基于現(xiàn)金流量角度的財務(wù)預(yù)警模型研究

鄧旭東 張瑜 徐文平

【摘 要】 鑒于以往關(guān)于現(xiàn)金流量的財務(wù)預(yù)警模型多是在傳統(tǒng)指標的基礎(chǔ)上再加入現(xiàn)金流比率進行研究，故文章選擇基于完整的現(xiàn)金流指標體系，對財務(wù)危機樣本進行重新定義，以2002—2017年滬深兩市A股房地產(chǎn)行業(yè)上市公司為研究對象，運用Logistic回歸構(gòu)建財務(wù)預(yù)警模型。研究結(jié)論顯示，該模型對危機企業(yè)的預(yù)測準確率高達96.8%，總體預(yù)測正確率為87.1%，其預(yù)警效果優(yōu)于經(jīng)典Z值模型，并且發(fā)現(xiàn)現(xiàn)金流償債能力、經(jīng)營活動產(chǎn)生現(xiàn)金的能力等都有著非常顯著的預(yù)警效果。

【關(guān)鍵詞】 財務(wù)預(yù)警; 現(xiàn)金流量; Logistic模型

【中圖分類號】 F253.7 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2018）23-0089-05

一、引言

我國房地產(chǎn)行業(yè)始于19世紀80年代，歷史不長，但其發(fā)展速度卻不容小覷。據(jù)統(tǒng)計數(shù)據(jù)（來源：中經(jīng)網(wǎng)）顯示，截至2017年底，我國房地產(chǎn)開發(fā)企業(yè)商品房銷售額累計達到133 701.3億萬元，銷售面積累計169 407.82萬平方米，累計同比增減量為12 059.29萬平方米，可見該行業(yè)在我國國民經(jīng)濟中舉足輕重的地位。與此同時，該行業(yè)高投資、高收益的特征帶來的高風(fēng)險也不得不引起重視，因此為其構(gòu)建科學(xué)有效的財務(wù)預(yù)警模型是非常有必要的。

本文選擇了2002—2017年滬深兩市A股房地產(chǎn)行業(yè)上市公司作為研究對象，其中，財務(wù)危機樣本包含ST 企業(yè)、因欠款未還被提起訴訟、因債務(wù)重組低價出售資產(chǎn)、資不抵債、拍賣資產(chǎn)或資金被凍結(jié)以及因虛構(gòu)利潤被違規(guī)處理的企業(yè)，運用Logistic回歸方法建立了財務(wù)危機預(yù)警模型。經(jīng)回代檢驗，以及與經(jīng)典Z值模型預(yù)警效果相對比，發(fā)現(xiàn)本文構(gòu)建的預(yù)警模型無論是總體正確率還是對危機企業(yè)的識別率上，均展現(xiàn)出明顯的優(yōu)勢。

相比之前的研究，本文主要有兩點創(chuàng)新：一是研究期間跨度長，本文所選樣本公司的時間跨度為2002—2017年，相比大多數(shù)研究的三至五年來說，16年研究期間的優(yōu)勢較為突出;二是財務(wù)危機的定義有所改進，不再是僅僅將被ST的企業(yè)視為陷入財務(wù)危機，這一定義的重新界定不僅在理論上有一定的意義，同時也擴充了研究樣本的數(shù)量，有助于增強本文預(yù)警模型的可靠性。

