基于logistic模型的上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警

王宛容

摘 要：企業(yè)發(fā)展的歷程中，財(cái)務(wù)風(fēng)險(xiǎn)的防范和管控一直都是重中之重，企業(yè)究竟應(yīng)該選擇什么模型建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制才能有效發(fā)現(xiàn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，這是本文的研究核心。本文選取了我國2009-2019年A股上市的ST公司及非ST公司的財(cái)務(wù)數(shù)據(jù)，建立logistic回歸模型。實(shí)證結(jié)果證明模型的總體正確率達(dá)到85.73%，對(duì)上市公司起到了有效的預(yù)警作用，為上市公司減少甚至規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)提供了建議和方向。

關(guān)鍵詞：Logistic模型;財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警;預(yù)警模型

中圖分類號(hào)：F275? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? 文章編號(hào)：1006—7973（2021）01-0154-03

如今，我國的資本市場隨著經(jīng)濟(jì)的不斷發(fā)展而壯大，但各種風(fēng)險(xiǎn)也會(huì)隨之而來。上市公司在經(jīng)營過程中的發(fā)展和財(cái)務(wù)狀況會(huì)面臨各種風(fēng)險(xiǎn)，不僅對(duì)公司，對(duì)我國資本市場都會(huì)帶來一定影響。在如此的背景下，上市公司能建立一套行之有效的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制極為重要。若預(yù)警機(jī)制能夠及時(shí)采取相應(yīng)的措施降低甚至規(guī)避風(fēng)險(xiǎn)，不僅對(duì)公司未來的發(fā)展，乃至對(duì)我國資本市場的穩(wěn)定都有著極其重大的作用。

針對(duì)風(fēng)險(xiǎn)預(yù)警，我國學(xué)者對(duì)其研究的過程中建立了多種預(yù)警模型。黃德忠，朱超群（2016）基于2010-2013年首次被ST的上市公司以及非ST公司的數(shù)據(jù)，結(jié)果證明預(yù)警模型引入資產(chǎn)質(zhì)量指標(biāo)更為準(zhǔn)確。顧曉安，王炳蘄，李文卿（2018）以2012—2016年A股上市公司為樣本建立logistics回歸模型，并引入盈余管理財(cái)務(wù)指標(biāo)，證明引入盈余管理指標(biāo)后的財(cái)務(wù)預(yù)警模型比引入前的效果更佳。高爽（2020）采用模糊層次分析法建立層次結(jié)構(gòu)模型，證明層次結(jié)構(gòu)模型用于風(fēng)險(xiǎn)預(yù)警機(jī)制的可能性?；谏鲜鲅芯?，筆者選擇logistics模型，準(zhǔn)確率高且具備一定的現(xiàn)實(shí)指導(dǎo)意義。因此，本文建立logistics回歸模型，對(duì)企業(yè)是否會(huì)出現(xiàn)重大財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測，為企業(yè)建立財(cái)務(wù)預(yù)警機(jī)制提供借鑒。

1研究設(shè)計(jì)與模型構(gòu)建

1.1研究模型的構(gòu)建

Logistic模型的本質(zhì)是一個(gè)二分類的線性概率模型，被廣泛應(yīng)用于現(xiàn)實(shí)生活中的0-1回歸問題。而公司是否面臨財(cái)務(wù)風(fēng)險(xiǎn)，本質(zhì)也是一個(gè)二分問題，故在模型的選擇上采用Logistic回歸模型。

在這里y=（0，1）表示某一事件發(fā)生的次數(shù)，y=1表示發(fā)生，y=0表示不發(fā)生，p=P（y=1）表示事件發(fā)生的概率，ai（i=0，1，...，n）為待估參數(shù)，F(xiàn)i（i=1，...，n）為自變量。本文將ST或*ST公司賦值為0，將非ST或非*ST公司賦值為1。財(cái)務(wù)風(fēng)險(xiǎn)發(fā)生的概率臨界值取為0.5。

