申银万国：上市公司盈、亏预测模型分析

　　本文主要目的是通过建立一套行之有效的上市公司业绩动态预亏系统，并且能够根据该系统运用现有的公开数据，以本年度盈利上市公司为鉴别对象，从中预测下一年度可能出现亏损的上市公司，对上市公司的经营业绩起到一种预警作用

　　本文在借鉴国内外已有文献的同时还主要考虑了我国财务数据的可获得性，在前人已有的研究成果中，从盈利能力、成长性、偿债能力、资产质量、现金流量状况、资产运营 效率和规模7个方面建立31个指标作为t-1年盈利、t年亏损上市公司预测指标体系

　　·研究目的·

　　自沪深证券交易所成立以来，中国(这里指我国大陆地区，不包括我国香港、澳门和台湾地区)证券市场的发展已有10年多的历史了。随着中国证券市场规模不断壮大，规范、创新不断深化，信息披露不断完善，机构投资者队伍不断壮大，WTO的加入和QFII的引入等使得中国证券市场正在加快与国际接轨，上市公司经营业绩与股价的相关性越来越高，经营业绩对股价的解释力度逐年增强，影响上市公司股票价格定位及其变化最重要的因素是业绩及其变化。

　　但总整体来看，我国部分上市公司经营业绩不容乐观，一些上市公司出现了严重的财务困难，涉及面不仅包括证券、金融和行业经济等，对于广大投资者和社会的波及更是不可小觑。其中大股东侵占上市公司资产或掏空上市公司、违规担保、公司交叉持股等弊端不断凸显。因此，开展t-1年盈利、t年亏损上市公司预测模型分析，对于公司股东、放款银行和证券市场监管者来说都有重要意义。

　　从表1中，我们可以看出，1995年以来，沪深两市亏损股公司数量差不多呈逐年递增的态势(2003年比2002年略有下降)，所占比重也不断创历史新高。在2001年度，亏损股公司占沪深两市比重为13.1%，2002年该比例上升到历史新高14.45%，2003年该指标略有下降，为12.51%。

　　另外，从2002年1月4日至今申万亏损股指数与上证指数累计涨跌幅走势对比中，我们可以看出亏损股的投资风险明显高于上证指数。

　　为此，利用已公开信息预测t-1年盈利、t年亏损上市公司来揭示股价中蕴藏的业绩风险，对投资者及时调整投资策略具有重要意义。

　　本文在借鉴前人已有的一些研究成果基础上，通过对上市公司经营业绩的综合分析，建立t-1年盈利、t年亏损上市公司预测模型，供投资者参考。

　　· t-1年盈利、 t年亏损上市公司预测模型体系介绍·

　　预测所用指标体系建立

　　通过对亏损上市公司预测研究已有成果分析，可以发现研究者所采用的财务指标有所差异，也多采用分组的方式将财务指标列示，这些不同的财务指标反映着企业不同的财务侧面，如盈利能力、成长性、偿债能力和现金流量状况等。从研究结果来看，各人得出的预测亏损上市公司所用的财务指标也各不相同。这些指标类型按所用的信息类型不同分为财务指标信息、现金流量信息和市场收益率信息。

　　1、财务指标信息类模型

　　Altman(1968年)等学者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亏损股预测。尽管财务指标广泛且有效地应用于亏损股预测模型，但如何选择财务指标及是否存在最佳的财务指标来预测亏损发生的概率却一直存在分歧。Harmer(1983年)指出被选财务指标的相对独立性能提高模型的预测能力。Boritz(1991年)区分出65个之多的财务指标作为预测变量。但是，自Z模型(1968年)和ZETA模型(1977年)发明后，还未出现更好的使用财务指标针对财务亏损预测的模型。

