基于混频数据的中国上市公司财务困境动态预测研究

　　摘要：这篇文章以年度财务指标、年度失业率、季度 GDP 增长率以及月度通货膨胀率为解释变量，以年频的财务困境状态变量为响应变量，结合指数 Almon 多项式赋权和逻辑回归方法，构建了不同时间窗口(年)的中国上市企业财务困境低频预测模型。进一步地，本文扑捉了上市公司摘戴帽的季度时间信息，将财务困境状态设置为季频变量，又构建了中国上市企业财务困境的高频预测模型,揭示混频宏观和财务因素对企业未来每季度发生财务危机的预警功能。本研究创新和特色在于：构建年度的失业率、季度 GDP 增长率、月度 CPI 增长率与企业财务困境状态的非线性函数关系，反映不同频率的关键宏观因素变化对企业清偿能力的影响。本文研究结果表明：一是通过引入高频宏观经济指标，能有效提高中国上市制造业企业财务困境的年度预测表现。以 -3 年模型为例，混频模型相比同频的年度数据模型的 AUC 值提高了 7.32%。二是不同频率的关键宏观因素在不同年度的预测表现不同。月度的通货膨胀率仅在 -2 模型中具有显著预测功能。季度的 GDP 增长率、年度的失业率在不同窗口下的模型中，均具有统计意义下的显著影响。三是与低频的年度财务困境预测相比，年度失业率指标不再对企业季度财务困境状况的变化具有显著影响、而行业景气指数却表现出明显的预测功能。季度 GDP 增长率和月度通货膨胀率数据的经济意义更加明显，在企业财务困境风险的季度高频预测中，表现出更强的时效性。

　　关键词：财务困境预警;混频数据;混频数据抽样方法;高频宏观经济变量;中国上市公司

　　1 引言

　　财务困境预测，是通过构建指标数据与企业的违约状态之间的函数关系，来刻画企业在未来发生财务危机的可能性。有效的财务困境预测能够辅助银行等债权人评估和监控企业的违约风险和偿债能力，实现信用资产的准确定价。中国沪深两证券交易所数据显示，截止到 2021 年年末，中国大陆 A股市场上市企业共有 4685 家，总市值突破91 万亿，位居世界第二[1]。毋庸置疑地，上市企业财务困境风险的准确预报，对避免企业财务危机给大量投资人带来的高额损失、确保金融市场的稳定，具有重要意义[2]。上市公司财务困境风险，不仅在企业早期的财务指标变化中就显露端倪，而且与宏观经济的变化密切相关。当宏观经济处在GDP 增长较快的繁荣时期，市场需求有助提高企业生产销售、盈利水平，保证资金流动性充足，降低企业财务困境风险。

　　相反，恶化的宏观经济很可能对企业的供给、需求方面产生影响，诱发供应链断裂，进而降低企业的清偿能力，引发企业的财务困境甚至破产。在冠状新型病毒疫情诱发的世界范围内的经济困境中，制造业对宏观经济的敏感性和脆弱性显露无余[3-4]。以制造业企业集中的中国苏州工业园为例，受到供需双方减少的影响，很多企业减产甚至停产，其损失占比仅 2020 年第一季度就高达 10.7%[4]。在中国上市公司的财务困境预测研究中，本文同时考虑了宏观经济因素和微观财务因素，特别关注高频宏观指标数据对上市制造业企业财务困境的影响。相对高频宏观经济指标，低频数据更平滑、往往无法反映某些特殊阶段宏观经济的波动。

　　以北京市GDP 增长率数据为例，从 2008 年年末的 9%增长到 2009 年末的 10.1%。然而，如果观测该指标的季度数据会发现，2008 年 1 季度北京 GDP 增长率从 9%先跌至不足 6%，然后才缓慢回升。低频数据的使用很可能扑捉不到宏观经济快速变化对企业的冲击，进而导致一些关键宏观影响因素的遗漏。考虑高频宏观经济指标时，难免会遇到宏观因素和企业财务等微观因素观测频率不一致的实际问题。对此，本研究提出了两组混频数据抽样-逻辑回归模型，反映高频宏观经济和低频观测的财务指标变化对中国上市制造业公司财务困境风险的共同影响。

