上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型實(shí)證研究

龐紹楠 諸慧琴

【摘 要】本文以2019年滬深兩市A 股上市公司中27家ST企業(yè)和27家非ST企業(yè)為研究對(duì)象，分別從償債能力、盈利能力、營(yíng)運(yùn)能力、發(fā)展能力和現(xiàn)金流等方面選取了17個(gè)財(cái)務(wù)指標(biāo)，采用因子分析和logistics回歸分析方法建立財(cái)務(wù)預(yù)測(cè)模型，實(shí)證研究發(fā)現(xiàn)：logistic 回歸方法對(duì)企業(yè)的總體判斷準(zhǔn)確率在79.6%，另外，流動(dòng)比率、速動(dòng)比率、總資產(chǎn)凈利潤(rùn)率、凈資產(chǎn)收益率和總資產(chǎn)報(bào)酬率具有很好的預(yù)測(cè)能力，但所有的營(yíng)運(yùn)能力指標(biāo)均不顯著。

【關(guān)鍵詞】財(cái)務(wù)危機(jī)預(yù)測(cè)；因子分析法；logistics回歸分析

一、引言

隨著世界經(jīng)濟(jì)一體化、全球化發(fā)展，市場(chǎng)競(jìng)爭(zhēng)日趨激烈，從2018年開始中美貿(mào)易摩擦對(duì)我國(guó)雙邊貿(mào)易、外資和投資產(chǎn)生了負(fù)面影響，與此同時(shí)，2020年初的新冠的肺炎疫情也給我國(guó)宏觀經(jīng)濟(jì)運(yùn)行帶來(lái)較大的外部沖擊，我國(guó)的旅游業(yè)、交通運(yùn)輸業(yè)、餐飲服務(wù)業(yè)等行業(yè)首當(dāng)其沖，損失嚴(yán)重。我國(guó)企業(yè)面臨著前所未有的生存壓力，經(jīng)營(yíng)風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn)也隨之增加。很多公司被滬深交易所“特別處理”，甚至面臨退市的風(fēng)險(xiǎn)。

破產(chǎn)預(yù)測(cè)是一種對(duì)公司的財(cái)務(wù)困境進(jìn)行預(yù)測(cè)的技術(shù)，目的是評(píng)估公司財(cái)務(wù)狀況和運(yùn)營(yíng)前景。研究財(cái)務(wù)困境企業(yè)與正常企業(yè)在財(cái)務(wù)指標(biāo)上的差異性，建立風(fēng)險(xiǎn)預(yù)警模型，能夠幫助公司進(jìn)行有效地管理與控制風(fēng)險(xiǎn)，為管理層、投資者、債權(quán)人、金融機(jī)構(gòu)等提供決策依據(jù)和參考意見，是上市公司致力尋求的有效風(fēng)險(xiǎn)管理舉措。

本文基于國(guó)內(nèi)外現(xiàn)有公司破產(chǎn)預(yù)測(cè)模型，以54家非金融上市公司為研究對(duì)象，選取17個(gè)財(cái)務(wù)指標(biāo)，采用Logistic方法建立企業(yè)財(cái)務(wù)困境預(yù)警回歸模型進(jìn)行實(shí)證分析。

二、文獻(xiàn)綜述

Martin（1977）最早將Logistic回歸模型引入企業(yè)破產(chǎn)預(yù)測(cè)模型研究領(lǐng)域，他發(fā)現(xiàn)Logistic回歸模型對(duì)樣本數(shù)據(jù)的要求較低，適用性更廣，并將其應(yīng)用到銀行破產(chǎn)預(yù)測(cè)中。

Ohlson（1980）提出的Logistic回歸模型是被引用最廣泛的，他研究發(fā)現(xiàn)Logistic回歸模型克服了多判別分析的問(wèn)題，資產(chǎn)規(guī)模、財(cái)務(wù)結(jié)構(gòu)、績(jī)效和流動(dòng)性是影響破產(chǎn)概率的最重要因素。

