摘要：在深入研究了大量国内外财务危机预警系统的相关理论和模型后，本文以上市公司64家房地产行业为研究样本，采用证监会行业分类的财务报表数据。在已有研究基础上，对各种预警模型进行了分析比较，特别关注了Z3值模型在我国房地产业财务危机预警分析中的研究对比和检验，同时发现了该模型存在的问题。
关键词：房地产上市公司；财务危机；预警
一、引言
目前，我国关于上市公司财务风险预警系统的研究仍不够成熟，明显滞后于证券市场的发展。相比之下，国外已经在财务预警模型研究方面取得了显著进展，与其发达的资本市场相匹配。本文以理论分析与实证分析相结合的原则，通过研究国内外财务危机预警文献，发现当前研究主要集中在预警模型的构建上，但多为单一预测方法构建的模型。为提高预测精度，本文利用Z3分数模型对房地产上市公司进行财务预警模型构建，并采用主成份分析法建立适合该行业的财务预警模型，旨在使其成为预测上市公司财务危机状态的有效工具。
二、房地产业上市公司财务预警研究的意义
财务危机预警研究经过多年发展，从最初的模型构建方法研究，到本国企业财务危机预警模型构建研究，再到各行业财务危机预警模型的探寻，每一步都凸显了学者们对财务危机预警研究的热情和执着，也体现了其对企业发展的重要*。房地产上市公司作为我国新兴行业，其潜力大、关联度高、带动力强等特点在我国经济发展中占据重要位置，其特殊的融资、负债结构也使其在特定条件下易发生财务危机。对该行业财务危机预警研究对我国房地产行业和整个经济的发展具有重要意义。
三、房地产上市公司财务预警模型的假设研究及样本构建
1、房地产上市公司财务危机预警模型应用的研究假设
首先，要明确样本类型。在过去的财务危机研究中，ST和*ST上市公司通常被作为财务危机的样本，其中ST公司因“异常状况”而被特殊处理。异常状况包括“财务状况异常”和“其他状况异常”，前者指“连续两个会计年度亏损”和“每股净资产低于股票面值”；后者主要包括自然灾害、重大事故等导致上市公司生产经营活动基本终止，在三个月内不能恢复；公司涉及可能赔偿金额超过净资产的诉讼；公司主要银行账户被冻结，影响正常经营等情况。鉴于其他异常状况具有不确定*，难以预测，本文主要对“财务状况异常”进行分析。奥特曼的Z3模型是适用于非制造业的预警模型，由于本文研究的对象房地产上市公司同样为非制造行业，因此采用该模型作为参考。基于以上分析，提出以下假设：
假设一：我国房地产业上市公司中的ST公司为财务危机型企业，其他企业为正常企业；
假设二：Z3值模型适用于我国房地产业上市公司的财务预警研究；
2、房地产上市公司财务危机预警模型应用中研究样本的选取
根据以上分析，选择样本的标准如下：
(1) 行业选择：本文以房地产上市公司为研究对象，旨在构建适合该行业的财务预警模型，因此选择房地产业作为研究行业。
(2) 正常公司（非ST公司）：在选取期间未被特殊处理的上市公司，定义为正常公司。
(3) 非正常公司（ST公司）：在选取期间连续两年净利润为负数的上市公司，即属于“财务状况异常”而被特殊处理。
选择了64家单位进行Z3值模型研究，详见表1。
第2篇：上市公司财务预警模型设计与分析
上市公司财务预警模型设计与分析
财务预警是以财务会计信息为基础，通过设置并观察一些敏感*预警指标的变化，对企业可能或者将要面临的财务危机实施的实时*和预测警报。财务预警中的数学模型就是财务预警模型，它是指借助企业财务指标和非财务指标体系，识别企业财务状况的判别模型。
财务预警模型的设计可以有两种，一种是单变量模型，这就是传统的财务指标分析。对这些指标的分析，能够揭示企业某一方面或几个方面是否存在问题。通过对这些指标的长期观察和分析，能够从一定程度上发现企业是否存在财务危机。但是，这种分析方法有其弊端，这些单个比率都只反映企业风险程度的一个方面，并且当它们彼此不完全一致时，指标的预警作用可能被抵消，因此其有效*受到一定的限制。因此，构建多变量模型就成为必然选择。
在多变量模型的构建方法上，可以有多元线*判定模型、LOGIT模型、神经网路模型等。结合我们计量课程所学和我们本篇课程论文样本的选取实际情况，我们将选择LOGIT模型来构建我们的这篇文章。
一、理论方法
应变量y是0～1二元变量，其定义如下：1,该公司为财务困境公司；0，该公司为财务健康公司。通过对n个样本公司的回归分析，，可以确定每个解释变量的系数。从而可以确定每个公司的，不是观测值，而是每个公司的期望值。
Logit模型采用的是Logistic概率分布函数,具体公式为，其中，对于给定的Fij，Pi是第i个企业财务困境的概率。因为这个概率是Logistic概率分布函数曲线下从∞到Zi之间的面积,所以指标Zi的值越大,第i个公司财务状况陷入困境的概率越大。上式经过数学整理可得，根据样本数据使用最大似然估计法估计出各参数值α,β,可求得第i个公司陷入财务困境的概率。根据配对选取样本的特点，一般假设先验概率为0.5，可以判断Z值大于0.5的公司存在财务危机的可能*比较大，而小于0.5的公司一般认为是财务健康的。