　　一是以年度可观测的财务指标、失业率数据、季度可观测的 GDP 增长率以及月度通货膨胀率为解释变量，以年频的财务困境状态变量为响应变量，构建了不同时间窗口( 年)的上市企业财务困境预测模型。二是运用企业 ST 发生的季度时间信息，设置季频的财务状态响应变量，通过结合反向混频数据抽样技术和逻辑回归方法，构建上市企业季频财务困境预测模型，实现混频观测数据环境下的高频财务预警。本文的贡献主要体现在以下两方面。

　　第一在财务困境概率测算过程中，挖掘了高频的宏观变量的全样本信息，避免了高频数据事先加权平均低频化处理导致有效信息损耗。实证结果显示，关键的宏观变量高频数据的直接引入，与现有的仅使用同频的低频数据方法相比，确有助于提高财务困境风险的预测表现。第二本研究为构建混频观测的响应变量即财务困境状态变量与解释变量之间的非线性函数关系，提供了或可借鉴的理论和方法框架。通过揭示不同频率的微观宏观因素变化对企业清偿能力的影响，为企业管理者、投资人、监管机构有效监测上市制造业企业关键财务指标的早期变化和宏观经济条件的高频波动，防范大批制造业企业的违约风险和重大损失，提供决策依据。相关文献梳理与本文工作的相关研究大体分为以下三个方面。

　　2.1基于不同时间窗口的财务困境预测

　　不同时间窗口下的财务困境预测是利用企业 - 年的微观或宏观变量数据与 时刻的企业财务困境状态构建的财务困境早期预警模型。早在上世纪60年代，Altman[5]发现能够提前2年准确预测企业破产的发生。GengRuibin等[2]对比了企业财务困境发生前3-5年的年度财务数据的预测效果，发现提前3年的预测精度最高。迟国泰等[6]分别使用了提前2-5年的数据对上市公司未来ST状态进行预测，也发现使用企业财务困境发生前3年的数据预测表现最好。类似的工作，还包括Hernandez Tinoco等[7]、王昱和杨珊珊[8]等。

　　2.2企业财务困境微观和宏观影响因素现有的国内外财务困境预测研究涉及的指标类型大体为企业财务指标和宏观经济指标。例如，Altman 提出了包括留存收益比在内的五因素模型，预测企业破产风险[5]。此外，资产负债率[9]、现金流量比[2,10]、流动比率[11]等，都被证实与上市企业的财务困境预测密切相关。宏观变量包含着经济条件变化的前瞻性信息，它的引入能提高与企业经济活动相关的各类指标的预测表现[12-13]。

　　卢永艳[14]发现，低 GDP 增长率、高贷款利率会增加企业财务困境风险。Yan Dawen 等[15]在中国上市公司财务困境预测中，探测到GDP 增长率、消费水平增长率等与企业财务困境的发生有显著关联。其他研究还揭示了失业率以及通货膨胀率等宏观变量对企业财务困境预测的重要性[16-19]。本文通过借鉴现有研究结论，并结合专家遴选原则，选取了 15 个关键财务指标和GDP 增长率等 4 个重要宏观经济变量作为企业财务困境预测的解释变量。然而，本文与以上工作有明显差别：现有研究都是基于同频、年频变量构建预测模型，不反映高频宏观变量对上市企业财务困境风险的影响。

　　2.3基于混频数据的财务困境预测研究

　　混频预测是指运用不同观测频率数据实现预测分析的问题[20-21]。为了有效解决混频数据预测问题，Ghysels 等[22]提出了混频数据抽样(MIDAS)模型，避免了传统的混频数据、同频化预处理方式带来的信息损失和插值误差。目前，混频数据抽样模型主要用于两个方面。一是探究高频解释变量对低频响应变量动态影响的正向混频数据分析问题。例如，刘金全等[23]以月度通货膨胀率为解释变量、以季度GDP增长率为响应变量，构建了二者的线性混频数据抽样模型。二是利用低频变量预测高频变量的反向混频数据分析问题。XuQifa 等[24]提出了反向约束混频数据抽样模型，并利用月度通货膨胀率和季度 GDP 增长率预测美国日利率变化。国内外上市企业财务困境预警研究很多涉及混频数据问题。

