蘆笛 王冠華

【摘 要】 農業(yè)具有特殊性，因季節(jié)等因素該行業(yè)存在一定的不確定性，其風險水平大大高于其他行業(yè)。因此，有必要建立一個恰當?shù)呢攧疹A警模型對其財務風險進行預測、分析與控制。文章以2016年滬深兩市A股43家農業(yè)上市公司為研究樣本，采用因子分析法和聚類分析法對其進行了實證分析。研究表明，基于因子分析法構建的中國農業(yè)上市公司的財務預警模型在2013—2016年的判別準確率分別為88.37%、93.02%、79.07%和93.02%，具有良好的判別效果。研究還發(fā)現(xiàn)，62.79%的農業(yè)上市公司處于警示狀態(tài)，其發(fā)展情況不容樂觀。文章為后續(xù)財務預警方法的研究提供了新思路，同時也為財務預警問題的研究體系拓展了理論研究的邊界，豐富了實務研究的經(jīng)驗與證據(jù)。

【關鍵詞】 農業(yè)上市公司; 財務預警; 因子分析; 聚類分析

【中圖分類號】 F275.5 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2019）24-0079-05

一、引言

農業(yè)不僅是中國最首要的行業(yè)，而且是中國國民經(jīng)濟的命脈。習近平總書記在黨的十九大報告中強調了農業(yè)、農村、農民問題是關系國計民生的根本性問題，必須始終把解決好“三農”問題作為全黨工作的重中之重。由于農業(yè)行業(yè)具有一定的特殊性，所以影響農業(yè)公司發(fā)生風險的因素是多方面的。這些農業(yè)公司一方面存在公司經(jīng)營中均可能面對的政治風險、社會風險、經(jīng)濟風險與技術風險等，另一方面還存在一定的自然風險，如水災、風災、雹災、凍災、旱災、蟲災等，其中自然風險的成因最不可控，并且發(fā)生后的影響范圍較廣，這些不確定性均會對農業(yè)公司收益造成較大的影響。

近10年，滬深兩市A股中被證監(jiān)會特殊處理的上市公司有547家，其中有17家農業(yè)上市公司，如香梨股份、農發(fā)種業(yè)、平潭發(fā)展、中魯B和ST景谷等。此外，近年農業(yè)上市公司財務舞弊案件頻發(fā)，比如眾所周知的獐子島集團的“扇貝出走”財務疑似造假事件，萬福生科（現(xiàn)已更名為佳沃股份）財務造假案，平潭發(fā)展異常交易案，以及康華農業(yè)、步森股份信息披露違法違規(guī)案等。以上種種案例令人咋舌，無不說明目前農業(yè)上市公司的實際財務狀況并不佳，甚至有些公司徘徊在破產的邊緣。因此，如何分析農業(yè)上市公司形成財務危機的原因，并構建與之相符的財務預警模型，將可能的財務風險進行預測與控制顯得至關重要。

國外學者在財務預警模型的構建研究方法方面有很大的突破。最早運用統(tǒng)計學方法進行財務預警模型研究的學者為Fitzpatrick[1]，研究提出了單變量模型。在其研究基礎上，Beaver[2]提出了更加完善的單變量模型，單變量模型使用簡單、容易，但其判別精度不高。還有多名學者將Logit模型及其改進后的模型應用于財務困境研究中，為后續(xù)研究提供了理論基礎[3-5]。Kim[6]則采用AdaBoosted決策樹、組合模型的研究方法來研究影響財務困境的決定因素。通過上述文獻可知，盡管國外學者對于財務預警方法方面進行了大量富有建設性的研究，但將這些理論方法與特殊行業(yè)的應用相結合的研究較少。

國內學者大多在國外學者研究的基礎上，將已有的模型進行改進，或將已有的模型進行對比研究，運用于中國上市公司的財務預警之中。一些學者運用Logistic回歸模型對上市公司的財務狀況進行了預警分析[7-9]。高小雪[10]通過建立多元概率比回歸模型（Probit）對上市公司的財務危機進行了預警分析。李茜等[11]運用附加動量法、共軛梯度法以及L-M優(yōu)化法構建上市公司財務危機預測模型。

