本文摘要：摘要：這篇文章以年度財(cái)務(wù)指標(biāo)、年度失業(yè)率、季度 GDP 增長率以及月度通貨膨脹率為解釋變量，以年頻的財(cái)務(wù)困境狀態(tài)變量為響應(yīng)變量，結(jié)合指數(shù) Almon 多項(xiàng)式賦權(quán)和邏輯回歸方法，構(gòu)建了不同時(shí)間窗口(年)的中國上市企業(yè)財(cái)務(wù)困境低頻預(yù)測模型。進(jìn)一步地，本文撲捉了上市公
摘要：這篇文章以年度財(cái)務(wù)指標(biāo)、年度失業(yè)率、季度 GDP 增長率以及月度通貨膨脹率為解釋變量，以年頻的財(cái)務(wù)困境狀態(tài)變量為響應(yīng)變量，結(jié)合指數(shù) Almon 多項(xiàng)式賦權(quán)和邏輯回歸方法，構(gòu)建了不同時(shí)間窗口(年)的中國上市企業(yè)財(cái)務(wù)困境低頻預(yù)測模型。進(jìn)一步地，本文撲捉了上市公司摘戴帽的季度時(shí)間信息，將財(cái)務(wù)困境狀態(tài)設(shè)置為季頻變量，又構(gòu)建了中國上市企業(yè)財(cái)務(wù)困境的高頻預(yù)測模型,揭示混頻宏觀和財(cái)務(wù)因素對企業(yè)未來每季度發(fā)生財(cái)務(wù)危機(jī)的預(yù)警功能。本研究創(chuàng)新和特色在于：構(gòu)建年度的失業(yè)率、季度 GDP 增長率、月度 CPI 增長率與企業(yè)財(cái)務(wù)困境狀態(tài)的非線性函數(shù)關(guān)系，反映不同頻率的關(guān)鍵宏觀因素變化對企業(yè)清償能力的影響。本文研究結(jié)果表明：一是通過引入高頻宏觀經(jīng)濟(jì)指標(biāo)，能有效提高中國上市制造業(yè)企業(yè)財(cái)務(wù)困境的年度預(yù)測表現(xiàn)。以 -3 年模型為例，混頻模型相比同頻的年度數(shù)據(jù)模型的 AUC 值提高了 7.32%。二是不同頻率的關(guān)鍵宏觀因素在不同年度的預(yù)測表現(xiàn)不同。月度的通貨膨脹率僅在 -2 模型中具有顯著預(yù)測功能。季度的 GDP 增長率、年度的失業(yè)率在不同窗口下的模型中，均具有統(tǒng)計(jì)意義下的顯著影響。三是與低頻的年度財(cái)務(wù)困境預(yù)測相比，年度失業(yè)率指標(biāo)不再對企業(yè)季度財(cái)務(wù)困境狀況的變化具有顯著影響、而行業(yè)景氣指數(shù)卻表現(xiàn)出明顯的預(yù)測功能。季度 GDP 增長率和月度通貨膨脹率數(shù)據(jù)的經(jīng)濟(jì)意義更加明顯，在企業(yè)財(cái)務(wù)困境風(fēng)險(xiǎn)的季度高頻預(yù)測中，表現(xiàn)出更強(qiáng)的時(shí)效性。
關(guān)鍵詞：財(cái)務(wù)困境預(yù)警;混頻數(shù)據(jù);混頻數(shù)據(jù)抽樣方法;高頻宏觀經(jīng)濟(jì)變量;中國上市公司
1 引言
財(cái)務(wù)困境預(yù)測，是通過構(gòu)建指標(biāo)數(shù)據(jù)與企業(yè)的違約狀態(tài)之間的函數(shù)關(guān)系，來刻畫企業(yè)在未來發(fā)生財(cái)務(wù)危機(jī)的可能性。有效的財(cái)務(wù)困境預(yù)測能夠輔助銀行等債權(quán)人評估和監(jiān)控企業(yè)的違約風(fēng)險(xiǎn)和償債能力，實(shí)現(xiàn)信用資產(chǎn)的準(zhǔn)確定價(jià)。中國滬深兩證券交易所數(shù)據(jù)顯示，截止到 2021 年年末，中國大陸 A股市場上市企業(yè)共有 4685 家，總市值突破91 萬億，位居世界第二[1]。