二、文獻綜述

自Fitzpatrick于1932年進行開創(chuàng)性研究后，企業(yè)財務(wù)預(yù)警就一直是諸多學(xué)者研究的熱點。在早期研究中，大多是以會計利潤作為核心指標，入選的財務(wù)比率也是基于資產(chǎn)負債表和利潤表計算出來的，比如Altman建立的Z值模型[ 1 ]，以及Coats和Fant[ 2 ]根據(jù)Z值模型的5個財務(wù)比率建立的人工神經(jīng)網(wǎng)絡(luò)模型，張玲建立的估計二類線性判別模型等。但隨著企業(yè)生存環(huán)境的日益復(fù)雜化，出現(xiàn)了賬面明明利潤充足，卻依舊無法按時償還到期借款的現(xiàn)象，進而導(dǎo)致企業(yè)陷入嚴重的財務(wù)危機甚至破產(chǎn)，于是現(xiàn)金流量的重要性開始顯現(xiàn)出來。相較資產(chǎn)負債表與利潤表而言，現(xiàn)金流量表的數(shù)據(jù)就真實的多。Beaver[ 3 ]的研究結(jié)果證明現(xiàn)金流量模型的預(yù)測準確率較高。周首華在Z值模型的基礎(chǔ)上加入現(xiàn)金流量這一變量，建立了F模型，楊淑娥和徐偉剛[ 4 ]建立了Y模型，武曉玲和喬楠楠[ 5 ]、劉月等[ 6 ]均發(fā)現(xiàn)，在考慮了現(xiàn)金流量指標之后，預(yù)警效果是有所增強的。但也可以發(fā)現(xiàn)，現(xiàn)有研究更多地是在傳統(tǒng)指標的基礎(chǔ)上加入現(xiàn)金流指標，鮮少對其進行單獨考察，故選擇建立完整的現(xiàn)金流指標體系來構(gòu)建財務(wù)預(yù)警模型是很有必要的。至于預(yù)警模型的選擇，Z值模型引發(fā)了多元判定模型的應(yīng)用熱潮，其后，Ohlson最早將Logistic回歸模型應(yīng)用于財務(wù)預(yù)警模型，國內(nèi)首次引用Logistic回歸模型的是陳曉等，預(yù)測準確率達到73.68%;吳世農(nóng)、盧賢義發(fā)現(xiàn)同等條件下，Logistic模型的誤判率最低。隨著計算機技術(shù)以及人工智能的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)、支持向量機等也逐漸被用于財務(wù)預(yù)警領(lǐng)域，但這類方法在優(yōu)勢之余，也呈現(xiàn)出其“黑箱系統(tǒng)”難以被理解、樣本容量要求過大等缺陷[ 7 ]。

除此之外，學(xué)術(shù)界對財務(wù)危機的定義尚存在一些異議，Ross從企業(yè)經(jīng)營失敗、法定破產(chǎn)、技術(shù)破產(chǎn)和會計破產(chǎn)四個維度來定義財務(wù)危機。實際操作中，國內(nèi)學(xué)者大多選用被ST的企業(yè)作為財務(wù)危機樣本，但呂峻[ 8 ]將財務(wù)危機的標準界定為因到期不歸還借款被提起訴訟、因債務(wù)重組低價出售資產(chǎn)等。李秉祥[ 9 ]選擇了資不抵債的公司作為財務(wù)危機對象。王曉光和陳潔[ 10 ]則認為公司出現(xiàn)粉飾利潤的現(xiàn)象可視為出現(xiàn)財務(wù)危機。王秀麗等[ 11 ]在其研究中結(jié)合上述定義，對財務(wù)危機樣本進行了擴充，定義了五種危機類型，并且發(fā)現(xiàn)低價出售資產(chǎn)占比為43.55%，被特別處理的占比為27.42%，側(cè)面反映了擴充危機樣本的定義還是很有必要的。

三、模型介紹

由于Logistic模型在財務(wù)危機預(yù)警模型中的預(yù)測準確率高，也更符合實際經(jīng)濟狀況，適合解決0—1回歸問題，故本文選擇以此來構(gòu)建財務(wù)預(yù)警模型。其原理是假設(shè)公司發(fā)生財務(wù)危機的概率為P，則P的取值范圍是[0，1]，函數(shù)表達式為：

