困境模型

困境模型（共8篇）

困境模型 篇1

1 引 言

财务风险无时不在, 无处不在, 财务困境的普遍存在性使得企业必须采取有效手段对财务状况进行预测, 才能最大限度的规避风险, 降低损失。国外对财务困境预警的研究一般认为始于20世纪30年代, 至今已有70多年。财务困境的预警模型根据使用变量的多少分为单变量模型和多变量模型, 而多变量模型又因使用计量方法的不同可分为线性判定模型、Probit模型和Logistic模型等。随着信息技术、统计方法等研究手段的不断进步, 财务困境预测的研究方法也取得新的进展, 生存分析法、专家系统法、神经网络法等多种方法也开始被引入财务困境预警研究领域。

2 模型概述

(1) 单变量判别分析法。

该方法即是利用单一的财务比率来预测企业的财务困境。Fitzpatrick (1932) 进行了一项单变量的破产预测研究, 开创了财务预警研究的先河。他选取19 家公司作为样本, 利用单一财务比率将样本划分为破产和非破产两组, 其研究结果显示净利润/股东权益、股东权益/负债这两个比率的判别能力最高, 即误判率最低。不过当时由于条件的限制, 主要的研究方式是对正常企业和非正常企业的一些财务比率进行比较和经验分析, 且之后的30年内都很少有学者进行单变量判别法的研究, 这种状况一直持续到20世纪60年代初, 此后的财务风险判别才可算是真正进入系统化阶段。

Beaver (1966) 创造性的提出了单变量模型, 他也是最早将现金流量用于财务困境预测研究的学者。Beaver选取了79家失败公司和79家非失败公司, 应用一元判别法比较了各项财务指标在公司破产前1~5年的预测效果, 发现现金流量/总负债的预测能力最好, 并且离失败日越近误判率越低, 在财务困境前1年误判率仅为13%。

单变量的开创性作用不可忽视, 该方法简便易行, 实践中可操作性强, 在研究条件较差时具有很大优势, 但其局限性也是很明显的。由于企业的财务状况错综复杂, 单一的财务比率往往不能准确反映客观实际, 这就影响了预测的有效性。

(2) 多变量判别分析法。

该方法同时使用多个财务指标, 利用多元变量的组合来预测企业的财务困境。Altman (1968) 首次运用了多元线性判别分析法, 建立了多元判别模型, 其后的研究者通称为Z模型。相比以前的预测模型, 该模型的预测准确率有着较大的提高。然而Z模型在建立时并未充分考虑到现金流量的变动等方面的情况, 因而具有较大的局限性。Altman在1977年对自己的模型进行了修正, 提出了ZETA模型, 使得预测的效率又有所提高。

Altman的研究可说是具有很大贡献, 到目前为止, 在实践中Z模型依旧占据重要地位。但是Z模型要求变量必须符合正态分布, 现实中的许多变量多不满足该假设, 这就降低了模型的使用性。

(3) Logistic模型。

该方法采用一系列财务指标自变量来建立模型, 对变量没有严格的要求, 从而克服了Z模型的不足。Martin (1977) 首次运用了Logistic模型。他于1970—1977年, 以58家财务困难银行为研究对象, 选取了总资产净利率等8个指标, 在Z模型、ZETA模型和Logistic模型之间作比较, 发现Logistic模型的预测能力更高。

Ohlson (1980) 采用Logistic方法进行破产预测, 他在1970—1976年, 研究了105家破产公司和2085家正常公司, 运用9个财务变量来构建模型, 研究发现公司的融资能力和业绩对破产有很大影响。但他也指出, 采用破产之后获得的信息来预测破产会高估破产模型的预测能力。

(4) Probit模型。

该方法与Logistic方法类似。Zmijewski (1983) 以72家破产企业和3573家非破产企业为样本, 使用Probit模型, 用逻辑比分析的方法进行了财务困境预测。研究发现破产与非破产企业之间有四类财务比率有明显的差别, 分别是:回报率、财务杠杆、固定收入保障率、股票回报率。

虽然Probit模型和Logistic模型的方法相似, 但Probit模型的条件较严格, 且计算方法不如Logistic模型简便, 因而使用面不如Logistic模型广。

(5) 生存分析法。

现代科学技术的发展, 新的方法被不断应用到财务困境预测中, M.Luoma和E.K.Laitinen (1991) 在“survival analysis as a tool for company failure prediction”中提到了用生存分析法来预测企业的失败, 相对于传统方法而言这是很好的发展, 不过这种方法现在并未得到广泛使用。

(6) 专家系统法。

人工智能的应用和发展, 专家系统方法也被逐渐采用。Messier和Hansen (1988) 首次将专家系统应用于财务困境预测研究, 并将该方法与线性判别分析、群体决策等方法进行比较, 发现专家系统法的分类效果最好, 而且比群体决策的正确率稳定。

(7) 神经网络判别模型。

神经网络判别模型是财务困境预警研究方法上的重大创新, Odom和Sharda (1990) 开创了用神经网络预测财务困境的新方法, Coats和Fant (1991) 选取47家正常公司和47家危机公司使用神经网络模型进行判别, 预测准确率达到91%。目前神经网络模型预测的效果还不稳定, 但随着研究方式的改进和模型完善, 该方法在未来研究中可能成为一个重要方向。

3 结束语

在财务困境的预警研究中, 重要的方法之一就是建立预警模型, 综观国内外的研究史, 经典的模型代表了各个阶段的研究水平, 体现了不同时期的研究成果。简单比较以上模型, 可以看出:各模型都具有一定的优势和劣势, 无论是在理论研究中还是在实践中都无法作出绝对的比较。可以说, 关于财务困境预警的研究, 直到今天都未达成绝对的共识, 也不存在一种绝对行之有效的模型, 现实情况的不断演变, 新问题的层出不穷, 任何模型都无法适用一切场合, 研究需要随之不断深化。

摘要：本文对国外的相关文献资料进行归纳总结, 将部分财务困境预警模型做一整理归纳, 以利于了解财务困境预警研究的历史进程和现状, 并对各种财务困境预警模型作一比较。

关键词：财务困境,预警研究,综述

参考文献

[1]马若微.企业财务困境预测理论及实证研究评述[J].中国城市经济, 2005 (6) :46-48.

[2]王雪梅, 王春巍.财务困境预测研究发展变迁[J].合作经济与科社, 2007 (2) :78-79.

[3]K.Coats, L.F.Fant.Recognizing Financial Distress Patterns U-sing a Neural Network tool[J].Financial management, 1993 (22) :42-155.

困境模型 篇2

困境企业在不负债情况下的清算与投资的实物期权分析模型

在企业瞬时收益流符合几何布朗运动的条件下,通过建立数学模型,分析了困境企业在不负债情况下的投资、清算策略.结果表明,在不负债投资经营的.情况下,当收益足够高时,股东决定投资;否则股东决定清算.在决定清算时,由于增长期权的影响,困境企业投资经营提高了清算临界值.

作 者：王刚 何国柱 段隐华 WANG Gang HE Guo-zhu DUAN Yin-hua 作者单位：四川农业大学,四川,都江堰,611830刊 名：成都理工大学学报(自然科学版) ISTIC PKU英文刊名：JOURNAL OF CHENGDU UNIVERSITY OF TECHNOLOGY(SCIENCE & TECHNOLOGY EDITION)年，卷(期)：34(6)分类号：O29 F830.59关键词：实物期权 清算 投资 数学模型

困境模型 篇3

一、LVQ网络及其模式识别

LVQ(Learning Vector Quantization),即学习矢量量化,是在有教师状态下对竞争层训练的一种学习方法。

(一)LVQ网络基本结构及基本原理

一个LVQ网络由三层神经元组成,即输入层、隐含层和输出层。该网络在输入层与隐含层间为完全连接,而在隐含层与输出层间为部分连接,每个输出神经与隐含神经元的不同组相联接,如图1所示。

LVQ算法是根据输入向量和权值向量的最小欧氏距离选取获胜神经元,并且采用胜者为王的竞争机制,令获胜的神经元的输出为1,其他神经元的输出为0。并且,其学习速率随迭代次数的增加而减少。这个过程实质上就是权值不断逼近输入的过程(李琳和张永祥,2006)。由于这种算法把权值向量和输入向量之间的欧氏距离最小作为判断竞争获胜的条件,所以整个算法过程中不需要对权值向量和出向量进行归一化处理。

(二)基于LVQ网络的模式识别

将LVQ网络应用于模式识别中,首先通过训练样本建立模型,然后用检验样本对模型的预测能力进行检验。

与其他的模式识别或影射方式相比较,采用此网络的优点在于网络结构简单。它只需要通过内部单元的相互作用,就可以完成十分复杂的分类处理,也很容易将设计域中各种繁杂分散的设计条件收敛到结论上来。在这个过程中,设计人员不需要构造复杂的,甚至是难以构造的非线性处理函数。而且,它能表现出更强的容错性,不容易导致系统的崩溃(董长虹,2007)。因而,LVQ网络具有很好的模式分类识别特性。

二、样本选择与指标选取

样本选择与指标选取如下:

(一)样本选择

关于“财务困境”的界定,在我国目前主要的做法是:将ST公司作为面临财务困境的公司,因为它具有客观、高度可度量性和可操作性强等优点(宋新平和张玉才,2007),而将非ST公司作为没有面临财务困境的公司(杨淑娥和黄礼,2005)。因此,本文也采纳这种界定,将ST公司看作面临财务困境的公司,将非ST公司看作为财务健康的公司。

面临财务困境的公司的选取标准是:(1)只发行A股股票的上市公司;(2)其股票于2004年1月1日前已在上海证券交易所上市交易的公司;(3)于2007年因财务状况被列为特别处理(ST)的上市公司;满足条件的上市公司有30间。财务健康的上市公司的选取标准是:(1)只发行A股股票的上市公司的上市公司;(2)其股票于2004年1月1日前已在上海证券交易所上市交易的公司;(3)截至2007年12月31日从未因为财务状况而被列为特别处理(ST)的上市公司;从满足条件的上市公司中选取35间。

由基于LVQ网络的模式识别过程,需要将所选择的样本分为训练样本和检验样本两类,每类样本分别由代表面临财务困境的上市公司和代表财务健康的上市公司组成。在本研究中,训练样本是由25间面临财务困境的公司和25间财务健康的公司组成,训练样本则由其余的15间公司所组成。

(二)指标选取

Altman(1986)选取营运资本/总资产、留存盈余/总资产、息税前利润/总资产、股权的市场价值/债务账面价值、销售收入/资产总额5个财务指标来预测财务困境。Altman、Haldeman和Narayanan(1977)在原来的基础上加入公司规模与盈余稳定性两个变量。Ohlson(1980)实证研究也表明公司规模、资本结构、资金报酬率、变现能力具有显著的预测能力。Altman(2000)在实证研究的基础上提出要对删去带来行业影响因素的销售收入/总资产以进行跨行业的财务困境预测。Andrews(2004)的研究结果表明经营现金流含有增量的信息,能够更好地财务困境做出预测。Chen和Marshall(2006)根据中国市场研究了财务比率指标在预测公司困境风险方面的有效性,结果表明息税前利润与总资产比率、每股盈余、资产负债率、账面市值比表现出较好的解释能力。

