《财务危机预警》PPT课件.ppt

（三）企业财务困境的评价标准（三）企业财务困境的评价标准 1 1、财务困境的评价标准、财务困境的评价标准 （1）Carmichael（1972）标准：认为财务困境是企业履行义务时受阻，具体表现为四种形式：（a）流动性不足：流动负债大于流动资产，履行短期债务有困难；（b）权益不足：长期偿债能力不足，由于留存收益呈现赤字，或总 负债大于总资产，即负权益；（c）债务拖欠：不能偿还应付负债，或违背了贷款协议条款；（d）资金不足：公司受限于或者无法获得各种额外资金。（2）Ross等人（1999；2000）标准：认为可从四个方面定义企业的财务困境：（a）企业失败：即企业清算后仍无力支付债权人的债务；（b）法定破产：即企业和债权人向法院申请企业破产；（c）技术破产：即企业无法按期履行债务合约付息还本或企业处于 经营性现金流量不足以抵偿现有到期债务；（d）会计破产：即企业的帐面净资产出现负数，资不抵债。（3）Beaver（1966）的标准：所指79家“财务困境公司”包括：59家破产公司、16家拖欠优先股股利公司和 3 家拖欠债务的公司，由此可见，Beaver把破产、拖欠优先股股利、拖欠债务界定为财务困境。（4）Altman（1968）的标准：定义的财务困境是“进入法定破产的企业”。（5）Deakin（1972）的标准：认为财务困境公司“仅包括已经经历破产、无力偿债或为债权人利益而已进行清算的公司”。由此可见，财务困境的界定标准因研究目标的不同而不同。（四）企业财务困境的判定（四）企业财务困境的判定/预测方法预测方法 1 1、单变量判定、单变量判定/预测方法预测方法 逐一比较财务困境企业和非财务困境企业的财务指标，判断财务困境企业和非财务困境企业在某一（或某些）关键指标是否存在显著差异。常见存在显著差异的财务指标有：现金流量与总债务比率、累计市值、EPS、ROE、应收帐款周转率、流动比率、负债/权益、长期负债/权益，等等。2 2、多变量判定、多变量判定/预测方法预测方法R.A.Fisher发明统计判定分析方法，用于判定/预测不明身份单位的总体归属问题。第一个使用判定分析预测破产问题的是纽约大学的 Edward Altman（1968）“Financial Ratios,Discriminant Analysis,and Predication of Corporate Bankruptcy,”JOF 23,Sept.1968。Altman 的实证研究结果：EBIT Sales Market Value of Equity Z=3.3-+99.9-+0.6-Total Assets Assets Book Value of Debt Retained Earnings Working capital +1.4-+1.2-Total Assets Total Assets3 3、判定判定/预测财务困境、破产或违约风险的原理预测财务困境、破产或违约风险的原理 （1）问题：违约企业和非违约企业，在违约前期，各类主要财务指标存在显著差异。如何用一个变量综合反映各类财务因素的总差异 （2）思路：通过收集违约和非违约企业的财务指标进行对比分析，选定判定变量；然后按照判定分析方法，建立债券违约判定模型。判定模型是一系列判定变量的线性组合，反映了违约企业与非违约企业在财务指标方面的综合差异，因此最大限度区分这二类不同财务特征的企业。（3）程序：*选择判定变量*抽样（已经发生财务困境企业和财务状况正常的企业）*数据整理 *选择模型*建模和估计判定/预测模型 *确定最佳判定点*判定效率检验*应用估计的模型进行判定或预测（五）美国州政府发行的债券无违约风险吗？（五）美国州政府发行的债券无违约风险吗？1 1、案例背景和问题、案例背景和问题 政府也有财务状况健康与否的问题。巨额财政赤字是中央政府或国家财务状况不佳的表现；地方政府也可能因财政收支失衡导致资产无流动性而无力偿还到期债务。美国最富有的橙县（Orange County）1994年12月1日宣布17亿美元的投资损失，橙县政府于12月月6日不得不宣布进入破产保护。因此，众多州政府发行的债券也存在着违约风险。为了区分类似的州政府债券是否存在违约风险或还本付息风险，有必要判定州政府债券的等级是属“”以上（含）或“”以下。