公司治理、宏观经济环境与财务失败预警研究--离散时间风险模型的应用_roc曲线论文

公司治理、宏观经济环境与财务失败预警研究——离散时间风险模型的应用,本文主要内容关键词为:宏观经济论文,公司治理论文,模型论文,风险论文,财务论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。

一、引言

国内外大量研究文献表明,公司的财务失败事件具有可预测性。公司在发生财务失败前其财务信息等方面会表现出不同程度的“征兆”。如何利用已有的信息对财务失败进行准确预测,对公司的债权人、投资者以及其他利益相关方都具有重要的意义。自从Beaver(1966)提出单变量判别模型以来,国外学者对财务失败预测提出了许多有价值的模型,从最初的单变量判别模型发展到多变量判别模型(Altman,1968)、logistic模型和probit模型(Martin,1977;Ohlson,1980;Zmijewski,1984)以及后来的神经元网络模型(Odom和Sharda,1990;Coats和Fant,1993)等。国内学者在借鉴国外研究方法的基础上对我国上市公司的财务失败预警也进行了许多探索性研究。例如,陈静(1999)、吴世农和卢贤义(2001)、张爱民等(2001)、梁琪(2003)等。

然而,已有这些财务失败预警模型大多以截面数据建模的,没有考虑时间因素对财务失败的影响,在本质上属于静态预警模型。但事实上,财务失败事件的发生并不是一个静止状态,而是一个动态的演变过程,因而公司在不同时间点上发生财务失败的概率也是变化的。生存分析模型(survival analysis)则能很好地刻画事件发生的概率随时间变化的情况,在生物学、医学等领域有着广泛的应用,最近20年来也被应用在风险管理和财务失败预警等研究中。例如,Lane等(1986)使用生存分析中的Cox比例风险模型对银行破产进行预测,结果发现Cox比例风险模型具有较高的预测能力,与多变量判别模型(MDA)相比,其提前两年预测所犯的第1类错误概率更低。Parker等(2002)使用Cox比例风险模型研究了财务因素和公司治理因素在公司财务失败恢复过程中的作用。然而,Cox比例风险模型需要满足比例风险(propotional hazard)的假设条件,即个体风险率相对于基准风险率之比与时间无关。但在实际建模中,这一假设条件往往不能成立,导致参数估计结果失效。而生存分析中的离散时间风险模型(discrete time hazard model)则无需满足比例风险假设条件,是Cox比例风险模型的一个较好替代。Shumway(2001)和Nam等(2008)采用离散时间风险模型对公司破产预测进行研究,结果都发现离散时间风险模型的预测能力高于logistic模型等静态模型。

离散时间风险模型相比以往的静态预警模型具有更高的预测能力,其原因在于三个方面。

首先,离散时间风险模型中包含了时间因素,考虑了事件发生概率随时间变化的情况,这与实际更加相符。其次,离散时间风险模型适合处理删失数据(censoring data)。由于建模样本通常是选取某一时间段作为样本观测期,样本在观察期之前是否发生财务失败以及观察期之后是否将发生财务失败都是无法观测到的,这些样本数据属于典型的删失数据。以往的静态预警模型一般将删失数据当作截面数据处理,从而导致较大的偏差。再次,离散时间风险模型避免了样本配对问题。静态预警模型一般需要对财务失败样本进行配对,而配对标准和配对比例选取的不同会对预警模型产生显著影响。离散时间风险模型则由于其独特的建模思路,无需进行样本配对,极大地提高了预警模型的适用性。

在预警指标的选择方面,已有的研究主要从财务因素方面建模,对非财务因素的预警作用关注不够。然而,近期的研究发现一些非财务因素对财务失败具有重要影响,尤其是公司治理因素可能是影响财务信息质量的根本原因之一,并且会影响财务失败的预测效果(Lee和Yeh,2004;梁琪和郝项超,2009)。同时,作为社会经济活动中的微观主体,公司的生产经营活动不可避免地会受到宏观经济环境的影响。一般来说,在经济衰退时期,市场需求的萎缩和产品滞销给公司的生产经营带来困难,进而影响公司的现金流水平和收益水平,容易使公司陷入财务失败中;反之,在经济繁荣时期,公司发生财务失败的可能性相对较低。国外学者已注意到宏观经济状况的变化对公司财务失败也具有重要影响(Altman,1983;Bae等,2002;Darayseh等,2003),但国内目前关于宏观经济因素对公司财务失败的影响研究极为稀少,仅有个别学者从宏观经济对公司信用风险影响的角度,探讨了宏观经济状况的变化对资产价值及资产价值波动性的影响。

