上市公司财务失败（ST）的影响因素分析
【摘要】本文以2014年28家ST（特别处理）上市公司为研究对象，选取这28家上市公司2011~2013年的财务数据，运用Logistic回归分析方法，建立回归模型，对影响上市公司财务失败的因素进行实证分析。研究结果表明，总资产收益率和流动比率显著地影响着公司在两年以后被ST的可能性的大小。并且提出了一个预测公司财务失败的逻辑回归模型。该模型准确地预测了超过60%的样本，显示了它良好的预测能力。
【关键词】上市公司；ST；Logistic回归
一、案例背景
研究和建立上市公司的财务预警模型有利于保护投资者和债权人的利益，帮助注册会计师判断其审计风险，帮助政府部门监控上市公司质量和证券市场风险，也有利于上市公司对自身财务状况进行判断和构造有效的财务预警系统。我国财务预警模型研究起步较晚，相对显得不够成熟，进一步对财务预警模型进行研究有助于完善适合我国上市公司的理论模型，为建立能有效预测我国上市公司财务状况的预警模型进一步奠定理论基础。本文拟继承我国已有的研究成果和已证明的较好研究方法，以2011年至2013年上市公司财务数据为基础，对财务预警模型进行进一步的研究。
二、指标选取
本文在总结国内外研究结果的基础上选取了以下的指标。
首先，从财务分析角度，选择了五个代表企业不同方面能力的指标，分别为总资产报酬率ROA、资产负债率、流动比率、总资产周转率和营业收入（同比增长率）这些指标分别代表了企业的盈利能力、长期偿债能力、短期偿债能力、资产利用能力、成长能力。以上五个指标较为全面地反映企业的健康状况，从而对企业的盈利趋势做出预测。
其次，我们认为公司的规模大小也是影响公司是否被特别处理（ST）的重要因素。公司规模越大，操纵会计盈余的空间也就越大。例如，他们有更多的资产或负债进行重组以取得有利的交易利得。因此，我们选择负债及股东权益总计作为描述公司规模的指标。
最后，公司的大股东在危急关头经常能扮演拯救公司的角色，他们并不想失去企业的上市资源，从而尽可能挽救企业。故选择第一大股东持股比例作为预测的重要指标。
综上所述，最终选取的财务指标分别为总资产报酬率ROA、资产负债率、流动比率、总资产周转率、营业收入（同比增长率）、负债及股东权益总计以及第一大股东持股比例。
三、数据获得机制
本文的样本数据全部取自wind资讯。
据wind显示，2014年A股被特别处理（ST）的股票共有28家，我们选择该28家公司作为ST公司的样本。要预测2014年被ST的公司，应当剔除2011年利润为负的公司（共160家）。若2011年利润为负，则可能2012
或2013年公司被ST，一定不会在2014年被ST。若2012利润为正，2014年不会被ST；若2012利润为负，2013年会被ST。除此之外，还需剔除一些因新上市或者被借壳而缺乏数据的公司。最终，非ST公司的有效样本为2400多家。
预测2014年被ST的公司，2013年的数据是不需要的。因为若存在2013年的数据，2014年是否为ST就可以被判别。同样2012的数据也是不需要的，若2012的利润为负，则只需预测2013年利润是否为负即可判别2014年是否被ST，故应该选取2011年数据对2014年是否为ST作为预测，这是由连续两年亏损被定为ST的政策决定的。
因此，选取作为预测的样本共2400多家上市公司，其中2014年被定为ST的公司仅占比1%左右。
四、探索性数据分析
将所收集的上市公司财务数据按ST上市公司和非ST上市公司分成两大类，ST上市公司的短期偿债能力与长期偿债能力明显比非ST上市公司差，另外ST上市公司的盈利能力和资产管理效率也明显低于非ST上市公司。ST上市公司的流动比率、速动比率均低于非ST上市公司，这说明困境公司的短期偿债能力较低。困境公司存在大量的短期借款，而短期偿债能力的降低容易导致公司到期无力偿还债务，从而使公司的财务状态恶化。
在ST前1~3年，ST上市公司的资产负债率均高于非ST上市公司，并有逐年上升的趋势。ST上市公司各年的长期负债比率也低于非ST上市公司，表明公司对债权人利益的保障程度越来越弱。随着ST时间的临近，长期偿债能力越来越弱，公司面临的财务风险越来越高，陷入财务困境的概率逐渐增大。
ST上市公司的应收账款周转率、固定资产周转率和总资产周转率均低于非ST上市公司。困境公司在被ST前几年，应收装款、存货和固定资产周转率均有所提高。特别是困境公司在ST当年比非ST上市公司的存货周转率高。在ST前一年固定资产周转率显著低于正常公司，这表明困境公司资金回笼速度慢，资产利用效率低。总资产周转率逐年下降，表明困境公司总体资产营运能力较弱、资产管理效率较低。