为此，财务分析家可以选择的判定变量和，估计一个二组判定模型，即 iii (i=1,2,.,10)下表是美国80年代10个州政府发行债券的违约等级情况。其中，6种债券为A级，表示违约风险较小，另4种债券为B级，表示违约风险较大。州政府发行债券风险等级主要与该州人均财产价值和人均债务有关。下表也列示这10个州这方面的数据。2 2、美国、美国1010个州政府债券的等级和相关判定指标个州政府债券的等级和相关判定指标 组别 债券 人均财产价值(X)债券人均债务(Y)幕帝等级 i 值 1$6685$116 Aa 4 组 组 V(X)=10861900 V(Y)=32790 Cov(XY)=-16187 D(X)=A组平均值B组平均值=3653 D(Y)=A组平均值-B组平均值=-165 说明：1.资料来源：George Foster,Financial Statement Analysis,1986.厦门大学吴世农3 3、建模与估计模型、建模与估计模型 iii (i=1,2,.,10)ii 其中：V(Y)D(X)-Cov(XY)D(Y)V(X)V(Y)-Cov(XY)Cov(XY)V(X)D(Y)-Cov(XY)D(X)V(X)V(Y)-Cov(XY)Cov(XY)在上式中：V(X)是变量X的方差；V(Y)是变量Y的方差；Cov(XY)是变量X和Y的协方差；D(X)=A组平均值B组平均值；D(Y)=A组平均值-B组平均值。4 4、确定最佳判定点确定最佳判定点 根据所估计的判定模型，可以计算各样本单位的值，然后确定“最佳判定点”，用以预测债券的类别。“最佳判定点”是使得样本单位的误判数量为最小的值，其最简单的确定方法是：将值按大小顺序依次排列，然后计算相邻的二个值的平均值，其中使得样本单位的误判数量为最小的平均值就是“最佳判定点”。由表中的值可计算相邻二个值的平均数，并确定“误判数”和“最佳判定点”：当，误判数2 ，误判数1（最佳判定点），误判数2 .所以，最佳判定点=.。5 5、应用估计模型判定、应用估计模型判定/预测预测 预测加尼福尼亚州政府发行的债券是否存在违约风险？*加州政府发行债券，其人均财产是美元；人均债券的债 务是美元。*根据估计的判定模型，其值等于.，故其债券应属 “”或“以上”，不属于具有违约风险的债券。（六）中国上市公司财务困境分析和预测中国上市公司财务困境分析和预测 1 1、案例背景和问题：中国上市公司亏损是否无踪可循呢？、案例背景和问题：中国上市公司亏损是否无踪可循呢？为化解“年报风险”，1998年中国推出“上市公司预亏公告制度”。农垦商社1999年1月5日宣布“预亏”，是中国首家公布“预亏”的上市公司。回顾1998年度的年报，在公布亏损的86家公司中，企业财务困境分析（厦门大学企业财务困境分析（厦门大学/吴世农）吴世农）只有80家公布“预亏”公告，其中以1月份为最，公布预亏69家。至2000年1月16日，已有50家公司发布1999年度预亏公告，其中5家在1999年未结束之前就发布“预亏”公告。今年到底将有多少公司“预亏”呢？截止2000年3月13日，共有74家发布“预亏”公告。关于“预亏”制度和实施情况，各种评论不绝于耳。并非所有亏损公司都必须提前公布“预亏”，有些公司“不告而亏”！中国证监会规定：“如果上市公司可能导致3年连续亏损或当年重大亏损，应履行信息披露义务。”，同时，“重大亏损”并无明确定义。因此，那些不致于出现连续3年亏损或重大亏损的公司，可以“不告而亏”。例如，甘长风1999年度的ROE为-17.52%，但没有公布预亏，各方并不认为其有违规之处。中国证监会还规定：“在会计年度结束时，及时履行信息披露义务。”“及时”就是“没有明确的时间限制”，因此有些公司在2、3、4月才宣布“预亏”。双麓电器在5月25日才发布预亏公告，可谓“姗姗来迟”！送走“扭亏为盈”的公司，又迎来“扭盈为亏”和“连续亏损”的企业。ST和PT的公司将增加。连续2年亏损或重大亏损的企业将被列 为“ST”。1999年出现47家“ST”公司，预计2000年“ST”公司累计达 60余家。就目前情况来看，在47家ST公司中，因连续3年被列入ST无法“摘帽”的公司不少，ST永久、ST中浩、ST北旅、ST黔凯涤等又将晋级为“PT”。PT的公司只能在周五交易，算是“惩罚”。