毋庸置疑地，上市企業(yè)財(cái)務(wù)困境風(fēng)險(xiǎn)的準(zhǔn)確預(yù)報(bào)，對避免企業(yè)財(cái)務(wù)危機(jī)給大量投資人帶來的高額損失、確保金融市場的穩(wěn)定，具有重要意義[2]。上市公司財(cái)務(wù)困境風(fēng)險(xiǎn)，不僅在企業(yè)早期的財(cái)務(wù)指標(biāo)變化中就顯露端倪，而且與宏觀經(jīng)濟(jì)的變化密切相關(guān)。當(dāng)宏觀經(jīng)濟(jì)處在GDP 增長較快的繁榮時(shí)期，市場需求有助提高企業(yè)生產(chǎn)銷售、盈利水平，保證資金流動性充足，降低企業(yè)財(cái)務(wù)困境風(fēng)險(xiǎn)。
相反，惡化的宏觀經(jīng)濟(jì)很可能對企業(yè)的供給、需求方面產(chǎn)生影響，誘發(fā)供應(yīng)鏈斷裂，進(jìn)而降低企業(yè)的清償能力，引發(fā)企業(yè)的財(cái)務(wù)困境甚至破產(chǎn)。在冠狀新型病毒疫情誘發(fā)的世界范圍內(nèi)的經(jīng)濟(jì)困境中，制造業(yè)對宏觀經(jīng)濟(jì)的敏感性和脆弱性顯露無余[3-4]。以制造業(yè)企業(yè)集中的中國蘇州工業(yè)園為例，受到供需雙方減少的影響，很多企業(yè)減產(chǎn)甚至停產(chǎn)，其損失占比僅 2020 年第一季度就高達(dá) 10.7%[4]。在中國上市公司的財(cái)務(wù)困境預(yù)測研究中，本文同時(shí)考慮了宏觀經(jīng)濟(jì)因素和微觀財(cái)務(wù)因素，特別關(guān)注高頻宏觀指標(biāo)數(shù)據(jù)對上市制造業(yè)企業(yè)財(cái)務(wù)困境的影響。相對高頻宏觀經(jīng)濟(jì)指標(biāo)，低頻數(shù)據(jù)更平滑、往往無法反映某些特殊階段宏觀經(jīng)濟(jì)的波動。
以北京市GDP 增長率數(shù)據(jù)為例，從 2008 年年末的 9%增長到 2009 年末的 10.1%。然而，如果觀測該指標(biāo)的季度數(shù)據(jù)會發(fā)現(xiàn)，2008 年 1 季度北京 GDP 增長率從 9%先跌至不足 6%，然后才緩慢回升。低頻數(shù)據(jù)的使用很可能撲捉不到宏觀經(jīng)濟(jì)快速變化對企業(yè)的沖擊，進(jìn)而導(dǎo)致一些關(guān)鍵宏觀影響因素的遺漏�？紤]高頻宏觀經(jīng)濟(jì)指標(biāo)時(shí)，難免會遇到宏觀因素和企業(yè)財(cái)務(wù)等微觀因素觀測頻率不一致的實(shí)際問題。對此，本研究提出了兩組混頻數(shù)據(jù)抽樣-邏輯回歸模型，反映高頻宏觀經(jīng)濟(jì)和低頻觀測的財(cái)務(wù)指標(biāo)變化對中國上市制造業(yè)公司財(cái)務(wù)困境風(fēng)險(xiǎn)的共同影響。
一是以年度可觀測的財(cái)務(wù)指標(biāo)、失業(yè)率數(shù)據(jù)、季度可觀測的 GDP 增長率以及月度通貨膨脹率為解釋變量，以年頻的財(cái)務(wù)困境狀態(tài)變量為響應(yīng)變量，構(gòu)建了不同時(shí)間窗口( 年)的上市企業(yè)財(cái)務(wù)困境預(yù)測模型。二是運(yùn)用企業(yè) ST 發(fā)生的季度時(shí)間信息，設(shè)置季頻的財(cái)務(wù)狀態(tài)響應(yīng)變量，通過結(jié)合反向混頻數(shù)據(jù)抽樣技術(shù)和邏輯回歸方法，構(gòu)建上市企業(yè)季頻財(cái)務(wù)困境預(yù)測模型，實(shí)現(xiàn)混頻觀測數(shù)據(jù)環(huán)境下的高頻財(cái)務(wù)預(yù)警。本文的貢獻(xiàn)主要體現(xiàn)在以下兩方面。
