張曉晴　齊延艷

摘要：汽車行業(yè)是我國經(jīng)濟(jì)的支柱產(chǎn)業(yè)之一，但近期我國汽車市場不景氣，許多潛在的財(cái)務(wù)風(fēng)險(xiǎn)需要被重視。文章以我國汽車行業(yè)上市公司為研究對象，選取2015～2017年140家汽車行業(yè)上市公司的財(cái)務(wù)指標(biāo)，利用主成分分析法篩選出六個(gè)主成分因子，再通過Logistic回歸分析建立汽車行業(yè)財(cái)務(wù)預(yù)警模型，利用2018年樣本公司財(cái)務(wù)數(shù)據(jù)檢驗(yàn)得到該模型總體預(yù)測準(zhǔn)確率達(dá)到95.71%，財(cái)務(wù)預(yù)警效果良好，對汽車行業(yè)企業(yè)經(jīng)營者和外部投資者具有參考價(jià)值。

關(guān)鍵詞：財(cái)務(wù)風(fēng)險(xiǎn);主成分分析;logistic回歸;汽車行業(yè);預(yù)警模型

一、汽車行業(yè)上市公司現(xiàn)狀分析

汽車行業(yè)作為我國經(jīng)濟(jì)的支柱產(chǎn)業(yè)之一，在提升國民經(jīng)濟(jì)、增加就業(yè)崗位、刺激消費(fèi)等方面發(fā)揮著重要作用。但從2018年年底開始汽車銷量呈現(xiàn)下滑趨勢，國內(nèi)汽車市場消費(fèi)疲弱，新能源技術(shù)尚不成熟，2019年我國汽車行業(yè)似乎進(jìn)入了冬天，但我國人均汽車保有量較發(fā)達(dá)國家仍有很大的發(fā)展空間。目前汽車行業(yè)正在由傳統(tǒng)領(lǐng)域競爭轉(zhuǎn)向新能源、智能化自動(dòng)駕駛領(lǐng)域，處在變革的臨界點(diǎn)，面臨著眾多機(jī)遇與風(fēng)險(xiǎn)。此時(shí)如何有效降低成本、防范財(cái)務(wù)風(fēng)險(xiǎn)，預(yù)防財(cái)務(wù)危機(jī)的出現(xiàn)成為汽車行業(yè)值得關(guān)注的重點(diǎn)。因此，建立一個(gè)適用于我國汽車行業(yè)上市公司的財(cái)務(wù)預(yù)警模型，使企業(yè)管理者根據(jù)不斷變化的財(cái)務(wù)數(shù)據(jù)預(yù)測企業(yè)財(cái)務(wù)狀況，及時(shí)發(fā)出財(cái)務(wù)預(yù)警，為企業(yè)決策提供必要的財(cái)務(wù)依據(jù);同時(shí)為債權(quán)人、股票市場投資者提供有效的財(cái)務(wù)預(yù)警支持。

二、文獻(xiàn)綜述及指標(biāo)選取

（一）文獻(xiàn)綜述

國內(nèi)外財(cái)務(wù)預(yù)警的研究方法分為定性研究和定量研究，相對于主觀判斷的定性研究，利用數(shù)學(xué)模型進(jìn)行預(yù)警的定量研究更具有說服性。國內(nèi)外學(xué)者對定量研究方法從單變量模型到多變量模型不斷演變，提出了單變量模型、多元線性判別模型、Logistic回歸模型、神經(jīng)網(wǎng)絡(luò)分析模型、Z值模型、F預(yù)警模型等，其在預(yù)測精度和穩(wěn)定性上各有優(yōu)缺點(diǎn)，其中Logistic回歸模型具有較強(qiáng)的實(shí)用性，預(yù)測誤判率較低?？v觀國內(nèi)外預(yù)測模型，研究對象多數(shù)不劃分行業(yè)或?yàn)橹圃鞓I(yè)公司，針對汽車行業(yè)的研究較少，因此本文采用Logistic回歸模型對我國汽車行業(yè)上市公司建立財(cái)務(wù)預(yù)警模型，為汽車制造企業(yè)進(jìn)行財(cái)務(wù)預(yù)警評估提供借鑒。

（二）研究樣本及指標(biāo)的選擇

本文將上市公司是否因“財(cái)務(wù)狀況異?！倍惶貏e處理（ST）作為判斷是否出現(xiàn)財(cái)務(wù)危機(jī)的標(biāo)準(zhǔn)，選取了汽車行業(yè)140家上市公司作為研究樣本，其中，132家財(cái)務(wù)正常公司，即非ST公司，8家財(cái)務(wù)狀況異常的公司，即ST公司。選取了樣本公司2015～2017年連續(xù)三年的財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行分析并建立財(cái)務(wù)預(yù)警模型，選取樣本公司2018年財(cái)務(wù)指標(biāo)檢驗(yàn)?zāi)Ｐ偷男Ч?。本文樣本?shù)據(jù)均源于國泰安經(jīng)濟(jì)金融研究數(shù)據(jù)庫（CSMAR）。