二、解释变量设计
根据财务指标对公司的财务状况进行预警，一般将财务指标分类为以下几类：盈利能力指标，包括资产净利润率、资产报酬率、净资产报酬率、销售净利率、主营业务利润率、每股收益，根据对指标的分析，一般认为净资产报酬率对盈利能力最具有综合*；变现能力比率，包括流动比率、速动比率、超速动比率；负债比率，有资产负债率、产权比率、有形净值债务率等；资产管理能力指标，有总资产周转率、存货周转率、应收帐款周转率、固定资产周转率等，可选择总资产周转率进入分析；成长能力指标有总资产增长率、主营业务收入增长率、留成利润比、留存收益总资产比、每股净资产等；现金指标，有现金流动负债比、现金债务总额比、销售现金比、全部资产现金回收率等，还有其他的一些指标，如主营业务鲜明程度（主营业务利润/净利润）、现金管理结果变量（经营现金净流量/（总负债－现金））。
根据以上分析，我们选取了以下指标进入分析：1流动比率，2净资产报酬率、3总资产报酬率、4主营业务利润率、5资产负债率、6长期负债总资产比率、7营运资本与总资产比率、8资产增长率、9主营业务收入增长率、10资产周转率、11流动资产周转率、12现金流动负债比、13现金债务总额比、14销售现金比、15（利润总额＋财务费用）/总资产、16主营业务鲜明程度、17现金管理结果变量（经营现金净流量/（总负债－现金）这些指标作为解释变量进入分析。
三、数据的获取
为了便于数据的获取，我们直接分析上市公司。这些数据都是从CSMAR系列研究数据库中的在我国上海，深圳两个交易所上市交易的上市公司年报财务数据库中选取的。
四、样本设计
首先，我们得对有财务危机和没有财务危机得企业进行定义。目前，财务理论界对公司财务危机的定义比较混乱，从上市公司来看，比较适宜的是我国证监会对上市公司的一个规定，就是将ST公司定义为存在财务危机是比较可取的。因此，我们将从数据库中选取连续2003年度和2004年度大概60家ST，与此相配对的是60家非ST的正常公司。经过筛选，将一些数据却是或者异常的公司排除以后，我们得到了34家ST公司样本。然后在60家非ST公司中随机选取了34家公司与之相配对，组成我们的样本数据。具体的样本选取结果如表一所示：
表一 样本公司
ST公司 非ST公司 ST公司 非ST公司
*ST长风 云南白* ST寰岛 焦作鑫安
*ST太光 世纪中天 ST吉纸 锦龙股份
ST昆百大 佛山照明 ST天然 锦州六陆
*ST长岭 泰山石油 ST天仪 鲁能
*ST托普 西安民生 ST重实 索芙特
*ST光明 数码网络 *ST长兴 天伦置业
ST圣方 蜀都A ST春都 西安饮食
*ST比特 成都华联 *ST飞彩 燕京啤酒
*ST恒立 四环*业 ST京西 永安林业
*ST兰宝 西安旅游 *ST巨力 东方热电
*ST九化 倍特高新 *ST龙涤 金陵*业
ST博盈 三木集团 *ST闽东 美利纸业
ST菲菲 民族化工 *ST农化 钱江摩托
ST湖山 长春高新 ST商务 数源科技
ST华信 丰乐种业 *ST唐陶 五粮液
ST化工 公用科技 *ST天一 新乡化纤
ST环保 惠天热电 *ST炎黄 扬子石化
五、分析过程及报告
（一）主要解释变量的选取
通过对以上17个指标的协方差分析，分析结果如表二所示：
表二 17个解释变量的协方差矩阵
F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 F11 F12 F13 F14 F15 F16 F17
F1 1.76 0.25 0.04 1.13 0.07 0.00 0.12 0.05 0.25 0.05 0.19 1.41 0.05 0.06 0.04 1.53 0.04
F2 0.25 1.82 0.08 7.67 0.11 0.01 0.09 0.07 0.48 0.05 0.14 0.12 0.05 0.09 0.10 1.54 0.06
F3 0.04 0.08 0.02 0.79 0.02 0.00 0.02 0.02 0.05 0.02 0.05 0.02 0.01 0.01 0.02 0.26 0.01
F4 1.13 7.67 0.79 131.58 0.79 0.20 0.44 0.93 7.78 1.01 2.35 0.58 0.21 2.94 0.93 7.86 0.26
F5 0.07 0.11 0.02 0.79 0.05 0.00 0.04 0.01 0.04 0.02 0.06 0.01 0.02 0.01 0.04 0.10 0.02
