淄博職業(yè)學院 楊 華

一、引言

會計學科存在的基本前提有四：會計主體、會計分期、持續(xù)經營和貨幣計量。持續(xù)經營這一前提假設企業(yè)處于連續(xù)的、不間斷的生產經營活動之中，也就是處于可持續(xù)發(fā)展過程中。換言之，一個健康的企業(yè)，也必定是持續(xù)發(fā)展、永續(xù)經營的企業(yè)。要做到這一點，企業(yè)必須在方方面面下功夫，例如生產、財務、經營等。從財務角度看，企業(yè)發(fā)展需要健康的財務，擁有充裕的現金流、能按期償還債務、不斷增值的利潤等。然而，企業(yè)內外部存在太多不確定因素，這些因素或暗中或直接損害企業(yè)的財務健康，因此，必須高度重視財務危機防范與預警。企業(yè)管理層需要從思想上對潛在的危機有清醒的認識和高度警惕，否則企業(yè)持續(xù)經營能力將不斷削弱，導致財務危機，若任其發(fā)展、放任自流、債務高筑，結果必將破產倒閉。而要避免這一可預見的惡性后果的方法之一，就是企業(yè)要未雨綢繆，借助財務危機預警，采取有力措施，及時化解、防范各類財務風險，擺脫財務危機，走上健康、可持續(xù)發(fā)展之路。

二、研究設計

（一）樣本選取 以2002年-2010年間為選樣期間，在剔除了金融保險類公司、存有舞弊上市行為的公司及資料不全的公司后，選擇了200 家因連虧兩年首次被*ST 的上市公司作為研究對象，并一一配對了200 家非財務危機公司，這樣，獲得研究樣本400家，其中：300 家公司（含財務危機公司150 家）用于構建模型，100家公司（含財務危機公司50 家）用于效果檢驗。分僅使用財務變量和引入非財務變量兩種情況，對研究樣本進行危機前3年的遠期預警分析。

（二）變量選取及其檢驗 從“持續(xù)經營”和“利益相關”視角進行正態(tài)性檢驗，淘汰了部分變量后，得到反映償債能力、盈利能力、營運能力、發(fā)展能力、風險水平、現金流量能力等6 個方面的49 個財務變量和報表審計因素、股東權益結構、董事會規(guī)模結構、高管人員持股等4 個方面的17 個非財務變量。再通過使用SPSS17.0進行顯著性檢驗和相關性檢驗，最后取得26 個變量，其中反映償債能力的變量2 個、反映盈利能力的變量7 個、反映營運能力的變量4 個、反映股東獲利能力的變量4 個、反映現金流量的變量2個、反映報表審計因素的變量3 個、反映股東權益結構變量4 個。使用主成分分析方法獲取綜合因子對26 個變量進行降維。檢測發(fā)現，僅使用財務變量時偏相關性的KMO 統(tǒng)計量=0.743，引入非財務變量時偏相關性的KMO 統(tǒng)計量=0.754，均大于0.7，可使用主成分分析法。

（一）僅財務變量的主成分分析 在僅使用財務變量時，我們取累計貢獻率為75.838%，取得主成分因子為6 個，即用這6 個主成分因子來代替原有的19 個財務變量，這6 個主成分因子包含原來75.838%的信息量，相應地，有24.162%的信息損失。

為了對這6 個因子進行解釋，就需要得到19 個原始財務變量對這6 個主成分因子的因子載荷（即原始變量與主成分因子的相關系數）。研究中發(fā)現大多數因子和多個變量相關，使得初始因子很難解釋，因而使用正交旋轉法進行轉換，得到的6 個主成分因子可分別命名為：盈利能力―資產主成分因子F1（主要由資產報酬率、總資產凈利潤率和凈資產收益率解釋）；營運―償債能力主成分因子F2（主要由現金比率、應收賬款周轉率和流動資產周轉率解釋）；營運能力―股東權益主成分因子F3（主要由股東權益周轉率解釋）；現金流量能力主成分因子F4（主要由現金流量對流動負債比率和每股經營活動現金凈流量解釋）；盈利能力―損益主成分因子F5（主要由營業(yè)毛利率和邊際利潤率解釋）；股東獲利能力主成分因子F6（主要由每股盈余公積和普通股獲利率解釋）。

因子變量協(xié)方差矩陣顯示，不同因子之間的數據為0，證實了6 個主成分因子之間是不相關的，也即構造模型的變量間不存在多重共線性問題，可以使用這6 個主成分因子代替原有的19 個財務變量。