本文在綜合參考前人財(cái)務(wù)預(yù)警模型指標(biāo)選取的基礎(chǔ)上，結(jié)合汽車行業(yè)的特點(diǎn)，從眾多財(cái)務(wù)指標(biāo)中選取了18個(gè)對上市公司影響較大的指標(biāo)，其中包含能反映公司的償債能力、營運(yùn)能力、盈利能力、發(fā)展能力的15個(gè)財(cái)務(wù)指標(biāo)和3個(gè)投資者較為關(guān)注的每股財(cái)務(wù)指標(biāo)，具體如表1所示。

三、主成分分析

（一）主成分分析的適用性檢驗(yàn)

在主成分分析前，先對140家樣本公司數(shù)據(jù)標(biāo)準(zhǔn)化處理，然后進(jìn)行KMO檢驗(yàn)和Bartletts球體檢驗(yàn)，KMO統(tǒng)計(jì)量是用于比較變量間簡單相關(guān)系數(shù)和偏相關(guān)系數(shù)的指標(biāo)，KMO值越接近于1則意味著變量間的相關(guān)性越強(qiáng)，原有變量越適合作主成分分析。一般認(rèn)為KMO檢驗(yàn)數(shù)>0.5適合做主成分分析，從表2可以看出KMO檢驗(yàn)值為0.620，滿足主成分分析的條件。Bartletts球狀檢驗(yàn)用于檢驗(yàn)相關(guān)陣中各變量間的相關(guān)性，即檢驗(yàn)各個(gè)變量是否相互獨(dú)立。一般認(rèn)為Bartletts球狀檢驗(yàn)結(jié)果小于0.05適合主成分分析。由表2顯著性檢驗(yàn)結(jié)果顯示Sig.為0，說明各變量間具有相關(guān)性，適合做主成分分析。

（二）主成分的提取

運(yùn)用SPSS22.0對所選取的2015～2017年140家汽車上市公司的財(cái)務(wù)指標(biāo)進(jìn)行主成分分析，得到各個(gè)成分的特征值及累加貢獻(xiàn)率，一般要求各主成分的特征值大于1，累計(jì)貢獻(xiàn)率大于80%。由表3所示，前六個(gè)主成分的特征值大于1，累計(jì)貢獻(xiàn)率為81.771%。說明前六個(gè)主成分因子能充分代替原數(shù)據(jù)，能對總體起到概括作用，因子分析效果比較理想，所以本文提取前六個(gè)主成分進(jìn)行后續(xù)研究。

（三）主成分的解釋

利用SPSS22.0使用方差最大旋轉(zhuǎn)法得到旋轉(zhuǎn)因子載荷矩陣，使得各主成分因子有較明確的經(jīng)濟(jì)含義，如表4所示。

在主成分1中，X10、X11和X12的負(fù)荷量最為明顯，代表企業(yè)的盈利能力;在主成分2中，X5、X6、X7、X8和X9的負(fù)荷量最為明顯，代表企業(yè)的營運(yùn)能力;在主成分3中，X1、X2和X3的負(fù)荷量最為明顯，代表企業(yè)的償債能力;在主成分4中，X13、X15和X18的負(fù)荷量最為明顯，代表企業(yè)的發(fā)展能力和每股指標(biāo);在主成分5中，X4、X14的負(fù)荷量最為明顯，代表企業(yè)的發(fā)展能力和償債能力;在主成分6中，X17的負(fù)荷量最為明顯，代表企業(yè)的每股指標(biāo)。

根據(jù)系數(shù)得分矩陣表，分別用F1、F2、F3、F4、F5、F6表示六個(gè)主成分，根據(jù)表中數(shù)據(jù)可以得到各個(gè)主成分的表達(dá)式，如第1個(gè)主成分的表達(dá)式如下所示：

F1=0.124X1+0.124X2-0.238X3-0.211X4+0.078X5-0.217X6+0.228X7+0.084X8+0.255X9+0.938X10+0.938X11+0.943X12+0.132X13+0.166X14+0.167X15+0.799X16-0.004X17+0.089X18

