上市公司财务信用风险评估的应用研究

导语：上市公司财务信用风险评估的应用研究一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

【摘要】我国是能源生产和消费大国的，新能源上市公司的健康发展对我国的未来的战略部署有重大的意义。同时新能源上市公司属于资金密集型公司，有必要对其财务风险做好评估，降低风险，减少损失。本文选取我国深沪两市A股市场的25家正常经营的公司和25家ST公司，在因子分析和Logit模型原理的基础上，运用SPSS19.0和STATA分析软件，运用Logit模型进行实证分析，来对新能源上市公司的财务状况进行预测分析。实证证明主成分1对于财务预警具有很强的预测能力。

【关键词】logit;新能源;因子分析;STATA

一、绪论

新能源是一个正在兴起，并且在国家的大力支持下蓬勃发展的行业。对于新能源上市公司，不仅需要与同行业的新能源公司竞争，还需要跟传统的能源公司竞争。对于身处竞争激烈的新能源上市公司而言，建立财务机制是十分必要的。因为往往财务数据的异常能反映出公司的潜在危机，为公司预防和应对危机提供可靠的依据。本文的财务信用风险评估就是对引起企业财务状况和经营状况异常的因素进行跟踪和监测，以便公司的管理层应对危机。本论文还克服了仅仅依靠单纯的财务指标来预警带来的滞后性，将新能源上市公司的财务风险看成一个动态变化的过程，对于新能源上市公司危机预警和降低危害具有重大的意义。

二、国内外研究现状

马丁（Martinm，1977）选取1969～1974年间58家有财务困境的银行，运用筛选出的8个财务指标预测两年后银行破产概率，由此建立了Logistic回归模型，预测效果比Z模型和ZETA模型好。奥尔森（Ohlson，1980）选取1970～1976年的2163家企业，其中2058家营运正常企业，其余是经营困难的企业，建立Logistic回归模型，准确率高达96.12%，这也是多元回归模型第一次在破产预测中的应用。姜秀华、任强和孙铮（2001）选择了84家企业按照1:1的方式配对，建立Logistic判别模型，得出对两类企业的预测准确率都在80%以上。李蕾和韩立岩（2010）利用主成分分析和logistic回归模型解决了解释变量多重共线性等问题，提出了我国中小企业的财务指标体系。李月英（2010）选取了38家上市公司，其中31家良好的公司，7家st公司构建独院线性回归模型，研究表明主营业务收入增长率，资产负债率和总资产增长率是预测最显著的3个指标。

三、Logistic模型在新能源上市公司财务信用风险的实证分析

（一）样本的选择

本文的研究对象是我国新能源上市公司，选择2009年到2014年间第一次被st的公司作为财务危机来研究，并考虑公司的规模和公司所处的行业，按照1：1的原则来匹配为st公司匹配正常运营的公司。本文筛选了2009到2014年间首次被st的25家A股新能源上市公司，同时根据上述原则匹配了25家A股新能源上市公司。本文根据指标体系分为盈利能力指标，偿债能力指标，成长能力指标，运营能力指标和现金流量指标，包括每股收益、每股净资产、每股营业利润、净资产收益率等35个财务指标。

（二）财务指标的筛选

本文初步构建的指标体系涉及五大模块35个财务指标，但是不清楚对于样本的分布，所以对财务指标进行非参数检验来筛选指标。首先本文利用spss19.0选用k-s检验来判断样本是否服从正态分布。根据k-s检验可知，除了利息保障倍数（X15）等13个指标外，其余的22个财务指标都服从正态分布，这指标体系中服从正态分布的指标多，故留下服从正态分布的22个指标进行之后的检验。接下来对22个指标进行显著性差异检验。利用spss19.0对上文中的22个服从正态分布的指标进行显著性差异的检验。因为要做财务信用风险评估，需要样本之间有显著性的差异，故对样本进行T检验。根据分析结果，留下具有显著性差异的每股收益（X1），每股净资产(元/股)（X2）等14个指标。

（三）因子分析

根据因子分析的原理，利用spss19.0对保留的14个指标，50个样本进行因子分析。通过对KMO检验和Bartlett球形检验做因子分析。由结果可知，本文中的KMO值为0.797，Bartlett球形检验统计量的Sig为0.000，故本文的样本适合做因子检验。对样本按照主成分分析的原理进行因子分析。按照“解释的总方差”表，提取了3个公因子，解释的总方差依次为54.382%，11.985%和10.627%，总共能够解释76.967%。（四）logit回归利用stata对通过因子分析的得到的3个公因子作为协变量进行二元Logit分析，按照进入法的方法进行回归分析，协变量全部进入模型。因变量表示企业的状况，“1”表示经营状况好的公司，“0”表示st的公司。据Logit回归结果可知，主成分1的p值为0.005，主成分2的p值为0.359，主成分3的p值为0.702。我们可以看出利用Logit模型构造出来的财务风险预警能力，第一个因子很显著，另两个因子的在5%的显著性水平下不显著。

四、结论

一是我国的财务数据还是比较有效，通过对新能源上市公司财务数据的筛选，具备对新能源上市公司的财务信用风险评估的能力。二是我国新能源上市公司的财务状况恶化是一个逐渐恶化的过程，本文筛选的是公司被st前两年的数据，从分析结果可以看出，在t-2年的时候，财务指标已经出现了显著性的差别，并且用预测出的准确率还是比较高的。三是本文的指标体系中引进了成长性指标和现金流量指标，可以看出在财务信用风险评估中，盈利性指标最为重要，而现金流量指标在经过K-S检验和T检验都剔除了，同样成长性指标也只剩下一个指标。本文的模型更重视盈利，偿债等指标。四是通过Logit模型进行的财务信用风险评估模型，构造出来的因子1比较显著，具备财务预警的能力。

作者:韩 珂 郝佳蓓 单位:山西财经大学