農業(yè)行業(yè)在運營風險方面相對于其他行業(yè)有一定的特殊性，并且現(xiàn)有研究對于農業(yè)上市公司財務預警模型的建立與比較大多囿于傳統(tǒng)的方法（如單變量模型、多變量模型、Logit模型、人工神經(jīng)網(wǎng)絡模型等），很少運用與計算機網(wǎng)絡結合較為先進的方法（如單元學習框架模型、粗糙集模型、決策樹模型、梯度推進模型、模糊OSVR方法等）來進行實證研究[12]。比如袁康來[13]采用單變量分析法和多變量分析法對農業(yè)上市公司進行財務困境研究。張旭堯等[14]基于生存分析法對農業(yè)上市公司進行財務預警研究。張健[15]闡述了如何將傳統(tǒng)的會計指標應用在農業(yè)上市公司財務預警中。袁源等[16]基于EVA理論構建了Logistic回歸分析模型，對農業(yè)上市公司財務危機也進行了預警研究。本文基于因子分析法和聚類分析法對中國農業(yè)上市公司財務風險預警問題進行研究，將具有較大的理論及現(xiàn)實意義。

本文貢獻在于以下三個方面：（1）以往財務預警問題的研究中，通常以醫(yī)藥行業(yè)、房地產行業(yè)、紡織行業(yè)等作為研究對象，對農業(yè)行業(yè)的財務危機預警的研究較少，本文的研究無疑拓展了現(xiàn)有財務預警研究領域的邊界。（2）由于農業(yè)企業(yè)在經(jīng)營特點以及財務危機管理的側重點與其他企業(yè)不盡相同，因此農業(yè)上市公司在財務預警指標選取上也與其他行業(yè)存在明顯差異。本文的研究完善并豐富了現(xiàn)有財務預警指標體系。（3）本文運用的因子分析法和聚類分析法對中國農業(yè)上市公司進行了實證研究，在內容上具有一定的創(chuàng)新，并提出了具有針對性的建議。

本文以中國2016年農業(yè)上市公司為研究樣本，依據(jù)降維思想構建了因子綜合得分模型，并對所選取的預警指標進行了單樣本Kolmogorov-Smirnov檢驗以驗證指標的正態(tài)性，同時對于指標的顯著性采用T檢驗與Kruskal Wallis檢驗進行了檢驗，從而篩選出構建模型所需的財務預警指標。進一步運用因子分析法構建出財務預警模型，并對所構建的模型進行了穩(wěn)健性檢驗，而且通過K均值聚類法對中國農業(yè)上市公司進行分類并發(fā)出警示。最后，得出研究結論，并指出研究的局限性和未來的研究方向。

二、中國農業(yè)上市公司概況

據(jù)國家統(tǒng)計局數(shù)據(jù)顯示，中國農業(yè)上市公司主要分布在16個省份，其中，山東省、新疆維吾爾自治區(qū)、湖南省位居地域分布的前三位，分別擁有7家、5家和4家農業(yè)上市公司。傳統(tǒng)農業(yè)大省遼寧省、河北省、廣西壯族自治區(qū)2016年農業(yè)產值分別為4 422億元、6 084億元、4 591億元，然而這三個省份中卻僅有1家農業(yè)上市公司。具體而言，中國農業(yè)上市公司具有如下特征：

（一）股本規(guī)模太小和市值過低

截至2016年12月31日，中國農業(yè)上市公司總股本為429.95億股，平均總股本每家上市公司為9.55億股，總流通股本為319.68億股，平均流通股本每家上市公司為7.10億股，遠低于同期滬深兩市A股上市公司的相關數(shù)據(jù)，即平均總股本為18.42億股與平均流通股本15.86億股;中國農業(yè)上市公司的總市值為5 512.60億元，平均總市值每家上市公司為122.50億元，自由流通市值為2 849.94億元，平均流通市值每家上市公司為63.33億元，同樣低于同期滬深兩市A股上市公司的平均總市值180.51億元，以及平均自由流通市值66.45億元。

（二）主營收入構成多元化

以中國支農政策為名，部分農業(yè)上市公司卻從事非農生產，從而使其面臨著多元化“陷阱”。多元化經(jīng)營的農業(yè)上市公司占到總農業(yè)上市公司的70%以上，且經(jīng)營了很多非農行業(yè)業(yè)務，包括酒店服務業(yè)、房地產、礦物冶煉等逐利性行業(yè)。比如，京藍科技91.98%的主營收入來自節(jié)水灌溉，國聯(lián)水產87.88%的主營收入來自加工銷售業(yè)務，仙壇股份94.91%的主營收入來自食品加工等。與此類似的上市公司比比皆是，表明農業(yè)上市公司主營收入構成多渠道化。

