公司和非ST公司各19家）2002-2004年间的半年报中的上述13个备选解释变量的指标值输入Eviews软件，得到一个初步的、未经筛选和剔除的多元线性回归模型为：
　　Y=-0.650 6+0.91X1+0.114 1X2-0.361 8X3-0.145 8X4+0.486 8X5+0.000 1X6+2.117 8X7+2.087 8X8+0.001 5X9+2.830 7X10+1.486 5X11+1.772 8X12+0.008 2X13
　　R2值＝0.813925F检验值＝8.075381
　　R2值表示回归平方和在总离差平方和中所占的比重，是衡量回归直线与样本观测值之间的拟合程度的一个重要指标。R2值在0～1之间，R2越大，拟合程度就越好。F检验值是表示模型总体线性关系是否显著的指标， F检验值越大，模型线性关系越显著。
　　上述模型中，解释变量有13个之多，有的变量可能对被解释变量的解释能力不强，从而影响模型的显著性，况且，解释变量太多，在模型的实际应用上也没有必要，因此，需要对这13个解释变量的解释能力进行筛选，剔除一些解释能力不强的变量。
　　2. 利用T检验值和P检验值来测试解释变量对被解释变量的解释能力，即测试解释变量对被解释变量的显著性。 　在回归模型的统计检验中，T检验值又称变量显著性检验值，是用来检验解释变量对被解释变量的影响是否显著。P检验值又称概率显著性检验值，是用来表示有多大的概率可断定未来的实际值落入某一个区间。T检验值的绝对值越大，表明该解释变量对被解释变量越显著；P检验值越小，表明该解释变量对被解释变量越显著。进行T检验和P检验的目的就是为了剔除一些对被解释变量不显著的解释变量，保证留存在所构建的模型中的解释变量具有最优的显著性组合，从而保证所构建的模型具有最优的预测精度或者最优的解释能力。
　　运用Eviews软件计算得上述13个解释变量的T检验值和P检验值如表4所示。
　　
　　
　　从表4的数据可知，不管是按T检验值（绝对值）排序还是按P检验值排序，13个变量的显著性大小顺序都是一样的，由大到小依次为资产周转率、留存收益/总资产、主营业务利润率、营运资本/总资产、流动比率、总资产增长率、速动比率、经营现金比率、资产负债率、应收账款周转率、产权比率、息税前利润/总资产、现金流量结构比率。
　　3. 剔除对被解释变量影响不显著的解释变量，构建具有最优解释能力的模型。
　　在回归模型的统计检验中，一般认为，解释变量对被解释变量的影响越显著，或者说解释变量对被解释变量的解释能力越强，就表明模型越有效。但是，太高的显著性水平会导致进入模型的变量个数太少，带来的直接后果是所蕴含的信息量不足以构造预测能力较强的预测模型；太低的显著性水平则会导致进入模型的变量个数太多，从而提高模型的使用成本，违背了建立模型的初衷，也容易导致解释变量良莠不齐，降低模型的预测效果。所以，本文综合考虑以上各方面因素并经过逐步测试之后，最终确定将资产周转率、留存收益/总资产、主营业务利润率、营运资本/总资产、流动比率、总资产增长率、速动比率、经营现金比率这8个变量纳入所构建的模型中，得出如下最优模型：
　　Y=-0.081 6-0.292 1X3-0.144 4X4+0.562 9X5+1.797 1X7+2.216X8+1.356 8X11+1.740 3X12+0.008X13
　　这时，R2值＝0.79，F检验值＝13.79，显著性排序第8位的经营现金比率的T检验值=1.427 598，P检验值=0.166 3。
　　上述模型中，流动比率X3、速动比率X4的系数为负值，表明这两个解释变量与被解释变量Y之间呈负相关关系。但是，从经济意义上说，流动比率和速动比率跟公司是否陷入财务困境应该属于正相关的关系。模型显示的变量关系与经济意义相背，是否意味着该模型是无效的呢？为了求证这个问题，本文运用Eviews软件中的correlation命令，输出流动比率X3 与被解释变量Y之间的相关系数为0.243 265、速动比率X4与被解释变量Y之间的相关系数为0.119 73，表明流动比率X3、速动比率X4与被解释变量Y之间仍然是正相关关系，没有背离经济意义，因此，所构建的模型仍然是有效的。
　　4. 将模型构建样本组中38家样本公司2002-2004年间半年报中8个解释变量的值代入所构建的最优模型，以验证模型的可靠性。验证结果如表5所示。
