宏观经济的财务风险思考范文

本站小编为你精心准备了宏观经济的财务风险思考参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

1数据选取

1．1样本选取

为了排除上市企业IPO盈余管理和利润操纵因素的影响，笔者从上市时间距离研究点超过4年的上市企业中选取样本。将因财务状况异常而被特别处理的ST企业作为财务状况危机企业，非ST企业作为财务状况正常企业，从沪深两市中选取2007—2011年因财务状况异常而首次被ST的A股制造业上市企业，共89家;按1∶1比例从沪深两市中随机选取同时期同行业的89家正常制造业上市企业作为配对企业。这178个样本中，把2007—2009这3年共116个样本作为建模样本，用来构建预测模型，2010和2011年共62个样本则作为预测样本，用来检验预测模型的有效性和准确性。

1．2变量选取

由于宏观经济涉及面广且复杂，全面综合考虑所有因素既不经济也不可行，因此笔者根据国内外相关学者的变量选取情况采用文献回顾法初步选取了以下11个相对数据的宏观经济变量:GDP增长率g1、CPI变化率g2、PPI变化率g3、工业增加值同比g4、M2同比增长率g5、M1同比增长率g6、利率的变化率g7、利率g8、社会消费品零售总额同比g9、同业拆借加权平均利率g10和失业率g11。为便于选取，笔者以2004—2011的32个季度11个宏观经济变量数据为基础进行宏观变量的筛选。财务变量的选取需要全面反映企业的财务状况，结合国内外研究情况，初步选取了能够全面反映企业偿债能力、盈利能力、风险水平、现金流量能力和营运能力的24个财务变量，具体如下:①盈利能力:账面市值比x1、资产报酬率x2、销售净利率x3、营业利润率x4、净资产收益率x5、总资产净利率x6、留存收益资产比率x7和每股收益x8;②现金流量能力:固定资产比率x9、债务保障率x10、现金流量利息保障倍数x11和每股经营活动现金净流量x14;③风险水平:财务杠杆系数x12和经营杠杆系数x13;④偿债能力:流动比率x15、速动比率x16、营运资金对资产总额比x17和资产负债率x18;⑤营运能力:应收账款周转率x19、流动资产周转率x20、存货周转率x21和总资产周转率x22;⑥发展能力:营业收入增长率x23和总资产增产率x24。笔者采用第t－2年的财务数据来预测企业第t年的财务状况。首先对变量进行单变量组间均值相等检验和F值检验，剔除对ST企业和非ST企业分类不明显的变量。对于ST企业和非ST企业来说，所处宏观经济环境都一样，因此只需对财务变量进行均值检验和F值检验。其次，对选取的11个宏观经济变量和通过均值检验的13个变量分别进行因子分析，以克服量间的多重共线性并选取影响较大的代表性因子，具体如下:(1)进行球形度的KMO与Bartlett检验，检验结果如表2所示。由表2可以看出，宏观经济变量和财务变量的KMO值分别为0．582和0．785，均大于0．5，且球形Bartlett检验显著性水平均为0，小于0．05，说明宏观经济变量之间及财务变量之间适合进行因子分析。(2)从方差贡献率角度考虑这些因子的影响，因子旋转后的特征值和方差贡献率如表3所示。由表3可以看出，宏观经济变量因子分析的前3个因子特征值均大于1且累计方差贡献率达到82．104%，大于80%，可以选取这3个因子代替原始宏观经济变量，且不会造成大量的信息损失;财务变量因子分析的前4个因子特征值均大于1且累计方差贡献率达到82．280%，大于80%，可以选取这4个因子代替原始财务变量，且不会造成大量的信息损失。(3)因子载荷矩阵如表4所示。其中，Gi为宏观因子i，Fj为财务因子j。表4中的数值为具体因子载荷值(这里只保留了大于0．5的载荷)，分析这些数值可知，宏观因子G1主要反映了通货膨胀情况，宏观因子G2主要反映了国家货币供应情况，宏观因子G3主要反映了国家工业发展情况，这3个因子涵盖了所有11个宏观变量，因此用这3个因子代表宏观经济变量是合理的;财务因子F1和财务因子F3主要反映企业的盈利能力，财务因子F2主要反映企业的偿债能力，财务因子F4主要反映企业的风险水平，这4个因子涵盖了所有13个原始财务变量，因此用这4个因子代表企业财务变量是合理的。数据均来源于国泰君安数据库。以上数据处理均通过SPSS18．0完成。

2实证分析

2．1建立模型

分别用判别分析、Logistic回归和BP神经网络3种方法建立财务风险预警模型，并用各个模型对样本进行预测，对结果进行比较分析。判别分析法是对研究对象所属类别进行判别的一种统计分析方法。判别分析的过程是根据已知测量的分类(0，1)和表明观测量特征的指标变量，推导出判别函数，根据判别函数对观测量所属类别进行判别，对比原始样本的分类和按判别函数所判的分类，计算出预测准确度和错分率。Logistic回归模型是对二分类因变量进行回归分析时使用最普遍的多元统计方法。它使用最大似然估计法，求得相应变量取某个值的概率。如果得出的概率大于设定的分割点，则判定该企业将陷入财务危机。Logistic回归对于变量的分布没有具体要求，适用范围更广。BP神经网络是目前最常见、应用最广泛的一种神经网络。BP网络能学习和存储大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。BP神经网络模型拓扑结构包括输入层、中间层(也称隐层)和输出层。输入信号先向前传播到隐节点，经过变换函数之后，把隐节点的输出信息传播到输出节点，经过处理后再给出输出结果。节点的变换函数通常选取Sigmoid型函数。