F6 0.00 0.01 0.00 0.20 0.00 0.01 0.00 0.00 0.01 0.01 0.00 0.01 0.00 0.00 0.00 0.05 0.00
F7 0.12 0.09 0.02 0.44 0.04 0.00 0.06 0.02 0.04 0.02 0.01 0.01 0.01 0.00 0.02 0.43 0.01
F8 0.05 0.07 0.02 0.93 0.01 0.00 0.02 0.04 0.07 0.02 0.05 0.03 0.00 0.02 0.01 0.26 0.00
F9 0.25 0.48 0.05 7.78 0.04 0.01 0.04 0.07 0.77 0.10 0.28 0.17 0.02 0.46 0.07 1.04 0.02
F10 0.05 0.05 0.02 1.01 0.02 0.01 0.02 0.02 0.10 0.13 0.28 0.02 0.02 0.05 0.01 0.43 0.04
F11 0.19 0.14 0.05 2.35 0.06 0.00 0.01 0.05 0.28 0.28 1.06 0.25 0.06 0.14 0.06 0.44 0.09
F12 1.41 0.12 0.02 0.58 0.01 0.01 0.01 0.03 0.17 0.02 0.25 1.37 0.04 0.08 0.02 0.59 0.04
F13 0.05 0.05 0.01 0.21 0.02 0.00 0.01 0.00 0.02 0.02 0.06 0.04 0.04 0.05 0.02 0.14 0.04
F14 0.06 0.09 0.01 2.94 0.01 0.00 0.00 0.02 0.46 0.05 0.14 0.08 0.05 0.66 0.03 0.09 0.06
F15 0.04 0.10 0.02 0.93 0.04 0.00 0.02 0.01 0.07 0.01 0.06 0.02 0.02 0.03 0.17 0.31 0.02
F16 1.53 1.54 0.26 7.86 0.10 0.05 0.43 0.26 1.04 0.43 0.44 0.59 0.14 0.09 0.31 119.61 0.30
F17 0.04 0.06 0.01 0.26 0.02 0.00 0.01 0.00 0.02 0.04 0.09 0.04 0.04 0.06 0.02 0.30 0.23
我们先来分析主对角线上的数据，从以上协方差矩阵我们可以看出，主对角线上的数据是每个解释变量的方差，。主对角线上有六个数据（表中用绿*背景显示）的方差比较显著。从主成分分析的角度来看，方差越大，其本身数据变动的范围也就越大，那么，它对应变量的贡献就越大，在众多的解释变量当中，就越有可能成为关键的解释变量。从因子分析方法的角度来看，自身方差越大的因子将会成为关键因素，因为它提供的信息越多，本身在所有因子当中的载荷也将更大，越能成为关键的因素。所以，不管是从主成分分析角度，还是因子分析思想的角度来看，以上六个变量将是我们从17个解释变量当中初步选择出来的。
现在我们再来分析主对角线之外的数据，这些数据是各个变量之间的协方差。我们主要注意已经被初步选取出来的六个指标之间的协方差关系。从表二看出，其中有几个比较大的协方差数据（表二中用黄*背景显示），从中分析出F1、F2、F4与F16的协方差比较显著，F1、F2、F4之间的协方差数据也是比较显著的。变量之间的协方差越大，那么它们之间的相关度可能也就越大，共线程度就越高。在回归分析当中，我们要尽量避免解释变量之间的共线**。这六个因素对应的指标是：F1：流动比率；F2：净资产报酬率；F4：主营业务利润率；F11：流动资产周转率；F12：现金流动负债比；F16：主营业务鲜明程度。
（二）回归分析
将以上6个主要因素用于回归估计。我们使用Eviews软件做LOGIT回归，经过反复比较，最后发现由F4、F12、F16作为解释变量进行回归估计得到的回归方程最好，其回归结果如表三：
表三 回归报告
DependentVariable:Y
Method:MLBinaryLogit
Date:06/05/05 Time:10:39
Sample:168
Includedobservations:68
Convergenceachievedafter9iterations
Covariancematrixputedusingsecondderivatives
Variable Coefficient Std.Error zStatistic Prob.
