基于現(xiàn)金流的財務危機預警研究
——以制造業(yè)上市公司為例

■/ 姚之朋

一、引言

制造業(yè)是我國實體經(jīng)濟的重要支柱，根據(jù)Wind數(shù)據(jù)庫顯示，當前在我國全部A股3624家上市企業(yè)中，有2331 家屬于制造業(yè)，占比高達三分之二。我國制造業(yè)在加入WTO以后迎來了飛速發(fā)展，經(jīng)過二十多年的技術(shù)積累，正處在轉(zhuǎn)型升級的關(guān)鍵節(jié)點，面對外部貿(mào)易保護主義等因素的挑戰(zhàn)，制造業(yè)所面臨的不確定性也逐漸增加。建立財務預警體系，不僅有利于企業(yè)自身提前發(fā)現(xiàn)和應對經(jīng)營風險，還能幫助廣大投資者甄別問題企業(yè)。

我國的金融系統(tǒng)發(fā)展較晚，上市公司財務信息質(zhì)地較差，財務操縱行為屢禁不止。目前財務粉飾行為呈現(xiàn)出越來越深的隱蔽性，像“康得新”與“康美藥業(yè)”這種企業(yè)在“爆雷”前其財務指標都十分良好。但是再精心的粉飾也會露出馬腳，從其現(xiàn)金流入手往往都能看出端倪。因為相比于傳統(tǒng)指標，現(xiàn)金流指標的操縱更加困難，更能真實的反映企業(yè)的實際經(jīng)營情況，從現(xiàn)金流入手進行財務預警要比傳統(tǒng)財務指標更符合我國實際情況。

本文的創(chuàng)新點首先是將傳統(tǒng)的財務分析指標用現(xiàn)金流重構(gòu)，同時由ST 企業(yè)的定義我們知道，ST 企業(yè)是對上市公司連續(xù)兩年的財務進行考察，對于ST企業(yè)在前一年進行預測意義不大，所以本文將被ST年份定義為T年，對T-2年、T-3年、T-4年進行財務預警分析以驗證采用現(xiàn)金流指標的預警模型具有持續(xù)有效性。其次，本文將因子分析與Logistic模型結(jié)合，通過降維的思想將原指標提取成幾個相互獨立的主成分，降低以往由于原指標之間的多重共線性而導致的預測結(jié)果虛高的問題。本文還將非正常企業(yè)與正常企業(yè)的比例提高到了1∶3，相對于目前大部分采用1∶1的比例而言，更加符合現(xiàn)實情況，使預測結(jié)果更具有說服力。

二、文獻綜述

目前財務預警的研究主要分為統(tǒng)計法與非統(tǒng)計法。統(tǒng)計法主要包括單變量模型、多變量模型，非統(tǒng)計方法主要包括人工神經(jīng)網(wǎng)絡模型、支持向量機等方法。

單變量模型由Fitzpatrick（1931）首次提出并用來構(gòu)建破產(chǎn)預測模型，他將19家樣本公司分為破產(chǎn)與非破產(chǎn)兩組，發(fā)現(xiàn)凈利潤/股東權(quán)益與股東權(quán)益/負債指標預測性最高。Beaver（1966）將單變量模型系統(tǒng)用于財務預警判斷。雖然模型整體的預測準確性不高，但是單變量模型的提出與實踐對后續(xù)財務預警研究產(chǎn)生了深遠影響。

多變量模型由單變量模型演變發(fā)展而來。Altman（1968）運用多遠判別分析提出了Z-score 模型，用以判別財務危機是否發(fā)生。Martin（1977）最早將Logistic 回歸應用到財務危機預警中。Ohlson（1980）使用條件概率模型，對1970-1976 年間105家破產(chǎn)公司與2058 家正常公司建立多元logistic 回歸模型。吳世農(nóng)、盧賢義（2001）通過對比多種回歸結(jié)果后發(fā)現(xiàn)Logistic回歸的預測效果最好。

Odom（1990）將人工神經(jīng)網(wǎng)絡（ANN）首次運用到財務危機預警中，發(fā)現(xiàn)其預測效果很好。Mukherjee 等（1997）則最先提出將支持向量機（SVM）運用到企業(yè)財務預警中，隨著理論的發(fā)展，Min（2006）等還將其與遺傳算法結(jié)合，構(gòu)建出的模型均有較好的預測性。雖然人工神經(jīng)網(wǎng)絡和支持向量機等非統(tǒng)計方法有時能得出很好地預測結(jié)果，但是其方法過于抽象和操作結(jié)果隨機性很強等缺點也同樣突出。