同理可以得到F2、F3、F4、F5、F6主成分的表達(dá)式。

四、二元Logistic 回歸分析

（一）模型的構(gòu)建

將上文篩選出的六個(gè)主成分作為模型的自變量，即F1、F2、F3、F4、F5、F6。該模型的因變量采用虛擬變量，假設(shè)因變量為Y，當(dāng)Y=1時(shí)，代表企業(yè)為ST公司，當(dāng)Y=0時(shí)，代表企業(yè)為非ST公司，即財(cái)務(wù)正常的企業(yè)，運(yùn)用SPSS22.0對自變量和因變量進(jìn)行二元logistic回歸建模，具體如下所示：

根據(jù)上述參數(shù)估計(jì)結(jié)果建立Logistic回歸財(cái)務(wù)預(yù)警模型：

（二）模型預(yù)警效果的檢驗(yàn)

運(yùn)用上述財(cái)務(wù)預(yù)警模型對樣本公司2018年的財(cái)務(wù)指標(biāo)進(jìn)行檢驗(yàn)，通常將P=0.5作為判斷企業(yè)是否有財(cái)務(wù)風(fēng)險(xiǎn)可能的臨界點(diǎn)，若輸出的P值大于等于0.5表示財(cái)務(wù)狀況良好，暫時(shí)沒有財(cái)務(wù)風(fēng)險(xiǎn)的可能;若輸出的P值小于0.5，表示財(cái)務(wù)狀況不樂觀，有發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能。將140組樣本公司的數(shù)據(jù)，其中ST公司8家，非ST公司132家，代入財(cái)務(wù)預(yù)警模型中進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果如表6所示：

由表6結(jié)果可知，132家非ST公司中128家被預(yù)測正確，4家被誤測為ST公司，準(zhǔn)確率為96.97%，在8家ST公司中，6家被預(yù)測正確，2家被誤測為非ST公司，準(zhǔn)確率為75%，總體的預(yù)測準(zhǔn)確率為95.71%，預(yù)測結(jié)果比較理想。

五、結(jié)語

（一）研究結(jié)論

本文通過建立Logistic回歸模型對汽車行業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警，采用主成分分析法提取出反應(yīng)原始數(shù)據(jù)大部分信息的主成分因子，再利用Logistic回歸分析構(gòu)建出適合我國汽車行業(yè)的財(cái)務(wù)預(yù)警模型，并對其進(jìn)行檢驗(yàn)，準(zhǔn)確率達(dá)到95.71%，模型的預(yù)測效果良好。研究結(jié)果表明，汽車行業(yè)上市公司的盈利能力、營運(yùn)能力、償債能力、發(fā)展能力對企業(yè)財(cái)務(wù)狀況有較大的影響，尤其是盈利能力。本文采用Logistic回歸分析法，既避免了自變量需要正態(tài)分布的嚴(yán)格假設(shè)條件，又克服了傳統(tǒng)定性研究中不確定性。無論對于企業(yè)經(jīng)營者還是投資者，該模型皆可用于作為參考，在一定程度上可以避免或減少損失。

（二）建議

汽車行業(yè)企業(yè)管理者應(yīng)注重企業(yè)盈利能力的提升，資產(chǎn)報(bào)酬率、總資產(chǎn)凈利率、凈資產(chǎn)收益率等指標(biāo)對汽車行業(yè)公司的財(cái)務(wù)狀況有較大的影響。管理者可利用該財(cái)務(wù)預(yù)警模型評估財(cái)務(wù)狀況，提前發(fā)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)，及時(shí)調(diào)整戰(zhàn)略，將損失降到最小。

汽車行業(yè)的投資者可以利用本文財(cái)務(wù)預(yù)警模型對有意向的上市公司進(jìn)行財(cái)務(wù)狀況的判斷與分析，預(yù)測是否存在財(cái)務(wù)風(fēng)險(xiǎn)，便于投資者做出合理的投資決策，降低投資風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]李長山.基于Logistic回歸法的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建[J].統(tǒng)計(jì)與決策，2018，34（06）：185-188.

[2]康雨舟.基于logistic回歸的制造業(yè)上市公司財(cái)務(wù)困境預(yù)警模型[J].現(xiàn)代經(jīng)濟(jì)信息，2018（15）：154-157.

[3]王晨.創(chuàng)業(yè)板上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[D].沈陽：沈陽工業(yè)大學(xué)，2018.

[4]張靜瑜，林娟，王玲.基于Logistic的信息產(chǎn)業(yè)上市公司財(cái)務(wù)預(yù)警模型構(gòu)建[J].財(cái)會(huì)通訊，2017（32）：100-104+129.

[5]甘愛平，柳亮，陳可楨.航運(yùn)上市公司財(cái)務(wù)預(yù)警的Logistic回歸分析[J].上海海事大學(xué)學(xué)報(bào)，2014，35（01）：65-68.

（作者單位：曲阜師范大學(xué)管理學(xué)院）