F4 3.135211 1.299228 2.413134 0.0158
F12 5.850158 2.767156 2.114140 0.0345
F16 0.274522 0.094936 2.891649 0.0038
Meandependentvar 0.500000 S.D.dependentvar 0.503718
S.E.ofregression 0.294016 Akaikeinfocriterion 0.663742
Sumsquaredresid 5.618969 Schwarzcriterion 0.761661
Loglikelihood 19.56722 HannanQuinncriter. 0.702541
Avg.loglikelihood 0.287753
ObswithDep=0 34 Totalobs 68
ObswithDep=1 34
如回归报告所示，三个因素的显著*水平都比较高。表达式可以写为：Z=3.135210574*F45.850157583*F120.2745218447*F16。从该表达式可以看出，三个因素与Z值的变换式负相关的。我们的理论表达式是，并将有财务困境的公司的p值定义为1，没有财务困境的公司的p值定义为0。从财务指标分析来看，比较两类公司的三个指标：F4：主营业务利润率，F12：现金流动负债比和F16：主营业务鲜明程度，没有财务困境的公司这三个指标都明显要高于有财务困境的公司，从我们的样本数据中也说明了这一点。我们再将这些指标与p值联系起来看，由我们得到的回归方程可以说明，三个指标越大，那么将会使Z值越低，也在向－∞靠近，那么p值也就越来越趋向于0，这与我们前面的理论是一致的。
我们现在再来对这些指标从财务分析的角度来予以解释。从有财务困境的公司来看，一般表现为公司的获利能力不强，资金流转不畅通，债台高筑，不能及时偿还短期债务，长期债权人的权益也不能得到保障。但我们知道，一个公司步入财务困境是一个渐进的过程。从有财务困境公司的最后结果来看，就是本公司不能获取足够多的利润，我们知道，一个公司的利润来源有多种，但正常来说没，主要靠公司的主营业务来获取利润，只有主营业务能够给公司带来足够多的利润，才能够支持公司的日常费用以及其他的支出。其他的利润来源，比如投资收益，其他业务收入等等并不构成公司的主要收入来源。因此，这也就是为什么主营业务利润率和主营业务鲜明程度进入我们模型的理由，这二个指标在模型中起“因”的作用。另外，公司对于短期负债必须予以及时的清偿，这些短期负债的清偿需要的是公司现金流。在现实中，有很多公司帐面的获利能力很好，但帐面上表现为巨额的应收帐款，并不能收现。这些公司也面临着被债权人追偿或诉讼的可能*。
我们认为，之所以流动比率、净资产报酬率和流动资产周转率没有进入模型，是因为这三个指标都是公司进入了财务困境的结果，而不是原因。我们刚才说过，公司步入财务困境是一个渐进的过程，我们建立预警模型的目的就是要对公司的财务发展状况进行预测，预测需要的是含有“因”信息量的指标，而不是有“果”表现的指标。
（三）模型拟合优度检验
我们用Eviews软件提供的HosmerLemeshow检验来对模型的拟合优度进行检验。为了保证该检验的分组效果，我们在分组的时候是进行的随机分组。在组数的确定上，由于我们是配对样本，各有34个样本公司，该检验要求每组的样本量不能太小，另外还要考虑HLStatistic统计分布的自由度问题，我们选取了分为5组。检验结果如下表四所示：
表四 拟合优度检验报告
QuantileofRisk Dep=0 Dep=1 Total HL
Low High Actual Expect Actual Expect Obs Value
1 0.0000 0.0382 13 12.8081 0 0.19188 13 0.19476
2 0.0394 0.1277 12 12.8284 2 1.17162 14 0.63920
3 0.1460 0.7379 7 7.46147 6 5.53853 13 0.06699
4 0.7553 0.9012 1 2.44694 13 11.5531 14 1.03683
5 0.9026 1.0000 1 0.35527 13 13.6447 14 1.20048