綜合以往的研究文獻我們可以發(fā)現(xiàn)，國外對于財務預警的研究起步相對要早，也構(gòu)建了比較完整和豐富的研究體系，我國的研究成果主要是在國外基礎(chǔ)之上的拓展。在眾多方法中，Logistic回歸模型預測準確率高且穩(wěn)定，所以本文采用此方法進行財務預警模型構(gòu)建。

三、研究設(shè)計

（一）樣本選取

本文以證監(jiān)會2012年行業(yè)分類為標準，選取A股全部制造業(yè)上市公司為研究對象。為了保證數(shù)據(jù)的有效性，進行以下篩選處理：（1）將2019年被ST的企業(yè)定義為財務危機企業(yè)，剔除其中反復被ST的企業(yè)。（2）將審計師出具無保留意見的非ST 企業(yè)定義為正常企業(yè)。（3）以財務危機企業(yè)資產(chǎn)規(guī)模的百分之十為浮動，按照1：3 的比例與正常企業(yè)進行配對。（4）剔除T-2、T-3、T-4這三年中存在數(shù)據(jù)缺失的樣本，最終選取29家財務危機企業(yè)與87家正常企業(yè)，共116家樣本企業(yè)（本文數(shù)據(jù)均來自Wind數(shù)據(jù)庫）。

（二）指標選取

本文將傳統(tǒng)的財務分析通過現(xiàn)金流重構(gòu)，分別用償債能力、營運能力、成長能力、獲取現(xiàn)金能力、現(xiàn)金流結(jié)構(gòu)這五方面共選取20 個指標來構(gòu)建評價指標，具體如表1所示。

四、實證分析

（一）顯著性檢驗

本文用SPSS22.0 對T-2 年的22 個指標的數(shù)據(jù)進行K-S 檢驗，顯著性水平大于0.05 有X14、X18、X20，即這三個指標符合正態(tài)分布，可以進行獨立樣本T 檢驗，最終三個指標都通過了獨立樣本T 檢驗。對于其它16 個指標進行非參數(shù)指標的Kruskal-Wallis檢驗，當顯著性水平P值大于0.05時，予以剔除，最終剔除了X11、X15、X16、X19四個指標。

最終經(jīng)過K-S 檢驗、獨立樣本T 檢驗與非參數(shù)指標Kruskal-Wallis 檢驗后，選取了X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X12、X13、X14、X17、X18、X20共16個指標納入財務預警模型之中。

（二）因子分析法

由于通過顯著性檢驗的16 個指標可能存在多重共線性問題，通過因子分析法降維的思想，可以將原始指標綜合成幾個綜合指標來減少其之間的相關(guān)性，綜合成的新指標之間相互獨立，對于模型也同樣具有現(xiàn)實意義。

1.KMO 和Bartlett 檢驗。首先通過KMO 和Bartlett 檢驗驗證因子之間是否存在較強的相關(guān)關(guān)系，如果存在就表示適合用因子分析法進行降維處理。運用SPSS22.0 處理后得到表2 的結(jié)果，結(jié)果顯示KMO值為0.581，介于0.5到0.7之間，顯著性為0，遠小于0.05的顯著水平，因此對這16個指標進行因子分析十分合適。

表1 預警指標體系

表2 KMO和Bartlett檢驗

2.主成分提取。提取主成分后，其結(jié)果表3 所示，公因子大于1的共有6個，選取這6個為主成分，其累計貢獻率為71.51%，能較好地解釋原始指標。

3.主成分命名。通過正交旋轉(zhuǎn)后的最大方差法得到載荷矩陣觀察得到，公因子F1 中X1、X2 與X5載荷量最大，分別為0.952、0.954與0.835，因此將F1命名為償債能力因子。同理將F2命名為營運能力因子，F(xiàn)3命名為成長能力因子，F(xiàn)4命名為貨幣周轉(zhuǎn)能力因子，F(xiàn)5 命名為現(xiàn)金流結(jié)構(gòu)因子、F6 命名為銷售收現(xiàn)能力因子。