　　2、现金流量信息类模型

　　现金流量类信息的财务亏损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年)发展了现金流量信息预测财务亏损模型。公司的价值来自经营的、政府的、债权人的、股东的现金流量的折现值之和。他们根据配对的破产公司和非破产公司的数据，发现在破产前5年内两类公司的经营现金流量均值和现金支付的所得税均值有显著的差异。显然，这一结果是符合现实的。破产公司与非破产公司的经营性现金流量会因投资质量和经营效率的差异而不同，二者以现金支付的所得税也会因税收会计的处理差异而不同。Aziz、Emanuel和Lawson(1989年)比较了Z模型、ZETA模型、现金流量模型预测企业发生财务亏损的准确率，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年)是使用股票市场收益率信息进行财务亏损预测研究的先驱。他发现在有效的资本市场里，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年)的研究表明，破产公司的股票在破产前至少1年内在资本市场上表现欠佳。Clark和Weinstein(1983年)发现破产公司股票在破产前至少3年内存在负的市场收益率。然而，他们也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时间区段内平均将经历26%的资本损失。Aharony，Jones和Swary(1980年)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4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。

　　本文在借鉴国内外已有文献的同时还主要考虑了我国财务数据的可获得性，在前人已有的研究成果中，从盈利能力、成长性、偿债能力、资产质量、现金流量状况、资产运营效率和规模七个方面建立31个指标作为t-1年盈利、t年亏损上市公司预测指标体系。有关指标体系中各指标名称和计算公式详见表2。

　　另外，在利用财务指标体系建立t-1年盈利、t年亏损上市公司预测模型前，先进行极端值控制，一般采用3＾σj界限进行控制，上限定为＾μj+3＾σj，下限定为＾μj-3＾σj。若指标实际取值超过上限时，则指标值就取上限；若指标实际取值小于下限时，则指标值取下限。

　　预测模型确定

　　目前预测亏损上市公司的主流分析方法有三大类：单变量判别模型、多元判别模型和多元逻辑回归模型。其它研究方法虽然作出了有意的尝试，但模型稳定性有待进一步检验。

　　从主流分析方法来看，单变量判别模型简单易行。该分析方法是以某个重要的变量作为排序变量，让样本数据根据该变量以一定的顺序排列，选择最佳判定点；最佳判定点，是使误判最小的变量值；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，反之亦相反。但是其缺陷在于：

　　1、无法反映数据的整体性；

　　2、无法充分利用多财务指标体系的优势，利用单个财务指标就排斥了其它可能也很有用的财务指标。

　　多元判别模型对单变量判别分析进行了改进，用于区分两类不同总体的综合数量特征差异和判定未知总体所属类别问题。在二十世纪60年代和70年代，该方法在财务困境预测的研究中使用较多。如著名的Altman1968年的Z模型和Altman、Haldeman与Narayanan1977年的Zeta模型等，使用的都是该方法。多元判别分析又可进一步细分为贝叶斯判别、典型判别和逐步判别等方法。该方法优点是：1、能够包含预测亏损上市公司的多个财务指标，可充分利用多指标体系的优势；2、能够包含独立变量。但该方法也有一些缺陷：1、亏损上市公司组和控制组之间的配对标准不易确定；2、组内分布为近似正态分布并且两组的协方差矩阵相等在现实中很难满足；3、解释变量的相对重要性难以确认。

　　为了克服单变量判别模型和多元判别模型的缺陷，多元逻辑回归模型被引入亏损上市公司预测模型中，将亏损上市公司预测问题转化为：已知某公司具有某种财务特征，计算其在一段时间内业绩出现亏损的概率有多大。由于多元逻辑回归模型不要求财务指标服从正态分布，并且在建立模型后，把具体公司的财务指标代入模型得到的是一个概率值，在实际运用中比较形象，因而通过该方法建立的亏损上市公司预测模型比多元判别分析更加稳健。

　　因此，本文在建立亏损上市公司预测模型时，采用多元逻辑回归模型中的Logistic多元回归模型，具体过程如下：

　　Logistic多元回归模型采用极大似然估计法预测二值响应变量或次序变量的值，建立因变量与一组自变量之间的关系。

　　在本文中，假定Y表示上市公司业绩亏损与否状况(亏损公司Y的取值为1，盈利公司的取值为0)，X=(X1，X2，…，Xn)为自变量向量，p=Prob(Y=1X)，则p可由以下Logistic多元回归模型得到：

　　logit(p)= In(p/1-p)=β0+β1X1+β2X2+λβnXn=β0+βX

　　其中β=(β1，β2，λ，βn)为模型回归系数。

　　在Logistic在多元回归模型中，自变量的选择方法有向前选择、向后删除、最优子集选择和逐步回归法。有些自变量对因变量的影响很大，有些影响较小，一般的多元回归分析往往很难确定自变量对因变量的影响程度，但是通过逐步回归分析能够较好地解决这一问题，逐步回归的结果在回归方程中仅留下对因变量具有显著影响的自变量。本文采用逐步回归模型选择自变量，剔除自变量多重共线性的影响。

