绪论
一、 研究背景
企业要想生存和发展必然面临着市场经济优胜劣汰的残酷法则。据统计，在经济发达的美国大企业的平均寿命不超过 40 年，中小企业的平均寿命则为 7 年。全球不断涌现的经济危机，如 1994 年的墨西哥金融危机和 1997 年的东南亚金融危机都给世界经济以重创。2007 年的美国次贷危机更使世界经济处于艰难的困境。美国在此次危机中破产的大企业达到 257 家之多，其中包括华尔街备受推崇的第四大投资公司雷曼兄弟控股公司(Lehman Brothers Holdings)，美国最大的储蓄和贷款银行、全美第六大银行华盛顿互助银行(Washington Mutual)，美国最大的公司且位于财富 500 强之首的通用汽车(General Motors)等著名企业。我国受此影响的歇业、停产或者倒闭的中小企业大概占中小企业总数的 7.5%。由此可以看出在全球经济发展的宏观背景下，任何企业都无法独善其身。世界经济正趋于一体化发展，企业在面临更多市场机遇的同时也面临着严峻的市场竞争和残酷的生存考验，尤其是财务危机的威胁。财务危机一直是学术界研究的世界性难题和热点。正所谓冰冻三尺非一日之寒，越来越多的学者意识到企业陷入困境甚至破产大多是一个逐步恶化的过程，并伴有明显的阶段性特征，可以通过一定方法及时的从财务上预见和防范。对于企业财务危机的阶段，多数学者将其分为潜伏阶段、发展阶段、激化阶段、最终阶段等四个主要阶段①。正是有了这些阶段的划分，让我们对不同时期的财务危机进行预警有了可能性。从 20 世纪 30 年代开始，西方国家就开始对财务危机进行预警研究。其中比较有代表性的是比威尔和迈克•E•赞靡杰威斯基的单变量预测模型，采用个别财务比率来对企业的财务危机进行预测。经过几十年的发展，已经形成很有成就的财务危机预警方法就有十多种，如 Altman 的 Z-score 模型；Ohlson 使用 Probit 构建的多元逻辑回归模型；Odom与 Sharda的人工神经网络（Artificial Neural Network，缩写为 ANN）等。这些财务危机预警的研究不仅成形了一套完整的研究体系，填补了理论界的空白，还在企业内部管理、投资者决策、外部监管等方面得到广泛应用。然而，在经历了 2007 年的金融危机后，我们发现很多企业尤其是在危机中受到重创的金融企业不乏运用多元判别分析（Multiple Discriminant Analysis，即MDA）进行财务危机预警。
………
二、 研究目的及意义
目前，我国的财务危机预警研究主要集中在全行业上，但是考虑到每个行业都有其固定的行业特征，有些财务危机预警在特定行业并不完全适用，这就会造成财务危机预警的不精准。本文对我国汽车行业上市公司所处的宏观环境和微观环境进行深入剖析，旨在探讨汽车行业上市公司为什么要建立以及如何构建基于现金流量视角下的财务危机预警体系。希望通过本文的研究，能够及早的发现汽车行业上市公司财务危机信号，准确找出财务管理中存在的问题，为汽车行业上市公司改进经营管理，提高公司业绩提供有效帮助。一直以来财务危机预警研究都是国内外学者重点研究的课题。作为经济发展的“晴雨表”和企业生存的“指示灯”，财务危机预警研究有着较高的理论价值和实用价值。然而，在权责发生制的记账基础下，传统的财务危机预警体系暴露出越来越多的缺陷。学者们开始呼吁从一个新的视角——现金流量来对财务危机预警进行研究，其优点是一方面能减少人为对指标的操控，另一方面能还原真实的企业财务状况，非常有利于各相关信息使用者①。
………
第一章 相关理论基础
第一节 现金流量相关理论
现金流量有力地支撑着企业价值，可以说增进现金流量就是创造价值。我国的知名企业海尔集团就是对现金流量推崇的典范，在海尔集团管理规则中，第13条是“现金流量比利润更重要”。如今，我们也可以随处听到这样的说法——现金为王，这是一种卓越的财务理念。可见，现金流量在现代企业财务管理中突显出重要地位。既然现金流量如此重要，那么就要首先解决基本的概念，什么是现金流量。现金流量，我们又称它为现金流动或现金流转，它是一个复合名词，由两部分构成，即“现金”和“流量”。现金流量的“现金”与我们通常所讲的库存现金的“现金”是不同的，它是借用西方会计中的概念，包含范围相对较广，除了我们熟知的库存现金外，还包括银行存款、银行本票存款、银行汇票存款以及现金等价物。其中，现金等价物是指期限较短、流动性较强、易于转换为已知金额现金、价值变动风险很小的投资。这里的“流量”包括流入量、流出量和净流量三个部分。由于净流量是流入量减去流出量的差额，所以，通常讲的流量就是指流入量和流出量。
………..
