創(chuàng)業(yè)板上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究檢驗(yàn)

王晨

[摘 要] 創(chuàng)業(yè)板又稱二板市場(chǎng)，是對(duì)主板市場(chǎng)的重要補(bǔ)充。近年來，由于我國創(chuàng)業(yè)板市場(chǎng)在監(jiān)管方面相對(duì)主板市場(chǎng)稍顯滯后，導(dǎo)致創(chuàng)業(yè)板上市公司有發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能。為此鑒于國內(nèi)外關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究文獻(xiàn)，依照2012年頒布的《深圳證券交易所創(chuàng)業(yè)板股票上市規(guī)則》選取66家創(chuàng)業(yè)板上市公司作為研究樣本，另選30家創(chuàng)業(yè)板上市公司作為檢驗(yàn)樣本，分別構(gòu)建基于主成分分析法和Logistic回歸分析的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。實(shí)證結(jié)果表明，Logistic回歸預(yù)警精準(zhǔn)度更高，更加適用于我國創(chuàng)業(yè)板上市公司。無論對(duì)于企業(yè)經(jīng)營者或是投資者來說，本模型都可用于參考，一定程度上可以避免經(jīng)營失敗或是投資失敗造成的損失。

[關(guān)鍵詞] 財(cái)務(wù)風(fēng)險(xiǎn)；預(yù)警模型；主成分分析；Logistic回歸

[中圖分類號(hào)] F640 [文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1009-6043（2018）03-0174-03

一、引言

截止2017年10月，創(chuàng)業(yè)板共有690家上市公司，總市值達(dá)5.5萬億元。創(chuàng)業(yè)板作為我國資本市場(chǎng)的重要組成部分，其最主要的意義在于為中小型企業(yè)拓寬了融資渠道，為其發(fā)展提供了平臺(tái)，但是由于創(chuàng)業(yè)板準(zhǔn)入門檻低、成立時(shí)間短、業(yè)績(jī)不突出等特點(diǎn)，再加上在全球經(jīng)濟(jì)復(fù)蘇緩慢的背景下國際國內(nèi)市場(chǎng)瞬息萬變，導(dǎo)致上市公司在經(jīng)營上存在重大風(fēng)險(xiǎn)的可能。一旦發(fā)生風(fēng)險(xiǎn)將給企業(yè)自身、投資人、債權(quán)人造成重大損失。因此在風(fēng)險(xiǎn)發(fā)生前進(jìn)行有效防范將是重中之重。2012年《規(guī)則》的頒布針對(duì)創(chuàng)業(yè)板上市公司的退市有了明確規(guī)定，同時(shí)對(duì)于建立健全的資本市場(chǎng)運(yùn)轉(zhuǎn)體系具有重大指導(dǎo)意義。

立足于創(chuàng)業(yè)板上市公司，分別建立基于主成分分析和Logistic回歸分析財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，通過預(yù)警模型幫助企業(yè)盡早識(shí)別并規(guī)避風(fēng)險(xiǎn)。

二、文獻(xiàn)綜述

國外關(guān)于風(fēng)險(xiǎn)預(yù)警的研究最早可以追溯到上世紀(jì)30年代Fitz Patrick（1932）提出的單變量分析法。Beaver（1966）提出單變量判別模型，發(fā)現(xiàn)現(xiàn)金流量負(fù)債比與資產(chǎn)負(fù)債率最能判定公司經(jīng)營情況且距離破產(chǎn)日越近，預(yù)測(cè)越準(zhǔn)確。Altman（1968）在對(duì)制造業(yè)企業(yè)進(jìn)行財(cái)務(wù)預(yù)警時(shí)，首先使用了多重判別分析法。Ohlson（1980）最早將Logistic回歸分析引入到財(cái)務(wù)預(yù)警研究中。至此，Logistic回歸分析將風(fēng)險(xiǎn)以概率值的形式反映出來。在90年初期，隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，諸如人工智能以及神經(jīng)網(wǎng)絡(luò)等技術(shù)也被應(yīng)用到財(cái)務(wù)預(yù)警中，這些技術(shù)大大提高了預(yù)警的準(zhǔn)確性。

