金融科技上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警實(shí)證研究

荊雅格

摘要：本文運(yùn)用logistic回歸模型和主成份分析法對16家上市金融科技企業(yè)進(jìn)行財(cái)務(wù)預(yù)警實(shí)證分析，建立屬于金融科技企業(yè)的財(cái)務(wù)預(yù)警模型并對模型的預(yù)測準(zhǔn)確度進(jìn)行檢驗(yàn)。檢驗(yàn)顯示構(gòu)建的模型對于企業(yè)經(jīng)營危機(jī)的預(yù)判準(zhǔn)確率為可達(dá)80%，因此具財(cái)務(wù)預(yù)警相對準(zhǔn)確且有效，可在企業(yè)財(cái)務(wù)危機(jī)的萌芽狀態(tài)預(yù)先發(fā)出危機(jī)警報(bào)，為投資者、管理者提供一定的決策意見。

關(guān)鍵詞：財(cái)務(wù)預(yù)警;logistic回歸;主成份分析;金融科技

中圖分類號：F275 文獻(xiàn)識別碼：A 文章編號：2096-3157（2020）11-0050-02

一、引言和文獻(xiàn)綜述

近5年來國內(nèi)金融科技行業(yè)發(fā)展迅速，數(shù)據(jù)顯示2018年中國金融科技領(lǐng)域總投資額約473.61億美元，位列全球第一。與快速發(fā)展的行業(yè)現(xiàn)狀相比，國內(nèi)學(xué)術(shù)界對于金融科技行業(yè)的相關(guān)研究相對薄弱，與財(cái)務(wù)預(yù)警模型結(jié)合更是缺乏。財(cái)務(wù)預(yù)警模型發(fā)展時(shí)間較長，自產(chǎn)生至今已經(jīng)歷了多種模型的演變。有許多中外學(xué)者從多年來致力于其實(shí)證研究，為財(cái)務(wù)預(yù)警模型的更新?lián)Q代做出了巨大的貢獻(xiàn)。

就財(cái)務(wù)預(yù)警模型在國外的發(fā)展而言，F(xiàn)itzpatrick（1932）首次提出有關(guān)公司財(cái)務(wù)預(yù)警的模型—單變量破產(chǎn)預(yù)測模型，打開了財(cái)務(wù)預(yù)警分析的大門。Edward Altman（1968）建立了著名的五變量Z-score模型用來測試財(cái)務(wù)風(fēng)險(xiǎn)。Altman等（1977）構(gòu)建了更加適應(yīng)環(huán)境的ZETA信用風(fēng)險(xiǎn)模型，新模型可應(yīng)用領(lǐng)域更寬，對企業(yè)可能將要面臨的危機(jī)的預(yù)測精度更是大幅提高。Aziz、Emanuel和Lawson（1988）研究發(fā)現(xiàn)破產(chǎn)公司在面臨財(cái)務(wù)困境的前五年內(nèi)現(xiàn)金流量數(shù)據(jù)大多表現(xiàn)出明顯差異和異常，構(gòu)建了現(xiàn)金流量預(yù)測模型。Martin（1977）首次將Logistic模型引入財(cái)務(wù)預(yù)警分析的研究，還將Logistic回歸模型與Z模型進(jìn)行了對比，發(fā)現(xiàn)前者的預(yù)測精準(zhǔn)度遠(yuǎn)高于后者。Collies和Green（1982）認(rèn)為線性回歸模型的假設(shè)前提不滿足實(shí)際中企業(yè)的破產(chǎn)情境，建立財(cái)務(wù)預(yù)警模型只能使用Logistic回歸模型。再將視角轉(zhuǎn)回國內(nèi)。以Z-score模型為基礎(chǔ)，周守華（1996）等建立了F分?jǐn)?shù)模式。張愛民（2001）等建立了主成分模型。陳靜（1999）使用多元判定模型確定了由資產(chǎn)負(fù)債率、流動比率、凈資產(chǎn)收益率、總資產(chǎn)周轉(zhuǎn)率、營運(yùn)資本配置比率6個(gè)指標(biāo)構(gòu)造的多元模型預(yù)測精準(zhǔn)度率高達(dá)92.6%。李曉寧（2011）結(jié)合主成分分析法和Logistic回歸模型進(jìn)行了財(cái)務(wù)預(yù)警實(shí)證分析。