基于上述分析,本文在综合考虑公司的财务信息、公司治理信息和宏观经济信息的基础上,采用生存分析中的离散时间风险模型对我国上市公司的财务失败事件进行分析,实证研究公司陷入财务失败的影响因素,并进一步比较离散时间风险模型、logistic模型、probit模型在财务失败预警效果上的差别,寻找出一个具有较高预测能力的模型。

二、离散时间风险模型的构建和参数估计

生存分析是研究某一群个体在经过特定时间后发生某种特定事件的概率,这一特定的时间段称为失败时间(failure time),这一特定事件称为失败事件(failure event)或死亡事件(mortality event)。在本文的研究中,我们定义公司的财务失败事件为死亡事件。设f(t)为t时期公司发生财务失败的概率密度函数,h(t)为风险函数(hazard function),则生存函数S(t)与财务失败概率密度函数之间的关系可表示为:

三、样本选取和预警指标说明

(一)样本选取

考虑到生存时间的界定和预测时效性,本文选择2005年之前上市且上市已满3年的公司作为样本来源,以2005年作为生存时间的起点。选取2005-2010年因财务原因被首次实施特别处理(ST)的非金融类A股上市公司作为财务失败样本,以样本期内未发生ST的上市公司作为财务正常样本。为了研究需要,在财务失败样本中我们剔除样本期内经历过重大资产重组的公司和数据缺失的公司,最终筛选得到财务失败公司132家。表1给出了132家财务失败样本的行业分布情况。

由于证监会是根据上市公司前两年的年报业绩来判断是否出现了财务异常而决定是否实施ST,因此本文选择的财务失败起点是ST公司被ST的前两年。我们将所有样本划分为估计样本和验证样本两组,以估计样本的数据构建模型,以验证样本的数据检验模型的预测能力。由于离散时间风险模型与logistic模型、probit模型的建模差异,本文对估计样本和验证样本处理如下:在离散时间风险模型中,估计样本为2005-2008年的公司-年度观测值,验证样本为2009-2010年的公司-年度观测值;在logistic模型和probit模型中,估计样本为2005-2008年的公司截面样本,验证样本为2009-2010年的公司截面样本。估计样本和验证样本的具体情况见表2。

(二)预警指标的选取

本文选取的预警指标包括财务变量和非财务变量两类。在财务变量方面,我们从反映上市公司的杠杆结构、偿债能力、盈利能力、营运能力、成长潜力等方面筛选出21个财务比率(见表3)。为了消除行业差异的影响,我们参照Izan(1984)的方法对所有21个财务比率进行行业中值调整,调整方法为表示t年度的财务比率i在行业g的中位数。所有财务比率的数据都来自Wind数据库。

在非财务变量方面,本文主要考虑公司治理状况和宏观经济环境对财务失败的影响。我们从公司的股权结构、实际控制人类型、董事会结构、高管人员激励等方面筛选出8个公司治理变量作为备选指标。同时,在借鉴Altman(1983)、Bae等(2002)等学者的相关研究,我们选取实际贷款利率变化率、CPI增长率、实际GDP增长率和货币供给增长率来反映宏观经济环境的变化。非财务变量的详细说明见表4,数据来自于Wind数据库和CCER数据库。

四、实证分析

(一)财务变量的因子分析

财务变量之间的多重共线性会影响模型的估计结果,而使用逐步回归法筛选显著变量又会损失很多信息。针对这一问题,本文首先采用因子分析法提取21个财务变量的公因子以达到降维目的。财务变量公因子的提取过程采取主成分分析法,并使用方差最大化正交旋转法对因子进行旋转。财务变量的因子分析结果报告在表5中。

由表5可以看出,KMO检验和Bartlett球形检验均显示财务变量之间存在较强的相关性。经方差最大化正交旋转后提取了5个财务变量公因子,这5个公因子共解释了总方差的88.377%,分别代表了财务杠杆结构(Factor_1)、偿债能力(Factor_2)、(Factor_3)、(Factor_4)和(Factor_5)五个方面。

(二)离散时间风险模型的估计结果

我们分别对财务变量因子、公司治理变量以及宏观经济变量采用离散时间风险模型进行逐步回归,以Wald统计量作为确定变量进入模型或从模型中排除的标准,进入模型和从模型中排除的显著性分别设为10%和15%。表6报告了离散时间风险模型的逐步回归估计结果。

