工商企业管理论文我国林业上市企业财务预警研究

　　摘要：本文以22家林业上市公司为样本，运用传统的Z值模型对我国林业上市企业的财务数据进行测算，并结合我国实际运用Fisher多元判别模型加以修正，建立了适合我国林业上市企业的财务预警模型。实证研究显示，传统的Z值模型判别效果差，不适应我国林业上市企业的风险预警;通过Fisher多元判别修正后的Z值模型，判别临界值为0，且能对我国林业上市企业做出很好的风险判别，达到财务风险预警的目的。

　　关键词：工商企业管理论文,林业上市企业,财务预警,Z值模型,Fisher判别

　　一、引言

　　目前国内外对于上市企业财务预警模型有着诸多研究，且都取得了较为优秀的预测成果。然而，国内林业上市企业对财务预警系统缺乏的深刻认识，未形成系统的财务预警模型，针对这一现状，在总结各种模型的优势和劣势的基础上，选用Z值模型对我国林业上市企业进行财务预警。

　　二、基于传统Z值模型的应用

　　(1)传统Z值模型的内容。在传统财务危机预警模型中，最受欢迎的就是多变量预测模型。其中最为著名的就是美国Altman教授在20世纪60年代得出的Z-score模型。Altman运用判别分析，确定出Z值模型公式：

　　Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 (1)

　　其中：X1=(流动资产-流动负债)/总资产;X2=(盈余公积+未分配利润)/总资产;X3=(利润总额+财务费用)/资产总额;X4=(每股市价* 流通股数+每股净资产*非流通股数)/期末总负债;X5= 销售收入/总资产。Altman的Z-score模型的判别标准是，Z值越小，样本企业未来遭受财务危机的可能性就越大;反之，Z值越大，该企业的财务状况就越好，在未来遭受财务危机的可能性也就越小。原模型给出的Z值临界值为1.81，当Z<1.81时，说明企业存在较大的财务危机的风险(重警);1.812.675时说明企业财务状况良好(无警)。

　　组别公司名称 Z值判别结果公司名称 Z值判别结果组别公司名称 Z值判别结果公司名称 Z值判别结果

　　非ST组海南橡胶 1.3879 重警中福实业 1.1340 重警 ST组 *ST中基 0.4710 重警 *ST大地 1.1040 重警

　　圣农发展 1.8623 中警大湖股份 0.8630 重警 *ST美利 0.4879 重警 ST宜纸 0.2376 重警

　　吉林森工 1.1147 重警冠豪高新 1.1450 重警 *ST新农 1.0773 重警 ST新龙 0.5426 重警

　　好当家 2.3325 中警新疆天宏 0.7595 重警 *ST石岘 0.0434 重警 ST景谷 0.1861 重警

　　升达林业 0.9125 重警香梨股份 1.0513 重警 *ST国商 0.3450 重警 ST中冠A 1.3750 重警

　　永安林业 0.3174 重警 *ST甘化 0.7661 重警

　　(2)样本的选取。首先，确定林业相关样本企业，选取ST和非ST企业作为对照组。然后，运用Altman的Z-score模型对这些企业进行测算。其中，因为ST企业均是在两年连续亏损或出现重大亏损的情况下才被冠以ST(Special Treatment，特别处理)之名的，所以选择采集其在被交易所公布特别处理年份的三年前的数据。[1]根据以上方法，本文选取了存在财务危机的林业相关企业共11家组成 ST组企业样本，对应找到相关的林业上市企业作为对照组即非ST组。最终构成一个样本容量为22的模型数据组，并按照Z-score模型要求，计算Z值。(样本数据均来自于和讯网)

　　(3)传统Z值模型结果分析。表1为样本企业的测算Z值以及参照Z-score模型判别标准得出的财务危机风险预警结果：

　　从表1的结果中可以看到，运用传统Z-score模型对我国林业相关上市企业进行财务风险预测时，Z值都小于1.81，均被判定为有财务危机风险的企业，不仅ST企业全部需要重度警告，而且非ST企业也基本处于重中警状态。从判定结果来看，此判别模型失去了判别的意义和效用。此外，林业企业存在生产周期长、负债率高的特殊性，该模型的判别临界值对于我国林业相关上市企业而言相对偏高，不适用于我国国情。而且该模型所有的变量均未考虑相关的现金流量指标，而我国的林业企业作为高负债企业，往往需要大量现金流量用于偿还债务等来维持企业的经营周转。因此，传统Z-score模型不适用于我国当前林业相关的上市企业。

　　三、修正Z值模型

　　(1)判别模型的建立。1)指标选取。在构建模型中，考虑资产负债因素和利润因素的同时，考虑现金流量因素。综合各项因素，最后从企业财务报表中选择了以下7个指标作为模型的变量指标。[2]这7个指标分别为主营业务现金含量(X1)、营业活动收益质量(X2)、资产现金流量回报率(X3)、现金流动负债比率(X4)、流动比率(X5)、每股收益(X6) 、现金比率(X7)，并以此为变量建立新的Z值模型。2)建立模型。判别分析的基本原理是按照一定的判别准则，建立一个或者多个判别函数，通过研究对象的大量资料确定判别函数中的待定系数，并计算判别指标。它的一般形式是：

　　Y=a1X1+a2X2+a3X3+…anXn (2)

　　其中，Y为判别分数，也称为判别值;X1，X2，X3…Xn

　　为反映研究对象特征的变量值;a1，a2，a3…an为各变量的系数，又称为判别系数。判别模型的建立过程中，样本依然选取上述22家上市公司，通过SPSS运行判别分析可以得到Fisher线性判别函数系数，并由此得到Fisher线性判别函数模型是：

　　Y1=130.035X1-0.037X2-5.571X3+20.613X4+8.101X5+ 34.156X6

　　-57.494X7-71.973 (3)

　　Y2=125.318X1-0.019X2+15.241X3+6.941X4+7.951X5+34.691X6-

　　54.943X7-66.324 (4)

　　(2)Fisher判别模型的检验。在本文中，给出一个公司的X1-X7变量，再将这些变量分别代入Y1、Y2两个判别模型，如果得出的Y1>Y2，则将该公司归入第一组，即非ST组，反之，

　　则是ST组。通过SPSS操作结果显示，非ST组11个样本中，有海南橡胶，升达林业，大湖股份以及新疆天宏四家企业因为Y1Y2被误判为非ST企业，两组共计6家企业被误判，模型判断正确率为72.73%。在校对检查时发现，被误判的企业大都存在一些较大的问题。这些误判的企业基本上处于ST与非ST边界的企业，因此其判别结果仍然合理，可以进一步应用。