鄧明君,彭 韌
(1.湖南科技大學(xué) 大數(shù)據(jù)與智能決策研究中心,湖南 湘潭 411201;2.湖南科技大學(xué) 商學(xué)院,湖南 湘潭411201)
一家公司的財(cái)務(wù)穩(wěn)健對(duì)公司自身至關(guān)重要。對(duì)于投資者而言,財(cái)務(wù)困境具有負(fù)面?zhèn)鲗?dǎo)效應(yīng)[1]。一旦公司出現(xiàn)財(cái)務(wù)困境,即意味著在經(jīng)濟(jì)上處于不活躍狀態(tài)、擁有負(fù)資產(chǎn)賬戶或?yàn)l臨破產(chǎn),這可能會(huì)損害其貸款人、股東和股東貸款人的財(cái)務(wù)結(jié)構(gòu),并造成整個(gè)公司經(jīng)濟(jì)上的損失。例如,2006年開始的次貸危機(jī)不僅讓美國深受其害,并迅速波及全世界。因此,預(yù)測(cè)一家公司是否將出現(xiàn)財(cái)務(wù)危機(jī),并采取足夠的措施防止其經(jīng)營失敗,這些成為分析師的重要工作。
1990年中國A股創(chuàng)立,目前已成為全球第二大資本市場(chǎng),是全球成長(zhǎng)速度最快的資本市場(chǎng)之一。作為典型新興市場(chǎng)的中國資本市場(chǎng),上市公司的虧損面和虧損額呈逐年遞增的趨勢(shì),每年新增的ST公司數(shù)目呈上升趨勢(shì),上市公司存在的經(jīng)營業(yè)績(jī)危機(jī)及其引發(fā)的潛在市場(chǎng)風(fēng)險(xiǎn)不容忽視。2020年新增的ST公司、*ST公司、終止上市公司分別為14家、110家、20家;滬深交易所“史上最嚴(yán)”退市新規(guī)在2021年落地,這對(duì)陷入財(cái)務(wù)危機(jī)和經(jīng)營不善的公司產(chǎn)生了很大威脅。其中,觸發(fā)“1元退市新規(guī)”的上市公司有5家、觸發(fā)“期末凈資產(chǎn)為負(fù)值”的財(cái)務(wù)類退市風(fēng)險(xiǎn)警示指標(biāo)的上市公司有24家、觸發(fā)“凈利潤(rùn)為負(fù)值且營收低于1億元”的財(cái)務(wù)類退市指標(biāo)的上市公司有73家。2021年第一季度至第三季度新增的ST公司、*ST公司、終止上市公司分別為31家、73家、22家①。受各方面因素的影響,世界500強(qiáng)企業(yè)恒大集團(tuán),在2020年遭遇嚴(yán)重的債務(wù)危機(jī)。恒大集團(tuán)提交給廣東省政府的《關(guān)于懇請(qǐng)支持重大資產(chǎn)重組項(xiàng)目的情況報(bào)告》顯示,恒大集團(tuán)有息負(fù)債8 355億元,在128家金融機(jī)構(gòu)借款2 323億元,其中在民生銀行、農(nóng)業(yè)銀行、浙商銀行等的借款金額均超過百億元。根據(jù)港股恒大2020年的年報(bào),恒大資產(chǎn)總額達(dá)2.3萬億元,其中負(fù)債總額為1.95萬億元,負(fù)債率為85%。恒大巨額的債務(wù)如果出現(xiàn)問題,對(duì)國家金融系統(tǒng)的影響無疑是巨大的。因此,作為世界第二大經(jīng)濟(jì)體,從長(zhǎng)遠(yuǎn)來講,宏觀上我國要建立應(yīng)對(duì)自身金融體系的風(fēng)險(xiǎn)控制系統(tǒng),以控制未來突發(fā)事件帶來的經(jīng)濟(jì)沖擊;微觀上我國更要建立企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警機(jī)制,有效促進(jìn)實(shí)體經(jīng)濟(jì)健康發(fā)展和資本市場(chǎng)穩(wěn)定運(yùn)行。
一直以來,國外學(xué)者對(duì)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究較多,相關(guān)文獻(xiàn)主要采用兩種研究方法:一是基于市場(chǎng)的方法,該方法依賴于投資者對(duì)企業(yè)的市場(chǎng)估值。在基于市場(chǎng)的方法中,公司的股票價(jià)格被用于估計(jì)違約概率[2],即當(dāng)一家公司的市場(chǎng)價(jià)值低于一定的負(fù)債賬面價(jià)值時(shí),則認(rèn)為該公司破產(chǎn),不少學(xué)者嘗試應(yīng)用此方法來估計(jì)不同國家不同公司的違約概率[3-5]。二是基于會(huì)計(jì)的方法,該方法使用從財(cái)務(wù)報(bào)表中獲得的比率來評(píng)估企業(yè)的穩(wěn)健程度[6]。本文重點(diǎn)回顧基于會(huì)計(jì)的公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)研究。