PT公司，如渝太白，在3年连续亏损后又告亏损，能否继续高挂“PT”的牌子呢？或是摘牌停止交易呢亏损公司为何亏损？争议颇多。今年的亏损公司，常说是“因为实行会计4项计提政策”造成亏损。一般认为，亏损的主要原因：一是公司的经营管理不善；其次是行业竞争加剧，使得ST公司覆盖面增加，涉及商业、机械、化工、建材、冶金、服装、房地产和轻工业；再次是企业债务负担过重，不良资产增加，这似乎成为亏损公司的共同特征；此外，靠“政府和总公司补贴为盈利”的公司，也是亏损的原因；最后，新的亏损公司总是露出一大堆的应收帐款、呆帐和坏帐，在4项计提政策催生下，成为亏损队伍的新生儿。据不完全统计，98年上市公司的应收帐款增加60%以上，其中增加1倍的超过170家。应收帐款激增反映了上市公司的资产质量下降，亏损风险上升。亏损公司频频登台亮相，是否无踪可循呢？非也！2000年首先公告亏损的6家公司，近年来一直露出惨淡经营的迹象，到1999年中报时，已经处于亏损边缘，在盈亏线上挣扎。1998年3月中国财政部颁发企业会计准则现金流量表，要求上市公司必须披露企业现金流量状况，以克服现行会计制度和会计报表的缺陷。此外，吃补贴、增利不增现金的“白条利润”有增无减，误导投资者。因此，专家提议特别关注2个指标：一是“每股经营活动产生的现金流量余额”，二是“扣除非正常损益后的净利润”。前者是EPS 的补充，防止企业有利润而无现金，同时揭示企业实际经营能力和资产质量；后者揭示企业净利润的来源和构成，从而反映企业的核心竞争力。讨论和分析的主要问题：第一、影响中国上市公司亏损的关键因素是什么？第二、如果选择足够多家的上市公司，盈亏各半，能否分析它们在亏 损前有哪些共同特征？亏损公司和非亏损公司有哪些显著的区别？第三、如果使用判定分析建立亏损公司（巨亏或ST）判定和预测模 型，如何选择一套有效反映亏损与非亏损企业特征的判定指标？More Losses？又亏损了？2 2、中国上市公司财务困境判定和预测模型的研究设计、中国上市公司财务困境判定和预测模型的研究设计（1）选择样本公司：财务困境企业：70家ST和巨亏公司 财务正常企业：70家（规模、行业等）相应的上市公司（2）选择样本时间：财务困境出现的前1-5年（3）选择判定指标：21个财务指标（4）确定判定指标和选择判定/预测方法：（a）单变量判定模型：从21个财务指标中逐步筛选出预测能力 高的指标；（b）多变量判定模型：比较三个模型（PLM、MDA、Logistic）的预测准确性。3 3、中国上市公司财务困境判定和预测模型的实证研究结果、中国上市公司财务困境判定和预测模型的实证研究结果 （1）所选判定指标的标准化处理方法 Z=M1-M2/(S1/N1)+(S2/N2)1/2 Z是二组的平均数之差除于二组（财务困境公司与财务正常公司）的共同标准误，反映二种不同总体在某一指标X的差异程度。Z越大，差异越大，预测能力越强；反之越小，预测能力越弱。财 务 困 境 前 的 年 份 财务指标 1 2 3 4 5X1 盈利增长指数-5.02801-7.27657-3.192363-3.87171n.a.X2 净资产报酬率-9.39818-8.29335-5.579462-3.19338-1.86256X3 资产报酬率-13.5737-9.85133-6.17433-4.38721-2.29654 X4 主营业务利润 贡献率-6.95792-3.38818-3.05861-0.884920.183391X5 主营业务利润率-2.38001-1.69139-0.379336 0.3502460.345284X6 利息保障倍数-1.00056-2.47864-0.457141 0.8025930.100075X7 流动比率-4.18523-2.559040.9768771-0.069731.036392X8 速动比率-4.78131-2.683810.7578366-0.167071.146756X9 超速动比率-4.76609-3.89110.1646762-0.761861.120344X10 负债比率7.0696394.7093381.3630592 2.1813091.015672X11 长期负债比率2.6776461.6498881.2005162 1.1411370.499249 X12 营运资本与 