通過表4的公因子得分系數(shù)矩陣得到主成分函數(shù)：

表3 公因子特征值和貢獻率

表4 公因子得分系數(shù)矩陣

（三）預測模型構(gòu)建

我們以T-2 年正常企業(yè)與非正常企業(yè)（正常企業(yè)為0，非正常企業(yè)為1）為因變量，用因子分析法提取的六個主成分為自變量，用logistic 回歸模型采用逐步回歸法，剔除方程中不顯著的F5與F6，從而得到我們的模型。根據(jù)回歸結(jié)果得到其預測模型為（P為財務危機發(fā)生概率）：

1.擬合優(yōu)度檢驗。如模型系數(shù)的綜合檢驗顯示其顯著性水平小于0.05，說明模型對于區(qū)分危機與正常企業(yè)有意義。并且Hosmer和Lemeshow檢驗結(jié)果大于0.05，無法拒絕擬合度良好的假設(shè)，表明模型的擬合效果較好。

表5 模型系數(shù)的綜合檢驗

表6 Hosmer和Lemeshow檢驗

2.預測結(jié)果分析。經(jīng)過對三年的預測結(jié)果以不同分界點進行對比，本文最終選擇了0.4為分界點。在T-2年模型的預測準確率如表7所示。模型對正常企業(yè)的預測準確率為88.5%，對危機企業(yè)的預測準確率為69%，模型的綜合預測準確率達到了83.6%，模型的預測效果較好。

表7 預測準確性檢驗

3.預測模型檢驗。為了進一步驗證模型的有效性，本文通過對T-3與T-4年份的數(shù)據(jù)同樣進行準確性檢驗。結(jié)果顯示，在T-3年，模型的綜合預測準確率為81.9%，對正常企業(yè)預測準確率為88.5%，對危機企業(yè)預測準確率為62.1%，模型的預測結(jié)果依然良好。T-4年的綜合預測準確率為71.6%，對正常企業(yè)的預測準確率達到了77%，對危機企業(yè)的預測準確率為55.2%，預測效果有所下降，不過總體效果依然較好。

對比T-2、T-3、T-4年的預測結(jié)果可以看到，運用現(xiàn)金流進行財務預警其準確性是持續(xù)有效的，即使到T-4年其綜合準確率依然達到了百分之七十以上。公司經(jīng)營狀況的惡化往往是一個逐步的過程，經(jīng)營情況良好，現(xiàn)金流狀態(tài)穩(wěn)定的企業(yè)，往往是長期都能正常經(jīng)營的優(yōu)秀企業(yè)，而經(jīng)營狀況較差的企業(yè)，即使想方設(shè)法進行會計掩飾，其現(xiàn)金流狀況的惡化一般都會逐步顯示出來。

表8 預測準確性檢驗

五、結(jié)論

本文以滬深兩市的制造業(yè)上市公司為研究樣本，按照1∶3的比例篩選出29家財務危機樣本與87家正常企業(yè)。基于對傳統(tǒng)財務指標重構(gòu)后的20 個現(xiàn)金流指標數(shù)據(jù)，首先進行顯著性檢驗，對通過K-S檢驗的指標進行T 檢驗，沒有通過K-S 檢驗的指標進行Kruskal-Wallis 檢驗，最終篩選出16 個指標。對篩選出的指標進行因子分析，提取出六個主成分，分別命名為償債能力因子、營運能力因子、成長能力因子、貨幣周轉(zhuǎn)能力因子、現(xiàn)金流結(jié)構(gòu)因子、銷售收現(xiàn)能力因子。將六個主成分與企業(yè)財務危機類型（正常企業(yè)為0，危機企業(yè)為1）進行Logistic 回歸，最終發(fā)現(xiàn)償債能力因子、營運能力因子、成長能力因子和貨幣周轉(zhuǎn)能力因子十分顯著，進入了最終的預測模型。研究結(jié)果顯示該模型在T-2年的預測準確率為83.6%，在T-3 年的預測準確率為81.9%，在T-4 年的預測準確率為71.6%，預測準確性高且具有連續(xù)性，證明現(xiàn)金流在財務危機預警上具有連續(xù)有效性。

本文的不足之處是僅僅進行了定量研究，在公司治理等定性分析上有所欠缺，財務分析模型有待改進，從而提高總體預測能力。