基于動態(tài)主元的Logistic模型在中小型創(chuàng)新企業(yè)財務風險預警中的應用

孟巧 范國帥 王勝男 牟必燕 張靖 周凱朋

【摘要】? 合理的財務風險預警模型對中小型創(chuàng)新企業(yè)管理預測并發(fā)現(xiàn)企業(yè)經(jīng)營情況和財務狀況的變化具有重要意義。文章基于國內(nèi)外現(xiàn)有的財務風險預警模型，選取2013—2017年度我國ST和非ST中小型創(chuàng)新企業(yè)各10家作為研究樣本，借助SPSS軟件進行單因子樣本T檢驗，剔除差異不顯著的指標，通過檢驗主成分指標，構建預警模型，分別選取ST和非ST企業(yè)各4家進行預測，根據(jù)準確率情況，以所選取的20家ST和非ST企業(yè)的共有指標作為變量，構建綜合Logistic回歸預警模型，經(jīng)過Hosmer-Lemeshow擬合優(yōu)度檢驗，反映ST和非ST企業(yè)的財務危機狀況，從而較為準確地預警企業(yè)的財務風險，幫助企業(yè)準確把控投資方向，進一步進行市場投資預測，為中小型創(chuàng)新企業(yè)的發(fā)展提供具有可行性的依據(jù)方案。

【關鍵詞】? Logistic回歸;財務風險預警;主成分分析法

【中圖分類號】? F234? 【文獻標識碼】? A? 【文章編號】? 1002-5812（2019）17-0077-05

一、引言

在我國，中小型創(chuàng)新企業(yè)對經(jīng)濟發(fā)展發(fā)揮著重要作用。目前，我國中小型創(chuàng)新企業(yè)具有數(shù)量多、分布廣的特點，生產(chǎn)線規(guī)模小，創(chuàng)新技術有限，但經(jīng)營方式多樣化，負債水平較高?，F(xiàn)如今全球經(jīng)濟逐步走向一體化，對風險抵御能力較弱的中小型創(chuàng)新企業(yè)的財務風險預警機制的有效性和可行性提出了更高標準，中小型創(chuàng)新企業(yè)在激烈的市場競爭中壓力劇增。此外，企業(yè)內(nèi)部財務風險管控能力不足、管理層治理結(jié)構不完善、資本運營結(jié)構不健全、資金投融方式不恰當和創(chuàng)新技術不獨特等問題進一步加劇了中小型創(chuàng)新企業(yè)在市場上生存并發(fā)展下去的難度，需要企業(yè)及時實施相應的防治措施。

國外研究表明，早在20世紀30年代西方學者就已經(jīng)開始對企業(yè)如何有效管理并控制財務風險危機進行了相應研究，并提出了多種多樣的財務風險預警方法和模型，一般可分為定性分析和定量分析兩種。Argenti（1977）采用管理評分法建立的財務危機成因模型得到了廣泛應用，并提出企業(yè)如何有效管理并發(fā)揮管理層的作用。Ohison（1980）采用Logistic回歸方法建立了財務危機預警模型，揭示了所研究企業(yè)的財務狀況面臨破產(chǎn)的概率分布情況。

我國學者建立的財務風險預警模型主要是以傳統(tǒng)的財務指標為基礎、以財務比率分析為主體的單變量預警模型，在研究過程中，多將財務比率和各種統(tǒng)計方法結(jié)合為多變量預警模型，使用非統(tǒng)計類方法建立財務風險預測模型。在中國知網(wǎng)上以“財務風險預警”為關鍵詞，共檢索到6 090余篇相關文獻，數(shù)據(jù)顯示我國學者從1995年開始對財務風險預警課題進行研究，并呈遞增趨勢。2008年受企業(yè)重組改革政策的影響，關于財務風險預警的課題引起了學者的廣泛關注，截至2018年底，與“財務風險預警系統(tǒng)”主題相關的文獻有411篇，“財務風險系統(tǒng)”有382篇，“預警系統(tǒng)”有317篇。