1.2研究樣本的選取

本文選取了2009-2019年ST公司共453家，數(shù)據(jù)的選取范圍是公司被ST的前兩年，即對(duì)應(yīng)公司2007-2017年的財(cái)務(wù)數(shù)據(jù)。另外對(duì)照樣本隨機(jī)選取了相應(yīng)年份的非ST公司，共516家非ST公司的財(cái)務(wù)數(shù)據(jù)。樣本數(shù)據(jù)的來源均為國泰君安數(shù)據(jù)庫。

1.3預(yù)警指標(biāo)的選擇

本文基于考慮數(shù)據(jù)的可比性和與財(cái)務(wù)狀況的同趨勢性，挑選以下表中的典型指標(biāo)。

2實(shí)證分析

2.1因子分析

2.1.1KMO檢驗(yàn)和Bartlett的球形度檢驗(yàn)

首先，本文對(duì)原始數(shù)據(jù)進(jìn)行KMO檢驗(yàn)和Bartlett的球形度檢驗(yàn)。在KMO檢驗(yàn)中，取樣足夠度的Kaiser-Meyer-Olkin度量達(dá)到了80.34%，因此在0.01的顯著性水平下顯著，14個(gè)原始數(shù)據(jù)可以用作因子分析的指標(biāo)。

2.1.2主成分提取

由原始的14個(gè)財(cái)務(wù)指標(biāo)計(jì)算各因子的貢獻(xiàn)率和累積貢獻(xiàn)率，得出F1-F7特征值的累積貢獻(xiàn)率已達(dá)到89.675%，即已經(jīng)包含了原始指標(biāo)的89.675%的信息，從而可以選取前7個(gè)指標(biāo)來代替14個(gè)原始指標(biāo)。

本文進(jìn)一步得到了所選出的7個(gè)因子的因子載荷矩陣，如表3。

由表3可以看到前7個(gè)因子的載荷情況如下：因子F1在X1（資產(chǎn)報(bào)酬率）、X2（總資產(chǎn)凈利潤率）和X3（凈資產(chǎn)收益率）上有較大的載荷，代表了公司的盈利能力。因子F2在X4（權(quán)益乘數(shù)）、X5（資產(chǎn)負(fù)債率）和X6（所有者權(quán)益比率）上有較大的載荷，代表的是長期償債能力。因子F3在X7（速動(dòng)比率）、X8（流動(dòng)比率）上有較大的載荷，代表的是短期償債能力。因子F4在X9（營業(yè)凈利率）、X10（營業(yè)利潤率）上有較大的載荷，代表的是主營業(yè)務(wù)盈利能力。因子F5在X11（總資產(chǎn)周轉(zhuǎn)率）、X12（股東權(quán)益周轉(zhuǎn)率）上有較大的載荷，代表的是營運(yùn)能力。因子F6在X13（營業(yè)收入現(xiàn)金凈）上有較大的載荷，代表的是現(xiàn)金流能力。因子F7在X14（凈利潤增長率）上有較大的載荷，代表的是成長能力。

2.2Logistic回歸

將因子分析得到的7個(gè)因子作為自變量，選擇向后逐步選擇法作為變量進(jìn)入模型的方式，如果變量的概率值小于0.05時(shí)，則變量進(jìn)入模型;反之，則將變量剔除。從下圖可以看出所有因子的概率值都小于0.05，于是可以把它們都放進(jìn)模型中，具體結(jié)果見表4。

由此可以得到預(yù)警模型：

在以上兩式中，p表示上市公司不會(huì)面臨財(cái)務(wù)風(fēng)險(xiǎn)的概率，1-p表示上市公司面臨財(cái)務(wù)風(fēng)險(xiǎn)的概率，F(xiàn)i（i=1，...，7）表示用來擬合模型的因子得分。根據(jù)所得到的預(yù)警模型，對(duì)原始數(shù)據(jù)以最佳判定點(diǎn)為0.5進(jìn)行回歸判定，結(jié)果見表5。

