中国非金融业上市公司财务危机的动态预警研究

发布时间：2020-11-16 14:29

　　 随着我国整体经济和金融市场的不断发展,非金融业上市公司的数量迅速增加,规模迅速扩大,非金融业上市公司已经成为我国国民经济的重要组成部分,为我国国民经济的快速发展做出了巨大的贡献。与此同时,非金融业上市公司资产结构中,金融资产的比重不断攀升。这也导致金融风险由金融业向非金融业传导,非金融业上市公司面临的财务危机风险大大增加,这一点在我国也尤为突出。据统计,中国非金融业企业2015年底负债率高达156%,其中国非金融业企业的比例高达65%。需要注意的是,非金融业企业财务危机的产生原因与金融业企业产生财务危机的原因并不相同,金融业的财务预警指标以及财务预警模型并不完全适用于非金融业上市公司。同时,随着市场竞争的愈发激烈,构建动态财务预警模型,实现一定时期内公司财务危机概率的预测和输出也迫在眉睫。因此,本文以中国非金融业上市公司为研究对象,基于Forward Intensity方法建立了符合我国非金融业上市公司实际的动态财务预警模型,旨在提高我国非金融业上市公司的风险管理和防控能力,促进我国非金融业上市公司的快速发展,维持我国经济市场的正常秩序,预防债务危机的发生。本文从财务预警指标和财务预警模型两个方面总结并梳理了国内外的相关研究,指出在已有的研究多是针对于金融业企业,缺乏对非金融业企业财务预警的研究,此外,已有的财务预警模型多为静态财务预警模型,缺乏对财务危机概率的长期动态预测,针对于这两个问题,本文以实现中国非金融业上市公司财务危机的动态预警为目标展开了相关研究。首先,本文对财务风险、财务危机以及动态财务预警等相关概念进行了界定,考虑到相对于国外而言,中国上市公司很少被退市,因此以公司是否被特别处理来作为中国上市公司财务危机的判断标准,并以构建动态财务预警模型为目标,设计了基于Forward Intensity方法的动态财务预警模型,采用极大似然法对模型进行参数估计,进而获得上市公司的动态财务危机概率。其次,基于中国非金融业上市公司的发展实际,以中国非金融业上市公司财务危机的成因为切入点,从盈利能力、偿债能力、发展能力、现金流量和市场表现五个方面构建了中国非金融业上市公司的财务预警指标体系,并基于统计学方法实现了指标的筛选,提取了显著指标。最后,本文基于400家中国非金融业上市公司的实际数据对指标体系及模型进行了实证检验,输出了公司的动态财务危机概率。实证结果表明,Forward Intensity动态财务预警模型能够输出一定时间内公司出现财务危机的概率,且具有较高的预测精度,能够实现中国非金融业上市公司的动态财务预警,有效地帮助中国非金融上市公司开展财务风险管理,促进中国非金融上市公司的健康持续发展。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2017
【中图分类】：F275;F832.51
【部分图文】：

定负债的情况下由债务人的资产市场价值决定的。但资产并没有真实地在市场交易，资产的市场价值不能直接观测到。为此，模型将银行的贷款问题倒转一个角度，从借款公司所有者的角度考虑贷款归还的问题。从实证结果可以看出，违约距离对于中国上市公司财务状况仍然具有预测价值，随着预测时间的增加，预测能力有所下降。4.3 动态财务危机概率的输出为了初步测试模型的效果，本文选取被 ST 的非金融业上市公司江泉实业与模型样本全部上市公司的平均值做对比。本文使用预警期限为 8 个季度的模型，根据江泉实业从 2010 年到 2016 年的季度数据，本文用模型分别预测江泉实业该季度两年后的动态财务风险强度同时算出这 6 年来的累加财务危机概率，并与平均值作比较。如图 4-1 和图 4-2，显然江泉实业的财务危机概率要高于平均值。而更具资料显示江泉实业在 2016 年年初由于持续亏损，被特别处理变更为 ST 江泉实业。由此可见当预警期限为 2 年时，该模型仍具备预测能力，可见对中国非金融业上市公司的动态财务预警是可行的。

图 4-2 财务危机概率比较图4.4 结果分析本文使用样本外的 200 家公司作为测试样本，用当月的财务数据及违约距离代入模型计算不同前向时间出现财务危机公司数的期望，与真实出现财务危机的公司数做对比，计算出 Forward Intensity 精度，因为上市公司都是在年报发布后，决定是否被特别处理，而财务危机可能早就发生了，所以根据被 ST 的定义，ST股，在股票领域上是指上市公司连续两个财年亏损而被特别对待的股票，所以在做测试的时候，将曾经被 ST 公司找出，看财务报表，出现连续的第 8 个季度亏损时，此刻的时间节点定义为上市公司出现财务危机的时间。如果出现财务危机，该公司推出测试样本。此外为了与国内比较通用的财务预警做对比。本文还使用了基于 BP 神经网络财务预警模型与其作对比。用的是相同指标。BP 神经网络，输入层节点数等于指标数，输出层 1 节点，财务正常为 0 出现财务危机为 1，参数设定方面，同时权衡精度与训练时间两个方面，经过多次实践分析，选择如下：神经网络训练的目标误差设定为 0.000001，显示中间结果的周期设为 5000，最大
【参考文献】

相关期刊论文 前10条

1 李静;;Z-score模型对中国上市公司财务预警适用性分析[J];山西广播电视大学学报;2017年02期

2 宋鹏;李婷婷;;中小上市企业财务危机预警研究——基于RS—Logistic回归的实证检验[J];会计之友;2017年09期

3 宋彪;徐沙沙;丁庆洋;朱建明;;基于系统结构模型的大数据财务预警指标分析[J];会计之友;2017年09期

4 白云峰;;探究构建新能源企业财务风险预警指标体系[J];财会学习;2017年03期

5 刘玉敏;刘莉;任广乾;;基于非财务指标的上市公司财务预警研究[J];商业研究;2016年10期

6 关欣;王征;;基于Logistic回归和BP神经网络的财务预警模型比较[J];统计与决策;2016年17期

7 迟国泰;张亚京;石宝峰;;基于Probit回归的小企业债信评级模型及实证[J];管理科学学报;2016年06期

8 邓馨;国超;;引入EVA指标的上市公司财务预警模型对比研究[J];会计之友;2016年08期

9 黄德忠;朱超群;;引入企业资产质量指标的财务风险预警模型[J];财会月刊;2016年08期

10 邹新颖;涂光华;;基于信用风险及融资约束模型的财务预警指标构建[J];统计与决策;2015年14期

本文编号：2886336