　　在得到之后，某上市公司经营业绩出现亏损的概率为：

　　p=exp(β0+βX)/1+exp(β0+βX)

　　研究对象的确立

　　在本文中，首先利用上市公司t-1年的财务指标，建立t年上市公司经营业绩亏损概率预测模型；然后利用模型，把t年所有盈利上市公司的财务指标代入模型，得到了t年盈利上市公司t+1年经营业绩出现亏损的概率；最后给出亏损概率预测值大于临界值的上市公司，作为上市公司t+1年经营业绩可能出现亏损的上市公司名单。投资者在实际运用该模型结果时，还可结合定性分析，最终确定t+1年经营业绩可能出现亏损的上市公司。

　　在利用上市公司t-1年的财务指标建立t年上市公司经营业绩亏损概率预测模型时，需要选择样本。整个样本有两类公司组成：

　　样本1：在t-2年12月31日前上市，t-2年和t-1年盈利、但t年亏损的上市公司。

　　样本2：与样本1内个体一一对应的t-2年、t-1年和t年都盈利的上市公司。

　　对于能否利用t-2年、甚至t-3年的财务指标建立t年上市公司经营业绩亏损概率预测模型，国内一些学者的实证研究结果发现，此类模型的预测效果和预测精度并不高，因此，本文不建立此类模型。

　　· t-1年盈利、 t年亏损上市公司预测模型实证分析·

　　本文利用1999年、2000年和2001年财务指标，分别建立了2000年盈利、2001年亏损上市公司、2001年盈利、2002年亏损上市公司、2002年盈利、2003年亏损上市公司、2003年盈利、2004年亏损上市公司预测模型；在此基础上，分别把2000年、2001年、2002年和2003年的财务指标代入模型，得到t-1年盈利、t年亏损上市公司名单。

　　2000年盈利、2001年亏损上市公司预测模型

　　1、首先建立预测模型

　　利用1999年的财务指标建立了2000年盈利、2001年亏损上市公司预测模型：

　　Pt-1=exp(10.3648-163.2X2-4.6999X5-2.5206X11+0.2205X13-0.1578X28)/1+exp(10.3648-163.2X2-4.6999X5-2.5206X11+0.2205X13-0.1578X28)

　　(各参数都在α=0.05的显著性水平下通过检验)

　　2、模型判别正确率分析

　　在建立模型时，样本1和样本2对由两组个数相等的对比组组成，因此，在利用模型判别公司是否会出现业绩亏损时，概率值区分点一般在0.5左右，具体选择时，以总判别率最高的区分点为准。

　　通过实证分析，发现在本模型中最佳的区分点为0.5，即：当某公司pt-1大于0.5时，则认为该公司2000年会发生亏损；当某公司pt-1小于0.5时，则认为该公司2000年不会发生亏损。可以看出，在利用预测模型进行回判时，总的正确判别率高达81.8%，其中亏损公司的判别率为71.8%，盈利公司的判别率为82.4%。这说明模型总判别率还是比较高的。

　　3、模型预测分析

　　在利用模型进行预测时，2000年盈利的A股上市公司共有1002家，把这1002家公司2000年的财务指标代入模型，并以亏损概率预测值大于0.5的前250家上市公司作为2001年可能出现亏损的备选公司。结果发现备选公司名单中有72家2001年出现了亏损，而实际上，1002家公司有108家2001年出现了亏损，由此可见模型预测亏损公司的覆盖率为66.67%。

　　2001年盈利、2002年亏损上市公司预测模型

　　1、首先建立预测模型

　　利用2000年的财务指标建立了2001年盈利、2002年亏损上市公司预测模型：

　　Pt-1=exp(3.0851-15.4118X4-2.6248X11-1.1186X14+0.9147X16-2.2179X19+4.8959X123-10.7931X25)/1+exp(3.0851-15.4118X4-2.6248X11-1.1186X14+0.9147X16-2.2179X19+4.8959X123-10.7931X25)

