基于Logistic回归分析的高校财务风险预警研究_吴海鹏.pdf

《基于Logistic回归分析的高校财务风险预警研究_吴海鹏.pdf》由会员分享，可在线阅读，更多相关《基于Logistic回归分析的高校财务风险预警研究_吴海鹏.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、会 计 之 友 2011 年 第 6 期 下FRIENDS OF ACCOUNTING会 计 之 友 2012 年 第 12 期 中*本文受中央高校基本科研业务费专项资金资助（2 0 1 2 W4 5），为该项目阶段性成果。一、文献回顾风险预警及控制实施是一种复杂和综合性的管理活动，其理论和实践涉及自然科学、社会科学、工程技术、系统科学、管理科学等多种学科，是一门新的应用经济学理论。最早研究财务风险预警的论文首推 Beaver（1966），其选取了几个财务变量针对 158 个研究样本做出预测，并利用单变量统计模型构建出预警模型。接下来的学者包括 Altlnan（1968）、Blum（1974）

2、等用多变量分析模型来建立财务风险预警模型。而后的 Ohlson（1950）、zmijewski（1954）开始采用 Logistic 模型构建财务预警模型。由于受证券市场发展的影响，国内对财务风险预警的研究起步较晚。陈静（1999）使用了 27 家 ST 公司与同行业、同规模的非 ST 公司作为研究样本。研究发现：资产负债率、流动比率、总资产收益率、净资产收益率四项财务指标的预测能力较强。其中资产负债率和流动比率在宣布 ST前一年的误判率最低，而在宣布前两年、前三年时，总资产收益率的误判率较低。张玲（2000）选取深、沪两市 14 个行业的 120 家上市公司作为样本，认为二分类线性判定模型具

3、有超前四年的预测结果。吴世农、卢贤义（2001）建立了单变量判定模型和线性判定模型、线性概率模型、Logistic 回归等三种多变量判定模型，比较各种模型在财务困境预测中的效率，认为 Logistic 回归模型在三种多变量模型中预测的准确性最高。同美日等发达国家相比，我国在学校风险管理方面的研究还非常薄弱。杨周复、施建军等（2000）对高校财务风险的评价理论及方法进行了定性的分析介绍，对高校财务风险预警指标体系进行了设计，并没有做实证研究。许道银（2003）针对高校自身的特点，对高校建立财务风险预警系统做了简单的初步设想。谢立本（2005）则通过构建高校贷款额度与风险评价模型来计算现有高校贷款

4、风险指数以确定高校贷款风险所在的风险区间，并引入当量系数的概念对该模型做进一步的调整。财务预警作为经济运行的晴雨表和经营管理的指示灯，对其进行研究不仅具有较高的学术价值，而且有着巨大的应用价值。任何高校的财务风险由初步萌芽到程度恶化，通常都是经历了一个逐渐积累和转化的过程。在这一过程中，各种风险的因素，都将直接或间接地反映在资金运动的“晴雨表”一些敏感性财务指标值的不断变化上。本文研究的主要目标在于探讨建立高校财务风险预警的理论依据，并利用已在企业中引入使用的财务风险预警分析这一财务诊断工具。在真实可靠的会计基础信息上，设立高校财务预警机制，构建财务分析预警的分析方法、指标体系和模型，通过一系

5、列的财务风险指标的数据监测，为高校的财务风险提供有效的预警信号，为防范风险提供重要参考，对于增强高校的经营管理水平和预测能力具有重要意义。二、研究设计（一）设计思路本文采用实证研究的方法，以高校的财务报表数据为基础，构建高校财务风险预警的指标体系，借助多元统计分析方法来评价财务风险状况。运用 SPSS 软件进行分析运算：一是以因子分析法和相关性分析对指标体系进行结构化处理，保证信息含量的同时降低观测维度；二是利用逻辑回归分析拟合风险预警的回归模型；三是利用检验样本对模型进行一次检验，对模型的预测效果给予评价。（二）样本和数据的选择本文选取了 70 所高校的财务数据作为建模样本，进行财务风险预警

