苗培熙，孫浩瑜，顧意剛

（南京林業(yè)大學(xué) 經(jīng)濟(jì)管理學(xué)院，江蘇 南京 210037）

1 引言

目前國內(nèi)研究物流業(yè)上市公司財(cái)務(wù)預(yù)警時(shí)構(gòu)建的模型可分為傳統(tǒng)統(tǒng)計(jì)方法和數(shù)據(jù)挖掘技術(shù)兩大類，傳統(tǒng)的統(tǒng)計(jì)方法包括Z-score 模型、主成分模型和Logistic模型，數(shù)據(jù)挖掘技術(shù)包括BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型，其中Z-score 模型和主成分模型使用的最多，但是這兩種模型對上市公司未來是否會(huì)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測效果很差；使用數(shù)據(jù)挖掘技術(shù)進(jìn)行物流業(yè)上市公司財(cái)務(wù)預(yù)警研究的極少，張國富等[1]通過實(shí)證分析認(rèn)為BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測財(cái)務(wù)風(fēng)險(xiǎn)方面具有較強(qiáng)的可靠性，劉磊等[2]通過實(shí)證分析認(rèn)為RBF神經(jīng)網(wǎng)絡(luò)模型克服了人工評價(jià)所帶來的人為因素及模糊隨機(jī)性的影響，這種模型的缺陷在于可解釋性差，無法深入分析。

Logistic模型作為在國內(nèi)研究財(cái)務(wù)預(yù)警時(shí)普遍使用的模型，對于上市公司未來是否會(huì)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)具有良好的預(yù)測效果。利用Logistic模型研究物流業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的文獻(xiàn)較少，田謐等[3]實(shí)證分析了邏輯回歸統(tǒng)計(jì)方法預(yù)測正確率達(dá)到了93.75%，胡敏杰等[4]構(gòu)建的Logistic 回歸預(yù)警模型預(yù)測準(zhǔn)確率達(dá)到了91.7%，劉雨琳等[5]運(yùn)用Logistic分析方法預(yù)測水上運(yùn)輸業(yè)上市公司財(cái)務(wù)危機(jī)，得出的方程誤判率僅為20%，這些研究存在的問題是樣本數(shù)量不足，導(dǎo)致模型預(yù)測準(zhǔn)確率可能被高估；挑選的財(cái)務(wù)指標(biāo)不夠全面，可能會(huì)漏掉一些原本可以進(jìn)入預(yù)警模型的指標(biāo)；沒有設(shè)置檢驗(yàn)組對構(gòu)建的模型進(jìn)行檢驗(yàn)。本文采用聚類分析方法判斷企業(yè)是否處于財(cái)務(wù)困境，通過對過往研究文獻(xiàn)的總結(jié)，選取出現(xiàn)頻率較高的財(cái)務(wù)指標(biāo)構(gòu)建Logistic 模型，最后比較了提取主成分構(gòu)建邏輯回歸模型和直接使用篩選的原指標(biāo)構(gòu)建邏輯回歸模型預(yù)測效果的優(yōu)劣。

2 研究設(shè)計(jì)

2.1 樣本分類

根據(jù)證監(jiān)會(huì)2012 版行業(yè)分類，在“交通運(yùn)輸、倉儲(chǔ)和郵政業(yè)”中選出2020年還在滬、深證券交易所A股市場中流通的104 家上市公司為觀測對象進(jìn)行財(cái)務(wù)預(yù)警研究。目前國內(nèi)學(xué)者普遍用是否被ST區(qū)分上市公司是否出現(xiàn)財(cái)務(wù)危機(jī)，但是這種方法存在很多問題：一是一些行業(yè)中ST公司數(shù)量太少，樣本數(shù)量不足；二是這些行業(yè)中的ST 公司被特別處理的時(shí)間并不一致；三是被ST 是否就能說明上市公司處于財(cái)務(wù)危機(jī)還有待研究。

