本文主要目的是通過建立一套行之有效的上市公司業績動態預虧系統，并且能夠根據該系統運用現有的公開數據，以本年度盈利上市公司為鑒別對象，從中預測下一年度可能出現虧損的上市公司，對上市公司的經營業績起到一種預警作用

　　本文在借鑒國內外已有文獻的同時還主要考慮了我國財務數據的可獲得性，在前人已有的研究成果中，從盈利能力、成長性、償債能力、資產質量、現金流量狀況、資產運營

蔡依琳演唱會票價1元? 法拉利版奧林巴斯現身 海納百川 候車亭媒體 財富之旅誠邀商戶加盟

效率和規模7個方面建立31個指標作為t-1年盈利、t年虧損上市公司預測指標體系

　　·研究目的·

　　自滬深證券交易所成立以來，中國(這里指我國大陸地區，不包括我國香港、澳門和臺灣地區)證券市場的發展已有10年多的歷史了。隨著中國證券市場規模不斷壯大，規范、創新不斷深化，信息披露不斷完善，機構投資者隊伍不斷壯大，WTO的加入和QFII的引入等使得中國證券市場正在加快與國際接軌，上市公司經營業績與股價的相關性越來越高，經營業績對股價的解釋力度逐年增強，影響上市公司股票價格定位及其變化最重要的因素是業績及其變化。

　　但總整體來看，我國部分上市公司經營業績不容樂觀，一些上市公司出現了嚴重的財務困難，涉及面不僅包括證券、金融和行業經濟等，對于廣大投資者和社會的波及更是不可小覷。其中大股東侵占上市公司資產或掏空上市公司、違規擔保、公司交叉持股等弊端不斷凸顯。因此，開展t-1年盈利、t年虧損上市公司預測模型分析，對于公司股東、放款銀行和證券市場監管者來說都有重要意義。

　　從表1中，我們可以看出，1995年以來，滬深兩市虧損股公司數量差不多呈逐年遞增的態勢(2003年比2002年略有下降)，所占比重也不斷創歷史新高。在2001年度，虧損股公司占滬深兩市比重為13.1%，2002年該比例上升到歷史新高14.45%，2003年該指標略有下降，為12.51%。

　　另外，從2002年1月4日至今申萬虧損股指數與上證指數累計漲跌幅走勢對比中，我們可以看出虧損股的投資風險明顯高于上證指數。

　　為此，利用已公開信息預測t-1年盈利、t年虧損上市公司來揭示股價中蘊藏的業績風險，對投資者及時調整投資策略具有重要意義。

　　本文在借鑒前人已有的一些研究成果基礎上，通過對上市公司經營業績的綜合分析，建立t-1年盈利、t年虧損上市公司預測模型，供投資者參考。

　　· t-1年盈利、 t年虧損上市公司預測模型體系介紹·

　　預測所用指標體系建立

　　通過對虧損上市公司預測研究已有成果分析，可以發現研究者所采用的財務指標有所差異，也多采用分組的方式將財務指標列示，這些不同的財務指標反映著企業不同的財務側面，如盈利能力、成長性、償債能力和現金流量狀況等。從研究結果來看，各人得出的預測虧損上市公司所用的財務指標也各不相同。這些指標類型按所用的信息類型不同分為財務指標信息、現金流量信息和市場收益率信息。

　　1、財務指標信息類模型

　　Altman(1968年)等學者使用常規的財務指標，如負債比率、流動比率、凈資產收益率和資產周轉速度等，作為預測模型的變量進行虧損股預測。盡管財務指標廣泛且有效地應用于虧損股預測模型，但如何選擇財務指標及是否存在最佳的財務指標來預測虧損發生的概率卻一直存在分歧。Harmer(1983年)指出被選財務指標的相對獨立性能提高模型的預測能力。Boritz(1991年)區分出65個之多的財務指標作為預測變量。但是，自Z模型(1968年)和ZETA模型(1977年)發明后，還未出現更好的使用財務指標針對財務虧損預測的模型。