（三）整體盈利能力較差

通過對比2016年滬深兩市A股上市公司和農業(yè)上市公司的凈資產收益率、總資產報酬率、總資產凈利率、銷售凈利率可知，滬深兩市A股上市公司的每個平均盈利指標分別高于農業(yè)上市公司相關盈利指標達0.65%、0.64%、0.31%與2.13%，這表明農業(yè)上市公司的盈利能力整體較差。

（四）被借“殼”現(xiàn)象明顯

在中國，農業(yè)“殼”資源是一個稀缺的資源，借助農業(yè)“殼”資源上市不但是一種經(jīng)營策略，還能達到融資上市、獲取更多利益的目的，因此很多企業(yè)通過并購、重組等資本運作的方式，獲得農業(yè)上市公司的“殼”資源，然而卻在上市后不久便進行了更名。

三、研究設計

（一）樣本選取

本文選取2016年滬深兩市A股的農業(yè)上市公司為初選樣本，剔除兩家停牌的公司，本文實際有效樣本為43家農業(yè)上市公司，樣本區(qū)間為2013—2016年。借鑒已有的研究成果，將凈資產收益率高于20%的企業(yè)視為沒有發(fā)生財務危機的企業(yè)，而將凈資產收益率低于20%的企業(yè)視為產生了財務危機的企業(yè)。本文所用數(shù)據(jù)均來自于Wind數(shù)據(jù)庫。

（二）指標初步篩選

本文在指標選取上重點參考中國農業(yè)類上市公司的已有文獻，結合中國農業(yè)上市公司的具體情況和特征，依據(jù)新準則的規(guī)定，從盈利能力、償債能力、營運能力、成長能力、現(xiàn)金流量5個角度，設置26個預警指標構建了中國農業(yè)上市公司財務預警指標體系（如表1所示）。

（三）指標檢驗

為了篩選出在評判財務危機企業(yè)和非財務危機企業(yè)中具有顯著差異的指標，需要對指標進行顯著性檢驗;為了進一步驗證指標的顯著性，需要對樣本進行正態(tài)性檢驗。當樣本服從正態(tài)分布時，用T檢驗來判斷樣本是否存在顯著差異;當樣本不服從正態(tài)分布時，用Kruskal Wallis檢驗來判斷。

1.正態(tài)性檢驗與顯著性檢驗

在α=0.05的顯著性水平，X2、X3、X4、X8、X9、X10、X14、X15、X17、X19、X20、X24、X26這13個指標的樣本總體的P值大于0.05，接受原假設，符合正態(tài)分布，不存在顯著性差異。為了篩選出在評判財務危機企業(yè)和非財務危機企業(yè)中具有顯著差異的指標，需要對指標進行顯著性檢驗，本文主要采用T檢驗和Kruskal Wallis檢驗。當樣本服從正態(tài)分布時，用T檢驗來判斷其是否存在顯著差異。經(jīng)T檢驗，X3、X24在5%的水平顯著;X4、X26在1%的水平顯著;X2、X8、X14、X15、X17、X19、X20在1‰的水平顯著。因此，這11個指標通過顯著性檢驗，將其納入到因子綜合得分模型中。當樣本不服從正態(tài)分布時，本文進一步采用Kruskal Wallis檢驗來判斷，得出X1、X5、X6、X7、X11、X22在1%的水平顯著。因此，這6個指標通過顯著性檢驗，將其納入到因子綜合得分模型中。

2.預警指標篩選結果

經(jīng)過篩選后，將通過顯著性檢驗的17個預警指標納入模型，其中，盈利能力指標占多數(shù)，其他指標占少數(shù)，說明盈利能力在判斷農業(yè)上市公司財務預警狀況時起到重要作用（如表2所示）。

四、實證結果

（一）因子分析

1.模型檢驗

本文在進行因子分析前，對樣本數(shù)據(jù)進行了標準化處理，經(jīng)KMO與Bartlett檢驗，從初始解來看，前5個因子的特征值大于1，說明該5個因子可以解釋原有17個原始變量總方差的85.174%。根據(jù)解釋的總方差結果顯示，選取5個公因子的因子成分對所選取的公因子進行因子解釋，作為選取公因子與原指標間的系數(shù)，得到因子旋轉成分矩陣。

