6.4.2 基于公司治理和盈余管理指标的多因素综合预警模型的建立
盈余管理、财务、公司治理，任何一类问题都有可能影响企业的财务状况或者反映了企业财务危机的信息，进而影响各利益相关者和信息使用者对企业财务状况的判断。不仅如此，公司治理与盈余管理，公司治理与企业财务状况，盈余管理与企业财务状况之间还存在着相互影响和相互联系的关系［234～239］。正是因为如此，对任何一类问题及其指标的单独考察和建模，都无法全面反映企业财务状况，预测企业财务危机，有必要通过对这三类指标进行组合，建立多因素的综合模型来考察企业财务危机的预警问题。
1）多因素综合模型指标的主成分分析
尽管在第四章、第五章及本章第一节中对预处理中未通过显著性检验的指标已经进行过删减，但由于组合后指标过于繁多，本节拟在上述处理的基础上，利用主成分分析来对上述指标做进一步的处理，找出多个指标的主要信息，使模型的建立得到简化，提高分析效率。
首先根据前面对X（盈余管理模型指标）、Y（调整的财务指标）、Z（公司治理指标）这三类指标的分别筛选结果，可以得到危机发生前三年的三个初始预警指标集。然后利用主成分进行分析，对指标进行进一步的综合和筛选。
（1）t－3年指标的主成分分析
将在第4章和第5章及本章第1节中，t－3年的经过删减的盈余管理应计利润模型建模指标体系、调整的财务建模指标和公司治理指标体系组合，得到初始指标体系如下：
｛X1、X4、Y9、Y10、Z6、Z7、Z11｝
对该指标体系使用主成分分析法进行分析，即在SPSS中选择菜单［Analyze］＝＞［Data Reduction］＝＞［Factor］，得到结果如表6.26、表6.27所示。
表6.26 可解释的总方差
表6.27 因子载荷矩阵
续表6.27
由表6.26可知，6个主成分解释了原始数据的88.94%的信息，设这6个主成分分别用N1，N2，N3，N4，N5，N6来表示，由表6.27的计算结果，我们可以得到6个主成分变量的线性组合如公式6.10～公式6.15：
把各样本标准化后数据分别代入上面的6个公式中可以求出各样本的6个主成分的值。
（2）t－2年指标的主成分分析
将在第4章和第5章及本章第1节中，t－2年的经过删减的盈余管理应计利润模型建模指标体系、调整的财务建模指标和公司治理指标体系组合，得到初始指标体系如下：
｛X1、X2、X3、X4、X10、X11、Y3、Y9、Z2、Z7、Z8、Z11｝
同样，对该指标体系使用主成分分析法进行分析，得到结果如表6.28、表6.29所示。
表6.28 可解释的总方差
表6.29 因子载荷矩阵
由表6.28可知，9个主成分解释了原始数据的90.86%的信息，设这9个主成分分别用N1，N2，N3，N4，N5，N6，N7，N8，N9来表示，由表6.29的计算结果，我们可以得到9个主成分变量的线性组合如公式6.16～公式6.24：
把各样本标准化后数据分别代入上面的9个公式中可以求出各样本的9个主成分的值。
（3）t－1年指标的主成分分析
将在第4章和第5章及本章第1节中，t－1年的经过删减的盈余管理应计利润模型建模指标体系、调整的财务建模指标和公司治理指标体系组合，得到初始指标体系如下：
｛X1、X2、X3、X4、X7、X8、X10、X11、Y1、Y3、Y5、Z2、Z7、Z8、Z11、Z12｝
同样，对该指标体系使用主成分分析法进行分析，得到结果如下表6.30、表6.31所示。
表6.30 可解释的总方差
表6.31 因子载荷矩阵
续表6.31
由表6.30可知11个主成分解释了原始数据的90.65%的信息，设11个主成分分别用N1，N2，N3，N4，N5，N6，N7，N8，N9，N10，N11来表示，由表6.31的计算结果，我们可以得到11个主成分变量的线性组合如公式6.25～公式6.35：
同样，把各样本标准化后数据分别代入上面的11个公式中可以求出各样本的11个主成分的值。
2）多因素综合模型主成分指标的多元判别分析