基于會(huì)計(jì)的方法。20世紀(jì)初,國外學(xué)者們采用單變量衡量標(biāo)準(zhǔn)來區(qū)分財(cái)務(wù)困境公司和有償付能力的公司[7]。1968年,Altman開創(chuàng)性地構(gòu)建了用于綜合評(píng)估公司財(cái)務(wù)風(fēng)險(xiǎn)水平和違約概率的綜合指數(shù),并通過引入多元判別分析(Multivariate discriminant analysis,MDA),從財(cái)務(wù)報(bào)表中獲得幾個(gè)財(cái)務(wù)比率,使用統(tǒng)計(jì)技術(shù)對(duì)各種單變量比率進(jìn)行加權(quán),將其轉(zhuǎn)換為一個(gè)分?jǐn)?shù)(Altman-Z值),用于表示公司違約可能性的大小,并運(yùn)用該方法將1946年至1965年在紐約證券交易所上市的33家破產(chǎn)公司與33家有償付能力的公司區(qū)分開來[8-10]。Altman-Z值也由此成為企業(yè)破產(chǎn)文獻(xiàn)中最常用的統(tǒng)計(jì)工具。隨后多年,眾多學(xué)者應(yīng)用Altman-Z值對(duì)美國上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)估,例如:Deakin[9]評(píng)估了1962年至1966年紐約證交所上市的32家破產(chǎn)公司和32家有償付能力的公司;Moyer[11]評(píng)估了1965年至1975年上市的54家公司;Blum[12]評(píng)估了1954年至1968年上市的115家公司;Dambolena和Khoury[13]評(píng)估了1969年至1975年上市的68家公司 。也有不少國外學(xué)者使用Altman-Z值預(yù)測(cè)美國以外其他發(fā)達(dá)國家和發(fā)展中國家上市公司的財(cái)務(wù)風(fēng)險(xiǎn)[14-17]。盡管Altman-Z值在不同國家的公司文獻(xiàn)中被廣泛使用,但Altman-Z值是從紐約證券交易所(NYSE)上市的美國制造業(yè)公司中得出的。那么,Altman-Z值是否可以有效地用于其他國家或行業(yè)的公司違約分析[18-19],這是一個(gè)值得商榷的問題,因?yàn)椴煌瑖业墓?,特別是新興市場(chǎng)的公司與美國公司的行為不同,原始的Altman-Z值可能無法充分反映這些經(jīng)濟(jì)體公司的獨(dú)特特征[20-21]。目前,也有幾十篇論文修改了Altman-Z值模型來研究發(fā)展中國家。這些文章使用了相同的變量,但重新計(jì)算了系數(shù)或使用新的代表性變量和相關(guān)系數(shù),例如:Pascale[22]采用了不同資產(chǎn)負(fù)債表比率的MDA,該模型預(yù)測(cè)烏拉圭制造業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的成功率接近90%;Rashid和Abbas[23]使用MDA開發(fā)了一個(gè)新的財(cái)務(wù)風(fēng)險(xiǎn)模型,從巴基斯坦非金融公司的24個(gè)比率中選擇了3個(gè)新的資產(chǎn)負(fù)債表比率,模型在預(yù)測(cè)1996年至2006年52家公司的財(cái)務(wù)風(fēng)險(xiǎn)方面達(dá)到了76.9%的準(zhǔn)確率;Pervan等[24]將MDA應(yīng)用于3個(gè)資產(chǎn)負(fù)債表比率,使用其模型預(yù)測(cè)克羅地亞78家破產(chǎn)公司的準(zhǔn)確率達(dá)到79.5%;Thai等[25]使用馬來西亞證券交易所30家公司的新系數(shù)重新估算了Altman-Z值模型,準(zhǔn)確率為76.7%。為了有效衡量反映在新興市場(chǎng)公司資產(chǎn)負(fù)債表上的財(cái)務(wù)風(fēng)險(xiǎn),Olak[26]構(gòu)建了一個(gè)多元企業(yè)評(píng)估(Multivariate Firm Assessment,MFA)分?jǐn)?shù)模型,其評(píng)分通過應(yīng)用MDA于土耳其伊斯坦布爾交易所(BIST)上市的非金融公司的7個(gè)選定的資產(chǎn)負(fù)債表比率而產(chǎn)生,能夠有效地分析土耳其公司的總體財(cái)務(wù)風(fēng)險(xiǎn),其公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率較定制的Altman-Z值提高了3%。
除了MDA方法以外,邏輯回歸方法(Logistic)在基于財(cái)務(wù)報(bào)表的企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)模型的研究中也得到了廣泛的應(yīng)用。在這種方法中,公司財(cái)務(wù)風(fēng)險(xiǎn)是基于公司的會(huì)計(jì)數(shù)據(jù)和其他幾種控制措施來進(jìn)行評(píng)估的[27-29]。