戈俏梅，徐碧瑩

(安徽財(cái)經(jīng)大學(xué)會計(jì)學(xué)院，安徽 蚌埠233030)

隨著經(jīng)濟(jì)全球化的不斷深入，企業(yè)的經(jīng)營環(huán)境愈加復(fù)雜，潛在的財(cái)務(wù)風(fēng)險(xiǎn)更難被預(yù)測，如果不對財(cái)務(wù)風(fēng)險(xiǎn)及時(shí)加以預(yù)測和防范，終會使企業(yè)難逃破產(chǎn)的厄運(yùn)。制造業(yè)是反映國家經(jīng)濟(jì)實(shí)力的一個重要因素，面對當(dāng)下我國制造業(yè)大而不強(qiáng)的局面，李克強(qiáng)總理提出了《中國制造2025》的偉大戰(zhàn)略目標(biāo)，該目標(biāo)支持市場優(yōu)勝劣汰的法則，鼓勵企業(yè)間兼并和重組，這意味著制造業(yè)企業(yè)一旦陷入財(cái)務(wù)危機(jī)就可能被淘汰出局，因此制造行業(yè)上市公司應(yīng)該建立有效的財(cái)務(wù)預(yù)警模型，對潛在的財(cái)務(wù)風(fēng)險(xiǎn)加以預(yù)測。本文基于主成分判別分析法對制造業(yè)上市企業(yè)構(gòu)建財(cái)務(wù)預(yù)警模型，旨在為制造行業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測提供依據(jù)，幫助企業(yè)及時(shí)調(diào)整運(yùn)營政策，有效防范和規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)。

一 財(cái)務(wù)預(yù)警模型文獻(xiàn)回顧

綜觀國內(nèi)外學(xué)者對財(cái)務(wù)預(yù)警模型的探索，最常用的是主成分分析法和Logistic回歸法，這兩種方法對樣本沒有過多的限制性條件，在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評估中應(yīng)用廣泛。蔡偉斌[1]采用主成分分析法建立上市公司財(cái)務(wù)危機(jī)預(yù)警模型，研究結(jié)果顯示主成分分析方法能較好地對上市公司財(cái)務(wù)情況做出預(yù)判。陳建萍[6]等運(yùn)用主成分分析法為公立醫(yī)院建立財(cái)務(wù)分析預(yù)警模型，結(jié)果顯示該方法對于預(yù)測公立醫(yī)院的財(cái)務(wù)狀況具有較好的效果。國外學(xué)者Ohlson[2]首次將Logistic回歸方法應(yīng)用到財(cái)務(wù)預(yù)警模型中，分析樣本破產(chǎn)概率分布情況，發(fā)現(xiàn)資本結(jié)構(gòu)、公司規(guī)模、業(yè)績狀況和融資能力是影響公司破產(chǎn)概率的重要因素。許柯、盧海[3]等采用非參數(shù)檢驗(yàn)的方法，篩選出能夠顯著區(qū)分財(cái)務(wù)危機(jī)公司和財(cái)務(wù)正常公司的財(cái)務(wù)指標(biāo)，在此基礎(chǔ)上進(jìn)行Logistic回歸分析，建立房地產(chǎn)行業(yè)上市公司財(cái)務(wù)預(yù)警模型。也有不少學(xué)者將主成分分析法和Logistic回歸方法結(jié)合使用，朱永忠[5]等采用主成分分析與Logistic回歸相結(jié)合的方法構(gòu)建上市企業(yè)財(cái)務(wù)預(yù)警模型，經(jīng)過檢驗(yàn)，模型預(yù)測結(jié)果基本與現(xiàn)實(shí)相符。本文創(chuàng)新性地使用主成分分析和判別分析方法來構(gòu)建制造業(yè)上市公司財(cái)務(wù)預(yù)警模型，以期豐富財(cái)務(wù)預(yù)警模型理論，并為制造業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的識別和預(yù)測提供參考。

