基于PCA和Logisitc回歸的林業(yè)上市公司財務(wù)預(yù)警研究

王俊鵬

(南京林業(yè)大學(xué) 經(jīng)濟(jì)管理學(xué)院，南京 210037)

“十四五”以來，我國戰(zhàn)略發(fā)展的核心之一就是完善生態(tài)文明建設(shè)，建設(shè)生態(tài)文明離不開林業(yè)發(fā)展，綠水青山必須以林業(yè)為基礎(chǔ)。受內(nèi)外部因素的影響，林業(yè)企業(yè)無法避免日常經(jīng)營活動中產(chǎn)生的財務(wù)問題，久而久之會影響企業(yè)的運(yùn)營成長，使企業(yè)陷入財務(wù)困境，而財務(wù)風(fēng)險預(yù)警能及時的幫助企業(yè)財務(wù)人員和決策者發(fā)現(xiàn)并識別企業(yè)財務(wù)危機(jī)，因此對林業(yè)企業(yè)進(jìn)行財務(wù)風(fēng)險預(yù)警具有實(shí)際意義[1]。

對于財務(wù)預(yù)警，相關(guān)學(xué)者已有研究。周首華、楊濟(jì)華(1996)通過F分?jǐn)?shù)模式分析財務(wù)風(fēng)險，彌補(bǔ)了單比率分析的不足；張心林(2004)采用主成分分析法對ST公司進(jìn)行財務(wù)風(fēng)險預(yù)警，發(fā)現(xiàn)主成分分析法雖然取得了不錯的效果，但存在一些局限性；以BP神經(jīng)網(wǎng)絡(luò)為預(yù)警模型載體的方法由楊淑娥(2005)進(jìn)行了深入研究[2]，其發(fā)現(xiàn)該模型預(yù)警精度較高，拓展了預(yù)警模型的實(shí)際應(yīng)用；楊夢琳(2016)基于Z-score模型對我國造紙企業(yè)進(jìn)行財務(wù)風(fēng)險預(yù)警；在此基礎(chǔ)上，張炯(2017)同樣用Z-score模型計(jì)算林業(yè)上市企業(yè)Z值，發(fā)現(xiàn)大多數(shù)林業(yè)企業(yè)存在財務(wù)危機(jī)[3]；李長山(2018)則采用Logistic模型對制造業(yè)企業(yè)進(jìn)行預(yù)警分析[4]。結(jié)合相關(guān)文獻(xiàn)，目前針對上市企業(yè)財務(wù)預(yù)警多采用Z-score和因子分析，Logistic模型并不多見。因此本文以主成分分析法和Logistic模型為研究方法，針對林業(yè)上市企業(yè)進(jìn)行財務(wù)風(fēng)險預(yù)警。在選出樣本公司的基礎(chǔ)上，通過對企業(yè)T時期的財務(wù)狀況進(jìn)行聚類分析來判別企業(yè)是否處于財務(wù)困境，其次以企業(yè)篩選后的T-1時期的財務(wù)指標(biāo)構(gòu)建Logistic模型，最后基于模型的預(yù)測效果對林業(yè)上市公司提出相應(yīng)的建議。

1 樣本與指標(biāo)選擇

1.1 樣本選擇

目前大多數(shù)學(xué)者判定企業(yè)是否處于財務(wù)危機(jī)的依據(jù)是該企業(yè)是否為ST企業(yè)，但ST并不代表企業(yè)一定是處于財務(wù)危機(jī)，并且林業(yè)ST企業(yè)樣本量太少，不具有代表性；此外，如果企業(yè)在當(dāng)年被特殊處理，那么即便通過財務(wù)預(yù)警模型計(jì)算企業(yè)上一年度的財務(wù)數(shù)據(jù)得出企業(yè)處于財務(wù)困境的結(jié)論，投資者也不會再將該企業(yè)納入投資考慮范圍，因而本文不會將ST公司納入研究樣本。

