上市公司財(cái)務(wù)信用風(fēng)險評估的應(yīng)用研究論文
摘要：
我國是能源生產(chǎn)和消費(fèi)大國的，新能源上市公司的健康發(fā)展對我國的未來的戰(zhàn)略部署有重大的意義。同時新能源上市公司屬于資金密集型公司，有必要對其財(cái)務(wù)風(fēng)險做好評估，降低風(fēng)險，減少損失。本文選取我國深滬兩市A股市場的25家正常經(jīng)營的公司和25家ST公司，在因子分析和Logit模型原理的基礎(chǔ)上，運(yùn)用SPSS19。0和STATA分析軟件，運(yùn)用Logit模型進(jìn)行實(shí)證分析，來對新能源上市公司的財(cái)務(wù)狀況進(jìn)行預(yù)測分析。實(shí)證證明主成分1對于財(cái)務(wù)預(yù)警具有很強(qiáng)的預(yù)測能力。
關(guān)鍵詞：
logit；新能源；因子分析；STATA
一、緒論
新能源是一個正在興起，并且在國家的大力支持下蓬勃發(fā)展的行業(yè)。對于新能源上市公司，不僅需要與同行業(yè)的新能源公司競爭，還需要跟傳統(tǒng)的能源公司競爭。對于身處競爭激烈的新能源上市公司而言，建立財(cái)務(wù)機(jī)制是十分必要的。因?yàn)橥?cái)務(wù)數(shù)據(jù)的異常能反映出公司的潛在危機(jī)，為公司預(yù)防和應(yīng)對危機(jī)提供可靠的依據(jù)。本文的財(cái)務(wù)信用風(fēng)險評估就是對引起企業(yè)財(cái)務(wù)狀況和經(jīng)營狀況異常的因素進(jìn)行跟蹤和監(jiān)測，以便公司的管理層應(yīng)對危機(jī)。本論文還克服了僅僅依靠單純的財(cái)務(wù)指標(biāo)來預(yù)警帶來的滯后性，將新能源上市公司的財(cái)務(wù)風(fēng)險看成一個動態(tài)變化的過程，對于新能源上市公司危機(jī)預(yù)警和降低危害具有重大的意義。
二、國內(nèi)外研究現(xiàn)狀
馬丁（Martinm，1977）選取1969～1974年間58家有財(cái)務(wù)困境的銀行，運(yùn)用篩選出的8個財(cái)務(wù)指標(biāo)預(yù)測兩年后銀行破產(chǎn)概率，由此建立了Logistic回歸模型，預(yù)測效果比Z模型和ZETA模型好。奧爾森（Ohlson，1980）選取1970～1976年的2163家企業(yè)，其中2058家營運(yùn)正常企業(yè)，其余是經(jīng)營困難的企業(yè)，建立Logistic回歸模型，準(zhǔn)確率高達(dá)96。12%，這也是多元回歸模型第一次在破產(chǎn)預(yù)測中的應(yīng)用。姜秀華、任強(qiáng)和孫錚（2001）選擇了84家企業(yè)按照1：1的方式配對，建立Logistic判別模型，得出對兩類企業(yè)的預(yù)測準(zhǔn)確率都在80%以上。李蕾和韓立巖（2010）利用主成分分析和logistic回歸模型解決了解釋變量多重共線性等問題，提出了我國中小企業(yè)的財(cái)務(wù)指標(biāo)體系。李月英（2010）選取了38家上市公司，其中31家良好的公司，7家st公司構(gòu)建獨(dú)院線性回歸模型，研究表明主營業(yè)務(wù)收入增長率，資產(chǎn)負(fù)債率和總資產(chǎn)增長率是預(yù)測最顯著的3個指標(biāo)。
三、Logistic模型在新能源上市公司財(cái)務(wù)信用風(fēng)險的實(shí)證分析
（一）樣本的選擇
本文的研究對象是我國新能源上市公司，選擇2009年到2014年間第一次被st的公司作為財(cái)務(wù)危機(jī)來研究，并考慮公司的規(guī)模和公司所處的行業(yè)，按照1：1的原則來匹配為st公司匹配正常運(yùn)營的公司。本文篩選了2009到2014年間首次被st的25家A股新能源上市公司，同時根據(jù)上述原則匹配了25家A股新能源上市公司。本文根據(jù)指標(biāo)體系分為盈利能力指標(biāo)，償債能力指標(biāo)，成長能力指標(biāo)，運(yùn)營能力指標(biāo)和現(xiàn)金流量指標(biāo)，包括每股收益、每股凈資產(chǎn)、每股營業(yè)利潤、凈資產(chǎn)收益率等35個財(cái)務(wù)指標(biāo)。
（二）財(cái)務(wù)指標(biāo)的篩選