二 制造業(yè)上市公司財(cái)務(wù)預(yù)警指標(biāo)體系構(gòu)建

(一)樣本選取和數(shù)據(jù)來源

根據(jù)證監(jiān)會2012年行業(yè)分類標(biāo)準(zhǔn)，本文以制造業(yè)上市公司為主要研究對象，以被*ST/ST企業(yè)為財(cái)務(wù)危機(jī)發(fā)生企業(yè)，以非ST公司為財(cái)務(wù)正常企業(yè)。在2017年，共有32家制造業(yè)企業(yè)相繼被ST，本文依照可比性原則，以1∶1的比例選取與ST公司相同年度、相近總資產(chǎn)規(guī)模的非ST公司進(jìn)行樣本配對[5]；借鑒前人的研究方法，選取被ST公司前兩年的財(cái)務(wù)數(shù)據(jù)(2015年)建立財(cái)務(wù)預(yù)警模型；利用隨機(jī)選取的40家制造業(yè)上市企業(yè)2016年的數(shù)據(jù)檢驗(yàn)?zāi)Ｐ偷挠行?。以上?shù)據(jù)均來自于國泰安經(jīng)濟(jì)研究庫。

(二)研究變量的設(shè)計(jì)

國內(nèi)外有許多學(xué)者已經(jīng)利用不同的財(cái)務(wù)指標(biāo)對各行業(yè)公司的財(cái)務(wù)風(fēng)險(xiǎn)評估進(jìn)行了實(shí)證研究，本文在總結(jié)前人的基礎(chǔ)上，初步選取了24個反映企業(yè)財(cái)務(wù)狀況的指標(biāo)，分別是反映企業(yè)償債能力的流動比率(X1)、速動比率(X2)和利息保障倍數(shù)(X3)；反映企業(yè)營運(yùn)能力的資產(chǎn)負(fù)債率(X4)、應(yīng)收賬款周轉(zhuǎn)率(X5)、存貨周轉(zhuǎn)率(X6)、營運(yùn)資金周轉(zhuǎn)率(X7)、總資產(chǎn)周轉(zhuǎn)率(X8)；獲利能力中的資產(chǎn)報(bào)酬率(X9)、總資產(chǎn)凈利潤率(X10)、凈資產(chǎn)收益率(X11)、營業(yè)毛利率(X12)、營業(yè)凈利率(X13)、每股收益(X14)；代表企業(yè)發(fā)展能力的資本保值增值率(X15)、總資產(chǎn)增長率(X16)、凈利潤增長率(X17)、營業(yè)收入增長率(X18)；反映企業(yè)現(xiàn)金流量狀況的營業(yè)收入現(xiàn)金含量(X19)、營業(yè)利潤現(xiàn)金凈含量(X20)、全部現(xiàn)金回收率(X21)、每股現(xiàn)金凈流量(X22)以及Z指數(shù)(X23)和審計(jì)意見(X24)。

(三)重要財(cái)務(wù)指標(biāo)的選擇

建立財(cái)務(wù)危機(jī)預(yù)警模型的指標(biāo)必須能夠有效地判別ST企業(yè)和非ST企業(yè)，為此在構(gòu)建模型前首先需要對初選指標(biāo)進(jìn)行差異性分析，以剔除不能明顯區(qū)分ST公司和非ST公司的指標(biāo)。差異顯著性檢驗(yàn)有參數(shù)檢驗(yàn)和非參數(shù)檢驗(yàn)兩種方式，K-S檢驗(yàn)是區(qū)分兩者的標(biāo)準(zhǔn)，如果指標(biāo)能夠通過K-S檢驗(yàn)，證明其服從正態(tài)分布能夠進(jìn)行參數(shù)檢驗(yàn)，反之，只能進(jìn)行非參數(shù)檢驗(yàn)。

1.財(cái)務(wù)指標(biāo)單樣本K-S檢驗(yàn)

運(yùn)用SPSS20.0對24個財(cái)務(wù)指標(biāo)進(jìn)行單樣本K-S檢驗(yàn)，在顯著性水平為0.05的情況下，當(dāng)P值(漸進(jìn)顯著性)大于0.05則符合正態(tài)分布。根據(jù)K-S檢驗(yàn)結(jié)果得出，只有X4、X12、X19和X21服從正態(tài)分布，能夠進(jìn)行獨(dú)立樣本T檢驗(yàn)，其余指標(biāo)均屬于非參數(shù)，需要按照非參數(shù)檢驗(yàn)的標(biāo)準(zhǔn)統(tǒng)一進(jìn)行檢驗(yàn)。

