（南京理工大學泰州科技學院 江蘇泰州225300）

一、引言

經(jīng)濟環(huán)境的復雜化和競爭的白熱化，使得企業(yè)經(jīng)營面臨巨大風險和不確定性從而導致財務(wù)危機。財務(wù)危機預警可預知財務(wù)危機發(fā)生的征兆，其有效性和準確性的提高有助于企業(yè)及時發(fā)現(xiàn)導致財務(wù)狀況惡化的原因，及早應對。準確有效的預警除了對企業(yè)管理層起到警示作用外，還能助投資者做出有利的投資決策，便于債權(quán)人控制信貸風險，利于證券等監(jiān)督部門的監(jiān)管。迄今，理論界已發(fā)展出諸如多元判別模型、多元邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)模型等多種模型來研究財務(wù)危機預警，但受制于多元判別模型和邏輯回歸模型需要眾多假設(shè)條件，神經(jīng)網(wǎng)絡(luò)模型建模復雜、其運作原理無法明確等問題，這些模型的適用性受到極大限制，鑒于此，本文選擇無假設(shè)要求且原理簡單的因子分析模型對財務(wù)危機預警進行研究。

二、文獻回顧

20世紀30年代，國外已開始對財務(wù)危機預警進行研究，取得了一定的成果并廣泛應用于實際。而國內(nèi)學者對財務(wù)危機預警模型的研究起步較晚，始于20世紀80年代末?？傮w來說，國內(nèi)外財務(wù)危機預警模型的研究進展可概括為：從單變量分析模型到多變量分析模型，從統(tǒng)計分析方法到基于人工智能的機器學習分析方法。

Beaver（1966）首建了單變量財務(wù)危機預警模型，使用30個財務(wù)比率進行了對比研究，結(jié)果表明，資產(chǎn)負債率、資產(chǎn)收益率和現(xiàn)金流量/負債總額這3個財務(wù)比率預測財務(wù)危機是有效的，其中現(xiàn)金流量/總負債這一財務(wù)比率預測財務(wù)失敗效果最好。Altman（1968）首用多變量分析進行了財務(wù)危機預警研究，并提出了判斷企業(yè)破產(chǎn)的臨界值，這種方法用多個財務(wù)指標加權(quán)匯總后產(chǎn)生的總判斷分值（稱為Z值）來預測財務(wù)危機。周首華等（1996）對Altman的Z分數(shù)模型進行了改善，將現(xiàn)金流量指標加入預警機制中從而建立了F分數(shù)模型。吳世農(nóng)和盧賢義分別采用判別分析和logistic回歸方法建立和估計了預警模型，并比較了各種方法的預測效果。隨著數(shù)據(jù)挖掘技術(shù)的日漸成熟，開始有學者使用神經(jīng)網(wǎng)絡(luò)研究財務(wù)危機預警，Odom和 Sharda（1990）將人工神經(jīng)網(wǎng)絡(luò)模型應用在破產(chǎn)預測模式中，用人工神經(jīng)網(wǎng)絡(luò)預測財務(wù)危機的新方法，他們選用Altman選取的5個財務(wù)比率，設(shè)置5個隱藏節(jié)點，建立了神經(jīng)網(wǎng)絡(luò)預警模型，發(fā)現(xiàn)使用神經(jīng)網(wǎng)絡(luò)的方法對公司財務(wù)危機的預測率高于基于統(tǒng)計的方法。我國學者楊淑娥、黃禮等通過改變隱含層個數(shù)等方式對模型的可靠性進行了驗證。

三、樣本與指標的選取

（一）樣本確定及分組

國內(nèi)學術(shù)界和實務(wù)界對財務(wù)危機的界定各不相同，概括起來主要分為兩種：其一，認為企業(yè)破產(chǎn)是最嚴重的財務(wù)危機；其二，鑒于我國資本市場的特殊性，國內(nèi)大多數(shù)學者將是否被“ST”作為判斷企業(yè)發(fā)生財務(wù)危機與否的標準?？紤]可行性，本文也以是否被ST作為判斷企業(yè)財務(wù)危機的標準，選取了2011—2012年間被ST的A股上市公司作為發(fā)生財務(wù)危機的公司樣本，同時按配對樣本屬于同類行業(yè)且總資產(chǎn)規(guī)模相差在10%以內(nèi)的原則，對每一家ST公司進行配對選擇非ST公司，共選定50家ST公司和與之配對的50家非ST公司作為研究樣本。其中，50家ST公司中，20家在2011年被宣布為ST公司，30家在2012年被宣布為ST公司。研究時，筆者把50家被ST的公司隨機分成兩組，一組為建模樣本組，一組為檢驗樣本組。剩下的50家非ST公司根據(jù)與其配對的ST公司的分組情況，相應分配到檢驗數(shù)據(jù)組和建模數(shù)據(jù)組中。這樣，100家企業(yè)中就有50家（25家ST公司和25家非ST公司）公司用來建模，50家（25家ST公司和25家非ST公司）用來檢驗模型預測的準確性。