根據(jù)呂長江(2005)[5]的上市公司財務(wù)困境判別方法，本文以經(jīng)營活動產(chǎn)生的現(xiàn)金流量凈額/流動負(fù)債、資產(chǎn)報酬率、營業(yè)利潤增長率三個能反映企業(yè)“持續(xù)經(jīng)營”要素的指標(biāo)對樣本進(jìn)行聚類分析，由于可選聚類數(shù)有限，本文采用窮舉法得出最佳聚類數(shù)為7。在將樣本公司分類為建模組和檢驗(yàn)組時，本文考慮了以下兩點(diǎn)。首先排除所有傳統(tǒng)意義上被分類財務(wù)困境的公司，排除后共計(jì)46家企業(yè)，通過聚類分析判斷企業(yè)在2020年是否處于財務(wù)困境。其次，根據(jù)聚類結(jié)果可以看出類別1、5、6屬于正常類別。類別1中營業(yè)利潤增長率為負(fù)值，財務(wù)狀況最差，因此本文將類別1中的公司視為處于財務(wù)困境中的企業(yè)，即便它們不一定存在財務(wù)危機(jī)，但鑒于該類別內(nèi)企業(yè)較差的財務(wù)狀況，投資者需要更加謹(jǐn)慎地進(jìn)行投資決策，因此將其判定為財務(wù)危機(jī)企業(yè)。類別5、6中則視為正常企業(yè)。在正常企業(yè)中抽取20家和危機(jī)企業(yè)中隨機(jī)抽取的11家企業(yè)組成建模組，剩下的15家企業(yè)為檢驗(yàn)組。

表1 聚類分析均值與結(jié)果

1.2 評價指標(biāo)選取

結(jié)合先前有關(guān)上市公司財務(wù)風(fēng)險預(yù)警和林業(yè)企業(yè)績效評價的研究，本文從債務(wù)風(fēng)險狀況、經(jīng)營現(xiàn)金流量、盈利能力、經(jīng)營增長狀況和資產(chǎn)質(zhì)量情況五個方面選出在財務(wù)風(fēng)險預(yù)警中出現(xiàn)頻率較高的24個指標(biāo)財務(wù)指標(biāo)(見表2)。Logistic模型采用樣本公司2019年的財務(wù)數(shù)據(jù)。

表2 財務(wù)指標(biāo)

為了避免部分不顯著指標(biāo)增加模型計(jì)算難度，影響模型精度，需要先對財務(wù)指標(biāo)進(jìn)行篩選。篩選程序如下，首先對樣本企業(yè)2019年的24個財務(wù)指標(biāo)進(jìn)行正態(tài)性檢驗(yàn)，若指標(biāo)符合正態(tài)分布，計(jì)算T值；若不符合，先計(jì)算不符合指標(biāo)的wilcoxon符號秩，然后進(jìn)行非參數(shù)檢驗(yàn)，最后根據(jù)指標(biāo)是否滿足顯著性水平標(biāo)準(zhǔn)，確定指標(biāo)能否作為財務(wù)預(yù)警模型變量[6]。對指標(biāo)進(jìn)行Shapiro-Wilk檢驗(yàn)，除營業(yè)利潤率和資產(chǎn)負(fù)債率外，其余22個指標(biāo)的顯著性水平均接近0，滿足顯著性水平低于0.5的要求，不服從正態(tài)分布。對不服從正態(tài)分布的指標(biāo)進(jìn)行Wilcoxon秩計(jì)算，結(jié)果表示為Z-value值，顯著性P值的判定值為0.5。

1.3 模型介紹

Logistic模型作為一種普遍應(yīng)用于機(jī)器學(xué)習(xí)的廣義線性回歸,其原理是通過自變量的線性組合來預(yù)測多類別因變量的取值。在財務(wù)風(fēng)險預(yù)警中，二元Logistic回歸屢有應(yīng)用，但針對林業(yè)上市公司卻鮮有應(yīng)用。Logistic回歸模型基本公式如下：

表3 KMO值和Bartlett球形度檢驗(yàn)

對公式化簡求解，得：

2 實(shí)證分析

2.1 KMO檢驗(yàn)

對變量進(jìn)行KMO檢驗(yàn)和Bartlett檢驗(yàn)，預(yù)警模型變量的KMO值為0.731，卡方值為938.631，df值為136，p值為0，因此剩余17個指標(biāo)較適合作因子分析[7]，因子分析效果良好。