根據(jù)因子旋轉成分矩陣可知，對于因子1（F1），其中每股收益Z（X1）、凈資產收益率Z（X5）、總資產凈利率Z（X6）、銷售凈利率Z（X7）、銷售毛利率Z（X8）和息稅前利潤/總資產Z（X11）的解釋力度最大，且除銷售毛利率Z（X8）旋轉后的解釋程度在0.8以下（0.565），每個原始變量的解釋程度均在0.8以上;對于因子2（F2），其中每股凈資產Z（X2）、每股未分配利潤Z（X3）和每股留存收益Z（X4）解釋程度均在0.8以上;對于因子3（F3），其中存貨周轉率Z（X17）、流動資產周轉率Z（X19）和總資產周轉率Z（X20）的解釋程度較大;對于因子4（F4），載荷量較大的是凈利潤增長率Z（X22）、每股經(jīng)營現(xiàn)金流量Z（X24）和全部資產現(xiàn)金回收率Z（X26）;對于因子5（F5），現(xiàn)金比率Z（X14）和資產負債率Z（X15）的解釋程度較大。

進一步通過因子分析后，將原來17個財務預警評價指標替換為現(xiàn)在的5個公因子。通過計算，可以得出樣本公司5個公因子的得分，并可分別從4個角度反映中國農業(yè)上市公司的財務狀況。5個主因子的方差貢獻率分別為32.895%、17.350%、15.527%、9.731%、9.671%，累計方差貢獻率為85.174%。由于單獨的某一因子并不能對中國農業(yè)上市公司的財務狀況有一個全面的評價，所以將構造綜合得分模型進行全面評價，該模型具體如下所示：

其中，F(xiàn)表示綜合得分的分值;Fi表示第i個公因子。

將各樣本的數(shù)據(jù)代入模型求得各樣本綜合得分，再對得分進行排序，最終得到綜合得分與排名，其中排名前十的企業(yè)為溫氏股份、益生股份、仙壇股份、牧原股份、雪榕生物、北大荒、圣農發(fā)展、登海種業(yè)、中魯B、新五豐。

根據(jù)誤判率最低原則和各綜合得分F值，本文選取-0.5為界定公司是否發(fā)生財務危機的界限。若F≥-0.5，則判定企業(yè)不會發(fā)生財務危機;若F<-0.5，則判定企業(yè)會發(fā)生財務危機。從2016年的檢驗結果中可以看出，該模型在進行判別時，將不會發(fā)生財務危機的36家企業(yè)誤判為會發(fā)生財務危機的企業(yè)僅有1家，準確率為97.22%，誤判率為2.78%;將會發(fā)生財務危機的7家企業(yè)誤判為不會發(fā)生財務危機的企業(yè)僅有2家，準確率為71.43%，誤判率為28.57%;對2016年樣本的總體判別準確率為93.02%，總體誤判率為6.98%。

2.更進一步的檢驗

另取2013—2015年相同的43家公司財務數(shù)據(jù)作為樣本，同樣提取主成分后得出綜合得分，再代入模型進行檢驗。將所得到的判別值與各自年份的真實判別值進行對比，最終得到誤判矩陣。從表3可以看出，該預警模型的判別準確率在2013—2015年分別為88.37%、93.02%和79.07%，平均判別準確率為86.82%，由此可見，該預警模型具有很好的判別能力，對農業(yè)上市公司財務危機具有一定的警示作用。

（二）聚類分析

在因子分析的基礎下，本文運用K均值聚類法對農業(yè)上市公司的財務預警程度分類，這樣將可更加直觀地觀測其分布水平。

1.聚類過程

根據(jù)K均值聚類的算法，經(jīng)過5次迭代后，聚類中心達到收斂，初始中心間的最小距離為2.700。通過K均值聚類，樣本最終被聚合成兩類，這兩類的綜合得分分別為0.4600和-0.2733，二者聚類中心間的距離為0.733。

2.聚類結果

經(jīng)計算，本文最終得到43家中國農業(yè)上市公司的財務預警情況（如表4所示）。其中，有16家公司被聚在第一類（無預警類別），27家公司被聚在第二類（預警類別），從預警結果可知，達到預警級別的公司占樣本企業(yè)總數(shù)的62.79%。

