韓珂　郝佳蓓

【摘要】我國(guó)是能源生產(chǎn)和消費(fèi)大國(guó)的，新能源上市公司的健康發(fā)展對(duì)我國(guó)的未來(lái)的戰(zhàn)略部署有重大的意義。同時(shí)新能源上市公司屬于資金密集型公司，有必要對(duì)其財(cái)務(wù)風(fēng)險(xiǎn)做好評(píng)估，降低風(fēng)險(xiǎn)，減少損失。本文選取我國(guó)深滬兩市A股市場(chǎng)的25家正常經(jīng)營(yíng)的公司和25家ST公司，在因子分析和Logit模型原理的基礎(chǔ)上，運(yùn)用SPSS19.0和STATA分析軟件，運(yùn)用Logit模型進(jìn)行實(shí)證分析，來(lái)對(duì)新能源上市公司的財(cái)務(wù)狀況進(jìn)行預(yù)測(cè)分析。實(shí)證證明主成分1對(duì)于財(cái)務(wù)預(yù)警具有很強(qiáng)的預(yù)測(cè)能力。

【關(guān)鍵詞】logit 新能源 因子分析 STATA

一、緒論

新能源是一個(gè)正在興起，并且在國(guó)家的大力支持下蓬勃發(fā)展的行業(yè)。對(duì)于新能源上市公司，不僅需要與同行業(yè)的新能源公司競(jìng)爭(zhēng)，還需要跟傳統(tǒng)的能源公司競(jìng)爭(zhēng)。對(duì)于身處競(jìng)爭(zhēng)激烈的新能源上市公司而言，建立財(cái)務(wù)機(jī)制是十分必要的。因?yàn)橥?cái)務(wù)數(shù)據(jù)的異常能反映出公司的潛在危機(jī)，為公司預(yù)防和應(yīng)對(duì)危機(jī)提供可靠的依據(jù)。本文的財(cái)務(wù)信用風(fēng)險(xiǎn)評(píng)估就是對(duì)引起企業(yè)財(cái)務(wù)狀況和經(jīng)營(yíng)狀況異常的因素進(jìn)行跟蹤和監(jiān)測(cè)，以便公司的管理層應(yīng)對(duì)危機(jī)。本論文還克服了僅僅依靠單純的財(cái)務(wù)指標(biāo)來(lái)預(yù)警帶來(lái)的滯后性，將新能源上市公司的財(cái)務(wù)風(fēng)險(xiǎn)看成一個(gè)動(dòng)態(tài)變化的過(guò)程，對(duì)于新能源上市公司危機(jī)預(yù)警和降低危害具有重大的意義。

二、國(guó)內(nèi)外研究現(xiàn)狀

馬?。∕artinm，1977）選取1969～1974年間58家有財(cái)務(wù)困境的銀行，運(yùn)用篩選出的8個(gè)財(cái)務(wù)指標(biāo)預(yù)測(cè)兩年后銀行破產(chǎn)概率，由此建立了Logistic回歸模型，預(yù)測(cè)效果比Z模型和ZETA模型好。奧爾森（Ohlson，1980）選取1970～1976年的2163家企業(yè)，其中2058家營(yíng)運(yùn)正常企業(yè)，其余是經(jīng)營(yíng)困難的企業(yè)，建立Logistic回歸模型，準(zhǔn)確率高達(dá)96.12%，這也是多元回歸模型第一次在破產(chǎn)預(yù)測(cè)中的應(yīng)用。

姜秀華、任強(qiáng)和孫錚（2001）選擇了84家企業(yè)按照1：1的方式配對(duì)，建立Logistic判別模型，得出對(duì)兩類企業(yè)的預(yù)測(cè)準(zhǔn)確率都在80%以上。李蕾和韓立巖（2010）利用主成分分析和logistic回歸模型解決了解釋變量多重共線性等問(wèn)題，提出了我國(guó)中小企業(yè)的財(cái)務(wù)指標(biāo)體系。李月英（2010）選取了38家上市公司，其中31家良好的公司，7家st公司構(gòu)建獨(dú)院線性回歸模型，研究表明主營(yíng)業(yè)務(wù)收入增長(zhǎng)率，資產(chǎn)負(fù)債率和總資產(chǎn)增長(zhǎng)率是預(yù)測(cè)最顯著的3個(gè)指標(biāo)。

三、Logistic模型在新能源上市公司財(cái)務(wù)信用風(fēng)險(xiǎn)的實(shí)證分析

（一）樣本的選擇

本文的研究對(duì)象是我國(guó)新能源上市公司，選擇2009年到2014年間第一次被st的公司作為財(cái)務(wù)危機(jī)來(lái)研究，并考慮公司的規(guī)模和公司所處的行業(yè)，按照1：1的原則來(lái)匹配為st公司匹配正常運(yùn)營(yíng)的公司。本文篩選了2009到2014年間首次被st的25家A股新能源上市公司，同時(shí)根據(jù)上述原則匹配了25家A股新能源上市公司。本文根據(jù)指標(biāo)體系分為盈利能力指標(biāo)，償債能力指標(biāo)，成長(zhǎng)能力指標(biāo)，運(yùn)營(yíng)能力指標(biāo)和現(xiàn)金流量指標(biāo)，包括每股收益、每股凈資產(chǎn)、每股營(yíng)業(yè)利潤(rùn)、凈資產(chǎn)收益率等35個(gè)財(cái)務(wù)指標(biāo)。