　　以中国大陆上市公司情况为例，经审计的财务数据通常是以年度报告形式发布;同时，中国国家统计局公布的 GDP 增长率、通货膨胀率等重要宏观经济变量的观测频率是季度、月度的。这就使得解释变量——不同类别的宏观经济指标本身、以及宏观变量与财务指标之间具备了混频特征。目前，在财务困境预测领域，仅有少量研究考虑并运用了高频数据和混频数据。例如，Hernandez Tinoco 等[7]度量英国上市企业未来发生财务困境的可能性时，考虑了月度的滞后累积异常收益指标，并通过累加求和的同频化预处理方法，将其转化为低频年度数据后纳入预测模型。再如，Audrino 等[25]在美国商业银行破产预警研究中，将指数 Almon 多项式赋权技术应用于高频资产收益率滞后变量的低频修正上。本文与 Audrino 等[25]的研究紧密相关，但与其有以下两个方面的本质区别。

　　第一科学问题不同。Audrino 等[25]探讨的是美国商业银行的破产预测问题，仅考虑了银行自身财务指标之间的混频特征。本文同时考虑了宏观经济、微观财务等不同类别的、不同频率解释变量对企业未来财务困境风险的影响。第二研究涉及的广度也不一致。本研究创新性地利用中国上市企业戴帽(ST)、摘帽(去 ST)事件发生的季度信息，形成了季频的财务困境状态变量，构建了财务困境高频预测模型。Audrino 等[25]和其他现有的涉及混频数据的相关研究都不涉及这方面的工作。3模型方法3.1 基于宏观与财务混频指标的上市公司财务困境低频预测模型逻辑回归模型，不需要满足解释变量正态分布等假设条件[26]，同时具有较强的解释力，因而在财务困境预测领域被广泛运用[27-28]。

　　3.2基于宏观与财务混频指标的上市公司财务困境高频预测模型

　　3.2.1 中国上市企业财务困境高频状态变量

　　本章运用上市企业实际被 ST 的季度时间信息，以季度的财务困境状态为响应变量，构建上市企业财务困境的高频预测模型，探测企业在未来每个季度发生财务困境风险的可能性以及具有显著影响的变量。上市企业的摘戴帽行为会造成不同季度企业财务状态的变化。例如，沈机(证券代码 000410.SZ)戴帽日期为 2017 年 5 月 3日，那么该家企业在 2017 年、第 1 季度的财务困境状态变量标识为 0、其余季度标识为 1，直到这家企业摘帽。再如，汇源通信(证券代码 000586.SZ)、2002 年 4 月戴帽、2004年 2 月摘帽，那么其 2002 年 4 个季度的财务困境状态变量分别为 0、1、1、1。本研究不将上市公司 ST 状态设置为更高频变量、例如月度变量，是为了避免非 ST 企业和 ST企业的极度不平衡采样问题。上市企业财务困境的高频预测模型构建意义在于，揭示企业高频的财务困境状况的变化情况，避免因企业财报数据公布的时滞导致的企业每季度的实际财务状态的难判断，提高上市企业财务困境预报的时效性。

　　4实证分析

　　4.1 样本选取

　　本文研究的主要对象是沪深两市的ST(*ST)和非ST制造业公司。我们选取2007-2017共11年的350家上市制造业公司的指标数据，包括财务和宏观经济指标数据。中国财政部在2006年颁布、并于2007年执行了工商企业的新会计准则，这对中国上市企业年报产生了重要影响。2007年以后，上市企业公布的财务数据更加规范完整，故本文选取该年为观测期起始年份。财务指标数据是以年度为观测频率的，均来自Wind数据库，宏观经济指标包括年度、季度以及月度变量、均来自中华人民共和国国家统计局。ST 状态是上市公司连续两年亏损的处理结果，以2017年某公司被标识为ST为例，该公司必须是 2016 年以及 2015 年连续两年亏损[30]。也就是说若以 2016 年的数据进行预测，将不具有说服力和时效性，而应该以2015 年或者更早的数据进行预测，故本文的预测时间窗口分别是 ST 状态前的 2 年、3年以及 5 年。

　　4.2 样本构成及划分

　　为了确保能够提前预测，本文选取了上市制造业企业在 ST 状态前短则 2 年、最长5 年的数据分别对公司的状态进行预测，其中被 ST 标记过的公司获得 ST 的年份分布在 2009 年-2017 年。根据统计，2009-2017年被 ST 的制造业企业数量分别是 13、21、8、12、12、20、27、31 以及 31 家，合计175 家。根据资产规模相似选取原则[5]，分别在相应年份内随机抽取了等数量的非 ST企业，构建了 350 家平衡样本集。为了对模型进行时间外推式的样本外检验，本文将2009 年-2016 年的 288 家企业数据作为训练集;将 2017 年 62 家企业数据作为测试集。训练集和测试集的 ST 企业和非 ST 企业数量均为 1:1。

