鐘鈴（副教授）

（濟源職業(yè)技術(shù)學院河南濟源459000）

中小企業(yè)是支撐我國經(jīng)濟發(fā)展的重要力量，是肩負產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的重要載體，也是解決人們就業(yè)的主要渠道。但據(jù)相關(guān)統(tǒng)計，我國中小企業(yè)的生命周期普遍較短，平均壽命只有3年到5年，極小的財務(wù)危機就可能使企業(yè)陷入破產(chǎn)的境地。導致以上結(jié)果的原因很多，中小企業(yè)在經(jīng)營發(fā)展過程中企業(yè)管理者對財務(wù)風險預警欠缺認識、沒有及時識別風險征兆并采取有效措施控制財務(wù)危機是重要的原因。因此，加大財務(wù)預警體系研究力度、構(gòu)建中小企業(yè)財務(wù)風險預警體系具有重要意義，本文基于因子分析法和Logistic回歸方法，構(gòu)建了中小企業(yè)財務(wù)風險預警模型，以為我國國民經(jīng)濟穩(wěn)定發(fā)展、中小企業(yè)健康持續(xù)發(fā)展提供參考。

一、財務(wù)風險預警及研究理論

（一）財務(wù)風險預警

財務(wù)風險預警是一個世界性的難題。通常的財務(wù)風險預警是根據(jù)企業(yè)財務(wù)數(shù)據(jù)，通過計算各項財務(wù)指標及分析，預測或?qū)崟r監(jiān)控企業(yè)可能面臨的財務(wù)風險并采取措施以達到降低財務(wù)風險的目的。因此，構(gòu)建財務(wù)風險預警體系的主要價值在于能夠在發(fā)生財務(wù)危機之前對企業(yè)發(fā)出警告和提醒，使企業(yè)能夠積極尋求應對辦法和資金支持，進而減輕或回避財務(wù)風險情況的出現(xiàn)。同時，企業(yè)通過建立起良好的財務(wù)風險預警措施，能夠防微杜漸，增強企業(yè)的綜合競爭力和市場生存能力。在信息化時代，中小企業(yè)要想生存和發(fā)展，就需要結(jié)合實際情況，充分考慮市場環(huán)境的變化，在確保數(shù)據(jù)真實性的情況下，構(gòu)建適合自身的、全面及時的財務(wù)風險預警機制。

（二）財務(wù)預警的相關(guān)理論

財務(wù)風險預警有多種研究理論和體系，Edward Altman（1968）提出的Z-score模型判別法以及Ohlson（1980）提出的多元邏輯回歸模型判別法較早。因子分析法由于具有財務(wù)預警建模簡單、操作方便等特點，近年來應用較多。Logistic回歸判別法對企業(yè)的規(guī)模和行業(yè)并沒有特殊要求，具有良好的適應性和較高的預測概率值而得到廣泛應用。本文對Logistic回歸法和因子分析法在風險預警方面的應用進行了簡要回顧。

在應用Logistic回歸法對企業(yè)進行財務(wù)風險預警研究方面，準確率和時效方面都有很大的提高。馬若微和張微（2014）比較分析了Fisher判別分析、線性和非線性Logistic模型對我國上市公司財務(wù)困境的預測效果，得出了Logistic模型預測能力更好的結(jié)論。鮮文鐸等（2015）應用Logistic回歸法對A股的主要上市公司進行了1年期的風險預警研究，其準確率達到了80%以上。李長山（2018）通過選取上市中小企業(yè)，通過指標選擇和邏輯回歸，構(gòu)建了Logistic回歸模型，并得出了較高的風險預測準確率。孟巧和范國帥等（2019）以中小型創(chuàng)新企業(yè)為研究對象，構(gòu)建了Logistic回歸預警模型，為企業(yè)準確地預測和決策提供了參考。王小燕和張中艷（2020）基于自適應Lasso Logistic回歸建立財務(wù)危機預警模型，通過對164家公司的財務(wù)數(shù)據(jù)進行實證分析，得出該模型具有良好的預測能力和穩(wěn)健性的結(jié)論。

在基于因子分析的財務(wù)風險預警研究方面，更多的則是通過因子變量分析及數(shù)據(jù)處理，結(jié)合其他財務(wù)風險預警模型，進一步提升企業(yè)財務(wù)風險預警效率。孟曉俊和宋楠（2017）在進行因子分析構(gòu)建財務(wù)預警模型的過程中引入誤判代價，在計算預警界限的同時，提高了因子分析財務(wù)預警的穩(wěn)健性。汪紅（2017）通過因子分析降維和主因子的確定，構(gòu)建了基于因子分析和logistic回歸的財務(wù)危機預警模型，預警效果較為理想。蘆笛和王冠華（2019）基于因子分析法構(gòu)建了中國農(nóng)業(yè)上市公司的財務(wù)預警模型，具有良好的判別效果。

因子分析法和Logistic回歸分析模型的構(gòu)建為財務(wù)預警問題的理論研究拓寬了邊界，也在實務(wù)研究方面積累了較多的經(jīng)驗。本文先采用因子分析法對原始財務(wù)數(shù)據(jù)進行處理，再用Logistic回歸法構(gòu)建風險預警模型，這樣處理既能不受行業(yè)和規(guī)模的限制，又可以解決財務(wù)變量的相關(guān)問題，從而提高模型的預測準確性。