由此得出：

其中，？茁0表示截距，？茁i表示回歸系數(shù)，xi表示各類指標。理論上并不存在最優(yōu)分割臨界值，大多數(shù)研究者都采用0.5，即當(dāng)計算出的P值大于0.5時，判斷為危機企業(yè)，小于0.5，則為正常企業(yè)。但本文為得到更好的預(yù)警效果，參照張潔[ 12 ]的研究，特針對臨界點進行了反復(fù)測試，從而確定最佳臨界值。

四、實證分析

（一）樣本及指標選擇

1.樣本選擇

本文參照王秀麗等的定義，并結(jié)合實際，考慮到當(dāng)公司出現(xiàn)拍賣資產(chǎn)或者資金被凍結(jié)的情況時，通常也是陷入財務(wù)危機的前兆，故在此將財務(wù)危機樣本定義如下：（1）被ST或*ST;（2）因欠款未還被提起訴訟;（3）因債務(wù)重組低價出售資產(chǎn);（4）母公司資不抵債;（5）因虛構(gòu)利潤被違規(guī)處理;（6）拍賣資產(chǎn)或資金被凍結(jié)。

根據(jù)上述標準，本文以2002—2017年滬深兩市A股房地產(chǎn)行業(yè)上市公司為研究對象，當(dāng)公司在上述期間出現(xiàn)上述一項或多項情況時，則定義該公司發(fā)生了財務(wù)危機，發(fā)生危機當(dāng)年定義為T年，若公司在多年中連續(xù)發(fā)生財務(wù)危機，則選擇最早的一年定義為T年，同時按照1：1配對原則，選擇資產(chǎn)規(guī)模與危機公司最接近的正常公司，最終得到39家財務(wù)危機公司和39家對應(yīng)的正常公司。

鑒于財務(wù)危機的發(fā)生通常都是循序漸進的過程，即如果選擇危機發(fā)生當(dāng)年的數(shù)據(jù)建立模型，則不能達到預(yù)警效果，再參照我國ST的定義，主要是通過對上市公司連續(xù)兩年的經(jīng)營業(yè)績進行考察，故本文選擇以樣本公司T-2年（被定義為財務(wù)危機前2年）財務(wù)數(shù)據(jù)為研究對象，正常公司樣本也是選擇對應(yīng)T-2年的財務(wù)數(shù)據(jù)，例如A公司于2002年被定義為危機公司，則T-2=2000年，與之相匹配的正常公司B也選擇2000年的財務(wù)數(shù)據(jù)。為了更好地檢測模型的預(yù)警效果，本文將樣本隨機分為兩類，其中建模樣本的組成是31家危機+31家正常，檢驗樣本的組成是8家危機+8家正常。缺失值處理均選用linear trend at point方法，數(shù)據(jù)來源于CSMAR和RESSET數(shù)據(jù)庫。

2.指標選擇

參考各種相關(guān)文獻后，遵循系統(tǒng)性、針對性、重要性、可比性和易取性原則，本文從現(xiàn)金流量角度，分別從償債能力、獲現(xiàn)能力、發(fā)展能力、現(xiàn)金結(jié)構(gòu)等方面選取了18個指標，形成財務(wù)預(yù)警指標體系[ 13 ]，具體見表1。

（二）Logistic模型建立

1.顯著性檢驗

進行顯著性檢驗的目的是觀察所選的財務(wù)指標在財務(wù)危機組與正常組之間是否存在明顯差別。結(jié)合其他研究，本文的顯著性檢驗選擇先進行單變量K-S檢驗，目的是區(qū)分各指標分布是否為正態(tài)性，接下來再對滿足正態(tài)分布的指標進行獨立樣本T檢驗，不滿足正態(tài)分布的變量進行曼—惠特尼檢驗。輸出結(jié)果顯示，大部分指標通過了顯著性檢驗，其中，現(xiàn)金比率（A5）和經(jīng)營凈現(xiàn)金流與凈債務(wù)之比（A4）的區(qū)別最為顯著，這也佐證了根據(jù)本文選用的財務(wù)指標建立預(yù)警模型是有必要的。