Liang（2003）比較了兩種廣泛使用的判別分析和邏輯回歸分析技術(shù)，并得出結(jié)論：邏輯回歸具有比多重判別分析更好的預(yù)測(cè)能力。

Alifiah（2014）在預(yù)測(cè)馬來(lái)西亞貿(mào)易和服務(wù)業(yè)財(cái)務(wù)困境公司的研究中，使用宏觀經(jīng)濟(jì)變量和財(cái)務(wù)比率作為自變量。根據(jù)Logit分析的結(jié)果，該研究確定了營(yíng)業(yè)額比率，債務(wù)比率，總資產(chǎn)與營(yíng)運(yùn)資金比率，凈收入與總資產(chǎn)比率以及基本貸款利率這些變量有較強(qiáng)預(yù)測(cè)力。

Agrawal & Maheshwari（2019）研究發(fā)現(xiàn)敏感性變量行業(yè)beta值對(duì)破產(chǎn)會(huì)產(chǎn)生影響，高敏感性會(huì)導(dǎo)致破產(chǎn)的可能性增加。

受到國(guó)內(nèi)發(fā)展的制約，相較于國(guó)外，我國(guó)企業(yè)危機(jī)預(yù)測(cè)模型的研究起步較晚。

吳世農(nóng)、盧賢義（2001）發(fā)現(xiàn)多元線性回歸分析、Fisher判別分析、Logistic回歸分析均是比較準(zhǔn)確的企業(yè)破產(chǎn)預(yù)測(cè)方法，但與其他兩種多變量模型相比，Logistic模型的判斷準(zhǔn)確率更高。

陳良華（2005）引入了非財(cái)務(wù)指標(biāo)建立了Logistic回歸模型，研究得出第一大股東的持股比例、獨(dú)立董事比例與企業(yè)破產(chǎn)財(cái)務(wù)困境的發(fā)生是具有顯著性的。

解秀玉（2013）以中小企業(yè)為研究對(duì)象，使用因子分析法建立了Logistic回歸模型。研究得出，越接近破產(chǎn)日期，財(cái)務(wù)困境的誤判率越小。

祁新、柏廣才（2019）基于創(chuàng)新視角研究發(fā)現(xiàn)引入創(chuàng)新能力指標(biāo)構(gòu)建的財(cái)務(wù)危機(jī)預(yù)警模型，具有更高的預(yù)測(cè)準(zhǔn)確率。

Logistic回歸模型簡(jiǎn)單易構(gòu)，沒(méi)有嚴(yán)格的前提假設(shè)，并且對(duì)小樣本數(shù)據(jù)也可準(zhǔn)確預(yù)測(cè)，因此眾多學(xué)者都樂(lè)于使用該模型對(duì)企業(yè)破產(chǎn)危機(jī)進(jìn)行預(yù)測(cè)，且效果良好。基于此，本文將運(yùn)用Logistic回歸模型對(duì)企業(yè)破產(chǎn)進(jìn)行預(yù)測(cè)研究。

三、研究方法

（一）樣本選擇

本文從我國(guó)上市公司中選取了2019年ST 企業(yè)27家和非ST 企業(yè)27家作為配對(duì)樣本進(jìn)行研究。以2018年的財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)，建立T-1年（2018）的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型來(lái)預(yù)測(cè)企業(yè)的風(fēng)險(xiǎn)情況。

（二）指標(biāo)選取

結(jié)合我國(guó)上市公司的財(cái)務(wù)危機(jī)特征，參考各種相關(guān)文獻(xiàn)后，遵循系統(tǒng)性、針對(duì)性、重要性、可比性和易取性原則，本文分別從償債能力、盈利能力、營(yíng)運(yùn)能力、發(fā)展能力和現(xiàn)金流等方面選取了17個(gè)財(cái)務(wù)指標(biāo)，形成指標(biāo)體系，具體見表1。

四、實(shí)證研究

（一）描述性統(tǒng)計(jì)

從描述性統(tǒng)計(jì)可以看出，ST公司與非ST公司之間有許多財(cái)務(wù)指標(biāo)存在很大差異，例如利息保障倍數(shù)、凈資產(chǎn)收益率、凈利潤(rùn)增長(zhǎng)率、銷售凈現(xiàn)率等財(cái)務(wù)指標(biāo)。

