龐紹楠 諸慧琴

【摘 要】本文以2019年滬深兩市A 股上市公司中27家ST企業(yè)和27家非ST企業(yè)為研究對象，分別從償債能力、盈利能力、營運能力、發(fā)展能力和現(xiàn)金流等方面選取了17個財務指標，采用因子分析和logistics回歸分析方法建立財務預測模型，實證研究發(fā)現(xiàn)：logistic 回歸方法對企業(yè)的總體判斷準確率在79.6%，另外，流動比率、速動比率、總資產(chǎn)凈利潤率、凈資產(chǎn)收益率和總資產(chǎn)報酬率具有很好的預測能力，但所有的營運能力指標均不顯著。

【關鍵詞】財務危機預測；因子分析法；logistics回歸分析

一、引言

隨著世界經(jīng)濟一體化、全球化發(fā)展，市場競爭日趨激烈，從2018年開始中美貿(mào)易摩擦對我國雙邊貿(mào)易、外資和投資產(chǎn)生了負面影響，與此同時，2020年初的新冠的肺炎疫情也給我國宏觀經(jīng)濟運行帶來較大的外部沖擊，我國的旅游業(yè)、交通運輸業(yè)、餐飲服務業(yè)等行業(yè)首當其沖，損失嚴重。我國企業(yè)面臨著前所未有的生存壓力，經(jīng)營風險和財務風險也隨之增加。很多公司被滬深交易所“特別處理”，甚至面臨退市的風險。

破產(chǎn)預測是一種對公司的財務困境進行預測的技術，目的是評估公司財務狀況和運營前景。研究財務困境企業(yè)與正常企業(yè)在財務指標上的差異性，建立風險預警模型，能夠幫助公司進行有效地管理與控制風險，為管理層、投資者、債權人、金融機構等提供決策依據(jù)和參考意見，是上市公司致力尋求的有效風險管理舉措。

本文基于國內(nèi)外現(xiàn)有公司破產(chǎn)預測模型，以54家非金融上市公司為研究對象，選取17個財務指標，采用Logistic方法建立企業(yè)財務困境預警回歸模型進行實證分析。

二、文獻綜述

Martin（1977）最早將Logistic回歸模型引入企業(yè)破產(chǎn)預測模型研究領域，他發(fā)現(xiàn)Logistic回歸模型對樣本數(shù)據(jù)的要求較低，適用性更廣，并將其應用到銀行破產(chǎn)預測中。

Ohlson（1980）提出的Logistic回歸模型是被引用最廣泛的，他研究發(fā)現(xiàn)Logistic回歸模型克服了多判別分析的問題，資產(chǎn)規(guī)模、財務結構、績效和流動性是影響破產(chǎn)概率的最重要因素。

Liang（2003）比較了兩種廣泛使用的判別分析和邏輯回歸分析技術，并得出結論：邏輯回歸具有比多重判別分析更好的預測能力。

Alifiah（2014）在預測馬來西亞貿(mào)易和服務業(yè)財務困境公司的研究中，使用宏觀經(jīng)濟變量和財務比率作為自變量。根據(jù)Logit分析的結果，該研究確定了營業(yè)額比率，債務比率，總資產(chǎn)與營運資金比率，凈收入與總資產(chǎn)比率以及基本貸款利率這些變量有較強預測力。

Agrawal & Maheshwari（2019）研究發(fā)現(xiàn)敏感性變量行業(yè)beta值對破產(chǎn)會產(chǎn)生影響，高敏感性會導致破產(chǎn)的可能性增加。

受到國內(nèi)發(fā)展的制約，相較于國外，我國企業(yè)危機預測模型的研究起步較晚。

吳世農(nóng)、盧賢義（2001）發(fā)現(xiàn)多元線性回歸分析、Fisher判別分析、Logistic回歸分析均是比較準確的企業(yè)破產(chǎn)預測方法，但與其他兩種多變量模型相比，Logistic模型的判斷準確率更高。

