铿锵集,解放军艺术学院校花,种植达人在古代
毕业论文[摘要] 文章以我国沪市A 股2006 年底620 家上市公司的财务报表资料为样本, 通过对财务指标信息类模型的研究,设计了反映企业综合能力的10 个指标, 借助主成分分析法, 同时借鉴阿尔曼多元Z 值判定模型的分析思路, 建立了我国上司公司不良资产的测评模型———G 值模型。研究结果表明: 我国沪市A 股上市公司不良资产率应控制在[- 1.667%, 1.785%] 范围内。
[关键词] 不良资产; 主成分分析法; 测评模型
1、不良资产研究的基本问题
不良资产是企业资产中的黑洞, 它违反了财务会计信息质量要求的可靠性和相关性, 造成企业资产利润虚增、潜亏严重, 从而影响到企业财务状况与经营成果的真实性。有可能成为企业进行利润粉饰的手段之1, 不利于投资者客观评价企业的经营业绩。1997 年12 月17 日, 中国证监会颁发了《公开发行股票公司信息披露的内容与格式准则第2号( 年度财务报告的内容与格式) 》,要求上市公司在年报摘要中除披露“每股净资产”数据外, 还首次要求其披露“调整后每股净资产”的数据, 目的就在于引导投资者正确评价企业的资产质量, 做出理性投资决策。由此可见, 企业资产质量的好坏越来越受到投资者和经营者的关注。[1]
( 1) 企业不良资产的定义
银行的不良资产主要是指不良贷款, 俗称呆坏账。也就是说, 银行发放的贷款不能按预先约定的期限、利率收回本金和利息, 不良贷款包括逾期贷款( 贷款到期限未还的贷款) 、呆滞贷款( 逾期两年以上的贷款) 和呆账贷款( 需要核销的收不回的贷款) 3种情况。那么什么是非金融业企业的不良资产呢? 陈冬华( 1998) [2]认为企业不良资产是介于资产和费用之间的1个概念, 它仍是资产, 但是基本上不能或很少能给企业带来经济利益, 或者已基本上不为企业拥有和控制, 它有些近似费用但又可以不在本期确认为费用。常继英( 2004) [3]认为“ 不良” 既指资产的质量差,也指资产丧失部分价值或使用价值, 还可以是指资产不能正常参加运转等, 不管其表现形式怎样,其实质是不能给企业带来应有的经济利益, 但该资产还以1定的形态存在。
结合以上定义, 本文从对资产的定义反推不良资产的定义, 笔者认为凡符合以下条件之1者均为不良资产: 其1, 企业不能够拥有或控制,但仍在资产负债表的左方列示的资产; 其2, 不能给企业带来未来经济利益的资产。
( 2) 企业不良资产的构成
关于不良资产的构成本文赞同陈冬华( 1998)的观点, 不良资产1般主要由以下4类构成:
1.3年以上的应收款项, 包括3年以上的应收票据、应收账款、预付账款和其他应收款。1般而言, 3年以上仍未收回的应收款项,其收回的可能性已几乎为0, 因此现行会计制度规定: “因债务人逾期未履行偿债义务超过3年仍然未能收回的应收账款”可确认为坏账。
2.待摊费用, 即企业已经支付但需在未来1年内摊销的费用。例如预付租金, 由于企业已经支付, 除非对方违约, 企业已丧失了对该笔资产的拥有和控制,但是由于会计上的配比原则, 即谁受益谁承担的原则, 待摊费用需以后各期均摊, 而不仅是当期。因此, 待摊费用只是会计意义上的资产, 并不为企业拥有与控制。
3.递延资产, 也称长期待摊费用, 即企业已经支付需在未来1年以上的时间摊销的费用。
4.待处理财产净损失, 包括待处理流动资产净损失与待处理固定资产净损失。损失已然发生, 但1般因为: a.损失原因仍在调查中; b.处理申请上级仍未批复, 故仍暂列资产中。企业不良资产主要由上述4类构成。严格意义上来说, 待摊费用和递延资产不属于不良资产。但是考虑它们不能给企业带来未来的赢利, 以及市场投资者的习惯做法, 我们也把它们归入不良资产。
2、本文的样本选取和主要研究方法
( 1) 样本的选定
本文在模型的推导过程中使用的公司财务报表数据是从上市公司年报中手工收集得到, 数据主要来源于上海证券交易所网站和中国证券报。样本的选取遵循以下原则:
1.不考虑金融类上市公司;
2.上市年限相对较长;
3.剔除无法获取相关数据的公司;
4.剔除B 股和H 股上市公司;
5.在计算过程中, 对会产生非随机缺失值的
公司采取直接删除的方法。
基于上述原则, 本文选取截至2006 年12 月31日在沪上市的620 家发行A 股的公司为研究对象。