我國學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究大多借鑒國外經(jīng)驗(yàn)，但目前已有初步成果如陳靜（1999）認(rèn)為使用多元判定模型進(jìn)行預(yù)測(cè)其結(jié)果好于單變量模型。周首華，楊濟(jì)華，王平（1996）認(rèn)為現(xiàn)金流量指標(biāo)是對(duì)傳統(tǒng)Z模型五類具體指標(biāo)的補(bǔ)充，并提出了F分?jǐn)?shù)模型。孔寧寧，魏韶?。?010）對(duì)我國主板市場(chǎng)制造業(yè)上市公司進(jìn)行財(cái)務(wù)預(yù)警，對(duì)比Logistic回歸模型和主成分分析，認(rèn)為主成分分析預(yù)警效果更好。宋曉娜，黃業(yè)德，張峰（2016）認(rèn)為L(zhǎng)ogistic回歸分析更適用于我國制造業(yè)上市公司財(cái)務(wù)預(yù)警且準(zhǔn)確度高達(dá)90%。

綜上所述，我們認(rèn)為采用不同方式的預(yù)警模型會(huì)對(duì)預(yù)警效果產(chǎn)生一定影響。此外，樣本數(shù)量、指標(biāo)選擇以及所選行業(yè)都會(huì)對(duì)預(yù)警結(jié)果產(chǎn)生重大影響。在我國現(xiàn)階段的研究中，單變量模型依據(jù)的財(cái)務(wù)指標(biāo)過于單一，預(yù)警準(zhǔn)確度不高，而多元線性判定模型要求自變量必須符合正態(tài)分布，且樣本之間具有相等的協(xié)方差，這在無形中增加了難度。相比而下，Logistic回歸模型則不會(huì)受到假設(shè)的約束。

鑒于此，考慮到現(xiàn)有的研究主要集中在主板市場(chǎng)，對(duì)創(chuàng)業(yè)板市場(chǎng)進(jìn)行的研究案例較少。因此以創(chuàng)業(yè)板上市公司為研究對(duì)象，選擇反映企業(yè)財(cái)務(wù)狀況的償債能力、盈利能力、營運(yùn)能力、發(fā)展能力和資本結(jié)構(gòu)五大類共19個(gè)財(cái)務(wù)指標(biāo)作為財(cái)務(wù)預(yù)警指標(biāo)體系的組成要素，建立主成分分析和Logistic回歸分析兩種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型并加以驗(yàn)證。

三、研究設(shè)計(jì)

（一）研究樣本選擇

由于在2012年最新頒布的《規(guī)則》中對(duì)創(chuàng)業(yè)板上市公司的退市制度作出明確規(guī)定，加之我們主要探討的是財(cái)務(wù)方面引起的風(fēng)險(xiǎn)，故而像“被證券交易所公開譴責(zé)”的規(guī)定我們無法判斷是否完全基于財(cái)務(wù)問題，因此暫且不予考慮?；谝韵聝蓚€(gè)條件判定創(chuàng)業(yè)板上市公司可能出現(xiàn)潛在的財(cái)務(wù)風(fēng)險(xiǎn)：其一首次出現(xiàn)凈利潤為負(fù)；其二凈資產(chǎn)較上年增長(zhǎng)率為負(fù)。根據(jù)這兩個(gè)條件并按照證監(jiān)會(huì)2012年對(duì)創(chuàng)業(yè)板上市公司進(jìn)行的行業(yè)板塊分類，篩選出33家企業(yè)作為研究樣本，同時(shí)按照1：1的比例對(duì)所選企業(yè)進(jìn)行配對(duì)，共找到行業(yè)、規(guī)模與之相近的配對(duì)企業(yè)33家，并選取2014-2016年的公開數(shù)據(jù)，數(shù)據(jù)來源為巨靈數(shù)據(jù)庫。