陳良華（2005）引入了非財務指標建立了Logistic回歸模型，研究得出第一大股東的持股比例、獨立董事比例與企業(yè)破產(chǎn)財務困境的發(fā)生是具有顯著性的。

解秀玉（2013）以中小企業(yè)為研究對象，使用因子分析法建立了Logistic回歸模型。研究得出，越接近破產(chǎn)日期，財務困境的誤判率越小。

祁新、柏廣才（2019）基于創(chuàng)新視角研究發(fā)現(xiàn)引入創(chuàng)新能力指標構建的財務危機預警模型，具有更高的預測準確率。

Logistic回歸模型簡單易構，沒有嚴格的前提假設，并且對小樣本數(shù)據(jù)也可準確預測，因此眾多學者都樂于使用該模型對企業(yè)破產(chǎn)危機進行預測，且效果良好?；诖耍疚膶⑦\用Logistic回歸模型對企業(yè)破產(chǎn)進行預測研究。

三、研究方法

（一）樣本選擇

本文從我國上市公司中選取了2019年ST 企業(yè)27家和非ST 企業(yè)27家作為配對樣本進行研究。以2018年的財務數(shù)據(jù)為基礎，建立T-1年（2018）的財務風險預警模型來預測企業(yè)的風險情況。

（二）指標選取

結合我國上市公司的財務危機特征，參考各種相關文獻后，遵循系統(tǒng)性、針對性、重要性、可比性和易取性原則，本文分別從償債能力、盈利能力、營運能力、發(fā)展能力和現(xiàn)金流等方面選取了17個財務指標，形成指標體系，具體見表1。

四、實證研究

（一）描述性統(tǒng)計

從描述性統(tǒng)計可以看出，ST公司與非ST公司之間有許多財務指標存在很大差異，例如利息保障倍數(shù)、凈資產(chǎn)收益率、凈利潤增長率、銷售凈現(xiàn)率等財務指標。

（二）正態(tài)性檢驗

本文對17個指標使用K- S檢驗進行正態(tài)性檢驗，計算KolmogorovSmirnov，僅有現(xiàn)金流量流動負債比率一個財務變量p>0.05，服從正態(tài)分布，進行T檢驗；其余變量p均小于0.05，不服從正態(tài)分布，進行Wilcoxon符號秩檢驗。

（三）顯著性檢驗

現(xiàn)金流量流動負債（X17）服從正態(tài)分布，對其進行兩獨立樣本T檢驗，在均值方程的T檢驗中，兩樣本獨立樣本T檢驗值為-2.485，自由度為52，雙側檢驗顯著性概率為0.016 < 0.05，因此可以判定ST公司和非ST公司在現(xiàn)金流量流動負債指標上存在顯著性差異。

對其余指標變量進行M a n n - Whitney U非參數(shù)檢驗：資產(chǎn)負債率（X1）、流動比率（X2）、速動比率（X3）、利息保障倍數(shù)（X4）、總資產(chǎn)凈利潤率（X6）、凈資產(chǎn)收益率（X7）、銷售凈利率（X8）、總資產(chǎn)報酬率（X9）、總資產(chǎn)增長率（X14）、凈利潤增長率（X15）等變量可以顯著區(qū)分ST公司和正常公司。

通過顯著性檢驗，篩選出了除X5、X10、X11、X12、X13、X16以外的11個財務變量，可以利用這11個變量建立財務危機預測模型。

（四）因子分析

1、KMO 檢驗

雖然已經(jīng)篩選出了11個指標變量，但在模型構建過程中將11個變量全部采用會產(chǎn)生較大的運算量，繼續(xù)提取出剩余11個財務指標變量的公共因子，選取出信息量高、相關性低的變量。對剩下的指標進行KMO和Bartlett 球形檢驗，結果如表2所示。

通過表2中數(shù)據(jù)可知，KMO 值分布為0.613，表示變量自檢的相關性，而Bartlett球形度檢驗中，顯著性為0，達到了顯著水平，表示原變量之間具有明顯的結構性和相關性，可以進行因子分析。

