[摘要]選擇合適的財(cái)務(wù)指標(biāo)來(lái)描述預(yù)警模型對(duì)提高預(yù)測(cè)的精度至關(guān)重要。運(yùn)用顯著性分析和因子分析法，對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)警的備選指標(biāo)進(jìn)行篩選，并選擇了76家上市公司為樣本進(jìn)行實(shí)證研究。通過(guò)兩次篩選，最終得到由7個(gè)預(yù)警指標(biāo)組成的全面互斥的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系，為進(jìn)一步的財(cái)務(wù)危機(jī)預(yù)警評(píng)價(jià)提供參考。

[關(guān)鍵詞]顯著性分析;因子分析;財(cái)務(wù)危機(jī);預(yù)警;指標(biāo)篩選

[中圖分類號(hào)] F275[文獻(xiàn)標(biāo)識(shí)碼] A [文章編號(hào)] 1673-0461(2010)08-0036-04

[收稿日期]2010-04-17

[作者簡(jiǎn)介]全春光(1974 -)，男， 湖南衡陽(yáng)人，湖南科技大學(xué)管理學(xué)院教師，華中科技大學(xué)管理學(xué)院在讀博士，研究方向:管理科學(xué)與工程; 程曉娟(1980 -)，女， 河北邢臺(tái)人，湖南科技大學(xué)工業(yè)工程系教師，碩士，研究方向:管理科學(xué)與工程。

一、引言

企業(yè)財(cái)務(wù)危機(jī)預(yù)警問(wèn)題的研究很早就引起了各方面的關(guān)注，國(guó)內(nèi)外學(xué)者取得了豐富的成果。如Fitzpatrick[1]和Beaver[2]提出單變量模型，美國(guó)學(xué)者Altman構(gòu)建Z-score模型[3]，我國(guó)學(xué)者李秉祥提出組合預(yù)警模型[4];李益騏運(yùn)用Logistic回歸分析作為主要建模方法[5]，李臘生將因子分析與選擇性模型相結(jié)合，構(gòu)建了判別上市公司財(cái)務(wù)危機(jī)的因子分析Logit模型[6]，郭德仁構(gòu)建了基于模糊聚類和模糊模式識(shí)別模型[7]，周輝仁提出一種基于遞階遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型[8]?？梢妵?guó)內(nèi)外學(xué)者對(duì)財(cái)務(wù)危機(jī)預(yù)警的研究主要集中在運(yùn)用數(shù)學(xué)方法構(gòu)建財(cái)務(wù)預(yù)警模型上。由于企業(yè)內(nèi)外部環(huán)境多變，導(dǎo)致發(fā)生危機(jī)的因素紛繁復(fù)雜，因而為了提高預(yù)警模型的精度，通常需要選擇多方面、多層次的指標(biāo)來(lái)進(jìn)行預(yù)測(cè)。然而預(yù)警指標(biāo)并不是越多越好，過(guò)多的指標(biāo)會(huì)產(chǎn)生信息過(guò)載，加大成本，同時(shí)由于財(cái)務(wù)指標(biāo)之間的相關(guān)性比較強(qiáng)，易產(chǎn)生覆蓋范圍重復(fù)，計(jì)算結(jié)果不容易解釋等問(wèn)題，因此在建立預(yù)警模型前有必要對(duì)初始變量進(jìn)行篩選?；诖?，本文采用顯著性分析和因子分析法，對(duì)財(cái)務(wù)危機(jī)預(yù)警的備選指標(biāo)進(jìn)行篩選，以期構(gòu)建一個(gè)有效而簡(jiǎn)潔的預(yù)警指標(biāo)體系。

二、顯著性分析與因子分析法簡(jiǎn)介

(一)顯著性分析

一般來(lái)講，財(cái)務(wù)危機(jī)和財(cái)務(wù)健康之間應(yīng)該具有顯著差別，因此進(jìn)入預(yù)警模型的指標(biāo)至少能有效顯著的區(qū)分這兩種狀態(tài)，這是入選指標(biāo)的首要條件。所以以此為標(biāo)準(zhǔn)本文采用統(tǒng)計(jì)分析法中的顯著性檢驗(yàn)方法(T檢驗(yàn))對(duì)預(yù)警指標(biāo)進(jìn)行第一次篩選。