（二）財(cái)務(wù)指標(biāo)的篩選

本文初步構(gòu)建的指標(biāo)體系涉及五大模塊35個(gè)財(cái)務(wù)指標(biāo)，但是不清楚對(duì)于樣本的分布，所以對(duì)財(cái)務(wù)指標(biāo)進(jìn)行非參數(shù)檢驗(yàn)來(lái)篩選指標(biāo)。

首先本文利用spss19.0選用k-s檢驗(yàn)來(lái)判斷樣本是否服從正態(tài)分布。根據(jù)k-s檢驗(yàn)可知，除了利息保障倍數(shù)（X15）等13個(gè)指標(biāo)外，其余的22個(gè)財(cái)務(wù)指標(biāo)都服從正態(tài)分布，這指標(biāo)體系中服從正態(tài)分布的指標(biāo)多，故留下服從正態(tài)分布的22個(gè)指標(biāo)進(jìn)行之后的檢驗(yàn)。

接下來(lái)對(duì)22個(gè)指標(biāo)進(jìn)行顯著性差異檢驗(yàn)。利用spss19.0對(duì)上文中的22個(gè)服從正態(tài)分布的指標(biāo)進(jìn)行顯著性差異的檢驗(yàn)。因?yàn)橐鲐?cái)務(wù)信用風(fēng)險(xiǎn)評(píng)估，需要樣本之間有顯著性的差異，故對(duì)樣本進(jìn)行T檢驗(yàn)。根據(jù)分析結(jié)果，留下具有顯著性差異的每股收益（X1），每股凈資產(chǎn)（元/股）（X2）等14個(gè)指標(biāo)。

（三）因子分析

根據(jù)因子分析的原理，利用spss19.0對(duì)保留的14個(gè)指標(biāo)，50個(gè)樣本進(jìn)行因子分析。

通過(guò)對(duì)KMO檢驗(yàn)和Bartlett球形檢驗(yàn)做因子分析。由結(jié)果可知，本文中的KMO值為0.797，Bartlett球形檢驗(yàn)統(tǒng)計(jì)量的Sig為0.000，故本文的樣本適合做因子檢驗(yàn)。

對(duì)樣本按照主成分分析的原理進(jìn)行因子分析。按照“解釋的總方差”表，提取了3個(gè)公因子，解釋的總方差依次為54.382%，11.985%和10.627%，總共能夠解釋76.967%。

（四）logit回歸

利用stata對(duì)通過(guò)因子分析的得到的3個(gè)公因子作為協(xié)變量進(jìn)行二元Logit分析，按照進(jìn)入法的方法進(jìn)行回歸分析，協(xié)變量全部進(jìn)入模型。因變量表示企業(yè)的狀況，“1”表示經(jīng)營(yíng)狀況好的公司，“0”表示st的公司。

據(jù)Logit回歸結(jié)果可知，主成分1的p值為0.005，主成分2的p值為0.359，主成分3的p值為0.702。我們可以看出利用Logit模型構(gòu)造出來(lái)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警能力，第一個(gè)因子很顯著，另兩個(gè)因子的在5%的顯著性水平下不顯著。

四、結(jié)論

一是我國(guó)的財(cái)務(wù)數(shù)據(jù)還是比較有效，通過(guò)對(duì)新能源上市公司財(cái)務(wù)數(shù)據(jù)的篩選，具備對(duì)新能源上市公司的財(cái)務(wù)信用風(fēng)險(xiǎn)評(píng)估的能力。

二是我國(guó)新能源上市公司的財(cái)務(wù)狀況惡化是一個(gè)逐漸惡化的過(guò)程，本文篩選的是公司被st前兩年的數(shù)據(jù)，從分析結(jié)果可以看出，在t-2年的時(shí)候，財(cái)務(wù)指標(biāo)已經(jīng)出現(xiàn)了顯著性的差別，并且用預(yù)測(cè)出的準(zhǔn)確率還是比較高的。

三是本文的指標(biāo)體系中引進(jìn)了成長(zhǎng)性指標(biāo)和現(xiàn)金流量指標(biāo)，可以看出在財(cái)務(wù)信用風(fēng)險(xiǎn)評(píng)估中，盈利性指標(biāo)最為重要，而現(xiàn)金流量指標(biāo)在經(jīng)過(guò)K-S檢驗(yàn)和T檢驗(yàn)都剔除了，同樣成長(zhǎng)性指標(biāo)也只剩下一個(gè)指標(biāo)。本文的模型更重視盈利，償債等指標(biāo)。

四是通過(guò)Logit模型進(jìn)行的財(cái)務(wù)信用風(fēng)險(xiǎn)評(píng)估模型，構(gòu)造出來(lái)的因子1比較顯著，具備財(cái)務(wù)預(yù)警的能力。

參考文獻(xiàn)

[1]Ohlson J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（19）：109～131.

[2]姜秀華，任強(qiáng)，孫錚.上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究.預(yù)測(cè).2002（3）：56～61.

[3]韓立巖，李蕾.中小上市公司財(cái)務(wù)危機(jī)判別模型研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2010（8）：102～115.

[4]李月英.我國(guó)農(nóng)業(yè)上市公司財(cái)務(wù)預(yù)警危機(jī)研究[D].內(nèi)蒙古農(nóng)業(yè)大學(xué)，2010（06）.

作者簡(jiǎn)介：韓珂（1993-），女，漢族，山西省永濟(jì)市，山西財(cái)經(jīng)大學(xué)，碩士研究生在讀，金融學(xué)；郝佳蓓（1994-），女，漢族，山西省臨汾市，山西財(cái)經(jīng)大學(xué)，碩士研究生在讀，金融學(xué)。