國內(nèi)外學者對Logistic回歸預警模型的研究都得到了有效驗證，并在企業(yè)發(fā)展中廣泛應用。吳笛嘉、林桂蘭（2017）通過分析新能源企業(yè)資本結(jié)構對企業(yè)績效的影響，為新能源企業(yè)如何屹立于競爭激烈的市場中提出了有效建議。此外，徐玉芳、邵勝華（2017）通過建立綜合Logistic回歸與純財務指標Logistic回歸的對比模型，驗證了綜合Logistic回歸財務風險預警模型的準確性較高。岳彩信（2012）發(fā)現(xiàn)Logistic動態(tài)分析模型的預測精度更加理想。陳芳、吳杰（2017）基于因子分析與Logistic回歸模型的對比，發(fā)現(xiàn)綜合Logistic回歸模型的判別效果更好。本文在上述研究成果的基礎上，進一步搜集財務危機企業(yè)和非財務危機企業(yè)的財務數(shù)據(jù)，通過檢驗主成分指標，構建主成分預警模型，得出該模型判別結(jié)果準確率不高的結(jié)論，進而構建Logistic回歸財務風險預警模型，并進一步研究主要的影響因素。通過檢驗預測組發(fā)現(xiàn)，本文所構建的Logistic回歸預警模型能夠及時識別財務風險和財務危機的征兆，可以為中小型創(chuàng)新企業(yè)財務風險預警提供參考。

二、中小型創(chuàng)新企業(yè)財務風險預警模型的設計

現(xiàn)代社會對中小企業(yè)財務管理的規(guī)范性和科學性要求較高，而當前眾多中小型創(chuàng)新企業(yè)達不到這一要求。本文選取企業(yè)規(guī)模、資產(chǎn)與負債結(jié)構相近、經(jīng)營業(yè)務范圍不同的20家中小型創(chuàng)新企業(yè)作為研究對象（其中ST和非ST企業(yè)各10家，ST企業(yè)為財務危機組，非ST企業(yè)為非財務危機組），利用主成分分析和Logistic回歸分析方法，對建模組樣本2013—2017年度的財務數(shù)據(jù)進行分析，分別建立財務風險預警模型。

建立財務風險預警模型的關鍵在于指標選取的科學性。因此在考慮企業(yè)實際經(jīng)營情況以及參考眾多優(yōu)秀創(chuàng)新企業(yè)選取財務風險預警指標的經(jīng)驗的基礎上，本文認為中小型創(chuàng)新企業(yè)的財務風險預警指標必須考慮企業(yè)的營運能力、盈利能力、償債能力和發(fā)展?jié)撃艿榷鄠€方面，因此，指標應包含能夠全面反映企業(yè)財務狀況和經(jīng)營狀況的信息，這是指標能否準確反映企業(yè)財務風險的基礎。本文根據(jù)企業(yè)財務風險預警指標體系，從一級指標即盈利能力、營運能力、償債能力、成長能力、現(xiàn)金流量方面，選取14個二級指標，包括每股收益、每股凈資產(chǎn)、存貨周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、應收賬款周轉(zhuǎn)率、流動比率、速動比率、資產(chǎn)負債率、營業(yè)總收入同比增長率、毛利潤、總資產(chǎn)凈利率、現(xiàn)金流量與當期債務比率、每元銷售現(xiàn)金凈流量、全部資產(chǎn)現(xiàn)金回收率。如表1所示。

三、非財務危機組企業(yè)的模型構建與檢驗

（一）單因子樣本T檢驗

在選取初始指標之后，首先對非財務危機組企業(yè)的14個二級指標分別進行單因子樣本T檢驗，找出存在顯著性差異的指標，結(jié)果如表2所示。

由檢驗結(jié)果可知：存貨周轉(zhuǎn)率X3、速動比率X7、每元銷售現(xiàn)金凈流量X13的Sig值均大于0.05，表明指標之間差異不顯著，剔除這三個指標，共得到11個參與模型構建的指標。

