導語：上市公司財務信用風險評估的應用研究一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

【摘要】我國是能源生產(chǎn)和消費大國的，新能源上市公司的健康發(fā)展對我國的未來的戰(zhàn)略部署有重大的意義。同時新能源上市公司屬于資金密集型公司，有必要對其財務風險做好評估，降低風險，減少損失。本文選取我國深滬兩市A股市場的25家正常經(jīng)營的公司和25家ST公司，在因子分析和Logit模型原理的基礎上，運用SPSS19.0和STATA分析軟件，運用Logit模型進行實證分析，來對新能源上市公司的財務狀況進行預測分析。實證證明主成分1對于財務預警具有很強的預測能力。

【關鍵詞】logit;新能源;因子分析;STATA

一、緒論

新能源是一個正在興起，并且在國家的大力支持下蓬勃發(fā)展的行業(yè)。對于新能源上市公司，不僅需要與同行業(yè)的新能源公司競爭，還需要跟傳統(tǒng)的能源公司競爭。對于身處競爭激烈的新能源上市公司而言，建立財務機制是十分必要的。因為往往財務數(shù)據(jù)的異常能反映出公司的潛在危機，為公司預防和應對危機提供可靠的依據(jù)。本文的財務信用風險評估就是對引起企業(yè)財務狀況和經(jīng)營狀況異常的因素進行跟蹤和監(jiān)測，以便公司的管理層應對危機。本論文還克服了僅僅依靠單純的財務指標來預警帶來的滯后性，將新能源上市公司的財務風險看成一個動態(tài)變化的過程，對于新能源上市公司危機預警和降低危害具有重大的意義。

二、國內(nèi)外研究現(xiàn)狀

馬?。∕artinm，1977）選取1969～1974年間58家有財務困境的銀行，運用篩選出的8個財務指標預測兩年后銀行破產(chǎn)概率，由此建立了Logistic回歸模型，預測效果比Z模型和ZETA模型好。奧爾森（Ohlson，1980）選取1970～1976年的2163家企業(yè)，其中2058家營運正常企業(yè)，其余是經(jīng)營困難的企業(yè)，建立Logistic回歸模型，準確率高達96.12%，這也是多元回歸模型第一次在破產(chǎn)預測中的應用。姜秀華、任強和孫錚（2001）選擇了84家企業(yè)按照1:1的方式配對，建立Logistic判別模型，得出對兩類企業(yè)的預測準確率都在80%以上。李蕾和韓立巖（2010）利用主成分分析和logistic回歸模型解決了解釋變量多重共線性等問題，提出了我國中小企業(yè)的財務指標體系。李月英（2010）選取了38家上市公司，其中31家良好的公司，7家st公司構建獨院線性回歸模型，研究表明主營業(yè)務收入增長率，資產(chǎn)負債率和總資產(chǎn)增長率是預測最顯著的3個指標。

三、Logistic模型在新能源上市公司財務信用風險的實證分析

（一）樣本的選擇

本文的研究對象是我國新能源上市公司，選擇2009年到2014年間第一次被st的公司作為財務危機來研究，并考慮公司的規(guī)模和公司所處的行業(yè)，按照1：1的原則來匹配為st公司匹配正常運營的公司。本文篩選了2009到2014年間首次被st的25家A股新能源上市公司，同時根據(jù)上述原則匹配了25家A股新能源上市公司。本文根據(jù)指標體系分為盈利能力指標，償債能力指標，成長能力指標，運營能力指標和現(xiàn)金流量指標，包括每股收益、每股凈資產(chǎn)、每股營業(yè)利潤、凈資產(chǎn)收益率等35個財務指標。

（二）財務指標的篩選

本文初步構建的指標體系涉及五大模塊35個財務指標，但是不清楚對于樣本的分布，所以對財務指標進行非參數(shù)檢驗來篩選指標。首先本文利用spss19.0選用k-s檢驗來判斷樣本是否服從正態(tài)分布。根據(jù)k-s檢驗可知，除了利息保障倍數(shù)（X15）等13個指標外，其余的22個財務指標都服從正態(tài)分布，這指標體系中服從正態(tài)分布的指標多，故留下服從正態(tài)分布的22個指標進行之后的檢驗。接下來對22個指標進行顯著性差異檢驗。利用spss19.0對上文中的22個服從正態(tài)分布的指標進行顯著性差異的檢驗。因為要做財務信用風險評估，需要樣本之間有顯著性的差異，故對樣本進行T檢驗。根據(jù)分析結果，留下具有顯著性差異的每股收益（X1），每股凈資產(chǎn)(元/股)（X2）等14個指標。

（三）因子分析

根據(jù)因子分析的原理，利用spss19.0對保留的14個指標，50個樣本進行因子分析。通過對KMO檢驗和Bartlett球形檢驗做因子分析。由結果可知，本文中的KMO值為0.797，Bartlett球形檢驗統(tǒng)計量的Sig為0.000，故本文的樣本適合做因子檢驗。對樣本按照主成分分析的原理進行因子分析。按照“解釋的總方差”表，提取了3個公因子，解釋的總方差依次為54.382%，11.985%和10.627%，總共能夠解釋76.967%。（四）logit回歸利用stata對通過因子分析的得到的3個公因子作為協(xié)變量進行二元Logit分析，按照進入法的方法進行回歸分析，協(xié)變量全部進入模型。因變量表示企業(yè)的狀況，“1”表示經(jīng)營狀況好的公司，“0”表示st的公司。據(jù)Logit回歸結果可知，主成分1的p值為0.005，主成分2的p值為0.359，主成分3的p值為0.702。我們可以看出利用Logit模型構造出來的財務風險預警能力，第一個因子很顯著，另兩個因子的在5%的顯著性水平下不顯著。

四、結論

一是我國的財務數(shù)據(jù)還是比較有效，通過對新能源上市公司財務數(shù)據(jù)的篩選，具備對新能源上市公司的財務信用風險評估的能力。二是我國新能源上市公司的財務狀況惡化是一個逐漸惡化的過程，本文篩選的是公司被st前兩年的數(shù)據(jù)，從分析結果可以看出，在t-2年的時候，財務指標已經(jīng)出現(xiàn)了顯著性的差別，并且用預測出的準確率還是比較高的。三是本文的指標體系中引進了成長性指標和現(xiàn)金流量指標，可以看出在財務信用風險評估中，盈利性指標最為重要，而現(xiàn)金流量指標在經(jīng)過K-S檢驗和T檢驗都剔除了，同樣成長性指標也只剩下一個指標。本文的模型更重視盈利，償債等指標。四是通過Logit模型進行的財務信用風險評估模型，構造出來的因子1比較顯著，具備財務預警的能力。

作者:韓 珂 郝佳蓓 單位:山西財經(jīng)大學