6、的指标研究。为了现实直观地反映高校财务预警模型的实际价值，选取了 X 高校 2000 年至 2009 年的财务数据作为预测样本进行测试分析。（三）指标选择高校财务风险预警指标体系中最关键的是选择高敏感性的重点预警指标，以便预警指标体系能够全面、真实地反映高校所面临的财务风险状况。根据高校财务活动的特点，其指标体系一般可分为四类：偿债能力指标、运行绩效指标、收益能力指标和发展潜力指标。具体指标详见表 1。偿债能力是指高校偿还到期债务的能力。能否及时偿还到期债务，是高校能否健康生存和发展的关键。运行绩效基于 Logistic 回归分析的高校财务风险预警研究*中国矿业大学吴海鹏【摘要】文章选取了 7

7、 0 所高校作为研究样本和 1 所高校作为预测样本，在现代财务风险理论的指导下，通过对高校财务风险成因的分析并参考以前的研究成果，选择 1 6 个财务指标，筛选出拟进入模型的 6 个变量，利用 L o g i s t i c 回归分析方法建立财务风险预测模型，并进行检验。通过财务预警模型的构建为高校的财务风险提供有效的预警信号，有利于各利益相关者做出正确的决策，为防范风险提供重要参考。【关键词】财务风险；L o g i s t i c 回归分析；预警模型高校财务100FRIENDS OF ACCOUNTING是指高等学校有效、合理利用教育资源完成预期目标的能力。这一类指标反映了高等学校的日常管

8、理水平和管理能力。收益能力是指高校的资金或资本增值能力。一个学校收益能力的大小，将直接影响到其发展的速度和竞争能力。发展潜力反映了高等学校可持续性发展的能力，高校不能只局限于当前，还应面向未来，为长期的办学规模扩大和经济效益增长储蓄良好支撑条件。本文运用 SPSS 对影响高校财务风险的 16 个比率指标进行相关分析，找出相关性较弱的对高校财务状况反映最敏感的财务指标。根据相关系数大小及其显著性检验结果，最终选取 X1、X3、X8、X9、X11、X13作为建模变量。（四）Logistic 回归分析的基本原理吴世农、卢贤义（2001）分别用 Fisher 线性判定分析、多元线性回归和 Logist

9、ic 回归分析三种方法建立预测财务困境的模型，得到的结论为Logistic 预测模型的准确性最高。实证逻辑回归模型是解决 0-1 回归问题行之有效的方法。假设 Xi为第 i 个发生财务危机的预警变量矩阵，那么其发生财务危机的概率 Pi和Xi之间有如下关系：Pi=eyi1+eyiYi=b1x1+b2x2+bkxk+a=a+bixi上式中：Yi值为总判别分，它反映的是第 i 项在总体中某一上市公司综合财务状况的数量特征；bi为权数，表示对有关自变量 Xi的重视程度；Xi是与财务预警有关的变量；a 为随机干扰项。所以：Pi=11+e-（a+bixi）i逻辑回归模型的曲线为 S 型，且其预警的最大值趋

10、近1，其预警的最小值趋近 0。逻辑回归模型一般选择 0.5 作为分割点。假定财务危机公司为 0，财务正常公司为 1，即如果判别概率值大于 0.5，则表明财务正常的可能性比较大，判定为财务正常；如果判别概率值小于 0.5，则表明发生财务危机的可能性比较大，那么判定为财务危机公司。偿债能力指标资产负债率（X1）=（负债总额资产总额）100%流动比率（X2）=流动资产流动负债现实支付比率（X3）=货币资金月平均支出潜在支付比率（X4）=（货币资金+借出款+债券投资+应收及暂付款-借入款应缴财政专户-应缴税金）月平均支出收入负债比率（X5）=负债总收入运行绩效指标经费自给比率（X6）=（事业收入+经营

11、收入+附属单位上缴收入+其他收入）（事业支出+经营支出）生均收支比率（X7）=生均收入生均支出自筹收入能力比率（X8）=自筹收入总收入收益能力指标资产收入比率（X9）=收入总额总资产净资产收入比率（X10）=总收入净资产投资收益比率（X11）=（对校办企业投资收益+其他投资收益）（对校办企业投资+其他投资）发展潜力指标资产权益比率（X12）=净资产总资产自有资金动用比率（X13）=（应收及暂付款+对校办企业投资+其他投资+借出款）（事业基金+专用基金-留本基金）其他资金动用比率（X14）=（应收及暂付款+对校办企业投资+其他投资+借出款）（总资产-事业基金-专用基金+留本基金）货币资金支出比率