因此,根据我国上市公司年报披露制度,上市公司公布其当年年报截止日期为下一年的4月30日,上市公司(t-1)年的年报和它在t年是否会因财务状况异常而被特别处理这两件事几乎是同时发生的,所以这里选择(t-2)年的财务指标进行判别。基于国内相关研究成果(Chen和Marshall,2006),选取息税前利润与总资产比率、每股盈余、资产负债率、净资产收益率和经营活动现金流量净额与流动负债之比作为财务困境预测的指标。

所有选入样本的公司财务信息均来自锐思金融数据库。

三、模型建立、预测结果及检验

本文将用来衡量财务状况的建模变量作为神经网络的输入向量,将代表分类结果的量作为神经网络的输出向量,用训练样本来训练这个网络,使训练样本中的面临财务困境的公司和财务健康公司的输入向量相对应,从而区分和识别两类不同公司财务状况特征。

(一)模型建立

为了建立基于LVQ网络的财务困境预测模型,本文需要确定输入层、隐含层与输出层的神经元数目。由于本研究的财务指标只有5个,所以网络输入具有5个元素的输入向量,即该网络的输入神经元的个数为5。输出一个具有2个元素的输出向量,即输出神经元的个数为2。此外还需要确定网络的竞争层神经元的数目,而且该数目的多少会导致学习效率的低下和影响误差。为此,参考确定网络的竞争层神经元的数目时的公式(董长虹,2007),该网络最佳的竞争层神经元数目的范围在5至14之间。然后,就该范围内的竞争层神经元数目创建对应的LVQ网络,并利用训练样本对网络进行训练。运用MALTAB7.0,对于输入向量所属的类别,将ST公司用1表示,正常公司用2来表示。利用函数ind2vec将类别向量转换为网络可用的目标向量。对网络进行仿真,检验网络是否对训练数据中的输入向量进行正确的分类。运算结果表明,竞争层神经元数目为7的网络特征识别准确率达到92%,如图2所示。该LVQ网络的网络结构如图3所示。

(二)预测结果

在确定LVQ网络模型之后,接下来对网络进行交叉检验,即利用网络对训练样本以为的数据进行分类。首先,利用Sim函数对LVQ网络进行模拟。然后,利用vec2ind函数将模拟的结果输出。将输出结果与检验样本相对比,对于由15间公司所组成的检验样本,发现被网络错误识别的公司有2间,LVQ网络的预测精度达到86.67%。

由以上分析,可以得出以下结论:

第一,从基于LVQ网络的财务困境预测模型对训练样本和检验检验样本的识别准确率来说,基于LVQ网络的财务困境预测模型能够有效地预测企业是否面临财务困境。

第二,在整个LVQ网络设计过程中不需要构造复杂的,甚至是难以构造的非线性处理函数;而且LVQ网络不需要对输入向量进行归一化和正交化。因而,基于LVQ网络所建立的模型,能够大大减少模型使用者的工作量。

困境模型 篇4

2010年11月4日,美国重启第二轮量化宽松货币政策(简称Q E2),这引起了世界资本市场剧烈的反映。在本次金融危机还未完全过去的时期,美国实施宽松货币政策受到了来自世界各国的极大关注,这无疑对金融危机的的发展态势带来更多的不确定性。现代金融危机理论的体系是由美国经济学家克鲁格曼(K rugm an)于1979年首创的。该理论是在黄金本位制度崩溃后,随着世界各国放弃固定汇率制度而采纳浮动汇率制度的国际金融背景下产生和发展起来的。从当前货币危机理论的研究现状来看,许多西方学者都使用该模型来解释货币危机爆发的原因和机理。从已有的研究成果来看,货币危机模型按照其研究的重点不同可以划分为三大类型:一是国际收支危机模型,其研究的重点在于探寻扩张性经济政策同固定汇率之间的矛盾关系,即第一代货币危机模型;二是危机预期模型,其研究的重点在于强调危机的自我促进(又称为自我实现)的性质,即第二代货币危机模型;三是道德风险模型,研究的重点在于探讨金融资产泡沫同金融机构道德风险之间的内在联系,即第三代货币危机模型。以上三代货币危机模型的结论都明确地分析了国际资本流动出现急剧逆转的根本原因。国内已有的综述货币危机模型方面的文献十分丰富,但它们缺乏系统、全面地阐述每一代货币危机模型形成的假设前提及其基本原理,在研究每一代危机的困境方面涉足更少。因此,本文试图在作者前期研究的基础上(高晨伟、王选华,2010)进一步来弥补该领域的不足,全面地研究三代模型的演化路径、理论逻辑及其现实困境,以便对现代金融危机理论的基本原理进行全面把握,并为研究当前全球金融危机提供理论帮助。

二、第一代货币危机模型理论逻辑

(一)模型的假设前提

第一代货币危机模型的假定前提包括五个方面:一是政府将内部均衡视为宏观经济政策的核心目标;二是外汇市场信息完全,国际资本自由流动,国内外资本可完全替代,且投资者进行理性决策;三是政府发行货币不受限制;四是外汇储备规模有限,可以持续耗尽,但购买外汇的本国货币规模不受限制,可以自由得到;五是外汇市场实行固定汇率。

(二)模型的理论体系

第一代货币危机模型主要研究了外汇市场的投机攻击同国家宏观经济变量之间的内在联系。K rugm an在1979年所构建的国际收支危机模型假设前提之一就是完全预见能力的存在(即外汇市场的信息完全),在这种假设前提下,产生国际收支危机的根本原因在于一国政府所实施的扩张性经济政策同固定汇率之间的不适应,这种不适应性最终会导致理性的投机攻击产生。其理论逻辑在于:扩张性经济政策→财政赤字→增发货币→影子汇率↑→本币贬值。这时,公众会减持本币数量,增加对外币的持有,通过调整其资产结构来降低本币与外币未来收益率变动的不确定性。因此,在社会公众理性投机的持续攻击下,政府不断为弥补财政赤字而发行货币,已有的外汇储备会随之而耗尽,固定汇率逐渐丧失。后来,弗拉德和加尔伯(Flood and G arber,1984)认为,由于国内的信贷过程和投机攻击随着时间的变化具有很大的不确定性,因此,K rugm an模型中的完全预见能力假设不成立,他们对K rugm an模型进行了改进和简化,简化模型称为K-F-G模型。在K-F-G模型中,所有的经济变量都是动态变化的,且是一个具有线性结构的国际收支模型。该模型的基本结构为:Mst=Pt[a-b.Ret](1)

模型(1)的约束条件为:

在简化模型中,各变量的经济涵义在于Mst代表国内货币存量,Pt代表物价水平,Ret代表预期通货膨胀率,Rst代表即期汇率(直接标价法),Dct表示国内信贷量,Eft代表换算成本币以后的外汇储备,Dct'代表国内信贷对时间t的导数,Pt'代表物价水平对时间t的导数。由于国内货币存量Mst随时间t不停变化,因此模型(1)是一个实际货币需求函数。而从表达式可以看出,货币存量Mst与价格水平Pt成正相关关系。是个完全预见性假设,因为预期通货膨胀率Ret与实际发生的通货膨胀率完全相等。Pt=Rst表示汇率同国内的物价水平相等,因为这里的假设前提是以购买力平价来决定汇率水平的高低,同时假定国外的物价水平固定不变,这样就可以将国外的物价水平标准化为1,从而等于国内的物价水平。

Mst=Dct+Eft的涵义是国内货币存量Mst为国内的信贷总量Dct与该国的外汇储备Eft之和。Dct'=μ(μ>0)是国内信贷量对时间t的导数,其经济涵义在于:政府通过增加信贷规模来弥补因实施扩张性经济政策而发生的财政赤字,且信贷规模增加的速度μ恒定。

当货币当局使用固定汇率时,表明即期汇率Rst是一个固定值,并不随时间变化而变化。设固定汇率为,这时Rst'=0,因此

从模型(3)可以看出,外汇储备以与国内信贷量增长相同的恒定速度μ而均匀递减,因此,随着时间的推移,外汇储备逐渐耗尽,这时固定汇率发生崩溃。假设外汇储备的最低额度为0,当外汇市场不存在理性冲击时,固定汇率制度可以支撑一段时间,所支撑的期限可以通过汇率的递减规律计算出来,计算过程为:

设外汇储备的初始存量为Ef0,而递减速度为μ,则固定汇率的维持时间。随着时间推移,当时间到达t>T时,外汇储备已经耗尽,即Ef0=0,这时货币当局就会放弃固定汇率而选择浮动汇率,结果就会使物价Pt和汇率Rst上下自由浮动。它们的浮动规律表现为:随着货币当局发行货币量的增加,物价和汇率相应地逐渐向上攀升,通货膨胀率随之上升,而实际货币需求在短期内下降。这时投机者会在外汇储备枯竭前发动攻击,通过购买大量的外汇储备而提前导致固定汇率失效,外汇储备枯竭。这时,从整个国家层面来看,资本流动方向会发生突然逆转,大量的资本会发生外流。因此,国际资本流动发生突然逆转的理论逻辑为:实施固定汇率制度→扩张性的经济政策→国际收支状况恶化→资本逆转流向国外。而投机者攻击固定汇率的具体时间可以测算出来,过程如下:

设固定汇率失效时外汇市场出现的均衡浮动汇率为影子汇率Rst,投机者购买全部外汇储备的时刻为T*,在t>T*的任何时刻,Ef=0,这时有。又因为Mst=a.Rst-b.Rst',所以有:a.Rst-b.Rst'=Dct

解一阶线性微分方程,结果如下:;所以,在t>T*的任何时刻,外汇影子价格Rst

由可知,国内信贷量Dct以恒定的速度μ增长,在任何时刻t,Dct的规模等于最初信贷存量Dc0与信贷增量μt之和,也即:Dct=Dc0+μt,所以有:

模型(5)告诉我们,任何时刻汇率的影子价格均以固定的速度随时间t的增加而上升。投机者攻击的精确时间,一般认为是当固定汇率与浮动汇率两条曲线相交的时刻如(图1)所示。

从模型(6)可以知道,货币当局维持固定汇率的时间与外汇储备的初始存量成正相关关系,而与外汇储备的递减速度(或国内信贷增长速度)μ成负相关关系。当投机者发生攻击时,外汇储备的存量为:

三、第二代货币危机模型理论逻辑

(一)货币危机预期模型——O bstfeld模型其假设前提与基本原理是:

(1)O bstfeld模型的假设前提。由O bstfeld(1994)所建立的货币危机预期模型,其假设前提包括:国内实行固定汇率制度,外汇市场信息充分;外汇储备不构成货币汇率的约束条件,因为政府可以在国际资本市场上很容易筹集到外汇储备资金;政府将内部均衡作为宏观经济政策的主要目标;政府对固定汇率制度的坚持与否主要取决于制度成本与收益的比较:如果坚持固定汇率带来的收益小于成本,政府就会放弃固定汇率制度,让货币发生贬值;公众(或私人部门)的预期会改变政府对固定汇率制度的选择。从假设条件来看,危机预期模型所揭示的政府决策行为具有非线性特征,而正是这种特征会产生多重均衡的出现。政府的非现线性决策可以用以下两种逻辑来说明:逻辑一:公众对货币贬值预期上升→通货膨胀预期上升→工资上涨→政府为减少失业让货币贬值→恶化政府对失业和通胀的权衡;逻辑二:通货膨胀预期上升→利息增加→政府债务增加→预期通货膨胀政策出现。逻辑一和逻辑二都体现了公众预期的自我实现性,这种自我实现正是通过预期改变政府决策体现出来。根据逻辑一,可以推导出自我实现货币危机爆发的基本原理:即高失业率→货币贬值预期上升→失业率进一步上升→固定汇率成本上升→放弃固定汇率→货币危机爆发。