（二）引入非財務變量的主成分分析 在引入非財務變量時，使用同樣方法提取的8 個綜合主成分因子載分別命名為：盈利能力―資產主成分因子F1（主要由凈資產收益率、總資產凈利潤率和資產報酬率解釋）；公司治理主成分因子F2（主要由第一大股東持股比例、H5指數和H10 指數解釋）；營運能力―股東權益主成分因子F3（主要由股東權益周轉率解釋）；營運―償債能力主成分因子F4（主要由現金比率、應收賬款周轉率和流動資產周轉率解釋）；現金流量能力主成分因子F5（主要由現金流量對流動負債比率和每股經營活動現金凈流量解釋）；盈利能力―損益主成分因子F6（主要由營業(yè)毛利率和邊際利潤率解釋）；股東獲利能力主成分因子F7（主要由每股盈余公積和普通股獲利率解釋）；審計因素主成分因子F8（主要由最后一個月披露年報、審計意見和事務所變更解釋）。提取的這8 個主成分因子中，F2和F8都是由非財務變量來解釋的。8 個主成分因子之間是不相關的，構造模型的變量間不存在多重共線性問題。

三、實證結果與分析

使用虛擬變量y 判斷上市公司是否會出現財務危機，當發(fā)生財務危機時設為1，否則設為0。以主成分分析提取的主成分因子Fi作為自變量，使用SPSS17.0，構建僅使用財務變量和引入非財務變量的靜態(tài)多元邏輯回歸財務危機預警模型（簡稱MLR 模型）。在MLR 模型中，使用Wald 統(tǒng)計量判斷自變量是否可以含在模型中里，sig.是其對應的伴生概率，sig.值越小，該變量在模型中的地位就越重要。

表1 分步預測結果

（一）僅使用財務變量的模型M L R1軟件SPSS17.0 進行了4個步驟的回歸分析，各步建立模型的預測準確率如表1所示。第2步中，150 家危機公司有121 家得以正確預測，而且模型的總體預測準確率在四個模型中也是最高，因而采用第2 步時建立的模型。以僅使用財務變量時提取的6 個主成分因子建立的MLR 模型MLR1為：

由表2可知，除主成分因子F4和F5以外，主成分因子F1、F2、F6均通過了1%水平上的顯著性檢驗，表明用于構建模型的5 個主成分因子中有3 個在99%的水平上顯著，在模型中具有重要的地位。F3沒有進入模型，被剔出。3 個主成分因子在模型中作用顯著，也表明了隨著企業(yè)所處內外環(huán)境的日益復雜，一元判別分析難以充分反映企業(yè)的財務特征，不能對企業(yè)的財務狀況作出正確的判斷，在研究中需謹慎使用。

表2 模型MLR1 的相關參數

（二）引入非財務變量的模型M L R2軟件SPSS17.0 進行了3個步驟的回歸分析，各步建立模型的預測準確率如3 所示。

表3 分步預測結果

第1 步中，150 家危機公司有110 家得以正確預測，而且模型的總體預測準確率在3 個模型中也是最高，因而采用第1 步時建立的模型。以引入非財務變量時提取的8 個主成分因子建立的MLR 模型MLR2為：

由表4可知，主成分因子F1、F2、F4、F7、F8均通過了1%水平上的顯著性檢驗，5 個主成分因子在模型MLR2中的地位均十分重要。此外，8 個主成分因子都進入模型，沒有被剔除的。引入的兩個非財務主成分因子也在模型中作用顯著，對提升模型的預測準確性起到一定的積極作用。

表4 模型MLR2 的相關參數

主成分因子F2的系數為負，說明公司治理因素與上市公司發(fā)生財務危機負相關，即公司治理水平越差，發(fā)生財務危機的可能性越高。

主成分因子F8的系數為正，說明審計意見因素與上市公司發(fā)生財務危機正相關，即注冊會計師發(fā)表非標準審計意見時，上市公司傾向于發(fā)生財務危機。

（三）模型M L R1與M L R2預測準確率比較 首先設定Ⅰ類錯誤和Ⅱ錯誤的含義。Ⅰ類錯誤是指將財務危機公司被誤判為非財務危機公司，Ⅱ類錯誤是指將非財務危機公司誤判為財務危機公司。采用一一配對方式，MLR 模型的預測分割點默認為0.500，預警模型判別能力好的標準是第Ⅰ類錯誤小，總體識別率高。