不難發(fā)現(xiàn)，財(cái)務(wù)預(yù)警模型的發(fā)展隨著社會經(jīng)濟(jì)的發(fā)展不斷更新，而金融科技領(lǐng)域正是近年來國內(nèi)勢頭強(qiáng)勁的行業(yè)之一，有著極強(qiáng)的未來發(fā)展優(yōu)勢，構(gòu)建有關(guān)金融科技企業(yè)的財(cái)務(wù)預(yù)警模型，減少企業(yè)陷入經(jīng)營困境的可能性對這個(gè)新興行業(yè)的健康穩(wěn)定發(fā)展有著很強(qiáng)的現(xiàn)實(shí)意義。同時(shí)將金融科技領(lǐng)域的研究與財(cái)務(wù)預(yù)警模型結(jié)合起來，既彌補(bǔ)了金融科技領(lǐng)域此方面研究的空白，又拓寬了財(cái)務(wù)預(yù)警模型在新經(jīng)濟(jì)背景、新行業(yè)下的適用性，對于這兩個(gè)領(lǐng)域的學(xué)術(shù)理論研究也有著很強(qiáng)的作用與啟發(fā)。

二、金融科技上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警實(shí)證研究

1.數(shù)據(jù)來源與變量選取

（1）數(shù)據(jù)來源。

本文的實(shí)證分析采用我國16家上市金融科技企業(yè)2010年～2018年的數(shù)據(jù)。數(shù)據(jù)來自萬德數(shù)據(jù)庫（Wind）以及各公司各年公開披露的年報(bào)，且均為原始數(shù)據(jù)。

（2）變量選取。

就自變量而言，本文初步選取能夠反映償債、盈利、營運(yùn)、成長、現(xiàn)金流量狀況、企業(yè)創(chuàng)值和股權(quán)結(jié)構(gòu)7個(gè)方面能力共21個(gè)指標(biāo)用于建立金融科技企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系。具體指標(biāo)為：流動比率、速動比率、資產(chǎn)負(fù)債率、已獲利息倍數(shù)、總資產(chǎn)凈利率、凈資產(chǎn)收益率、銷售毛利率、銷售凈利率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、流動資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)同比增長率、凈資產(chǎn)同比增長率、營業(yè)收入同比增長率、凈利潤同比增長率、現(xiàn)金流量比率、銷售凈現(xiàn)率、投入資本回報(bào)率、股權(quán)資本創(chuàng)值率、Z指數(shù)、第一大股東持股比例。

就因變量而言，相關(guān)研究人員在進(jìn)行財(cái)務(wù)預(yù)警實(shí)證研究時(shí)，一般以破產(chǎn)或ST作為區(qū)分失敗企業(yè)和正常企業(yè)的標(biāo)準(zhǔn)。但本文采用經(jīng)濟(jì)增加值（EVA）是否大于0作為判斷企業(yè)是否陷入財(cái)務(wù)困境的依據(jù)。EVA是企業(yè)調(diào)整后的稅后凈營業(yè)利潤扣除當(dāng)前投入的總資本成本后的剩余價(jià)值，其衡量的是企業(yè)經(jīng)濟(jì)價(jià)值的創(chuàng)造能力。EVA從股東的角度評價(jià)企業(yè)的業(yè)績，避免了傳統(tǒng)績效評價(jià)指標(biāo)的不足，使其評價(jià)更加客觀合理。劉芍佳和從樹海（2002）發(fā)現(xiàn)，隨著資本規(guī)模的持續(xù)擴(kuò)大，企業(yè)的EVA相較于會計(jì)利潤能較早的發(fā)現(xiàn)企業(yè)經(jīng)營狀況的下降，對于企業(yè)財(cái)務(wù)困境的預(yù)測更具有前瞻性。

2.主成份分析

（1）數(shù)據(jù)標(biāo)準(zhǔn)化與指標(biāo)篩選。

為了減小由于各指標(biāo)的性質(zhì)不同帶來的偶然性，首先使用SPSS數(shù)據(jù)分析軟件對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。為了防止財(cái)務(wù)指標(biāo)之間共線性影響到模型檢驗(yàn)的結(jié)果，首先剔除與其他指標(biāo)存在高度共線性的指標(biāo)，保留相關(guān)系數(shù)較小的13個(gè)指標(biāo)，分別為：流動比率、資產(chǎn)負(fù)債率、已獲利息倍數(shù)、銷售凈利率、應(yīng)收賬款周轉(zhuǎn)率、流動資產(chǎn)周轉(zhuǎn)率、凈資產(chǎn)同比增長率、營業(yè)收入同比增長率、凈利潤同比增長率、現(xiàn)金流量比率、銷售凈現(xiàn)率、股權(quán)資本創(chuàng)值率、第一大股東持股比例。