2.2 主成分Logistic回歸

通過SPSS26.0軟件對2019年的財務(wù)指標(biāo)進(jìn)行因子降維，總方差解釋如表4所示，按照特征值大于1的要求，到主成分6時，總方差解釋的特征值小于1，變量解釋的貢獻(xiàn)率達(dá)到85.185%，共提取出5個公因子，因子分析效果良好。

表4 方差解釋表

根據(jù)2019年數(shù)據(jù)的得分系數(shù)，主成分公式即Logistic模型變量的表達(dá)式如下所示：

F1=0.041x1+0.068x2-0.055x3+0.124x5+0.116x6-0.029x7+0.144x9+0.15x10+0.141x11-0.013x12+0.133x13+0.139x14-0.024x16+0.075x20+0.036x21+0.095x22+0.044x23

F2=0.239x1+0.226x2-0.164x3+0.126x5+0.151x6+0.1x7-0.108x9-0.082x10-0.11x11-0.075x12-0.144x13-0.129x14-0.083x16-0.026x20+0.039x21+0.075x22+0.149x23

F3=-0.117x1-0.114x2+0.18x3+0.146x5+0.14x6+0.36x7+0.016x9-0.013x10+0.049x11-0.329x12+-0.0x13+0.009x14+0.474x16-0.259x20+0.043x21+0.12x22+0.082x23

F4=0.091x1+0.06x2+0.044x3+0.146x5+0.18x6+0.228x7-0.015x9-0.01x10-0.05x11+0.181x12-0.002x13-0.012x14+0.084x16+0.171x20-0.672x21+0.093x22-0.418x23

F5=0.094x1+0.224x2+0.511x3+0.002x5+0.151x6-0.229x7-0.026x9-0.033x10-0.077x11+0.479x12+0.01x13+0.008x14+0.051x16-0.372x20+0.128x21+0.344x22-0.005x23

表5 回歸結(jié)果

2.3 模型檢驗(yàn)

建模組的預(yù)測結(jié)果中，模型預(yù)測正確率達(dá)到了80.6%。為了證實(shí)模型的實(shí)際意義，檢驗(yàn)?zāi)Ｐ偷木?，將上文分類的檢測組中的15家放入模型進(jìn)行檢驗(yàn)，其中財務(wù)正常的有7家，處于財務(wù)風(fēng)險狀態(tài)的有8家。通過Logistic模型對檢驗(yàn)組2019年的主成分得分進(jìn)行計(jì)算，檢驗(yàn)結(jié)果如表6所示，正確率達(dá)到86.7%，因此模型效果較好，有不錯的實(shí)際意義。

表6 模型預(yù)測結(jié)果

3 結(jié)論及建議

3.1 結(jié)論

本文以證監(jiān)會2021年上市公司行業(yè)分類為依據(jù)，將具有林木資產(chǎn)的上中下游上市公司都納入林業(yè)上市企業(yè)范疇，在剔除ST企業(yè)和異常數(shù)據(jù)影響后，共46家公司作為研究對象。其中建模組由20家正常企業(yè)和11家困境企業(yè)組成，檢驗(yàn)組由7家正常企業(yè)和8家困境企業(yè)組成，數(shù)量比接近兩倍。本文先篩選指標(biāo)，在此基礎(chǔ)上進(jìn)行主成分Logistic回歸，得出結(jié)論如下：

①傳統(tǒng)方法認(rèn)為當(dāng)企業(yè)被特別處理時(帶上ST的帽子)，企業(yè)就處于財務(wù)危機(jī)，但是基于此依據(jù)容易導(dǎo)致特定行業(yè)下ST樣本量過少，無法進(jìn)行有效分析；其次各企業(yè)被處理的時間點(diǎn)不同，容易加劇模型誤差，導(dǎo)致分析的作用減弱。因此本文通過聚類分析來判斷企業(yè)的財務(wù)狀況，一是保證了企業(yè)財務(wù)危機(jī)的時間點(diǎn)相同，二是解決了特定行業(yè)里財務(wù)危機(jī)企業(yè)樣本量過少的問題，且經(jīng)過上文的分析，結(jié)果已經(jīng)充分證實(shí)了聚類分析在判定企業(yè)是否處于財務(wù)困境狀態(tài)下的可靠性。