2.參數(shù)指標(biāo)獨(dú)立樣本T檢驗(yàn)

對符合正態(tài)分布樣本進(jìn)行獨(dú)立樣本T檢驗(yàn)，檢驗(yàn)結(jié)果如表1所示，根據(jù)檢驗(yàn)結(jié)果可知，服從正態(tài)分布的四個指標(biāo)顯著性水平均大于0.05，因此接受原假設(shè)，即方差相等。再結(jié)合t值和顯著性(雙尾)結(jié)果可知X4、X12和X21通過檢驗(yàn)，也就是說選取的這三個指標(biāo)對判別ST公司和非ST公司十分有效。

表1 獨(dú)立樣本T檢驗(yàn)結(jié)果

3.非參數(shù)指標(biāo)Kruskal-Wallis檢驗(yàn)

非參數(shù)檢驗(yàn)對樣本的要求相對較低，樣本不需要一定服從正態(tài)分布，進(jìn)行非參數(shù)檢驗(yàn)的方式也多種多樣，本文采用Kruskal-Wallis非參數(shù)檢驗(yàn)方法來分析上述非參數(shù)變量對財(cái)務(wù)危機(jī)公司和財(cái)務(wù)正常公司的區(qū)別能力。在5%的顯著性水平下，若P值小于0.05，則通過檢驗(yàn)，否則予以剔除。根據(jù)檢驗(yàn)結(jié)果，X1、X2、X3、X6、X7、X8、X9、X10、X11、X13、X14、X15、X16、X17、X18、X22、X24指標(biāo)均能夠顯著區(qū)分ST公司和非ST公司。

綜合獨(dú)立樣本T檢驗(yàn)和K-W檢驗(yàn)結(jié)果，最終選取X1、X2、X3、X4、X6、X7、X8、X9、X10、X11、X12、X13、X14、X15、X16、X17、X18、X21、X22、X24這20個指標(biāo)來構(gòu)建制造業(yè)上市公司財(cái)務(wù)預(yù)警模型。

三 運(yùn)用主成分分析和判別分析法構(gòu)建制造業(yè)財(cái)務(wù)預(yù)警模型

(一)利用主成分分析法構(gòu)建財(cái)務(wù)預(yù)警模型指標(biāo)體系

雖然已經(jīng)篩選出了能夠顯著區(qū)分ST公司和非ST公司的變量，但是數(shù)量仍然較多，并且這些變量之間可能存在多重共線性，而主成分分析法能夠?qū)ω?cái)務(wù)變量進(jìn)行降維，將數(shù)量多且可能有關(guān)聯(lián)的指標(biāo)濃縮成幾個相互獨(dú)立的綜合性指標(biāo)，有效地克服原始變量間的多重共線性問題，因此本文采用主成分分析法對指標(biāo)進(jìn)行主成分篩選，為財(cái)務(wù)預(yù)警模型的構(gòu)建奠定基礎(chǔ)。

1.KMO檢驗(yàn)

在進(jìn)行因子分析之前，首先要對各變量之間是否具有相關(guān)關(guān)系做出檢驗(yàn)，本文選取KMO 和巴特利特檢驗(yàn)法進(jìn)行檢驗(yàn)，如表2所示。檢驗(yàn)結(jié)果顯示，KMO的值為0.659，大于0.6，巴特利特球形度檢驗(yàn)顯著性水平為0，遠(yuǎn)遠(yuǎn)小于0.05的顯著性水平，適合做主成分分析。

表2 KMO和巴特利特檢驗(yàn)

2.主成分提取

運(yùn)用SPSS20.0對數(shù)據(jù)進(jìn)行主成分分析，根據(jù)總方差解釋結(jié)果提取主成分。本文在選取公因子時(shí)要求因子都要滿足特征值大于1，按照此標(biāo)準(zhǔn)選取了前6個主成分，其特征值分別為5.614、2.543、2.376、1.729、1.341和1.077，累計(jì)貢獻(xiàn)率達(dá)到73.405%。