　　
　　根据多元线形回归模型的判断规则，当Y＜0.5时，表示公司陷入了财务困境；当Y＞0.5时，表示公司的财务状况正常。从表5显示的验证结果来看，19家ST公司中有18家的Y＜0.5（即陷入财务困境），只有1家的Y＞0.5（即财务状况正常），表明根据最优模型来验证模型构建样本组中的ST公司，只有1家公司被误判为财务状况正常，其余18家公司均判断准确，准确率为94.74%。19家非ST公司的Y全部＞0.5，即全部判断为财务状况正常，判断准确率为100%。这说明，根据模型构建样本组的财务比率所构建出来的模型对该样本组中的样本公司是否陷入财务困境，具有很高的判断准确率，从而说明所构建的模型非常有效。
　　
　　七、模型检验
　　
　　上述最优模型对模型构建样本组中的样本公司具有很高的判断准确率，而对模型构建样本组之外的其他公司是否也具有如此高的判断准确率，则需要采用本文选取的模型检验样本组中的样本公司来作进一步的检验。如果检验的结果具有很高的判断准确率，则说明所构建的模型具有广泛的应用价值，反之，则不具有广泛的应用价值。
　　将模型检验样本组中36家样本公司2002-2004年间半年报中8个解释变量的值代入所构建的最优模型，得出的检验结果如表6所示。
　　从表6显示的检验结果来看，18家ST公司中有17家公司的Y＜0.5，只有1家公司的Y＞0.5，说明判断准确的有17家，判断失误的只有1家，准确率为94.44%。18家非ST公司中有15家公司的Y＞0.5，有3家公司的Y＜0.5，说明判断准确的有15家，判断失误的有3家，准确率为83.33%。可见，所构建的最优模型对模型构建样本组之外的其他公司也具有很高的判断准确率，即具有很强的财务预警能力，说明基于上市公司中期报告数据而构建的财务预警模型具有广泛的应用价值。
　　
　　八、结论与建议
　　
　　（一）基本结论
　　1. 多元线性回归模型在我国财务预警研究中具有很高的应用价值。实证结果表明，采用多元线性回归模型所建立的财务预警模型可以获得很好的预警效果。
　　2. 采用上市公司中期报告数据构建的财务预警模型，不仅具有很强的财务预警能力，而且改善了财务预警的时效性，能更加及时地预测出公司是否会陷入财务困境，因而在实际工作中更具有广泛的应用价值。 　　3. 我国上市公司公开披露的中期报告数据具有很强的有用性。一般认为，中期报告数据是未经审计的，存在虚假信息的可能性比较大。但本文的实证结果表明，我国上市公司公开披露的中期报告数据对本文的研究具有很强的有用性，基于这些数据而构建的财务预警模型，其判断的准确率很高。说明我国上市公司公开披露的中期报告数据是可信的和可利用的。
　　（二）相关建议
　　1. 有关各方，比如公司股东、经理人员、主要债权人、资本市场潜在的投资人或债权人、人才市场潜在的经理人等，可以采集相关上市公司的中期报告数据，建立多元回归模型来对相关上市公司的财务状况作出及时的预测，以帮助自己作出相关决策。
　　2. 有关各方在利用上市公司的中期报告数据和多元回归模型来进行财务预警时，要注意筛选解释变量，防止最终进入模型的变量个数过多或过少，以致影响模型的预警能力。同时还要注意将模型的定量结果和其他非定量因素结合起来综合判断，以防由于模型的偏差造成最终的判断失误。
　　3. 上市公司不应该把风险管理的焦点放在如何进行财务预警问题上，而是放在如何完善风险的防范机制上，因为防范是“本”，预警是“末”，一味地偏重于财务预警而忽视风险防范，就是本末倒置。把财务预警当作风险管理的一种辅助手段是可以的，但当作风险管理的主要手段就不行了。牢固树立风险防范意识，加强风险防范机制的建设才是风险管理中的主要内容。
　　
　　主要参考文献
　　[1] 陈晓，陈治鸿. 企业财务困境研究的理论、方法及应用[J]. 投资研究，2000，（6）.
　　[2] 吴世农，卢贤义. 我国上市公司财务困境的预测模型研究[J]. 经济研究，2001，（6）.
　　[3] 杨淑娥，徐伟刚. 上市公司财务预警模型——Y分数模型的实证研究[J]. 中国软科学，2003，（1）.
　　[4] 张鸣，程涛. 上市公司财务预警实证研究的动态视角[J]. 财经研究，2005，（1）.
　　[5] 张鸣，张艳，程涛. 企业财务预警研究前沿[M]. 北京：中国财政经济出版社，2004.