郭振

摘要：我國(guó)實(shí)行“特別處理”規(guī)定以來(lái)，每年總會(huì)有一些企業(yè)由于財(cái)務(wù)狀況異常被證監(jiān)會(huì)予以特別處理（ST或*ST），這不僅危及企業(yè)自身的生存和發(fā)展，也會(huì)給其他利益相關(guān)者造成嚴(yán)重的損失。因此，本文運(yùn)用Logistic回歸法構(gòu)建企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，以期能夠幫助上市公司預(yù)防財(cái)務(wù)危機(jī)的發(fā)生。

關(guān)鍵詞：財(cái)務(wù)危機(jī)；Logistic回歸；預(yù)警模型

上市公司發(fā)生財(cái)務(wù)危機(jī)的原因多種多樣，但除自然災(zāi)難等不可控因素沒有辦法提前預(yù)測(cè)外，其他原因都是有跡可循的，如果能提前從財(cái)務(wù)表現(xiàn)上發(fā)現(xiàn)財(cái)務(wù)惡化的端倪，通過構(gòu)建危機(jī)預(yù)警模型預(yù)測(cè)出企業(yè)是否會(huì)陷入財(cái)務(wù)困境，將有利于減少企業(yè)發(fā)生財(cái)務(wù)危機(jī)的風(fēng)險(xiǎn)。本文使用Logistic回歸法構(gòu)建財(cái)務(wù)危機(jī)預(yù)警模型定量的來(lái)預(yù)測(cè)企業(yè)在未來(lái)幾年是否會(huì)出現(xiàn)財(cái)務(wù)危機(jī)。

一、實(shí)證研究

（一）研究樣本的選取

（1）選取我國(guó)A股上市公司因財(cái)務(wù)狀況異常而被特別處理（ST或*ST）的公司，本文中用ST統(tǒng)稱；（2）選取危機(jī)出現(xiàn)前兩年的財(cái)務(wù)報(bào)表數(shù)據(jù)；（3）選取正常（非ST）公司按2：1與ST公司進(jìn)行非配對(duì)選樣。最終從我國(guó)A股市場(chǎng)選取2015—2016這兩年由于財(cái)務(wù)狀況異常第一次被特別處理的15家ST樣本，同時(shí)按照年份相同，資產(chǎn)規(guī)模近似匹配等要求從所有非ST上市公司中參照1：2的選樣比例篩選出30家非ST公司樣本，共45家上市公司樣本，以T-2年公司年報(bào)截面數(shù)據(jù)為基礎(chǔ)進(jìn)行實(shí)證分析，建立財(cái)務(wù)危機(jī)預(yù)警模型。樣本及數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)、Wind金融數(shù)據(jù)庫(kù)等。

（二）財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的選取

本文查閱了2007-2016年與財(cái)務(wù)危機(jī)預(yù)警有關(guān)的文獻(xiàn)共92篇，統(tǒng)計(jì)了其中對(duì)構(gòu)建最終模型有明顯作用的指標(biāo)，根據(jù)指標(biāo)頻數(shù)出現(xiàn)的大小初步選擇了研究所需的預(yù)警指標(biāo)：1、償債能力（X1資產(chǎn)負(fù)債率、X2流動(dòng)比率、X3現(xiàn)金比率、X4產(chǎn)權(quán)比率、X5利息保障倍數(shù)）2、營(yíng)運(yùn)能力（X6固定資產(chǎn)周轉(zhuǎn)率、X7應(yīng)收賬款周轉(zhuǎn)率、X8總資產(chǎn)周轉(zhuǎn)率）3、盈利能力（X9總資產(chǎn)凈利潤(rùn)率、X10總資產(chǎn)報(bào)酬率、X11凈資產(chǎn)收益率、X12銷售凈利率、X13每股收益）4、發(fā)展能力（X14凈資產(chǎn)增長(zhǎng)率、X15凈利潤(rùn)增長(zhǎng)率）5、現(xiàn)金流動(dòng)性（X16現(xiàn)金負(fù)債總額比）。

1.財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的顯著性檢驗(yàn)

本文初步確定了以上16個(gè)財(cái)務(wù)指標(biāo)，但指標(biāo)較多會(huì)給模型的預(yù)測(cè)分析帶來(lái)很大的不便，而且這些指標(biāo)可能存在相關(guān)性，會(huì)影響最終模型預(yù)警判斷的結(jié)果。所以本文首先對(duì)這16個(gè)指標(biāo)進(jìn)行優(yōu)化篩選。（本文統(tǒng)一采用5%作為給定的顯著性檢驗(yàn)標(biāo)準(zhǔn)，這也是學(xué)者們常用的顯著性檢驗(yàn)標(biāo)準(zhǔn)。）