第一在財(cái)務(wù)困境概率測算過程中，挖掘了高頻的宏觀變量的全樣本信息，避免了高頻數(shù)據(jù)事先加權(quán)平均低頻化處理導(dǎo)致有效信息損耗。實(shí)證結(jié)果顯示，關(guān)鍵的宏觀變量高頻數(shù)據(jù)的直接引入，與現(xiàn)有的僅使用同頻的低頻數(shù)據(jù)方法相比，確有助于提高財(cái)務(wù)困境風(fēng)險(xiǎn)的預(yù)測表現(xiàn)。第二本研究為構(gòu)建混頻觀測的響應(yīng)變量即財(cái)務(wù)困境狀態(tài)變量與解釋變量之間的非線性函數(shù)關(guān)系，提供了或可借鑒的理論和方法框架。通過揭示不同頻率的微觀宏觀因素變化對企業(yè)清償能力的影響，為企業(yè)管理者、投資人、監(jiān)管機(jī)構(gòu)有效監(jiān)測上市制造業(yè)企業(yè)關(guān)鍵財(cái)務(wù)指標(biāo)的早期變化和宏觀經(jīng)濟(jì)條件的高頻波動，防范大批制造業(yè)企業(yè)的違約風(fēng)險(xiǎn)和重大損失，提供決策依據(jù)。相關(guān)文獻(xiàn)梳理與本文工作的相關(guān)研究大體分為以下三個(gè)方面。
2.1基于不同時(shí)間窗口的財(cái)務(wù)困境預(yù)測
不同時(shí)間窗口下的財(cái)務(wù)困境預(yù)測是利用企業(yè) - 年的微觀或宏觀變量數(shù)據(jù)與 時(shí)刻的企業(yè)財(cái)務(wù)困境狀態(tài)構(gòu)建的財(cái)務(wù)困境早期預(yù)警模型。早在上世紀(jì)60年代，Altman[5]發(fā)現(xiàn)能夠提前2年準(zhǔn)確預(yù)測企業(yè)破產(chǎn)的發(fā)生。GengRuibin等[2]對比了企業(yè)財(cái)務(wù)困境發(fā)生前3-5年的年度財(cái)務(wù)數(shù)據(jù)的預(yù)測效果，發(fā)現(xiàn)提前3年的預(yù)測精度最高。遲國泰等[6]分別使用了提前2-5年的數(shù)據(jù)對上市公司未來ST狀態(tài)進(jìn)行預(yù)測，也發(fā)現(xiàn)使用企業(yè)財(cái)務(wù)困境發(fā)生前3年的數(shù)據(jù)預(yù)測表現(xiàn)最好。類似的工作，還包括Hernandez Tinoco等[7]、王昱和楊珊珊[8]等。
2.2企業(yè)財(cái)務(wù)困境微觀和宏觀影響因素現(xiàn)有的國內(nèi)外財(cái)務(wù)困境預(yù)測研究涉及的指標(biāo)類型大體為企業(yè)財(cái)務(wù)指標(biāo)和宏觀經(jīng)濟(jì)指標(biāo)。例如，Altman 提出了包括留存收益比在內(nèi)的五因素模型，預(yù)測企業(yè)破產(chǎn)風(fēng)險(xiǎn)[5]。此外，資產(chǎn)負(fù)債率[9]、現(xiàn)金流量比[2,10]、流動比率[11]等，都被證實(shí)與上市企業(yè)的財(cái)務(wù)困境預(yù)測密切相關(guān)。宏觀變量包含著經(jīng)濟(jì)條件變化的前瞻性信息，它的引入能提高與企業(yè)經(jīng)濟(jì)活動相關(guān)的各類指標(biāo)的預(yù)測表現(xiàn)[12-13]。
