宏觀經濟的財務風險思考范文

本站小編為你精心準備了宏觀經濟的財務風險思考參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1數據選取

1．1樣本選取

為了排除上市企業IPO盈余管理和利潤操縱因素的影響，筆者從上市時間距離研究點超過4年的上市企業中選取樣本。將因財務狀況異常而被特別處理的ST企業作為財務狀況危機企業，非ST企業作為財務狀況正常企業，從滬深兩市中選取2007—2011年因財務狀況異常而首次被ST的A股制造業上市企業，共89家;按1∶1比例從滬深兩市中隨機選取同時期同行業的89家正常制造業上市企業作為配對企業。這178個樣本中，把2007—2009這3年共116個樣本作為建模樣本，用來構建預測模型，2010和2011年共62個樣本則作為預測樣本，用來檢驗預測模型的有效性和準確性。

1．2變量選取

由于宏觀經濟涉及面廣且復雜，全面綜合考慮所有因素既不經濟也不可行，因此筆者根據國內外相關學者的變量選取情況采用文獻回顧法初步選取了以下11個相對數據的宏觀經濟變量:GDP增長率g1、CPI變化率g2、PPI變化率g3、工業增加值同比g4、M2同比增長率g5、M1同比增長率g6、利率的變化率g7、利率g8、社會消費品零售總額同比g9、同業拆借加權平均利率g10和失業率g11。為便于選取，筆者以2004—2011的32個季度11個宏觀經濟變量數據為基礎進行宏觀變量的篩選。財務變量的選取需要全面反映企業的財務狀況，結合國內外研究情況，初步選取了能夠全面反映企業償債能力、盈利能力、風險水平、現金流量能力和營運能力的24個財務變量，具體如下:①盈利能力:賬面市值比x1、資產報酬率x2、銷售凈利率x3、營業利潤率x4、凈資產收益率x5、總資產凈利率x6、留存收益資產比率x7和每股收益x8;②現金流量能力:固定資產比率x9、債務保障率x10、現金流量利息保障倍數x11和每股經營活動現金凈流量x14;③風險水平:財務杠桿系數x12和經營杠桿系數x13;④償債能力:流動比率x15、速動比率x16、營運資金對資產總額比x17和資產負債率x18;⑤營運能力:應收賬款周轉率x19、流動資產周轉率x20、存貨周轉率x21和總資產周轉率x22;⑥發展能力:營業收入增長率x23和總資產增產率x24。筆者采用第t－2年的財務數據來預測企業第t年的財務狀況。首先對變量進行單變量組間均值相等檢驗和F值檢驗，剔除對ST企業和非ST企業分類不明顯的變量。對于ST企業和非ST企業來說，所處宏觀經濟環境都一樣，因此只需對財務變量進行均值檢驗和F值檢驗。其次，對選取的11個宏觀經濟變量和通過均值檢驗的13個變量分別進行因子分析，以克服量間的多重共線性并選取影響較大的代表性因子，具體如下:(1)進行球形度的KMO與Bartlett檢驗，檢驗結果如表2所示。由表2可以看出，宏觀經濟變量和財務變量的KMO值分別為0．582和0．785，均大于0．5，且球形Bartlett檢驗顯著性水平均為0，小于0．05，說明宏觀經濟變量之間及財務變量之間適合進行因子分析。(2)從方差貢獻率角度考慮這些因子的影響，因子旋轉后的特征值和方差貢獻率如表3所示。由表3可以看出，宏觀經濟變量因子分析的前3個因子特征值均大于1且累計方差貢獻率達到82．104%，大于80%，可以選取這3個因子代替原始宏觀經濟變量，且不會造成大量的信息損失;財務變量因子分析的前4個因子特征值均大于1且累計方差貢獻率達到82．280%，大于80%，可以選取這4個因子代替原始財務變量，且不會造成大量的信息損失。(3)因子載荷矩陣如表4所示。其中，Gi為宏觀因子i，Fj為財務因子j。表4中的數值為具體因子載荷值(這里只保留了大于0．5的載荷)，分析這些數值可知，宏觀因子G1主要反映了通貨膨脹情況，宏觀因子G2主要反映了國家貨幣供應情況，宏觀因子G3主要反映了國家工業發展情況，這3個因子涵蓋了所有11個宏觀變量，因此用這3個因子代表宏觀經濟變量是合理的;財務因子F1和財務因子F3主要反映企業的盈利能力，財務因子F2主要反映企業的償債能力，財務因子F4主要反映企業的風險水平，這4個因子涵蓋了所有13個原始財務變量，因此用這4個因子代表企業財務變量是合理的。數據均來源于國泰君安數據庫。以上數據處理均通過SPSS18．0完成。

2實證分析

2．1建立模型

分別用判別分析、Logistic回歸和BP神經網絡3種方法建立財務風險預警模型，并用各個模型對樣本進行預測，對結果進行比較分析。判別分析法是對研究對象所屬類別進行判別的一種統計分析方法。判別分析的過程是根據已知測量的分類(0，1)和表明觀測量特征的指標變量，推導出判別函數，根據判別函數對觀測量所屬類別進行判別，對比原始樣本的分類和按判別函數所判的分類，計算出預測準確度和錯分率。Logistic回歸模型是對二分類因變量進行回歸分析時使用最普遍的多元統計方法。它使用最大似然估計法，求得相應變量取某個值的概率。如果得出的概率大于設定的分割點，則判定該企業將陷入財務危機。Logistic回歸對于變量的分布沒有具體要求，適用范圍更廣。BP神經網絡是目前最常見、應用最廣泛的一種神經網絡。BP網絡能學習和存儲大量的輸入－輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。BP神經網絡模型拓撲結構包括輸入層、中間層(也稱隱層)和輸出層。輸入信號先向前傳播到隱節點，經過變換函數之后，把隱節點的輸出信息傳播到輸出節點，經過處理后再給出輸出結果。節點的變換函數通常選取Sigmoid型函數。