总资产比例-7.48542-4.6706-1.073014-0.967580.218316 X13 留存收益与 总资产比例-5.86409-7.30313-3.051216-3.22819-1.0225X14 资产增长率-5.45125-5.8694-2.918784 1.031446n.a.X15 股东权益增长率-2.17953-6.16978-3.705277 0.356409n.a.X16 主营业务收入 增长率-2.22814-2.82127-3.202361 0.943658n.a.X17 应收帐周转率-3.10585-3.55299-0.873054-1.94698-2.75977X18 存货周转率0.7669030.269081-0.639056-0.84383-0.86133X19 资产周转率-5.33927-3.92923-3.424565-1.42641-1.9508X20 Log（总资产）-2.06383-0.102841.0443092 2.352451.083705X21 Log（总净资产）-1.176660.3903890.9128631 2.1634951.358374 （2）选择判定指标的有关结论 （a）在ST发生的前1和2年，财务困境公司和非财务困境公司的17个财务指标的平均值存在显著的差异；（b）Z值随着ST发生时间的临近而显著增大，即二组的财务指标平均值的差异随ST发生时间的临近而扩大。（3）三种多变量判定模型的预测结果的比较分析 （a）三种多元判定分析方法估计模型的比较结果如下表：年 一类错误(%)二类错误(%)误判率(%)LPM Fisher LogisticLPMFisherLogisticLPMFisher Logistic114.49 14.497.255.715.715.7110.0710.076.47222.86 22.8617.1411.4311.4314.2917.1417.1415.71323.19 23.1926.0924.2924.2921.4323.7423.7423.74429.51 29.5127.8725.8125.8125.8127.6427.6426.83531.25 31.2534.3861.2961.2954.8446.0346.0344.44 （b）结论：Logistic模型的判定准确性较高，具有较强预测能力。4 4、结论与启示、结论与启示 1、我国上市公司的财务指标包含着预测财务困境的信息含量，因此其财务困境具有可预测性。应用财务指标信息能有效地判定和预测我国上市公司是否将陷入财务困境，为企业、政府管理部门、银行和投资者等预先提供企业的财务境况，降低投资风险和防范证券市场的风险。2、在我国上市公司陷入财务困境的前1年和前2年，本文所选的21个财务指标中16个指标具有判定和预测财务困境的信息含量，但各个指标的信息含量不同，预测财务困境的准确率不同。在单变量分析中，净资产报酬率的判定效果较好。3、多变量判定模型优于单变量判定模型。在财务困境前4年中，三种多变量判定模型的误判率及其波动均较小。这表明在财务困境预测中，多个财务指标的模型比单个财务指标的模型提供了更多、更稳定的信息。三种多变量判定模型在财务困境发生前1年内，误判率基本控制在10%以内。由此可见，多变量判定模型在财务困境前1年均能提供有效预测信息，提高了预测的准确程度。4、比较三种判定模型的效果表明，Logistic模型的判定准确性最高。LPM与Fisher二类线性判定模型的一类错误、二类错误、误判率都是一样的，但Logistic模型在5年中各年的误判率均低于其他二种判定模型。（七）财务困境判定和预测研究中的三个基本问题（七）财务困境判定和预测研究中的三个基本问题1 1、财务困境的界定标准、财务困境的界定标准 （1）理论标准在比较历史上的理论研究成果发现：财务困境的理论界定或理论评价标准因研究目的的不同而不同：Carmichael（1972）和Ross等人（1999；2000）对财务困境的理论界定标准就存在明显的差别。（2）实证标准在比较历史上的实证研究成果发现：财务困境的实证界定或实证评价标准因研究目的的不同而不同：Beaver（1966）、Altman（1968）和Deakin（1972）这几个经典研究对财务困境的界定标准就存在明显的差别。