Total 34 35.9002 34 32.0998 68 3.13825
HLStatistic: 3.1383 Prob.ChiSq(3) 0.3708
AndrewsStatistic: 10.1879 Prob.ChiSq(5) 0.0701
我们可以从最后的统计检验来看模型拟合优度的问题。Eviews提供的HosmerLemeshow检验的零假设为拟合完全充分。我们看最后回归报告中与HLStatistic的相伴概率值为0.3708，说明我们不能拒绝原假设，也就是说，我们的回归模型拟合优度值比较满意。
（四）模型期望－预测表（ExpectationPredictionTable）
我们可以根据该表来看模型的分组及对利用样本数据对模型回判精度的检验。本文的理论部分我们已经提到过，我们的样本数据是采用的配对控制样本。也就是说，在样本中，有财务困境的公司和没有财务困境的公司的样本一样，而且我们使用回归方法－LOGIT方法本身的特点，根据先验假定，判别阀值为0.5。根据模型，计算出某个样本的p值大于0.5，那么就认为该公司将步入财务困境，否则，则认为没有财务危机。该表计算结果如表五：
表五 模型期望－预测表
EstimatedEquation ConstantProbability
Dep=0 Dep=1 Total Dep=0 Dep=1 Total
P(Dep=1)<=C 31 3 34 34 34 68
P(Dep=1)>C 3 31 34 0 0 0
Total 34 34 68 34 34 68
Correct 31 31 62 34 0 34
%Correct 91.18 91.18 91.18 100.00 0.00 50.00
%Incorrect 8.82 8.82 8.82 0.00 100.00 50.00
TotalGain* 8.82 91.18 41.18
PercentGain** NA 91.18 82.35
EstimatedEquation ConstantProbability
Dep=0 Dep=1 Total Dep=0 Dep=1 Total
E(#ofDep=0) 29.20 6.70 35.90 17.00 17.00 34.00
E(#ofDep=1) 4.80 27.30 32.10 17.00 17.00 34.00
Total 34.00 34.00 68.00 34.00 34.00 68.00
Correct 29.20 27.30 56.51 17.00 17.00 34.00
%Correct 85.89 80.30 83.10 50.00 50.00 50.00
%Incorrect 14.11 19.70 16.90 50.00 50.00 50.00
TotalGain* 35.89 30.30 33.10
PercentGain** 71.79 60.61 66.20
该表包括上下两个表，上面个表格是根据回归模型的分组准确*统计结果；下面个表是根据回归模型对样本数据的预测结果，也可以叫回判准确率统计表。每个表又分为左右两部分，左边部分是回归方程信息统计，右边部分是与相对应的零截距模型信息统计。零截距模型的主要作用就是将之与回归方程进行比较，看回归方程的拟合准确率。
我们先看上面个表。该表是分组统计信息，我们可以看出，我们的样本中有34个ST公司，p值定义为1；有34个非ST公司，p值定义为0，回归模型分组统计正确个数分别为31，31。正确率为91.18％，整体正确率也为91.18％，相对于零截距模型而言，准确率提高了82.35％，这说明我们的回归模型分组统计效果很好。
再看下面一个表。该表是对样本数据的回判精度统计信息。该表的左边部分显示，对无财务困境的样本公司判正率为85.89％，对有财务困境的公司的判正率为80.30％，总体判正率为83.10％，判正率很高了。相对于右边的零截距模型而言，整体判正率提高了66.2％。这也说明了我们得到的回归模型整体效果很好。
六、结论
我们通过选取一定的样本数据，利用已经学习过的计量方法，结合样本公司和我们要建立模型的目的，最终我们选择了非线*的LOGIT模型作为我们的建模方法。最后，通过一步步的分析，通过对大量指标的初步筛选，以及利用变量间的协方差矩阵做进一步的选择，我们选择了六个财务指标作为我们建模的基础指标。将这些指标通过Eviews软件的模型测试，最终我们选择了三个财务指标，即主营业务利润率、现金流动负债比和主营业务鲜明程度这三个财务指标作为我们模型的根本解释变量。通过对模型拟合优度和判别精度的检验，我们发现我们的模型整体判正率为83.10％，得到了我们预期的目的。