2.相關(guān)性檢驗

為消除多重共線性的影響，本文先對18個指標進行相關(guān)性檢驗。因選用的變量均為定距型，故采用Pearson系數(shù)，由于變量過多，篇幅有限，在此不列出相關(guān)系數(shù)表。根據(jù)輸出的相關(guān)系數(shù)表發(fā)現(xiàn)：A1、B2與諸多變量的相關(guān)性較強，D1和D2、D3的相關(guān)性也很高，故去除變量A1、B2和D1，剩下15個變量進入下面的模型。為消除量綱的影響，進入模型的變量統(tǒng)一做標準化處理。

3.Logistic模型結(jié)果

（1）模型擬合優(yōu)度

對于Logistic模型，檢驗擬合優(yōu)度指標一般選用-2Log likelihood、Cox & Snell R Square、Nagelkerke R Square等指標，前者類似線性回歸中的誤差平方和，值越小表明模型擬合效果越好，后兩個是類擬合優(yōu)度指標，與線性回歸中的R2類似，值越接近1，則模型擬合效果越好。本文在操作時選擇Backward方法，表2呈現(xiàn)的都是最后一個步驟的結(jié)果。

由表2可以看出，本模型的系數(shù)綜合檢驗通過，-2Log likelihood值僅為35.860，類擬合優(yōu)度指標分別達到了0.554和0.739，說明本模型的擬合程度較高。

（2）危機臨界值的確定

分類預(yù)測表顯示的是Logistic回歸模型預(yù)測結(jié)果的準確性，系統(tǒng)默認判別點是0.5。本文利用SPSS進行多次臨界點測試，各種對比效果見表3。

假定將正常企業(yè)誤判為危機企業(yè)定義為第Ⅰ類錯誤，將危機企業(yè)誤判為正常企業(yè)定義為第Ⅱ類錯誤，則根據(jù)預(yù)警模型的作用以及實際情況來看，犯第Ⅰ類錯誤的成本要遠低于第Ⅱ類，即人們往往會更愿意接受誤判正常企業(yè)為危機企業(yè)，從而增強危機意識。所以確定最佳臨界值的標準有兩條：一是模型總體正確率最好，二是危機企業(yè)的預(yù)判正確率要盡可能高。從表3可以看出，當(dāng)臨界值取0.3之后，總體正確率一直穩(wěn)定在87.1%，高于臨界值為0.2時的85.5%，但危機企業(yè)的預(yù)判正確率卻在下降，因此綜合來看，0.3為最佳臨界值。即預(yù)測的概率大于0.3時，該企業(yè)被判斷為危機企業(yè)，否則為正常企業(yè)。

（3）Logistic回歸結(jié)果

回歸參數(shù)的顯著性水平定為0.05，Sig.值小于0.05即表明該變量通過檢驗，對是否發(fā)生財務(wù)危機有重大影響，應(yīng)該進入最終的預(yù)警模型。

根據(jù)表4，只有7個變量通過檢驗進入最終的模型，分別是A5（現(xiàn)金比率）、B1（每股經(jīng)營活動現(xiàn)金凈流量）、B4（每股投資活動現(xiàn)金凈流量）、B5（每股籌資活動現(xiàn)金凈流量）、C2（經(jīng)營活動現(xiàn)金增長率）、B6（全部現(xiàn)金回收率）、A4（經(jīng)營凈現(xiàn)金流量與凈債務(wù)之比）。在這里，因為更注重的是各個自變量對是否發(fā)生財務(wù)危機影響的相對大小，即判斷哪些財務(wù)指標更具有顯著影響，故選用標準化后的回歸系數(shù)，P為企業(yè)發(fā)生財務(wù)危機的概率。據(jù)此得出的預(yù)警模型為：

（三）模型效果檢驗

1.回代檢驗

由于SPSS提供的預(yù)測率是針對建模樣本本身的，所以如果只用建模樣本來檢測預(yù)警模型的預(yù)測準確率，可能會不太準確。為避免模型被高估，接下來選擇未參與模型建立的檢驗樣本（8家危機企業(yè)+8家正常企業(yè)）對預(yù)警模型的預(yù)警能力進行判別，回代檢驗的結(jié)果見表5。