在ST前1~2年，ST上市公司的各盈利能力指标与非ST上市公司存在显著差异。困境公司在盈利能力指标的特征是在临近被特别处理前1~2年，盈利能力显著低于正常公司，并且部分财务指标出现了负增长。ST上市公司的主营业务利润率指标在ST前1~3年较低或持续下降，说明企业的产品已逐步丧失竞争能力和盈利能力，这也可能是企业发生财务困境的重要原因。ST上市公司的资产报酬、总资产净利润率、固定资产利润率和净资产收益率在ST前1~3年明显下降并呈现负增长。困境公司盈利能力显著降低，经营效益水平低下，是陷入财务危机的一个重要信号。
在ST前不同时点上，ST上市公司与非ST上市公司的固定资产增长率不存在显著差异，但是在ST前1~2年，ST公司的固定资产增长率下降明显，甚至出现负增长。财务困境公司在成长能力指标方面的特征是被特别处理前1~2年，困境公司的成长能力显著低于正常公司。困境公司经营规模逐渐萎缩，成长性几近丧失，靠自身能力很难摆脱困境、维持持续经营。
五、建模过程
1、模型介绍
由于因变量（是否为ST）为分类型变量，假设上市公司被ST的可能性分布为逻辑分布，此时，定义模型为：
其中X为选取的指标，如总资产报酬率ROA、资产负债率、流动比率、总资产周转率、营业收入（同比增长率）、负债及股东权益以及第一大股东持股比例等。β是回归系数。若该系数为正，表明随着该变量的增大，该公司被ST的概率增加。若该系数为负，表明随着该变量的增大，该公司被ST的概率降低。同时，系数的大小在一定程度上反映了该变量对公司财务失败的影响力的大小。在建立模型前，我们针对数据进行了过度抽样，以避免ST公司样本量太少而对模型的预测结果造成影响。
2、全模型
剔除掉2011年财务数据不全的样本，将剩余的2224个样本按照随机抽样原则，选取其中80%的数据为训练集，余下20%的数据为测试集。
对训练集建立Logistic模型，引入所有自变量进行回归，并对各变量的系数进行估计和检验，回归结果如下表。
表5.2.1
全模型回归系数表
系数估计值
标准差
Z统计值
P值
截距项
-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
对模型的整体显著性进行似然比检验，计算出P值为0.000，认为此时模型具有显著性，说明各个解释变量中至少有一个对被解释变量具有显著的解释作用。
根据估计结果可知，在0.01的显著性水平下，Logistic模型认为仅X5(流动比率)这一个变量对模型是显著的，猜测是由于我们引入变量过多，可能会造成变量相互影响从而影响整体效果。
3、理论模型
我们经过文献阅读挑选出来可能会对ST有影响的变量如下：总资产报酬率ROA（X2）、资产负债率（X4）、流动比率（X5）、总资产周转率（X6）、营业收入（同比增长率）（X9），负债及股东权益（X10），第一大股东持股比例（X12）。定义这些自变量为理论自变量。
对训练集建立Logistic模型，引入理论自变量进行回归，并对各变量的系数项进行估计和检验，整理结果如下表所示。
表5.3.1
理论模型回归系数表
系数估计值
标准差
Z统计值
P值
截距项
-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
对模型的整体显著性进行似然比检验，计算出P值为0.000，认为此时模型具有显著性，说明各个解释变量中至少有一个对被解释变量具有解释作用。理论变量模型的AIC信息比全模型更小，说明相对于全模型来说，理论模型取得了改进。
根据估计结果可知，在0.01的显著性水平下，Logistic模型认为X2（总资产报酬率）、X5(流动比率)这两个变量对模型是显著的。
4、BIC选择最优模型
对Logistic模型利用BIC准则进行变量选择，选择结果如下表。
表5.4.1
最优模型参数估计表
系数估计值
标准差
Z统计值
P值
截距项
-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
最优模型的AIC信息值最小，说明相对于全模型、理论来讲，最优模型取得了改进。观察输出结果，发现经过BIC准则选择出来的变量（X2，X5）与理论模型中的显著变量(X2，X5)一致。
X2，X5的系数估计值都为负，说明总资产报酬率、流动比率对公司被ST起到反向作用，即总资产报酬率越高、流动比率越高，公司在3年后被ST的可能性越小。
因此，最终确定模型为：