( 2) 财务指标的选取
在关于财务指标信息类模型的研究上, Altman( 1968) 等学者( Altman, Strong 和Mayer [4],1997; Collins, 1980; Elliott [5], 1991) 使用常规的财务指标, 如负债比率、流动比率、净资产收益率和资产周转速度指标等作为预测模型的变量进行财务困境预测[6]。陈晓等( 2000) 通过试验1,260 种变量组合, 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/总资产对上市公司财务危机有着显著预示效应。
Harmer ( 1983) 指出被选财务指标的相对独立性能提高模型的预测能力。Boritz ( 1991) 区分出65个财务指标作为预测变量建立财务模型。综合国内外学者在财务指标信息类模型研究的基础上,本文选取净资产收益率、总资产报酬率等10 个财务指标作为预测模型的变量。
( 3) 研究程序和研究方法
本文首先计算620 家样本公司的净资产收益率、总资产报酬率等10 个财务指标, 这些指标综合反映了企业的盈利能力、长短期偿债能力和营运能力。在此基础上应用主成分分析法, 找出了能综合10 个指标的7个主成分, 应用该方法能排除各指标量纲不同的影响, 又能消除指标间的多重共线性, 使模型更加精确; 指标变量减少了,在抓住主要矛盾的同时又尽可能多的保留原始指标的信息[7]。确定主成分后, 结合财务指标信息类模型特别是阿特曼多元Z 值判定模型的分析思路, 建立我国上市公司不良资产的测评模型。
3、实证研究———模型构建
( 1) 研究假设
假设1: 资产质量与企业业绩之间存在正的相关关系, 资产质量越好, 企业的业绩就越好。李树华、陈征宇( 1998) 曾以沪深两市1997 年745 家上市公司为样本进行了统计分析, 得出资产质量与当年的净资产收益率存在1定的正相关关系。假设2: 本假设是有关选取样本公司财务数据质量的假设, ①假定企业净资产收益率、总资产报酬率和主营业务利润率不会超过100%, 与此假设相背的样本公司予以删除; ②假定总资产周转率、流动资产周转率、应收账款周转率不超过50 次, 即周转期不低于7 天, 相背样本数据删除; ③流动比率不高于50, 资产负债率不高于100%, 相背样本公司不予研究; ④不良资产率不高于50%, 否则删除该样本。
( 2) 不良资产测量指标设计
本文是在陈冬华( 1998) 关于上市公司不良资产的研究基础上, 深入研究如何建立不良资产的测评模型, 借鉴了他设计的不良资产相对衡量指标。净资产中不良资产率( NPAs) =1- 调整后的每股净资产/每股净资产。例如: 福成5丰( 600965) , 其每股净资产与调整后的每股净资产分别为1.80 与1.68 元, 则不良资产率计算为: 1-1.68/1.8=0.0667, 该指标表示在公司净资产中不良资产占6.67%。
( 3) 10 个财务指标的描述统计
鉴于本文选取的样本量大, 对净资产收益率、总资产报酬率等10个指标的具体计算结果不在文
中列示, 仅对各指标进行统计描述如表:
表. 指标描述统计表
变量 样本序数 财务指标 Min Max Mean Std.deviation Variance
x1净资产中不良资产率 - 1.18182 0.7500 0.0307 0.09957 0.010
x2总资产中营运资本比率 - 4.35205 0.6757 0.0323 0.3225 0.104
x3净资产利润率 - 0.91583 0.7500 0.0479 0.1442 0.021
x4总资产报酬率 - 0.23334 0.7995 0.050 0.0630 0.004
x5主营业务利润率 - 0.61137 1.000 0.209 0.1488 0.022
x6总资产周转率 0.00129 8.925 0.697 0.5758 0.332
x7流动资产周转率 0.012 14.35 1.534 1.146 1.313
x8应收账款周转率 0.00 43.40 10.43 8.926 79.67
x9流动比率 0.012 7.299 1.260 0.8265 0.683