2、公共因子計算

表3為11個財務候選指標的公共因子特征值、貢獻率計算結果。由表3可知，前3個公共因子能解釋所有變量的73.488%，且特征值均大于1，本文選擇前3個公共因子作為財務候選指標的替代變量，將其分別記為F1、F2、F3。

3、載荷系數(shù)計算

表4為11個原有的財務指標和3個公共因子的載荷系數(shù)計算結果。若系數(shù)絕對值大于0.50，則認為該公共因子可以由對應變量進行解釋。由表4可知：公共因子F1可以由X1、X4、X6、X7、X9、X14和X15解釋，反映的是企業(yè)營業(yè)能力和發(fā)展能力信息；公共因子F2可以由X2和X3解釋，反映了企業(yè)償債能力；公共因子F3可以由X17解釋，反映了企業(yè)現(xiàn)金流信息。

4、因子得分函數(shù)

采用主成分分析法選取3個公共因子，累計貢獻率達73.488%，大致能夠表達原有的指標信息。從而描述公共因子與原有模型指標相互線性關系，根據(jù)成分得分系數(shù)矩陣，可以描述公共因子和原11個指標之間的線性關系，得出因子得分函數(shù)：

F1=-0.226X1-0.035X2-0.054X3-0.082X4+0.221X6+0.285X7+0.120X8+0.216X9+0.182X14+0.056X15-0.219X17

F2=-0.148X1+0.469X2+0.473X3-0 . 0 4 7 X 4 - 0 . 0 3 2 X 6 - 0 . 0 3 4 X 7 -0.007X8-0.039X9-0.063X14-0.030X15+0.067X17

F 3 = 0 . 1 7 7 X 1 + 0 . 0 0 3 X 2 + 0 . 0 2 4 X 3 + 0 . 4 6 4 X 4 + 0 . 0 0 2 X 6 -0 . 1 4 2 X 7 - 0 . 0 9 4 X 8 + 0 . 0 1 3 X 9 -0.003X14+0.238X15+0.638X17

（四）Logistic回歸模型

1、模型擬合優(yōu)度

Hosmer-Lemeshow檢驗是對模型整體擬合效果的檢驗，如表5所示，該模型的P值大于0. 05，而且CHIINV（ 0. 05，8） = 15. 5073，大于卡方值，這說明該模型的擬合效果良好。

2、模型準確率

預測結果如表6所示：模型對樣本的整體準確率達79.6%，其中對ST 企業(yè)預測的正確百分比為74.1%，而對非ST企業(yè)預測的正確百分比為85.2%。

3、Logistic 回歸結果

表7列出了模型中各變量F1、F2、F3 各自的系數(shù)以及各變量對應的Wals統(tǒng)計量值、Sig.值。據(jù)此可以得到最終的回歸模型。

五、結論

本文運用主成分分析法和logistic回歸分析法建立了企業(yè)財務風險預警模型，該模型克服了自變量之間的多重共線性，使logistic 回歸方法對企業(yè)的總體判斷準確率在79.6% ，驗證結果較為理想。另 外，本文發(fā)現(xiàn)流動比率、速動比率、總資產(chǎn)凈利潤率、凈資產(chǎn)收益率和總資產(chǎn)報酬率具有很好的預測能力，但在本文中，營運能力指標：應收賬款周轉率、營運資金周轉率、總資產(chǎn)周轉率、存貨周轉率均不顯著，這與先前一些學者（解秀玉、管西三；陳芳、吳杰；石先兵等）的觀點不一致。

（1.邢臺學院，河北 邢臺 054000 2.全州大學，韓國 全州 55069）

參考文獻：

[1]陳芳，吳杰.中小企業(yè)財務危機預警模型比較研究[J]. 財會通訊，2017（5）.

[2]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）.

[3]解秀玉，管西三.企業(yè)財務風險預警模型研究——基于制造業(yè)數(shù)據(jù)[J].南京審計學院學報，2013（4）.