（1）回代預測準確率比較。回代預測就是將構造樣本的相關變量值代入模型，以查看觀測值和預測值是否一致。表5給出了模型MLR1和MLR2的回代預測準確率。

表5 模型MLR1 與MLR2 的回代預測準確率比較

可以看出，僅使用財務變量的模型MLR1中，犯Ⅰ類錯誤的比例為19.3%；而犯Ⅱ類錯誤的比例為34.7%，高于犯Ⅰ類錯誤的比例；模型MLR2中，犯Ⅰ和Ⅱ類錯誤的比例分別為26.7%和30.7%，雖然犯Ⅱ類錯誤也高于犯Ⅰ類錯誤的比例，但兩者之間的差別（4%）要小于模型MLR1兩類錯誤之間的差別（15.4%）。模型MLR1和MLR2犯Ⅰ類錯誤的比例均低于犯Ⅱ類錯誤的比例，表明這兩個模型對財務危機公司的預測準確率高于對非財務危機公司的預測準確率。

模型MLR1和MLR2對財務危機公司的回代預測都取得了較好的效果，總體預測準確率分別為73.0%、71.3%。顯然，模型MLR1的總體預測效果要好于模型MLR2。

分析可得：模型MLR1是判別效果較好的模型。說明在使用MLR 進行財務危機前三年的預警研究時，引入非財務變量無助于提高模型的預測準確率。需要指出的是，這一研究結論與其他多數學者的研究結果不具備可比性，因為研究期間為危機前3年，而其他多數學者研究較多使用的是危機前1年或危機前2年的數據。

（2）驗證預測準確率比較。測試樣本是由沒有用于建立模型的100 家公司組成。將根據因子得分函數系數計算出的測試樣本的主成分因子的值，分別代入模型MLR1和MLR2，得到的驗證預測準確率見表6。

表6 模型MLR1 與MLR2 的驗證預測準確率比較

相較于回代預測，驗證預測的各項預測準確率均下降。這是因為回代預測時，用于評價模型的樣本在構造模型時已經使用過了，模型的判別函數是建立在對該樣本多次試錯或誤判率最小的基礎上，而測試樣本是外部數據，并未用于建立模型。

模型MLR1和MLR2的Ⅰ類錯誤均低于Ⅱ類錯誤，說明這兩個模型對財務危機公司的識別能力均高于對非財務危機公司的識別能力。

模型MLR1和MLR2的驗證總體預測準確率均達到了60%以上。和回代預測的結果一樣，非財務變量對模型預測效果的影響仍不是很明顯，模型MLR2的驗證預測準確率比模型MLR1低1%左右。預測效果較好的仍是沒有使用非財務變量的模型MLR1?？梢?，上市公司發(fā)生財務危機前3年，在MLR 模型中引入非財務變量是否有意義還需進一步研究。

四、研究結論

使用危機前3年的數據，利用多元邏輯回歸（MLR）建立財務危機預警模型時，對財務危機公司的預測均取得了較好的效果，引入非財務變量后，模型預測準確率沒有顯示出顯著的提升效果。可見，引入非財務變量并不是提升財務危機預警準確性的必由之路，因為無論財務變量還是非財務變量都是基于公司自身的信息披露獲得的，影響公司財務狀況的因素除公司自身的因素外，外部因素，如宏觀經濟環(huán)境、國家政策變化等，都可能對公司的財務狀況產生影響，提升財務危機預警效果，還必須構建更為齊全、科學的預警變量體系，從理論上對公司財務危機產生的原因進行闡述。

需特別注意的是，現金流量能力主成分因子F5（主要由現金流量對流動負債比率和每股經營活動現金凈流量解釋）在僅使用財務變量模型和引入非財務變量模型中都不顯著。通過我們對多家上市公司的座談走訪，也發(fā)現公司的財務高管極度關注現金流量，在他們強烈的重視下，各公司間并沒有明顯的差距，也就是說他們?yōu)樘嵘髽I(yè)的現金流，都采取了積極有效的措施，從這一環(huán)節(jié)上較難尋找到財務危機癥狀，值得進一步思索是否有必要在預警模型中加入反映現金流量能力的自變量。

［1］ 楊兵、柯佑鵬：《非財務指標影響上市公司財務危機預測能力的實證研究》，《財會通訊（學術）》2005年第11 期。

［2］ 鄧曉嵐、王宗軍、李紅俠、楊忠誠：《非財務視角下的財務困境預警》，《管理科學》2006年第3 期。