• <table id="zigek"></table>
  • <acronym id="zigek"></acronym>
    <big id="zigek"></big>
    <tr id="zigek"><s id="zigek"></s></tr>

    學術堂首頁 | 文獻求助論文范文 | 論文題目 | 參考文獻 | 開題報告 | 論文格式 | 摘要提綱 | 論文致謝 | 論文查重 | 論文答辯 | 論文發表 | 期刊雜志 | 論文寫作 | 論文PPT

    財務會計論文

    您當前的位置:學術堂 > 會計論文 > 財務會計論文

    構建能源上市企業財務危機預警模型

    時間:2015-01-28 來源:未知 作者:傻傻地魚 本文字數:3845字
    論文摘要

      財務危機預警是指通過設置各項敏感財務指標與非財務指標,建立預警模型,對企業即將發生及可能發生的財務危機進行實時監控與預測警報。世界經濟一體化的趨勢給我國企業帶來前所未有的機遇的同時也帶來了巨大的挑戰,日益復雜的經濟環境及激烈的競爭加大了企業財務危機發生的幾率。

      如何構建有效的財務危機預警模型,從而及早采取針對性措施防止危機發生,一直為學者們和企業所關注。以往的研究表明,基于行業差異的財務危機預警模型準確率高于通用的財務危機預警模型。

      能源工業是國民經濟的基礎性支柱產業,不僅關乎國家能源安全,也關乎國計民生,是各國經濟發展的重點。面對激烈的競爭形勢,能源企業也出現了種種財務問題,能源行業一旦出現財務危機,將會破壞整個經濟體系的運轉,對國家宏觀經濟產生巨大影響。本文基于我國能源上市企業的財務數據與非財務數據,采用 Logistic 回歸法,構建能源上市企業財務危機預警模型。

      一、文獻回顧

      (一) 財務預警研究方法回顧

      國外財務危機預警研究早于國內,最先始于定性研究,其中代表性的研究方法包括: 四階段分析法、流程圖分析法、風險分析調查法和綜合管理評分法等。[1]財務危機預警定量研究方法大致可分為統計方法和非統計方法,統計方法又可分為單變量分析和多變量分析,非統計方法主要有人工神經網絡、支持向量機以及其他一些研究方法。

      1. 單變量分析。最早是 Fitzpatrick(1931)[2]利用單變量分析法對公司財務危機進行預測。他將19 個研究樣本,劃分為破產企業和非破產企業兩組進行判定,結果發現凈利潤/股東權益、股東權益/負債這兩個財務比率指標的預警能力最強。而系統地使用單變量分析的學者是 Beaver(1966) ,[3]其提出的單變量模型在危機預警模型的發展史上有著重要地位。

      2. 多變量分析。美國學者 Altman(1968)[4]首次將多元判別分析(MDA) 應用到財務危機預警領域,提出了 Z - score 模型。Logistic 回歸分析(MLR)法由 Ohlson(1980)[5]提出,他以 1970 年至 1976 年期間 105 家破產公司和 2058 家非破產公司為研究樣本,篩選出 9 個自變量,分析了樣本公司在破產概率區間上的分布以及兩類判別錯誤和分割點的關系,建立了多元邏輯回歸(Logistic) 模型。其他的多變量分析方法還包括主成分分析法(PCA) 和多元概率比回歸法(MPR) 等。國內學者多數采用這些方法進行研究,如黃世忠、吳世農(1986) ,[6]吳世農、盧賢義(2001) ,[7]王克敏、姬美光(2006)[8]等。

      3. 其他分析方法。人工神經網絡(ANN) 是一種模仿生物神經的結構和功能的非線性統計性數據建模工具。Salchenberger(1992)[9]將其應用于金融企業的財務危機判斷中,結果顯示 ANN 有較強的預測能力。在 ANN 中,應用最廣泛的是 BP 神經網絡,國內采用該種方法進行研究的代表性學者有楊保安等(2001) ,[10]楊淑娥、徐偉剛(2005)[11]等。

      支持向量機(SVM) 是一種新一代學習算法,該算法被應用于很多領域。一些學者也支持將向量機運用到財務危機預警領域,如 Mukherjetal 等(1997) 、[12]Tay 和 Cao(2001)[13]等。