為此本文采用呂長江等[6]的分類方法區(qū)分上市公司是否出現(xiàn)財(cái)務(wù)危機(jī)，用“營業(yè)利潤/資產(chǎn)總額”、“營業(yè)利潤增加額/資產(chǎn)總額”、“經(jīng)營活動(dòng)凈現(xiàn)金流量/流動(dòng)負(fù)債”3 個(gè)指標(biāo)進(jìn)行聚類分析?？紤]到有的上市公司業(yè)績太過突出，還有的上市公司因?yàn)殚L期處于ST 業(yè)績很差，為了減少此類異常值對聚類分析的干擾，我們采取擴(kuò)大聚類數(shù)的方式，設(shè)置“聚類數(shù)”為6，結(jié)果見表1。

表1 聚類分析結(jié)果

根據(jù)表2，可以看出類別1、4、5都屬于異常值，類別6 內(nèi)的上市公司財(cái)務(wù)情況最差。因此在選擇建模組和檢驗(yàn)組時(shí)我們采取如下方式（結(jié)果見表3）。

表2 聚類指標(biāo)平均值

（1）排除所有ST 公司。我們判斷上市公司是否處于財(cái)務(wù)困境時(shí)統(tǒng)一選擇了2018 年的數(shù)據(jù)，即判斷上市公司2018 年是否處于財(cái)務(wù)困境。所選的三個(gè)ST公司雖然在2018年處于財(cái)務(wù)困境，但是由于它們被特殊處理的時(shí)間早于2017年，因此即使Logistic模型在2017 年數(shù)據(jù)的基礎(chǔ)上判斷出這些公司2018 年仍會(huì)處于財(cái)務(wù)危機(jī)，也不會(huì)有投資者考慮去投資，把ST公司計(jì)入建模組和檢驗(yàn)組缺乏現(xiàn)實(shí)意義。

表3 樣本分組

（2）類別6內(nèi)的上市公司視為出現(xiàn)財(cái)務(wù)困境的公司，其余類別的上市公司視為正常的公司。類別6內(nèi)的公司未必真的出現(xiàn)了財(cái)務(wù)困境，但是對于投資者來說，由于類別6內(nèi)的上市公司情況最差，投資要慎重考慮，因此可以視為類別6內(nèi)的公司出現(xiàn)了財(cái)務(wù)困境。

（3）根據(jù)證監(jiān)會(huì)2012版行業(yè)分類，在“交通運(yùn)輸、倉儲(chǔ)和郵政業(yè)”中細(xì)分八個(gè)行業(yè)，除“管道運(yùn)輸業(yè)”中沒有樣本，其余七個(gè)行業(yè)中每個(gè)行業(yè)選出的出現(xiàn)財(cái)務(wù)困境的公司和正常的公司數(shù)量要對等。

2.2 指標(biāo)選擇

通過對以往研究文獻(xiàn)的總結(jié)[7-9]，本文選取了出現(xiàn)頻率較高的財(cái)務(wù)指標(biāo)，包括盈利能力、成長能力、營運(yùn)能力、償債能力和獲現(xiàn)金流量情況5個(gè)方面共23個(gè)指標(biāo)（見表4），由于判斷上市公司是否處于財(cái)務(wù)困境時(shí)采用了2018 年的數(shù)據(jù)，因此Logistic 模型采用2017年的數(shù)據(jù)。

首先對財(cái)務(wù)指標(biāo)進(jìn)行篩選，用顯著性檢驗(yàn)找出財(cái)務(wù)危機(jī)公司與正常公司具有顯著差異的財(cái)務(wù)指標(biāo)。首先用K-S 方法對財(cái)務(wù)指標(biāo)進(jìn)行正態(tài)性檢驗(yàn)，在顯著性水平5%的情況下，有16個(gè)指標(biāo)服從正態(tài)分布，7 個(gè)指標(biāo)不服從正態(tài)分布（見表5）。對服從正態(tài)分布的指標(biāo)使用T檢驗(yàn)，對不服從正態(tài)分布的指標(biāo)使用Mann-Whitney-U非參數(shù)檢驗(yàn)，結(jié)果見表5，在顯著性水平10%的情況下，共有8 個(gè)指標(biāo)通過了檢驗(yàn)，分別是主營業(yè)務(wù)收入增長率（X1）、凈利潤增長率（X2）、凈資產(chǎn)增長率（X3）、總資產(chǎn)增長率（X4）、流動(dòng)資產(chǎn)周轉(zhuǎn)率（X5）、產(chǎn)權(quán)比率（X6）、現(xiàn)金債務(wù)總額比（X7）、現(xiàn)金流量比率（X8）。

