楊夢玲, 毛惠媛, 汪 敏

(沈陽大學 商學院, 遼寧 沈陽 110041)

文化與旅游服務行業(yè)存在的前期資本投入較大、經(jīng)營周期普遍較短、風控意識及能力較為薄弱等問題大大增加了行業(yè)風險,導致企業(yè)財務危機頻發(fā)的情況越來越多,所以,有必要構建文化與旅游服務業(yè)的財務危機預警模型。財務危機預警以企業(yè)財務會計數(shù)據(jù)為基礎,通過建立敏感財務指標并觀察其變化,可以對企業(yè)可能出現(xiàn)的財務危機實時監(jiān)測,并預測企業(yè)的財務危機。目前,國內(nèi)外學者對文化與旅游服務業(yè)進行財務預警分析研究的不是很多,但事實上,行業(yè)財務危機預警研究對促進行業(yè)發(fā)展至關重要。因此,本文將針對文化與旅游服務行業(yè)構建財務危機預警模型,以發(fā)現(xiàn)企業(yè)經(jīng)營管理過程中存在的潛在風險和危機,使經(jīng)營者能夠在財務危機爆發(fā)前有所警惕,規(guī)避風險。

一、 文獻綜述

Beaver研究了30個財務指標,發(fā)現(xiàn)越接近破產(chǎn)的企業(yè),預測準確率越高,破產(chǎn)前一年的預測準確率最高[1]。Altman首次運用多元線性判別法,以預警準確率為標準選取了5個變量,根據(jù)預警準確率賦予不同的權重,通過加權計算得出綜合得分Z值[2]。Martin使用Logistic模型研究了銀行破產(chǎn)情況,結果表明:Logistic模型的檢測能力非常強,預判準確率在85%以上[3]。Odom等利用人工神經(jīng)網(wǎng)絡把樣本劃分為訓練的樣本和空白的樣本,并用Z評分模型中的5個財務指標作為解釋變量,實證結論為:判別正確率遠高于傳統(tǒng)統(tǒng)計模型[4]。陳靜發(fā)表了國內(nèi)第一篇關于財務預警的文章,她的研究表明:流動比率和債務比率的誤判性最小[5]。關欣等選取了168家上市公司,運用logistic回歸模型和BP神經(jīng)網(wǎng)絡模型進行計算,結果表明:BP神經(jīng)網(wǎng)絡模型效果更好[6]。顧曉安等利用Logistic財務預警模型進行研究時增加了收益管理變量,提高了財務預警研究的準確性,結果表明:ST企業(yè)的預警準確率高于正常運營過程中的企業(yè)[7]。楊瀟使用主成分分析法來降低預警指標的變量,實證結果表明:改進 logistic 回歸模型提高了預測的精度和穩(wěn)定性,從而提高了預警模型的精度[8]。

二、 預警模型設計

1. Logistic模型簡介

Logistic回歸法是一種多變量分析方法,屬于度量概率非線性條件回歸的一種常用方法,用于研究兩類觀測結果及其影響因素之間的關系,通常用于表示研究結果是否在某些因素條件下發(fā)生。logistic回歸模型可以解釋為:一個具有n種獨立變量的向量X=(X1,X2,X3,…,Xn),設條件概率P(y=1|X)=p,表示在某事件X已經(jīng)發(fā)生的條件下觀測量相對應發(fā)生的概率。公式為

2. 研究對象與數(shù)據(jù)選取

由于國內(nèi)很多文化與旅游服務企業(yè)并沒有上市,其財務數(shù)據(jù)不易搜集且財務信息真實性無法保證,因此,選擇深市A股和滬市A股中文化與旅游服務業(yè)上市企業(yè)作為研究對象,不僅企業(yè)的財務數(shù)據(jù)容易獲取,其資質(zhì)和財務水平要求也更高,更具有代表性。以企業(yè)被ST作為衡量企業(yè)進入財務危機的標準,選取了2015—2020年被ST過的10家企業(yè),并對應選擇了與ST企業(yè)同行業(yè)的40家健康上市企業(yè)作為研究樣本。在選取非ST企業(yè)樣本時,有以下4點選擇標準:①隸屬于深市A股或滬市A股;②選取時間與ST組一致;③在T-2年及T-1年利潤均為正的企業(yè);④依據(jù)數(shù)據(jù)可用性原則,剔除財務指標數(shù)據(jù)殘缺或異常的企業(yè)。研究樣本如表1所示。