3.主成分線性表達(dá)式及命名

主成分得分系數(shù)矩陣能夠提供第一主成分Q1、第二主成分Q2等各主成分關(guān)于原始財(cái)務(wù)指標(biāo)的線性表達(dá)式，而通過主成分得分系數(shù)矩陣則得到評價(jià)財(cái)務(wù)風(fēng)險(xiǎn)因子的主成分得分函數(shù)為：

Q1=-0.030X1-0.016X2-0.099X3+0.021X4-0.032X6-0.076X7-0.048X8+0.2278X9+0.270X10-0.012X11+0.026

X12+0.250X13+0.166X14-0.043X15-0.065X16-0.062X17-0.049X18-0.043X21-0.079X22+0.256X24(1)

Q2=-0.026X1-0.016X2-0.075X3-0.009X4+0.001X6-0.005X7+0.030X8-0.049X9-0.048X10-0.021X11+0.070X12-0.015X13+-0.062X14+0.324X15+0.372X16-0.025X17+0.324X18-0.118X21+0.155X22-0.048X24(2)

Q3=0.032X1+0.037 X2-0.147X3-0.003X4+0.453X6+0.147X7+0.456X8-0.040X9-0.044 X10+0.046 X11+0.44X12

-0.072X13+0.016X14+0.016X15+0.002X16 -0.045X18-0.070X21-0.148 X22+0.051X24(3)

Q4=0.031X1+0.039X2-0.182X3-0.003X4+0.478X6-0.003X7+0.456X8-0.04X9-0.044X10+0.046X11+0.203X12+0.056X13-0.072X14-0.004X15+0.018X16+0.010X17+0.060X18+0.006X21+0.069X22-0.062X24(4)

Q5=-0.052X1-0.051X2+0.247X3+0.016X4+0.035X6+0.242X7-0.018X8+0.008X9+0.007X10+0.219X11+0.74

X12-0.135X13+0.237X14-0.095X15-0.QWQX16+0.411X17-0.028X18+0.334X20+0.229X22-0.246X24(5)

Q6=0.051X1+0.036X2+0.1105X3+0.152X4+0.010X6+0.111X7+0.057X8-0.018X9-0.025X10+0.744X11+0.092

X12-0.036X13-0.006X14-0.074X15+0.098X16+0.1129X17+0.050X18-0.431X21-0.073X22+0.099X24(6)

為了賦予這6個公因子以經(jīng)濟(jì)意義，本文使用正交旋轉(zhuǎn)法中的最大方差法得到因子載荷量，通過對比發(fā)現(xiàn)X9、X10、X13和X14的載荷量遠(yuǎn)大于其他的變量，分別為0.924、0.921、0.792，因此在制造企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評估中，可以將Q1命名為獲利能力與股權(quán)結(jié)構(gòu)因子，同理，將Q2命名為成長能力因子，Q3為償債能力因子，Q4為營運(yùn)能力因子，Q5為現(xiàn)金流量因子，Q6由多個不同類別的指標(biāo)構(gòu)成，故命名為綜合能力因子。

(二)利用多元判別分析法構(gòu)建制造業(yè)上市公司財(cái)務(wù)預(yù)警模型

判別分析法是通過樣本組的數(shù)據(jù)資料確定判別函數(shù)的分類系數(shù)，先建立相應(yīng)的判別函數(shù)，再根據(jù)判別函數(shù)計(jì)算判別結(jié)果并確定樣本所屬類別的一種研究方法。將選取的64家企業(yè)2015年的財(cái)務(wù)數(shù)據(jù)帶入到上文的(1)～(6)主成分表達(dá)式中，所得數(shù)據(jù)便為后期多元判別分析的數(shù)據(jù)源；再通過SPSS20.0的分類判別分析功能，得到分類函數(shù)的費(fèi)希爾線性判別系數(shù)，進(jìn)而構(gòu)建出制造業(yè)上市公司財(cái)務(wù)預(yù)警模型如下：