盧永艷[14]發(fā)現(xiàn)，低 GDP 增長率、高貸款利率會增加企業(yè)財(cái)務(wù)困境風(fēng)險(xiǎn)。Yan Dawen 等[15]在中國上市公司財(cái)務(wù)困境預(yù)測中，探測到GDP 增長率、消費(fèi)水平增長率等與企業(yè)財(cái)務(wù)困境的發(fā)生有顯著關(guān)聯(lián)。其他研究還揭示了失業(yè)率以及通貨膨脹率等宏觀變量對企業(yè)財(cái)務(wù)困境預(yù)測的重要性[16-19]。本文通過借鑒現(xiàn)有研究結(jié)論，并結(jié)合專家遴選原則，選取了 15 個(gè)關(guān)鍵財(cái)務(wù)指標(biāo)和GDP 增長率等 4 個(gè)重要宏觀經(jīng)濟(jì)變量作為企業(yè)財(cái)務(wù)困境預(yù)測的解釋變量。然而，本文與以上工作有明顯差別：現(xiàn)有研究都是基于同頻、年頻變量構(gòu)建預(yù)測模型，不反映高頻宏觀變量對上市企業(yè)財(cái)務(wù)困境風(fēng)險(xiǎn)的影響。
2.3基于混頻數(shù)據(jù)的財(cái)務(wù)困境預(yù)測研究
混頻預(yù)測是指運(yùn)用不同觀測頻率數(shù)據(jù)實(shí)現(xiàn)預(yù)測分析的問題[20-21]。為了有效解決混頻數(shù)據(jù)預(yù)測問題，Ghysels 等[22]提出了混頻數(shù)據(jù)抽樣(MIDAS)模型，避免了傳統(tǒng)的混頻數(shù)據(jù)、同頻化預(yù)處理方式帶來的信息損失和插值誤差。目前，混頻數(shù)據(jù)抽樣模型主要用于兩個(gè)方面。一是探究高頻解釋變量對低頻響應(yīng)變量動態(tài)影響的正向混頻數(shù)據(jù)分析問題。例如，劉金全等[23]以月度通貨膨脹率為解釋變量、以季度GDP增長率為響應(yīng)變量，構(gòu)建了二者的線性混頻數(shù)據(jù)抽樣模型。二是利用低頻變量預(yù)測高頻變量的反向混頻數(shù)據(jù)分析問題。XuQifa 等[24]提出了反向約束混頻數(shù)據(jù)抽樣模型，并利用月度通貨膨脹率和季度 GDP 增長率預(yù)測美國日利率變化。國內(nèi)外上市企業(yè)財(cái)務(wù)困境預(yù)警研究很多涉及混頻數(shù)據(jù)問題。
以中國大陸上市公司情況為例，經(jīng)審計(jì)的財(cái)務(wù)數(shù)據(jù)通常是以年度報(bào)告形式發(fā)布;同時(shí)，中國國家統(tǒng)計(jì)局公布的 GDP 增長率、通貨膨脹率等重要宏觀經(jīng)濟(jì)變量的觀測頻率是季度、月度的。這就使得解釋變量——不同類別的宏觀經(jīng)濟(jì)指標(biāo)本身、以及宏觀變量與財(cái)務(wù)指標(biāo)之間具備了混頻特征。目前，在財(cái)務(wù)困境預(yù)測領(lǐng)域，僅有少量研究考慮并運(yùn)用了高頻數(shù)據(jù)和混頻數(shù)據(jù)。例如，Hernandez Tinoco 等[7]度量英國上市企業(yè)未來發(fā)生財(cái)務(wù)困境的可能性時(shí)，考慮了月度的滯后累積異常收益指標(biāo)，并通過累加求和的同頻化預(yù)處理方法，將其轉(zhuǎn)化為低頻年度數(shù)據(jù)后納入預(yù)測模型。再如，Audrino 等[25]在美國商業(yè)銀行破產(chǎn)預(yù)警研究中，將指數(shù) Almon 多項(xiàng)式賦權(quán)技術(shù)應(yīng)用于高頻資產(chǎn)收益率滯后變量的低頻修正上。本文與 Audrino 等[25]的研究緊密相關(guān)，但與其有以下兩個(gè)方面的本質(zhì)區(qū)別。
