李海玲

制造業(yè)上市公司財(cái)務(wù)預(yù)警模型構(gòu)建

李海玲

針對(duì)制造業(yè)短期財(cái)務(wù)預(yù)警模型缺乏的現(xiàn)狀，本文以2014年數(shù)據(jù)為模型樣本，嘗試以Logistic和Fisher構(gòu)建短期財(cái)務(wù)預(yù)警模型。在此基礎(chǔ)上，以2016年公布的2015年1867家制造業(yè)上市公司數(shù)據(jù)為檢驗(yàn)樣本，對(duì)模型預(yù)警能力進(jìn)行檢驗(yàn)。旨在為對(duì)企業(yè)管理、短期投資、或相關(guān)利益者有效辨別財(cái)務(wù)困境提供有效模型。

Logistic回歸；Fisher判別；財(cái)務(wù)預(yù)警；制造業(yè)

一、研究背景

（一）國(guó)內(nèi)外文獻(xiàn)綜述

國(guó)外，最早是Fitzpatrick進(jìn)行財(cái)務(wù)危機(jī)單變量預(yù)警，后期研究從單變量突破到多變量。關(guān)于多變量的研究，主要有多元線性、多元邏輯、多元概率三大類模型。還有其他研究，即嘗試著對(duì)基本模型加入現(xiàn)金流量、審計(jì)意見、股權(quán)治理等新因素，期望提高財(cái)務(wù)困境預(yù)警模型準(zhǔn)確率。

國(guó)內(nèi)研究始于上世紀(jì)八十年代，相對(duì)于國(guó)外起步較晚，可以借鑒的國(guó)外研究很多，所以國(guó)內(nèi)研究軌跡基本和國(guó)外是一致的。在此基礎(chǔ)上，以我國(guó)企業(yè)數(shù)據(jù)為樣本，國(guó)內(nèi)學(xué)者也嘗試著進(jìn)行了一些有益的探索。首先，分行業(yè)進(jìn)行研究。最新的文獻(xiàn)主要有王洪艷（2015）生物制藥業(yè)、梁飛媛（2014）機(jī)械制造業(yè)、張國(guó)政（2015）農(nóng)業(yè)、定鵬（2012）高校、邢有洪（2011）航空公司等。其次，分模型進(jìn)行研究。相對(duì)于國(guó)外三大類模型，國(guó)內(nèi)偏向于研究三大類模型中的這些具體模型：Ahmna的Z值模型、Fisher判別模型、Logistic模型、網(wǎng)絡(luò)神經(jīng)模型。

（二）研究目的

縱觀國(guó)內(nèi)研究，雖然取得了重大進(jìn)展，但是，還存在一定的研究空間。首先，行業(yè)方面。隨著《中國(guó)制造2025》規(guī)劃的推出，制造業(yè)備受關(guān)注。但是，對(duì)于制造業(yè)，近三年有關(guān)制造業(yè)財(cái)務(wù)預(yù)警文獻(xiàn)并不多。其次，模型方面。雖然有些財(cái)經(jīng)類網(wǎng)站提供上市公司Z值預(yù)警，但與公布的ST真實(shí)結(jié)果相差較大。當(dāng)然，國(guó)內(nèi)許多研究表明，Logistic模型準(zhǔn)確率相對(duì)較高。但是，對(duì)此模型，絕大部分學(xué)者選擇以年度數(shù)據(jù)進(jìn)行檢驗(yàn)。針對(duì)短期財(cái)務(wù)困境的預(yù)警模型還十分匱乏，不能滿足短期投資需求，故本文嘗試構(gòu)建短期財(cái)務(wù)預(yù)警模型，旨在為相關(guān)利益者有效辨別短期財(cái)務(wù)困境提供參考。

