我國制造業(yè)企業(yè)財務(wù)預(yù)警研究

吳想，段李合子，李宏睿

（西安歐亞學(xué)院，西安 710000）

1 引言

作為我國國民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，制造業(yè)對我國總體經(jīng)濟(jì)發(fā)展舉足輕重。在新冠肺炎疫情的持續(xù)蔓延帶來的全球高通脹背景下，正處于轉(zhuǎn)型期間的我國制造業(yè)企業(yè)面臨著來自國內(nèi)外的多重挑戰(zhàn)。自1932年美國學(xué)者Fitzpatrick 使用財務(wù)指標(biāo)作為單一變量進(jìn)行上市公司財務(wù)危機(jī)預(yù)警以來，國內(nèi)外多位學(xué)者嘗試使用不同模型對該領(lǐng)域研究不斷擴(kuò)充，1998年Ohlson 將邏輯回歸應(yīng)用于企業(yè)的財務(wù)危機(jī)預(yù)警，使用Logistic 回歸模型來克服正態(tài)分布假設(shè)等多變量預(yù)測模型中的限定問題。此后的20 余年內(nèi)，吳世農(nóng)（2001）等多位我國學(xué)者以我國公司為樣本進(jìn)行了Logistic 財務(wù)預(yù)警體系的構(gòu)建，驗證了模型對我國企業(yè)預(yù)測適用性的同時均取得了良好的效果。本文選取2020年至2021年被ST 特別處理的A 股上市公司，以其T-2年的數(shù)據(jù)作為樣本，選擇償債能力、盈利能力、發(fā)展能力、營運(yùn)能力以及現(xiàn)金流量等6 方面指標(biāo)體系構(gòu)建財務(wù)預(yù)警指標(biāo)體系。運(yùn)用K-S 檢驗、T 參數(shù)檢驗、Mann-Whitney U 非參數(shù)檢驗對指標(biāo)進(jìn)行篩選，并使用因子分析對指標(biāo)進(jìn)行降維處理，最后運(yùn)用Logistic 模型構(gòu)建了我國制造業(yè)企業(yè)財務(wù)預(yù)警模型，為企業(yè)財務(wù)預(yù)警模型的選取提供借鑒。

2 制造業(yè)企業(yè)財務(wù)預(yù)警研究樣本選取與財務(wù)指標(biāo)體系構(gòu)建

2.1 研究樣本選取

本文以上、深兩大證券交易所上市的我國A 股制造業(yè)上市公司作為研究樣本，選取2020年至2021年受到證監(jiān)會ST特別處理的38 家制造業(yè)企業(yè)，并采用1∶1 的比例對其進(jìn)行“健康”公司配比，最終選定76 家制造業(yè)企業(yè)數(shù)據(jù)進(jìn)行訓(xùn)練，以12 家制造業(yè)企業(yè)數(shù)據(jù)進(jìn)行檢測。通過對各階段學(xué)者關(guān)于財務(wù)預(yù)警相關(guān)指標(biāo)的研究進(jìn)行歸納得知，上市公司在受到證監(jiān)會ST 特別處理的前兩年數(shù)據(jù)具有可預(yù)測性，因此本文選取目標(biāo)公司T-2年的數(shù)據(jù)作為構(gòu)建與檢驗財務(wù)預(yù)警模型的訓(xùn)練樣本及檢測樣本。

2.2 財務(wù)預(yù)警指標(biāo)體系構(gòu)建

財務(wù)指標(biāo)的選取是影響財務(wù)預(yù)警模型準(zhǔn)確性及有效性的重要因素，是模型構(gòu)建的關(guān)鍵，因此本文構(gòu)建財務(wù)預(yù)警指標(biāo)模型時遵循客觀真實性原則、可操作性原則、全面性原則，以確保財務(wù)分析的準(zhǔn)確性。大部分財務(wù)預(yù)警相關(guān)研究表示，ST 公司樣本與“健康”公司樣本差異顯著，主要表現(xiàn)在其傳統(tǒng)財務(wù)指標(biāo)間的差異以及現(xiàn)金流方面的差異，更有學(xué)者引入非財務(wù)指標(biāo)，以期構(gòu)建出更為準(zhǔn)確的財務(wù)預(yù)警模型。在此基礎(chǔ)上本文從公司償債能力、營運(yùn)能力、發(fā)展能力、盈利能力以及現(xiàn)金流量等五個方面出發(fā)，結(jié)合我國制造業(yè)的特征，最終選取26 個變量作為本文財務(wù)預(yù)警指標(biāo)（見表1）。