表6中的模型Ⅰ、Ⅱ、Ⅲ、Ⅳ分别表示逐步引入财务因素、公司治理因素和宏观经济因素的回归结果。具体分析如下:

(1)模型Ⅰ中的Factor_2、Factor_3、Factor_4、Factor_5在10%水平上均显著为负,表明这些因素为保护因素,降低了发生财务失败的危险性,即偿债能力、和的提高能显著降低财务失败的概率。Factor_1在10%水平上显著为正,表明财务杠杆为风险因素,增加了发生财务失败的危险性,财务杠杆越高,发生财务失败的概率越大。财务杠杆因素反映了公司的负债比重,该因素越大,表明公司的债务负担越重,生存时间越短。

(2)模型Ⅱ在财务变量因子的基础上纳入了公司治理变量。董事会规模

三个公司治理变量进入模型Ⅱ中,并且都在10%水平上显著。董事会规模的估计系数为负,表明董事会规模较大的公司不容易发生财务失败。这是因为大规模董事会意味着代表多方利益的董事能参与到公司决策中,有利于抑制控股股东和管理层的冒险行为,降低了公司的经营风险。独立董事比例的估计系数为负,表明独立董事制度在上市公司的公司治理中发挥了积极作用。独立董事的介入能降低公司管理层和内部董事合谋的可能性,在出现违规事项之前起到监督和审核作用。CEO的两职状态的估计系数也为负,表明CEO的两职合一有利于公司的持续经营,不容易陷入财务失败。因此,良好的公司治理状况能显著降低公司发生财务失败的风险。

(3)模型Ⅲ在财务变量因子的基础上纳入了宏观经济变量。实际贷款利率变化率(M)、实际GDP增长率(M)和货币供给增长率(M)三个变量进入模型Ⅲ中,并且都通过了10%水平的显著性检验。M的系数为正,表明上市公司对实际贷款利率的变化越敏感,越容易陷入财务失败。M和M的估计系数为负,表明实际GDP增长率和货币供给增长率都与财务失败概率成反比,实际GDP增长率越高或货币供给增长率越高,公司陷入财务失败的概率越低。这些实证结果与我们的预期相符。实际贷款利率的增加意味着公司借贷成本上升,债务负担加重,生产经营活动容易陷入困境中。实际GDP增长较快表明经济处于繁荣时期,公司的生产销售旺盛,盈利水平较高,资金流动性也相对充足,不容易发生财务失败。而货币供给增长率反映了货币政策的宽松程度和经济周期状况,货币供给增长率越高,表明货币政策越宽松,公司容易从银行等金融机构获得贷款,从而使流动性困难得到极大缓解。

(4)模型Ⅳ则是财务变量、公司治理变量和宏观经济变量综合在一起的回归结果。回归结果显示,财务变量因子Factor_2、Factor_3、Factor_4、Factor_5,公司治理变量中的以及宏观经济变量中的M和M进入模型Ⅳ中。与模型Ⅰ、Ⅱ、Ⅲ相比,模型Ⅳ的估计系数的符号未发生改变,但显著性水平略有不同。从LR值和卡方检验统计量来看,四个模型中模型Ⅳ的LR值和卡方统计量最大,表明模型Ⅳ的拟合效果最好。

(三)logistic模型和probit模型的估计结果

作为对比,我们也对上述变量建立logistic模型和probit模型,同样使用前文的逐步回归法进行估计。logistic模型和probit模型的估计结果报告在表7中。

五、模型的预警能力检验和比较

以往研究中大多采用交叉分类表方法对模型的预警能力进行检验,但是这一方法的缺点是临界值一般只能取某一固定的数值(大部分研究中临界值取0.5),导致检验结论的可靠性较低。①为了克服这一缺陷,本文引入受试者工作特征曲线或ROC曲线(receiver operating characteristic curve)来评估模型的预警能力。ROC曲线能够刻画在不同临界值下预警模型对样本的分类准确率,其本质上是一种动态反映第Ⅰ类错误和第Ⅱ类错误的检验方法,相比交叉分类表方法更能准确衡量模型的判别能力。在实际应用中,通常用ROC曲线下方的面积即AUC值(area under curve)来衡量模型的判别能力。ROC曲线越往左上倾斜,ROC曲线下方的AUC面积就越大,表示模型对样本的分类准确率越高。如果ROC曲线与对角线重合,则AUC的面积等于0,此时模型对样本完全没有判别能力。图1至图4分别绘制了离散时间风险模型、logistic模型和probit模型对估计样本和验证样本的ROC曲线图。