　　2、現金流量信息類模型

　　現金流量類信息的財務虧損預測模型基于一個理財學的基本原理：公司的價值應等于預期的現金流量的凈現值。如果公司沒有足夠的現金支付到期債務，而且又無其他途徑獲得資金時，那么公司最終將破產。因此，過去和現在的現金流量應能很好地反映公司的價值和破產概率。在Gentry，Newbold和Whitford(1985a;1985b)研究的基礎上，Aziz、Emanuel和Lawson(1988年)發展了現金流量信息預測財務虧損模型。公司的價值來自經營的、政府的、債權人的、股東的現金流量的折現值之和。他們根據配對的破產公司和非破產公司的數據，發現在破產前5年內兩類公司的經營現金流量均值和現金支付的所得稅均值有顯著的差異。顯然，這一結果是符合現實的。破產公司與非破產公司的經營性現金流量會因投資質量和經營效率的差異而不同，二者以現金支付的所得稅也會因稅收會計的處理差異而不同。Aziz、Emanuel和Lawson(1989年)比較了Z模型、ZETA模型、現金流量模型預測企業發生財務虧損的準確率，發現現金流量模型的預測效果較好。

　　3、市場收益率信息類模型

　　Beaver(1968年)是使用股票市場收益率信息進行財務虧損預測研究的先驅。他發現在有效的資本市場里，股票收益率也如同財務指標一樣可以預測破產，但時間略滯后。Altman和Brenner(1981年)的研究表明，破產公司的股票在破產前至少1年內在資本市場上表現欠佳。Clark和Weinstein(1983年)發現破產公司股票在破產前至少3年內存在負的市場收益率。然而，他們也發現破產公告仍然向市場釋放了新的信息。破產公司股票在破產公告日前后的兩個月時間區段內平均將經歷26%的資本損失。Aharony，Jones和Swary(1980年)提出了一個基于市場收益率方差的破產預測模型。他們發現在正式的破產公告日之前的4年內，破產公司的股票的市場收益率方差與一般公司存在差異。在接近破產公告日時，破產公司的股票的市場收益率方差變大。

　　本文在借鑒國內外已有文獻的同時還主要考慮了我國財務數據的可獲得性，在前人已有的研究成果中，從盈利能力、成長性、償債能力、資產質量、現金流量狀況、資產運營效率和規模七個方面建立31個指標作為t-1年盈利、t年虧損上市公司預測指標體系。有關指標體系中各指標名稱和計算公式詳見表2。

　　另外，在利用財務指標體系建立t-1年盈利、t年虧損上市公司預測模型前，先進行極端值控制，一般采用3＾σj界限進行控制，上限定為＾μj+3＾σj，下限定為＾μj-3＾σj。若指標實際取值超過上限時，則指標值就取上限；若指標實際取值小于下限時，則指標值取下限。

　　預測模型確定

　　目前預測虧損上市公司的主流分析方法有三大類：單變量判別模型、多元判別模型和多元邏輯回歸模型。其它研究方法雖然作出了有意的嘗試，但模型穩定性有待進一步檢驗。

　　從主流分析方法來看，單變量判別模型簡單易行。該分析方法是以某個重要的變量作為排序變量，讓樣本數據根據該變量以一定的順序排列，選擇最佳判定點；最佳判定點，是使誤判最小的變量值；根據樣本數據，若樣本公司的變量值大于或小于最佳判定點，則判定為財務困境公司，反之亦相反。但是其缺陷在于：

　　1、無法反映數據的整體性；

　　2、無法充分利用多財務指標體系的優勢，利用單個財務指標就排斥了其它可能也很有用的財務指標。

　　多元判別模型對單變量判別分析進行了改進，用于區分兩類不同總體的綜合數量特征差異和判定未知總體所屬類別問題。在二十世紀60年代和70年代，該方法在財務困境預測的研究中使用較多。如著名的Altman1968年的Z模型和Altman、Haldeman與Narayanan1977年的Zeta模型等，使用的都是該方法。多元判別分析又可進一步細分為貝葉斯判別、典型判別和逐步判別等方法。該方法優點是：1、能夠包含預測虧損上市公司的多個財務指標，可充分利用多指標體系的優勢；2、能夠包含獨立變量。但該方法也有一些缺陷：1、虧損上市公司組和控制組之間的配對標準不易確定；2、組內分布為近似正態分布并且兩組的協方差矩陣相等在現實中很難滿足；3、解釋變量的相對重要性難以確認。

　　為了克服單變量判別模型和多元判別模型的缺陷，多元邏輯回歸模型被引入虧損上市公司預測模型中，將虧損上市公司預測問題轉化為：已知某公司具有某種財務特征，計算其在一段時間內業績出現虧損的概率有多大。由于多元邏輯回歸模型不要求財務指標服從正態分布，并且在建立模型后，把具體公司的財務指標代入模型得到的是一個概率值，在實際運用中比較形象，因而通過該方法建立的虧損上市公司預測模型比多元判別分析更加穩健。