針對(duì)同一財(cái)務(wù)指標(biāo)變量而言，當(dāng)兩組樣本具備方差齊性(即 δ₁²=δ₂²)時(shí)，采用的T統(tǒng)計(jì)量為:

這樣在可接受的顯著性水平上就可以篩選出能顯著區(qū)分財(cái)務(wù)危機(jī)和財(cái)務(wù)健康狀態(tài)的預(yù)警變量。

(二)因子分析法

因子分析最早是由心理學(xué)家Karl Pearson 和Charles Speamen在1904年提出的，在多元統(tǒng)計(jì)分析中，因子分析是一種很有效的降維和信息濃縮技術(shù)。這種方法是從變量的相關(guān)矩陣出發(fā)，將一個(gè)m維的隨機(jī)向量X分解成低于m個(gè)且有代表性的公因子和一個(gè)特殊的m維向量，使其公因子數(shù)取得最佳的個(gè)數(shù)，從而使對(duì)m維隨機(jī)向量的研究轉(zhuǎn)化成對(duì)較少個(gè)數(shù)的公因子的研究。即用較少個(gè)數(shù)的公共因子的線性函數(shù)和特定因子之和來(lái)表達(dá)原來(lái)觀測(cè)的每個(gè)變量，從研究相關(guān)矩陣內(nèi)部的依賴關(guān)系出發(fā)，把一些具有錯(cuò)綜復(fù)雜的變量歸納為少數(shù)幾個(gè)綜合因子的一種多變量統(tǒng)計(jì)分析方法。該方法的本質(zhì)就是通過(guò)降維技術(shù)將多個(gè)指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)，這些綜合指標(biāo)能夠反映原始指標(biāo)的絕大多數(shù)信息，并且所含有的信息互不重疊，彼此之間又不相關(guān)，這樣既減少了變量的個(gè)數(shù)，又再現(xiàn)變量之間的內(nèi)在聯(lián)系。本文基于因子分析的思想，根據(jù)各預(yù)警指標(biāo)相關(guān)性大小將它們分組，使得同組內(nèi)的指標(biāo)之間相關(guān)性較高，不同組的變量之間的相關(guān)性較低，通過(guò)對(duì)相關(guān)矩陣內(nèi)部結(jié)構(gòu)關(guān)系的研究，找出影響企業(yè)財(cái)務(wù)危機(jī)狀況的幾個(gè)綜合指標(biāo)，稱之為主因子。以主因子構(gòu)成預(yù)警指標(biāo)體系，構(gòu)建模型，進(jìn)行預(yù)測(cè)與分析。

三、財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系的初步構(gòu)建

根據(jù)敏感性、先兆性、關(guān)聯(lián)性、可操作性和互斥性的原則，本文在借鑒國(guó)內(nèi)外學(xué)者的實(shí)證研究成果[9-11]并結(jié)合我國(guó)上市公司實(shí)際情況的基礎(chǔ)上，從表內(nèi)信息和表外信息兩個(gè)角度六個(gè)方面構(gòu)建了一套包括25個(gè)指標(biāo)的財(cái)務(wù)危機(jī)預(yù)警的指標(biāo)體系，作為研究中使用的初始變量，如表1所示。表內(nèi)信息指標(biāo)主要包括反映企業(yè)盈利能力、經(jīng)營(yíng)能力、償債能力、成長(zhǎng)能力和現(xiàn)金流量五個(gè)方面的財(cái)務(wù)指標(biāo)，表外信息指標(biāo)主要包括更能揭示公司陷入財(cái)務(wù)危機(jī)狀況的非財(cái)務(wù)信息，比如反映上市公司過(guò)度依賴短期借款、存在大量的或有事項(xiàng)(主要是因擔(dān)保、財(cái)務(wù)承諾而產(chǎn)生的或有負(fù)債)、審計(jì)報(bào)告的意見類型、期末存在大量關(guān)聯(lián)方交易等情況的指標(biāo)。

四、財(cái)務(wù)危機(jī)預(yù)警指標(biāo)體系的篩選

對(duì)于“財(cái)務(wù)危機(jī)”學(xué)術(shù)界和實(shí)務(wù)界有各種不同的界定，考慮到我國(guó)的具體國(guó)情，本文將我國(guó)上市公司中