表1 研究樣本

本文將被ST的年度定義為第T年,以財務危機爆發(fā)(ST)作為分界點,從分界點倒推時間。由于被ST的3年前及以上年度的財務指標數(shù)據(jù)對于預警財務危機爆發(fā)的解釋意義不明顯,所以預警指標應該是初步出現(xiàn)危機時的預兆性指標,而不是在危機出現(xiàn)時的結果性指標,所以選取研究指標數(shù)據(jù)的時間點為企業(yè)被ST的兩年前(即T-2年)。研究樣本的數(shù)據(jù)根據(jù)萬得金融數(shù)據(jù)庫和銳思研究金融數(shù)據(jù)庫數(shù)據(jù)計算整理而得。

3. 指標選取

預警指標是影響財務危機預警模型準確度的重要因素,也是衡量判斷行業(yè)財務危機特征的主要信息。因此,本文在確立預警指標前,選取應用最為廣泛的財務危機預警解釋變量——五大財務分析能力指標——作為候選指標。五大財務分析能力指標能較為全面地反映企業(yè)經(jīng)營狀況和發(fā)展趨勢,分別為償債能力、營運能力、盈利能力、發(fā)展能力和現(xiàn)金流能力。其中各類指標包含若干個二級指標,共22項,如表2所示。

表2 候選指標集

三、 實證研究

1. 預警指標選取

選取的22個候選指標在文化與旅游服務業(yè)被ST企業(yè)與非ST企業(yè)之間并不一定都存在判別能力,不存在判別能力的指標不能作為預警指標。如若采用了無判別能力的指標進行后續(xù)的因子分析和建模研究,將會降低模型的整體預測準確性和穩(wěn)定性。所以有必要對選取的22個財務指標進一步篩選,挑選出在ST樣本組和非ST樣本組之間存在顯著性差異的指標作為預警指標。

2. 差異顯著性檢驗

差異顯著性檢驗用于檢測實驗組與對照組之間是否存在差異及差異的顯著程度。本文主要用到的是Kolmogorov-Smirnov(K-S)檢驗和Mann-Whitney U檢驗。本文選取的22個候選指標來自10家ST企業(yè)和40家非ST企業(yè)T-2年的財務指標,數(shù)據(jù)來源較為分散且無明顯規(guī)律,在不清楚樣本總體分布的情況下,無法選取合適的差異顯著性檢驗方法對候選指標進行分析。因此,在進行差異顯著性檢驗前,首先將22個指標進行K-S檢驗,以獲取樣本總體的分布情況,再根據(jù)結果選擇配對獨立樣本進行T檢驗或Mann-Whitney U檢驗,得出ST企業(yè)和非ST企業(yè)兩者之間具有顯著性差異的財務指標,作為預警指標加以保留,見表3。

表3 K-S 檢驗結果(df=50)

經(jīng)過K-S檢驗, 分析得出22個候選指標中除X1(資產(chǎn)負債率)和X22(總資產(chǎn)現(xiàn)金回收率)服從正態(tài)分布外, 其余20個候選指標均不服從正態(tài)分布。 對20個不服從正態(tài)分布的候選指標進行Mann-WhitneyU檢驗, 對2個通過檢驗的候選指標進行獨立樣本T檢驗, 篩選出ST組和非ST組之間具有顯著性差異的指標作為預警指標。

由表4可知,X5、X6、X7、X8、X9、X10、X12、X13、X14、X16、X19、X20、X21這13個指標的顯著性均小于0.05。這13項財務指標表明,ST企業(yè)和非ST企業(yè)之間存在顯著性差異,可以作為財務危機的預警指標。

表4 Mann-Whitney U檢驗值

由表5的檢驗結果可知,資產(chǎn)負債率和總資產(chǎn)現(xiàn)金回收率在假設方差相等的原假設條件下顯著性均小于0.05,即拒絕原假設,故應觀察在假設方差不相等情況下的顯著性值,均大于0.05,所以資產(chǎn)負債率和總資產(chǎn)現(xiàn)金回收率都不具有顯著性差異。