2、预测变量的选择、预测变量的选择 （1）财务指标信息类模型Altman（1968）等学者（Altman,Haldeman 和Narayanan,1977；Collins,1980；Platt和 Platt,1991）使用常规的财务指标，如负债比率、流动比率、净资产收益率和资产周转速度等，作为预测模型的变量进行财务困境预测。（2）现金流量信息类模型现金流量类信息的财务困境预测模型基于一个理财学的基本原理：公司的价值应等于预期的现金流量的净现值。如果公司没有足够的现金支付到期债务，而且又无其他途径获得资金时，那么公司最终将破产。因此，过去和现在的现金流量应能很好地反映公司的价值和破产概率。在Gentry，Newbold和Whitford（1985a；1985b）研究的基础上，Aziz、Emanuel和Lawson（1988，1999）发展了现金流量信息预测财务困境模型。在比较了Z 模型、ZETA模型、现金流量模型预测企业发生财务困境的准确率后，发现现金流量模型的预测效果较好。（3）市场收益率信息类模型Beaver（1968）使用股票市场收益率信息进行财务困境预测研究的先驱。他发现在有效资本市场，股票收益率也如同财务指标一样可以预测破产，但时间略滞后。Altman和Brenner（1981）的研究表明，破产公司的股票在破产前至少一年内在资本市场上表现欠佳。Clark 和Weinstein（1983）发现破产公司股票在破产前至少三年内存在负的市场收益率，并发现破产公告仍然向市场释放了新的信息，破产公司股票在破产公告日前后的两个月的时间区段内平均将经历26%的资本损失。Aharony，Jones和Swary（1980）提出了一个基于市场收益率方差的破产预测模型。他们发现在正式的破产公告日之前的四年内，破产公司的股票的市场收益率方差与一般公司存在差异。在接近破产公告日时，破产公司的股票的市场收益率方差变大。3、计量方法的选择、计量方法的选择 （1）图表分析法（Profile Analysis）剖面分析法是研究财务困境公司和非财务困境公司的某个（些）指标在财务困境前若干年是否存在明显差异的一种简单图表分析法。Beaver（1966；1968）的研究，Aharony、Jones和Swary（1980）的研究及Aziz、Emanuel和Lawson（1988）的研究均使用了这种简单的分析方法。（2）单变量判定分析（Univariate Discriminant Analysis）单变量判定分析是首先以某一关键变量的平均值为任意判定点，然后依序修正判定点并计算相应的误判率，最终确定使误判率达到最小的“最佳判定点”，以此判定财务困境。根据样本数据，若样本公司的变量值大于或小于最佳判定点，则判定为财务困境公司，反之则不然。应用单变量判定分析于财务困境预测的经典文献当属Beaver（1966；1968）的研究和杰希姆在财务总监中应用相对流动性程度（DRL）和指数预测财务困境的研究。（3）多元判定分析（Multivariate Discriminant Analysis）（a）线性概率模型（Linear Probability Model）：以财务困境公司标记为1和非财务困境公司标记为0作为因变量，选取能反映财务困境公司特征的部分独立变量作为自变量，以最小二乘法进行回归估计，以求取财务困境公司陷入困境的可能性（概率）。Meyer和Pifer（1970）的研究中使用的就是该方法。（b）Fisher 二类线性判定模型：Fisher线性判定分析（1936）用于区分两类不同总体的综合数量特征差异和判定某一总体所属关系不明的单位应归属总体一或总体二。例如，Altman Z模型（1968）和Altman Haldeman 与 Narayanan 三人创建的Zeta模型（1977）等。（c）Logistic回归模型：使用Logistic回归分析，根据样本数据使用最大似然估计法估计出各参数值和财务困境公司陷入困境的概率。该方法在二十世纪70年代末以来，在财务困境预测的研究中使用较多。比较著名的有Martin（1977）的研究和Ohlson（1980）的研究。（4）神经网络模型（Neural Network Tool）近年来财务困境预测的研究方法又有新的进展。网络神经遗传方法已经开始被应用于构建和估计财务困境预测模型。Coates（1993）。