的ST公司界定為財(cái)務(wù)危機(jī)企業(yè)。根據(jù)一定的選擇標(biāo)準(zhǔn)，選取了2008年被特別處理的38家上市公司，同時(shí)按著同行業(yè)、同時(shí)間窗的原則，選取了38家非ST公司作為匹配樣本，組成訓(xùn)練樣本，以這76家上市公司兩年的數(shù)據(jù)資料為基礎(chǔ)進(jìn)行實(shí)證研究。

(一)初選——顯著性檢驗(yàn)

按著通常的思路，ST公司和非ST公司之間應(yīng)該具有顯著差別，因此進(jìn)入預(yù)警模型的指標(biāo)至少能有效顯著的區(qū)別ST公司和非ST公司，所以以此為標(biāo)準(zhǔn)本文采用統(tǒng)計(jì)分析法中的顯著性檢驗(yàn)方法(T檢驗(yàn))對(duì)預(yù)警指標(biāo)進(jìn)行第一次篩選。利用搜集的訓(xùn)練樣本共76家上市公司兩年的數(shù)據(jù)資料，使用SPSS統(tǒng)計(jì)分析軟件，對(duì)財(cái)務(wù)危機(jī)企業(yè)被宣布特別處理前1年和前2年的數(shù)據(jù)進(jìn)行顯著性檢驗(yàn)的結(jié)果如下，見表2所示。

從以下的T檢驗(yàn)結(jié)果可以看出:

(1)在財(cái)務(wù)危機(jī)發(fā)生的前2年有11個(gè)指標(biāo)通過(guò)了顯著性檢驗(yàn)，在財(cái)務(wù)危機(jī)發(fā)生的前一年有15個(gè)指標(biāo)通過(guò)了顯著性檢驗(yàn)，顯示了所選財(cái)務(wù)指標(biāo)在作為預(yù)警變量時(shí)具有信息含量和時(shí)效性，其信息含量隨著時(shí)間的臨近而增加，即指標(biāo)離財(cái)務(wù)危機(jī)發(fā)生的時(shí)間越近，兩組公司的財(cái)務(wù)指標(biāo)差異越明顯，區(qū)分度越大，反之信息含量越少，區(qū)分度越小。

(2)在25個(gè)預(yù)警指標(biāo)中，凈資產(chǎn)收益率、總資產(chǎn)報(bào)酬率、每股收益、成本費(fèi)用利潤(rùn)率、總資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)增長(zhǎng)率、現(xiàn)金流動(dòng)負(fù)債比、每股營(yíng)業(yè)現(xiàn)金流量、短期借款流動(dòng)比率、審計(jì)意見類型、企業(yè)資產(chǎn)規(guī)模11個(gè)指標(biāo)連續(xù)兩年通過(guò)顯著性檢驗(yàn)，其中總資產(chǎn)報(bào)酬率、每股收益、成本費(fèi)用利潤(rùn)率、總資產(chǎn)周轉(zhuǎn)率、現(xiàn)金流動(dòng)負(fù)債比、每股營(yíng)業(yè)現(xiàn)金流量、審計(jì)意見型7個(gè)指標(biāo)連續(xù)兩年在0.01水平上顯著。而存貨周轉(zhuǎn)率、資產(chǎn)負(fù)債率和流動(dòng)比率3個(gè)指標(biāo)僅在財(cái)務(wù)危機(jī)的前一年有顯著差別，其中流動(dòng)比率在0.01水平上顯著。

綜合以上分析，我們選取凈資產(chǎn)收益率、總資產(chǎn)報(bào)酬率、每股收益、成本費(fèi)用利潤(rùn)率、總資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)增長(zhǎng)率、現(xiàn)金流動(dòng)負(fù)債比、每股營(yíng)業(yè)現(xiàn)金流量、短期借款流動(dòng)比率、審計(jì)意見類型、企業(yè)資產(chǎn)規(guī)模、流動(dòng)比率12個(gè)指標(biāo)作為第一次篩選的入選變量。其中前11個(gè)指標(biāo)在財(cái)務(wù)危機(jī)發(fā)生的前一年和前兩年都有很好的區(qū)分效果，所以引入預(yù)警模型。流動(dòng)比率雖然只是在財(cái)務(wù)危機(jī)發(fā)生的前1年有顯著性，但考慮到入選的指標(biāo)中沒有反應(yīng)企業(yè)償債能力的指標(biāo)，而償債能力是反映企業(yè)危機(jī)狀況的一個(gè)非常重要的方面，因此也把流動(dòng)比率作為入選變量，以期使入選指標(biāo)更全面反映公司的狀況。