（二）預警指標體系的確定

在總結(jié)了前人研究及企業(yè)經(jīng)營特征的基礎(chǔ)上，本文選取了23個指標，分別囊括了企業(yè)償債能力、營運能力、盈利能力、成長能力、現(xiàn)金流量狀況和表外其他信息6個方面。這些變量的類別如表1所示。

表1 財務(wù)危機預警指標體系表

（三）財務(wù)危機預警指標的篩選

為建立一個有效的財務(wù)預警模型，所選指標必須能夠有效地判別財務(wù)危機企業(yè)和財務(wù)正常企業(yè)。因此，在構(gòu)建模型之前，需要對所選指標進行顯著性檢驗以剔除ST公司和非ST公司之間顯著差別不高的指標。

顯著性檢驗即事先對總體的參數(shù)或總體分布形式做出預先假設(shè)，然后利用樣本信息判斷該假設(shè)是否合理，即判斷總體的真實情況與原假設(shè)是否有顯著性差異。當樣本總體符合正態(tài)分布時，一般會使用參數(shù)檢驗的方法；當樣本總體不符合正態(tài)分布時，一般采用非參數(shù)的檢驗方法。在本文中，由于總體分布未知，故首先要對樣本數(shù)據(jù)進行正態(tài)性檢驗。

1.樣本數(shù)據(jù)的正態(tài)性檢驗——單樣本K-S檢驗。通過SPSS 19.0對前面所選取的23個財務(wù)比率指標進行顯著性水平為5%的K-S檢驗，結(jié)果如表2所示（其中T-1、T-2和T-3分別代表被宣布特別處理前1年、前2年和前3年）。

在顯著性水平為0.05的水平下，當漸進顯著性P值＞0.05時，該指標符合正態(tài)分布。從表2中可以得出：T-1年只有 X6、X7、X9、X11、X15、X17、X21符合 正態(tài)分 布；T-2 年只 有X6、X7、X9、X13符合正態(tài)分布；T-3 年只有 X6符合正態(tài)分布。整體上看，三年內(nèi)只有X6都符合正態(tài)分布，故指標變量整體來說并不符合正態(tài)分布。

2.樣本數(shù)據(jù)的顯著性檢驗——初次篩選。對樣本數(shù)據(jù)進行顯著性檢驗時，T檢驗和U檢驗均可用。實用時，只要檢驗樣本含量較大（n＞30）或檢驗樣本含量較小（n〈30）但總體標準差σ已知時，即可應用u檢驗；當檢驗樣本含量較小（n〈30），總體標準差σ未知時可應用T檢驗，但要求樣本數(shù)據(jù)呈正態(tài)分布。由于所選取的指標變量在總體上不符合正態(tài)分布，且樣本數(shù)較大，所以本文采用U檢驗來檢驗指標變量的顯著性。

表2 K-S檢驗結(jié)果

表3 指標變量的U檢驗結(jié)果

利用收集的兩組共100家上市公司的數(shù)據(jù)資料，使用SPSS 19.0統(tǒng)計分析軟件中的兩個獨立樣本顯著性檢驗，對被宣布特別處理前1年、2年、3年的數(shù)據(jù)進行U檢驗，結(jié)果如上頁表3所示。

據(jù)表3可得T-1年至T-3年指標變量顯著性檢驗的結(jié)果：應收賬款周轉(zhuǎn)率（X4）、存貨周轉(zhuǎn)率（X5）、總資產(chǎn)周轉(zhuǎn)率 （X6）、銷售毛利率（X11）、Z 指標（X22）和審計意見類型（X23）這6個財務(wù)指標在0.05水平上沒有通過顯著性檢驗，說明該6個指標無法有效區(qū)分企業(yè)是財務(wù)失敗還是財務(wù)正常，故剔除這6個指標。

3.因子分析——再次篩選?？紤]中國證監(jiān)會界定上市公司財務(wù)狀況異常的標準一般是“連續(xù)兩年虧損”，所以本文利用建模組公司T-2的數(shù)據(jù)，共50個樣本，結(jié)合前文中通過顯著性檢驗篩選出的17個指標進行因子分析，利用因子分析對這17個指標再次精簡，去除重復信息。

（1）KMO檢驗。通常在因子分析之前，需要對原有變量之間是否存在相關(guān)關(guān)系進行研究。本文采用KMO和巴特利特檢驗對變量進行相關(guān)性檢驗。表4的檢驗結(jié)果顯示KMO值為0.667大于0.6，表明可做因子分析；又因Bartlett球狀檢驗的相伴概率為0.000，遠小于顯著性水平0.05，因此可以認為原始變量之間存在相關(guān)性，適合做因子分析。