(2)O bstfeld模型的基本原理。首先,忽略放弃固定汇率对政府声誉损失模型。根据货币危机预期模型的假设前提,排除放弃固定汇率导致货币贬值造成的政府声誉损失,而只考虑贬值对政府预算约束预期的影响。这时,政府的损失可以利用如下函数表示:

在模型(7)中,L表示放弃固定汇率给政府带来的经济损失,T表示税率,ω表示货币的贬值率,θ表示政府对货币贬值率和税率的偏好常数。从模型(7)可以看出,政府不会选择过高的税率和货币贬值率,因为这二者的提高都会对政府带来损失,且政府的预算约束存在跨期特征,并受利率高低的影响,其影响程度随利率的提高而加深,因为利率提高使政府在上一时期借款后下一时期的还款成本会提高。在跨期预算约束条件下,政府始终设法让损失降到最低,而这种损失的高低又归结为利率水平。因此,可以通过政府的最小化损失函数来求出政府的反应函数,如下所示:ω=F(i),Lim.L=M in[L(T,ω,)](8),当利率水平处于某一确定的位置时,政府所选择的最优货币贬值率为ω。

除了政府反应函数以外,外汇市场也存在对汇率变化的反应,市场反应函数可以表示为如下模型:ω*=f(i);可以通过利率平价条件给出ω*的具体表达式,如下所示:,表示国际市场利率。

通过向模型ω=f(i)添加一定参数,政府反应函数表现为一条向右上方成递减速度倾斜的曲线,而市场反应函数是一条向右上方倾斜的直线。可以通过曲线来描述政府损失函数、政反应函数和市场反应函数三者之间的关系如(图3)所示。

在(图3)中,L1、L2分别表示政府反应曲线和市场反应曲线,A、B两点表示政府反应和市场反应达到均衡。其经济涵义在于:当公众预期货币贬值较低时,市场利率i1较低,政府愿意选择较低的贬值率ω1,当对货币贬值率预期较高时,市场利率i2较高,政府会选择较高的货币贬值率ω2。因此,公众对货币的贬值预期最终会自我实现。

其次,考虑放弃固定汇率给政府声誉带来损失的模型。当将放弃固定汇率给政府声誉造成的损失纳入考虑范畴时,政府的损失函数又可以变为如下形式:

在模型(10)中,用C表示货币发生贬值给政府声誉带来的损失,也即政府放弃固定汇率所支付的声誉成本,而γ是一个在规定范围内取值的系数,γ∈(0,1)。分下列几种情况展开讨论:(1)当国内不存在货币贬值时,ω=0,这时政府没有声誉损失,即γ=0;(2)当国内货币发生贬值时,ω≠0,即政府放弃固定汇率,声誉受到损失,这时γ=1。

(二)货币危机预期模型——金融恐慌模型

金融恐慌模型是货币危机预期模型的另一个理论模型,其中比较著名的是戴蒙德和戴维格(D ouglas.W.D iam ond and Philip.H D ybvig,1983)首先提出来的银行挤兑模型,又被一些学者称为D-D模型。为了更清楚地说明银行挤兑模型的基本原理,许多学者采用保罗·克鲁格曼(1998a)对该模型的简化形式。

(1)D-D模型的假设条件。模型有四个假设条件:银行的存贷款业务遵循大数定律,存贷款业务按照一定储蓄进行;假设存在三个时期T(T=0,1,2),银行客户均在T=0时刻向银行存款,当取款发生在T=1,2时刻时,假定对应的回报分别为1+R,(1+H)2(H≥R);按照提款时期将存款者共分为两类:类型1(T=1时期提款消费)和类型2(T=2时期提款消费);银行不知道存款者的类型,只有本人知道。

(2)D-D模型的基本原理。首先,一般模型推理。假设存在一种跨3个时期的模型(T=0,1,2),在T=0时期有两类投资项目:第一类项目约定只有在第1时期获得的报酬才为1+R,第二类项目约定只有在第2时期获得的报酬才为(1+H)2,且项目回报考虑资金时间价值因素,时期越长,回报率越高,即假定H>R。因此,如果第二类项目的报酬要想提前到第1期取得,只有以价格P来计算报酬,且P<1+R。再假设投资者也有两种类型:两类投资者在初期(T=0)均只有1个单位资源,但是他们的消费预期不同,第一类投资者会在第1时期消费,第2类投资者会在第2时期进行消费,假定两类消费者均追求消费效用的最大化。因此,如果他们都知道自己的类型,他们就会选择与自己相对应的投资类型:第1期消费的投资者选择第1类投资,第2期消费的投资者选择第2类投资。但是,假设在投资初期(T=0),两类投资者均不知道自己的类型,只有等到第1期期末才知道自己的类型,这时两类投资者如果发生消费与投资类型错位,他们都要发生损失:如果第2类消费者选择了第1类投资,他面临的损失为L1=(1+H)2-(1+R)2=(H-R)(H+R+2),如果第1类消费者选择了第2类投资,其损失为L1=(1+R)-P。其次,一般模型的应用。假设有一家银行并不知道投资者的类型,但是清楚两类投资者的长期比例关系:假定第一类投资者占两类投资者的比例为λ,相应地第二类投资者的比例则为1-λ,这时银行将两类投资者作为一个整体来对待,将既定的资源按照λ:(1-λ)的结构对两类投资项目进行分配,这样就可以满足所有的投资者获得自己的预期收益,即第1类、第2类投资者分别获得1+R和(1+H)2的报酬。因此,银行从本质上说是一个创造流动性的中介机构,即将非流动资产转为流动性资产,最终提高整个社会的福利。不过,银行为了消除所有投资者面临的流动性风险、满足他们预期收益的时候,自身却面临遭遇“挤兑”的风险。原因在于:假设社会出现不确定性因素,如战争、政治变革、经济危机以及其他预期会发生的重大事件等,在第1期期末所有第2类投资者要求提前支付存款,这时银行就遭遇破产的危险,因为存款人之间、存款人和银行之间存在信息不对称,从而会出现当较多的存款人到银行取款时,很容易导致其他存款人参与进来。当银行发生挤兑现象时,由于信息不对称,属于类型2的存款者预期银行的信用支付能力有限,也会提前要求支付存款,从而削弱了银行的整体信用能力,该银行就会出现信用危机。此外,一个银行的信用危机会动摇其他银行的信用能力,造成流动性恶化,这种现象被西方学者称为“传染效应”。当某个银行或某一个地区的存款人出现挤兑现象时,其传染效应可以迅速演变成大范围的金融动荡,而挤兑风暴可能会渗透到整个银行系统,从而爆发全面的金融危机。在金融恐慌面前,银行为了保全自身,往往会通过增加储备来改变存款人对银行的信用能力预期,让存款人对银行的信用支付能力充满信心。但是,银行的这种行为往往会适得其反,甚至会加速整个银行体系的危机到来。因为某一银行为了增加储备资金,其途径主要是变现T=2时期的资产,而实现变现的方式主要是提前收回贷款、银行系统外借款、同业拆借以及出售债务等等。当所有的银行都采用同样的方式解决信用支付能力时,大量的银行资产进入资产市场,从而会导致银行资产价格过低,银行损失重大,当银行所获取的净资产低于需要在T=1时期支付的债务时,银行就面临破产的危机。

四、第三代货币危机模型的理论演进

(一)第三代货币危机模型的假设条件

从第三代货币危机模型的假设条件来看,主要包括五个方面:通过建立开放的小国经济模型来研究以劳动和资本作为投入要素的单商品生产,且国内商品对进口商品具有不完全替代性;假定收入不存在剩余,即企业将收入全部用于投资,工人将收入全部用于消费,并将柯布-道格拉斯生产函数作为研究投入—产出的基本工具;国际资本流动和国际贸易都在开放条件下运行;国内企业在国际市场融资不存在国内障碍,被允许任意借债经营,其投资规模受最优化条件约束,即:,在约束条件中,Rtd、Rtf、Rt分别表示国内、国外资本投资回报率和国内价格水平;假定国际市场的资金供给方对国内企业附加了约束条件,其融资规模取决于国内企业的净财富水平和融资能力。

(二)第三代货币危机模型的理论体系

K rugm an理论体系主要包括以下部分:(1)金融过度(financialexcess)和道德风险(M oral hazard)是东南亚金融危机的诱因。K rugm an认为,发展中国家的金融中介存在金融过度行为,这种行为导致货币危机爆发的原理在于:当国内金融机构处于封闭状态时,随着国内企业的投资需求膨胀,国内资金逐渐耗尽,而又无法从国际市场筹集资金,这时企业膨胀的投资需求不会导致实际投资过度行为发生,而只会引起国内银行利率的上升;相反,当国内金融机构处于开放状态时,它可以从国际金融市场自由获取资金支持,这时金融中介机构会摆脱道德约束,将大量资金流向证券和房地产市场,从而导致过度积累,形成金融过度和金融泡沫,恶化了国内金融体系的脆弱性。当证券和房地产市场受到外部力量的冲击时,金融泡沫破灭,货币危机爆发。(2)“亲缘政治”加深了金融过度的程度。这种“亲缘政治”表现在政府同企业和银行之间形成的裙带关系,并为这些机构提供隐性担保,从而催化了企业和银行敢于从事道德冒险的经济活动,由此形成的不良资产就成为政府的“隐性赤字”。然而,东南亚国家潜在的隐性赤字却表现为“良好”的财政状况,最终导致货币危机到来时政府无能为力的困境。正是这种“亲缘政治”的长期存在导致了东南亚国家时刻处于危机爆发的风险之中。(3)东南亚爆发的货币危机主要在于企业的经营行为。因为企业财务状况恶化主要根源于:国内货币贬值→银行利率提高→企业销售收入急剧下降→企业资产负债恶化→企业财务状况崩溃。这时,即使想通过改善银行经营活动(比如将面临困境的银行实施重组)来扭转企业日益恶化的财务状况,这种设想是不成立的,因为即使将金融环境得到改善,那种财务状况已经急剧恶化的企业也无法得到改变。因此,企业财务状况发生恶化的主因并不在于银行经营活动的改变。(4)在小国经济模型中,共有三个均衡存在。其中中间均衡具有不确定性。这时,其他两个均衡可以不予考虑:即当=时的高水平均衡和低水平均衡。当处于低水平均衡状态时,国内企业无法在国内筹集到资金,因为资金所有者认为企业没有得到担保,贷放资金会承受较大风险,不会向企业发放贷款。这样,国内的实际汇率面临贬值的风险,加速了企业破产的进程,从而又印证了资金所有者拒绝向企业贷款所做决定的合理性,最终形成了拒绝贷款→实际汇率贬值→企业破产→继续拒绝贷款……的恶性循环。因此,资金所有者拒绝向企业贷款的行为具有预期自我实现的特征。(5)政府对于是否维持汇率的稳定性并没有固定的决策模式。因为在作出决策时它面临两难境地:当作出稳定汇率的决策时,另外一种导致货币危机爆发的可能性会随之出现。如当企业的财务杠杆效应十分明显,所负债的金额又较大时,如果政府继续维持汇率稳定,其维护成本较高,因为这样势必会导致企业减少生产,从而加速企业财务状况恶化,货币危机随时爆发。