由于宏观经济环境是所有企业共同所处的环境，企业对宏观经济环境可能存在一定的超前或滞后的反应，因此在研究宏观经济变量对企业财务风险的影响时，应考虑使用宏观经济变量的期限，以确保预测模型最优。该项研究采用限制相对自由的Logistic回归方法，研究计算通过SPSS18．0统计软件中的Logistic工具完成。经过Logistic回归，可分别得到基于t－3年、t－2年和t－1年的宏观经济Logistic回归模型4～模型6，模型中的变量如表5所示。从上述3个模型中各变量显著性水平来看，模型4中各变量的显著性水平均优于另外两个模型，即加入t－3年的宏观经济数据对预警模型的优化效果最明显，这说明我国企业对宏观经济势的反应存在一定的滞后性，因此在预警模型中加入t－3年即超前于财务数据一期的宏观经济数据是最合适的。以下分别用判别、Logistic回归和神经网络3种方法建立财务风险预警模型，每种方法都建立只含财务变量模型和加入超前财务数据一期的宏观经济变量两种模型。建立前者模型时，把第二部分得到的F1、F2、F3、F4这4个财务变量因子作为输入变量;建立后者模型时，把第二部分得到的F1、F2、F3、F4这4个财务变量因子和超前财务变量一期的G1、G2、G3这3个宏观经济变量因子共同作为输入变量。通过SPSS18．0可分别得到基于财务变量判别模型式(1)和基于宏观经济变量判别模型式(2)，以及基于财务变量Logistic回归模型式(3)和基于宏观经济变量Logistic回归模型式(4)。运用BP神经网络进行财务风险预警时，输入层节点数为变量的个数，隐含层经过反复测试，最终确定为30个节点，输出层节点数为1，即企业的财务状况，输出0表示财务状况正常，输出1表示陷入财务困境。BP神经网络研究计算通过Matlab7．1软件完成。训练函数选用trainlm，设置最大学习次数为1000次，目标误差为0．05，学习速率为0．08。

2．2预测结果及分析

用以上3种方法建立的模型对预测样本进行预测，预测结果如表6所示，其中1代表ST企业，0代表非ST企业。通过表6可以得出以下结论:(1)基于宏观经济预警模型的预测准确度高于基于财务变量预警模型的预测准确度。但基于宏观经济预警模型对预测样本的预测准确度与基于财务变量预警模型对预测样本的预测准确度一样，均低于对建模样本的预测准确度，这说明在预警模型中加入宏观经济变量对企业财务风险预警模型能起到一定的优化作用，但预测本身的滞后性仍无法避免。(2)基于宏观经济预警模型的预测稳定性高于基于财务变量预警模型的预测稳定性。从表6可以看出，基于财务变量预警模型对预测样本和对建模样本的预测准确度变化率均有所降低。这说明在预警中加入宏观经济变量，预测准确度下降幅度有所减小，模型较稳定。(3)基于宏观经济预警模型更全面地反映了影响企业财务风险的各种因素。从模型自身来看，在不考虑宏观经济因素的情况下，对企业财务状况影响最大的首先是盈利能力，其次是企业自身风险水平和偿债能力;而在考虑宏观经济因素后，对企业财务状况影响最大的除盈利能力和偿债能力外，不容忽视的外部影响因素是代表整个国家工业发展情况的G3因子，且与企业发生财务风险概率的大小呈负相关。(4)从分类预测结果来看，在判别和Logistic回归预警方法下对建模样本预测准确度与预测样本预测准确度进行比较，加入宏观经济变量前后模型的第一类错误率都是增大的，第二类错误率都是减小的。但神经网络方法下两类错误率都是减小的，这与神经网络自身方法的特点有关。神经网络对实际系统的拟合精度只取决于网络自身结构特性及网络学习参数的确定，而与实际系统的维数无关。(5)在这3种预警方法中，神经网络预测结果最优，判别预测结果最差。从表6可以看出，无论在预警模型中是否加入宏观经济变量，无论是建模样本还是预测样本，模型预测准确度依次为BP神经网络优于Logistic回归，Logistic回归优于判别模型。这说明在对企业财务风险进行预警时，应该优先考虑BP神经网络方法，为以后企业财务风险预警方法选择提供了参考依据。

3结论

笔者在传统包含财务变量的判别模型、Logis-tic回归模型和神经网络模型基础上加入宏观经济变量，建立了包含财务变量和宏观经济变量的判别模型、Logistic回归模型和神经网络模型。新建模型能够全面反映影响企业财务状况的内外部因素，且加入宏观经济变量后所建的新模型预测准确度比只含财务变量所建的模型预测准确度更高，稳定性更强，预测错误成本更低;对制造企业来讲，在众多宏观经济变量中，整个国家的工业发展情况对企业影响最大，与企业发生财务风险概率的大小呈负相关关系，且宏观经济数据采用超前财务数据一期所建模型最优。

作者：杜军龙萌萌单位：天津大学管理与经济学部