上市公司财务报表论文
财务报表反映了上市公司基本面，是投资决策的重要参考依据同学们，我们看看下面的上市公司财务报表论文吧！
上市公司财务报表论文
[摘要] 以沪深两市1370家上市公司作为研究样本，摒弃了以往研究中惯用的配对方法，采用信息熵理论对财务指标的预测能力进行了客观测定，并选取预测能力最强的前11个指标作为输入变量，构建了基于Logistic回归的上市公司财务困境预测模型，并对模型进行了实证检验。研究结果表明：每股净资产、营业毛利率等11个绝对财务指标和相对财务指标对公司是否陷入财务困境有较强的预测能力。
[关键词] 信息熵； Logistic回归； 财务困境
一、引言
依据上市公司经过审计后披露的财务报告，选取关键的财务指标构建合理的财务困境预测模型，对投资者和债权人了解企业财务状况和上市公司高管防范企业财务危机，以及监管部门监督上市公司质量和预防证券市场风险都具有重要的作用。因此，财务困境预测的意义在于构建财务困境预测模型，及时预报财务状况，为经营者、投资者、银行等金融机构、相关企业或注册会计师提供及时的决策和管理信息。
根据我国的具体情况，本文对上市公司是否陷入财务困境的界定是以其是否因“财务状况异常”遭到“特别处理”为标志的。
二、样本选取
根据我国上市公司的年报披露制度，上市公司当年的财务报告披露的最后截止日期为下一年4月30日，因此上市公司当年是否被ST是由公司上年的财务报表决定的，采用公司被ST前一年的数据来建立预测模型会高估模型的预测能力，因此本文采用上市公司被ST前2年的数据即2009年的财务数据来建立模型。在剔除存在数据缺失和存在异常值的企业后，本文选取了2011年沪深两市1370家上市公司作为样本，其中包括110家ST公司，1260家正常公司。本文数据来自锐思金融研究数据库（RESSET/DB http：//wwwressetcn）。为了客观评价所建立模型的预测精度，本文按照3：1的比例随机将总样本分为训练样本和测试样本，其结构如表1，在利用训练样本构建预测模型后，将分别检验模型对训练样本和测试样本的预测准确率。
三、基于信息熵的预测指标选取
在用Logistic回归模型进行公司财务困境预测时，关键是选取那些对公司财务状况预测能力强的财务指标来建立模型。在信息论中熵是用来测度随机变量的不确定性的，熵越大不确定性越大，在企业是否陷入财务困境的评估中，如果某初选财务指标的引入可以有效地减少因变量的熵，则该财务指标就有一定的预测能力，因变量的熵改变量越大，说明该指标的预测能力越强，因此本文采用因变量熵的`改变量来对初选指标进行筛选。具体模型如下：
其中，q1 ，q2分别表示两组公司占公司总数的比重。改变C0值可以得到指标Xi的不同的降熵，使ΔI（Y）最大的C0就是指标Xi的最佳分割点。某个财务指标的降熵越大说明该财务指标的预测能力越强。计算每个财务指标在其最佳分割点处的降熵就可以对财务指标的预测能力进行排序，保留降熵值大的指标，剔除降熵值小的指标。最后对保留的财务指标进行因子分析就可以得到用于Logistic建模的公共因子。
四、Logistic风险评估模型实证检验
（一）基于信息熵的指标选取
本文选取企业盈利能力、企业营运能力、企业偿债能力、企业成长能力、企业现金流量五个方面的相对指标和营运资金、公司资产总值、所有者权益、每股净资产五个绝对指标作为初选指标。具体指标如表2所示。
利用MATLAB软件计算每个初选指标的降熵，计算结果见表2。计算结果显示，在预测中，虽然各初选指标对企业违约风险都有一定的预测能力，但各初选财务指标的预测能力相差很大。本文选取降熵较大的V26（每股净资产）、V12（营业毛利率）、V13（营业净利率）、V15（总资产报酬率）、V14（成本费用率）、V16（总资产净利率）、V28（净利润）、V31（所有者权益）、V1（资本充足率）、V5（资产负债率）、V29（净营运资金）11个预测能力最强的指标来建立模型。
（二）因子分析提取公共因子
由于企业财务指标之间有较大的相关性，而多重共线性会对Logistic模型的参数估计精确度产生较大的影响，本文采用因子分析法来解决变量间多重共线性的影响，因此本文采用因子分析提取的公共因子来进行Logistic回归建模。
根据分析得到因子方差分解表（表3），由表3可知特征值大于1的前4个公共因子累计方差贡献率达到了8719%，说明这4个公共因子能够反映原11个指标绝大部分信息。因此选取FAC_1、FAC_2、FAC_3、FAC_4这4个因子作为最终进行Logistic回归建模的指标。
1训练样本回带检验
根据上述模型计算训练样本每一观察个体的预期违约概率，通过反复计算验证，以接近先验概率的01为最佳分割点，P>=01判定为ST公司，P<01判定为非ST公司 ，判别结果见表6。由表6可以看出模型对训练样本的总体判断准确率达到893%。其中对ST公司的正确识别率为866%，对于非ST的正确识别率为896% ，ST公司的漏诊率仅为134%，非ST公司的误判率也只有104%。这说明模型对训练样本有很高预测准度。
2测试样本回带检验
同样将测试样本代入模型进行检验的结果（见表7），总体判断准确率达864%，其中28家ST公司中只有4家被错误地归为非ST公司，正确识别率达857%；394家非ST公司中有51家被误判为ST公司的分类准确率为871%。
测试样本判断结果同训练样本预测的准确率基本一致，预测准度较高，模型也比较稳定，因此具有推广应用的价值。
五、结论
根据信息熵的计算结果可以看出，每股净资产等绝对财务指标对企业是否被ST有很强的预测能力，所以在建立模型时不仅要考虑相对指标而且要把一些重要的绝对指标纳入到指标体系中，在评估上市公司财务状况时应优先考虑信息熵的前11个指标，因为它们对企业未来是否陷入财务困境有很强的预测能力。通过对所建立的Logistic回归对预测模型进行回带检验，可以看出模型不论是对建模用的训练样本还是对建模样本外的测试样本都有较高的预测准度，总体判断准确率分别达到871%和8906%，模型的预测准度高而且通过训练样本外的检测样本的测试可以发现所建立的Logistic模型的预测能力较强且比较稳定，说明可以利用该模型，根据上市公司披露的财务信息来预测上市公司未来被ST的概率，判断该企业的财务状况，对投资者而言可以规避投资风险，对上市公司本身而言可以提前做出应对预案。
[参考文献]
[1]PhiliPPe JorionValue at Risk： The New Benchmark for Managing Financial Risk[M]McGraw—Hill，2000
[2]Altman， EL& Saunders， ACredit Risk Measurement： Developments Over the Last 20 Years[J]Journal of Banking and Finance， 1998
[3]MaddalaLimited—Dependent and Qualitative Variables in Econometrics[M]Cambridge University Press， 1986：173—215
[4]James AOhlsonFinancial Ratios and the Probabilistic Prediction of Bankruptcy[J]Journal of Accounting Research， 1980：109—131
[5]韩建光企业财务困境预测动态建模研究[D]哈尔滨工业大学， 2011：21—23
[6]林舒航基于金融危机背景的中小企业财务战略浅析[J]福建教育学院学报，2010（6）
[7]张立军，王瑛，刘菊红基于贝叶斯判别分析的上市公司财务危机预警模型研究[J]商业研究，2009（4）