二、Logistic模型構(gòu)建

（一）樣本及指標(biāo)選取

1.樣本選取

首先，樣本行業(yè)選取制造業(yè)。根據(jù)國(guó)內(nèi)外學(xué)者研究發(fā)現(xiàn)，樣本所處行業(yè)不同，財(cái)務(wù)指標(biāo)呈現(xiàn)較大的差異性，因此，ST預(yù)警結(jié)合行業(yè)更加精確合理。根據(jù)我國(guó)證監(jiān)會(huì)行業(yè)統(tǒng)計(jì)，共有18個(gè)行業(yè)?？v觀各行業(yè)上市公司的數(shù)量、各行業(yè)被ST的公司數(shù)量，制造業(yè)在這兩方面都位居首位，故本文選取了2014年制造業(yè)上市公司作為模型樣本，以其2012年至2014年數(shù)據(jù)為樣本數(shù)據(jù)。其次，樣本容量大、數(shù)據(jù)新。最后，樣本配比比例多次測(cè)算。國(guó)內(nèi)外對(duì)于ST和非ST公司的配比有1:1、1:2、1:3，本文通過(guò)對(duì)1:1到1:4的幾種比例進(jìn)行測(cè)算對(duì)比，發(fā)現(xiàn)1:2建模是最佳的，而且過(guò)高的配比比例會(huì)影響模型的穩(wěn)健性。對(duì)于本文選取的樣本見表1：

表1　制造業(yè)上市公司ST預(yù)警樣本選取情況　　單位：家

2.指標(biāo)選取

在選取指標(biāo)時(shí)，考慮到以下幾個(gè)特點(diǎn)：（1）獲取性。本文主要是為了構(gòu)建簡(jiǎn)易模型，能夠通過(guò)財(cái)務(wù)指標(biāo)快速地預(yù)測(cè)被ST的可能性。所以，在選取指標(biāo)時(shí)，要考慮指標(biāo)容易獲取。本文的指標(biāo)通過(guò)新浪、同花順等財(cái)經(jīng)類網(wǎng)站均可獲取，便于決策者快速預(yù)測(cè)。（2）全面性。單項(xiàng)財(cái)務(wù)指標(biāo)反映的能力有限，本文從6個(gè)方面選取指標(biāo)作為自變量，旨在提高預(yù)警效力。（3）穩(wěn)定性。選取每種財(cái)務(wù)能力的核心指標(biāo)，過(guò)多的指標(biāo)進(jìn)行組合建模會(huì)影響模型的穩(wěn)定性。綜上，構(gòu)成自變量的指標(biāo)具體如表2所示：

表2　　預(yù)警指標(biāo)選取情況

（二）Logistic模型構(gòu)建

1.正態(tài)性檢驗(yàn)

本文首先對(duì)所選取的12項(xiàng)財(cái)務(wù)指標(biāo)進(jìn)行正態(tài)性檢驗(yàn)，這主要通過(guò)SPSS軟件中的K-S檢驗(yàn)來(lái)實(shí)現(xiàn)。從檢驗(yàn)結(jié)果可知，在a=0.05的顯著水平下，只有X10的雙側(cè)顯著性0.2＞0.05，服從正態(tài)分布，其他指標(biāo)均不服從正態(tài)分布。

2.顯著性檢驗(yàn)

針對(duì)正態(tài)性檢驗(yàn)的不同結(jié)果，選用不同的顯著性檢驗(yàn)。首先，對(duì)服從正態(tài)分布的X10采用獨(dú)立樣本T檢驗(yàn)，從檢驗(yàn)結(jié)果可知，方差方程的Levene檢驗(yàn)結(jié)果為sig.=0.001＜0.05,并且F=11.452,說(shuō)明兩組方差不相等。當(dāng)方差不相等時(shí)，X10雙側(cè)顯著性0.000＜0.05,說(shuō)明X10在是否ST上存在顯著性差異。其次，對(duì)其他指標(biāo)采用兩個(gè)獨(dú)立樣本非參數(shù)檢驗(yàn)中的Mann-Whitney U檢驗(yàn)，從檢驗(yàn)可知，在a=0.05的顯著性水平下，只有X7的雙側(cè)顯著性0.213＞0.05，說(shuō)明X7在是否ST上不存在顯著性差異。綜上，對(duì)于所有指標(biāo)，只有X7沒(méi)有通過(guò)顯著性檢驗(yàn)。

3.擬合度檢驗(yàn)