（二）預(yù)警指標(biāo)選擇

為了能夠全面反映企業(yè)的財(cái)務(wù)狀況和經(jīng)營成果，所選擇的財(cái)務(wù)指標(biāo)涵蓋了償債能力、盈利能力、營運(yùn)能力、發(fā)展能力和資本結(jié)構(gòu)等五大類一級(jí)指標(biāo)以及19個(gè)二級(jí)指標(biāo)?，F(xiàn)根據(jù)樣本公司三年的公開數(shù)據(jù)對(duì)19個(gè)財(cái)務(wù)指標(biāo)進(jìn)行配對(duì)樣本T檢驗(yàn)，經(jīng)檢驗(yàn)共有8個(gè)財(cái)務(wù)指標(biāo)在0.05的顯著水平下通過檢驗(yàn)，分別是流動(dòng)比率（X1）、速動(dòng)比率（X2）、已獲利息倍數(shù)（X3）、應(yīng)收賬款周轉(zhuǎn)率（X4）、總資產(chǎn)周轉(zhuǎn)率（X5）、有形資產(chǎn)/總資產(chǎn)（X6）、總資產(chǎn)報(bào)酬率（X7）和銷售毛利率（X8）。最終依據(jù)8個(gè)財(cái)務(wù)指標(biāo)建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

四、模型構(gòu)建與檢驗(yàn)

（一）主成分分析預(yù)警模型構(gòu)建

為了消除不同量綱的影響，我們要對(duì)66家樣本公司的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。同時(shí)進(jìn)行KMO統(tǒng)計(jì)量與Bartlett球形檢驗(yàn)，以此來驗(yàn)證標(biāo)準(zhǔn)化后的數(shù)據(jù)能否達(dá)到主成分分析的條件。檢驗(yàn)結(jié)果顯示KMO值為0.626，Bartlett檢驗(yàn)統(tǒng)計(jì)量對(duì)應(yīng)的顯著性小于0.05，表明標(biāo)準(zhǔn)化后的數(shù)據(jù)達(dá)到主成分分析的要求。

我們運(yùn)用SPSS19.0對(duì)所選取的2014-2016年66家樣本公司的財(cái)務(wù)指標(biāo)進(jìn)行主成分分析，可以得出各主成分的特征值和貢獻(xiàn)率如表1所示。前六個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到79.045%，能夠?qū)傮w起到解釋概括作用。

（二）Logistic回歸模型構(gòu)建

運(yùn)用SPSS19.0對(duì)樣本公司數(shù)據(jù)進(jìn)行Logistic二元回歸分析，假設(shè)Y為因變量，上文提取的6個(gè)主成分為自變量，將所有的變量帶入回歸方程。在研究中將P=0.5作為是否有潛在發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)可能的臨界點(diǎn)。最后當(dāng)將檢驗(yàn)樣本帶入已建立的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型時(shí)，若輸出的P值大于0.5，代表該樣本公司運(yùn)營良好，暫無發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能；若輸出的P值小于0.5，則有發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能性，應(yīng)給予重視和防范。具體如表2所示。

（三）預(yù)警模型檢驗(yàn)

下面使用30家樣本公司檢驗(yàn)以上兩種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。首先將標(biāo)準(zhǔn)化后的檢驗(yàn)樣本財(cái)務(wù)指標(biāo)代入主成分預(yù)警模型中，計(jì)算樣本公司的預(yù)警分布值并將Z值從大到小排列。在保證判別分類錯(cuò)誤最小的前提下，樣本公司的臨界點(diǎn)定為兩類Z值分布平均數(shù)的算術(shù)平均數(shù)2.0466。即當(dāng)Z值>2.0466時(shí)，為暫無財(cái)務(wù)風(fēng)險(xiǎn)；當(dāng)Z值<2.0466時(shí)，為有潛在可能發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)。

對(duì)于Logistic回歸模型檢驗(yàn)，首先將檢驗(yàn)樣本按照是否有可能發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)分為兩類，再將選擇樣本的財(cái)務(wù)指標(biāo)標(biāo)準(zhǔn)化后得到6個(gè)主成分分值，最后將得到的主成分得分輸入到已建立的Logistic回歸模型中，計(jì)算出概率P的值，將得出的P值與臨界點(diǎn)0.5進(jìn)行對(duì)比。

導(dǎo)致錯(cuò)誤的發(fā)生有兩種可能性，其一為誤拒錯(cuò)誤，即把有潛在發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的公司看作財(cái)務(wù)運(yùn)行良好不會(huì)發(fā)生風(fēng)險(xiǎn)的健康公司；其二是誤受錯(cuò)誤，即把財(cái)務(wù)狀況良好的健康公司看作有潛在可能發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的公司。具體檢驗(yàn)結(jié)果如表3所示。