      (二) 基于行業差異的財務危機預警研究回顧
      
      Gupta(1969) 選取美國 21 個制造業公司,分析其財務指標,發現不同行業公司的財務指標存在顯著差異。Lev(1969) 研究了18 個行業的 245 家公司的財務比率,結果也證實了財務指標的行業效應。

      從 2006 年開始,國內學者開始注意研究不同行業的財務危機預警。彭莉等(2006)[14]以 2001 ~2005 年上市公司為研究樣本,區分制造業與非制造業,建立 Logistic 回歸模型。研究發現,區分行業的財務危機預警模型不僅精度高于混合行業的預警模型,且出現第一類錯誤的概率明顯低于混合行業模型。陳志斌等(2006)[15]的研究得到了相似的結論。

      鑒于以上研究成果,可以看出有必要針對某一行業建立財務危機預警模型,從而消除行業差異對預警效果產生的影響,提高模型的適用率與準確率。本文以能源行業為研究對象,選取全面反映企業財務狀況的財務指標,并加入非財務指標,建立適用于該行業的財務危機預警模型。

      二、實證研究

      (一) 研究方法

      由于多元邏輯回歸法 Logistic(MLR) 沒有自變量服從正態分布及兩組樣本等協方差的要求,適用范圍廣泛,預測精度較高,并且在理論研究上最為成熟,因此本文選用該種方法進行研究。

      Logistic 是一種非線性回歸模型,因變量的預測值在(0,1) 之間,其曲線為“S”或倒“S”型。Logistic判別方法先是根據多元線性判定模型確定 Z 值,再推導出企業發生財務危機的概率。

      (二) 樣本及數據來

      本文以滬深兩市 A 股中能源上市企業為研究對象,研究期間為 2005 ~ 2013 年,數據來源于萬德數據庫、國泰安數據庫以及上海證券交易所、深圳證券交易所、新浪財經、證券之星等網站。將被 ST 的企業定義為發生財務危機企業,選取 2005 ~2013 年期間剔除重復樣本后被 ST 的 20 家企業(在此期間有兩家企業被兩次 ST,以其第一次被 ST 時間為準) ,采取 1∶1 配對抽樣方式,抽取相同會計期間,資產規模相近的 20 家非 ST 企業作為配對企業。

      本文選取的樣本被 ST 的原因均為最近兩年連續虧損,雖然以往的研究結論表明采用危機發生前兩年數據構建模型準確率較高,但是滬深兩市是根據上市公司前兩年的財務數據來確定第三年是否被ST,若采用危機發生過程中的信息來建立模型,必將會高估模型的預測能力,因此,使用財務危機發生的前三年,即 T -3 年的數據來構建模型比較合理。

      (三) 預警指標選取

      1. 指標體系構建。借鑒國泰安數據庫中相關指標的分類,并結合能源行業特點,本文初步選取了22 個財務指標及 3 個非財務指標(見表 1)。

      論文摘要

      其中,非財務指標賦值為: 若當年發生訴訟仲裁,則為 1,反之為 0; 標準年報審計意見為 1,非標準年報審計意見為 0; 若當年發生重大關聯交易,則為 1,反之為 0。

      2. 正態性檢驗。判斷使用何種方法對預警變量進行顯著性檢驗的前提是確定預警變量是否服從正態分布,若服從正態分布,則使用 T 檢驗法,否則使用非參數檢驗法。因此,需要通過單樣本 K - S檢驗來驗證初步選取的預警變量的正態性。檢驗結果如表 2 所示。

      論文摘要

      從結果可以看出,有 11 個預警變量通過了正態性檢驗,13 個預警變量未通過正態性檢驗,可以認為這25 個變量總體不服從正態分布,因此用 T 檢驗對符合正態分布的指標進行顯著性檢驗,用非參數檢驗對不符合正態分布的指標進行顯著性檢驗。