表1 財務(wù)指標(biāo)匯總表

3 制造業(yè)企業(yè)財務(wù)預(yù)警模型構(gòu)建與檢驗

本文在財務(wù)指標(biāo)構(gòu)建過程中初步確定26 個財務(wù)預(yù)警指標(biāo)，但由于其數(shù)量過多且可能存在多重共線等問題，因此需要對數(shù)據(jù)進(jìn)行處理。本文首先通過指標(biāo)篩選選取具有辨別能力的指標(biāo)作為文章的參考依據(jù)，再通過因子分析法對各項指標(biāo)進(jìn)行降維處理，用降維后的指標(biāo)構(gòu)建Logistic 預(yù)警模型并對模型的準(zhǔn)確性進(jìn)行檢驗。

3.1 財務(wù)預(yù)警指標(biāo)篩選

本文使用SPSS 25 統(tǒng)計分析軟件，對各項指標(biāo)進(jìn)行分析。本文指標(biāo)的正態(tài)分布將會影響本文顯著性分析所選用的檢驗方法，因此通過單樣本K-S 檢驗初步判斷指標(biāo)是否符合正態(tài)分布，對于符合正態(tài)分布的指標(biāo)進(jìn)行T參數(shù)檢驗，對于不符合正態(tài)分布的指標(biāo)采取Mann-Whitney U 非參數(shù)檢驗，用以判斷其是否具有顯著性，剔除不顯著指標(biāo)。

3.1.1 K-S 檢驗

本文采用K-S 檢驗觀測樣本分布情況與設(shè)定的理論分布，并得出二者間最大偏差，判斷指標(biāo)是否存在偶然性。若漸進(jìn)顯著性（雙尾）小于0.05，拒絕原假設(shè)，該指標(biāo)初始變量不服從正態(tài)分布。若漸進(jìn)顯著性（雙尾）大于0.05，接受原假設(shè)，指標(biāo)初始變量服從原假設(shè)。表2為K-S 檢驗結(jié)果。

表2 K-S 檢驗結(jié)果

由表2可知除營業(yè)收入增長率（X14）、資產(chǎn)負(fù)債率（X18）、全部現(xiàn)金回收率（X22）3 項指標(biāo)漸進(jìn)顯著性（雙尾）大于0.05，服從正態(tài)分布，因此滿足T 檢驗條件。每股收益（X1）、資產(chǎn)報酬率（X2）、總資產(chǎn)利潤率（X3）、凈資產(chǎn)收益率（X4）、營業(yè)凈利率（X5）等23 項指標(biāo)均不服從正態(tài)分布應(yīng)采用Mann-Whitney U 非參數(shù)檢驗對其顯著性進(jìn)行判斷。

3.1.2 T 參數(shù)檢驗

T 參數(shù)檢驗主要用于檢驗兩類正態(tài)分布樣本間是否存在顯著差異，本文中符合正態(tài)分布的3 項指標(biāo)T檢驗結(jié)果如表3所示。

表3 T 參數(shù)檢驗結(jié)果

由表3可知，在0.05 的顯著水平下，營業(yè)收入增長率（X14）、全部現(xiàn)金回收率（X22）兩項指標(biāo)Sig.（雙尾）均大于0.05，資產(chǎn)負(fù)債率（X18）的Sig.（雙尾）小于0.05，因此資產(chǎn)負(fù)債率（X18）可用于預(yù)警模型中，其能夠顯著辨別兩類樣本。

3.1.3 Mann-Whitney U 非參數(shù)檢驗

使用Mann-Whitney U 非參數(shù)檢驗對其余23 項不滿足正態(tài)分布的指標(biāo)進(jìn)行分析，其分析結(jié)果如表4所示。