五、三代货币危机模型的现实困境

(一)货币危机模型没有形成成熟的理论体系

到目前为止,货币危机模型还属于一种不断发展的理论,同传统的经济理论相比还远未成熟。比如,第一代危机模型所推导的投机攻击时间仅仅是在严格假设和高度抽象的条件下,从理论层面来论证确定的投机攻击时间,而在现实实践中并不能准确判断投机攻击时间点的发生;第二代模型虽然将心理预期视为货币危机的变量,对现实具有一定的解释力,但是它所强调的金融体系的内在不稳定性导致多重均衡的出现,各种均衡之间随着预期的变化而不断转移,这种均衡转移的过程没有得到令人信服的解释;第三代危机模型将道德风险和亲缘政治等社会因素作为危机的控制变量,这些非经济因素对危机爆发的影响程度如何来实施计量,从目前研究的现状来看还没有涉及。

(二)危机模型的封闭性无法扩展对现实的解释

从三代货币危机模型的理论体系来看,都是在分析个别案例的条件下形成一种只是局限于特殊现象的解释,而无法建立预测模型。因此,这种封闭的特性决定了三代模型的理论局限。对于货币危机来说,导致其爆发的诱因较多,如经济因素、政治因素、制度因素等等,因此,每一次货币危机爆发后都有其特殊原因,如果仅仅是从局部范围来进行原因分析,每一次货币危机爆发都会提出一种新的理论,且这种理论无法逐渐成熟,因为当下一次危机爆发后引起经济学者对原因的寻找又会掩盖前一次理论的发展。如此循环下去,最后留下的仅仅是讨论货币危机爆发的零碎的理论片段。

(三)危机模型研究方法上的“形而上学”

从三代危机模型寻找到的危机爆发原因来看,都是对危机现实表面原因的描述。当然,西方学者所描述的政府宏观经济政策、公众心理预期、金融体制的脆弱等等看上去的确符合当时的危机表象。但是,他们没有进一步寻找这些原因其背后的原因又是什么?因为那将涉及对整个资本主义制度合理性的思考。从历次爆发的货币危机来看,其主要原因均可以归结为市场的缺陷,而市场缺陷其根源又在于资本主义制度的缺陷。从马克思经济学理论视角考察,货币危机是西方新自由主义失败的象征。因为新自由主义鼓吹市场的“万能性”,用“最小的政府、最大的市场”来为资本主义的发展定“良方”,想必这样的逻辑正是货币危机爆发的真正诱因。因此,三代货币危机模型在各自局限的范围解释独特的危机现象,而使用这种“形而上学”的研究方法来寻找货币危机爆发的原因,最终很难建立一套能全面防范、治理和预测各种货币危机的理论体系。

六、结论

从三代货币危机理论的演化逻辑及其现实困境中可以得出如下结论:虽然三代货币危机模型已经成为解释国际金融危机爆发原因的主流理论,但它们共同面临的现实困境则充分暴露了危机模型的局限性,即无法建立统一的理论体系来对金融危机进行解释、防范、治理和预测。全球金融危机还未完全过去,如何对此次危机从理论上作出合理的解释是当前经济学者关注的热点。从当前金融危机的现象来看,政府缺乏对金融市场的监管是导致危机爆发的主因,这是区别以前货币危机的重要特征。因此,在既有的三代货币危机理论的逻辑框架内无法对此次危机作出合理的解释。按照马克思的经济危机理论,危机的出现是社会制度基本矛盾的强制平衡,资本主义的本质决定了其自身无法解决周期性的金融危机。因此,如果要建立一套能解释所有金融危机爆发诱因的危机理论,只有在马克思主义经济理论的逻辑框架下,从分析社会制度本身出发,将决定金融危机的本质要素分离出来,通过引入政府对社会经济活动的宏观管制职能来约束危机爆发的基础——自由市场盲目地、自动地调节机制。只有这样才能在统一的逻辑框架下将所有的金融危机纳入解释范畴。至于如何在马克思主义经济学的框架下建立统一的金融危机理论,这是今后的研究方向。

摘要：本文系统地回顾了三代货币危机模型的假设条件和基本原理,并就历代货币危机模型的理论逻辑进行了系统分析。每一代模型都在其局部范围内解释了危机爆发的原因,在理论的形成和实践的指导方面具有现实意义。但三代模型所研究的导致危机爆发的原因都仅仅是对危机现象的表面描述,没有追寻危机原因背后的根源——资本主义制度本身。因此,西方学者只能就每次危机作出现象的解释,很难建立一套能全面预防、治理和预测各种货币危机的理论体系,因为要达到此目的,必须对资本主义制度本身进行全面考察。

关键词：货币危机模型,演化路径,理论逻辑,现实困境

参考文献

[1]吴有昌:《货币危机的三代模型》,《世界经济》2000年第3期。

[2]吴有昌:《现代货币危机理论及其启示》,《财贸经济》1999年第3期。

[3]邢毓静:《现代货币危机理论的演进及其发展趋势》,《当代财经》2001年第1期。

[4]Paul. Krugman.A Model of Balance of Payments Crises,Journal of Money,Credit and Banking,1979.

[5]Flood,Robert and Peter,Garber.Collapsing Exchange Rate Regime:Some Linear Example,Journal of International Economics1984.

[6]Diamond,Douglas W.and Philip H.Dybvig.Bank Runs,Deposit Insurance,and Liquidity,Journal of Political Economy,1983.

[7]Paul.Krugman,What Happen to Asian?Mimeo.Cambridge,MA,MIT,1998.

[8]Paul.Krugman,Fire-Sale FDI.Mimeo.Cambridge,MA,MIT,1998.

[9]Paul.Krugman,Balance Sheets,the Transfer Problem,and Financial Crises,Mimeo,Cambridge,MA,MIT,1999.

困境模型 篇5

微博这一互联网应用的兴起改变了传播方式, 随着用户量的增多和稳定, 新的传播方式逐渐构建出虚拟社会网络。本研究将微博用户分为两类:名人与普通人, 基于这个分类, 使用社会网络分析法, 提出“围观模型”这一概念, “围观模型”直观展现了微博中名人与名人的关系、名人与普通人的关系、普通人与普通人的关系, “不仅表现了虚拟社会网的特征, 也折射出现实社会网络的状态, 体现了人与人之间交流的困境。

文献综述

国内外从社会网络分析视角对微博进行的研究还不太多。已有的研究结论总结起来有以下几种:嵌套说, 圈子说, 单向说, 特性说。这几种说法对于微博中人与人之间的关系模式及模式背后的原因, 观点各有不同;共同点是都认为微博已经形成了社会网络, 应该从这个视角出发对其进行研究;但多数研究还停留于猜想和推理阶段, 缺乏客观数据支持。

1. 嵌套说

“嵌套说”认为在微博中, 以每个用户为中心的人际关系网络在关注他人或被他人关注时, 会嵌套到另外一个用户的圈子里, 用户以此扩展自己的社会网络。这个观点同时又认为:微博的沟通机制允许用户之间直接链接, 这就意味着, 每一个用户在理论上都有可能与这一平台上的任何一个用户相识, 当全世界所有的微博平台打破藩篱互通互联后, 地球上的任何两个人之间都有可能直接对话, 而不必通过其他节点作为中介。

“嵌套说”揭示了微博中社会网形成的基本原因, 但后半部分的推论只是一种理想情况, 过于乐观。

2. 圈子说

“圈子说”认为微博中的人们之间的联系不是随机的, 而是因信息偏好的不同形成一个个虚拟“圈子”。微博用户及其之间的关系本质上形成一个社会网络。

“圈子说”以每个用户为中心说明了微博中个人网的特征, 但缺乏对微博整体网的说明。

3.单向说

“单向说”则认为拥有社会公共资源多的人群更易被关注, 但他们一般不会去反关注这些粉丝。

“单向说”提出了一种现象, 但缺乏实际数据的支持, 只是一种经验说。

4.特性说

“特性说”认为“中心节点”是微博社会网络的重要组成部分, 与此对应, “意见领袖现象”应该是微博的基本特性, 因为满足增长与优先情结, 使得越连接越强大, 越强大越被连接。

“特性说”提出了微博中的马太效应, 但同样缺乏相关定量研究的证明, 仍处于假说状态。

研究工具

本研究旨在分析微博用户间的关系, 进而构建微博社会网络图谱, 因此使用社会网络分析软件进行关系分析。本文选用的社会网络分析软件为Ucinet。

取样说明

新浪微博是国内微博业务起步较早、发展相对较成熟的网站。其发展之初就定下了“名人”战略, 相对其他微博, 用户分层更明显。本文主要以新浪微博为研究对象, 采用关注数作为衡量指标。

为了更明确地体现名人与普通人的区别, 本文中将“名人”定义为新浪微博“加V” (新浪认证) 且粉丝数超过10万的用户, 将“普通人”定义为没有加V或加V但粉丝数少于10万的用户。

在取样时, 选取新浪微博排行榜的前50名用户作为名人样本;在微博广场“大家正在说”滚动栏目中随机抽取50名用户作为普通人样本。

数据处理

对这100人进行编号, 名人用户编号对应如下 (由于取样数量过大, 此处省略部分) :

姚晨 (1) , 小S (2) , 赵薇 (3) , 蔡康永 (4) , 谢娜 (5) ……胡歌 (4 6) , 洪晃 (4 7) , 杨千 (48) , 黄圣依 (49) , selina (50)

普通用户编号对应如下 (由于取样数量过大, 此处省略部分) :

拉瑜唱情歌 (A1) , 曱甴崽崽滴窝窝 (A2) , Pandahyn (A3) , 草根巴菲特 (A 4) , M i s s小摆羊 (A5) ……爽爽-92 (A46) , negro小个 (A47) , 露露814 (A48) , 钟嘉聪 (A49) , 王梦娜 (A50)

对以上100个用户进行数据搜集, 将样本数据矩阵化, 形成二值矩阵, 结果如下:

此矩阵中, 首行和首列表示微博用户编号, 矩阵内元素则表示用户之间的关系:1表示行用户关注了列用户, 0表示没有关注。

数据分析

社会网络分析方法将社会关系量化, 通过分析数据构建社会网络。本文主要通过中心性分析、凝聚子群研究、社会网络图来对微博中的社会网络进行分析。

1.中心性 (centrality) 分析

中心性侧重于衡量个人或组织在其社会网络中处于怎样的中心地位, 是对个体权力的量化分析。中心性分析包含多种指标, 如:点的度数中心性、中间中心性、接近中心性等, 每个指标下又针对社会网络中的点、线、图细分为多种次级指标。

(1) 点的度数中心度 (point centrality)

点的度数中心度指的是在一个社会网络中, 与某成员直接发生联系的其他成员的点数, 又分绝对中心度 (D e g r e e) 和相对中心度 (Nrm Degree) , 后者是前者的标准形式。

对此网络进行点的度数中心度分析, 结果如下:

表 (2) 中, Out Degree指成员发出关系的点数, 即微博中的“关注数”, In Degree指成员接受关系的点数, 即微博中的“粉丝数”。

由表 (2) 可知, 名人用户与其他成员发生联系的数量远高于普通用户;部分普通用户在此社会网络中处于孤立状态, 既没有关注他人, 也没有被他人关注;大部分普通用户关注了他人, 但并没有得到他人的关注。

(2) 点的中间中心度 (betweenness centrality)

点的中间中心度衡量的是在一个社会网络中, 某成员是否处于“通过控制或曲解信息的传递而影响群体” (Freeman) 的重要地位, 即在多大程度上处于其他成员的中间, 是否发挥出“中介”作用。