近年來國外使用Logistic回歸的研究已經(jīng)深入到對(duì)跨國或全球破產(chǎn)預(yù)警模型的構(gòu)建,他們?cè)噲D建立一個(gè)通用模型,不局限于計(jì)算單個(gè)國家企業(yè)債務(wù)違約的概率,而將眼光投向了整合多個(gè)國家計(jì)算地區(qū)性的財(cái)務(wù)風(fēng)險(xiǎn),例如:Alaminos等[30]開發(fā)了適用于世界各地公司的全球財(cái)務(wù)風(fēng)險(xiǎn)模型,以及適用于亞洲、歐洲和美洲公司的區(qū)域財(cái)務(wù)模式,發(fā)現(xiàn)全球模型在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確性方面優(yōu)于區(qū)域模型,原因在于公司財(cái)務(wù)特征日益全球化,財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)已在全球范圍內(nèi)趨同。除了全球模型外,F(xiàn)ernández-Gámez等[31]還調(diào)查了特定國家因素在解釋歐盟企業(yè)違約中的作用,結(jié)果表明特定國家的宏觀經(jīng)濟(jì)因素和監(jiān)管因素,如通貨膨脹、風(fēng)險(xiǎn)溢價(jià)和政府規(guī)模等,顯著提高了財(cái)務(wù)危機(jī)預(yù)測(cè)的準(zhǔn)確率。
國內(nèi)對(duì)多元財(cái)務(wù)危機(jī)預(yù)測(cè)模型的應(yīng)用研究起步較晚。周首華等[32]認(rèn)為Altman-Z值模型在構(gòu)建時(shí)沒有充分考慮到現(xiàn)金流量變動(dòng)等方面的問題,他們運(yùn)用MDA方法在Altman-Z值模型的基礎(chǔ)上建立了F分?jǐn)?shù)模型。針對(duì)中國房地產(chǎn)上市公司,Wang和Campbell[19]測(cè)試了Altman原始模型,使用Altman比率重新估計(jì)模型、使用新比率修正模型的預(yù)測(cè)精度,發(fā)現(xiàn)修正后的模型比其他模型準(zhǔn)確得多。針對(duì)中國科技型上市公司,張蔚虹和朱海霞[33]以2011年的20家ST公司,以及與其同行業(yè)、資產(chǎn)總額基本相同的20家非ST公司為樣本,基于ST公司宣布特別處理前三年及非ST公司相對(duì)應(yīng)年度的財(cái)務(wù)數(shù)據(jù)計(jì)算得出Altman-Z值,認(rèn)為Altman-Z值模型對(duì)這些公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警有效。近年來國內(nèi)不少學(xué)者綜合考慮影響企業(yè)財(cái)務(wù)危機(jī)的各項(xiàng)財(cái)務(wù)因素和非財(cái)務(wù)因素,構(gòu)建了基于TEI@I方法論的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型、面向特征因果分析的CFW-Boost企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型,并利用其他預(yù)警模型進(jìn)行對(duì)比測(cè)試,測(cè)試準(zhǔn)確率為69%~86%[34-35]。
國內(nèi)學(xué)者基于Logistic回歸的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究也在不斷深入。楊青龍等[36]對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)指標(biāo)進(jìn)行篩選后,分別利用傳統(tǒng)的Logistic回歸和機(jī)器學(xué)習(xí)方法建立了企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型。楊貴軍等[37]將Benford引入財(cái)務(wù)預(yù)警Logistic模型,提出Benford因子的一種構(gòu)造方法,建立企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警Benford-Logistic模型,提高了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警Logistic模型的預(yù)測(cè)準(zhǔn)確性。吳靜和袁芳英[38]應(yīng)用Logistic財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對(duì)2016—2018年A股非金融上市公司進(jìn)行實(shí)證研究,發(fā)現(xiàn)引入公司治理和股權(quán)質(zhì)押率變量能有效提高預(yù)警模型的預(yù)測(cè)準(zhǔn)確率。
