上市公司综合质量预警.docVIP

上市公司综合质量的预警 　　【摘要】对2008年所有在上海证券交易所的上市公司按照总市值、营业收入和净利润排名，后100名的上市公司作为一类。随机地抽取100名上市公司作为一类。用向前逐步筛选法在13个综合质量指标中选取了每股收益，每股净资产，流动比率和总资产周转率作为自变量，两类公司作为分类因变量，建立了综合质量的概率预警模型。当概率值大于0.5时是综合质量是需要预警的上市公司，反之是不需要预警的上市公司。模型的准确率是79.9%。 　　【关键词】每股收益；每股净资产；流动比率；总资产周转率；似然值；向前逐步筛选法；logistic回归模型 　　 　　一、引言 　　Ross（2000）等人认为可以从四个方面定义企业的经验失败：一是企业失败，即企业清算后无力支付债券人的债务。二是法定破产，即企业和债券人向法院申请企业破产。三是技术干涉，即企业无法履行债务合约还本付息。四是会计破产，即企业的净资产出现资不抵债。[1]在证券市场上，对上市公司的预警也主要停留在财务指标上。20世纪30年代国外学者就已经开始对财务困境预警模型进行研究。起初国外的研究是用单个比率指标来预测企业是否会“财务失败”或“破产”，因此这类研究被称为单变量预测研究。代表人物是Fitzpatrick，于1932年首先对企业的财务困境进行了预测研究。1966年Beaver提出了单变量判定模型，但模型存在很大的缺陷，即该模型采用不同的财务指标对同一企业进行预测时，往往会得出相悖的预测结果，因此无法得到正确的预测结论。为了弥补单变量判定模型的缺陷，后来相继出现多变量判定模型、递归划分算法、类神经网络等方法对财务困境进行预测研究。2001年Fathi和Jean-PierreGueyie以加拿大公司为样本对公司治理特征和财务困境的关系进行了研究，得出董事会组成结构与企业财务困境有关，而且外部董事的所有权和董事地位对发生财务困境也有一定的影响的结论。[2]可见仅仅用财务指标来建立公司预警有很大的片面性与局限性。 　　上市公司的综合质量更能从另一个角度揭示公司的全面水平，它主要包括包括资本构成、经营质量、偿债质量、投资和收益。因此用它建立公司的预警模型??会对财务指标做一个较好的补充。 　　Logistic回归延伸了多元回归思想，因变量是二值。（通常设为0和1的情形）自变量为。Logistic回归模型如下： 　　二、模型 　　样本的选取：以2008年为时间窗口，对2008年上海证券交易所所有的上市公司按照总市值、营业收入和净利润排名。得到了后100名的上市公司作为差的上市公司，然后再随机的抽取600000号到600118号的100上市公司，从中剔除掉在排名在后100名的上市公司作为正常的上市公司，一共剔除了7个，样本数为93个。 　　样本的数据来源：全景网（http：//www.省略）（2008年的综合质量指标的数据）。 　　样本数据的处理：把200个上市公司分为了两类，差的上市公司和正常的上市公司，作为分类因变量，公司综合质量的指标（每股收益、每股净资产、净资产收益率、扣除后每股收益、流动比率、速度比率、应收账款周转率、资产负债比率、存货周转率、固定资产周转率、总资产周转率、净资产比率和固定资产比率）作为自变量，用spss软件对自变量采取向前逐步筛选法构造上市公司的综合质量指标的预警模型。 　　第一步：无效模型 　　所谓无效模型，是不引入任何自变量，只有常数项的输出结果。在后100名的上市公司中，综合质量指标中不含缺失值的共有70个。93个正常的上市公司综合质量指标不含缺失值得有74个。无效模型首先把这70个上市公司和74个正常的公司都看作是不需要预警上市公司，准确率51.4%。 　　引入的常数项值是B=-0.056，标准差是0.167，Wald值是0.111，相应的检验概率是0.739。Exp（B）是e的B次方，Exp（B）=0.946，实际意义为总体研究对象中预警的与没有预警的上市公司的比值。即： 　　基于无效模型，开始在分析中引入自变量，对自变量的选取在此用的是基于最大似然估计的向前逐步筛选法选入自变量基于比分检验统计量，剔出变量基于最大偏似然估计的似然比检验结果。 　　表1输出了每一步逐步回归得到的模型中参数B及标准误、Wald等，Exp（B）值。Wald的统计量时用来检验回归系数是否显著，为卡方分布，值愈大表明该自变量的作用越大。[4]第一步引入的自变量是每股收益，第二步引入的自变量是流动比率，第三步引入的自变量是每股净资产，第四步引入的自变量是总资产周转率。每股收益的Wald值是14.157，每股净资产的Wald值是9.318，流动比率的Wald值是9.138，总资产周转率的Wald值是5.825，常数项的是4.408，说明每股收