(二)二次篩選——因子分析

通過(guò)顯著性檢驗(yàn)，我們篩選出12個(gè)指標(biāo)作為建立模型的初選變量，然而這些指標(biāo)有些相關(guān)性很強(qiáng)，包含了重復(fù)信息，為使模型更加精簡(jiǎn)，筆者采用因子分析法進(jìn)行指標(biāo)的二次篩選。對(duì)進(jìn)入二次篩選的12個(gè)預(yù)警指標(biāo)，利用76家訓(xùn)練樣本財(cái)務(wù)危機(jī)前2年的數(shù)據(jù)，運(yùn)用SPSS軟件進(jìn)行主成份分析，結(jié)果如表3所示。

本文取累計(jì)貢獻(xiàn)率91.338%，則主成份因子為7個(gè)，即用這7個(gè)主成份來(lái)代替原有的12個(gè)指標(biāo)，這7個(gè)主成份因子包含原來(lái)91.838%的信息量。為了對(duì)這7個(gè)因子進(jìn)行解釋，本文使用了正交旋轉(zhuǎn)法中最大方差法進(jìn)行轉(zhuǎn)換得到因子載荷矩陣(見表4)。

從因子荷載矩陣中，可以看出:

(1)主成份1的支配變量依次為每股收益0.879、成本費(fèi)用利潤(rùn)率0.861、凈資產(chǎn)收益率0.804和總資產(chǎn)報(bào)酬率0.773。這些指標(biāo)都是反映企業(yè)盈利能力的指標(biāo)，因此主成份1可以概括為盈利因子，其代表性變量為每股收益。

(2)主成份2的支配變量主要為流動(dòng)比率0.738，它反映了企業(yè)的償債能力，因此主成份2可以概括為償債因子，以流動(dòng)比率作為代表性變量。

(3)主成份3的支配變量為每股營(yíng)業(yè)現(xiàn)金流量0.752、短期借款流動(dòng)資金比率0.726，反映了企業(yè)獲取現(xiàn)金的能力，故主成份3可以概括為現(xiàn)金流量類因子，其代表指標(biāo)為每股營(yíng)業(yè)現(xiàn)金流量。

(4)主成份4中企業(yè)資產(chǎn)規(guī)模這一指標(biāo)的因子荷載明顯高于其他指標(biāo)，因此主成份4可以解釋為資產(chǎn)規(guī)模因子，其代表指標(biāo)為企業(yè)總資產(chǎn)。

(5)主成份5中總資產(chǎn)增長(zhǎng)率的因子荷載明顯高于其他指標(biāo)，因此主成份5可以解釋為成長(zhǎng)因子，其代表指標(biāo)為總資產(chǎn)增長(zhǎng)率。

(6)主成份6和主成份7中，審計(jì)意見類型和總資產(chǎn)周轉(zhuǎn)率這兩個(gè)指標(biāo)的荷載都明顯高于其他指標(biāo)，且分值很接近，為了避免重復(fù)和保存更多的信息含量，我們將主成份6解釋為表外因子，代表指標(biāo)為審計(jì)意見類型;主成份7則概括為資產(chǎn)營(yíng)運(yùn)能力因子，其代表指標(biāo)為總資產(chǎn)周轉(zhuǎn)率。這七個(gè)主成分即為最終的入選變量。這七個(gè)主成分即為最終的入選變量。

通過(guò)顯著性檢驗(yàn)和因子分析兩次篩選，最終得到了每股收益、流動(dòng)比率、每股營(yíng)業(yè)現(xiàn)金流量、企業(yè)總資產(chǎn)、總資產(chǎn)增長(zhǎng)率、審計(jì)意見類型、總資產(chǎn)周轉(zhuǎn)率7個(gè)指標(biāo)作為構(gòu)建模型的變量。這7個(gè)代表性指標(biāo)相互獨(dú)立，分別代表了企業(yè)的盈利能力、償債能力、獲取現(xiàn)金能力、資產(chǎn)規(guī)模、成長(zhǎng)能力、表外因素、營(yíng)運(yùn)能力7個(gè)方面，符合全面互斥的原則。通過(guò)這種方法得到了與預(yù)測(cè)更為敏感的財(cái)務(wù)指標(biāo)，為下一步進(jìn)行財(cái)務(wù)預(yù)警模型的設(shè)計(jì)做好準(zhǔn)備。