建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的歷史由來已久,在Altman之后有眾多學(xué)者試圖建立更加完善的預(yù)警系統(tǒng)。公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的方法更加多樣化,甚至加入了人工智能模型和大數(shù)據(jù)挖掘,在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的建立過程中也加入了大量非財(cái)務(wù)指標(biāo),這雖然提升了公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的精確度,但方法過于復(fù)雜,以及一些非財(cái)務(wù)指標(biāo)數(shù)據(jù)難以獲取,從而導(dǎo)致這些模型難以被推廣應(yīng)用。到目前為止,國外已經(jīng)建立了比較完善且可以被廣泛應(yīng)用的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。我國研究起步較晚,模型的指標(biāo)體系還在日益完善,樣本擬合度越來越高,預(yù)測(cè)精度也在不斷提高,但還有提升的空間。鑒于此,本文提出應(yīng)用Olak[26]定制的Altman-Z值模型和MFA分?jǐn)?shù)模型,對(duì)我國上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè),比較兩者預(yù)測(cè)性能的差異。同時(shí),本文還將進(jìn)一步探究MFA分?jǐn)?shù)模型與宏觀經(jīng)濟(jì)因素之間的關(guān)系。
上市公司負(fù)有財(cái)務(wù)披露的義務(wù)。本文以上市公司作為研究對(duì)象,以2011—2020年中國滬深兩所A股非金融上市公司年度財(cái)務(wù)數(shù)據(jù)為原始研究樣本,共4 025家公司。為了檢測(cè)Altman-Z值模型和MFA分?jǐn)?shù)模型的性能,我們需要一組有財(cái)務(wù)困境的公司名單和一組財(cái)務(wù)穩(wěn)健的公司名單作為配對(duì)樣本。對(duì)于有財(cái)務(wù)困境的樣本選取,我們從上述樣本中隨機(jī)選取了2020年被歸類為ST的49家公司。對(duì)于第二組財(cái)務(wù)穩(wěn)健的公司,我們相應(yīng)選取了擁有相似資產(chǎn)、同一行業(yè)的公司,它們唯一的顯著區(qū)別在于是否陷入了財(cái)務(wù)困境。
1. Altman-Z值模型
Altman[8]在22項(xiàng)財(cái)務(wù)指標(biāo)中篩選出5個(gè)財(cái)務(wù)風(fēng)險(xiǎn)相關(guān)變量:營運(yùn)資本和總資產(chǎn)比率;股票的市值與總負(fù)債比率;留存收益和總資產(chǎn)比率;息稅前利潤(rùn)和總資產(chǎn)比率;總銷售額和總資產(chǎn)比率。并通過計(jì)算出的Z值對(duì)公司是否陷入財(cái)務(wù)危機(jī)進(jìn)行預(yù)測(cè),其線性函數(shù)如下:
AltmanZ-score=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5,其中:
X1=營運(yùn)資本/總資產(chǎn);
X2=留存收益/總資產(chǎn);
X3=息稅前利潤(rùn)/總資產(chǎn);
X4=股票的市場(chǎng)價(jià)值/總負(fù)債;
X5=銷售收入/總資產(chǎn)。
如果一家公司的Z值低于1.81,則該公司將被歸類為陷入財(cái)務(wù)危機(jī)的企業(yè),并且有可能在未來一段時(shí)間內(nèi)面臨破產(chǎn)。如果Z值大于2.675,則表明該公司經(jīng)營狀況較好、財(cái)務(wù)健康,未來幾年破產(chǎn)概率較??;而當(dāng)1.81≤Z≤2.675時(shí),則表明企業(yè)處于運(yùn)營狀況的灰色區(qū)域,表明企業(yè)的經(jīng)營狀況不穩(wěn)定,需要格外注意。
在1946—1965年間Altman用該模型預(yù)測(cè)了66家紐交所上市公司的破產(chǎn)情況,準(zhǔn)確率為91%。但對(duì)于不同的經(jīng)濟(jì)體如發(fā)展中國家,Altman-Z值模型的預(yù)測(cè)精度并沒有這么高。其主要原因在于該模型主要反映的是發(fā)達(dá)國家的企業(yè)行為,股票的市場(chǎng)價(jià)值與總負(fù)債之比(X4)完全取決于公司的股票價(jià)格。但大多數(shù)發(fā)展中國家的股票價(jià)格通常不能完全反映一個(gè)公司的財(cái)務(wù)狀況,相反它們主要反映了投資者的投機(jī)傾向。此外,留存收益與總資產(chǎn)之比(X2)代表了公司在一段時(shí)間內(nèi)的累計(jì)利潤(rùn)或虧損,并體現(xiàn)了有關(guān)企業(yè)年齡的信息。由于發(fā)展中國家的企業(yè)一般壽命較短,其累計(jì)的收益波動(dòng)性更大,因此這個(gè)指標(biāo)也不能充分體現(xiàn)發(fā)展中國家企業(yè)的財(cái)務(wù)狀況。
由此得出,Altman-Z值模型對(duì)于我國企業(yè)的預(yù)測(cè)精度不高,因此我們引入優(yōu)化模型MFA分?jǐn)?shù)模型。
2.MFA分?jǐn)?shù)模型