通過表3可以看出，Logistic回歸分析預(yù)警模型和主成分預(yù)警模型擁有共性特征即對(duì)于財(cái)務(wù)狀況良好的公司預(yù)警精準(zhǔn)度更高；對(duì)于有可能出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)的公司預(yù)警精準(zhǔn)度稍弱，但是從整體上看，Logistic回歸預(yù)警模型的效果更好，精準(zhǔn)度更高達(dá)到80%。

五、研究結(jié)論及不足之處

（一）研究結(jié)論

通過建立基于主成分分析法和Logistic回歸分析財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，對(duì)檢驗(yàn)樣本進(jìn)行驗(yàn)證，預(yù)警精準(zhǔn)度分別達(dá)到了70%和80%，從整體上看Logistic回歸分析預(yù)警模型效果更好。但是由于財(cái)務(wù)風(fēng)險(xiǎn)不可完全消除，只能加強(qiáng)防范，盡量將損失降到最低。

對(duì)于企業(yè)經(jīng)營者來說，要及時(shí)觀察市場(chǎng)動(dòng)態(tài)，把握政策導(dǎo)向，適時(shí)適當(dāng)?shù)卣{(diào)整經(jīng)營策略，做到防范于未然；對(duì)于投資者和債權(quán)人更要審時(shí)度勢(shì)，在提供融資或投資前盡可能多的了解企業(yè)的經(jīng)營狀況更要關(guān)注企業(yè)公開的財(cái)務(wù)數(shù)據(jù)，以此避免損失。無論對(duì)于企業(yè)經(jīng)營者或是投資者來說，本模型都可用于參考，一定程度上可以避免經(jīng)營失敗或是投資失敗造成的損失。

（二）不足之處

在樣本選擇上，僅僅以首次出現(xiàn)凈利潤為負(fù)和期末凈資產(chǎn)低于期初來判斷有潛在可能出現(xiàn)務(wù)風(fēng)險(xiǎn)，而忽略其他因素，況且我們無法保證做到上述兩方面的企業(yè)不會(huì)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)，這就導(dǎo)致我們的研究有些片面；在財(cái)務(wù)指標(biāo)的選擇上，僅僅選擇了財(cái)務(wù)指標(biāo)，沒有考慮非財(cái)務(wù)指標(biāo)對(duì)公司經(jīng)營帶來的影響；檢驗(yàn)樣本時(shí)沒能對(duì)樣本公司進(jìn)行三年的跟蹤式檢驗(yàn)，可能會(huì)影響預(yù)警精準(zhǔn)度。這些不足必然會(huì)導(dǎo)致研究結(jié)果受到一定影響，在后續(xù)的研究中將逐漸克服這些局限。

[參考文獻(xiàn)]

[1]Fitz Patrick P J. A Comparison of Successful Industrial Enterprises with Those of Failed Firms[M]. Certified Public Accountant. 1932（2）：589-605.

[2]Beaver W. Market prices，financial rations，and the prediction of failure[J]. Journal of Accounting Research. 1968：179-192.

[3]Altman E. Financial ratios，discriminant analysis and the prediction of corporate bankruptcy[J]. Journal of Finance. 1968（4）：598-609.

[4]Ohlson，James. A Financial Ratios and the Probabilistic Prediction of Bankrupt[J].Joumal of Accounting Research. 1980 18（1）：109-131.

[5]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究，1999（4）：31-38.

[6]周首華，楊濟(jì)華，王平.論財(cái)務(wù)危機(jī)的預(yù)警分析—F分?jǐn)?shù)模式[J].會(huì)計(jì)研究，1996（8）：8-11.

[7]孔寧寧，魏韶巍.基于主成分分析和Logistic回歸方法的財(cái)務(wù)預(yù)警模型比較—來自我國制造業(yè)上市公司的經(jīng)驗(yàn)證據(jù)[J].經(jīng)濟(jì)問題，2010（6）：112-116.

[8]宋曉娜，黃業(yè)德，張峰.基于Logistic和主成分分析的制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警[J].財(cái)會(huì)月刊，2016（3）：67-71.

[責(zé)任編輯：潘洪志]