（1）正態(tài)分布檢驗(yàn)

本文利用SPSS22.0軟件中的單樣本K-S檢驗(yàn)進(jìn)行正態(tài)分布檢驗(yàn)，在α=5%的顯著性水平下，X5、X9、X13、X15、X16的漸進(jìn)顯著性大于5%，即服從正態(tài)分布，進(jìn)行T檢驗(yàn)；其余11個(gè)指標(biāo)不符合正態(tài)分布，進(jìn)行U檢驗(yàn)。

（2）兩獨(dú)立樣本T檢驗(yàn)

對(duì)符合正態(tài)分布的 5個(gè)財(cái)務(wù)指標(biāo)進(jìn)行T檢驗(yàn)，在α=5%的顯著性水平下，X5、X9、X13、X15的雙側(cè)漸進(jìn)顯著性Sig.值小于0.05，通過了T檢驗(yàn)。X16未通過T檢驗(yàn)，即沒有明顯的區(qū)別能力，應(yīng)當(dāng)剔除。

（3）兩獨(dú)立樣本Mann-Whitney U非參數(shù)檢驗(yàn)

對(duì)不符合正態(tài)分布的11個(gè)財(cái)務(wù)指標(biāo)進(jìn)行Mann-Whitney U檢驗(yàn)，結(jié)果X2、X3、X6、X10、X11、X12、X14通過了獨(dú)立樣本U檢驗(yàn)。其余4個(gè)指標(biāo)未通過U檢驗(yàn)，應(yīng)從指標(biāo)體系中剔除。

綜合上述檢驗(yàn)結(jié)果，需從最初的16個(gè)指標(biāo)中剔除5個(gè)沒有顯著差異的指標(biāo)，最終確定X2、X3、X5、X6、X9、X10、X11、X12、X13、X14、X15這11個(gè)財(cái)務(wù)預(yù)警指標(biāo)。

2.財(cái)務(wù)危機(jī)預(yù)警指標(biāo)的主成分分析

Logistic模型自身對(duì)多元共線性十分敏感，但是財(cái)務(wù)指標(biāo)間往往有一定的關(guān)聯(lián)關(guān)系，因此本文通過主成分分析，將原來(lái)存在相關(guān)性的大量指標(biāo)，轉(zhuǎn)換成較少的且能保留原始信息又互不相關(guān)的綜合性指標(biāo)。

（1）主成分的提取

本文首先使用KMO檢驗(yàn)和 Bartlett球形檢驗(yàn)，對(duì)上述11個(gè)財(cái)務(wù)指標(biāo)進(jìn)行相關(guān)性測(cè)試，結(jié)果顯示Bartlett的統(tǒng)計(jì)量顯著性為0.000 <0.05，KMO值為0.759>0.5，表明指標(biāo)間有一定關(guān)聯(lián)關(guān)系，適宜進(jìn)行主成分分析。

對(duì)上述11個(gè)指標(biāo)進(jìn)行主成分提取，按照判定原理提取后的共同度應(yīng)大于0.6，但經(jīng)過共同度分析檢驗(yàn)得出，X5、X6、X11、X12的值小于0.6，信息丟失嚴(yán)重，應(yīng)當(dāng)剔除。對(duì)余下的7個(gè)指標(biāo)進(jìn)行主成分分析，結(jié)果如表1所示：

本文用特征值法提取主成分，即提取特征值>1的主成分，剔除<1的，表1中有3個(gè)主成分的特征值高于1，同時(shí)累計(jì)解釋方差為82.202%，總體來(lái)看效果比較理想。因此提取出前3個(gè)主成分替代上文的7個(gè)顯著性指標(biāo)。

（2）主成分的解釋

為了對(duì)提取出的3個(gè)主成分做出合適的解釋，明確它們的實(shí)際意義，本文使用正交旋轉(zhuǎn)法中的方差最大法對(duì)初始主成分進(jìn)行轉(zhuǎn)換如表2，主成分1解釋較大的是X9、X13、X10、X3，這些主要是衡量公司盈利能力的指標(biāo)，記為F1；主成分2解釋較大的是X14、X15，這些指標(biāo)都與成長(zhǎng)能力有關(guān)，記為F2；主成分3解釋較大的是X2，主要代表的是償債能力，記為F3。