12、（X15）=货币资金总支出自有净基金占货币资金比率（X16）=（一般基金+专用基金-留本基金）货币资金表 1高校财务风险预警指标体系表 3未纳入模型的变量Variables not in the EquationScoredfSig.8.03310.005Step Variables资产负债率0现实支付比率40.76110.000自筹收入能力比率0.00110.977资产收入比率1.17910.278投资收益比率0.60210.438自有资金动用比率4.05610.044Overall Statistics43.63360.000表 2模型参数检验结果Variables in the Equa

13、tionBS.E.WalddfSig.Exp（B）Step 0 Constant-0.4650.2463.59210.0580.628高校财务101会 计 之 友 2011 年 第 6 期 下FRIENDS OF ACCOUNTING会 计 之 友 2012 年 第 12 期 中三、实证研究与结果分析（一）结果分析假定因变量 0 为“有风险”，1 为“无风险”，在进行 Lo-gistic 回归分析前，在 70 个研究样本中，有 43 个样本进入风险组，27 个样本进入正常组。表 2 所示是模型参数的检验结果，系数为-0.465。由于此时模型中只有常数项，有无统计学意义关系不大，Sig.值越大重

14、要性越小，Wald值越大该自变量的重要性也越大。由表 2 可知常数项的重要性显著。表 3 所示是一个预分析的过程。即假设将未纳入模型的变量分别或一起纳入模型之后模型是否有统计学意义。从表格中 Sig.取值可知，除了自筹收入能力比率、资产收入比率和投资收益比率的模型没有统计学意义之外，其余模型都有显著的统计学意义。表 4 所示是全局检验结果。共用了3 种检验方法。由于只有一个自变量组且采取的是强行进入法将所有变量纳入模型，所以 3 种检验方法的结果是一致的。模型具有显著的统计学意义。表 5 给出了评价模型拟合优度的几个统计量，-2Loglikelihood 为对数似然函数值的-2 倍，该值越小表

15、明模型的拟合优度越高，本例中该值为 0 结果属于比较理想的值；另外，Cox&SnellR Square 和 Nagelkerke R Square 统计量分别为 0.736 和 1.000，意味着模型解释了被解释变量 100%的变动，说明该模型拟合优度还是较高的。表 6 是最终观测量分类表，这是包含常数项与 6 个变量的模型，它是以概率值 0.5 作为有风险和无风险的分界点得出的预测值和实际数据的比较表。这里的预测效果很好，有风险高校和无风险高校的预测准确率都达到 100%，总的正确判断率也达到 100%，所以在实际应用中完全可以使用该回归方程进行预测。表 7 是 Logistic 模型的拟合

16、结果。Wald 检验的 Sig.可Chi-squaredfSig.Step1StepBlockModel93.35193.35193.3516660.0000.0000.000表 4 模型全局检验结果Omnibus Tests of Model Coefficients注：C h i-s q u a r e 为卡方值，d f 为自由度，S i g 为 p 值。Step-2LoglikelihoodCox&Snell R SquareNagelkerke R Square10.000a0.7361.000表 5相关系数统计量表Model Summarya.E s t i ma t i o n t

17、 e r mi n a t e d a ti t e r a t i o n n u mb e r 2 0 b e c a u s ema x i mu m i t e r a t i o n sh a sb e e nr e a c h e d.F i n a ls o l u t i o nc a nn o tb ef o u n d.表 6模型分类预测值Classification TableObservedStep 1Y有风险无风险Overall Percentage430027100.0100.0100.0PredictedY有风险无风险PercentageCorrect高校财务表

18、8检验判定结果表ObservedPredictedYPercentage Correct有风险无风险Step 1Y有风险无风险431026100.096.29表 7模型的参数拟合Variables in the EquationStep资产负债率1a现实支付比率自筹收入能力比率资产收入比率投资收益比率自有资金动用比率ConstantB+80.67257.30314.338-75.292-51.8640.921-508.448S.E.17693.7862470.84511163.4146189.46412878.9321379.05522695.142Wald0.0000.0010.0000.0