第一科學(xué)問題不同。Audrino 等[25]探討的是美國商業(yè)銀行的破產(chǎn)預(yù)測問題，僅考慮了銀行自身財(cái)務(wù)指標(biāo)之間的混頻特征。本文同時(shí)考慮了宏觀經(jīng)濟(jì)、微觀財(cái)務(wù)等不同類別的、不同頻率解釋變量對企業(yè)未來財(cái)務(wù)困境風(fēng)險(xiǎn)的影響。第二研究涉及的廣度也不一致。本研究創(chuàng)新性地利用中國上市企業(yè)戴帽(ST)、摘帽(去 ST)事件發(fā)生的季度信息，形成了季頻的財(cái)務(wù)困境狀態(tài)變量，構(gòu)建了財(cái)務(wù)困境高頻預(yù)測模型。Audrino 等[25]和其他現(xiàn)有的涉及混頻數(shù)據(jù)的相關(guān)研究都不涉及這方面的工作。3模型方法3.1 基于宏觀與財(cái)務(wù)混頻指標(biāo)的上市公司財(cái)務(wù)困境低頻預(yù)測模型邏輯回歸模型，不需要滿足解釋變量正態(tài)分布等假設(shè)條件[26]，同時(shí)具有較強(qiáng)的解釋力，因而在財(cái)務(wù)困境預(yù)測領(lǐng)域被廣泛運(yùn)用[27-28]。
3.2基于宏觀與財(cái)務(wù)混頻指標(biāo)的上市公司財(cái)務(wù)困境高頻預(yù)測模型
3.2.1 中國上市企業(yè)財(cái)務(wù)困境高頻狀態(tài)變量
本章運(yùn)用上市企業(yè)實(shí)際被 ST 的季度時(shí)間信息，以季度的財(cái)務(wù)困境狀態(tài)為響應(yīng)變量，構(gòu)建上市企業(yè)財(cái)務(wù)困境的高頻預(yù)測模型，探測企業(yè)在未來每個(gè)季度發(fā)生財(cái)務(wù)困境風(fēng)險(xiǎn)的可能性以及具有顯著影響的變量。上市企業(yè)的摘戴帽行為會造成不同季度企業(yè)財(cái)務(wù)狀態(tài)的變化。例如，沈機(jī)(證券代碼 000410.SZ)戴帽日期為 2017 年 5 月 3日，那么該家企業(yè)在 2017 年、第 1 季度的財(cái)務(wù)困境狀態(tài)變量標(biāo)識為 0、其余季度標(biāo)識為 1，直到這家企業(yè)摘帽。再如，匯源通信(證券代碼 000586.SZ)、2002 年 4 月戴帽、2004年 2 月摘帽，那么其 2002 年 4 個(gè)季度的財(cái)務(wù)困境狀態(tài)變量分別為 0、1、1、1。本研究不將上市公司 ST 狀態(tài)設(shè)置為更高頻變量、例如月度變量，是為了避免非 ST 企業(yè)和 ST企業(yè)的極度不平衡采樣問題。上市企業(yè)財(cái)務(wù)困境的高頻預(yù)測模型構(gòu)建意義在于，揭示企業(yè)高頻的財(cái)務(wù)困境狀況的變化情況，避免因企業(yè)財(cái)報(bào)數(shù)據(jù)公布的時(shí)滯導(dǎo)致的企業(yè)每季度的實(shí)際財(cái)務(wù)狀態(tài)的難判斷，提高上市企業(yè)財(cái)務(wù)困境預(yù)報(bào)的時(shí)效性。
4實(shí)證分析
4.1 樣本選取
本文研究的主要對象是滬深兩市的ST(*ST)和非ST制造業(yè)公司。我們選取2007-2017共11年的350家上市制造業(yè)公司的指標(biāo)數(shù)據(jù)，包括財(cái)務(wù)和宏觀經(jīng)濟(jì)指標(biāo)數(shù)據(jù)。中國財(cái)政部在2006年頒布、并于2007年執(zhí)行了工商企業(yè)的新會計(jì)準(zhǔn)則，這對中國上市企業(yè)年報(bào)產(chǎn)生了重要影響。2007年以后，上市企業(yè)公布的財(cái)務(wù)數(shù)據(jù)更加規(guī)范完整，故本文選取該年為觀測期起始年份。財(cái)務(wù)指標(biāo)數(shù)據(jù)是以年度為觀測頻率的，均來自Wind數(shù)據(jù)庫，宏觀經(jīng)濟(jì)指標(biāo)包括年度、季度以及月度變量、均來自中華人民共和國國家統(tǒng)計(jì)局。ST 狀態(tài)是上市公司連續(xù)兩年虧損的處理結(jié)果，以2017年某公司被標(biāo)識為ST為例，該公司必須是 2016 年以及 2015 年連續(xù)兩年虧損[30]。也就是說若以 2016 年的數(shù)據(jù)進(jìn)行預(yù)測，將不具有說服力和時(shí)效性，而應(yīng)該以2015 年或者更早的數(shù)據(jù)進(jìn)行預(yù)測，故本文的預(yù)測時(shí)間窗口分別是 ST 狀態(tài)前的 2 年、3年以及 5 年。