（3）主成分的表達(dá)式

進(jìn)一步通過SPSS22.0軟件計(jì)算各個(gè)主成分的得分系數(shù)，見表3，得出主成分F1-F3的數(shù)學(xué)表達(dá)式：

F1=-0.050X2-0.110X3+0.426X9+……-0.187X14+0.046X15

F2=0.559X2+0.561X3-0.052X9+……+0.127X14-0.229X15

F3=-0.121X2-0.029X3-0.066X9+……+0.524X14+0.562X15

三、Logistic財(cái)務(wù)危機(jī)預(yù)警模型的構(gòu)建與檢驗(yàn)

（一）Logistic財(cái)務(wù)危機(jī)預(yù)警模型構(gòu)建

將上文提取的3個(gè)指標(biāo)主成分代入SPSS22.0的Logistic回歸檢驗(yàn)中，參數(shù)分析結(jié)果如表4所示，得出上市公司財(cái)務(wù)危機(jī)預(yù)警模型為：

（二） Logistic財(cái)務(wù)危機(jī)預(yù)警模型檢驗(yàn)

1.模型擬合度檢驗(yàn)

經(jīng)檢驗(yàn)，模型擬合度的統(tǒng)計(jì)量Cox& Snell R2= 0.548，Nagelkerke R2=0.762，值都大于0.5，說明構(gòu)建的模型對(duì)原始指標(biāo)變量的擬合效果比較好。

2.建模樣本回判檢驗(yàn)

本文以1：2的比例選取ST和非ST公司，因此，選取0.66做為判別分割點(diǎn)，P<0.66時(shí)，判別為財(cái)務(wù)正常公司，反之為ST公司。將15家財(cái)務(wù)危機(jī)公司和30家正常公司樣本T-2年的數(shù)據(jù)代入上文構(gòu)建出的模型中進(jìn)行回判分析，得到對(duì)T年公司狀況的預(yù)測(cè)情況見表5：

根據(jù)表5的預(yù)測(cè)結(jié)果可以得出，15家ST 公司只有1 家預(yù)測(cè)錯(cuò)誤，預(yù)測(cè)正確率為93.3%，30家非ST公司有4家預(yù)測(cè)錯(cuò)誤，預(yù)測(cè)正確率為86.7%，它們總體的預(yù)測(cè)正確率還是比較高的，達(dá)到 88.9%。

從上述兩種檢驗(yàn)結(jié)果來(lái)看，本文所構(gòu)建的財(cái)務(wù)危機(jī)預(yù)警模型是一個(gè)效果較為不錯(cuò)的模型，在上市公司出現(xiàn)危機(jī)前兩年就可以發(fā)出警告。

四、結(jié)論

本文從我國(guó)上市公司中選取了15家ST和30家非ST公司樣本進(jìn)行實(shí)證研究，通過處理大量財(cái)務(wù)報(bào)表數(shù)據(jù)，采用SPSS22.0及EXCEL軟件，從初步選取的16個(gè)財(cái)務(wù)指標(biāo)中提取出3個(gè)主成分，建立了T-2年我國(guó)上市公司Logistic財(cái)務(wù)危機(jī)預(yù)警模型，實(shí)證檢驗(yàn)結(jié)果顯示準(zhǔn)確率達(dá)到88.9%，具備一定的預(yù)測(cè)能力，能夠?qū)ζ髽I(yè)的經(jīng)營(yíng)狀況做出一定的預(yù)測(cè)，幫助企業(yè)保持健康的經(jīng)營(yíng)狀態(tài)?；谝陨系膶?shí)證研究結(jié)論，本文為我國(guó)上市公司如何應(yīng)對(duì)財(cái)務(wù)危機(jī)提出了一些參考建議：1、優(yōu)化資本結(jié)構(gòu)；2、完善公司內(nèi)部制度；3、建立財(cái)務(wù)預(yù)警監(jiān)測(cè)系統(tǒng)。

參考文獻(xiàn)：

[1]Beaver WH.Financial ratios as predictors of failure.Empirical Research in Accounting：Selected Studies.Journal of Accountancy.1966.

[2]吳世農(nóng)，盧賢義.我國(guó)上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究，2001（06）.

[3]宋曉娜，黃業(yè)德，張峰.基于Logistic和主成分分析的制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警[J].財(cái)會(huì)月刊，2016（03）：67-71.