基于Altman-Z值模型,我們引入了MFA分?jǐn)?shù)模型,其建立原則如下:①流動(dòng)性、盈利能力、杠桿率等指標(biāo)中至少包括一個(gè),以確保模型的全面性;②所選擇的變量應(yīng)該是能夠區(qū)分財(cái)務(wù)困境和有償付能力的公司,如果兩組比值的均值之間彼此沒有顯著差異,則將此比值剔除;③兩個(gè)指標(biāo)不應(yīng)共線,如果任何指標(biāo)兩兩之間的相關(guān)性大于0.2,則剔除與其他變量相關(guān)性較高的一個(gè)。在上述原則下,最后在MFA分?jǐn)?shù)模型中使用的指標(biāo)為:
X1=(現(xiàn)金及現(xiàn)金等價(jià)物+應(yīng)收賬款+短期投資)/流動(dòng)負(fù)債。該比率被稱為“速動(dòng)比率”,也稱為“酸性測(cè)試比率”,是衡量企業(yè)流動(dòng)資產(chǎn)中可以立即變現(xiàn)用于償還流動(dòng)負(fù)債的能力;
X2=流動(dòng)負(fù)債/流動(dòng)資產(chǎn)。也稱為“流動(dòng)比率”,體現(xiàn)企業(yè)用短期資產(chǎn)償還短期負(fù)債的能力;
X3=總負(fù)債/所有者權(quán)益。也稱為“負(fù)債權(quán)益比率”,體現(xiàn)企業(yè)的股票價(jià)值是否足以償還債務(wù);
X4=息稅前利潤(rùn)/總資產(chǎn)。同Altman-Z值模型中的X3,也稱為“總資產(chǎn)報(bào)酬率”,可以體現(xiàn)出公司主要活動(dòng)的盈利能力;
X5=財(cái)務(wù)費(fèi)用/營業(yè)收入。也稱為“財(cái)務(wù)費(fèi)用率”,體現(xiàn)公司支付其債務(wù)產(chǎn)生的外匯和利息費(fèi)用的能力;
X6=凈利潤(rùn)(虧損)/營業(yè)收入。也稱為“營業(yè)凈利率”,是反映企業(yè)盈利能力的一個(gè)指標(biāo),該指標(biāo)越高,則代表企業(yè)盈利能力越好;
X7=留存收益/總資產(chǎn)。表示過去各時(shí)期的累計(jì)損益,同時(shí)顯示有關(guān)公司年齡的信息。
MFA分?jǐn)?shù)模型的計(jì)算公式為:
MFAscore=0.24X1-0.14X2-0.03X3+3.76X4-0.72X5+0.20X6+1.14X7
Olak[26]通過ROC分析確定了MFA分?jǐn)?shù)模型的第一個(gè)閾值為-0.02,以此區(qū)分有償債能力的公司和陷入困境的公司。然后根據(jù)Olak的研究樣本中財(cái)務(wù)狀況較好公司的MFA分?jǐn)?shù)的中位數(shù)得到第二個(gè)閾值為0.56。如果一家企業(yè)的MFA分?jǐn)?shù)小于-0.02,則認(rèn)為該公司財(cái)務(wù)狀況不佳,可能會(huì)在一年內(nèi)陷入財(cái)務(wù)困境。但若一家企業(yè)的MFA分?jǐn)?shù)大于0.56,則該公司被認(rèn)定為財(cái)務(wù)狀況良好;若一家企業(yè)處于-0.02和0.56(灰色區(qū)域)之間,則該公司陷入財(cái)務(wù)困境的概率較低。
本文選取的樣本沒有局限于從事制造業(yè)的企業(yè),檢測(cè)樣本及配對(duì)樣本都來自除金融業(yè)之外的各個(gè)行業(yè)。從表1和表2可以看出,MFA分?jǐn)?shù)模型在49家無償付能力的公司陷入財(cái)務(wù)危機(jī)的前一年,對(duì)其中的39家公司做出了正確的分類。而對(duì)應(yīng)的49家有償付能力的公司中準(zhǔn)確檢測(cè)出44家。模型檢出率達(dá)到84.7%,對(duì)于陷入財(cái)務(wù)危機(jī)的企業(yè)預(yù)測(cè)率為79.59%,財(cái)務(wù)健康公司的準(zhǔn)確預(yù)測(cè)率為89.80%。而Altman-Z值模型對(duì)于企業(yè)是否陷入財(cái)務(wù)危機(jī)的檢出率僅有75.51%,MFA分?jǐn)?shù)模型超出同等條件下Altman-Z值模型預(yù)測(cè)能力的9.2%,預(yù)測(cè)精度明顯提高,從客觀上說明了MFA分?jǐn)?shù)模型相較于Altman-Z值模型更加適用于我國企業(yè)。
表1 模型表現(xiàn)情況(Altman-Z分?jǐn)?shù)模型)
表2 模型表現(xiàn)情況(MFA分?jǐn)?shù)模型)
為了驗(yàn)證本文的假設(shè),我們將財(cái)務(wù)健康和陷入財(cái)務(wù)危機(jī)的兩組合并進(jìn)行了t檢驗(yàn)和相關(guān)性檢驗(yàn)。表3如同我們假設(shè)的一樣,財(cái)務(wù)健康組與財(cái)務(wù)危機(jī)組的均值之間具有顯著差異。與陷入財(cái)務(wù)危機(jī)的公司相比,財(cái)務(wù)健康的公司具有更高的總資產(chǎn)報(bào)酬率、營業(yè)凈利率、留存收益和總資產(chǎn)比率。而其他指標(biāo)如財(cái)務(wù)費(fèi)用率越高,則說明該公司債務(wù)水平越高,利息費(fèi)用、外匯支出越多,我國企業(yè)財(cái)務(wù)費(fèi)用負(fù)擔(dān)越重,同時(shí)陷入財(cái)務(wù)危機(jī)的公司在該指標(biāo)上普遍也比財(cái)務(wù)健康的公司高。表4為指標(biāo)之間的相關(guān)性矩陣,從表中可以看出,MFA分?jǐn)?shù)模型的指標(biāo)兩兩之間的相關(guān)性較低。其中,流動(dòng)比率與財(cái)務(wù)費(fèi)用率相關(guān)性最高。