五、結(jié) 論

隨著市場(chǎng)競(jìng)爭(zhēng)的日益激烈，科學(xué)的財(cái)務(wù)危機(jī)預(yù)警既是企業(yè)可持續(xù)發(fā)展的重要條件，也是利益相關(guān)者利益保障的有效工具，而預(yù)警指標(biāo)的選擇又是財(cái)務(wù)危機(jī)預(yù)警的首要問(wèn)題。本文在對(duì)已有研究成果進(jìn)行綜述的基礎(chǔ)上，應(yīng)用顯著性分析與因子分析法對(duì)預(yù)警備選指標(biāo)進(jìn)行篩選，得到利益相關(guān)者重點(diǎn)觀測(cè)和預(yù)警建模所需的預(yù)警指標(biāo)。研究結(jié)果顯示，通過(guò)顯著性檢驗(yàn)和因子分析兩次指標(biāo)篩選，能夠以較少的特征變量實(shí)現(xiàn)了較高的分類精度，從而證明了本文的研究設(shè)想。同時(shí)需要說(shuō)明，本文意義在于為科學(xué)、合理地選擇預(yù)警指標(biāo)提供了一種途徑，但就預(yù)警問(wèn)題而言，準(zhǔn)確的危機(jī)預(yù)測(cè)更是重中之重。因此，本文的工作只是階段性成果，如何有效地構(gòu)建可行的預(yù)警模型是將我們下一步需要進(jìn)一步探討的方向。

[參考文獻(xiàn)]

[1]Fitzpatrick P J，Acomparison ofratios of successful industrial enterprises with those of failed firms[J].Certified Public Account ，1932.

[2]Beaver W. Alternative accounting measures:predictors of failure[J].Accounting Review， 1968， 10(2):113-122.

[3]Edward I Altman，F(xiàn)inancial ratios，discriminant analysis and the prediction of bankruptcy[J].Journal of Finance，1968，23(4):590-609.

[4]李秉祥.基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)非線性組合預(yù)測(cè)方法研究[J].管理工程學(xué)報(bào)，2005(1):19-23.

[5]李益騏，田高良.上市公司財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究[J].西北大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版)，2009(5):79-82.

[6]李臘生，張 巖.我國(guó)上市公司財(cái)務(wù)危機(jī)的判斷與預(yù)警[J].商業(yè)經(jīng)濟(jì)與管理，2009(4):90-96.

[7]郭德仁，王培輝.基于模糊聚類和模糊模式識(shí)別的企業(yè)財(cái)務(wù)預(yù)警[J].管理學(xué)報(bào)，2009(9):1194-1197.

[8]周輝仁，唐萬(wàn)生，任仙玲.基于遞階遺傳算法和網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警[J].系統(tǒng)管理學(xué)報(bào)，2010(1):1-6.

[9]程曉娟.上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究及實(shí)證分析[D].成都:成都理工大學(xué)，2005.

[10]韓 偉，李 杰.基于熵權(quán)法的財(cái)務(wù)危機(jī)預(yù)警指標(biāo)選擇研究[J]. 北京交通大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2007(4):65-68.

[11]宋 鵬，梁吉業(yè)，曹付元.基于鄰域粗糙集的企業(yè)財(cái)務(wù)危機(jī)預(yù)警指標(biāo)選擇[J].經(jīng)濟(jì)管理，2009(8):130-135.

Study on Screening Warning Indicators of Enterprise’s Financial Crisis

Quan Chunguang1， Cheng Xiaojuan2

(1. School of Management， Hunan University of Science and Technology， Xiangtan 411201， China;

2 .Dept of Industrial Engineering， Hunan University of Science and Technology， Xiangtan 411201，China)

Abstract:It is essential for improving warning accuracy to select appropriate financial indicators so as to describe warning model. This paper applies significance and factor analysis methods to choose from candidate indicators for financial crisis warning and presents an empirical study of 76 listed companies in Stock Market. As a result， seven indicators are selected as a warning indicator system for financial crisis， offering a reference for further evaluation of financial crisis warning.

Key words: significance analysis; factor analysis; financial crisis;warning;indicator screening

(責(zé)任編輯:張丹郁)