表4 Mann-Whitney U 非參數(shù)檢驗結(jié)果

同樣，在0.05 顯著標(biāo)準(zhǔn)下，Sig 值小于0.05 的變量可以明顯辨別兩類樣本，Sig 值大于0.05 表明兩類變量間不存在明顯差距，因此此類變量應(yīng)被剔除。由此可見，上述數(shù)據(jù)中X7、X8、X20、X21、X23、X24、X25 在0.05 顯著水平之上，其兩類公司間此類指標(biāo)無明顯差異，因此不適用于本文財務(wù)預(yù)警模型的建立。X1、X2、X3、X4、X5、X6、X9、X10、X11、X12、X13、X15、X16、X17、X19、X26 樣本分布存在顯著差異，指標(biāo)可用于財務(wù)預(yù)警模型構(gòu)建。

3.2 因子分析獲取模型自變量

通過上述分析，本文最終確定17 項指標(biāo)具有強(qiáng)相關(guān)關(guān)系，因此將這17 項指標(biāo)納入模型構(gòu)建指標(biāo)體系，但因自變量數(shù)目過多對模型結(jié)果影響較大，因此本文采用因子分析法對17 項指標(biāo)降維處理，通過KMO 檢驗和Battle 球形檢驗分析各項指標(biāo)是否能夠進(jìn)行因子分析，通過指標(biāo)的篩選優(yōu)化對財務(wù)預(yù)警指標(biāo)進(jìn)行主成分提取，將本文最終確定的17 項指標(biāo)最終轉(zhuǎn)化為少數(shù)變量替代文中原有變量，降低多指標(biāo)中信息重疊部分，減少指標(biāo)多重共線的特征，使得分析結(jié)果更為準(zhǔn)確直觀。并且通過各因子得分確定因子表達(dá)式，簡化預(yù)警模型。

3.2.1 因子KMO 與Battle 球形檢驗

本文采用KMO 與Battle 檢驗（見表5）的目的在于判斷使用因子分析法的可行性。KMO 檢驗是為了比較變量之間的簡單相關(guān)系數(shù)平方和偏相關(guān)系數(shù)平方間的數(shù)量關(guān)系，若簡單相關(guān)系數(shù)平方遠(yuǎn)大于偏相關(guān)系數(shù)平方，則KMO 接近于1。KMO 值趨近于1 說明原有變量間存在強(qiáng)相關(guān)關(guān)系，變量能夠進(jìn)行因子分析。通常將0.5 作為分析節(jié)點(diǎn)，KMO 值大于0.5則原有變量可用于因子分析，反之亦反。Battle 球形檢驗用來判斷原有變量間是否為單位矩陣，若顯著性大于0.05 則說明矩陣為單位矩陣，因子分析無法進(jìn)行。

由表5可見，KMO 值為0.773，大于0.5，說明因子分析結(jié)果較理想。Battle 球形度檢驗中顯著性為0.00，遠(yuǎn)小于0.05 說明原有變量間相關(guān)矩陣不是單位矩陣，能夠進(jìn)行因子分析。

表5 KMO 和Battle 檢驗

3.2.2 因子提取

本文利用主成分分析法，并依據(jù)特征值大于1 的原則對樣本公司各項指標(biāo)進(jìn)行分析，主成分及累計貢獻(xiàn)率如表6所示。

表6 主成分及累計貢獻(xiàn)率

由表6可知因子1 的累計貢獻(xiàn)率約為38.95%，說明該因子包含原有變量累計方差的38.95%。本文最終提取4 個公共因子，其累計貢獻(xiàn)率約為73.81%。

由于初始因子矩陣難以對公因子做出合理解釋，因此通過最大方差正交旋轉(zhuǎn)法進(jìn)行因子旋轉(zhuǎn)，由旋轉(zhuǎn)后的成分矩陣（表7）可知，F(xiàn)1 主要由反映企業(yè)盈利能力的X1、X2、X3、X4、X5、X12、X13 解釋；F2 主要由反映企業(yè)營運(yùn)能力的X9、X10解釋；F3 主要由反映企業(yè)償債能力的X15、X16、X17 及反映企業(yè)現(xiàn)金流量的X26 解釋；F4 主要由反映企業(yè)盈利能力的X6 及反映企業(yè)發(fā)展能力的X11 及反映企業(yè)償債能力的X19解釋。表8為各成分得分系數(shù)矩陣。