对此网络进行点的中间中心度分析, 结果如下:

表 (3) 中, Betweenness指中间中心度。从结果中可以看出, 中间中心度最高的是蔡康永、姚晨、黄健翔等人, 说明这些人在此社会网络中处于控制交往关系的权力地位。同时, 有一部分成员的中间中心性为0, 说明这些人几乎不具备控制相互交往关系的能力, 而这些毫无控制能力的人多为普通用户。

2.凝聚子群研究

社会结构是在社会行动者之间实存或潜在的关系模式, 凝聚子群是一个行动者集合, 在此集合中, “行动者之间具有相对较强、直接、紧密、经常的或者积极的关系”。凝聚子群研究则是从某种社会结构中找出凝聚子群。

在一个社会网络关系图中, “派系”指至少包含三个点的最大完备子图。派系中最少包含三个成员, 且任何两个成员之间都是直接相关的, 派系形成后将无法向其中加入新的点。

对此社会网络进行派系分析 (派系最小成员设置为8人) , 找到44个派系。将此结果图像化, 得到树状派系图。从派系图中可以得出:各个派系几乎都是由名人组成的, 这说明名人之间存在互惠关系, 他们相互关注、分享资源, 而普通人很少能进入到这些派系中。90%以上的普通用户或无法进入任何子群, 或处于派系的最边缘。

3. 图论法

图论法是社会网络分析中的一种基本方法, 典型的图论中以节点代表行动者, 连线代表行动者间的关系, 有向图中的连线以箭头表示关系的发生方向。

使用Ucinet中的图像化工具Netdraw绘制此社会网络的图像如下:

4. 定量分析

2010年3月2日, 新浪微博注册用户突破一亿, 这一亿成员基本是由上文定义的“普通人”组成的。因此, 要得到微博社会网络中普通人与普通人间的关系, 取样必须典型且数据样本足够大, 而由于操作性限制, 笔者无法得到可靠的取样样本。

为了说明普通人与普通人间的关系, 此处借用Huberman于2009年对Twitter研究的部分数据:

Huberman的样本包含了309, 740个Twitter用户, 这些用户平均发了255条微博, 拥有85个粉丝, 关注了80人。由于数据数量巨大, Huberman的取样基本能够对应笔者对于“普通人”的定义。

在其研究中, Huberman将与某用户产生两次及以上直接交流的用户定义为该用户的“朋友”, 他发现用户的活跃程度与粉丝数的变化不完全一致, 但与“朋友”数的变化呈相同趋势。图 (2) 则反映了这样一个值:“朋友”数/粉丝数。从图中可知, 在这30多万Twitter用户中, 40%的用户此数值只有不到10%, 即这些用户可能拥有较多粉丝, 但真正与其产生直接交流的不到一成。极少数用户能通过交流将自己的粉丝转变为“朋友”。

围观模型

通过以上的实证研究, 我们试图推出一个概念——“围观模型”, 以期从整体视角概括微博社会网络的基本特征。

在微博的“围观模型”当中存在以下关系:

(1) 名人与名人间关系

名人与名人之间互相交流, 形成相对封闭的“圈子”。

根据凝聚子群研究及派系分析, 发现各节点在微博社会结构中形成了各个有联系的派系。各个派系内部相对封闭, 无法加入新的节点。

(2) 名人与普通人间关系

普通人单向关注名人, 虽有交流的欲望和理论上的交流机会, 但在实际上却无法进入名人的圈子内部, 难以实现直接交流。普通人与名人的关系是“围观模型”最重要的一部分, 普通人在名人圈子外“围观”的状态也正是模型名称的由来。

从表 (2) (点的度数中心度分析) 可以看出, 在微博社会网络中, 名人接受关注的点数远远高于他们发出关注的点数。而大部分普通用户接受关注的点数要低于发出关注的点数, 还有一部分普通用户既很少发出关注也很少接受关注, 处于孤立状态。

从表 (3) (点的中间中心度分析) 可以看出, 中间中心度较高的几乎都是名人, 说明他们在社会网络中占据控制交往关系的权力地位, 占有较多的社会关系资源。而很多普通用户节点的中间中心度为0, 这说明他们在社会网络中不具备控制网络中相互交往关系的能力。

图 (1) 则从整体上给出了围观模型的一个直观全景描述, 在图中可以很明晰地发现名人占据社会网络的中心, 普通人在网络外缘。整个社会网络关系图, 从内向外, 联系由密到疏。方向上则是从外向内, 具有一定的单向性。存在一些孤立点, 全为普通用户。

(3) 普通人与普通人间关系

对于数量庞大的微博用户而言, 纷繁的关注和被关注的表象背后, 普通人与普通人之间的交流实际上很有限。

图 (2) 基于Twitter09年的后台数据, 不妨用它推出一般微博中普通人之间的关系特征。从图中可以看出, 对于绝大部分用户来说, “朋友”——即直接交流两次以上的人, 占粉丝数的比率在0.5以下, 这也就意味着, 普通用户在微博上也只与少数人交流。

结论

沿着“技术-传播-社会”范式, 微博这一新兴的互联网应用引发传播方式的变革, 进而构建出虚拟社会网络。在这个社会网络里, 理论上人与人之间能够实现直接交流, 普通人将能寻求更多的社会联系, 名人与普通人之间的对话更是令人期待。但事实远非如此。微博并没有像人们期待的那样, 成为一个直接对话的平台, 成为一个打破社会层级藩篱的先驱。

“围观模型”揭示了微博社会网络的基本特征:名人间交流频繁, 形成小圈子;普通人置于圈外“围观”, 与名人交流的愿望实质上无法得到实现;普通人与普通人之间的有效交流也很有限。

困境模型 篇6

国际金融危机爆发以来, 国际间掀起一阵跨国公司倒闭的浪潮。2008年9月15日, 美国银行收购巨额亏损的美国第三大投行-美林银行, 美国第四大投行雷曼兄弟也由于资不抵债申请破产保护, 美国最大的两家非银行住房抵押贷款公司房地美和房利美也由于贷款资金链的断裂申请政府资金救助。众多企业破产清算的原因一方面是由于流动性风险巨大导致资金链条断裂, 其次是在全球经济萧条的背景下盈利水平骤降造成资不抵债导致破产。企业在倒闭前夕都经历了财务困境阶段, 因此研究企业财务困境的发生概率和时点并采取措施应对可以减少危机的发生, 预防财务困境出现。

财务困境又称财务危机, 通常指企业资不抵债, 无法偿还到期债务所引发的危机。国外的学者对企业财务困境的定义也有所差异。Beaver (1966) 提出满足“破产、拖欠债务、透支银行账户或无力支付优先股股利”四项中的一项即为陷入财务困境。Altman (1968) 认为进入法律破产程序的企业才是真正进入财务困境的企业。考虑到我国企业数据有限性, 为了突出研究的一致性和便捷性, 国内学者对于财务困境的界定通常以上市公司经营状况异常被ST作为陷入财务困境的标志。对于财务困境的预测模型, 国外的模型研究分为三个阶段:初始是一元或多元线性判别分析阶段。Fitzpatrick (1932) 最早采用单变量破产预测模型研究财务财务困境;Beaver (1966) 首次采用统计方法建立单变量预警模型, 通过测算精确度发现营运资金与总负债之比这一变量在破产前一年的预测精确度可以达到87%;Altman (1968) 引入多元线性判别模型 (MDA) , 得出著名的Z-Score模型进行预警。第二阶段是Logistic回归分析阶段, 该阶段克服了单变量分析和MDA的模型局限性。Ohlson (1980) 使用了多元逻辑回归模型分析财务困境问题, 得到高于90%的预测精度。尽管Logistic模型至今都在预测领域被人津津乐道, 但是自变量之间多重共线性的缺陷不可忽略。第三阶段集中在最近几年新理论和方法的创新上。Odom和Sharda (1990) 最早把神经网络预测模型引进财务困境的研究之中, 把样本分为训练样本和预测样本, 得到较高的预测精度。除此之外, 支持向量机 (SVM) 以及CUSUM等预测手段和方法也用于建立预测模型。国内关于企业财务困境的预测研究开始于上世纪末。跟随国际预测领域的研究脚步和中国资本市场的迅速发展, 我国学者在此领域的研究文献也日益增多。吴世农、卢贤义 (2001) 将多元线性回归和Logistic预测方法进行精度对比, 发现差异不大。宋雪枫、杨朝军 (2006) 将财务危机预警模型应用于商业银行信贷风险管理上, 建立生存模型, 发现其提前一年的预测精度高达80%。胡锦明、吕俊 (2009) 对上市公司财务困境的预测精度采用不同模型进行对比研究, 发现多元线性回归模型、Logistic模型和Cox模型、神经网络模型当前四大主流预测模型在预测精度上各有优劣。卢永艳 (2012) 针对行业性差异对上市公司财务困境的影响做出研究, 结果发现明不同行业的上市公司所面临的财务困境风险是不同的。

然而上述文献中大多数有关财务困境的预测集中关注多种预测模型的精度对比, 并没有给定出现财务困境的具体时点, 其实际应用意义因而受到很大影响;同时, 财务困境的预测中协变量的选取上很少强调盈利性和流动性对财务困境的影响, 通常选取基本的体现流动性和盈利性的财务指标作为协变量进行研究, 不具有突出性和强调性。本文考虑到Cox生存模型的优越性, 采取Cox生存模型对公司财务困境进行预测并选取加强的盈利性和流行性财务指标作为协变量进行预警分析, 同时分析公司财务危机发生的时点, 加强危机的预警效应。

二、研究方法设计

(一) Cox模型

Cox (1972) 提出乘法危险模型, 也成比例风险模型。Cox模型可以研究多个变量对危险率的影响, 由于Cox生存模型是半参数模型, 对生存时间的分布没有任何要求, 并且可以同时使用样本的截面数据和时间序列进行持续的趋势性预测。此外, 从稳定性和外推能力看, Cox模型把样本分为学习样本和训练样本, 且不需要按照同行业同规模的企业属性进行配对, 可以提高样本数据的稳定性。利用Cox生存模型既可以分析众多相关变量对生存时间的影响, 又可以在不同样本之间计算相对风险。基本模型如下:

其中h0 (t) 是一个任意的基准危险率, Z是协变量, β= (β1, …, βp) '是一个参数向量, c (β'Z) 为已知函数。该模型之所以成为半参数模型是因为它含有协变量效应, 因而有参数形式, 基准危险率是非参的, 因为必须为正, 因此c (β'Z) 通常写成:

Cox模型被称为比例风险模型, 因为假如有两个个体, 其协变量的值分别为Z和Z*, 其危险率之比为:

(3) 式的值表示具有风险因素Z的个体对风险因素为Z*的个体的相对风险或危险率。

(二) 生存时间

生存时间是指从某一起始时间到研究观测感兴趣的事件发生所经历的时间, 在生存分析中往往会产生数据的删失和截尾造成样本缺陷。当部分个体的生存时间已知, 而只知道其余个体的存活时间发生在特定时间之后就产生了删失数据;在研究观测中淘汰了一些对象, 使得研究者意识不到它们的存在, 就产生了截尾数据, 截尾数据只能是经历了某事件的个体才能被观察到。删失和截尾这些不完整的数据可能会影响预测的稳定性和准确性, 造成预测偏差, 但是Cox生存模型采用随机变量组 (T, δ) 表示实验数据, 其中, δ=0时表示删失, δ=1时则表示未删失, 以此来规避删失和截尾数据带来的干扰。生存分析对各公司风险的衡量是以各公司生存时间进行估算的, 因此采取Cox生存模型可以可持续地预测企业未来不同时点上发生的财务困境的可能性, 本文研究的生存时间是指从某一起始年份到公司出现财务困境的所经历的时间段。