利用前面计算的各样本主成分指标值，可以分别对t－3年、t－2年、t－1年进行多元判别分析。使用变量K描述样本类别，将财务危机企业的K值取0，正常企业的K值取1。建模首先依据2006年至2007年108对样本（216家）的数据进行，然后用2008年对样本20对（40家）的数据进行测试。在SPSS11.5的环境下调用“Classify—Discriminant”程序，可以分别得到ST前1～3年的判别分析模型。
（1）t－3年的多元判别分析
t－3年的多元判别分析结果见表6.32所示。
表6.32 多因素综合模型主成分指标t－3年的分类方程系数
根据表6.32的结论，我们可以得到t－3年的判别模型如式6.36和式6.37所示：
将建模数据和外推数据分别代入判别函数，分别得到回判和外推的结果。按照Fisher线性判别方法，将相同年份的样本观测分类到较大的分类函数值中，即当K0≥K1时将样本归入类别0，K0＜K1时将样本归入类别1，结果如表6.33所示。
表6.33 多因素综合模型主成分指标t－3年的Fisher线性判别模型的分类准确率
（2）t－2年的多元判别分析
t－2年的多元判别分析结果见表6.34所示。
表6.34 多因素综合模型主成分指标t－2年的分类方程系数
根据表6.34的结果，我们可以得到t－2年的判别模型如式6.38和式6.39所示：
将建模数据和外推数据分别代入判别函数，分别得到回判和外推的结果如表6.35所示。
表6.35 多因素综合模型主成分指标t－2年的Fisher线性判别模型的分类准确率
（3）t－1年的多元判别分析
t－1年的多元判别分析结果见表6.36所示。
表6.36 多因素综合模型主成分指标t－1年的分类方程系数
根据表6.36的结果，我们可以得到t－1年的判别模型如式6.40和式6.41所示：
将建模数据和外推数据分别代入判别函数，分别得到回判和外推的结果如表6.37所示。
表6.37 多因素综合模型主成分指标t－1年的Fisher线性判别模型的分类准确率
3）多因素综合模型主成分指标的逻辑回归分析
用变量P描述样本类别，将财务危机企业的P值取0，正常企业的P值取1。在SPSS11.5的环境下调用“Regression—Binary Logistic”程序，得到ST前1～3年的逻辑回归模型，结果详见表6.38～表6.43。
（1）多因素综合模型主成分指标t－3年的逻辑回归分析
基于多因素综合模型主成分指标t－3年的逻辑回归分析结果如表6.38所示。
表6.38 多因素综合模型主成分指标t－3年的逻辑回归方程系数
由表6.38的结果可以得到下面的逻辑回归判别模型如式6.42所示：
将建模数据和外推数据分别代入逻辑回归判别模型：当P≤0.5时将样本归入类别0，P＞0.5时将样本归入类别1，可得回判和外推分类的准确率结果。t－3年逻辑回归模型的分类准确率结果详见表6.39。
表6.39 多因素综合模型主成分指标t－3年的逻辑回归分类结果
（2）多因素综合模型主成分指标t－2年的逻辑回归分析
基于多因素综合模型主成分指标t－2年的逻辑回归分析结果如表6.40所示。
表6.40 多因素综合模型主成分指标t－2年的逻辑回归方程系数
由表6.40的结果可以得到下面的逻辑回归判别模型如式6.43所示：
将建模数据和外推数据分别代入逻辑回归判别模型：当P≤0.5时将样本归入类别0，P＞0.5时将样本归入类别1，可得回判和外推分类的准确率结果。t－2年逻辑回归模型的分类准确率结果详见表6.41。
表6.41 多因素综合模型主成分指标t－2年的逻辑回归分类结果
（3）多因素综合模型主成分指标t－1年的逻辑回归分析
基于多因素综合模型主成分指标t－1年的逻辑回归分析结果如表6.42所示。
表6.42 多因素综合模型主成分指标t－1年的逻辑回归方程系数
续表6.42
由表6.42的结果可以得到下面的逻辑回归判别模型如式6.44所示：
Pt－1＝EXP（U）/［1＋EXP（U）］
其中：
将建模数据和外推数据分别代入逻辑回归判别模型：当P≤0.5时将样本归入类别0，P＞0.5时将样本归入类别1，可得回判和外推分类的准确率结果。t－1年逻辑回归模型的分类准确率结果详见表6.43。
表6.43 多因素综合模型主成分指标t－1年的逻辑回归分类结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