（二）正態(tài)性檢驗(yàn)

本文對(duì)17個(gè)指標(biāo)使用K- S檢驗(yàn)進(jìn)行正態(tài)性檢驗(yàn)，計(jì)算KolmogorovSmirnov，僅有現(xiàn)金流量流動(dòng)負(fù)債比率一個(gè)財(cái)務(wù)變量p>0.05，服從正態(tài)分布，進(jìn)行T檢驗(yàn)；其余變量p均小于0.05，不服從正態(tài)分布，進(jìn)行Wilcoxon符號(hào)秩檢驗(yàn)。

（三）顯著性檢驗(yàn)

現(xiàn)金流量流動(dòng)負(fù)債（X17）服從正態(tài)分布，對(duì)其進(jìn)行兩獨(dú)立樣本T檢驗(yàn)，在均值方程的T檢驗(yàn)中，兩樣本獨(dú)立樣本T檢驗(yàn)值為-2.485，自由度為52，雙側(cè)檢驗(yàn)顯著性概率為0.016 < 0.05，因此可以判定ST公司和非ST公司在現(xiàn)金流量流動(dòng)負(fù)債指標(biāo)上存在顯著性差異。

對(duì)其余指標(biāo)變量進(jìn)行M a n n - Whitney U非參數(shù)檢驗(yàn)：資產(chǎn)負(fù)債率（X1）、流動(dòng)比率（X2）、速動(dòng)比率（X3）、利息保障倍數(shù)（X4）、總資產(chǎn)凈利潤(rùn)率（X6）、凈資產(chǎn)收益率（X7）、銷售凈利率（X8）、總資產(chǎn)報(bào)酬率（X9）、總資產(chǎn)增長(zhǎng)率（X14）、凈利潤(rùn)增長(zhǎng)率（X15）等變量可以顯著區(qū)分ST公司和正常公司。

通過(guò)顯著性檢驗(yàn)，篩選出了除X5、X10、X11、X12、X13、X16以外的11個(gè)財(cái)務(wù)變量，可以利用這11個(gè)變量建立財(cái)務(wù)危機(jī)預(yù)測(cè)模型。

（四）因子分析

1、KMO 檢驗(yàn)

雖然已經(jīng)篩選出了11個(gè)指標(biāo)變量，但在模型構(gòu)建過(guò)程中將11個(gè)變量全部采用會(huì)產(chǎn)生較大的運(yùn)算量，繼續(xù)提取出剩余11個(gè)財(cái)務(wù)指標(biāo)變量的公共因子，選取出信息量高、相關(guān)性低的變量。對(duì)剩下的指標(biāo)進(jìn)行KMO和Bartlett 球形檢驗(yàn)，結(jié)果如表2所示。

通過(guò)表2中數(shù)據(jù)可知，KMO 值分布為0.613，表示變量自檢的相關(guān)性，而Bartlett球形度檢驗(yàn)中，顯著性為0，達(dá)到了顯著水平，表示原變量之間具有明顯的結(jié)構(gòu)性和相關(guān)性，可以進(jìn)行因子分析。

2、公共因子計(jì)算

表3為11個(gè)財(cái)務(wù)候選指標(biāo)的公共因子特征值、貢獻(xiàn)率計(jì)算結(jié)果。由表3可知，前3個(gè)公共因子能解釋所有變量的73.488%，且特征值均大于1，本文選擇前3個(gè)公共因子作為財(cái)務(wù)候選指標(biāo)的替代變量，將其分別記為F1、F2、F3。

3、載荷系數(shù)計(jì)算

表4為11個(gè)原有的財(cái)務(wù)指標(biāo)和3個(gè)公共因子的載荷系數(shù)計(jì)算結(jié)果。若系數(shù)絕對(duì)值大于0.50，則認(rèn)為該公共因子可以由對(duì)應(yīng)變量進(jìn)行解釋。由表4可知：公共因子F1可以由X1、X4、X6、X7、X9、X14和X15解釋，反映的是企業(yè)營(yíng)業(yè)能力和發(fā)展能力信息；公共因子F2可以由X2和X3解釋，反映了企業(yè)償債能力；公共因子F3可以由X17解釋，反映了企業(yè)現(xiàn)金流信息。