第3篇：对上市公司亏损的财务预警信号的研究
对上市公司亏损的财务预警信号的研究
摘要 本文随机抽查了四家机械行业上市公司的有关财务数据,运用单变量模型进行分析，得出在企业亏损前其获利能力指标对每股收益的影响较大。通过多变量分析建立判定方程，得出可通过截止点预测企业亏损的可能*
关键词上市公司预警信号单变量分析多变量分析
1引言
自1998年推出上市公告预亏制度以来，亏损企业频频出现。1999年度，58家公司发布预亏公告，其中，新亏损的公司竟达34家，占58.62%。在2000年，发布中报的公司共有721家，其中，沪市388家，深市333家，亏损中报62家。自科龙电器2000年12月22日公布了2001年报的第一份预亏公告以来，2000年上市公司预亏家数就呈现出迅速壮大的势头。截至2001年2月28日，沪深两市共有86家上市公司发布了预亏公告，沪市39家，深市47家。从目前公告的亏损情况以及年报公布的进程来看，2000年上市公司亏损的家数在绝对数上将有望再创历年新高，换而言之，上市公司的亏损面正呈现出逐步扩大的势头面对如此大范围、大规模的亏损，必然对投资者、企业、乃至股市、宏观经济产生不利的影响。既损害投资者的利益，又弱化企业的素质和竞争力，阻碍证券市场优化资源配置功能的实现，进而危及国民经济的健康发展。
作为投资者，如何能获取满意的投资回报率？作为管理者，如何能预先警觉到企业的问题，防患于未然，提前作好企业的长期战略和发展规划，使企业不断发展？目前国内无论在理论和实践方面的研究都较少。因此我们试图利用单变量模型和多变量模型对上市公司亏损企业财务报表及相关经营资料进行分析，从财务方面对企业亏损问题进行研究。希望能够借此给广大的投资者和企业管理人员提供一定的预警作用。
2研究程序及方法
2.1 亏损企业样本（Sample）的选取
我国上市公司的亏损速度较快，分布较广，其中，机械、电子和房地产行业更是亏损企业的聚集区。为了使结论具有可比*，我们考虑了行业特点、产品生命周期以及可能选取的样本情况，本文在亏损企业中随机选取了4家机械制造业的上市公司作为样本进行分析，它们分别是（600806）昆明机床，（0025）ST特力A，（600691）东新电碳和（600610）ST中纺机。
由于上市公司的中报未经审计，其财务数据的可信度自然会大打折扣，所以本文仅采用公司的年报数据进行分析，以取得较大的可信度和实用*。
2.2单变量分析
单变量模式是用个别财务比率来预测财务危机的模型，当模型中所涉及的财务比率趋势恶化时，通常是企业发生财务危机的先兆。采用单变量模式分析企业亏损的实质就是找到与企业亏损相关*较大的指标，可以通过线*回归来完成。
2.2.1数据的收集
本文分析时所使用的财务报表数据是从和讯网上（）下载的，在和讯网上可以查询到每个上市公司年报、中报的财务报表，包括资产负债表，损益表和现金流量表（我国在98年以前企业提供的是财务状况变动表，98年以后才要求提供现金流量表，所以现金流量表数据较少）。另外，为了保证数据的可靠*，对一些有明显差异的比率又将其与其它网站的一些财务报表指标进行了比较，并根据常用的计算方法进行了调整。
2.2.2比率的选择
由于财务比率的数目种类较多。我们根据他们的通用*和相关*选用了变现能力，获利能力，偿债能力，管理能力中的14项比率，另外还包括一些常用的比率，例如：权益收益率，总资产收益率，流动比率及股东权益率等，以及一些参考文献上采用的对企业破产进行分析的比率，例如，息税前盈余/总资产，营运资本/总资产等[见ALTMAN,《CorporateFinancialDistress》，JohnWiley&SonInc.,第106页]。
2.2.3统计分析
将这四家企业的每股收益作为因变量，14个财务比率作为自变量，取其亏损前三年至亏损年度的数据，用SPSS进行线*回归分析。在所分析的14个比率中，只有权益收益率和总资产收益率与每股收益相关*较高，而其它比率的相关*较低。结果如表1和表2所示：
表1 权益收益率与每股收益线*回归结果