表4 財(cái)務(wù)指標(biāo)

表5 檢驗(yàn)結(jié)果

2.3 模型介紹

Logistic 模型是一種廣義線性回歸模型，其因變量為二分類或多分類，可用于經(jīng)濟(jì)預(yù)測領(lǐng)域，是財(cái)務(wù)預(yù)警中比較常用的模型，但在物流業(yè)上市公司財(cái)務(wù)預(yù)警中相關(guān)研究較少。模型的基本形式是：。p 值代表了公司陷入財(cái)務(wù)困境的概率，由于樣本選取時(shí)處于財(cái)務(wù)困境的公司和正常公司數(shù)量是1：1，因此設(shè)置判定臨界值為0.5，當(dāng)P＞0.5，表明公司第二年會(huì)發(fā)生財(cái)務(wù)困境；反之視為公司第二年經(jīng)營狀況正常。

3 實(shí)證分析

3.1 主成分邏輯回歸

在利用Logistic 模型進(jìn)行預(yù)測時(shí)，大量文獻(xiàn)采用主成分分析提取公因子構(gòu)建Logistic 模型，本文既使用這種方法，還采取直接使用原指標(biāo)構(gòu)建Logistic 模型的方法，以便比較兩者的優(yōu)劣。

利用Spss 軟件進(jìn)行因子適合度檢驗(yàn)，檢驗(yàn)結(jié)果KMO 值為0.444，較低，Bartlett 球形度檢驗(yàn)的觀測值為115.701，p值為0＜0.05，因此拒絕原假設(shè)，可以進(jìn)行因子分析。

依照特征值大于1的原則提取公因子，公因子個(gè)數(shù)為3，其累計(jì)方差貢獻(xiàn)率為69.861%，不高，考慮第四個(gè)公因子的特征值為0.97，很接近1，因此按照固定公因子個(gè)數(shù)為4 的原則提取公因子。用因子分析中的“最大方差法”進(jìn)行4次正交旋轉(zhuǎn)，累計(jì)方差貢獻(xiàn)率為81.989%，符合要求，由此可得模型主成分的表達(dá)式（見表6）。

將公因子保存為變量進(jìn)行二元Logitic 回歸，按照向后逐步回歸進(jìn)入Logistic 模型，可以看出只有公因子F1最終進(jìn)入了模型。最終得到的邏輯回歸模型是（見表7），模型預(yù)測結(jié)果見表8。

表6 旋轉(zhuǎn)后因子載荷圖及方差貢獻(xiàn)率

表7 回歸結(jié)果

表8 模型預(yù)測結(jié)果

3.2 原指標(biāo)邏輯回歸

將主營業(yè)務(wù)收入增長率（X1）、凈利潤增長率（X2）、凈資產(chǎn)增長率（X3）、總資產(chǎn)增長率（X4）、流動(dòng)資產(chǎn)周轉(zhuǎn)率（X5）、產(chǎn)權(quán)比率（X6）、現(xiàn)金債務(wù)總額比（X7）和現(xiàn)金流量比率（X8）八個(gè)指標(biāo)進(jìn)入模型。

將指標(biāo)按照向后逐步回歸進(jìn)入Logistic 模型，可以看出只有X1,X5,X8最終進(jìn)入模型。最終得到的邏輯回歸模型是（見表9），模型預(yù)測結(jié)果見表10。

表9 回歸結(jié)果

表10 模型預(yù)測結(jié)果

3.3 結(jié)果比較與檢驗(yàn)