x10资产负债率 0.01748 4.908 0.5410 0.2643 0.070
( 4) 提取主成分
1. 对指标x1- x10 标准化, 求出标准化后的数矩阵的相关阵
指标数据标准化的公式为: ZXij=Xij- EXjDX! j( Xij 为第i 家公司第j 项财务比率的数据, ZXij为Xij 标准化后的数值, EXj 是第j 项财务比率数据的均值, DXj 是第j 项财务比率数据的方差。)部分指标之间直接的相关性比较强, 的确存在信息上的重叠。
2.KMO 检验和Bartlett 球形检验
由Bartlett 球形检验可以看出, 应拒绝各指标独立的假设, 即指标间具有较强的相关性。但是,KMO 统计量为0.644, 说明各指标间信息的重叠程度可能不是特别的高, 有可能做出的主成分分析模型不是很完善, 但还是值得尝试的。
3.由相关阵计算特征根( λ) 、方差贡献率和累积贡献率表. 方差解释表( Total Variance Explained), 可知第1个主成分的方差占所有主成分方差的25.074%, 前7个主成分的方差贡献率达到92.04%, 因此选前7个主成分已经足以描述10 个财务比率所包含的信息。
4. 计算变量共同度
变量共同度表示各变量所含的信息能被提取的主成分解释的程度, 由表5 中所示的变量共同度可知, 变量的共同度都在80%以上, 这7个主成分对各财务指标的解释能力是比较强的, 因此只考虑前7个主成分即可。5. 采用主成分法计算因子载荷矩阵, 通过因子旋转解释主成分的经济涵义.
因子载荷矩阵是各因子( 主成分) 在各变量上的载荷, 即各因子对各变量的影响程度。由于初始的因子载荷矩阵系数不是太明显, 不利于公因子的解释。为了使因子载荷矩阵的系数向0- 1分化, 对初始载荷矩阵进行方差最大旋转( Varimax), 旋转后的因子载荷矩阵可以看出, 第1主成分( F1) 在x2、x9及x10 上有很大的载荷, 可以定义为偿债能力的影响因子; 第2主成分( F2) 在x3、x4 上有很大的载荷, 可以定义为企业综合盈利能力的影响因子;第3主成分( F3) 在x6 上有很大的载荷, 可以定义为总资产营运能力的影响因子; 第4主成分( F4) 在x7 上有很大的载荷, 可以定义为流动资产营运能力的影响因子; 第5主成分( F5) 在x5 上有很大的载荷, 可以定义为主营业务利润率的影响因子; 第6主成分( F6) 在x8 上有很大的载荷,可以定义为应收账款周转率的影响因子; 第7主成分在x1 上有很大的载荷, 可以定义为不良资产率的影响因子。
6.通过Regression 回归法估计因子得分函数系数矩阵
由因子得分函数系数矩阵, 将7个公因子表示为10 个指标的线性形式, 主成分表达式模型如下:
F1 =- 0.008Zx1 +0.447Zx2 - 0.069Zx3 - 0.001Zx4 -0.056Zx5 +0.148Zx6 - 0.009Zx7 +0.008Zx8 +0.472Zx9 -0.294Zx10
F2 =- 0.017Zx1 +0.042Zx2 +0.801Zx3 +0.37Zx4 -0.158Zx5 - 0.077Zx6 - 0.05Zx7 - 0.016Zx8 - 0.168Zx9 -0.055x10
F3 =0.035Zx1 +0.007Zx2 - 0.299Zx3 +0.273Zx4 +0.025Zx5+0.613Zx6- 0.065Zx7- 0.037Zx8+0.364Zx9+0.483Zx10
F4 =- 0.019Zx1 - 0.02Zx2 - 0.005Zx3 - 0.087Zx4 +0.146Zx5 +0.22Zx6 +0.936Zx7 - 0.26Zx8 - 0.192Zx9 -0.437Zx10
F5 = 0.037Zx1 - 0.185Zx2 - 0.304Zx3 +0.17Zx4 +0.991Zx5- 0.037Zx6+0.131Zx7- 0.055Zx8+0.116Zx9+0.006Zx10
F6 =0.008Zx1 - 0.032Zx2 - 0.046Zx3 +0.038Zx4 -0.061Zx5 - 0.117Zx6 - 0.17Zx7 +1.073Zx8 +0.104Zx9 +0.059Zx10