      3. 顯著性檢驗。通過顯著性檢驗,可以得出 ST企業與非 ST 企業預警指標是否具有差異性,從而為進一步篩選變量奠定基礎。

      (1) T 檢驗。對符合正態分布的預警變量進行T 檢驗,結果如表 3 所示。

     論文摘要

      (2) 非參數 Mann - Whitney 檢驗。對不符合正態分布的預警變量進行非參數檢驗中的 Mann -Whitney 檢驗,結果如表 4 所示。

      論文摘要

      從表 3 和表 4 可以看出,有 10 個變量通過了顯著性檢驗,即總資產凈利潤率、營業利潤率、凈資產收益率、資產的經營現金流回報率、每股經營性凈現金流、凈利潤增長率、存貨周轉率、總資產周轉率、速動比率、現金比率。

      4. 相關性分析

      (1) KMO 和 Bartlett 檢驗。KMO 和 Bartlett 檢驗用來判斷預警變量是否適合做因子分析,結果見表 5。

      論文摘要

      可以看出,雖然相伴概率為 0. 00,但 KMO 值為0. 594,小于臨界值 0. 6,不太適合做因子分析。因此,我們通過對備選變量進行多重共線性檢驗進一步篩選。

      (2) 多重共線性檢驗。本文將利用特征值及條件指數法判斷備選變量之間的相關性,結果如表 6所示。

      論文摘要

      由表6 可知,沒有任何一個維度的特征值為0,且條件指數均小于 10,因此可以認為這 10 個備選變量之間不存在多重共線性,不需要再做篩選。

      (四) 建立 Logistic 模型將這 10 個變量作為解釋變量,企業是否發生財務危機作為被解釋變量 Y(定義企業發生財務危機,Y = 1; 否則,Y = 0) ,進行 Logistic 回歸,得到如下結果(見表 7) 。

      論文摘要

      由此可以得出我國能源上市企業財務危機預警模型,如式(1) 所示:

      論文摘要

      (五) 模型擬合度檢驗。

      模型的擬合度檢驗結果如表 8 所示。

     論文摘要
    論文摘要

      模型的 -2 Log likelihood 為 13. 664,說明模型的擬合程度較好,Cox&Snell R2和 Nagelkerke R2分別是 0. 645 和 0. 860,表明變量與模型的擬合程度較好。

      (六) 模型預測效果檢驗

      模型預測效果檢驗見表 9。以 0. 5 為分割點,當 P >0. 5 時,認為會發生財務危機,當 P <0. 5 時,則認為不會發生財務危機。對構建樣本回代預測顯示,發生Ⅰ類錯誤(將財務危機企業誤測為正常企業) 和Ⅱ類錯誤(將正常企業誤測為財務危機企業)的比例均為 10%,總體預測準確率為 90%,模型預測準確率較高,可以運用到實際中。

      三、研究結論和局限

      本文通過對我國 2005 ~2013 年期間被 ST 的能源上市企業及其配對企業進行研究,運用 SPSS 20. 0對初步篩選的財務指標與非財務指標進行篩選,并構建了我國能源上市企業財務危機預警 Logistic 模型,預測準確率達到了 90%。研究發現,總資產凈利潤率、營業利潤率、凈資產收益率、資產的經營現金流回報率、每股經營性凈現金流、凈利潤增長率、存貨周轉率、總資產周轉率、速動比率、現金比率這10 個變量對能源企業是否發生財務危機作用顯著。

      初步篩選的非財務變量最終沒有一個進入模型,這可以解釋為本文所選取的研究樣本的數據是財務危機發生前三年的,此時財務危機企業與非財務危機企業之間非財務變量的差異性還未顯現。

      本文研究的局限性在于: 一是初步選取的預警指標變量較少,只是在前人研究的基礎上選取了 25個變量,并未對所有反映企業財務狀況的指標進行篩選,難免有所疏漏。二是在實際中,需要將定性方法與定量方法結合起來對企業財務危機進行預警,以提高預測準確率,而本文由于篇幅限制,并未做定性分析。

      相近分類:
      • 成都網絡警察報警平臺
      • 公共信息安全網絡監察
      • 經營性網站備案信息
      • 不良信息舉報中心
      • 中國文明網傳播文明
      • 學術堂_誠信網站
      159彩票{{转码主词}官网{{转码主词}网址