比較表8 和表10，顯然直接用原指標(biāo)構(gòu)建Logistic 模型略占優(yōu)勢，用主成分分析提取公因子構(gòu)建模型，模型預(yù)測的正確率為80%，而原指標(biāo)進(jìn)入Logistic 模型，模型預(yù)測正確率達(dá)到了85%。為了進(jìn)一步證實(shí)我們的判斷，對主成分構(gòu)建的Logistic 模型和原指標(biāo)構(gòu)建的Logistic模型進(jìn)行檢驗(yàn)。從檢驗(yàn)結(jié)果（見表11）可以看出，主成分構(gòu)建模型預(yù)測的正確性仍為80%，原指標(biāo)構(gòu)建的模型預(yù)測正確率降到了70%，將建模組和檢驗(yàn)組的百分比綜合起來，主成分構(gòu)建模型預(yù)測的正確率為80%，原指標(biāo)構(gòu)建的模型預(yù)測正確率為77.5%，我們認(rèn)為這兩種方法構(gòu)建的模型預(yù)測效果不存在顯著差異。

表11 模型預(yù)測結(jié)果

4 結(jié)論

本文使用非傳統(tǒng)的聚類分析方法判定上司公司是否處于財(cái)務(wù)困境，從證監(jiān)會(huì)2012 版二級(jí)行業(yè)分類“交通運(yùn)輸、倉儲(chǔ)和郵政業(yè)”中的104家A股上市公司中選取了60家上市公司作為樣本，按照樣本數(shù)量1：1設(shè)置了建模組和檢驗(yàn)組，基于23個(gè)財(cái)務(wù)指標(biāo)，在顯著性檢驗(yàn)后，分別用提取主成分構(gòu)建邏輯回歸模型和原指標(biāo)構(gòu)建邏輯回歸模型的方法進(jìn)行財(cái)務(wù)預(yù)警研究，得出了以下結(jié)論：

（1）用聚類分析方法判斷上司公司是否處于財(cái)務(wù)困境能減少誤差且更具有現(xiàn)實(shí)意義。傳統(tǒng)的方法把是否被特別處理作為判斷上市公司是否處于財(cái)務(wù)困境的標(biāo)志，在針對特定行業(yè)的研究中，這種方法必然面臨ST公司數(shù)量少且被特別處理的時(shí)間不一致的問題，為了應(yīng)對這種問題，相關(guān)研究對特別處理時(shí)間不同的ST公司進(jìn)行了配對，這必然增大誤差，而且對投資者來說缺乏實(shí)際意義。而聚類分析方法將表現(xiàn)最差的類別中的公司看作處于財(cái)務(wù)困境的公司，較好地解決了實(shí)證研究中處于財(cái)務(wù)困境公司樣本數(shù)量不足的問題，且聚類分析方法采用同一年的數(shù)據(jù)進(jìn)行判別，避開了ST 公司被特別處理的時(shí)間不一致的問題，減少了誤差，同時(shí)方便投資者做出投資決策。

（2）主成分構(gòu)建的邏輯回歸模型和原指標(biāo)構(gòu)建的邏輯回歸模型預(yù)測效果并無顯著差異。用主成分構(gòu)建的模型預(yù)測的正確性為80%，檢驗(yàn)組預(yù)測正確率也為80%，原指標(biāo)構(gòu)建的模型預(yù)測正確率為85%，檢驗(yàn)組預(yù)測正確率為70%，綜合后主成分構(gòu)建模型預(yù)測的正確性為80%，原指標(biāo)構(gòu)建的模型預(yù)測正確性為77.5%，兩者并無顯著差異。

（3）Logistic 模型對物流業(yè)上市公司財(cái)務(wù)困境有良好的預(yù)測效果。從正確率看，Logistic 模型預(yù)測正確率在80%左右，具有很好的預(yù)測能力。

（4）兩種方法構(gòu)建的模型顯示，影響判別和預(yù)測物流上市公司是否處于財(cái)務(wù)困境的指標(biāo)有主營業(yè)務(wù)收入增長率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、現(xiàn)金債務(wù)總額比和現(xiàn)金流量比率，在以后研究財(cái)務(wù)預(yù)警時(shí)，這些是必須考慮選取的財(cái)務(wù)指標(biāo)。