五、研究結論

本文通過選取盈利能力、償債能力、營運能力、成長能力和現(xiàn)金流量5個角度的17個財務指標，構建了較為科學完善的財務預警指標體系。之后采用因子分析法建立了財務預警模型，對中國43家農業(yè)上市公司進行了實證檢驗。通過對指標的T檢驗與Kruskal Wallis檢驗可知：非財務危機公司與財務危機公司在此17個財務指標上存在顯著性差異，且盈利能力類的指標對于判定公司是否發(fā)生財務危機方面最為顯著。研究發(fā)現(xiàn)，盈利能力的不足是誘發(fā)公司財務危機最重要的原因，尤其是針對農業(yè)上市公司而言，每股收益、凈資產收益率、總資產凈利率、銷售凈利率、銷售毛利率和息稅前利潤/總資產，這六個盈利能力方面的指標對于其財務危機預警具有重要作用。此外，基于因子分析法構建的農業(yè)上市公司財務預警模型的判別效果較好，2013—2016年模型的判別準確率分別為88.37%、93.02%、79.07%和93.02%，從其判別趨勢中可以看出，該模型在公司發(fā)生財務危機的前兩年判別效果較佳。本文進一步用聚類分析法對現(xiàn)有農業(yè)上市公司進行分類，可知達到預警級別的公司有27家，占到總數(shù)的62.79%，說明中國農業(yè)上市公司大部分處于被警示狀態(tài)，農業(yè)上市公司財務狀況堪憂，應當引起證監(jiān)會、投資者、債權人等重視。

本文貢獻在于不僅在預警指標的選取上完善并豐富了現(xiàn)有財務預警指標體系，而且在預警方法上運用了因子分析法和聚類分析法進行財務預警的實證研究，內容上具有一定的創(chuàng)新。此外，本文針對于農業(yè)行業(yè)的財務危機進行預警，拓展了現(xiàn)有財務預警研究領域的邊界。

本文只是針對農業(yè)類上市公司進行預警分析，并且未能考慮非財務指標，希望在后續(xù)研究中能夠引入非財務指標，進一步根據(jù)不同行業(yè)構建更為完善的財務預警指標體系。此外，在現(xiàn)實生活中，由于數(shù)據(jù)本身的復雜性，并不完全符合某一個模型，很可能是多個模型相互作用的結果。因此，如何將多種統(tǒng)計分析方法結合來研究財務風險并對之有效控制與預測為未來應有的研究之義。

【參考文獻】

[1] FITZPARTRICK P J.A comparison of ratios of successful industrial enterprises with those of failed firms[J].Certified Public Accountant，1932（2）：598-605.

[2] BEAVER W H. Financial ratios as predictors of failure[J].Journal of Accounting Research，1966（4）：71-111.

[3] BECKMANN D，MENKHOFF L，SAWISCHLEWSKI K.Robust lessons about practical early warning systems[J]. Journal of Policy Modeling，2006，28（2）：163-193.

[4] LIN S M，ANDREEVA G.Predicting default of a small business using different definitions of financial distress[J].Journal of the Operational Research Society，2012，63（4）：539-548.

[5] LI S，WANG S.A financial early warning logit model and its efficiency verification approach[J].Knowledge-Based Systems，2014，70（C）：78-87.

[6] KIM S Y. Predicting hospitality financial distress with ensemble models：the case of US hotels，restaurants，and amusement and recreation[J].Service Business，2018（2）：1-21.

[7] 徐玉芳，邵勝華.中小企業(yè)財務危機預警模型設計及實證研究[J].會計之友，2017（12）：31-34.

[8] 阿小燕，趙娟.資源型上市公司財務預警實證分析[J].財會月刊，2018（2）：79-84.

[9] 鄧旭東，張瑜，徐文平.基于現(xiàn)金流量角度的財務預警模型研究——以房地產行業(yè)為例[J].會計之友，2018（23）：89-93.

[10] 高小雪.基于多元概率比回歸模型的上市公司財務危機預警分析[J].企業(yè)經(jīng)濟，2015（4）：188-192.

[11] 李茜，唐恒書.基于三種BP-NNs改進算法的財務預警研究[J].會計之友，2019（6）：55-62.

[12] 彭靜，歐陽令南，彭勇.國內外財務危機預警研究綜述[J].科技進步與對策，2007，24（6）：191-195.

[13] 袁康來.我國農業(yè)上市公司財務困境預測的實證研究[J].華東經(jīng)濟管理，2008（1）：78-84.

[14] 張旭堯，張衛(wèi)民.基于生存分析法的財務困境預警研究——以我國農業(yè)上市公司為例[J].商業(yè)會計，2016（3）：38-41.

[15] 張健.傳統(tǒng)會計指標在農業(yè)企業(yè)財務危機預警中的應用[J].北方經(jīng)濟，2013（22）：76-77.

[16] 袁源，郭暉.基于EVA的農業(yè)上市公司財務危機預警Logistic回歸分析[J].經(jīng)濟論壇，2017（3）：79-82.