（二）主成分分析指標檢驗

為了減少不同指標之間的相互影響，首先對10家非財務危機組企業(yè)14個二級指標的數(shù)據(jù)進行標準化處理，然后對所得到的數(shù)據(jù)進行KMO檢驗及Bartlett球形檢驗，根據(jù)KMO檢驗系數(shù)高于0.5，Bartlett顯著性越接近于0，各指標間的相關性越強的特性，來確定數(shù)據(jù)是否適合進行主成分分析。通過對10家企業(yè)14個二級指標的數(shù)據(jù)進行處理和檢驗，結(jié)果如表3所示。KMO檢驗系數(shù)為0.793>0.5，對應的Bartlett球形檢驗統(tǒng)計量顯著性概率低于5%，適合采用主成分方法進行分析。

（三）主成分預警模型的構建

本文運用SPSS軟件對2013—2017年度10家非財務危機組企業(yè)的數(shù)據(jù)進行主成分分析，計算各主成分的特征值和貢獻率，結(jié)果如下頁表4所示?？芍?，前4個主成分的特征值均大于1，且累積貢獻率為92.357%。

運用SPSS軟件得到旋轉(zhuǎn)成分矩陣，如表5所示。

由旋轉(zhuǎn)成分矩陣可以得出4個主成分表達式：

F1=0.075X1-0.151X2+0.217X3+0.216X4-0.147X5+0.026X6+0.120X7+0.124X8+0.145X9+0.067X10+0.218X11 （1）

F2=0.242X1+0.211X2-0.058X3+0.024X4+0.163X5-0.241X6+0.078X7+0.070X8+0.193X9+0.191X10-0.033X11? ?（2）

F3=-0.170X1+0.000X2+0.120X3+0.003X4+0.290X5+0.220X6-0.543X7+0.085X8+0.008X9+0.497X10+0.197X11 （3）

F4=0.193X1-0.154X2-0.286X3-0.307X4-0.187X5+0.250X6-0.142X7+0.634X8+0.222X9-0.073X10-0.148X11 （4）

根據(jù)各主成分貢獻率，得出非財務危機組企業(yè)的財務風險主成分預警模型為：

Z=0.36799F1+0.32726F2+0.1191F3+0.10922F4 （5）

根據(jù)上述財務風險主成分預警模型表達式，并收集另外8家企業(yè)（ST和非ST企業(yè)各4家）的數(shù)據(jù)，進行標準化處理后代入公式，計算Z值，進而得出判別結(jié)果，如表7所示。

由判別結(jié)果可以看出，主成分預警模型的結(jié)果不能準確反映企業(yè)的財務風險狀況。

四、財務危機組企業(yè)的模型構建與檢驗

（一）單因子T檢驗

選取10家財務危機組企業(yè)的14個二級指標，分別進行配對樣本T檢驗，找出存在顯著性差異的指標。檢驗結(jié)果如表8所示。

單因子樣本T檢驗顯示，資產(chǎn)負債率X8、總資產(chǎn)凈利率X11、現(xiàn)金流量與當期債務比率X12、每元銷售現(xiàn)金凈流量X13、全部資金現(xiàn)金回收率X14這五個指標的Sig值均大于0.05，指標之間關系不顯著，從而剔除這5個指標，最終得到9個參與模型構建的指標。

（二）主成分分析指標檢驗

為了減少不同指標之間的相互影響，對所選取的10家財務危機組企業(yè)的14個二級指標數(shù)據(jù)進行標準化處理，通過KMO檢驗和Bartlett球形檢驗處理后的數(shù)據(jù)，以確定主成分分析是否適用于10家企業(yè)的數(shù)據(jù)。具體檢驗結(jié)果如下頁表9所示。KMO>0.5，Bartlett球形檢驗統(tǒng)計量對應的顯著性概率小于5%，說明主成分分析適用于標準化處理后的數(shù)據(jù)。

