一、上市公司进行财务危机预警的必要性
财务危机预警以企业信息化为基础，对企业在经营管理活动中的潜在风险进行实时监控。其贯穿于企业经营活动的全过程，以企业的财务报表及其他相关经营资料为依据，利用财会、金融、企业管理等多方面理论，采用比例分析、数学模型等方法，去发现企业存在的风险，将企业所面临的危险情况预先告知企业经营者和其他利益关系人，并分析企业发生财务危机的原因和企业财务运营体系的潜在问题，以提早做好防范措施。
构建一套高效、灵敏、实用的财务预警系统十分必要。对上市公司而言，有效的财务预警机制有利于管理当局及时找出问题症结，制定正确的经营及财务政策，及时扭转不利局面，防止陷入财务危机或遭到退市处理。对政府而言，有效的财务预警能在一定程度上及时改善资源的宏观配置，减少对处于财务危机边缘、发展前景较差的上市公司的政府援助，防范国有资产流失，实现资源优化配置。对银行和债券持有人而言，进行及时有效的财务预警，银行就能在决定是否贷款或是制定贷款监督政策时，通过财务预警分析系统来评价贷款申请人或贷款人所面临的财务风险，以确定贷款额度；债券持有人则可以根据预测结果来了解所投资公司偿还本金、支付利息的能力。对审计人员而言，对所审计公司进行财务预警能够帮助其制定更有针对性的审计计划，更加谨慎地执行审计程序。
二、财务危机预警多元逻辑(logistic)模型
多元逻辑模型的目标是寻求观察对象的条件概率，据此判断观察对象的财务状况和经营风险。这一模型建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的条件。Www.11665.COmlogistic模型假设了企业破产的概率p(破产取1，非破产取0)，并假设ln[p/(1-p)]可以用财务比率线性解释。假定ln[p/(1-p)]＝a+bx，推导可以得出p＝exp(a+bx)/[1+exp(a+bx)]从而计算出企业破产的概率。判别方法是首先根据多元线性判定模型确定企业破产的z值，然后推导出企业破产的条件概率。如果p值大于0.5，表明企业破产的概率比较大，可判定企业即将破产：如果p值低于0.5，表明企业财务正常的概率较大，可判定企业财务正常。logistic模型的最大优点是不需要严格的假设条件，克服了线性方程受统计假设约束的局限性，具有更广泛的适用范围。
三、样本设计及变量的选取
（一）样本设计。财务预警实证研究的样本选择直接关系到最终得出的预测模型的外部适用性和预测能力。本文研究样本选择的标准是：（1）st样本组。以2003，2004，2005年3年间所有曾因财务状况异常而被特别处理的公司作为st样本组。（2）非st样本组。根据公司被st前一年的行业分类和总资产规模选择相应的控制样本，即非st样本组。一些st公司由于找不到相配比的非st样本，这样的样本个体被剔除。（3）组内分布控制。本研究的样本来源于3个会计年度，可能会产生资料的时间性差异。这样，最后得到的样本共有166家，其中st公司83家，非st公司83家。在这83家st公司中，2003年被宣布为st的公司的有27家，2004年的有28家，2005年的有28家。剔除st公司中有缺失值的8家公司（其中2003年1家，2004年1家，2005年6家），最终的样本确定为150家。（数据略）
（二）变量及指标的选取。变量及指标选取如下：x1为流动比率；x2为营运资产与总资产之比；x3为资产负债率；x4为产权比率；x5为利息保障倍数；x6为留存收益与总资产之比；x7为流动负债经营活动净现金流量比；x8为股东权益比率；x9为总资产周转率；x10为应收账款周转率；x11为存货周转率；x12为长期资产适合率；x13为净资产报酬率；x14为总资产报酬率；x15为主营业务利润与总资产之比；x16为成本费用利润率；x17为净资产；x18为股东权益增长率；x19为净利润增长率；x20为主营业务收入增长率；x21为主营业务现金比率；x22为结构分析；x23为营业活动收益质量；x24为(利润总额+财务费用)/总资产；x25为eva。
四、logistic回归分析在财务危机预警中的应用
根据经验，财务比率在一定范围内波动属正常现象，并不会引起危机概率的显著增加。只有当财务比率值超过某一临界值，比率值的恶化会导致财务危机概率的显著增加。企业财务危机的预测属于两分类定性分析，即要么正常，要么可能发生危机。为服务于对定性因变量的多元非线性分析，根据实际研究的需要不断对多元线性回归进行改造和发展，导致了一种新的分析方法logistic回归的产生。logistic回归被引入财务危机预警研究之后，财务危机预警即简化为己知一公司具有某些财务特征，而计算其在一段时期内陷入财务危机的概率问题。如果算出的概率大于设定的分割点，则判定该公司将陷入财务危机。
logistic回归的假设前提是：(1)因变量 是二分变量；(2)数据必须来自随机样本；(3)因变量 被假定为k个自变量 的函数，因变量与自变量之间是非线性关系；(4)自变量之间不存在多重共线性。显而易见，logistic回归没有关于自变量分布的假设条件。logistic回归模型的一般形式如下：
ln
其中， 为自变量， 为给定系列自变量 值的事件发生概率； 为截距， 为回归系数。
或
其中 是与诸因素 无关的常数项， 是回归系数，表示诸因素 对p的贡献量。
spss中的logistic回归分析具有自动选择变量的能力，共有7种方法建立模型。本文采用的是method ＝ forward stepwise (weld)。然后随机选择一部分样本作为构造样本，一部分作为测试样本。具体分类如下：
表1 case processing summary
unwished cases (a) n percent
selected cases included in analysis 120 80.0
missing cases 0 0
total 120 80.0
unselected cases 30 20.0
total 150 100.0