(三) 参数估计

Cox模型的参数估计采取的是偏似然估计, 数据容量为n, 它包括三个变量Tj, δj, Zj (t) (j=1, …, n) , 假设不提供任何删失信息, 因为给定Zj, 事件和第j个发生财务困境的公司的删失时间是独立的。假定事件发生的时间的中间不存在“结”, 令t1

通过 (4) 式可以求得参数β估计值, 基础生存率h0 (t) 为在t时刻的基础累积风险函数, 可以通过Breslow法估计, 得到H0 (t) 的一个估计:

这样我们可以得到基准生存函数S0 (t) 的估计量:

这一估计量适合于Z=0的个体, 对于估计协变量Z=Z0的个体的生存函数, 可以使用估计量:

三、样本和预警指标的选取

(一) 样本的选取

国内学者在研究公司财务困境时, 通常把上市公司被特别处理 (ST) 作为企业陷入财务困境的标准, 本文也参照这一标准。由于证监会在核准公司IPO时按照统一的规定要求进行, 因此公司初次上市时可以看作属于同一起点具有同质性, 我们把公司首次上市的交易时间作为生存时间的起点, 以被ST作为出现财务困境作为感兴趣事件即终点事件。本文选取2010年1月至2012年12月三年时间作为研究观测期, 选取中国股票市场制造业300家上市公司进行研究。其中, 完全数据样本为三年期间内被ST的公司, 其生存时间为公司上市到其发生ST的时间长度;右删失数据为截止到2012年仍未被ST的公司, 成为非ST公司, 其生存时间为上市到2012年的时间长度。此外, 证监会规定连续两年亏损的上市公司才会被进行ST处理, 采用上市公司被ST两年前的财报数据夸大预测精度, 因此我们把被ST公司第t-3的财报数据作为数据来源进行预测, 对于截尾数据, 采用2010年的财务数据计算, 对于非截尾数据, 采用被ST当年往前倒退三年的年度财报进行计算, 数据来源国泰安数据库。在剔除生存时间小于3年的上市公司后, 本文选取2010年1月至2012年12月中国沪深股市制造业300家上市公司作为研究对象, 其中ST公司共40家, 非ST公司260家, 按等比例原则从非ST公司和ST公司随机选取70%的数据作为训练样本, 其余30%数据作为预测样本。

(二) 预警指标的选取

本文选取了以下指标 (见表1) , 既包括能反映公司盈利能力、偿债能力、成长能力、营运能力、现金流量能力等财务指标, 又涵盖了能反映股权结构、公司治理、审计意见等表外信息的非财务指标, 以期能从不同侧面反映公司的运营情况。考虑到在做最终的预警之前要用因子分析法对预警指标进行筛选, 所以在此之前我们在进行指标选择时包含了比较多的信息, 力争能从各角度反映公司的财务状况, 提高预警的准确性。

1. 预警指标显著性检验。

用SPSS软件对t-2, t-3年的财务指标进行检验, 结果见表2。

综上所述, 利用Cruskal-Wallis (克-瓦氏单向方差分析) 非参数检验方法对财务指标的显著性进行判断, 只有盈余现金保障倍数 (X5) , 现金股利保障倍数 (X6) , 速动比率 (X8) 、产权比率 (X10) , 利息保障倍数 (X11) , 存货周转率 (X16) 、主营业务收入增长率 (X26) , 资本保值增值率 (28) 等8个指标不具有显著性差异;剩下的其余20个财务指标均具有显著性差异, 能有较强的预测能力, 所以我们选用适当的统计方法来建立财务危机预警模型是可行并有效的。

2. 预警指标多重共线性检验。

通过上边的非参数检验, 虽然已经对指标做了精简, 但是用20个指标来建立指标体系还是显得复杂和冗余, 并且这些指标之间还存在着一定关联性, 反映的信息有叠加现象, 所以我们要对这20个指标进行进一步优选, 提取那些信息含量高并且避免多重线性影响的指标, 从而提高模型的预测精度和外部实用性。本文接下来采用因子分析法, 对二次筛选出的财务指标进行精简和分类。因子分析的目的就是希望选用较少的变量来解释大部分信息。进行因子提取的详细过程如下:

(1) 既然要从许多变量中提取共同因素, 因子分析默认的前提条件就是各变量之间必须有一定的相关性, 具体在该条件的判断上, 我们使用Bartlett’s球形检验和KMO统计量检验, 具体检验结果见表3。

由上面KMO和Bartlett’s球形检验的结果我们可知, KMO值为0.698, 根据统计学家Kalse给出的标准, KMO取值小于0.6时不适合做因子分析, 而该检验结果中KMO的值为0.698大于0.6, 说明适合作因子分析;Bartlett’s球形检验给出的相伴概率为0.000, 小于显著水平0.005, 因此拒绝Bartlett’s球形检验的零假设, 适合于因子分析。

(2) 因子分析。在本文中我们就利用因子分析法对上述20个财务指标进行分析, 以便提取公共因子, 因子分析的结果见表4。

表4中显示, 在主成分信息表中, Total为特征值, 它的大小反应公因子的方差贡献, 依据特征值大于1的原则, 在Extraction Sums of Squared Loadings中提取了5个因子的特征值, 占方差百分数及其累加值, 这5个因子解释的方差占总方差82.369%, 能比较全面的反应所有的信息。因此选这五个因子进行分析效果较理想。

从图1中可以比较清楚地看出因子的重要程度, 比较陡的直线说明直线断点所对应的因子特征值差值较大, 比较缓的直线则对应较小的特征值差值;图中因子1, 2, 3, 4, 5之间坡度较陡, 说明前5个因子为主要因子, 这与主成分信息表中的数据是相吻合的。

表5为旋转后的因子载荷矩阵, 通过四次方最大旋转后, 得到了20个变量在5个因子上的新的因子负荷, 结果显示: (1) 因子1中, 载荷量较高的几个变量分别为流动比率 (.832) , 资产负债率 (-.756) , 他们都是反映企业偿债能力的指标, 所以因子1是偿债能力因子;从制造行业上市公司整体经营运作情况来看, ST公司流动比率较低, 短期偿债能力较弱;而在表5中也可看出, 流动比率的载荷量较大。 (2) 因子2中, 载荷量较高的几个变量分别为销售现金比率 (.695) , 全部资产现金回收率 (.894) , 现金流动负债比 (.937) , 现金债务总额比 (.947) , 可以看出, 他们都是反映企业现金流量能力的指标。所以因子2是现金流量能力指标。 (3) 因子3中, 载荷量较高的指标为总资产周转率 (.778) , 流动资产周转率 (.682) , 他们都是反映企业营运能力的指标, 所以因子3是营运能力因子。营运能力是衡量制造行业上市公司资产资源利用的有效性和效率能力, 运用资产周转能力提高销售收入的能力, 所以我们选其作为代表性变量。 (4) 因子4中, 载荷量较高的变量分别为资产报酬率 (.934) , 成本费用利润率 (.858) , 他们都是反映企业盈利能力的指标, 所以因子4是盈利能力因子。 (5) 因子5中, 载荷量较高的变量分别为总资产增长率 (.573) , 净资产增长率 (.569) , 他们都是反映企业发展能力的指标, 所以因子5是发展能力因子。

根据因子载荷量的大小和分类, 我们得到5个财务代表因子和与之对应的相关指标, 由此得到制造类上市公司财务指标因子分析结果见表6。

综上所述, 我们用因子分析法得到能够比较全面地反映企业各方面能力的5个因子, 他们分别的计算方法如下:

这是单纯的选取财务指标方面建立的5个因子, 预警指标体系见表7。

这五个预警指标能够比较完全和显著的代表企业各方面的经营状况和财务状况, 通过因子载荷矩阵我们发现对模型有贡献率的主要有五个因子, 每个因子都有几个载荷量较高的财务指标来解释其代表意义, 所以我们不是用单独的某项财务指标来做预警分析, 而是综合了他们的特点和反应的方面, 把单项财务指标按照载荷量和显著性综合成了几个代表因子作为综合预警财务指标。

四、实证结果与分析

(一) 建立模型

本文采用统计软件SPSS17.0的生存函数Cox回归进行建模, 在前面部分通过因子分析我们已经找寻影响企业财务困境的变量, 通过Cox回归我们可以找到估计协变量系数和基准风险函数。Cox模型逐步回归的参数估计结果见表8。

Cox模型如下:

变量P值均小于0.01, 因此具有显著性。从系数β的符号可以看出, 反映偿债能力的F1系数为正, 表示偿债能力比率与发生财务困境的危险性是成正比的, 属于危险因素。即当偿债能力增长1个单位, 相对危险度就增大1.147倍;F2反映企业的现金流动能力, 与危险性成反比, 这表示现金流动能力越强, 企业发生财务困境的可能性越小, 当企业的现金流动能力增加1个单位, 企业的财务困境的可能性就减小0.397个单位, 因此是企业降低危机性的保护因素;F3表示营运周转能力, 其也是保护因素, 当周转能力上升1个单位, 企业陷入财务困境的可能性就减小1个单位;F4表示企业的盈利能力, 也是防止危机出现的保护因素, 当其增加一个单位, 公司出现财务困境的可能性降低1.122个单位;F5为反映企业未来持续发展能力的指标, 其增长1单位, 财务危机出现的可能性降低0.998个单位, 为公司的保护因素。由此可见, 实证结果与预期一致并符合事实情况。通过公式 (5) 和 (6) , 我们可以得出基准生存函数S0 (t) , 然后代入公式 (7) 就可以求出每一观测时点的估计生存函数, 通过设立某一特定分界点C, 当求得的生存函数值大于C, 其是健康运转的公司, 当得到的生存函数值小于C, 其是发生财务困境的公司。对于分界点C值的确定, 一般有两种情况, 其一是按照健康的公司和非健康公司各占一半来分即C=0.5;一种是Lane (1986) 提出的用样本中正常样本占总样本的比例为分界点。

(二) 模型的时点预测能力

处理具有分析协变量影响程度, 测算生存函数值等优点, Cox模型是以时间为自变量的半参数模型, 还具有预测危机时点的作用。本文从选取的制造业40家ST上市公司和260家非ST中随机抽取5家ST上市公司和5家非ST上市公司, 参照公司的上市时间和生存时间大于t的概率, 我们可以估计出企业出现财务困境的时点, 见表9。鉴于ST公司财务数据选取t-3年的年报作为变量数据来源, 即用第t年的财务数据预测超过第t+3年的生存概率。

注:S=0表示非ST公司S=1表示ST公司;S.V表示实际生存时间。

根据表9中数据可以看出, 1997年上市的600070这只股票生存时间大于10年, 没有出现财务困境的危机, 其生存时间大于10年的概率是89%, 因此出现财务困境的可能性很小。而600250这只股票2001年上市, 经历11年的上市时间就陷入财务困境, 其存活时间超过8年的概率仅为15.6%, 其生存时间超过10年的概率为0, 与实际情况相符。000607于1999年上市, 在正常经营11年后出现财务困境, 其生存时间超过6年的概率为53.1%, 超过7年的生存概率为45.6, 时间越长其存活概率越小, 当测算到超过8年时的生存概率为5%时, 可以很确定地推测第8年的财务状况恶化, 利用第8年的财务数据预测三年后被ST的概率超过95%, 而000607这只股票确实在经历11年后陷入财务困境, 从这一点看出, 预测结果和实际结果相符。从统计结果看出, 在每一行业找寻一个共同的判别分界点C是未来研究的趋势, C点的确定可以方便上市公司做好本公司风险预警, 同时又方便投资者找到公司被ST的时点, 进而为投资ST概念股做好决策准备。