　　因此，本文在建立虧損上市公司預測模型時，采用多元邏輯回歸模型中的Logistic多元回歸模型，具體過程如下：

　　Logistic多元回歸模型采用極大似然估計法預測二值響應變量或次序變量的值，建立因變量與一組自變量之間的關系。

　　在本文中，假定Y表示上市公司業績虧損與否狀況(虧損公司Y的取值為1，盈利公司的取值為0)，X=(X1，X2，…，Xn)為自變量向量，p=Prob(Y=1X)，則p可由以下Logistic多元回歸模型得到：

　　logit(p)= In(p/1-p)=β0+β1X1+β2X2+λβnXn=β0+βX

　　其中β=(β1，β2，λ，βn)為模型回歸系數。

　　在Logistic在多元回歸模型中，自變量的選擇方法有向前選擇、向后刪除、最優子集選擇和逐步回歸法。有些自變量對因變量的影響很大，有些影響較小，一般的多元回歸分析往往很難確定自變量對因變量的影響程度，但是通過逐步回歸分析能夠較好地解決這一問題，逐步回歸的結果在回歸方程中僅留下對因變量具有顯著影響的自變量。本文采用逐步回歸模型選擇自變量，剔除自變量多重共線性的影響。

　　在得到之后，某上市公司經營業績出現虧損的概率為：

　　p=exp(β0+βX)/1+exp(β0+βX)

　　研究對象的確立

　　在本文中，首先利用上市公司t-1年的財務指標，建立t年上市公司經營業績虧損概率預測模型；然后利用模型，把t年所有盈利上市公司的財務指標代入模型，得到了t年盈利上市公司t+1年經營業績出現虧損的概率；最后給出虧損概率預測值大于臨界值的上市公司，作為上市公司t+1年經營業績可能出現虧損的上市公司名單。投資者在實際運用該模型結果時，還可結合定性分析，最終確定t+1年經營業績可能出現虧損的上市公司。

　　在利用上市公司t-1年的財務指標建立t年上市公司經營業績虧損概率預測模型時，需要選擇樣本。整個樣本有兩類公司組成：

　　樣本1：在t-2年12月31日前上市，t-2年和t-1年盈利、但t年虧損的上市公司。

　　樣本2：與樣本1內個體一一對應的t-2年、t-1年和t年都盈利的上市公司。

　　對于能否利用t-2年、甚至t-3年的財務指標建立t年上市公司經營業績虧損概率預測模型，國內一些學者的實證研究結果發現，此類模型的預測效果和預測精度并不高，因此，本文不建立此類模型。

　　· t-1年盈利、 t年虧損上市公司預測模型實證分析·

　　本文利用1999年、2000年和2001年財務指標，分別建立了2000年盈利、2001年虧損上市公司、2001年盈利、2002年虧損上市公司、2002年盈利、2003年虧損上市公司、2003年盈利、2004年虧損上市公司預測模型；在此基礎上，分別把2000年、2001年、2002年和2003年的財務指標代入模型，得到t-1年盈利、t年虧損上市公司名單。

　　2000年盈利、2001年虧損上市公司預測模型

　　1、首先建立預測模型

　　利用1999年的財務指標建立了2000年盈利、2001年虧損上市公司預測模型：

　　Pt-1=exp(10.3648-163.2X2-4.6999X5-2.5206X11+0.2205X13-0.1578X28)/1+exp(10.3648-163.2X2-4.6999X5-2.5206X11+0.2205X13-0.1578X28)

　　(各參數都在α=0.05的顯著性水平下通過檢驗)

　　2、模型判別正確率分析

　　在建立模型時，樣本1和樣本2對由兩組個數相等的對比組組成，因此，在利用模型判別公司是否會出現業績虧損時，概率值區分點一般在0.5左右，具體選擇時，以總判別率最高的區分點為準。

　　通過實證分析，發現在本模型中最佳的區分點為0.5，即：當某公司pt-1大于0.5時，則認為該公司2000年會發生虧損；當某公司pt-1小于0.5時，則認為該公司2000年不會發生虧損。可以看出，在利用預測模型進行回判時，總的正確判別率高達81.8%，其中虧損公司的判別率為71.8%，盈利公司的判別率為82.4%。這說明模型總判別率還是比較高的。

　　3、模型預測分析

　　在利用模型進行預測時，2000年盈利的A股上市公司共有1002家，把這1002家公司2000年的財務指標代入模型，并以虧損概率預測值大于0.5的前250家上市公司作為2001年可能出現虧損的備選公司。結果發現備選公司名單中有72家2001年出現了虧損，而實際上，1002家公司有108家2001年出現了虧損，由此可見模型預測虧損公司的覆蓋率為66.67%。