（2）KMO和Bartlett檢驗(yàn)。

進(jìn)行主成份分析前，首先要進(jìn)行KMO和Bartlett檢驗(yàn)以確定數(shù)據(jù)是否滿足因子分析條件。將標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行檢驗(yàn)后得到KMO值為0.573，Bartlett球性檢驗(yàn)在1%水平上顯著拒絕原假設(shè)，故可以進(jìn)行因子分析。

（3）主成份提取。

通過主成份分析我們最終提取出六個(gè)主成分，這六個(gè)主成份已經(jīng)解釋原始變量的70.256%，即已經(jīng)包含絕大部分原始變量的差異。各自的表達(dá)式分別為：

F1=-0.098X1+0.098X2+0.023X3-0.328X4+0.393X5+0.008X6-0.009X7+0.085X8-0.042X9+0.094X10-0.094X11+0.448X12+0.132X13

F2=0.007X1+0.483X2+0.055X3-0.241X4-0.002X5+0.475X6-0.035X7+0.120X8-0.244X9+0.201X10+0.132X11+0.170X12+0.016X13

F3=0.533X1+0.096X2-0.046X3-0.002X4-0.059X5+0.053X6+0.269X7-0.105X8-0.241X9+0.503X10+0.142X11+0.003X12-0.097X13

F4=-0.065X1-0.104X2+0.016X3-0.134X4-0.018X5+0.080X6-0.146X7+0.100X8+0.457X9+0.198X10+0.623X11-0.083X12+0.088X13

F5=-0.027X1-0.124X2+0.742X3+0.085X4-0.015X5+0.225X6+0.474X7-0.052X8+0.091X9-0.031X10-0.091X11+0.000X12+0.083X13

F6=0.024X1+0.210X2-0.168X3+0.131X4-0.020X5-0.063X6+0.306X7+0.648X8+0.229X9-0.141X10-0.152X11-0.080X12-0.425X13

這六個(gè)主成分可依次定義為盈利、運(yùn)營與創(chuàng)值綜合因子、資本結(jié)構(gòu)與運(yùn)營綜合因子、償債與現(xiàn)金流綜合因子、成長與現(xiàn)金流綜合因子、利息因子和主營能力因子。

3.Logistic回歸模型的建立

（1）參數(shù)設(shè)置與模型設(shè)計(jì)。

本文將EVA<0公司樣本和EVA>0公司樣本分別記為0和1，將其設(shè)為模型的因變量，以上文主成份分析得到的六個(gè)主成分為自變量，構(gòu)建 Logistic回歸模型，函數(shù)表達(dá)式為：

（2）模型建立。

使用SPSS數(shù)據(jù)分析軟件進(jìn)行Logistic回歸，本文選擇的回歸方法是Forward： LR法（基于最大似然估計(jì)的向前逐步回歸法）。最終得到財(cái)務(wù)預(yù)警模型：

該模型的系數(shù)綜合檢驗(yàn)P值為0.000，證明即模型總體有意義。該模型的擬合優(yōu)度檢驗(yàn)P值為0.063，不能拒絕根據(jù)模型得出來的預(yù)測值與實(shí)際觀測數(shù)據(jù)之間無差異這一原假設(shè)，證明當(dāng)前數(shù)據(jù)中的信息已經(jīng)被充分提取，模型擬合優(yōu)度較高。模型保留的這四個(gè)主成份都在5%的水平上顯著。因此我們可認(rèn)為模型構(gòu)建成功。

4.預(yù)警模型檢驗(yàn)

為驗(yàn)證上述構(gòu)建的財(cái)務(wù)預(yù)警模型的預(yù)測準(zhǔn)確率，我們對模型進(jìn)行檢測。將F1、F4、F5、F6帶入上述函數(shù)，計(jì)算出各企業(yè)各年發(fā)生財(cái)務(wù)危機(jī)的概率P。根據(jù)Logistic模型計(jì)算得到的概率P與真實(shí)情況，我們可繪制財(cái)務(wù)預(yù)警模型的ROC曲線如圖所示。