（三）主成分預警模型的構建

運用SPSS軟件對本文選取的10家財務危機組企業(yè)2013—2017年度的數(shù)據(jù)進行主成分分析，計算各主成分的特征值和貢獻率，結(jié)果如表10所示。

由表9可知，前3個主成分的特征值均大于1，且累積貢獻率達到74.98%，具有很好的詮釋作用。通過方差最大化得到旋轉(zhuǎn)成分矩陣，如表11所示。

根據(jù)旋轉(zhuǎn)成分矩陣得到3個主成分表達式：

F1=-0.401X1+0.178X2-0.054X3-0.50X4-0.570X5+0.245X6

-0.507X7+0.944X8+0.934X9 （6）

F2=0.656X1+0.935X2+0.825X3+0.227X4-0.306X5-0.259X6-0.400X7-0.193X8-0.182X9 （7）

F3=0.467X1+0.184X2-0.195X3+0.885X4+0.053X5+0.748X6+0.146X7+0.118X8+0.213X9 （8）

根據(jù)各主成分貢獻率，得出10家財務危機組企業(yè)的財務風險主成分預警模型：

Z=0.30341F1+0.26750F2+0.17888F3 （9）

根據(jù)財務風險預警模型和主成分表達式，收集另外8家企業(yè)（ST企業(yè)與非ST企業(yè)各4家）與之相關的數(shù)據(jù)，進行標準化處理后代入公式，計算Z值，進而得出判別結(jié)果，如表13所示。

可以看出，主成分預警模型的準確率不高，不能準確預測中小型創(chuàng)新企業(yè)的財務危機。

五、構建Logistic回歸預警模型

（一）模型的構建

對樣本企業(yè)2013—2017年度的數(shù)據(jù)進行整理，并分別對經(jīng)單樣本T檢驗后非財務危機組和財務危機組企業(yè)的指標進行整合，選取二者的共有指標作為變量，代入SPSS軟件進行Logistic多元回歸，在分析時，賦予財務危機組企業(yè)因變量的值為1，非財務危機組企業(yè)因變量的值為0。分析結(jié)果如表14所示。

如下頁表15所示，Sig值為1.000，大于0.05，說明Logistic回歸預警模型擬合優(yōu)度較好。

根據(jù)多元Logistic回歸分析結(jié)果得到Logistic回歸預警模型：

將建模組和檢驗組的原始指標數(shù)據(jù)代入財務風險預警模型得到P值，因為財務危機組和非財務危機組企業(yè)是按照1∶1的比例選取的，因此將判別分割點選取為0.5，即：P>0.5代表財務危機組企業(yè)，P<0.5代表非財務危機組企業(yè)。判別結(jié)果如表16所示。

可以看出，經(jīng)過Logistic回歸分析后判別結(jié)果的準確率比主成分預警模型的準確率要高，建模組高達84.51%，檢驗組高達77.29%，比主成分預警模型的準確率高出近20%，因此Logistic回歸預警模型可以更加準確地預測企業(yè)的財務風險。

（二）模型的有效性檢驗

對選取的8家財務危機組企業(yè)和非財務危機組企業(yè)2017年的財務數(shù)據(jù)進行相應的模型檢驗。首先對8家企業(yè)的指標數(shù)據(jù)進行標準化處理，然后代入Logistic回歸預警模型中，計算出回歸P值，以0.5為分界點進行判斷。樣本檢驗中對8家企業(yè)的判斷正確，準確率達到98%，預測能力較好，能夠準確地對企業(yè)的財務風險進行預警。通過擬合度檢驗，-2倍的對數(shù)似然函數(shù)的值為0，Nagekerke R2為1，說明模型擬合優(yōu)度較好，能夠準確地對企業(yè)的財務風險進行預警。