②通過主成分分析可以有效的篩選變量，通過較少的計(jì)算獲得最佳的集合效果；其次主成分分析可以有效的消除變量多重共線性對Logistic模型的影響。主成分邏輯回歸使模型更加簡單易懂且更具實(shí)際意義。

③經(jīng)過檢驗(yàn)，Logistic回歸模型適用于林業(yè)上市企業(yè)的財務(wù)預(yù)警，且無論從建模組還是檢驗(yàn)組的預(yù)測結(jié)果來看，Logistic模型的預(yù)測準(zhǔn)確率都保持在了80%以上。因此在林業(yè)上市企業(yè)財務(wù)預(yù)警的實(shí)施中，Logistic回歸模型是有效的。

④從最后的模型公式可以發(fā)現(xiàn)資產(chǎn)報酬率x9、總資產(chǎn)凈利潤率x10、流動資產(chǎn)凈利潤率x11、凈資產(chǎn)收益率x13和投入資本回報率x14這五個盈利能力指標(biāo)與財務(wù)風(fēng)險P值負(fù)相關(guān)，企業(yè)盈利能力越好，第二年出現(xiàn)財務(wù)風(fēng)險的可能性就越低；同時也發(fā)現(xiàn)產(chǎn)權(quán)比率與P值正相關(guān)，因此林業(yè)上市公司的償債能力極為重要，企業(yè)應(yīng)當(dāng)注意自己的債務(wù)結(jié)構(gòu)和壓力[8]，合理舉債以保證自身的正常發(fā)展[9]。

3.2 建議

針對以上結(jié)論，本文對林業(yè)上市企業(yè)控制財務(wù)風(fēng)險，提高經(jīng)營水平提出以下建議：

①加強(qiáng)企業(yè)管理層的風(fēng)控意識，強(qiáng)化企業(yè)內(nèi)部控制體系。林業(yè)企業(yè)不同于其他行業(yè)，上游企業(yè)為重資產(chǎn)運(yùn)營模式，其林木資產(chǎn)很容易受自然環(huán)境和災(zāi)害的影響；中游和下游企業(yè)受原材料和季節(jié)性的影響較大[10]，因此林業(yè)企業(yè)需要形成比其他企業(yè)更完善的風(fēng)險意識，建立更完善的內(nèi)控制度。

②加強(qiáng)企業(yè)內(nèi)部財務(wù)管理的信息化披露。企業(yè)應(yīng)當(dāng)引入信息化的財務(wù)管理體系，進(jìn)一步降低因人為原因?qū)е碌娘L(fēng)險。財務(wù)信息應(yīng)當(dāng)及時地向內(nèi)部使用者和投資者公開，而信息化則是公開透明的保障，財務(wù)管理信息化能保障內(nèi)部財務(wù)管理的公平與公正；同時，良好地財務(wù)信息披露有助于管理層及時發(fā)現(xiàn)財務(wù)異常，提高林業(yè)上市企業(yè)管控財務(wù)風(fēng)險的能力。

③制定適應(yīng)性更強(qiáng)的財務(wù)風(fēng)險預(yù)警系統(tǒng)。本文并未考慮非財務(wù)指標(biāo)對企業(yè)財務(wù)預(yù)警的影響，也希望企業(yè)管理層在設(shè)計(jì)財務(wù)預(yù)警系統(tǒng)的同時能夠考慮到非財務(wù)指標(biāo)的影響，適當(dāng)加入環(huán)境因素、自然災(zāi)害因素等林業(yè)企業(yè)需要關(guān)注的方面。通過不斷適應(yīng)、不斷修改的財務(wù)預(yù)警模型，合理準(zhǔn)確的預(yù)測企業(yè)財務(wù)風(fēng)險，及時做出相應(yīng)的整改措施。