從表5的預(yù)測結(jié)果可以看出，檢驗樣本的總體正確率達到62.5%，對危機企業(yè)的識別率達到了75%，結(jié)合建模樣本的預(yù)測率來看，本文所建立的財務(wù)預(yù)警模型統(tǒng)計效果較好，具有一定的實用性。

2.與經(jīng)典Z值模型對比檢驗

Altman提出的經(jīng)典Z值模型中的5個變量涵蓋了企業(yè)的償債、盈利和營運能力[ 14 ]，不僅在美國得到了推廣，而且被引入國內(nèi)后，在理論和實際應(yīng)用中也都受到了廣泛好評，在眾多財務(wù)預(yù)警模型中占據(jù)權(quán)威的地位，因此將本文構(gòu)建的模型與Z值模型的預(yù)警效果相比較，會在一定程度上增強本模型的可信度。Z值模型的具體表達式如下：

Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 ? ? ? ? ? （5）

上式中，各變量的含義分別是：X1是流動資本/總資產(chǎn)，X2是留存收益/總資產(chǎn)，X3是息稅前利潤/總資產(chǎn)，X4是權(quán)益市值/總負債，X5是銷售收入/總資產(chǎn)。判斷原則為：若Z值<1.81，則存在較大的破產(chǎn)風(fēng)險;若Z值> 2.675，則財務(wù)狀況良好，風(fēng)險很小;若Z值處于兩者之間，則處于灰色地帶，無法準確判斷。

為便于預(yù)測準確率的統(tǒng)計，本文對Z值模型的判斷原則稍作處理，將處于灰色地帶的企業(yè)判斷為正常企業(yè)，原因是根據(jù)我國房地產(chǎn)上市公司的實際情況，處于財務(wù)危機中的企業(yè)畢竟占少數(shù)，正常公司居多，若將處于灰色地帶的企業(yè)歸于財務(wù)危機類，則不太符合現(xiàn)實。將建模樣本和檢驗樣本的數(shù)據(jù)分別代入Z值模型之后，得到的判別結(jié)果見表6?？梢钥吹?，對于建模樣本來說，無論是危機企業(yè)的識別率還是總體正確率，Logistic模型都要遠高于Z值模型;對于檢驗樣本來說，Z值模型的總體正確率僅為50%，低于本文模型的62.5%，且就危機企業(yè)的識別率而言，Z值模型的準確率低至37.5%，本文的Logistic模型則達到75%，是可以被接受的。

關(guān)于Z值模型在此處的預(yù)警效果不是很理想，本文認為原因可能是該模型是根據(jù)美國資本市場構(gòu)建的，國內(nèi)的會計核算體系畢竟與美國有所差別，同時該模型在建立之初，未考慮行業(yè)的影響，此外，灰色地帶的存在可能也會對模型效果產(chǎn)生影響。

五、結(jié)論

本文以滬深兩市A股房地產(chǎn)行業(yè)上市公司2002—2017年期間的財務(wù)數(shù)據(jù)為研究對象，基于現(xiàn)金流量的角度選取了18個財務(wù)指標，構(gòu)建了針對我國房地產(chǎn)行業(yè)上市公司的財務(wù)預(yù)警模型。其中，對財務(wù)危機樣本的定義不再局限于ST企業(yè)，危機樣本的數(shù)量也由原來的7家擴充到39家，極大增強了本文預(yù)警模型的統(tǒng)計意義。研究結(jié)論顯示：（1）該模型的總體預(yù)警效果達到了87.1%，并且對危機企業(yè)的識別能力為96.8%，實用性較強;（2）企業(yè)的現(xiàn)金流償債能力、獲現(xiàn)能力以及發(fā)展能力對財務(wù)危機的發(fā)生具有顯著性的影響，均進入最后的模型，其中，償債能力和獲現(xiàn)能力的影響最為顯著，這一點與以往學(xué)者的研究結(jié)論是相符合的;（3）具體來說，每股經(jīng)營活動現(xiàn)金凈流量（B1）的顯著性影響是最大的，其次是經(jīng)營現(xiàn)金凈流量與凈債務(wù)之比（A4），經(jīng)營活動產(chǎn)生的現(xiàn)金流增長率（C2）也代表企業(yè)的發(fā)展能力進入模型，這表明對于我國房企來說，經(jīng)營活動產(chǎn)生現(xiàn)金流的能力是財務(wù)預(yù)警的關(guān)鍵指標，應(yīng)引起高管們的足夠重視。