六、研究結(jié)論及相關建議

（一）研究結(jié)論

本文通過搜集財務危機企業(yè)和非財務危機企業(yè)的財務指標數(shù)據(jù)，利用單因子樣本T檢驗，剔除差異不顯著的指標，然后檢驗主成分指標，構建主成分預警模型。經(jīng)檢驗得出該模型的判別結(jié)果，建模組為65.22%，檢驗組為60.74%，準確率并不高，不能準確預測企業(yè)的財務風險，進而本文構建了Logistic回歸預警模型。構建該模型首先要對顯著性檢驗的指標體系進行主成分分析，并觀察Hosmer和Lemeshow檢驗表得到Sig值和Logistic回歸預警模型擬合優(yōu)度情況。經(jīng)檢驗，該模型的判別結(jié)果，建模組為84.51%，檢驗組為77.29%，準確率較高。

通過對兩種財務風險預警模型的實例檢驗和對比發(fā)現(xiàn)，本文所構建的Logistic回歸預警模型有助于中小型創(chuàng)新企業(yè)及時識別財務風險和財務危機的征兆，調(diào)整財務戰(zhàn)略和經(jīng)營戰(zhàn)略，以減少財務風險帶來的損失。此外，投資者也可以通過此模型來預測企業(yè)未來的財務狀況，對投資中產(chǎn)生的風險進行有效控制。

（二）相關建議

作為企業(yè)管理者，要時刻關注企業(yè)的財務活動，把握風險控制，降低企業(yè)的財務風險，可以采取如下措施：（1）提高企業(yè)的獲利能力。通過實驗研究數(shù)據(jù)發(fā)現(xiàn)，兩組企業(yè)相比，財務危機組企業(yè)的盈利能力較差，大多為負增長，并且大部分利潤為負值。因此，企業(yè)要想實現(xiàn)持續(xù)增長，必須提高獲利能力。（2）合理利用杠桿效應。本文所搜集的財務危機企業(yè)大部分是資產(chǎn)負債率較高、營業(yè)成本較高的中小型企業(yè)，這些企業(yè)的債務負擔過重，承受的財務風險較大。企業(yè)要想有效地控制這些風險，應建立多樣化的融資渠道，采取正確的融資方式，合理利用財務杠桿效應，降低企業(yè)的財務風險。（3）加強對資金的管控。企業(yè)發(fā)展的必要前提是具備充足的資金，企業(yè)應合理安排資金用途，提高資金使用率。S

【主要參考文獻】

[ 1 ] 吳笛嘉，林桂蘭，新能源龍頭企業(yè)資本結(jié)構對企業(yè)績效的影響[J].商業(yè)會計，2017，（23）：65-66.

[ 2 ] 徐玉芳，邵勝華.中小企業(yè)財務危機預警模型設計及實證研究[J].會計之友，2017，（12）：31-34.

[ 3 ] 陳芳，吳杰.中小企業(yè)財務危機預警模型比較研究——基于因子分析與Logistic回歸模型的對比[J].財會通訊，2017，（05）：106-108.

[ 4 ] 黃曉波，王慧.從公司治理視角看農(nóng)業(yè)上市公司財務風險[J].財會月刊，2017，（02）：47-54.

[ 5 ] 王藝，姚正海.制造業(yè)上市公司財務預警體系的構建及比較——基于數(shù)據(jù)挖掘技術[J].財會月刊，2016，（21）：49-55.

[ 6 ] 王慶華，楊杏.基于多分類Logistic回歸模型的企業(yè)財務風險影響因素探析[J].財會月刊，2015，（18）：64-68.

[ 7 ] 樊林堉.基于趨勢性信息改進Logistic財務預警模型[J].經(jīng)營與管理，2018，（10）：140-142.

[ 8 ] 康雨舟.基于Logistic回歸的制造業(yè)上市公司財務困境預警模型[J].現(xiàn)代經(jīng)濟信息，2018，（15）：154-157.