Model R RSquare AdjustedRSquare Std.ErroroftheEstimate
1 0.991 0.981 0.980 4.232E02
表2 总资产收益率与每股收益线*回归结果
Model R RSquare AdjustedRSquare Std.ErroroftheEstimate
1 .990 .980 .979 4.311E02
注：权益收益率=企业利润净额/平均资本金数额，是衡量投资者投入资本金的盈利 能力，该收益率是站在所有者立场来衡量企业盈利能力的财务指标。
总资产收益率=利润净额/平均资产，是反映企业资产综合运用效果的指标。
由上面分析的结果可以看出，权益收益率和总资产收益率与每股收益具有很强的相关*。这说明，当这两项指标恶化时，通常是企业发生亏损的前兆。
2.3 多变量分析
多变量分析是将多种财务比率加权汇总产生总判别分来进行财务危机的预测。最初的多变量模型为美国的爱德华.阿尔特曼在60年代中期创造的z记分模型，用来预测企业破产的可能*。其主要思想是在企业违约前，违约企业和非违约企业的财务指标会有很大差异，从中找出差异较大的指标，以此来预测企业违约的可能*。
2.3.1样本数据选择
多变量分析是对比分析，通过不同样本之间的对比来找出他们的差异。这里一共选择了6家机械行业的企业作为样本进行分析。这3家赢利企业是(600732)上海港机，(600761)安徽合力，(600815)厦工股份，3家亏损企业仍然是ST中纺机，昆明机床，东新电碳。
2.3.2检测比率选择
将这6家企业按照亏损企业和盈利企业分为两组，亏损企业为组1，赢利企业为组2。将他们在企业亏损前一年（97年）的各项财务比率进行统计对照，为了找到具有显著变化的财务比率，我们根据(1)亏损企业的财务比率变化显著；(2)单个比率变化方差相对较小的原则，从14个比率中选择了5个比率作为判别变量。这些比率在两组的统计情况如表3：
表3 盈利企业与亏损企业比率对照
ATR2 ATR1 E/A2 E/A1 EBIT/A2 EBIT/A1 ROA2 ROA1 WC/A2 WC/A1
N 3 3 3 3 3 3 3 3 3 3
Min. .51 .11 .32 .45 .03 .01 .04 .00 .19 .08
Max. .77 .41 .90 .89 .11 .04 .09 .00 .35 .43
Sum 1.84 .75 1.64 1.90 .23 .05 .19 .01 .77 .70
Mean .61 .25 .5476 .6333 .07 .17 .063 .003 .257 .233
注：比率后面的数字表示比率的组别，例如ROA1表示第一组（亏损组）的总资产回报率，ROA2表 示第二组（赢利组）的总资产回报率。
其中，ATR=销售额/总资产的平均值；ROA=净利润/总资产；E/A=股东权益/总资产；
EBIT/A=息税前收益/总资产；WC/A=营运资本/总资产；
2.3.3判定方程
将上面选出的五个判别比率拟合成一个线形方程，每股收益与上述五个指标做多元线形回归，结果如表4所示：
表4 多元线*回归结果
R RSquare AdjustedRSquare Std.ErroroftheEstimate DurbinWatson
.987 .975 .969 4.673E02 2.035
表5 线*回归系数表
UnstandardizedCoefficients StandardizedCoefficients t
B Std.Error Beta
(Constant) 5.825E02 .039 1.488
ROA 3.071 .157 .858 19.617
EA .215 .066 .205 3.286
EBIT/A .784 .164 .223 4.774
WC/A .170 .075 .126 2.274
ATR .112 .078 .060 1.440
从线形回归的结果可以看出，所选的五个比率与每股收益的拟合程度很好，而且通过DurbinWatson检验，*这五个参数间不存在自相关情况。回归分析的方程系数如表5。
由于线形回归方程的变量系数太复杂，同时还有常数项，对此进行了调整，得到如下判定方程：
L（代表亏损LOSS）=3.02*ROA+0.22*E/A+0.78*EBIT/A0.17*WC/A0.11*ATR