4.2 樣本構(gòu)成及劃分
為了確保能夠提前預(yù)測，本文選取了上市制造業(yè)企業(yè)在 ST 狀態(tài)前短則 2 年、最長5 年的數(shù)據(jù)分別對公司的狀態(tài)進(jìn)行預(yù)測，其中被 ST 標(biāo)記過的公司獲得 ST 的年份分布在 2009 年-2017 年。根據(jù)統(tǒng)計(jì)，2009-2017年被 ST 的制造業(yè)企業(yè)數(shù)量分別是 13、21、8、12、12、20、27、31 以及 31 家，合計(jì)175 家。根據(jù)資產(chǎn)規(guī)模相似選取原則[5]，分別在相應(yīng)年份內(nèi)隨機(jī)抽取了等數(shù)量的非 ST企業(yè)，構(gòu)建了 350 家平衡樣本集。為了對模型進(jìn)行時(shí)間外推式的樣本外檢驗(yàn)，本文將2009 年-2016 年的 288 家企業(yè)數(shù)據(jù)作為訓(xùn)練集;將 2017 年 62 家企業(yè)數(shù)據(jù)作為測試集。訓(xùn)練集和測試集的 ST 企業(yè)和非 ST 企業(yè)數(shù)量均為 1:1。
4.3 指標(biāo)處理
4.3.1 財(cái)務(wù)指標(biāo)
根據(jù)專家意見遴選原則，這些指標(biāo)反映了公司償債能力(指標(biāo) 1-5)、盈利能力(指標(biāo) 6-8)、運(yùn)營能力(指標(biāo) 9-11)、發(fā)展能力(指標(biāo) 12-13)和結(jié)構(gòu)穩(wěn)健(指標(biāo) 14-15)五個(gè)方面的情況，且在現(xiàn)有研究中表現(xiàn)出了顯著的預(yù)測能力[2,31-32]。用于計(jì)算這些財(cái)務(wù)比率的相關(guān)財(cái)務(wù)指標(biāo)數(shù)據(jù)均可從上市公司的資產(chǎn)負(fù)債表、利潤表和現(xiàn)金流量表中獲取。進(jìn)一步地，為消除單位和量綱對預(yù)測結(jié)果的影響，本文采用線性標(biāo)準(zhǔn)化方法[15]，把所有財(cái)務(wù)指標(biāo)原始數(shù)據(jù)轉(zhuǎn)化為[0,1]區(qū)間內(nèi)的數(shù)值。需要說明的是，指標(biāo)標(biāo)準(zhǔn)化方法不唯一，標(biāo)準(zhǔn)化處理方式不同可能導(dǎo)致的預(yù)測結(jié)果的差異超出了本文研究范疇，故不展開討論。
結(jié)語
為了挖掘關(guān)鍵的高頻宏觀變量的全樣本結(jié)構(gòu)，本文運(yùn)用混頻數(shù)據(jù)抽樣技術(shù)中的高頻滯后數(shù)據(jù)賦權(quán)方法，構(gòu)建了混頻的財(cái)務(wù)和宏觀變量與企業(yè)年度財(cái)務(wù)困境狀態(tài)的非線性函數(shù)關(guān)系，測算企業(yè)未來年度發(fā)生財(cái)務(wù)困境的可能性。實(shí)證結(jié)果顯示：