　　2001年盈利、2002年虧損上市公司預測模型

　　1、首先建立預測模型

　　利用2000年的財務指標建立了2001年盈利、2002年虧損上市公司預測模型：

　　Pt-1=exp(3.0851-15.4118X4-2.6248X11-1.1186X14+0.9147X16-2.2179X19+4.8959X123-10.7931X25)/1+exp(3.0851-15.4118X4-2.6248X11-1.1186X14+0.9147X16-2.2179X19+4.8959X123-10.7931X25)

　　(各參數都在α=0.05的顯著性水平下通過檢驗)

　　2、模型判別正確率分析

　　通過實證分析，發現在本模型中最佳的區分點為0.6，即：當某公司pt-1大于0.6時，則認為該公司2001年會發生虧損；當某公司pt-1小于0.6時，則認為該公司2001年不會發生虧損。可以看出，在利用預測模型進行回判時，總的正確判別率為75%，其中虧損公司的判別率為66.7%，盈利公司的判別率為83.3%。這說明模型總判別率還是比較高的。

　　3、模型預測分析

　　在利用模型進行預測時，2001年盈利的A股上市公司共有1019家，把這1019家公司2001年的財務指標代入模型，并以虧損概率預測值大于0.6的前250家上市公司作為2002年可能出現虧損的備選公司。結果發現備選公司名單中有84家2002年出現了虧損，而1019家公司有106家2002年出現了虧損，由此可見模型預測虧損的覆蓋率為79.24%。

　　2002年盈利、2003年虧損上市公司預測模型

　　1、首先建立預測模型

　　利用2001年的財務指標建立了2002年上市公司經營業績虧損概率預測模型：

　　Pt-1=exp(3.2536-87.5196X2-1.8779X8-1.0306X10+0.0492X13-1.0178X29)/1+exp(3.2536-87.5196X2-1.8779X8-1.0306X10+0.0492X13-1.0178X29)

　　(各參數都在α=0.05的顯著性水平下通過檢驗)

　　2、模型判別正確率分析

　　通過實證分析，發現在本模型中最佳的區分點為0.6，即：當某公司pt-1大于0.6時，則認為該公司2002年會發生虧損；當某公司pt-1小于0.6時，則認為該公司2002年不會發生虧損。可以看出，在利用預測模型進行回判時，總的正確判別率為85.5%，其中虧損公司的判別率為83.7%，盈利公司的判別率為87.2%。這說明模型總判別率還是比較高的。

　　3、模型預測分析

　　2002年盈利的A股上市公司共有1034家，把這些公司2002年的財務指標代入模型中，取其中虧損概率預測值大于0.6的250家公司作為2003年可能虧損的備選公司，結果發現85家2002年盈利、2003年虧損公司中有61家被模型預測到，模型的判別率為71.76%，這說明模型的判別率是比較高的。

　　2003年盈利、2004年虧損上市公司預測模型

　　由于2003年樣本1和樣本2的X1、X2、…、X31之間的多重共線性特別強，無法直接采用預處理后的數據進行建模型，因此我們首先把這31個指標采用主成分分析法轉換成31個主成分變量，在此基礎上采用逐步Logistic回歸法建立模型。

　　1、首先建立預測模型

　　利用2003年的財務指標建立了2004年上市公司經營業績虧損概率預測模型：

　　Pt-1=exp(-4.2977-1.9491prin1-1.0628prin2+0.9054prin4)/1+exp(-4.2977-1.9491prin1-1.0628prin2+0.9054prin4)

　　(各參數都在α=0.05的顯著性水平下通過檢驗)

　　2、模型判別正確率分析

　　通過實證分析，發現在本模型中最佳的區分點為0.5，即：當某公司pt-1大于0.5時，則認為該公司2004年會發生虧損；當某公司pt-1小于0.5時，則認為該公司2004年不會發生虧損。可以看出，在利用2003年上市公司經營業績虧損概率預測模型進行回判時，總的正確判別率為85.65%，其中虧損公司的判別率為85.2%，盈利公司的判別率為86.1%。這說明模型總判別率還是比較高的。

　　3、2004年經營業績可能出現虧損的公司預測

　　2003年盈利的A股上市公司共有1162家，把這些公司2003年的財務指標代入模型中，取其中虧損概率預測值大于0.5的112家公司作為2004年可能虧損的備選公司，供投資者投資時借鑒和參考。實際上，這112家公司2004年1季度虧損公司數為35家，而扣除非經常損益后第一季度虧損公司數為44家。