本文初步構(gòu)建的指標(biāo)體系涉及五大模塊35個財(cái)務(wù)指標(biāo)，但是不清楚對于樣本的分布，所以對財(cái)務(wù)指標(biāo)進(jìn)行非參數(shù)檢驗(yàn)來篩選指標(biāo)。首先本文利用spss19。0選用k—s檢驗(yàn)來判斷樣本是否服從正態(tài)分布。根據(jù)k—s檢驗(yàn)可知，除了利息保障倍數(shù)（X15）等13個指標(biāo)外，其余的22個財(cái)務(wù)指標(biāo)都服從正態(tài)分布，這指標(biāo)體系中服從正態(tài)分布的指標(biāo)多，故留下服從正態(tài)分布的22個指標(biāo)進(jìn)行之后的檢驗(yàn)。接下來對22個指標(biāo)進(jìn)行顯著性差異檢驗(yàn)。利用spss19。0對上文中的22個服從正態(tài)分布的指標(biāo)進(jìn)行顯著性差異的檢驗(yàn)。因?yàn)橐鲐?cái)務(wù)信用風(fēng)險評估，需要樣本之間有顯著性的差異，故對樣本進(jìn)行T檢驗(yàn)。根據(jù)分析結(jié)果，留下具有顯著性差異的每股收益（X1），每股凈資產(chǎn)（元/股）（X2）等14個指標(biāo)。
（三）因子分析
根據(jù)因子分析的原理，利用spss19。0對保留的14個指標(biāo)，50個樣本進(jìn)行因子分析。通過對KMO檢驗(yàn)和Bartlett球形檢驗(yàn)做因子分析。由結(jié)果可知，本文中的KMO值為0。797，Bartlett球形檢驗(yàn)統(tǒng)計(jì)量的Sig為0。000，故本文的樣本適合做因子檢驗(yàn)。對樣本按照主成分分析的原理進(jìn)行因子分析。按照“解釋的總方差”表，提取了3個公因子，解釋的總方差依次為54。382%，11。985%和10。627%，總共能夠解釋76。967%。（四）logit回歸利用stata對通過因子分析的得到的3個公因子作為協(xié)變量進(jìn)行二元Logit分析，按照進(jìn)入法的方法進(jìn)行回歸分析，協(xié)變量全部進(jìn)入模型。因變量表示企業(yè)的狀況，“1”表示經(jīng)營狀況好的公司，“0”表示st的公司。據(jù)Logit回歸結(jié)果可知，主成分1的p值為0。005，主成分2的p值為0。359，主成分3的p值為0。702。我們可以看出利用Logit模型構(gòu)造出來的財(cái)務(wù)風(fēng)險預(yù)警能力，第一個因子很顯著，另兩個因子的在5%的顯著性水平下不顯著。
四、結(jié)論
一是我國的財(cái)務(wù)數(shù)據(jù)還是比較有效，通過對新能源上市公司財(cái)務(wù)數(shù)據(jù)的篩選，具備對新能源上市公司的財(cái)務(wù)信用風(fēng)險評估的能力。二是我國新能源上市公司的財(cái)務(wù)狀況惡化是一個逐漸惡化的過程，本文篩選的是公司被st前兩年的數(shù)據(jù)，從分析結(jié)果可以看出，在t—2年的時候，財(cái)務(wù)指標(biāo)已經(jīng)出現(xiàn)了顯著性的差別，并且用預(yù)測出的準(zhǔn)確率還是比較高的。三是本文的指標(biāo)體系中引進(jìn)了成長性指標(biāo)和現(xiàn)金流量指標(biāo)，可以看出在財(cái)務(wù)信用風(fēng)險評估中，盈利性指標(biāo)最為重要，而現(xiàn)金流量指標(biāo)在經(jīng)過K—S檢驗(yàn)和T檢驗(yàn)都剔除了，同樣成長性指標(biāo)也只剩下一個指標(biāo)。本文的模型更重視盈利，償債等指標(biāo)。四是通過Logit模型進(jìn)行的財(cái)務(wù)信用風(fēng)險評估模型，構(gòu)造出來的因子1比較顯著，具備財(cái)務(wù)預(yù)警的能力。
【上市公司財(cái)務(wù)信用風(fēng)險評估的應(yīng)用研究論文】相關(guān)文章：
上市公司公允價值應(yīng)用研究12-12
上市公司財(cái)務(wù)內(nèi)部控制體系研究論文11-21
上市公司財(cái)務(wù)控制模式的選擇及問題論文02-23
美國上市公司財(cái)務(wù)治理的分析經(jīng)濟(jì)論文03-02
上市企業(yè)整合審計(jì)研究論文02-20
淺析上市公司財(cái)務(wù)造假的動因及其預(yù)防論文（精選5篇）01-11
GPSRTK技術(shù)在工程測量中的應(yīng)用研究論文02-14
- 相關(guān)推薦