(1)高頻宏觀經(jīng)濟(jì)數(shù)據(jù)的直接運(yùn)用，能夠有效提高制造業(yè)企業(yè)財(cái)務(wù)困境預(yù)測的準(zhǔn)確性。特別是，在財(cái)務(wù)困境發(fā)生前 2-3 年的中短期預(yù)測中，基于混頻宏觀與微觀財(cái)務(wù)數(shù)據(jù)的財(cái)務(wù)困境模型的預(yù)測表現(xiàn)明顯優(yōu)于同頻模型。(2)不同頻率的關(guān)鍵宏觀因素在不同窗口下的預(yù)測表現(xiàn)不同。月度通貨膨脹率僅在 -2 模型中具有顯著的預(yù)測功能，而且距離企業(yè)財(cái)務(wù)困境發(fā)生的月份相對越長，它的影響越顯著，具有明顯的滯后作用特點(diǎn)。季度的 GDP 增長率，在不同窗口下的模型中，均具有統(tǒng)計(jì)意義下的顯著影響。(3)不同年度時(shí)間窗口下顯著影響企業(yè)未來財(cái)務(wù)困境風(fēng)險(xiǎn)的指標(biāo)不同。
企業(yè)利潤水平具有短期預(yù)測功能。杠桿率、流動比率、現(xiàn)金流量比等具有 3-5 年的中長期預(yù)測功能。反映資產(chǎn)結(jié)構(gòu)穩(wěn)健程度的固定資產(chǎn)比、留存收益比在 1-5 年的窗口下均對與企業(yè)財(cái)務(wù)困境風(fēng)險(xiǎn)有顯著影響。除了以上的這些工作和發(fā)現(xiàn)，本研究還對混頻數(shù)據(jù)環(huán)境下的財(cái)務(wù)困境預(yù)測模型進(jìn)行了一些拓展。通過運(yùn)用上市企業(yè) ST 標(biāo)識的季度時(shí)間信息，以季度發(fā)生財(cái)務(wù)困境的狀態(tài)為響應(yīng)變量，結(jié)合反向混頻抽樣技術(shù)，構(gòu)建了高頻(季頻)的中國上市企業(yè)財(cái)務(wù)困境預(yù)測模型。研究結(jié)果顯示：
(1)與低頻的年度財(cái)務(wù)困境預(yù)測模型不同，行業(yè)景氣指數(shù)具備明顯的預(yù)測功能。發(fā)展前景預(yù)期好的企業(yè)、未來每季度發(fā)生財(cái)務(wù)困境的概率更低。(2)與低頻的年度財(cái)務(wù)困境預(yù)測相比，季度 GDP 增長率和月度通貨膨脹率數(shù)據(jù)的經(jīng)濟(jì)意義更加明顯，并且這兩個(gè)高頻指標(biāo)的影響具有衰減特點(diǎn)，距離企業(yè)發(fā)生財(cái)務(wù)危機(jī)越近的數(shù)據(jù)越重要。因此，季度 GDP 增長率和月度通貨膨脹率在高頻的財(cái)務(wù)困境預(yù)測模型中，時(shí)效性更強(qiáng)。(3)高頻預(yù)測模型能有效區(qū)分 ST企業(yè)和非 ST 企業(yè)每季度財(cái)務(wù)困境發(fā)生概率，對還未公布 ST 狀態(tài)、但實(shí)際已經(jīng)發(fā)生財(cái)務(wù)惡化的企業(yè)具有提前甄別功能。
鑒于觀測期內(nèi)較多的 ST 企業(yè)樣本可獲取特點(diǎn)，本文主要揭示了混頻數(shù)據(jù)模型在中國上市制造業(yè)企業(yè)財(cái)務(wù)困境中的預(yù)測表現(xiàn)，而針對其他行業(yè)的適用性以及混頻模型中的變量選擇問題仍未得到有效解決。同時(shí)，考慮到新型冠狀病毒疫情等突發(fā)事件背景下，我國宏觀經(jīng)濟(jì)指標(biāo)可能產(chǎn)生的短期突變，進(jìn)而對中國上市企業(yè)、抑或非上市中小企業(yè)財(cái)務(wù)困境產(chǎn)生的影響，也值得深入研究。最后，鑒于支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型在企業(yè)財(cái)務(wù)困境預(yù)測中的優(yōu)良表現(xiàn)，這些方法與混頻數(shù)據(jù)有效結(jié)合起來的理論和實(shí)證工作值得在未來的研究中進(jìn)一步探討。
參考文獻(xiàn)：
[1] 高暢.《滬深 A 股上市公司市值分析白皮書(2021) 》在京發(fā)布 [EB/OL].(2021-12-18)[2021-12-31].