此外，本文的指標體系是基于現(xiàn)金流量角度構(gòu)建的，并未考慮公司內(nèi)部治理、宏觀政策環(huán)境變化等非財務(wù)因素的影響，且由于我國目前發(fā)生財務(wù)危機現(xiàn)象的房企數(shù)量有限，導(dǎo)致樣本容量仍不夠大，以上不足也許會對預(yù)警模型的準確率有一定影響，因此筆者下一步將會嘗試將非財務(wù)指標納入模型，以構(gòu)建出效果更好的財務(wù)預(yù)警模型。

【參考文獻】

[1] ALTMAN E I. Financial ratios，discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[2] COATS P K，F(xiàn)ANT L F . Recongnizing financial distress patterns using a neural network tool[J]. Financial Management，l993（11）：52-59.

[3] BEAVER W H.Financial ratios as predictors of failure[J]. Journal of Accounting Research，1966，4（1）：71-111.

[4] 楊淑娥，徐偉剛.上市公司財務(wù)預(yù)警模型：Y分數(shù)模型的實證研究[J].中國軟科學(xué)，2003（1）：56-60.

[5] 武曉玲，喬楠楠.企業(yè)經(jīng)營活動現(xiàn)金流量與財務(wù)危機的關(guān)系研究：基于我國制造業(yè)上市公司的經(jīng)驗數(shù)據(jù)[J].山西財經(jīng)大學(xué)學(xué)報，2013（12）：113-124.

[6] 劉月，武譽，薛鵬騫.基于現(xiàn)金流量的房地產(chǎn)行業(yè)財務(wù)風(fēng)險預(yù)警研究[J].商業(yè)經(jīng)濟，2017（11）：134-135.

[7] 朱兆珍.企業(yè)生命周期視角下財務(wù)危機預(yù)警研究[D]. 東南大學(xué)博士學(xué)位論文，2016.

[8] 呂峻.基于不同指標類型的公司財務(wù)危機征兆和預(yù)測比較研究[J].山西財經(jīng)大學(xué)學(xué)報，2014（1）：103-113.

[9] 李秉祥.基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機非線性組合預(yù)測方法研究[J].管理工程學(xué)報，2005（1）：19-23.

[10] 王曉光，陳潔.引入財務(wù)重述的財務(wù)預(yù)警模型效率的實證研究[J].會計之友，2014（7）：75-78.

[11] 王秀麗，張龍?zhí)?，賀曉霞.基于合并報表與母公司報表的財務(wù)危機預(yù)警效果比較研究[J].會計研究，2017（6）：38-44.

[12] 張潔.基于現(xiàn)金流量的我國房地產(chǎn)開發(fā)企業(yè)財務(wù)風(fēng)險預(yù)警研究[D].太原理工大學(xué)碩士學(xué)位論文，2015.

[13] 徐偉，陳丹萍.財務(wù)風(fēng)險預(yù)警建模原則及幾種預(yù)警新模型[J].統(tǒng)計與決策，2016（8）：150-153.

[14] 游達明，劉亞慶.Z值財務(wù)預(yù)警模型在交通運輸業(yè)的修正與應(yīng)用[J].華東經(jīng)濟管理，2015，19（7）：9-13.