五、结论

本文将生存分析方法-Cox生存函数模型的理念引入上市公司风险预警中, Cox生存模型可以同时利用截面数据和时间序列进行趋势的可持续预测。同时, Cox建模过程是利用训练样本建立模型, 利用预测样本进行预测, 具有较强外推性和稳定性。模型可以直接处理删失和截尾数据样本, 无需样本配对, 与传统的多元回归模型和Logistic模型相比, 其预测精度较高。借助Cox风险模型可以准确预测风险性, 并进一步确定危机时点, 从上市公司角度看, 该模型不仅可以帮助上市公司找到风险影响因素及影响程度进行财务预警, 又可以帮助上市公司确定危机时点进一步提升预警的效果;对银行和非银行金融机构来说, 其可以借助生存模型预测债券及贷款不能到期偿还的概率和时点, 以此采取相应措施来进行控制降低流动性风险;对金融监管部门来讲, 可以根据概率和时点实施监督和督促, 提高金融市场控制力;投资者也可以针对被ST公司形成时点做好ST重组概念股的投资准备。

但是, Cox生存模型的建模需要大量样本基础, 鉴于我国金融市场数据的有限性, 其研究具有一定有限性;此外, 对于采用被ST作为上市公司出现财务困境的标准, 虽然在理论界具有普遍性和适用性, 但是我国上市公司在持续经营期间, 可能多次出现被ST和*ST以及“摘帽”和“摘星”的情况, 造成生存时间较短, 不符合Cox生存模型预测的条件, 对模型具有限制性;最后, 利用Cox生存模型进行危机时点预测, 分界点C很难准确确定, 致使信息使用者在观测时点做决策时造成误判, 这也是笔者在未来研究中希望解决的问题, 即通过准确地确定分界点C值提升模型判别能力。

参考文献

[1]Beaver.W.Financial Ratios as Predictors of Failure[J].Supplement to Journal of Accounting Research, 1966, 32:71-111.

[2]Altman E.I.Financial Ratios, Discriminant Analysis, and the Prediction of Bankruptcy[J].Journal of Finance, September, 1968, 23 (4) :598-609.

[3]Fitzpatrick P.A comparison of ratios of successful industrial enterprises with those of failed firms[M].Certified public accountant, 1932:26-131.

[4]Ohlson J.Financial Rations and the Probabilistic Prediction of Bankruptcy[J].Banking and Finance, 1980, 18 (1) :109-131.

[5]Odom, M.D, R.Sharda.A Neural Network Model for Bankruptcy in Proceedings of the International Joint[J].Conference on Neural Prediction.Networks, 1990 (6) :163-168.

[6]吴世农, 卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究, 2001 (6) :46-55.

[7]彭非, 王伟.生存分析[M].北京:中国人民大学出版社, 2004.

困境模型 篇7

近些年来, 国内外的专家学者对企业的财务困境预测进行了大量的研究,提出了许多有价值的预测方法。 但大多数学者把研究样本分为困境公司和健康公司两类进行研究, 而公司陷入财务困境往往会经历一个逐步衰败的过程, 仅仅将公司分为困境公司和健康公司,往往会忽略健康公司面临的一些问题,有些公司虽然没有戴帽,但是财务状况并不理想,有的甚至亏损。 因此,将上市公司仅仅分为困境公司和健康公司两类进行研究,难以判断健康公司财务状况的好坏程度及其是否处于财务困境的边缘,不能给投资者、公司管理层和债权人等相关各方提供更为明确的反映公司未来财务情况的信息。

Amy Hing-Ling Lau于1987年在 “五状态财务困境预测模型”一文中首次将企业财务状况分为5个状态:财务稳定阶段未支付股利或股利较上年减少达40%以上阶段、 无法偿还贷款阶段、受破产法保护阶段、破产阶段。 他认为从状态2到状态5企业处于财务困境状态,并且严重程度逐步增加。 我国学者吕长江、赵岩(2004)也突破将企业财务状况仅分为“好”和“坏”的简单分类,在理论上将公司财务状况分为5类:财务闲置、财务充盈、财务均衡、财务困境和财务破产,并且用实证分析证明了该理论假设。 刘彦文、戴红军(2007)采用三分法,即在将公司分为财务困境公司和非财务困境公司两类的同时, 又将非财务困境公司按一定标准分为财务状况不稳定公司和财务状况良好公司,构建了一个基于三元logistic的财务预警模型。 结果显示,三元Logistic预警模型的判别能力优于二元logistic预警模型,误判成本也相对降低许多。 本文在借鉴已有研究的基础上,结合我国实际情况, 将非困境公司按照其盈利能力划分为健康公司和亚健康公司,进而将上市公司整体划分为3类:财务健康公司、财务亚健康公司和财务困境公司(以下分别简称为:健康公司、亚健康公司和困境公司)来进行实证研究,以获得更加精确的分类结果。

2样本和变量的选取

2.1分类标准

由于我国证券市场的退市制度建立较晚,退市的企业很少因此,与国内众多学者一样,本文将公司因财务状况异常而被特别处理(ST)作为陷入财务困境的标志,即选择ST和*ST公司作为困境公司的样本。

一般来说, 反映企业财务状况的指标主要有偿债能力指标盈利能力指标、营运能力指标和成长能力指标等。在这些指标中盈利能力指标是核心,因为利润是企业生存和发展的保障,是企业竞争力的集中体现,企业的盈利能力越强,抵御风险的能力也越强。从长远来看,企业的偿债能力、营运能力和成长能力最终都取决于企业的盈利能力; 另一方面,上市公司发行证券和被特别处理的标准都是盈利能力指标。我国规定当上市公司出现连续两个会计年度净利润均为负值或者最近一个会计年度每股净资产低于股票面值时,则会对该公司股票交易实行特别处理,即被宣布为ST。 基于以上原因,本文采用盈利能力指标作为界定财务健康公司和亚健康公司的标准。

2.2样本选取和数据来源

为了避免行业差异对预测结果的影响, 增强指标的可比性本文选择制造业中样本量较大的石油、化学、塑胶、塑料行业(以下简称化工行业)的上市公司作为研究对象(为了避免资产规模对预测结果的影响,剔除了中小板的上市公司)。考虑到资料的时效性和可获取性, 本文选取了该行业2002-2012年被首次宣布为ST的24家上市公司作为困境公司样本, 选取了近两年中至少有一年每股收益小于0.05元(0.05是正常标识公司每股收益的20%分位数)的32家上市公司作为亚健康公司样本,其余的67家正常标识公司为健康公司样本。 本文没有遵循惯例进行样本的配对,因为配对抽样会造成样本中各类公司的比例和它们在总体中的比例严重不一致,从而高估模型的预测能力。

由于证监会是根据上市公司前一年的年报所公布的业绩判断其是否出现财务状况异常并决定是否要对其进行特别处理的所以只采用上市公司前一年的年报数据预测其是否会被ST显然会夸大模型的预测能力。 因此,本文选择困境公司被ST前两年的面板数据,健康公司和亚健康公司采用近两年(2011-2012的数据来进行预测研究(在具体的实证研究中去掉了一些含有异常值的数据样本)。 数据来源是Resset金融研究数据库,相关检验及模型估计是用SPSS 16.0和Matlab软件来完成的。

3初始指标选取

在财务困境预测的实证研究中,财务指标的选取到目前还没有统一的结论。本文借鉴以往的经验,从公司的盈利能力、偿债能力、营运能力、成长能力、现金流量和每股指标6个方面选取了20个财务变量(见表1)作为备选指标。

4实证分析

4.1均值差异检验

为构建准确的财务困境预测模型, 所挑选的财务指标必须在各类公司之间有显著的不同。 本文先采用K-S检验来检验变量是否服从正态分布,结果显示,只有X43(总资产增长率)的样本序列在0.05的显著性水平下符合正态分布。 根据正态分布检验结果, 又分别采用单变量方差分析和K独立样本非参数检验来检验变量的均值是否有显著性差异。 具体结果见表2。

(注:***表示在1%水平上显著,**表示在5%水平上显著)

从检验结果可以看出,在5%的置信水平上除了存货周转率接受原假设外,其余变量均拒绝原假设,即除了存货周转率以外, 其余变量在各个类别之间均存在显著差异。 所以将存货周转率剔除,其余19个指标进行变量筛选。

4.2变量筛选

对于变量筛选,大量的实证研究采用统计方法,但统计方法往往有严格的假设条件限制,使得其有效应用受到制约。 所以本文提出了一种基于平均影响值(Mean Impact Value,MIV)的SVM变量筛选方法,通过该方法可以筛选出对结果有重要影响的输入变量,从而提高模型的预测精度。

4.2.1基于平均影响值MIV的SVM变量筛选方法

MIV是用于确定输入变量对输出变量影响大小的一个指标,其符号代表相关的方向,绝对值代表影响的大小。 本文选择MIV作为评价各个自变量对因变量影响大小的指标。 具体计算过程如下:

(1) 用原始训练样本P对SVM进行训练, 并对训练集P进行回归预测。

(2)将训练样本P中每一自变量在其原值的基础上分别加/减10%构成两个新的训练样本P1和P2,将P1和P2分别作为仿真样本利用已建成的模型进行仿真,得到两个仿真结果A1和A2,求出A1和A2的差值,即为变动该自变量后对输出产生的影响变化值(IV,Impact Value)。

(3)将IV按观测例数平均得出该自变量对因变量的平均影响值MIV。 同理可算出各个自变量的MIV值。

(4)根据MIV绝对值的大小为各自变量排序,得到各自变量对因变量影响相对重要性的位次表, 从而判断出输入变量对输出结果的影响程度,即实现了变量筛选。

4.2.2变量筛选的Matlab实现

4.2.2.1选定训练集和测试集

在原始数据的231个样本中,有145个健康公司样本(类别标签为1),38个亚健康公司样本(类别标签为2),48个困境公司样本(类别标签为3)。 将每个类别分成两组,重新组合数据,最后本文选择了150个样本作为训练集,用于训练SVM模型,选择了81个样本作为测试集,用于测试模型分类的准确率。

4.2.2.2数据归一化

在进行SVM模型训练之前一般需要对数据进行归一化预处理。 本文采用的归一化映射为:

式中,x,y∈Rn,xmin=min (x ) ,xmax=max (x ) ,yi∈[0,1],i= 1 ,2 , … ,n。

归一化的效果是将原始数据规整到[0,1]范围内。

4.2.2.3参数寻优

用SVM进行预测时,为了得到比较理想的预测效果,需要调整两个主要的参数(惩罚参数c和核函数参数g)。 本文选择K- CV方法来进行参数寻优,其基本思想是:将原始数据分成K组(一般是均分),将每个子集分别作一次验证集,同时其余的K- 组数据作为训练集,这样会得到K个模型,用这K个模型验证集的MSE(均方误差)的平均数作为此K-CV的性能指标。 在此基础上让c和g在一定的范围内变化, 对于取定的每一对c和g , 都将得到一个平均的MSE,最后选择使平均MSE最小的c和g。 经过Matlab编程运算,最后得到的最优参数为:c=1,g=3.031 4 。