表5 獨立樣本T檢驗值

綜合上述檢驗結果,共有13個候選指標在ST企業(yè)與非ST企業(yè)之間存在顯著性差異。因此,這13個指標應作為文化與旅游服務業(yè)財務危機預警指標,即:償債能力中的現(xiàn)金比率X5;盈利能力中的每股收益X6、總資產(chǎn)報酬率X7、凈資產(chǎn)收益率X8、銷售凈利潤率X9、成本費用利潤率X10;發(fā)展能力中的凈利潤增長率X12、凈資產(chǎn)增長率X13、總資產(chǎn)增長率X14;營運能力中的應收賬款周轉率X16、總資產(chǎn)周轉率X19;現(xiàn)金流能力中的銷售現(xiàn)金比率X20、凈利潤現(xiàn)金含量X21。

3. 因子分析

通過因子分析對預警指標變量之間的多重共線性關系進行消除,避免在后續(xù)建模過程中l(wèi)ogistic回歸模型估計不準確,并在降維濃縮減少指標數(shù)量的同時盡可能保留預警指標包含的信息內(nèi)容。本文意圖將通過差異顯著性檢驗后得到的13個預警指標進一步進行因子分析,但在此之前,首先要通過KMO樣本的充分性測度和Bartlett球形檢驗,以確定預警指標變量是否具有因子分析的可行性。檢驗結果KMO值為0.738>0.5。KMO檢驗用于探討變量之間的偏相關性,其值在0～1之間,通常認為KMO值超過0.7表示量表效度很好。Bartlett檢驗獲得的卡方近似值是531.105,自由度是78,Sig值為0,為高度顯著。因此,所選擇的預警指標樣本適合后續(xù)因子分析實證過程的研究,進行因子分析是十分有效的。

通過主成分分析法提取綜合特征值,有4個公共因子的特征值大于1,這4個公共因子的貢獻率分別為43.627%、12.371%、8.731%、8.594%,累積貢獻率最高達到73.323%。因此,對13個預警指標包含的信息有較好的解釋。將這4個公共因子分別計為F1、F2、F3、F4。F1包含盈利能力中除營業(yè)利潤率X9之外所有的預警指標和發(fā)展能力的全部信息,體現(xiàn)企業(yè)的盈利能力,將其命名為盈利能力因子;F2主要反映企業(yè)的發(fā)展能力,將其命名為發(fā)展能力因子;F3主要包含現(xiàn)金比率X5,體現(xiàn)企業(yè)的償債能力,將其命名為償債能力因子;F4主要包含了凈利潤現(xiàn)金含量X21,體現(xiàn)原預警指標現(xiàn)金流能力的部分信息,將其命名為現(xiàn)金流能力因子。為了對提取出的公共因子進行合理解釋,通過標準化正交旋轉法得到原有的13個預警指標和4個公共因子之間的相關系數(shù),見表6。

表6 預警指標與公共因子的相關系數(shù)

根據(jù)表6數(shù)據(jù),通過正交旋轉得到預警指標系數(shù),見表7。

表7 預警指標系數(shù)

根據(jù)表7的預警指標系數(shù)和下列公式計算,可得到公共因子F1～F4的得分系數(shù)模型:

4. 構建預警模型

運用Logistic回歸分析法,設企業(yè)是否發(fā)生財務危機為因變量Y,定義0代表非ST企業(yè)、1代表ST企業(yè),將F1、F2、F3、F4得分系數(shù)作為自變量代入logistic回歸模型,構建文化與旅游服務業(yè)財務危機預警模型。為了檢驗預警模型,在Logistic回歸分析的過程中,SPSS 23.0軟件會自動進行模型擬合優(yōu)度檢驗。檢驗結果為:回歸模型的-2對數(shù)似然值為14.980 a,這個參數(shù)值比較小,說明對數(shù)模型和虛擬數(shù)組合的質(zhì)量優(yōu)度比較好;調(diào)整R2的數(shù)值為0.797,說明以F1、F2、F3、F4為自變量建立的Logistic回歸模型對因變量企業(yè)是否發(fā)生財務危機的解釋程度為79.7%。因此,可以用本模型建模且精準度較高。

將F1、F2、F3、F4值代入Logistic回歸模型,采用Enter變量選擇方法得到公共因子F1、F2、F3、F4的系數(shù)分別為-0.095、-0.144、0.013、0.016,常數(shù)項系數(shù)為-1.979,得到Logistic回歸預警模型為