表3 MFA分?jǐn)?shù)的組均值和均數(shù)差異的t檢驗(yàn)
表4 MFA分?jǐn)?shù)模型變量的兩兩相關(guān)性
大量研究表示宏觀經(jīng)濟(jì)的變化會(huì)影響企業(yè)的財(cái)務(wù)狀況,例如,有研究認(rèn)為低GDP增長(zhǎng)率和高貸款利率會(huì)增加企業(yè)的財(cái)務(wù)困境風(fēng)險(xiǎn)[39-40]。Mare[41]在過去的實(shí)證檢驗(yàn)中也發(fā)現(xiàn)通貨膨脹與企業(yè)的違約概率呈現(xiàn)出顯著的正相關(guān)關(guān)系。這是因?yàn)榻?jīng)濟(jì)環(huán)境的疲弱會(huì)影響企業(yè)的生存狀況,因此我們認(rèn)為宏觀經(jīng)濟(jì)變化對(duì)MFA分?jǐn)?shù)也有影響。為了驗(yàn)證這一論點(diǎn),本文基于2016—2020年中國滬深兩所非金融上市公司半年度財(cái)務(wù)報(bào)表計(jì)算出的MFA分?jǐn)?shù)、GDP季度增長(zhǎng)率和美元與歐元對(duì)人民幣的月度匯率加權(quán)(權(quán)重為0.6和0.4)進(jìn)行了趨勢(shì)分析,其觀察結(jié)果如圖1、圖2所示。
圖1 MFA分?jǐn)?shù)和GDP增長(zhǎng)率表現(xiàn)
圖2 MFA分?jǐn)?shù)和匯率表現(xiàn)
可以看出,MFA中值普遍大于MFA平均值,這意味著MFA分?jǐn)?shù)分布向左傾斜。從圖中可以看出,MFA分?jǐn)?shù)與GDP增長(zhǎng)率的增長(zhǎng)趨勢(shì)基本一致,但與匯率加權(quán)數(shù)的增長(zhǎng)趨勢(shì)大致相反。在近五年內(nèi)即便是受疫情影響,GDP增長(zhǎng)率降為負(fù)數(shù),MFA分?jǐn)?shù)也沒有突破-0.02的閾值,但始終處于灰色地帶。同時(shí)GDP增長(zhǎng)率在2020年降到最低點(diǎn),出現(xiàn)了自改革開放以來的最低增幅,同時(shí)MFA分?jǐn)?shù)在這一時(shí)期也保持在最低位。這是因?yàn)橐咔閷?duì)我國經(jīng)濟(jì),特別是對(duì)第三產(chǎn)業(yè)的影響。旅游、文娛、餐飲等行業(yè)均受到重大沖擊甚至陷入停滯,非制造業(yè)商務(wù)活動(dòng)指數(shù)從54.1驟降至29.6。
中國政府及時(shí)采取了一系列的財(cái)務(wù)政策和貨幣政策以恢復(fù)國民經(jīng)濟(jì),如提高地方政府的債務(wù)限額和減稅降費(fèi)的力度,中國人民銀行通過逆回購增加貨幣流動(dòng)性等。從圖中可以看出,這一系列措施的作用是顯著的,GDP增長(zhǎng)率在2020年底恢復(fù)為正,MFA分?jǐn)?shù)也隨之上升。
為了進(jìn)一步驗(yàn)證本文的觀點(diǎn),我們進(jìn)行了豪斯曼檢驗(yàn),得到P值小于0.05。因此本文使用固定效應(yīng),對(duì)非金融上市公司年度的MFA分?jǐn)?shù)在幾個(gè)宏觀經(jīng)濟(jì)變量上進(jìn)行了回歸。目前主要的宏觀經(jīng)濟(jì)變量有國民生產(chǎn)總值、國內(nèi)生產(chǎn)總值、通貨膨脹率、利率、失業(yè)率以及匯率等。由于我國的利率相對(duì)穩(wěn)定,本文選擇了GDP年增長(zhǎng)率、年度的通貨膨脹率、城鎮(zhèn)登記失業(yè)率、匯率為美元與歐元匯率的加權(quán)平均,權(quán)重為0.6和0.4。本文建立實(shí)證模型如下:
MFAi,t=β1Macrot-1+β2Controlsi,t+∑Year+λi,t+εi,t
Macrot-1表示四個(gè)宏觀經(jīng)濟(jì)變量,分別為國民生產(chǎn)總值年增長(zhǎng)率、美元與歐元匯率的加權(quán)平均年增長(zhǎng)率、通貨膨脹率和失業(yè)率。MFAi,t為計(jì)算出的企業(yè)MFA分?jǐn)?shù),該值越大,說明企業(yè)的財(cái)務(wù)狀況越穩(wěn)定。我們還對(duì)企業(yè)的審計(jì)質(zhì)量(Big4)、成長(zhǎng)性(Growth)、股權(quán)集中度(Top)、控股股東性質(zhì)(SOE)、兩職合一(Dual)、董事會(huì)規(guī)模(Board)以及獨(dú)立董事占比(Independent)進(jìn)行了控制,變量定義如表5所示。
表5 變量定義