19、000.0000.0000.001df1111111Sig.0.9960.9810.9990.9900.9970.9990.982Exp（B）0.0008E+02416857240.0000.0002.5120.000a.V a r i a b l e（s）e n t e r e do ns t e p1：资产负债率、现实支付比率、自筹收入能力比率、资产收入比率、投资收益比率、自有资金动用比率。102FRIENDS OF ACCOUNTING知，各变量及常数项的系数都没有显著的统计学意义。根据表 7 的二元 Logistic 回归结果，可以建立下列财务预警模型：即：P=11+e-（-508.4

20、48-80.672x1+57.303x3+14.338x8-75.292x9-51.864x11+0.921x13）此模型以 0.5 为判别分界点，P 值范围为0，1，当 P 值小于 0.5 时，判别为财务风险型高校，数值越小，该高校未来发生财务困境的可能性就越大；当 P 值大于 0.5 时，判别为非财务风险型高校，数值越大，该高校未来的财务状况越好，越安全。（二）模型检验为检验模型的预测效果和适用性，将样本的指标值回代得出所有样本的预测值，然后根据模型的准确率或误判率检验模型的预测效果。检验结果如表 8 所示，无风险组共有数据 27 个，判断正确 26 个，正确率为 96.29；风险组共有数

21、据 43 个，判断正确 43 个，正确率为 100。对检验样本的分类都相当令人满意，基本判断准确。（三）模型预测为了现实直观地反映这一高校财务预警模型的实际价值，我们选取了 X 高校的财务数据进行测试分析，如表 9 所示。运用 Excel 软件进行计算，Logistic 模型对样本的预测结果如表 10 所示，该校20002004 年 有 关综合财务风险指标处于无财务风险状况。从 2005 年开始大面积建设新校区，新校区运行费用开始大幅度增加，负债建设格局形成，财务风险凸现。四、结束语高校陷入财务风险是一个逐步的过程，并且一旦出现财务风险，在管理活动中是有征兆的，可以利用一些方法进行预测，这也使

22、得建立高等学校的财务危机预警系统成为可能。上述两个案例，一个是测试同一时期不同高校情况，另一个是测试一个高校不同阶段的财务风险状况。从测试结果看，Logistic 模型能够较为确切地反映不同高校不同财务风险状况。通过财务预警模型的构建为高校的财务风险提供了有效的预警信号，有利于各利益相关者做出正确的决策，为防范风险提供了重要参考。但是，财务预测模型不是万能的，正确的预测是要建立在理论分析、实证研究综合基础之上，需要借助各方信息进行综合评判。【参考文献】1 刘艳华.高校财务风险预警管理系统研究 J.事业会计，2 0 0 8（2）：2-4.2 郭琴.高校财务风险预警指标体系构建 J.财会通讯：理财

23、版，2 0 0 8（1）：1 0 8-1 0 9.3 吴世农，卢贤义.我国上市公司财务困境的预测模型研究 J.经济研究，2 0 0 1（6）：4 6-5 5.4 赵芳芳.关于上市公司财务风险预警系统的实证研究J.商场现代化，2 0 0 7（9）：3 7 5-3 7 6.5 许道银.试论高校财务危机预警系统 J.徐州师范大学学报：自然科学版，2 0 0 3，2 1（4）：1 9-2 1.6 刘英姿.高校财务风险管理的问题与对策 D .厦门大学，2 0 0 7.7 赵祥涛.中国上市公司财务预警模型研究 D .山东大学，2 0 0 7.8 杨淑娥，黄礼.基于 B P神经网络的上市公司财务预警模型 J

24、.系统工程理论与实践，2 0 0 5（1）：3 1-3 4.表 9X 高校 20002009 年的财务指标值年份资产负债率现实支付比率自筹收入能力比率资产收入比率投资收益比率自有资金动用比率20000.1511.340.450.320.081.2120010.0222.010.580.430.010.7220020.1221.730.430.220.151.4920030.159.660.30.260.020.3520040.29.660.30.360.121.8520050.119.30.380.460.020.5320060.543.930.540.380.151.820070.720.450.390.270.02-7.0120080.420.560.410.310-0.0120090.550.440.510.320.020.22表 10Logistic 模型对样本的预测效果年份预测值（P）20001.0000000020011.0000000020021.0000000020030.9999999620040.8376661520050.0000007220060.0000000020070.0000000020080.0000000020090.00000000高校财务103