（2）因子分析。統(tǒng)計方法中，可據(jù)因子載荷矩陣得出所選公因子的個數(shù)。為確定選取的公因子個數(shù)，需要計算各因子的特征值和累計貢獻率。本文選取公因子時要求因子的特征值大于1。表5顯示，選取5個公因子時，每個公因子的特征值都大于1，且累計貢獻率達到76.74%，即這5個主成分因子包含了原來76.74%的信息量，變量信息丟失較少，因子分析的結(jié)果較為理想。為便于對這5個因子進行解釋，本文使用了正交旋轉(zhuǎn)法中最大方差法進行轉(zhuǎn)換得到因子載荷矩陣表6。表6顯示：因子Z1中，財務(wù)比率X10、X12的因子載荷量都大于90%，而這2個財務(wù)比率是反映企業(yè)盈利能力的指標，故將Z1命名為盈利能力因子；因子Z2中，財務(wù)比率X14、X18的因子載荷量遠大于其他財務(wù)比率的因子載荷量，而X14、X18是反映企業(yè)成長能力的指標，故將Z2命名為成長能力因子；因子Z3中，財務(wù)比率X2、X3的因子載荷量都大于90%，遠大于其他財務(wù)比率的因子載荷量，而X2、X3是反映企業(yè)償債能力的指標，故將Z3命名為償債能力因子；在因子Z4中，財務(wù)比率X19、X21的因子載荷量遠大于其他財務(wù)比率的因子載荷量，而X19、X21分別反映企業(yè)現(xiàn)金流量的指標，故將Z4命名為現(xiàn)金能力因子；在因子Z5中，財務(wù)比率X7、X17的因子載荷量大于其他財務(wù)比率的因子載荷量，而X7、X17分別反映企業(yè)盈利和成長能力的指標，故將Z5命名為綜合能力因子。

表4 KMO和Bartlett的檢驗

表5 解釋的總方差

根據(jù)表6旋轉(zhuǎn)平方和載入方差值和表7各公因子得分系數(shù)，確定財務(wù)危機預警函數(shù)為：

四、財務(wù)危機預測值的確定及預警模型的檢驗

（一）財務(wù)危機預測值的確定

將建模組共50個樣本的數(shù)據(jù)帶入公式一中，得到各企業(yè)綜合財務(wù)風險預測值F，根據(jù)F值的高低排列企業(yè)，結(jié)果見表 8。

表6 旋轉(zhuǎn)后的因子載荷矩陣

表7 成分得分系數(shù)矩陣

根據(jù)表8中各預測值F和確保最小錯誤率的原則，選定ST企業(yè)和非ST的最佳分割點，本文中稱該分割點為風險臨界值PS。通過分析可看出，這個分割點在-0.08和0.02之間時，誤判率最小，故本文選擇這兩個數(shù)值的平均數(shù)作為風險臨界值，即PS為-0.03。

據(jù)前文，距被宣布特別處理前兩年財務(wù)預警的因子分析模型為：

F=（0.20302Z1+0.17393Z2+0.15622Z3+0.13054Z4+0.10364Z5）/0.76736

若 F≥PS，則2年后該企業(yè)為非 ST企業(yè)；若 F〈PS，則 2年后該企業(yè)為ST企業(yè)。

表8 建模數(shù)據(jù)的綜合得分排序

（二）預警模型的檢驗

為檢驗PS臨界值-0.03在預測財務(wù)危機方面的準確性，本文把距被宣布特別處理前兩年（即T-2年）的檢驗組樣本數(shù)據(jù)（共50個樣本）帶入因子分析模型，即公式一中，得到檢驗組樣本各公司F值，根據(jù)F值的高低排列企業(yè)，結(jié)果見表9。

根據(jù)建模樣本組確定的風險臨界值PS=-0.03，被宣布特別處理前兩年的檢測組公司樣本數(shù)據(jù)F值計算結(jié)果表明：50家企業(yè)里有45家預測正確，預測錯誤的為華電能源、蓮花味精、金健米業(yè)、*ST新農(nóng)、*ST南紡這五家，預測正確率達90%。因此，公司被宣布特別處理前兩年，該財務(wù)風險預警模型具有較好的預測能力。

表9 檢驗數(shù)據(jù)的綜合得分排序

五、結(jié)論

本文選取2011—2012年間A股上市公司中被ST的50家公司和與其配對的50家非ST的公司作為研究樣本，以被ST前三年的數(shù)據(jù)作為樣本數(shù)據(jù)，使用U檢驗嚴格篩選出17個財務(wù)指標作為指標變量，對上市公司前兩年的數(shù)據(jù)運用因子分析對指標體系進行再次篩選，構(gòu)建了財務(wù)危機預警模型。研究結(jié)果顯示：公司被宣布特別處理前兩年預測的正確率高達90%，達到了較好的預測效果。