　　本文建立的模型最大的優勢在于僅僅利用上市公司公開的財務信息。當然，本文只是運用上市公司近年來的財務數據、僅用實證分析方法建立數量化模型進行研判和預測，上市公司詳盡的經營狀況和業績走向還有賴于基本面分析；股價對業績的反映程度和時間，又倚重于通過市場研究來預測，這些都是本文未曾涉及的。表11995年以來滬深兩市虧損公司家數及其占A股公司總數的比重年度19951996 1997 1998 1999 2000 20012002 2003A股公司家數 336 577 747 850 9441100 1152 1211 1271虧損公司家數 17 3140 85 81 96 151 175 159虧損公司所占比重% 5.15.4 5.4 10.0 8.6 8.7 13.114.45 12.51表2“t-1年盈利、t年虧損上市公司”預測模型所用財務指標指標類型 指標名稱 原始指標代碼盈利能力凈資產收益率 X1

　　總資產收益率 X2

　　主營業務利潤率 X3

　　扣除非經常性損益的凈資產收益率 X4

　　主營業務鮮明率 X5

　　投資收益占利潤總額比率X6

　　營業外收支凈額占利潤總額比率 X7成長性 主營業務收入增長率X8

　　營業利潤增長率 X9

　　凈利潤增長率 X10

　　總資產增長率 X11

　　凈資產增長率 X12償債能力 息稅前利潤與財務費用之比X13

　　總資產與總負債之比X14

　　現金與流動負債之比X15

　　流動比率X16資產質量 調整后每股凈資產與每股凈資產之比 X17

　　現金與總資產之比 X18

　　流動資產中非存貨及應收項目比率 X19

　　總資產與長期負債之比X20現金流量狀況 經營性凈現金流與主營業務收入之比 X21

　　經營性凈現金流與流動負債之比 X22

　　現金凈流與主營業務收入之比 X23

　　現金凈流與總負債之比X24

　　現金凈流與總資產之比X25資產運營效率 總資產周轉率 X26

　　存貨周轉率 X27

　　應收帳款周轉率 X28

　　流動資產周轉率 X29規模總資產對數值 X30

　　凈資產對數值 X31指標類型 指標名稱 指標計算公式盈利能力 凈資產收益率 凈利潤/凈資產

　　總資產收益率 凈利潤/總資產

　　主營業務利潤率 主營業務利潤/主營業務收入

　　扣除非經常性損益的凈資產收益率 (營業利潤-所得稅)/凈資產

　　主營業務鮮明率 (營業利潤-其他業務利潤)

　　/利潤總額

　　投資收益占利潤總額比率投資收益/利潤總額

　　營業外收支凈額占利潤總額比率 營業外收支凈額/利潤總額成長性 主營業務收入增長率主營業務收入

　　/上期主營業務收入-1

　　營業利潤增長率 營業利潤/上期營業利潤-1

　　凈利潤增長率 凈利潤/上期凈利潤-1

　　總資產增長率 總資產/上期末總資產-1

　　凈資產增長率 凈資產/上期末凈資產-1償債能力 息稅前利潤與財務費用之比(利潤總額+財務費用)

　　/財務費用

　　總資產與總負債之比總資產/總負債

　　現金與流動負債之比現金/流動負債

　　流動比率流動資產/流動負債資產質量 調整后每股凈資產與每股凈資產之比 調整后每股凈資產/每股凈資產

　　現金與總資產之比 現金/總資產

　　流動資產中非存貨及應收項目比率 1-(存貨凈額+應收帳款凈額+

　　其他應收款+預付帳款)/流動資產

　　總資產與長期負債之比總資產/長期負債現金流量狀況 經營性凈現金流與主營業務收入之比 經營性凈現金流

　　/主營業務收入

　　經營性凈現金流與流動負債之比 經營性凈現金流/流動負債

　　現金凈流與主營業務收入之比 現金凈流/主營業務收入

　　現金凈流與總負債之比現金凈流/總負債

　　現金凈流與總資產之比現金凈流/總資產資產運營效率 總資產周轉率主營業務收入*2

　　/(期初總資產+期末總資產)

　　存貨周轉率主營業務成本*2

　　/(期初存貨凈額+期末存貨凈額)

　　應收帳款周轉率 主營業務收入*2

　　/(期初應收帳款凈額+期末應收帳款凈額)

　　流動資產周轉率 主營業務收入*2

　　/(期初流動資產+期末流動資產)規模 總資產對數值 LOG(總資產)

　　凈資產對數值 LOG(凈資產)

　　上海證券報 申銀萬國證券研究所金融工程部 檀向球