如圖我們可以看出構(gòu)建的財(cái)務(wù)預(yù)警模型的ROC曲線向左上方突起，曲線下面積為0.854，相對較大，證明該項(xiàng)檢驗(yàn)的診斷效能優(yōu)秀。同時(shí)P值為0，說明財(cái)務(wù)預(yù)警模型對企業(yè)是否陷入財(cái)務(wù)危機(jī)的判斷有意義。尤登指數(shù)的最大值代表著ROC曲線最靠近左上角的點(diǎn)，即敏感度和誤報(bào)率組合的相對最優(yōu)值，我們使用它預(yù)測閾值。經(jīng)過計(jì)算本模型的預(yù)測閥值為0.406，根據(jù)閾值將概率P進(jìn)行分類，結(jié)果顯示正常經(jīng)營樣本94家，Logistic回歸模型正確判正78家，特異度為 83%;財(cái)務(wù)困境樣本46家，Logistic 回歸模型正確判正34家，敏感度為74%。模型準(zhǔn)確率為80%，精確率為68%。由此可見，構(gòu)建的財(cái)務(wù)預(yù)警模型漏判率、誤判率都相對較低，模型構(gòu)建成功。

三、結(jié)語

本文運(yùn)用Logistic回歸和因子分析法對我國金融科技企業(yè)進(jìn)行財(cái)務(wù)預(yù)警實(shí)證分析，建立了屬于金融科技企業(yè)的財(cái)務(wù)預(yù)警模型并對模型的預(yù)測能力進(jìn)行檢驗(yàn)。檢驗(yàn)顯示，構(gòu)建的模型對于金融科技企業(yè)是否陷入財(cái)務(wù)困境的預(yù)測準(zhǔn)確率可達(dá)80%，誤判率與漏判率在25%左右，模型具有較強(qiáng)的財(cái)務(wù)預(yù)警能力。但事實(shí)上，企業(yè)財(cái)務(wù)數(shù)據(jù)的惡化、財(cái)務(wù)指標(biāo)的異常只是企業(yè)陷入財(cái)務(wù)困境的直觀表現(xiàn)與最終結(jié)果。盡管采取用以財(cái)務(wù)指標(biāo)為衡量標(biāo)準(zhǔn)的財(cái)務(wù)預(yù)警是合理且有效的，但我們必須承認(rèn)引發(fā)企業(yè)經(jīng)營危機(jī)的原因是復(fù)雜且多元的，除了財(cái)務(wù)因素之外，非財(cái)務(wù)因素如企業(yè)股東結(jié)構(gòu)、治理層結(jié)構(gòu)、企業(yè)經(jīng)營理念、內(nèi)部控制是否健全及有效等均是誘發(fā)企業(yè)財(cái)務(wù)危機(jī)的重要因素。因此為了減少企業(yè)陷入經(jīng)營困境的可能性、做到防范危險(xiǎn)于未然，公司必須不斷健全和優(yōu)化治理結(jié)構(gòu)，在經(jīng)營過程中不斷發(fā)現(xiàn)并糾正產(chǎn)生的問題，對財(cái)務(wù)因素和非財(cái)務(wù)因素持有同等的警惕程度，通過長時(shí)間的摸索，逐漸找到適合本企業(yè)健康發(fā)展的獨(dú)特道路。

參考文獻(xiàn)：

[1]陳靜.上市公司財(cái)務(wù)惡化預(yù)警的實(shí)證分析[J].會計(jì)研究，1999，（4）.

[2]劉芍佳，從樹海.創(chuàng)值論及其對企業(yè)績效的評估[J].經(jīng)濟(jì)研究，2002，（7）.

[3]張愛民，祝春山，許丹健.上市公司財(cái)務(wù)失敗的主成分預(yù)測模型及其實(shí)證研究[J].金融研究，2001，（3）.

[4]周守華，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].會計(jì)研究，1996，（8）.

[5]ALTMAN E I，HALDEMAN R.Zeta analysis：a new model to identify bankruptcy risk of corporations[J].Journal of Banking and Finance，1977.

[6]ALTMAN E I.Financial ratios，discriminate analysis of risk and the prediction of corporate bankruptcy[J].Journal of Finance，1968.

[7]AZIZ D C.Emanuel，LAWSON G H.Bankruptcy prediction -An investigation of cash flow based model s[J].Journal of Management Studies，1988.

[8]FITZPATRICK P J.，A comparison of ratios of successful industrial enterprises with those of failed firms[J].Certified Public Accountant，1932.

[注]北京語言大學(xué)研究生創(chuàng)新基金（中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金）項(xiàng)目成果19YCX106

作者簡介：

荊雅格，北京語言大學(xué)商學(xué)院碩士研究生;研究方向：金融統(tǒng)計(jì)與數(shù)據(jù)分析。