其中，selected cases为预测样本，unselected cases为检验样本。最终进入方程的变量为：
表2 variables in the equation

b s.e. weld sig. exp (b) 95.0% c.i.for exp (b)
lower upper
x3 2.631 2.240 1.380 0.240 13.894 0.172 1,121.542
x9 0.186 0.101 3.393 0.065 1.205 0.988 1.469
x14 10.803 0.327 6.041 0.014 2.232 1.177 4.233
x15 -29.496 10.387 8.064 0.005 0.000 0.000 0.000
x16 -14.312 5.865 5.956 0.015 0.000 0.000 0.060
x17 0.000 0.000 10.297 0.001 1.000 1.000 1.000
x18 0.562 0.520 1.168 0.280 1.754 0.633 4.863
x19 0.068 0.047 2.108 0.147 1.071 0.976 1.174
x21 1.298 0.643 4.075 0.044 3.663 1.039 12.918
x23 0.103 0.075 1.905 0.167 1.109 0.958 1.283
x24 8.370 5.255 2.537 0,111 4,314.309 0.145 128,101,617.79
x25 -0.043 0.014 8.978 0.003 0.958 0.931 0.985
c 2.335 1.672 1.951 0.163 10.333

表中x25为eva值，它的walt值为8.978，说明它对p具有很大的贡献量，是一个重要的指标。最终建立的模型为：
p＝exp(2.335+2.631×x3+0.186×x9+0.803×x14-29.496×x15－14.312×x16+0.56×x18+0.068×x19+1.298×x21+0.103×x23+8.370×x24-0.043×x25)÷(1+exp(2.335+2.631×x3+0.186×x9+0.803×x14-29.496×x15－14.312×x16+0.56×x18+0.068×x19+1.298×x21+0.103×x23+8.370×x24-0.043×x25)
表3 判别分类表
classification table(c)
observed predicted
selected cases (a) unselected cases (b)
group percentage correct group percentage correct
0 1 0 1
group 0 52 8 86.7 13 2 86.7
1 4 56 933 2 13 86.7
overall percentage 90.0 86.7

从表中可以看出，对于检验样本，其中把15家财务危机公司判为财务正常公司的有2家，正确率为86.7％，把财务正常公司判为财务危机公司共有2家，正确率为86.7％，总的判别正确率为86.7％。可见，本文所构建的logistic模型能较好地预警财务危机。其中变量eva对模型的整体判别准确率有很大的影响，是一个不可或缺的指标，在应用中应纳入财务指标体系。