我国汽车行业上市公司盈亏预测实证研究.doc

我国汽车行业上市公司盈亏预测实证研究.doc我国汽车行业上市公司盈亏预测实证研究
摘要: 本文基于因子分析对 04年度汽车行业上市公司的有关财务数据进行Logistic回归分析,并运用逐步判别分析对05半年报进行盈利预测。实证研究表明,Logistic回归和逐步判别分析在预测亏损前的上市公司财务困境方面都具有较高的准确率。
关键词: 汽车行业; 因子分析; Logistic回归;判别分析
现有的财务预测模型大都是国外学者根据上市公司的资料进行统计分析之后提出来的,虽然在许多国家也具有一定的适用性,但仍不免存在种种局限。我国研究人员虽然也正在从事相关的研究设计,但至今还没有一套完全适合我国某一行业的财务预测模型,本文根据汽车行业所披露的财务数据进行分析研究,建立了适应汽车行业的专门模型。
一、Logistic回归

因子分析的基本思想是根据相关性大小把变量分组,使得同组内的变量之间的相关性较高,但不同组的变量相关性较低。每组变量形成一个因子,因子往往反映了事物或研究对象的本质。因子分析的数学模型:
X1=a11f1+a12f2+……+a1mfm+a1δ1
X2=a21f1+a22f2+……+a2mfm+a2δ2
…
Xp=ap11f1+ap2f2+……+apmfm+apδp
简记为:X=AF+aδ。其中:A为因子载荷矩阵,F为X的公共因子,δ为特殊因子。
Logistic回归模型是对二分类因变量进行回归分析时最普遍使用的多元统计方法。它根据样本数据使用最大似然估计法估计出个参数值,经过一定的数学推导运算,可求得响应变量取某个值的概率。
Logistic模型的数学表达式为:
Logit(y)=ln[p/(1-p)]=a0+a1F1+a2F2+…+anFn
可等价地表示为:
P= exp(a0+a1F1+a2F2+…+anFn)
________________________________________
1+exp(a0+a1F1+a2F2+…+anFn)
在这里,y=(1,0)表示某一事件发生的次数,y=1表示盈利,y=0表示亏损,p=P(y=1)表示事件发生的概率。ai(i=0,…n)为待估参数,Fi(i=1,…n)为自变量。
和其它多元回归方法一样,Logistic回归模型也对多重共线性敏感,当变量的相关程度较高时,样本的较小变化将会带来系数估计的较大变化,从而降低模型的效果。而各项财务指标都是相互联系的!它们之间的相关程度往往较高。为了克服多重共线性的影响,一个简单的办法是从模型中删除某些变量,但这样又会损失较多的财务信息,为此,本文先对财务指标进行因子分析,然后根据一定的贡献率选出若干因子变量进行Logistic回归。

在汽车业上市公司盈亏因子分析模型中,我们选取了33家上市公司作为评价对象,12个评价指标,这些指标能够基本反映出上市公司的盈利性、成长性、偿债能力、资产管理能力、治理结构等方面的经济和财务特性。对指标及指标体系的更进一步分析则由因子分析来完成。
在本文的研究中,考虑到所获取的数据的可靠性,仅从沪市上市公司的年报中选取数据。把05年半年报中亏损的上市公司界定为“发生财务失败”,把05年半年报盈利的上市公司界定为“没发生财务失败”。