本文沿用國內(nèi)外學者通常選取的分割值0.5作為Logistic模型分割點,利用Logistic模型對文化與旅游服務業(yè)在2015—2020年被ST的10家和非ST的40家企業(yè)進行檢驗,結果如下:40家正常企業(yè)都沒有被錯誤預判,判別準確率為100%;10家財務危機組的判別情況為誤判2家,判別準確率為80%;模型總體判別準確率96%。因此,該模型對文化與旅游服務業(yè)財務危機預警的準確性較高,是一種較為可靠的財務危機預警手段。

四、 Logistic財務預警模型預測效果的評價

由差異顯著性檢驗結果可得,本文選取的22個候選財務指標中有13個存在顯著性差異。表明這13個指標對文化與旅游服務企業(yè)在經(jīng)營中存在的危機具有較強的敏感度,能夠起到先兆性預警作用,在一定程度上能夠預警財務危機;另外9個財務指標并不具有判別文化與旅游服務企業(yè)是否會發(fā)生財務危機的預警能力。因此,在選取行業(yè)候選財務指標時,指標的數(shù)量不能太少,且最好涉及面廣,否則在后續(xù)的檢驗過程中敏感性財務指標過少,提取的公共因子太少甚至沒有,會導致最后的模型預測準確率不高。

根據(jù)本文實證研究可知,文化與旅游服務業(yè)被ST企業(yè)與非ST企業(yè)在盈利能力和發(fā)展能力兩方面存在的差異較為顯著。根據(jù)學者對建立財務危機預警模型的研究,通常情況下,償債能力是衡量企業(yè)財務安全狀況的一項重要標準。在發(fā)生財務危機之前,與非ST企業(yè)相比,ST企業(yè)將有大量反映償債能力差的指標。本文實證研究發(fā)現(xiàn),文化與旅游服務業(yè)被ST企業(yè)與非ST企業(yè)在短期償債能力方面存在顯著差異,但在長期償債能力方面并無顯著性差異。本文認為:長期償債能力并無顯著性差異的原因在于文化與旅游服務業(yè)的發(fā)展趨勢處于加速創(chuàng)新、持續(xù)上升、群體突破的爆發(fā)期,在股權融資上有著一定的優(yōu)勢,因此在正常經(jīng)營過程中企業(yè)舉債經(jīng)營的程度不會太高。

本文實證研究的差異顯著性檢驗結果表明:盈利能力中全部候選指標在被ST企業(yè)與非ST企業(yè)之間均存在顯著性差異,且在后續(xù)建立的Logistic回歸模型中公共因子F1代表的盈利能力系數(shù)絕對值最大。系數(shù)越大表示變量的重要程度越大。因此,本文認為:盈利能力弱是文化與旅游服務企業(yè)出現(xiàn)財務危機的主要因素。一旦盈利能力出現(xiàn)異常,在前期投入資本較大,后期又無法及時獲利的狀況下,企業(yè)很容易陷入現(xiàn)有資金無法維持正常運轉的困境,導致企業(yè)發(fā)生財務危機。這一點從上述被ST企業(yè)與非ST企業(yè)在短期償債能力方面存在的顯著差異也可得到印證。

五、 結 語

本文在研究過程中沒有考慮宏觀經(jīng)濟因素,但宏觀經(jīng)濟因素也是影響企業(yè)經(jīng)營發(fā)展及財務水平的一個重要因素,如果可以有效地衡量此因素對企業(yè)財務狀況的影響, 則可以更好地預測發(fā)生危機的可能性。本文在選取預警指標時,只選取了財務指標,沒有囊括非財務指標,不能很好地預測企業(yè)治理層面對財務危機的影響及影響程度。如果將非財務指標作為虛擬變量加入研究中,可提高模型預測準確率。本文建模選取的Logistic回歸模型是傳統(tǒng)統(tǒng)計模型之一。目前有學者研究表明,人工智能模型預警效果優(yōu)于傳統(tǒng)統(tǒng)計模型。期望在后續(xù)研究中能夠加強對行業(yè)的認識,彌補上述不足,進一步完善改進研究過程,構建更為精準的文化與旅游服務業(yè)財務危機預警模型。