　　(各参数都在α=0.05的显著性水平下通过检验)

　　2、模型判别正确率分析

　　通过实证分析，发现在本模型中最佳的区分点为0.6，即：当某公司pt-1大于0.6时，则认为该公司2001年会发生亏损；当某公司pt-1小于0.6时，则认为该公司2001年不会发生亏损。可以看出，在利用预测模型进行回判时，总的正确判别率为75%，其中亏损公司的判别率为66.7%，盈利公司的判别率为83.3%。这说明模型总判别率还是比较高的。

　　3、模型预测分析

　　在利用模型进行预测时，2001年盈利的A股上市公司共有1019家，把这1019家公司2001年的财务指标代入模型，并以亏损概率预测值大于0.6的前250家上市公司作为2002年可能出现亏损的备选公司。结果发现备选公司名单中有84家2002年出现了亏损，而1019家公司有106家2002年出现了亏损，由此可见模型预测亏损的覆盖率为79.24%。

　　2002年盈利、2003年亏损上市公司预测模型

　　1、首先建立预测模型

　　利用2001年的财务指标建立了2002年上市公司经营业绩亏损概率预测模型：

　　Pt-1=exp(3.2536-87.5196X2-1.8779X8-1.0306X10+0.0492X13-1.0178X29)/1+exp(3.2536-87.5196X2-1.8779X8-1.0306X10+0.0492X13-1.0178X29)

　　(各参数都在α=0.05的显著性水平下通过检验)

　　2、模型判别正确率分析

　　通过实证分析，发现在本模型中最佳的区分点为0.6，即：当某公司pt-1大于0.6时，则认为该公司2002年会发生亏损；当某公司pt-1小于0.6时，则认为该公司2002年不会发生亏损。可以看出，在利用预测模型进行回判时，总的正确判别率为85.5%，其中亏损公司的判别率为83.7%，盈利公司的判别率为87.2%。这说明模型总判别率还是比较高的。

　　3、模型预测分析

　　2002年盈利的A股上市公司共有1034家，把这些公司2002年的财务指标代入模型中，取其中亏损概率预测值大于0.6的250家公司作为2003年可能亏损的备选公司，结果发现85家2002年盈利、2003年亏损公司中有61家被模型预测到，模型的判别率为71.76%，这说明模型的判别率是比较高的。

　　2003年盈利、2004年亏损上市公司预测模型

　　由于2003年样本1和样本2的X1、X2、…、X31之间的多重共线性特别强，无法直接采用预处理后的数据进行建模型，因此我们首先把这31个指标采用主成分分析法转换成31个主成分变量，在此基础上采用逐步Logistic回归法建立模型。

　　1、首先建立预测模型

　　利用2003年的财务指标建立了2004年上市公司经营业绩亏损概率预测模型：

　　Pt-1=exp(-4.2977-1.9491prin1-1.0628prin2+0.9054prin4)/1+exp(-4.2977-1.9491prin1-1.0628prin2+0.9054prin4)

　　(各参数都在α=0.05的显著性水平下通过检验)

　　2、模型判别正确率分析

　　通过实证分析，发现在本模型中最佳的区分点为0.5，即：当某公司pt-1大于0.5时，则认为该公司2004年会发生亏损；当某公司pt-1小于0.5时，则认为该公司2004年不会发生亏损。可以看出，在利用2003年上市公司经营业绩亏损概率预测模型进行回判时，总的正确判别率为85.65%，其中亏损公司的判别率为85.2%，盈利公司的判别率为86.1%。这说明模型总判别率还是比较高的。

　　3、2004年经营业绩可能出现亏损的公司预测

　　2003年盈利的A股上市公司共有1162家，把这些公司2003年的财务指标代入模型中，取其中亏损概率预测值大于0.5的112家公司作为2004年可能亏损的备选公司，供投资者投资时借鉴和参考。实际上，这112家公司2004年1季度亏损公司数为35家，而扣除非经常损益后第一季度亏损公司数为44家。