表6為上述假設(shè)的多元回歸分析結(jié)果,在控制了企業(yè)個(gè)體、企業(yè)特征和年度固定效應(yīng)后各個(gè)宏觀經(jīng)濟(jì)變量對(duì)MFA分?jǐn)?shù)的影響均通過了1%的顯著性水平檢驗(yàn)。而GDP增長(zhǎng)率對(duì)MFA分?jǐn)?shù)的影響顯著為正,回歸系數(shù)為0.064;通貨膨脹率、匯率和失業(yè)率對(duì)MFA分?jǐn)?shù)的影響顯著為負(fù),回歸系數(shù)分別為-0.205、-1.280和-1.303。這說明高的GDP增長(zhǎng)率會(huì)對(duì)企業(yè)的經(jīng)營狀況產(chǎn)生正向影響,而高的匯率、通貨膨脹率和失業(yè)率均會(huì)惡化企業(yè)的財(cái)務(wù)狀況。這與實(shí)際情況一致,匯率和通貨膨脹率較高均會(huì)導(dǎo)致人民幣貶值,而失業(yè)率較高則說明現(xiàn)在的經(jīng)濟(jì)環(huán)境較差,因此影響到企業(yè)的財(cái)務(wù)狀況。而當(dāng)GDP增長(zhǎng)率較高時(shí),說明我國當(dāng)前的經(jīng)濟(jì)環(huán)境較好,企業(yè)的經(jīng)營狀況也能隨之改善。而在各種宏觀經(jīng)濟(jì)變量中,資產(chǎn)負(fù)債表對(duì)GDP增長(zhǎng)率的變化最為敏感。具體來說,GDP增長(zhǎng)率每增加1%,對(duì)企業(yè)MFA分?jǐn)?shù)提升效果將增加0.064個(gè)百分比。綜上,我們認(rèn)為,MFA分?jǐn)?shù)可以用來考察宏觀經(jīng)濟(jì)發(fā)展對(duì)企業(yè)資產(chǎn)負(fù)債表的影響。
表6 宏觀經(jīng)濟(jì)變量對(duì)MFA分?jǐn)?shù)的影響
經(jīng)過一系列檢測(cè),我們可以推斷MFA分?jǐn)?shù)模型的預(yù)測(cè)精度高于Altman-Z值模型。由于MFA分?jǐn)?shù)可以預(yù)測(cè)出公司的財(cái)務(wù)狀態(tài),我們認(rèn)為MFA分?jǐn)?shù)模型也可以用來判斷我國A股非金融上市公司的財(cái)務(wù)健康變化趨勢(shì),這一點(diǎn)在上文得到驗(yàn)證。因此,本文運(yùn)用MFA分?jǐn)?shù)模型對(duì)2016—2020年滬深兩所A股上市的非金融公司的財(cái)務(wù)情況進(jìn)行預(yù)測(cè)應(yīng)用。本文在預(yù)測(cè)之前剔除了主要變量缺失的樣本,各個(gè)年度非金融上市公司樣本數(shù)分別為3 174、3 587、3 665、3 860和4 306。2020年和2019年上市公司數(shù)量相差較大的原因是2019年科創(chuàng)版的開市,導(dǎo)致2019—2020年IPO的公司急劇增加。
2016年我國全面推行“營改增”以實(shí)現(xiàn)結(jié)構(gòu)性減稅,這在一定程度上激發(fā)了經(jīng)濟(jì)活力,同時(shí)這一時(shí)期我國經(jīng)濟(jì)持續(xù)穩(wěn)中向好。清華大學(xué)國情研究院院長(zhǎng)胡鞍鋼指出,從國際的角度來看,我國仍屬于世界上經(jīng)濟(jì)增長(zhǎng)率最高的國家之一,6.7%左右的增速明顯高于美國、日本及歐盟等經(jīng)濟(jì)體的經(jīng)濟(jì)增速。而在2019年底受疫情的影響,市場(chǎng)環(huán)境日益變得復(fù)雜,企業(yè)在經(jīng)營發(fā)展過程中的財(cái)務(wù)風(fēng)險(xiǎn)增加。疫情增加了公司運(yùn)營成本的負(fù)擔(dān),如為了做好疫情防控工作,公司必須專門采購一些防疫防控物品以及定期開展工作人員健康檢測(cè),這些都給公司增加了運(yùn)營成本。同時(shí)由于金融機(jī)構(gòu)的信貸壓縮,一些公司不得不選擇民間融資,但民間融資利率較高,這會(huì)導(dǎo)致公司融資成本的增加。由表7可知,2018—2020年,我國存在財(cái)務(wù)隱患(MFA≤-0.02)的公司數(shù)量在逐年上升,2018年具有財(cái)務(wù)危機(jī)的公司占比為15.58%,2020年具有財(cái)務(wù)危機(jī)的公司占比上升至17.16%。這個(gè)結(jié)果也符合近幾年整體經(jīng)濟(jì)發(fā)展的趨勢(shì),反映了我國A股非金融上市公司在2018—2020年的財(cái)務(wù)指標(biāo)下降。雖然疫情打亂了資本市場(chǎng)的節(jié)奏,但根據(jù)安永發(fā)布的《中國內(nèi)地和香港IPO市場(chǎng)調(diào)研》,隨著新股發(fā)行注冊(cè)制改革的推進(jìn),2020年我國通過IPO融資近4 707億元,創(chuàng)十年來新高。而如表7所示,2020年超過半數(shù)的上市公司財(cái)務(wù)狀況保持健康(MFA≥0.56),這也證明我國經(jīng)濟(jì)發(fā)展大體良好。
表7 MFA分?jǐn)?shù)模型預(yù)測(cè)應(yīng)用結(jié)果