由表5可以看到，非財(cái)務(wù)危機(jī)的公司總共422個(gè)，被錯(cuò)判的有94個(gè)，判定正確率為79.25%;財(cái)務(wù)危機(jī)的359個(gè)公司中，被錯(cuò)判的有36個(gè)，判定正確率為92.14%，總體正確率達(dá)到85.73%。

3結(jié)果檢驗(yàn)

3.1因子綜合得分

本文根據(jù)上述分析，利用估計(jì)樣本公司的因子得分，進(jìn)一步得到樣本公司的綜合得分，利用綜合得分來做進(jìn)一步的檢驗(yàn)。

用累計(jì)方差得到7個(gè)因子的權(quán)重，然后利用計(jì)算出來的樣本企業(yè)的各個(gè)因子得分乘以對(duì)應(yīng)因子的權(quán)重得到樣本企業(yè)的綜合得分。經(jīng)過多次測試，發(fā)現(xiàn)將-0.09作為發(fā)生財(cái)務(wù)危機(jī)與不發(fā)生財(cái)務(wù)危機(jī)的臨界值，得到了較好的回歸結(jié)果。

進(jìn)一步的綜合得分檢驗(yàn)中，預(yù)測的正確率達(dá)到了79.04%，與表6中的回歸結(jié)果保持一致，說明回歸結(jié)果是正確的且準(zhǔn)確率較高。

3.2模型的有效性檢驗(yàn)

為了進(jìn)一步檢驗(yàn)上述實(shí)證分析結(jié)果，隨機(jī)選取2007年被ST的9家公司和2008年被ST的5家公司，以及對(duì)應(yīng)同一年中非ST的9家和5家公司作為樣本，進(jìn)行回歸分析，最佳判定點(diǎn)取0.5?；貧w結(jié)果中13家ST公司判定正確率達(dá)到了69.23%，而13家非ST公司判定的正確率達(dá)到了92.31%，總體的判定正確率為80.77%，說明模型的預(yù)測效果良好。

4研究結(jié)論及不足之處

本文通過因子分析，建立回歸模型，最后通過進(jìn)一步的檢驗(yàn)證實(shí)Logistic回歸模型對(duì)于建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制是一種行之有效的方法。

當(dāng)然，本文所建立的模型也存在一些不足之處。一方面，因?yàn)楸疚氖穷A(yù)測兩年后的公司情況，所以預(yù)測的范圍還需要進(jìn)一步擴(kuò)大。另一方面，本文進(jìn)行準(zhǔn)確預(yù)測依賴于財(cái)務(wù)數(shù)據(jù)的真實(shí)有效，而且預(yù)測的準(zhǔn)確性也會(huì)受到不同行業(yè)間的影響，但本文中并沒有將行業(yè)差異納入考慮因素。

參考文獻(xiàn)：

[1]黃德忠，朱超群.引入企業(yè)資產(chǎn)質(zhì)量指標(biāo)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型[J].財(cái)會(huì)月刊，2016（08）：48-52.

[2]楊利紅，陳琦，鄧敏.LD集團(tuán)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)及其預(yù)警研究[J].財(cái)會(huì)月刊，2017（35）：72-79.

[3]李光榮，李風(fēng)強(qiáng).基于幾種神經(jīng)網(wǎng)絡(luò)方法的公司財(cái)務(wù)風(fēng)險(xiǎn)判別研究[J].經(jīng)濟(jì)經(jīng)緯，2017，34（02）：122-127.

[4]顧曉安，王炳蘄，李文卿.Logistic財(cái)務(wù)預(yù)警模型預(yù)警正確率提升研究——引入盈余管理變量的分析[J].南京審計(jì)大學(xué)學(xué)報(bào)，2018，15（04）：45-52.

[5]高爽.模糊層次分析法下中小企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的應(yīng)用研究[J].中國商論，2020（11）：46-47.