表7 旋轉(zhuǎn)后的成分矩陣

表8 成分得分系數(shù)矩陣

提取方法：主成分分析法；旋轉(zhuǎn)方法：凱撒正態(tài)化最大方差法。

提取方法：主成分分析法；旋轉(zhuǎn)方法：凱撒正態(tài)化最大方差法；組件得分。

由表8可得本文最終構(gòu)建的危機(jī)預(yù)警指標(biāo)有4 個，其表達(dá)式為：

F1=0.145*X1 +0.158*X2 +0.154*X3 + ...-0.005*X17 +0.089*X19-0.109*X26

F2=-0.015*X1+0.001*X2-0.016*X3+...-0.010*X17-0.175*X19+0.127*X26

F3=-0.063*X1-0.053*X2-0.026*X3+...+0.286*X17-0.434*X19+0.374*X26

F4=0.096*X1 +0.022*X2 +0.027*X3 + ...-0.110*X17-0.084*X19+0.045*X26

3.3 Logistic 財務(wù)危機(jī)預(yù)警模型構(gòu)建

本文以樣本公司是否為ST 作為因變量，考慮到Logistic回歸模型具有適用性廣、預(yù)測準(zhǔn)確性高、易操作等特點(diǎn)，因此以此構(gòu)建制造業(yè)企業(yè)財務(wù)預(yù)警模型，模型的基本形式如下。

企業(yè)發(fā)生財務(wù)預(yù)警的概率用P 表示，則轉(zhuǎn)化后的模型如下。

使用SPSS 統(tǒng)計軟件以因子分析中4 個公因子為自變量，并選取目標(biāo)公司T-2年的數(shù)據(jù)進(jìn)行二元Logistic 財務(wù)危機(jī)預(yù)警模型的構(gòu)建。選用Backward:LR 方法剔除不相關(guān)變量，并以0.5 為分割點(diǎn)進(jìn)行回歸，其結(jié)果如表9所示。由表可知最終F1～F4 均通過顯著性檢驗，其顯著值均在0.1 以下，因此本文最終構(gòu)建的財務(wù)危機(jī)預(yù)警模型為：

表9 Logistic 回歸結(jié)果

P=1/[1+exp（-2.630+13.124F1+3.317F2+2.913F3+8.969F4）]

3.4 模型結(jié)果檢驗

財務(wù)危機(jī)發(fā)生概率P 以0.5 作為臨界值，若P 小于0.5則未來該公司財務(wù)正常，若P 大于0.5 則未來該公司將會發(fā)生財務(wù)危機(jī)。概率P 值越大，則說明發(fā)生財務(wù)危機(jī)的可能性越大。本文選取2020年及2021年共計12 家上市公司，其中非ST公司6 家，ST 公司6 家作為檢驗樣本，選取其T-2年的財務(wù)數(shù)據(jù)進(jìn)行回代，其檢驗結(jié)果如下表10所示。

由表10可知，在6 家非ST公司中存在1 家判斷結(jié)果有誤，在6 家ST 公司中存在2 家判斷結(jié)果有誤。因此12 個檢測樣本中本文構(gòu)建的財務(wù)危機(jī)預(yù)警模型正確率能夠達(dá)到75%，說明該模型具有一定的實踐意義。

表10 財務(wù)預(yù)警檢驗樣本回代檢測結(jié)果

4 結(jié)論

本文以我國制造業(yè)企業(yè)為研究對象，選取2020-2021年被ST 處理的共計76 家企業(yè)作為研究樣本，通過因子分析對指標(biāo)進(jìn)行降維處理，并通過Logistic 模型進(jìn)行回歸分析，最終得出符合制造業(yè)企業(yè)特征的財務(wù)預(yù)警模型，并通過樣本回代檢驗確定模型的合理性。因此本模型可以用于初步判斷企業(yè)是否存在財務(wù)危機(jī)的可能，我國制造業(yè)企業(yè)可使用此模型對其目前的財務(wù)狀況進(jìn)行初步判斷，及時發(fā)現(xiàn)企業(yè)現(xiàn)存的問題扭轉(zhuǎn)局面。對于投資者來說，能夠通過此模型測算企業(yè)發(fā)生財務(wù)危機(jī)的可能性，以此理性投資，減少財務(wù)損失。

綜上，Logistics 回歸模型在判斷企業(yè)財務(wù)狀況方面具有一定的應(yīng)用意義，企業(yè)在建立財務(wù)預(yù)警體系時可以Logistic 模型作為選擇，判斷企業(yè)財務(wù)現(xiàn)狀，對財務(wù)危機(jī)及時作出相應(yīng)舉措。