第二节 财务危机预警相关理论
任何学科的基础认知都是有前提的。各种前提的最基本成分就是理论的概念结构。①可见，概念在认知中起着非常重要的作用。财务危机作为财务危机预警的核心概念之一，是进行财务危机预警模型研究的基本问题，它直接影响着研究结果的合理性与适用性。在阅读财务危机研究的经典文献中，发现对于财务危机这一概念并没有统一的界定。国内外文献使用过财务危机（financial crisis）、财务困境（financial distress）、财务失败（financial failure）、公司失败（corporate failure）、公司破产（corporate bankruptcy）等多个概念。本节总结了国内外相关文献对财务危机的概念描述，并界定了本文研究的概念基础。在国外，关于财务危机的定义往往侧重某一个方面或者基于某种原因，定义很大程度上受实证研究样本选择范围所限。Beaver（1966）把破产、拖欠优先股股利和拖欠债务定义为财务危机。Altman（1968）以 1946 年至 1965 年期间 33 家破产公司和 33 家非破产公司作为样本进行研究。可见，其财务危机的定义是根据破产法，破产法规定提出破产申请的行为作为企业陷入财务危机的标志。Deakin（1972）在研究中表明财务危机公司应该只包括已经经历破产、无力清偿或者为债权人利益而已经进行清算的公司。Foster（1986）把财务危机概括为除非对经济实体的经营或结构实行大规模重组否则就无法解决严重变现问题。Laitinen（1991）把公司财务危机分为三类，即慢性失败公司、收益失败公司和严重失败公司。
………
第三章基于现金流量的汽车行业上市公司财务危机预警模型的构建...... 31
第一节 基于现金流量的财务危机预警模型的构建思路.... 31
一、构建原则............ 31
二、构建方法............ 32
三、构建流程............ 38
第二节 样本选择及指标体系构建.......... 39
一、样本选取和描述............ 39
二、指标体系构建.......... 41
第三节 汽车行业上市公司财务危机预警模型的建立........ 44
本章小结.......... 62
第四章 汽车行业上市公司财务危机预警模型的应用.... 63
第一节 财务危机预警模型应用的方法和步骤........ 63
第二节 财务危机预警模型应用案例分析.......... 68
本章小节.......... 76
第四章 汽车行业上市公司财务危机预警模型的应用
第一节 财务危机预警模型应用的方法和步骤
上文建立了基于现金流量的汽车行业上市公司财务危机预警模型，此模型不仅克服了全行业预警模型针对性差、预警效果不佳的状况，而且还按照 T-1 年度、T-2 年度和 T-3 年度分别建立，预测企业是否发生财务危机的准确率更加精准。以中国证券监督管理委员会在 2013 年 06 月 28 日发布的 2013 年 2 季度上市公司行业分类结果为标准，汽车制造业共 79 家公司，2010—2012 年财务信息完整的共 63 家，本文只选取了 60 家汽车制造企业为建立模型的样本，剩余 3 家将选取 1 家用来对该模型进行应用。应用的具体步骤如下：第一，从剩余 3 家汽车制造企业中选取 1 家作为应用对象。本文在建立汽车行业上市公司的财务危机预警模型时，并没有选取全部企业作为样本，一般的以全行业为样本建立的模型效果会更好，但是考虑到如果选取全部企业为样本建立模型，再从样本中选取 1 家公司来验证模型，信服力会比较差，验证效果也不好，故选取了整个行业数量的 95%为样本，这样不仅能在很大程度上代表整个行业的状况，也为本章的模型应用选择企业留有空间。剩余 3 家汽车制造业企业如表 4-1所示。
……..
结 论
在现代企业经营管理中，现金为王已经成为了全新的理念，现金就是企业的血液。通过参考国内外大量关于财务危机预警的文献，文本构建了基于现金流量的汽车行业上市公司财务危机预警模型。通过对此问题研究，得出以下几点结论。#p#分页标题#e#
第一， 以主成分分析和 Logistic 回归分析相结合建立的财务危机预警模型具有一定有效性并且预测准确率非常理想。T-1 年、T-2 年和 T-3 预警模型判断准确率分别为 98.3%、98.3%和 96.7%。
第二， 以现金流量为基础的指标能够在一定程度上较为真实地反映企业财务状况。由于财务信息的不对称性，企业可以通过各种合理和不合理的手段来调节利润以达到某种目的，这样就会误导信息使用者的判断。现金流量是以收付实现制为基础的，以此制定的指标能较好地保证真实性和科学性。
第三， 模型对 ST 企业的判断正确率远低于非 ST 企业。模型在 T-1 年、T-2 年和 T-3 对 ST 企业判断正确率分别为 50%、50%和 0%；而非 ST 企业均为 100%。出现如此大的差异，可能是因为样本选取时 ST 企业与非 ST 企业在数量上并不配比。汽车行业分类共有 79 家，ST 企业仅有 2 家，最终选取样本时 ST 企业与非 ST比例是 1:29，如此悬殊的数量差距，存在一定程度上的判误也是可以接受的。或者为了 ST 扭转的局面，个别企业可能在年报上对数据做了一定的粉饰，这样也影响模型对 ST 企业的判断正确率。
…………
参考文献（略）