表3　　Logistic模型分類表

表3反映利用回歸模型對(duì)原始值的預(yù)測(cè)情況。整體預(yù)測(cè)正確率為79.44%。根據(jù)國(guó)內(nèi)外相關(guān)文獻(xiàn)，有相當(dāng)一部分研究以最低誤判率來(lái)尋找分割點(diǎn)。本文的分割點(diǎn)為0.5，如果調(diào)整分割點(diǎn)為0.42，則整體預(yù)測(cè)正確率為80.7%。參照現(xiàn)有的國(guó)內(nèi)外文獻(xiàn)，模型正確率接近80%，擬合方程的整體擬合效果是比較高的。其中，對(duì)非ST公司預(yù)測(cè)的正確為91.6%，說(shuō)明模型對(duì)這個(gè)單項(xiàng)預(yù)測(cè)效果很好。但是，對(duì)ST公司預(yù)測(cè)的正確率為55.1%，預(yù)測(cè)正確率偏低，這主要是由于模型通過(guò)ST近三年的數(shù)據(jù)建立的，2/3的樣本距離ST（財(cái)務(wù)困境）發(fā)生的時(shí)間超過(guò)一年。較早的財(cái)務(wù)指標(biāo)還不能充分反映ST公司財(cái)務(wù)困境的特點(diǎn)。因?yàn)樨?cái)務(wù)困境是一個(gè)隨著時(shí)間逐步惡化，是一個(gè)漸進(jìn)的過(guò)程。當(dāng)然，本文也嘗試以年度作為控制變量建立模型，消除時(shí)間因素，但其結(jié)果與本模型準(zhǔn)確率基本一樣，故不調(diào)整模型。

4.Logistic回歸模型構(gòu)建

根據(jù)回歸結(jié)果中方程式中的變量，通過(guò)顯著性為0.05 Wald檢驗(yàn)的自變量有：X2、X3、X8，說(shuō)明這3個(gè)變量對(duì)是否ST具有顯著影響，其他變量沒(méi)有通過(guò)顯著性水平。根據(jù)統(tǒng)計(jì)結(jié)果，3個(gè)變量的系數(shù)均為負(fù)，說(shuō)明這3個(gè)自變量每增加一個(gè)單位，發(fā)生ST的可能性只是小于一個(gè)單位的75.4%、88.9%、47%。根據(jù)表中的相關(guān)系數(shù)，進(jìn)一步得出Logistic擬合回歸方程為：

（三）Logistic模型預(yù)測(cè)

本文前面第二部分，已通過(guò)2014年ST和非ST公司為樣本建立了財(cái)務(wù)預(yù)警模型，整體準(zhǔn)確率比較高。在此基礎(chǔ)上，為了檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)能力，本文再運(yùn)用此模型對(duì)制造業(yè)上市公司1867家2015年的ST與非ST情況進(jìn)行預(yù)測(cè)，并與證監(jiān)會(huì)2016年公告的2015年ST結(jié)果進(jìn)行對(duì)比。由于本文基于短期財(cái)務(wù)預(yù)警模型缺乏的現(xiàn)狀，預(yù)檢驗(yàn)?zāi)Ｐ偷亩唐陬A(yù)測(cè)能力，所以檢驗(yàn)期間選取2015年的4個(gè)期間進(jìn)行短期預(yù)測(cè)，即2015年第一季、中期、第三季和年度，這四個(gè)期間分別對(duì)應(yīng)2015年被ST前9個(gè)月，6個(gè)月、3個(gè)月和0個(gè)月。列示ST前各個(gè)期間，有利于考察模型在各期間的預(yù)警準(zhǔn)確率和變化趨勢(shì)。當(dāng)然，財(cái)務(wù)報(bào)告對(duì)外公告的時(shí)間一般都比其所屬期間晚，所以，在運(yùn)用此模型進(jìn)行預(yù)測(cè)時(shí)，要注意ST預(yù)測(cè)期間所涵蓋的時(shí)間范疇。具體預(yù)測(cè)效果見表4。

表4　 Logistic模型2015年預(yù)測(cè)能力檢驗(yàn)