全球疫情蔓延使得企業(yè)經(jīng)營環(huán)境的不確定性增強(qiáng),大批企業(yè)陷入財(cái)務(wù)危機(jī)甚至破產(chǎn)。建立一個(gè)適合我國國情的財(cái)務(wù)危機(jī)預(yù)警模型可以在財(cái)務(wù)危機(jī)發(fā)生前警示管理者,以保證股東及其他利益相關(guān)者的權(quán)益和企業(yè)的健康可持續(xù)發(fā)展。本文引入一種適合新興市場(chǎng)的財(cái)務(wù)預(yù)警模型——MFA分?jǐn)?shù)模型。以2016—2020年中國滬深兩所A股上市公司為樣本,比較Altman-Z值模型和MFA分?jǐn)?shù)模型的預(yù)測(cè)性能并對(duì)我國上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)估。主要研究結(jié)論如下。
首先,與最初的Altman-Z值模型相比,MFA分?jǐn)?shù)模型顯著提高了對(duì)企業(yè)償付能力和破產(chǎn)概率的預(yù)測(cè)性能,預(yù)測(cè)準(zhǔn)確率提高了9.2%。Altman-Z值模型中的X4對(duì)分?jǐn)?shù)大小的影響較大,這反映了市場(chǎng)預(yù)期過高。而我國的股市運(yùn)行時(shí)間尚短,股價(jià)易受人為操控,不能真實(shí)反映出企業(yè)的市場(chǎng)價(jià)值。MFA分?jǐn)?shù)模型是在Altman-Z值模型的基礎(chǔ)上優(yōu)化得來,剔除了影響預(yù)測(cè)效果的X4指標(biāo)。這都使得MFA分?jǐn)?shù)模型相對(duì)Altman-Z值模型預(yù)測(cè)能力更強(qiáng)。
其次,我們認(rèn)為MFA分?jǐn)?shù)模型可以檢測(cè)宏觀經(jīng)濟(jì)指標(biāo)對(duì)資產(chǎn)負(fù)債表的影響。我們發(fā)現(xiàn)經(jīng)濟(jì)增速加快會(huì)促進(jìn)上市公司MFA平均分?jǐn)?shù)提高,但匯率變化會(huì)對(duì)MFA平均分?jǐn)?shù)的變動(dòng)產(chǎn)生抑制作用。實(shí)證結(jié)果也與我們預(yù)計(jì)的一樣,MFA分?jǐn)?shù)與主要宏觀經(jīng)濟(jì)變量之間具有顯著相關(guān)性。
最后,本文運(yùn)用MFA分?jǐn)?shù)模型從宏觀的角度判斷我國經(jīng)濟(jì)趨勢(shì)變化。結(jié)果表示,2016—2017年經(jīng)濟(jì)狀況轉(zhuǎn)好,2018—2020年陷入財(cái)務(wù)危機(jī)的公司數(shù)量皆有所上升,但大部分公司的經(jīng)營狀態(tài)穩(wěn)定,結(jié)果符合預(yù)期。綜上,我們可以利用MFA分?jǐn)?shù)模型作為我國陷入財(cái)務(wù)困境的早期預(yù)警指標(biāo),量化宏觀沖擊或政策對(duì)公司資產(chǎn)負(fù)債表的影響。
基于上述研究結(jié)論,為預(yù)防上市公司財(cái)務(wù)危機(jī),本文提出如下政策建議。
第一,根據(jù)不同行業(yè)的特點(diǎn)建立不同的財(cái)務(wù)危機(jī)預(yù)警模型。各個(gè)行業(yè)都有不同的特點(diǎn),如房地產(chǎn)行業(yè)上市公司具有較高的負(fù)債比率,制造業(yè)上市公司則需要穩(wěn)定的現(xiàn)金流。研究者可以根據(jù)不同行業(yè)的特點(diǎn)選擇不同的財(cái)務(wù)指標(biāo)來建立財(cái)務(wù)預(yù)警模型,甚至同一政策對(duì)于不同行業(yè)的影響也不相同。未來的研究者可以根據(jù)不同行業(yè)建立更加精確的財(cái)務(wù)預(yù)警模型,構(gòu)建模型遵循全面性原則,謹(jǐn)慎考慮與行業(yè)相關(guān)的財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo),以提升模型的準(zhǔn)確率。
第二,公司管理者應(yīng)該加強(qiáng)內(nèi)部控制,做好危機(jī)預(yù)案。企業(yè)管理者應(yīng)該樹立財(cái)務(wù)危機(jī)防范意識(shí),完善財(cái)務(wù)信息內(nèi)部監(jiān)控制度。同時(shí)注重企業(yè)外部環(huán)境的變化,并加強(qiáng)企業(yè)內(nèi)部的橫向和縱向溝通,從全局把握公司的財(cái)務(wù)狀況。管理者還應(yīng)考慮到不同情況的變化,做好危機(jī)預(yù)備方案,防患于未然。
第三,無論是Altman-Z值模型還是MFA分?jǐn)?shù)模型,它們都是基于企業(yè)的財(cái)務(wù)報(bào)表建立的,企業(yè)財(cái)務(wù)報(bào)表的真實(shí)性和客觀性也會(huì)在一定程度上影響其結(jié)果的有效性。因此,MFA分?jǐn)?shù)模型對(duì)于評(píng)估企業(yè)財(cái)務(wù)狀況是有效的,但管理者和投資者亦不能忽視財(cái)務(wù)報(bào)表之外的信息和其他財(cái)務(wù)指標(biāo)。
注釋:
① 退市新規(guī)中的凈利潤(rùn)以扣除非經(jīng)常性損益前后孰低為準(zhǔn),營業(yè)收入則需要扣除與主營業(yè)務(wù)無關(guān)的業(yè)務(wù)收入和不具備商業(yè)實(shí)質(zhì)的收入。