各个符号表示意义同前。
2.3.4模型检验
根据上面确定的判定方程进行检验，首先对样本组的数据进行检验，结果如图1。
图1图2
从图中可以看出，赢利企业的得分基本在2以上，而亏损企业的得分一般较低，通常小于1。由这个检验结果可以看出此模型可以很好的将亏损企业与赢利企业分开。
(2)逐渐增加样本的数量来进行检验，首先，增加了2家亏损公司(600765)力源液压和(0025)深特力A，与原先的样本公司不同的是，这两家公司于1999年亏损，而样本公司于1998年亏损，将数据代入模型进行检验，结果如图2。
从图2中可以看出，(1)中的结论还可以成立，只是亏损公司和赢利公司的分界不如(1)那么明显了。而且，有一个赢利公司数据的得分还落到了0.58，小于所有亏损企业的得分。从该公司各项财务数据可以发现，在1998年，上海港机的每股收益由每股0.3元大幅跌至0.03元每股，净利润由5000多万降到600多万，种种迹象表明，公司赢利能力下降，成本费用上升，这些迹象符合单变量模型中公司亏损的前兆。
将亏损公司的数量增加到7家，同时加进赢利公司的数据加以比较，如图3。
图3
从图中可以看到基本的趋势保持不变，这些公司清楚的被分为亏损企业和赢利企业两大集团。赢利企业得分最高达到了3.5，亏损企业最低得分达到了0.5，在1.5～2的区域内，有两家赢利企业和两家亏损企业，虽然赢利公司的总体得分高于亏损企业的得分，但是相对的幅度较小。
从上面的3次检验中我们可以得到这样一个结论，模型中得分高的企业在未来亏损的可能*小，得分低的企业在未来亏损的可能*大。
2.3.5截止点（Cutoff Point）
从检验结果可以看出，此模型可以将亏损和赢利企业区分。而且，企业的得分越高，再未来的一年亏损的可能*越小，得分越低，第二年亏损的可能*越大。由图（3）可以看出，1.52是一个比较模糊的区域(GrayArea)，在此区域亏损企业与赢利企业的得分差距较小。亏损企业的最高得分为1.67，而赢利企业的最低得分为1.76，取其中值1.72作为模型的判定截止点。
3.结论
本文根据单变量和多变量模型对机械行业的亏损企业进行财务分析，得到了两个结论：
(1)根据单变量模型分析，企业的盈利能力较低通常是导致企业亏损的直接原因。在盈利指标中，应对权益收益率和总资产报酬率这两个指标特别重视，当这两个指标较低时，企业在未来亏损的可能*较大。
(2)对企业未来亏损的可能*可以用以下方程来判定：
L=3.02*ROA+0.22*E/A+0.78*EBIT/A0.17*WC/A0.11*ATR
模型的截止点是1.72时，企业得分高于截止点时，企业一般不会出现亏损，小于截止点时，企业就有可能出现亏损。企业的得分越高，企业未来亏损的可能*越小，得分越低，亏损的可能*越大。
(3)本文研究的主要样本是机械行业的上市公司，由于行业间的差异，运用此模型到其他行业的公司可能并不适用，但对其它行业分析亏损仍有借鉴作用。
参考文献
吴世农.《现代财务理论与方法》课程大纲.2000年8月在全国MBA院校《财务管理》师资培训研讨会上使用
于俊年.《计量经济学》.对外经济贸易大学出版社，2000年6月第1版
张保法.《经济计量学》.经济科学出版社，2000年1月第4版
TheStudy0nSignalsoftheCorporations’FinancialDistress
Abstract Withrandomlycollectedfinancialdataof4publicpaniesinmechanicindustry,UnivariatemodelwasemployedtogettheconclusionthattheprofitabilityratioisthemostinfluencingfactortotheEPS.Whenutilizingthemultivariateanalysistodevelopthediscriminatingfunction,thecutoffpointwasestablishedtopredictthepossibilityofcorporatefinancialloss.
KeywordsPublicCompany,PredictingSignal,Univariateanalysis,Multivariateanalysis