從表4可以看出：首先，在預(yù)測(cè)期間準(zhǔn)確率方面，各期間的單項(xiàng)和整體準(zhǔn)確率幾乎都在80%以上，說(shuō)明該模型具有很高的預(yù)測(cè)能力。有利于快速準(zhǔn)確地把握制造業(yè)上市公司短期財(cái)務(wù)預(yù)警狀況。其次，在準(zhǔn)確率變化趨勢(shì)方面，距離ST發(fā)生的時(shí)間越近，ST預(yù)警模型的單項(xiàng)與整體準(zhǔn)確度都越高，模型預(yù)測(cè)能力更強(qiáng)，說(shuō)明自變量可以有效地解釋及預(yù)測(cè)因變量。

三、Fisher模型構(gòu)建

對(duì)于制造業(yè)財(cái)務(wù)預(yù)警，本文也嘗試著運(yùn)用Fisher判別構(gòu)建模型。運(yùn)用同樣的數(shù)據(jù)，通過(guò)SPSS軟件進(jìn)行分析，根據(jù)Fisher判別函數(shù)系數(shù)，構(gòu)建的ST的判別表達(dá)式表示如下：

非ST=-0.53X1+0.947X2+0.182X3-0.009X4-0.001X 6+3.284X8+1.881X9+0.235X10+0.001X11+0.164X12 -11.929

ST=-0.351X1+0.684X2+0.101X3-0.01X4+0.002X5-0.004X6+2.597X8+1.861X9+0.237X10-0.008X11-0.48X12-11.094

在此基礎(chǔ)上，再運(yùn)用此表達(dá)式對(duì)2015年制造業(yè)上市公司進(jìn)行預(yù)測(cè)，判斷其是否被ST，從而檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力。對(duì)2015年制造業(yè)上市公司1867家的4個(gè)期間進(jìn)行預(yù)測(cè)，其中，各個(gè)期間數(shù)據(jù)存在披露不全的公司。剔除這些公司，對(duì)預(yù)測(cè)結(jié)果進(jìn)行整理如表5所示：

從表5可以看出：首先，在預(yù)測(cè)期間準(zhǔn)確率方面，各期間準(zhǔn)確率都比較高，但每個(gè)期間單項(xiàng)和整體準(zhǔn)確率都比Logistic模型低。其次，在準(zhǔn)確率變化趨勢(shì)方面，距離ST發(fā)生的時(shí)間越近，ST預(yù)警模型的單項(xiàng)與整體準(zhǔn)確率就越高，這與Logistic模型的預(yù)測(cè)變化趨勢(shì)是一致的。

表5　 Fisher模型2015年預(yù)測(cè)效果檢驗(yàn)

四、結(jié)論

本文以2014年制造業(yè)上市公司為樣本，利用其近三年數(shù)據(jù)為樣本，以反映財(cái)務(wù)6大核心能力的12項(xiàng)財(cái)務(wù)指標(biāo)作為預(yù)警指標(biāo)，建立財(cái)務(wù)預(yù)警模型。本文運(yùn)用Logistic回歸、Fisher判別兩種模型建立財(cái)務(wù)預(yù)警，并以最新的2015年數(shù)據(jù)為檢驗(yàn)樣本對(duì)模型預(yù)警效果進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果顯示：兩種模型單項(xiàng)和整體準(zhǔn)確率都比較高。而且距離ST發(fā)生的時(shí)間越近，ST預(yù)警模型的單項(xiàng)與整體準(zhǔn)確度都越高。但是，相比較而言，不管是單項(xiàng)還是整體，Logistic模型比Fisher模型準(zhǔn)確率更高。總之，對(duì)于短期財(cái)務(wù)預(yù)警模型比較缺乏的現(xiàn)狀，本文通過(guò)模型進(jìn)行實(shí)證檢驗(yàn)，旨在為對(duì)企業(yè)管理、短期投資、或相關(guān)利益者有效辨別財(cái)務(wù)困境提供有效模型。

鹽城師范學(xué)院校級(jí)品牌專業(yè)建設(shè)工程支柱項(xiàng)目。

[1]王宗勝.我國(guó)制造業(yè)上市公司財(cái)務(wù)困境預(yù)警分析[J].統(tǒng)計(jì)與決策,2015(3):174-177.

[2]王洪艷.生物制藥行業(yè)上市公司財(cái)務(wù)預(yù)警模型構(gòu)建[J].財(cái)會(huì)通訊,2015(19):33-36.

（作者單位：鹽城師范學(xué)院商學(xué)院）