4、因子得分函數(shù)

采用主成分分析法選取3個(gè)公共因子，累計(jì)貢獻(xiàn)率達(dá)73.488%，大致能夠表達(dá)原有的指標(biāo)信息。從而描述公共因子與原有模型指標(biāo)相互線性關(guān)系，根據(jù)成分得分系數(shù)矩陣，可以描述公共因子和原11個(gè)指標(biāo)之間的線性關(guān)系，得出因子得分函數(shù)：

F1=-0.226X1-0.035X2-0.054X3-0.082X4+0.221X6+0.285X7+0.120X8+0.216X9+0.182X14+0.056X15-0.219X17

F2=-0.148X1+0.469X2+0.473X3-0 . 0 4 7 X 4 - 0 . 0 3 2 X 6 - 0 . 0 3 4 X 7 -0.007X8-0.039X9-0.063X14-0.030X15+0.067X17

F 3 = 0 . 1 7 7 X 1 + 0 . 0 0 3 X 2 + 0 . 0 2 4 X 3 + 0 . 4 6 4 X 4 + 0 . 0 0 2 X 6 -0 . 1 4 2 X 7 - 0 . 0 9 4 X 8 + 0 . 0 1 3 X 9 -0.003X14+0.238X15+0.638X17

（四）Logistic回歸模型

1、模型擬合優(yōu)度

Hosmer-Lemeshow檢驗(yàn)是對(duì)模型整體擬合效果的檢驗(yàn)，如表5所示，該模型的P值大于0. 05，而且CHIINV（ 0. 05，8） = 15. 5073，大于卡方值，這說(shuō)明該模型的擬合效果良好。

2、模型準(zhǔn)確率

預(yù)測(cè)結(jié)果如表6所示：模型對(duì)樣本的整體準(zhǔn)確率達(dá)79.6%，其中對(duì)ST 企業(yè)預(yù)測(cè)的正確百分比為74.1%，而對(duì)非ST企業(yè)預(yù)測(cè)的正確百分比為85.2%。

3、Logistic 回歸結(jié)果

表7列出了模型中各變量F1、F2、F3 各自的系數(shù)以及各變量對(duì)應(yīng)的Wals統(tǒng)計(jì)量值、Sig.值。據(jù)此可以得到最終的回歸模型。

五、結(jié)論

本文運(yùn)用主成分分析法和logistic回歸分析法建立了企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，該模型克服了自變量之間的多重共線性，使logistic 回歸方法對(duì)企業(yè)的總體判斷準(zhǔn)確率在79.6% ，驗(yàn)證結(jié)果較為理想。另 外，本文發(fā)現(xiàn)流動(dòng)比率、速動(dòng)比率、總資產(chǎn)凈利潤(rùn)率、凈資產(chǎn)收益率和總資產(chǎn)報(bào)酬率具有很好的預(yù)測(cè)能力，但在本文中，營(yíng)運(yùn)能力指標(biāo)：應(yīng)收賬款周轉(zhuǎn)率、營(yíng)運(yùn)資金周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、存貨周轉(zhuǎn)率均不顯著，這與先前一些學(xué)者（解秀玉、管西三；陳芳、吳杰；石先兵等）的觀點(diǎn)不一致。

（1.邢臺(tái)學(xué)院，河北 邢臺(tái) 054000 2.全州大學(xué)，韓國(guó) 全州 55069）

參考文獻(xiàn)：

[1]陳芳，吳杰.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型比較研究[J]. 財(cái)會(huì)通訊，2017（5）.

[2]徐玉芳，邵勝華.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型設(shè)計(jì)及實(shí)證研究[J].會(huì)計(jì)之友，2017（12）.

[3]解秀玉，管西三.企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究——基于制造業(yè)數(shù)據(jù)[J].南京審計(jì)學(xué)院學(xué)報(bào)，2013（4）.