ST/*ST公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測模型為：

M1=-1.256Q1-0.578Q2-0.513Q3-0.211Q4-1.057Q5+0.313Q6-1.401

非ST公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測模型為：

M2=1.256Q1+0.578Q2+0.513Q3+0.211Q4+1.057Q5-0.132Q6-1.401

將2015年的樣本數(shù)據(jù)帶入評價(jià)模型，并對分類結(jié)果進(jìn)行回判檢驗(yàn)。據(jù)回判結(jié)果可知，原始分組案例判別的準(zhǔn)確度達(dá)到92.2%，交叉驗(yàn)證后的判別準(zhǔn)確率為90.6%，模型對財(cái)務(wù)風(fēng)險(xiǎn)的判別準(zhǔn)確率較為理想。

表3 分類結(jié)果

注：(1)正確地對 92.2% 個原始已分組個案進(jìn)行了分類；(2)僅針對分析中的個案進(jìn)行交叉驗(yàn)證。在交叉驗(yàn)證中，每個個案都由那些從該個案以外的其他個案派生的函數(shù)進(jìn)行分類；(3)正確地對 90.6% 已進(jìn)行交叉驗(yàn)證的分組個案進(jìn)行了分類。

(三)模型檢驗(yàn)

將隨機(jī)選取的40家公司2016年的財(cái)務(wù)指標(biāo)分別帶入到主成分表達(dá)式中得到預(yù)警模型的數(shù)據(jù)源，再將這些觀測值分別代入建立的兩組判別函數(shù)中計(jì)算得出兩組函數(shù)值，最后根據(jù)兩組判別函數(shù)(M1和M2)中較大的數(shù)值對該公司的財(cái)務(wù)狀況進(jìn)行預(yù)判。檢驗(yàn)結(jié)果發(fā)現(xiàn)，構(gòu)建的制造業(yè)上市公司財(cái)務(wù)預(yù)警模型對非ST公司財(cái)務(wù)預(yù)警的準(zhǔn)確度為90.62%，對ST企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測的準(zhǔn)確度為91.27%，可見該模型對制造業(yè)上市企業(yè)財(cái)務(wù)預(yù)警的作用是十分有效的。

四 財(cái)務(wù)預(yù)警模型預(yù)測效果的評價(jià)

本文結(jié)合國內(nèi)外學(xué)者的研究以及制造行業(yè)自身的特點(diǎn)，初步構(gòu)建了財(cái)務(wù)預(yù)警模型指標(biāo)體系，再采用K-S檢驗(yàn)對指標(biāo)進(jìn)行分類，對于參數(shù)指標(biāo)選用獨(dú)立樣本T檢驗(yàn)篩選出能顯著區(qū)分ST和非ST公司的指標(biāo)，對于非參數(shù)指標(biāo)選用K-W檢驗(yàn)方法進(jìn)行篩選，選出了資產(chǎn)負(fù)債率等20個指標(biāo)。然后采用主成分分析法對這64家樣本企業(yè)2015年的指標(biāo)數(shù)據(jù)提取公因子，通過多元判別分析方法構(gòu)建制造業(yè)上市企業(yè)的財(cái)務(wù)預(yù)警模型。最后將40家隨機(jī)選取檢驗(yàn)組樣本2016年的經(jīng)營數(shù)據(jù)帶入模型進(jìn)行實(shí)證檢驗(yàn)，檢驗(yàn)結(jié)果說明構(gòu)建財(cái)務(wù)預(yù)警模型準(zhǔn)確率較高，能夠較為有效地對企業(yè)的財(cái)務(wù)情況進(jìn)行評價(jià)。

但是本文的研究也存在些許不足。首先，模型只能對企業(yè)的財(cái)務(wù)狀況是否出現(xiàn)危機(jī)進(jìn)行簡單的預(yù)測和評判，卻不能評判其隱患程度，也無法追蹤發(fā)生隱患的源頭；第二，無法準(zhǔn)確度量宏觀因素對財(cái)務(wù)風(fēng)險(xiǎn)的影響，相關(guān)數(shù)據(jù)也比較難獲取，因此本文只是選取了制造企業(yè)的微觀數(shù)據(jù)展開研究，缺少對宏觀影響因素的分析和考量，這在今后的探索中需要更加深入的研究。