由于宏觀經濟環境是所有企業共同所處的環境，企業對宏觀經濟環境可能存在一定的超前或滯后的反應，因此在研究宏觀經濟變量對企業財務風險的影響時，應考慮使用宏觀經濟變量的期限，以確保預測模型最優。該項研究采用限制相對自由的Logistic回歸方法，研究計算通過SPSS18．0統計軟件中的Logistic工具完成。經過Logistic回歸，可分別得到基于t－3年、t－2年和t－1年的宏觀經濟Logistic回歸模型4～模型6，模型中的變量如表5所示。從上述3個模型中各變量顯著性水平來看，模型4中各變量的顯著性水平均優于另外兩個模型，即加入t－3年的宏觀經濟數據對預警模型的優化效果最明顯，這說明我國企業對宏觀經濟勢的反應存在一定的滯后性，因此在預警模型中加入t－3年即超前于財務數據一期的宏觀經濟數據是最合適的。以下分別用判別、Logistic回歸和神經網絡3種方法建立財務風險預警模型，每種方法都建立只含財務變量模型和加入超前財務數據一期的宏觀經濟變量兩種模型。建立前者模型時，把第二部分得到的F1、F2、F3、F4這4個財務變量因子作為輸入變量;建立后者模型時，把第二部分得到的F1、F2、F3、F4這4個財務變量因子和超前財務變量一期的G1、G2、G3這3個宏觀經濟變量因子共同作為輸入變量。通過SPSS18．0可分別得到基于財務變量判別模型式(1)和基于宏觀經濟變量判別模型式(2)，以及基于財務變量Logistic回歸模型式(3)和基于宏觀經濟變量Logistic回歸模型式(4)。運用BP神經網絡進行財務風險預警時，輸入層節點數為變量的個數，隱含層經過反復測試，最終確定為30個節點，輸出層節點數為1，即企業的財務狀況，輸出0表示財務狀況正常，輸出1表示陷入財務困境。BP神經網絡研究計算通過Matlab7．1軟件完成。訓練函數選用trainlm，設置最大學習次數為1000次，目標誤差為0．05，學習速率為0．08。

2．2預測結果及分析

用以上3種方法建立的模型對預測樣本進行預測，預測結果如表6所示，其中1代表ST企業，0代表非ST企業。通過表6可以得出以下結論:(1)基于宏觀經濟預警模型的預測準確度高于基于財務變量預警模型的預測準確度。但基于宏觀經濟預警模型對預測樣本的預測準確度與基于財務變量預警模型對預測樣本的預測準確度一樣，均低于對建模樣本的預測準確度，這說明在預警模型中加入宏觀經濟變量對企業財務風險預警模型能起到一定的優化作用，但預測本身的滯后性仍無法避免。(2)基于宏觀經濟預警模型的預測穩定性高于基于財務變量預警模型的預測穩定性。從表6可以看出，基于財務變量預警模型對預測樣本和對建模樣本的預測準確度變化率均有所降低。這說明在預警中加入宏觀經濟變量，預測準確度下降幅度有所減小，模型較穩定。(3)基于宏觀經濟預警模型更全面地反映了影響企業財務風險的各種因素。從模型自身來看，在不考慮宏觀經濟因素的情況下，對企業財務狀況影響最大的首先是盈利能力，其次是企業自身風險水平和償債能力;而在考慮宏觀經濟因素后，對企業財務狀況影響最大的除盈利能力和償債能力外，不容忽視的外部影響因素是代表整個國家工業發展情況的G3因子，且與企業發生財務風險概率的大小呈負相關。(4)從分類預測結果來看，在判別和Logistic回歸預警方法下對建模樣本預測準確度與預測樣本預測準確度進行比較，加入宏觀經濟變量前后模型的第一類錯誤率都是增大的，第二類錯誤率都是減小的。但神經網絡方法下兩類錯誤率都是減小的，這與神經網絡自身方法的特點有關。神經網絡對實際系統的擬合精度只取決于網絡自身結構特性及網絡學習參數的確定，而與實際系統的維數無關。(5)在這3種預警方法中，神經網絡預測結果最優，判別預測結果最差。從表6可以看出，無論在預警模型中是否加入宏觀經濟變量，無論是建模樣本還是預測樣本，模型預測準確度依次為BP神經網絡優于Logistic回歸，Logistic回歸優于判別模型。這說明在對企業財務風險進行預警時，應該優先考慮BP神經網絡方法，為以后企業財務風險預警方法選擇提供了參考依據。

3結論

筆者在傳統包含財務變量的判別模型、Logis-tic回歸模型和神經網絡模型基礎上加入宏觀經濟變量，建立了包含財務變量和宏觀經濟變量的判別模型、Logistic回歸模型和神經網絡模型。新建模型能夠全面反映影響企業財務狀況的內外部因素，且加入宏觀經濟變量后所建的新模型預測準確度比只含財務變量所建的模型預測準確度更高，穩定性更強，預測錯誤成本更低;對制造企業來講，在眾多宏觀經濟變量中，整個國家的工業發展情況對企業影響最大，與企業發生財務風險概率的大小呈負相關關系，且宏觀經濟數據采用超前財務數據一期所建模型最優。

作者：杜軍龍萌萌單位：天津大學管理與經濟學部