　　本文建立的模型最大的优势在于仅仅利用上市公司公开的财务信息。当然，本文只是运用上市公司近年来的财务数据、仅用实证分析方法建立数量化模型进行研判和预测，上市公司详尽的经营状况和业绩走向还有赖于基本面分析；股价对业绩的反映程度和时间，又倚重于通过市场研究来预测，这些都是本文未曾涉及的。表11995年以来沪深两市亏损公司家数及其占A股公司总数的比重年度19951996 1997 1998 1999 2000 20012002 2003A股公司家数 336 577 747 850 9441100 1152 1211 1271亏损公司家数 17 3140 85 81 96 151 175 159亏损公司所占比重% 5.15.4 5.4 10.0 8.6 8.7 13.114.45 12.51表2“t-1年盈利、t年亏损上市公司”预测模型所用财务指标指标类型 指标名称 原始指标代码盈利能力净资产收益率 X1

　　总资产收益率 X2

　　主营业务利润率 X3

　　扣除非经常性损益的净资产收益率 X4

　　主营业务鲜明率 X5

　　投资收益占利润总额比率X6

　　营业外收支净额占利润总额比率 X7成长性 主营业务收入增长率X8

　　营业利润增长率 X9

　　净利润增长率 X10

　　总资产增长率 X11

　　净资产增长率 X12偿债能力 息税前利润与财务费用之比X13

　　总资产与总负债之比X14

　　现金与流动负债之比X15

　　流动比率X16资产质量 调整后每股净资产与每股净资产之比 X17

　　现金与总资产之比 X18

　　流动资产中非存货及应收项目比率 X19

　　总资产与长期负债之比X20现金流量状况 经营性净现金流与主营业务收入之比 X21

　　经营性净现金流与流动负债之比 X22

　　现金净流与主营业务收入之比 X23

　　现金净流与总负债之比X24

　　现金净流与总资产之比X25资产运营效率 总资产周转率 X26

　　存货周转率 X27

　　应收帐款周转率 X28

　　流动资产周转率 X29规模总资产对数值 X30

　　净资产对数值 X31指标类型 指标名称 指标计算公式盈利能力 净资产收益率 净利润/净资产

　　总资产收益率 净利润/总资产

　　主营业务利润率 主营业务利润/主营业务收入

　　扣除非经常性损益的净资产收益率 (营业利润-所得税)/净资产

　　主营业务鲜明率 (营业利润-其他业务利润)

　　/利润总额

　　投资收益占利润总额比率投资收益/利润总额

　　营业外收支净额占利润总额比率 营业外收支净额/利润总额成长性 主营业务收入增长率主营业务收入

　　/上期主营业务收入-1

　　营业利润增长率 营业利润/上期营业利润-1

　　净利润增长率 净利润/上期净利润-1

　　总资产增长率 总资产/上期末总资产-1

　　净资产增长率 净资产/上期末净资产-1偿债能力 息税前利润与财务费用之比(利润总额+财务费用)

　　/财务费用

　　总资产与总负债之比总资产/总负债

　　现金与流动负债之比现金/流动负债

　　流动比率流动资产/流动负债资产质量 调整后每股净资产与每股净资产之比 调整后每股净资产/每股净资产

　　现金与总资产之比 现金/总资产

　　流动资产中非存货及应收项目比率 1-(存货净额+应收帐款净额+

　　其他应收款+预付帐款)/流动资产

　　总资产与长期负债之比总资产/长期负债现金流量状况 经营性净现金流与主营业务收入之比 经营性净现金流

　　/主营业务收入

　　经营性净现金流与流动负债之比 经营性净现金流/流动负债

　　现金净流与主营业务收入之比 现金净流/主营业务收入

　　现金净流与总负债之比现金净流/总负债

　　现金净流与总资产之比现金净流/总资产资产运营效率 总资产周转率主营业务收入*2

　　/(期初总资产+期末总资产)

　　存货周转率主营业务成本*2

　　/(期初存货净额+期末存货净额)

　　应收帐款周转率 主营业务收入*2

　　/(期初应收帐款净额+期末应收帐款净额)

　　流动资产周转率 主营业务收入*2

　　/(期初流动资产+期末流动资产)规模 总资产对数值 LOG(总资产)

　　净资产对数值 LOG(净资产)

　　上海证券报 申银万国证券研究所金融工程部 檀向球