[2] Geng Ruibin, Bose I, Chen Xi. Prediction offinancial distress: An empirical study of listedChinese companies using data mining[J].European Journal of Operational Research, 2015,241(1): 236-247.
[3] Sharma A, Adhikary A, Borah S B. Covid-19′simpact on supply chain decisions: Strategicinsights fromNASDAQ 100 firms using Twitterdata[J]. Journal of BusinessResearch,2020,117:443-449.
[4] Gu Xin, Ying Shan, Zhang Weiqiang, et al. Howdo firms respond to covid-19? first evidence fromsuzhou, China[J]. Emerging Markets Finance &Trade,2020,56(10):2181-2197.
[5] Altman E I. Financial ratios, discriminantanalysis and the prediction of corporatebankruptcy[J]. The Journal of Finance, 1968, 23(4):589-609.
[6] 遲國泰，章彤，張志鵬.基于非平衡數(shù)據(jù)處理的上市公司 ST 預(yù) 警 混 合 模 型 [J]. 管理評論,2020,32(03):3-20.Chi Guotai, Zhang Tong, Zhang Zhipeng. Specialtreatment warning hybrid model dealing withimbalanced data of Chinese listed companies[J].Management Review, 2020,32(03):3-20.
[7] Hernandez Tinoco M, Holmes P, Wilson N, et al.Polytomous response financial distress models:The role of accounting, market andmacroeconomic variables[J]. InternationalReview of Financial Analysis, 2018, 59:276-289.
[8] 王昱,楊珊珊.考慮多維效率的上市公司財(cái)務(wù)困境 預(yù) 警 研 究 [J]. 中 國 管 理 科學(xué),2021,29(02):32-41.Wang Yu, Yang Shanshan. Corporate financialdistress prediction based on multi-dimensionalefficiency indicators[J]. Chinese Journal ofManagement Science, 2021,29(02):32-41.
[9] Shen Feng, Liu Yongyong, Wang Run, et al. Adynamic financial distress forecast model withmultiple forecast results under unbalanced dataenvironment[J]. Knowledge Based Systems,2020,192:1-16.
作者：閆達(dá)文 1, 李存 2, 遲國泰 2
轉(zhuǎn)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/30113.html