图1 三类模型Ⅳ对估计样本的判别能力检验

图2 三类模型Ⅳ对检证样本的判别能力检验

图3 离散时间风险模型Ⅰ-Ⅳ对估计样本的判别能力比较

图4 离散时间风险模型Ⅰ-Ⅳ对验证样本的判别能力比较

图1和图2是在综合考虑财务因素、公司治理因素和宏观经济因素情况下,横向比较离散时间风险模型Ⅳ、logistic模型Ⅳ、probit模型Ⅳ对估计样本和验证样本的预警效果。图1的ROC曲线显示,离散时间风险模型Ⅳ对估计样本的判别准确率最高,AUC值达到了0.966,而logistic模型Ⅳ和probit模型Ⅳ的判别准确率较低,AUC值分别为0.9278和0.9125,这表明离散时间风险模型对估计样本的回判准确性优于其他两个模型。图2的ROC曲线表明,离散时间风险模型Ⅳ对验证样本的预测准确率也高于其他两个模型,AUC值达到了0.8594,而logistic回归和probit回归的预测准确率只有0.7887和0.7636。

图3和图4是纵向比较离散时间风险回归的模型Ⅰ、Ⅱ、Ⅲ、Ⅳ对估计样本和验证样本的预警效果,即比较不同预警指标时所构建模型的预警能力。由图3的ROC曲线看出,离散时间风险模型Ⅳ的AUC值最大,为0.966,模型Ⅱ、Ⅲ、Ⅰ的AUC值依次减少,但都在0.9以上。在图4中,离散时间风险模型Ⅳ对验证样本的预测效果最好,AUC值达到了0.8594,而其他三个模型的预测效果都低于模型Ⅳ,AUC值均在0.9以下。这表明在综合使用财务变量、公司治理变量和宏观经济变量所构建的模型,其预测效果高于使用单一财务变量的模型和其他变量组合的模型。因此,公司的财务失败事件是受财务因素、公司治理因素以及宏观经济因素等共同影响的结果。另外,比较模型Ⅱ和模型Ⅲ的ROC曲线,我们也发现,模型Ⅲ的AUC值均小于模型Ⅱ的AUC值,说明宏观经济因素对公司财务失败的影响程度要弱于公司治理因素。

六、主要结论

本文在综合考虑公司财务信息、治理信息、宏观经济信息的基础上,采用离散时间风险模型实证研究了公司陷入财务失败的影响因素,并检验和比较了离散时间风险模型、logistic模型、probit模型的预警效果。实证结果显示,公司治理因素和宏观经济因素均对公司的财务失败具有重要影响,相对而言,公司治理因素对财务失败的影响更大。公司治理中的董事会规模越大或独立董事比例越高,发生财务失败的概率越低,公司治理水平的提高有助于降低财务失败风险。宏观经济因素中的实际贷款利率变化情况和实际GDP增长率也对公司财务失败具有显著影响。实际贷款利率水平增加越大,公司陷入财务失败的概率也越大;而实际GDP增长速度越快,则公司发生财务失败的概率越小。总的来说,在经济繁荣和扩张时期,公司发生财务失败的可能性较低,而在经济萧条和紧缩时期,发生财务失败的概率也相应增加。本文的研究表明,非财务信息对财务失败预警具有重要意义,是财务信息的必要补充,公司治理因素和宏观经济因素对财务失败具有早期预警含义。因此,在对公司财务失败进行预测时,不仅要关注公司的财务状况,而且还要考虑公司的治理状况以及所处的宏观经济环境,从而做出较准确的判断。

在模型的预测能力方面,本文所采用的离散时间风险模型具有较高的预警效果,实证结果表明其样本内判别能力和样本外预测能力均高于logistic模型和probit模型。离散时间风险模型与logistic模型和probit模型等静态预警模型相比,它能够有效处理样本数据的删失问题,而且由于考虑了时间因素,其建模所使用的样本观测数也大为扩充,使模型的估计系数更稳定和可靠。当样本时期扩大时,静态预警模型需要对样本数据全部更新,而离散时间风险模型则只需在原有数据的基础上追加新的数据即可重新建模,更适用于对上市公司进行连续动态预警。

注释:

①大部分研究中采用0.5作为临界值,事实上,以0.5作为临界值是假设财务失败样本和财务正常样本的先验概率都为0.5,并且犯Ⅱ类和Ⅱ类错误的成本相等。然而,这两个假设条件在现实经济中并不成立。

标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

公司治理、宏观经济环境与财务失败预警研究--离散时间风险模型的应用_roc曲线论文
下载Doc文档

猜你喜欢