　　4.3 指标处理

　　4.3.1 财务指标

　　根据专家意见遴选原则，这些指标反映了公司偿债能力(指标 1-5)、盈利能力(指标 6-8)、运营能力(指标 9-11)、发展能力(指标 12-13)和结构稳健(指标 14-15)五个方面的情况，且在现有研究中表现出了显著的预测能力[2,31-32]。用于计算这些财务比率的相关财务指标数据均可从上市公司的资产负债表、利润表和现金流量表中获取。进一步地，为消除单位和量纲对预测结果的影响，本文采用线性标准化方法[15]，把所有财务指标原始数据转化为[0,1]区间内的数值。需要说明的是，指标标准化方法不唯一，标准化处理方式不同可能导致的预测结果的差异超出了本文研究范畴，故不展开讨论。

　　结语

　　为了挖掘关键的高频宏观变量的全样本结构，本文运用混频数据抽样技术中的高频滞后数据赋权方法，构建了混频的财务和宏观变量与企业年度财务困境状态的非线性函数关系，测算企业未来年度发生财务困境的可能性。实证结果显示：

　　(1)高频宏观经济数据的直接运用，能够有效提高制造业企业财务困境预测的准确性。特别是，在财务困境发生前 2-3 年的中短期预测中，基于混频宏观与微观财务数据的财务困境模型的预测表现明显优于同频模型。(2)不同频率的关键宏观因素在不同窗口下的预测表现不同。月度通货膨胀率仅在 -2 模型中具有显著的预测功能，而且距离企业财务困境发生的月份相对越长，它的影响越显著，具有明显的滞后作用特点。季度的 GDP 增长率，在不同窗口下的模型中，均具有统计意义下的显著影响。(3)不同年度时间窗口下显著影响企业未来财务困境风险的指标不同。

　　企业利润水平具有短期预测功能。杠杆率、流动比率、现金流量比等具有 3-5 年的中长期预测功能。反映资产结构稳健程度的固定资产比、留存收益比在 1-5 年的窗口下均对与企业财务困境风险有显著影响。除了以上的这些工作和发现，本研究还对混频数据环境下的财务困境预测模型进行了一些拓展。通过运用上市企业 ST 标识的季度时间信息，以季度发生财务困境的状态为响应变量，结合反向混频抽样技术，构建了高频(季频)的中国上市企业财务困境预测模型。研究结果显示：

　　(1)与低频的年度财务困境预测模型不同，行业景气指数具备明显的预测功能。发展前景预期好的企业、未来每季度发生财务困境的概率更低。(2)与低频的年度财务困境预测相比，季度 GDP 增长率和月度通货膨胀率数据的经济意义更加明显，并且这两个高频指标的影响具有衰减特点，距离企业发生财务危机越近的数据越重要。因此，季度 GDP 增长率和月度通货膨胀率在高频的财务困境预测模型中，时效性更强。(3)高频预测模型能有效区分 ST企业和非 ST 企业每季度财务困境发生概率，对还未公布 ST 状态、但实际已经发生财务恶化的企业具有提前甄别功能。

　　鉴于观测期内较多的 ST 企业样本可获取特点，本文主要揭示了混频数据模型在中国上市制造业企业财务困境中的预测表现，而针对其他行业的适用性以及混频模型中的变量选择问题仍未得到有效解决。同时，考虑到新型冠状病毒疫情等突发事件背景下，我国宏观经济指标可能产生的短期突变，进而对中国上市企业、抑或非上市中小企业财务困境产生的影响，也值得深入研究。最后，鉴于支持向量机、神经网络等机器学习模型在企业财务困境预测中的优良表现，这些方法与混频数据有效结合起来的理论和实证工作值得在未来的研究中进一步探讨。

　　参考文献：

　　[1] 高畅.《沪深 A 股上市公司市值分析白皮书(2021) 》在京发布 [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] 迟国泰，章彤，张志鹏.基于非平衡数据处理的上市公司 ST 预 警 混 合 模 型 [J]. 管理评论,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,杨珊珊.考虑多维效率的上市公司财务困境 预 警 研 究 [J]. 中 国 管 理 科学,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：闫达文 1, 李存 2, 迟国泰 2