4.2.2.4训练并对训练集回归预测

最优参数确定以后,利用这两个参数来训练模型,并对训练集进行回归预测。 该模型的相关性能指标为:

MSE = 0.044 546 R2= 0.729 932

式中,MSE为均方误差,R为相关系数。

4.2.2.5变量筛选

对于训练集数据运用MIV方法分别求出各自变量的MIV值,结果如表3所示。 考虑到指标的完整性和全面性,本文选取每个类别中MIV绝对值最大的指标作为输入变量, 即成本费用利润率、资产负债率、总资产周转率、净利润增长率、总资产现金回收率和每股收益作为输入变量。

4.3模型建立

模型建立首先需要从原始数据中把训练集和测试集提取出来,然后进行一定的预处理,再通过交叉验证选择最佳参数c和g,用训练集对SVM进行训练,最后用得到的模型来预测测试集的分类标签,得到分类准确率。

4.3.1交叉验证选择最佳参数c和g

训练集和测试集的选取以及数据的归一化已经在前面的变量筛选中介绍过了,这里直接介绍最佳参数的选择。

用SVM进行分类预测时,为了得到比较理想的预测效果,需要调整两个主要的参数(惩罚参数c和核函数参数g)。 这里仍然使用前面介绍过的K-CV方法, 其基本思想和SVM回归时参数寻优是一样的, 只不过SVM分类的性能指标是分类准确率的平均数而不是MSE, 所以最终选择使得分类准确率最高的那组和g作为最佳参数。 经过Matlab编程运算,最后得到的最优参数为:c=102 4,g=1。

4.3.2训练与预测

将筛选出来的6个财务指标作为输入变量, 分类标签作为输出变量, 选择150个训练集数据利用最佳参数训练SVM模型,用81个测试集数据验证模型的分类准确率,最终预测结果见表4。

*State 1表示财务健康,State 2表示财务亚健康,State 3表示财务困境。

从表4可以看出,在变量筛选的基础上,SVM模型的预测准确率是非常高的, 一方面说明了MIV方法在变量筛选上的可行性和有效性,另一方面也说明了SVM的高泛化能力,即不仅对于训练集数据能得到较高的分类准确率, 对于预测集数据同样能取得非常好的预测效果。

5结论

困境模型 篇8

如果能够预测公司是否会陷入财务困境并提前采取应对措施,将会降低企业陷入财务困境的风险,甚至可以采取措施避免公司陷入财务困境,因此,公司财务困境预测一直是财务研究领域的一个热点。近年来,企业间竞争日益激烈,企业面临的经济、市场环境瞬息万变,企业只有加强自身财务困境的预测能力才能做到未雨绸缪,提升财务风险应对能力。

二、文献综述

(一)国外研究

Fitzpartrick(1932)以19家破产公司和19家非破产公司为样本,运用单个财务比率对样本公司是否会陷入财务困境进行判断,发现净利润/股东权益和股东权益/负债具有最佳效果。Beave(r1966)以5个财务比率为变量构建了单变量财务困境预测模型,为财务预测模型研究奠定了基础。Altman(1968)提出了著名的Z值模型,这是多元判别分析在财务困境预测中的首次运用。Ohlson(1980)运用条件逻辑模型建立财务困境预测模型开辟了财务困境预测的新视角。

(二)国内研究

我国对于财务困境的预测是随着我国资本市场的建立和完善逐步展开的。在多变量分析方面,张玲(2000)将Z值计分法应用于我国ST上市公司发现模型在预测我国上市公司未来两年财务困境方面准确率只有60%,陈晓和陈治鸿(2000)则以财务指标变量组合试验的方式对我国ST上市公司是否陷入财务困境进行预测,发现负债/权益比率、应收账款周转率、主营利润/总资产比率、留存收益/总资产4个比率在预测财务困境方面非常显著。孙铮(2002)运用Logistic回归从13个财务指标中选取毛利率、其它应收款与总资产的比率、短期借款与总资产的比率、股权集中系数构建财务危机模型,在预测ST公司是否陷入财务困境方面的准确率为84.52%,刘旻(2004)运用逐步回归分析的方法从11个财务指标中选取主营业务利润率、净资产收益率、以及资产负债率3个指标构建财务预警模型,在用企业被ST前一年数据进行检验时正确率为90.4%。

通过上述文献综述可以发现,国内外学者的研究致力于验证模型在预测ST公司是否陷入财务困境是否有效上,鲜有以单个公司作为研究对象并探讨如何预测该公司是否会陷入财务困境的研究,因此,本文尝试以单个公司作为研究对象并构建适合公司的财务困境预测模型。

三、浙江信泰集团财务困境分析

(一)集团公司简介

浙江信泰集团成立于1993年,起步于眼镜贴牌生产,在深圳、东莞、上海拥有完善的生产、销售体系。2005年信泰集团投资4300万元对其眼镜产业进行升级,创建了“海豚眼镜”驰名商标。2006年收购美国MOSCOT(玛士高)亚洲永久经营权,2008年进军光伏新能源产业,投资总额达12.5亿元。2010年收购“美式眼镜”,2011年公司资金链出现困难,公司老总胡福林跑路,信泰集团逐渐走下神坛。从浙江信泰集团的发展历程看,公司一直处于迅速发展的状态,一家业绩辉煌的公司突然陨落让许多人感到意外,因此,本文拟选择其作为本文研究的对象。

(二)财务指标选取

本文选取利息保障倍数X1、营业毛利率X2、营业净利率X3、总资产报酬率X4、成本费用率X5、总资产净利率X6、总资产增长率X7、净现金流量X8、营业收入增长率X9、资产负债率X10、净营运资本X11这11个指标来构建模型。由于这些财务指标之间具有较大的相关性,进而影响Logistic模型参数估计的精确性,因此考虑采用提取公因子并对公因子进行Logistic回归分析。利用SPSS17.0对上述变量进行因子分析,得到因子方差分解表,见表1:

由表1可知特征值大于1的四个公因子累计方差贡献率达到87.31%,表明这4个公因子能够反映原指标87.31%的信息,超过80%这一临界点,因此可以选取这4个公因子进行Logistic回归分析。

根据选择后的因子载荷矩能得到公因子与原11个财务指标之间的对应关系,见表2:

X2、X3、X4、X5在公因子1上的载荷非常高,主要反映公司的盈利水平,因此将公因子1称为盈利因子f1;X7、X9在公因子2上的载荷较高,反映公司发展潜力,因此将公因子2称为发展因子f2;X10在公因子3上的载荷较高,反映公司的负债水平,因此将公因子3称为负债因子f3;X8在公因子4上的载荷较高,反映公司的现金流量状况,因此将公因子4称为现金流因子f4。

(三)Logistic回归模型构建

假设中小企业财务困境只有两种情况,即发生或者不发生,因此可以认为其服从二项分布,发生时取值为1,不发生时取值为0,则m个变量X1、X2……Xm对应的回归模型:

即:

其中,P(Y=1)表示公司陷入财务困境的概率,P(Y=0)表示公司不陷入财务困境的概率。

(四)统计结果及其经济意义分析

(1)财务困境界定。在以往的研究中多数学者将上市公司被ST视作公司陷入财务困境,在本文的研究中将公司净利润为负界定为中小企业陷入财务困境的标准,因为相比于上市公司中小企业的筹资能力弱,可以用于周转的资金数量更少,一旦资金周转不顺就有可能陷入困境,因此,在财务困境的界定上比上市公司更谨慎。

(2)统计结果。本文以提取的4个因子为自变量,以公司1993-2012年的财务数据为基础,利用STATA统计分析软件建立Logistics模型,模型统计结果见表3:

从表3可见,变量f1、f2、f3、f4的显著水平均小于0.05,说明其预测能力较强。其中f1、f4与Y呈负相关,f2、f3与Y呈正相关,即盈利能力越强、现金流量越大公司陷入财务困境的可能性越小,企业发展速度越快、负债水平越高,企业陷入财务困境的可能性越大。

(3)信泰集团财务困境成因分析。根据上面的统计结果,具体分析信泰集团陷入财务困境的原因:一是盈利能力下降是其陷入财务困境的根本原因。自2008年以来全球经济衰退对我国经济的冲击开始显现,以出口导向的制造型中小企业尤为明显,导致企业出口大幅下降,同时,受到国内通货膨胀的影响,原材料、劳动力成本持续上涨,导致信泰集团利润空间不断压缩,公司利润由2006年的30%下降到10%,2009年公司主营业务收入仅为395万元,利润在4.2万元左右。二是扩张速度过快是导致其陷入财务困境的重要原因。公司自成立以来一直保持着快速发展势头,尤其是自2006年以来,公司一方面加强研发,另一方面并购其他公司,过快的发展导致公司资金链一直处于紧绷状态,尤其是2008年转战太阳能光伏市场后,公司投入资金达10个亿,但2009年开始光伏行业在全球陷入低谷,公司为大规模投资借入大量民间资金,背负了巨额负债。三是资产负债率过高是公司陷入财务困境的直接原因。根据会计师事务所的资产清算,信泰集团在2011年的贷款总额为13亿元,其主要资金来源于银行贷款和民间借贷,而公司在2011年收入近1.6亿元,巨额负债导致公司无力偿还到期债务,这种状况在公司盈利能力足以偿付到期部分的借款本息时还不至于暴露出来,一旦公司盈利能力下降到无法偿付到期贷款本息,公司陷入财务困境就不可逆转。

四、信泰集团财务困境的启示

(一)产业转型升级必须逐步实现

由低附加值产品向高附加值产品升级是中小民营企业实现突破的关键,这是中小民营企业作茧自缚的过程,中小民营企业必须注意对市场的充分考察,对可能的市场风险有充分的估计和准备。要做好资金储备工作,对于资金的需求量要有准确的估计,资金的筹集途径要可靠,在有充足资金作为支撑的情况下,逐步投入,只有如此才能将公司财务风险控制在可控范围内。纵观国外大型跨国公司的发展,多是几百年积累发展的结果,我国中小民营企业亦不可能一蹴而就,而是需要稳步发展,只有这样才能实现破茧而出。

(二)中小民营企业的融资困境

中小民营企业融资难的问题已是一种共识,大量研究人员都对解决中小民营企业融资困难问题献计献策,但真正被落实到实处的还很少。商业银行出于风险控制的考虑,对中小民营企业的贷款门槛提高,放贷总额减少,这也是应对我国中小民营企业经营风险偏高的无奈之举。民间借贷在我国中小民营企业发展过程中地位非常重要,尤其是对于那些陷入周转困难的公司更是如此。但我国民间借贷的不规范导致民间借贷利率偏高,这种偏高的利率其实是对其高风险的补偿,因为我国还没有关于保护民间资本合法权益的法律,因此,需要从立法保护入手,促进其规范化、市场化,避免民间借贷发展为高利贷,不让中小民营企业的民间借贷成为饮鸩止渴。

(三)中小民营企业的自身发展

中小民营企业打铁还需自身硬。面对复杂多变形势,中小民营企业必须加强资金管理,尤其是财务风险控制。要建立简单有效的财务预警机制,杜绝短贷长投的财务操作模式,通过风险管理监督企业资金状况,提高融资效率和投资效益,理性使用财务杠杆,做到防患于未然。