F7 =0.998Zx1 +0.01Zx2 - 0.006Zx3 - 0.011Zx4 +0.029Zx5+0.033Zx6- 0.013Zx7+0.002Zx8- 0.035Zx9-0.017Zx10
变量Zxi ( i=1, 2⋯10) 是财务指标Xi 标准化后的值
( 5) 借鉴阿尔曼多元Z 值判定模型的分析思路建立不良资产测评模型———G 模型
模型的表达式为:
G=a1F1+a2F2+a3F3+a4F4+a5F5+a6F6+a7F7ai= λiΣλ(i=0, 1⋯7)( ai 是主成分Fi 的方差贡献率; λi 是主成分Fi的特征根; Σλ是主成分的特征根和) 根据以上计算所的数据, 可以得到沪市A 股上市公司不良资产控制模型:
G=0.251F1+0.205F2+0.139F3+0.106F4+0.101F5+0.066F6+0.054F7
代入F1-F7 到G 模型中, 得:
G=0.0555Zx1 +0.0994Zx2 +0.0707Zx3 +0.1234Zx4 +0.07014Zx5+0.1202Zx6+0.079Zx7+0.0314Zx8+0.13097Zx9- 0.06067Zx10( 变量Zxi ( i=1, 2⋯10) 是财务指标Xi 标准化后的值)
求出向量G [G1, G2, ⋯Gn] ( n 为样本数) 值后, 对向量G 的元素做统计分析, 得到其最大值Gmax 和Gmin, 从而得出合理不良资产率控制的上下限[Gmin, Gmax], 检验企业不良资产相对衡量指标NPAs ( 净资产中的不良资产率) 是否在上下限范围内, 据以判定持有不良资产额是否合理;反之, 该模型为企业合理控制不良资产提供了参考界限。
4、本文的研究结论
本文以沪市A 股2006 年底全部上市公司为研究对象, 根据模型对数据的原则要求, 剔除1部分上市公司后, 最终选取620 家上市公司为研究样本, 借鉴阿尔曼多元Z 值判定模型的分析思路建立不良资产测评模型———G 模型。根据模型的要求, 首先计算出x1-x10 财务比率数据, 然后对其标准化得到Zx1-Zx10, 把Zx1-Zx10代入G 模型, 得到向量G [G1, G2, ......Gn] ( n 为样本数, n=1, 2,......620) , 对G1, G2, ......Gn 统计分析,见表。
表. G 值描述统计
N Minimum Maximum Mean Std. Deviation Variance
G 620 - 1.66695 1.78467 0.00000 0.39122372 0.153
Valid N (listwise) 620
由表可得出结论: 我国沪市A 股上市公司不良资产率应控制在[- 1.667%, 1.785%] 范围内, 超出此范围的不良资产可能会给企业造成不利影响, 或者可能向投资者传递企业有盈余管理动机的信号, 从而提醒和帮助管理者判断是否应该进行清产核资, 计提资产减值准备。
[参考文献]
[1] 李嘉明, 李松敏.我国上市公司的资产质量与企业绩效的实证研究[J] .经济问题探索, 2005, ( 4) : 104- 107.
[2] 陈冬华.上市公司不良资产的实证分析[N] .证券市场导报,1998- 07.
[3] 常继英.关于企业不良资产的构成和计算[J] .内蒙古科技与经济, 2004, ( 3) : 41- 42.
[4] Strong, John, S ., Meyer, John, R . Asset Write- downs:Managerial Incentives and Security Returns [J] .Journal ofFinance, 1987, (2) : 643- 661.
[5] Elliott, J .A ., Shaw, W .H ., Write- offs as AccountingProcedures to Manage Perceptions [J] .Journal of AccountingResearch, 1987 (supplement) : 91- 144.
[6] Altman, E., Financial Ratios.Discriminant Analysis and thePrediction of Corporate Bankruptcy
[1]