5、临界值的确定
模型最终确定为：
模型预测的好坏除了与模型本身有关系外，还与临界值的选取有密切的关联。令临界值为Z，,即当P值大于Z值时，认为该上市公司会被ST。
我们的关注点在于找出ST公司，降低投资风险。
TPR:把真实的ST公司正确预测为ST=1的概率，该指标越大越好；
FPR:把真实的非ST公司错误预测为ST=1的概率，该指标越小越好。
利用训练集数据，画出ROC曲线，如下图所示。
图5.5.1
ROC曲线图
从图中可以看出，ROC曲线在对角线上方且向上凸起，说明TPR的取值高于FPR值，证明预测的模型是有效的。
临界值的选取有很大的主观性，根据实际样本情况，分别选取临界值为0、0.01、0.02、0.03、0.04、0.05、0.06、0.07、0.08、0.09十个值，对训练集数据进行计算相应的TPR、FPR及预测准确率值，整理结果如下表。
表5.5.1
Logistic模型的预测率指标表
临界值
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
准确率
0.02
0.36
0.60
0.82
0.92
0.95
0.96
0.96
0.97
0.97
根据表中结果可知，在不同临界值水平下，TPR、FPR及预测准确率的值均不同。另外在ROC曲线中，当临界值为0.02时，TPR的值相对更高；当临界值再增大时，TPR下降得更快。
理论上来讲，将样本总体看作一个随机抽样的样本，由中心极限定理作为基础，ST=1的公司比例为2%左右，因此取临界值为0.02也有一定的理论基础。
6、模型的预测效果
取临界值为0.02，对测试集数据进行预测，得到预测结果如下。
表5.6.1
测试集预测结果表
预测类型
真实类型
ST=0
ST=1
ST=0
262
177
ST=1
0
TPR
6/(6+0)=1.00
FPR
177/(262+177)=0.40
六、结果及实际意义解释
表5.2.1说明,经过理论研究后选择出的预测变量中,总资产报酬率ROA和流动比率在统计上显著。总资产报酬率ROA的系数为-
0.065(1%水平下显著),表明获利能力强，投入产出情况较好的公司未来被ST的概率较小。流动比率变量的回归系数为-0.682（1%水平下显著），表明资产变现能力和短期偿债能力强的企业财务失败的可能性更低。两个结果共同说明企业的长期健康与否取决于公司的盈利能力和资金活力。投资人应该重视对公司盈利能力状况的分析,并对资金流动能力较差的公司保持警惕。
第一大股东持股比例的回归系数为-
0.0903,且在10%的水平下显著,符合我们的预期:大股东持股比例越高,公司被ST的可能性越小。研究结果表明,在我国上市公司财务失败的研究中,完全按照国外的研究模式来做可能会漏掉重要的因素。在我国,股权结构应该被考虑进来。除此以外,我们考虑的其他财务数据在回归中都不显著,包括资产负债率、总资产周转率、营业收入同比增长率和负债及股东权益。我们对此结果并不感到奇怪,也不认为这些比率和公司健康与否没有关系。但是,我们的结果表明,这些比率在公司被ST之前第三年时缺乏对ST的预测能力。
表5.3.1说明,去掉不显著的因素以后,总资产报酬率和流动比率对ST的预测精度和显著性都有了提高。这个简化的模型比原模型的预测能力更好。
最后，我们检验一下模型的预测准确度。从表5.6.1的结果可以看出来，将真实ST的上市公司预测为ST=1的概率是1，将真实的非ST公司预测为ST=1的概率为0.4。模型的整体预测准确率为(62+6)/(262+6+177)=0.60。因此,认为模型的预测效果良好，值得推荐。
七、结论及建议
本文通过逻辑回归模型,结合我国上市公司2011年到2014年的数据,对公司财务失败(ST)的因素进行了分析。我们的研究表明,在我们考虑的众多指标中,总资产收益率和流动比率显著地影响着公司在两年以后被ST的可能性的大小。基于我们的分析结果,我们提出了一个预测公司财务失败的逻辑回归模型。在我们的样本中,该模型准确地预测了超过60%的样本,显示了它良好的预测能力。所以,我们的模型可以成为投资者进行投资决策的工具之一。
在我国这样一个新兴的资本市场上,我们应该动态地看待我们研究的问题。我国资本市场的监管、产品、投资者群体以及我们的经济和社会都在经历着迅速的、重大的变革。很少有某一种关系,如财务数据和财务失败的关系,会保持一个绝对的稳定性。文中的模型需要不断的改善，在现有资料的基础上不断调整，才能为投资者提供更有预测能力的研究成果。
点击咨询