二、基于因子分析法和Logistic回歸法的中小企業(yè)財務(wù)預警實證分析

（一）數(shù)據(jù)來源及變量指標的選取

本文以深交所A股市場2015—2019年因為財務(wù)危機原因而被ST處理的中小企業(yè)為研究對象，給每一家當年被ST的上市公司選取一家同行業(yè)、同規(guī)模但當年財務(wù)正常的公司進行配對，去掉數(shù)據(jù)異常或缺失以及無法配對的公司，最終得到23組ST公司數(shù)據(jù)和23組財務(wù)正常的公司數(shù)據(jù)，本文即以這兩組公司作為主要研究樣本來進行實證處理。

參考國內(nèi)外研究成果，財務(wù)風險預警指標的選擇通常是從公司的年度財務(wù)報告中選取適合的分析數(shù)據(jù)，將其標準化處理后進行建模作業(yè)，從而建立起財務(wù)風險預警模型，并以此模型來進行實證分析。本文所選的ST公司為發(fā)生財務(wù)困境而被實行風險警示處理的中小板上市公司，其具體定義是實行ST處理當年之前兩個會計年度其凈利潤為負值的公司或因重大財務(wù)問題被證監(jiān)會進行特別處理的公司。在時間點的選取上，因為風險警示處理是依據(jù)處理當年上一年的財務(wù)數(shù)據(jù)，假定某企業(yè)被ST當年為t年，則該公司發(fā)生財務(wù)困境是在t-1年，而企業(yè)財務(wù)困境的前一年則為t-2年，如果企業(yè)在2018年被ST，則其發(fā)生財務(wù)困境是在2017年，而建立預警模型所要選取的財務(wù)數(shù)據(jù)就需要選擇財務(wù)危機的前一年也就是2016年。被ST處理公司的時間范圍是從2015年到2019年，因此就需要分別按各公司被ST處理的時間選取2013年到2017年的財務(wù)數(shù)據(jù)，共計企業(yè)償債能力、盈利能力、營運能力、發(fā)展能力和現(xiàn)金流量水平五個方面18個財務(wù)指標，其具體的說明如表1所示。

表1 財務(wù)變量指標定義

（二）財務(wù)變量指標的統(tǒng)計和篩選

為了判斷指定的財務(wù)變量能否真實反映ST公司和非ST公司的財務(wù)差別情況，對各個備選財務(wù)指標變量進行了描述統(tǒng)計和T檢驗，這樣做的好處是可以直觀地判定ST公司組與非ST公司組的財務(wù)變量平均值是否存在明顯的差別，從而進行財務(wù)指標的篩選。其檢驗結(jié)果如表2所示。經(jīng)過研究T檢驗結(jié)果發(fā)現(xiàn)，除了流動資產(chǎn)周轉(zhuǎn)率、營業(yè)利潤增長率和現(xiàn)金營運指數(shù)外，兩組數(shù)據(jù)中其他財務(wù)變量均存在明顯的差異，這說明本文所取的ST企業(yè)財務(wù)困境前一年的財務(wù)數(shù)據(jù)已經(jīng)能夠明顯地反映出其未來的財務(wù)風險趨勢，因此我們選用除流動資產(chǎn)周轉(zhuǎn)率、營業(yè)利潤增長率和現(xiàn)金營運指數(shù)之外的其他十五個財務(wù)變量來架構(gòu)預警模型。

表2 各財務(wù)變量的T檢驗結(jié)果和描述統(tǒng)計

（三）財務(wù)變量的因子分析

因子分析統(tǒng)計法是一種用獨立的公因子來替代原來大量繁雜的財務(wù)數(shù)據(jù)，從而將諸多互相干擾的共線性指標轉(zhuǎn)化為不相干的綜合評價變量，并以其做出評判的多元統(tǒng)計方法。本文采用因子分析法對15個財務(wù)變量進行因子分析，以達到在保留最大信息量的同時簡化研究步驟的目的。我們先將反向財務(wù)指標正向化處理后，再利用KMO檢驗和Bartlett檢驗來進行因子分析的適宜性檢驗，以確定該組數(shù)據(jù)是否可以進行因子分析，得到檢驗結(jié)果：KMO的度量值為0.792（遠高于臨界值0.5），而Bartlett球體檢驗的Sig.值遠小于臨界值0.05，表明該組數(shù)據(jù)可以進行因子分析，既而得到方差貢獻矩陣和初始因子載荷矩陣，采用方差最大旋轉(zhuǎn)法進行因子旋轉(zhuǎn)后得到的因子載荷矩陣，如表3所示。

表3 因子成分的旋轉(zhuǎn)載荷矩陣

從表3可以看出因子1（用F1表示）中，流動比率、速動比率、資產(chǎn)負債率以及現(xiàn)金總資產(chǎn)比、現(xiàn)金比率和銷售成本率的貢獻率為最大，因此可以認為F1主要反映了償債能力和現(xiàn)金流量水平，同時也反映了部分盈利能力。因子2（用F2表示）在總資產(chǎn)凈利率、銷售凈利率、總資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率以及凈利潤增長率、營業(yè)收入增長率上貢獻率為最大，可以認為它反映了盈利、營運和發(fā)展三方面的情況，是最重要的公因子。因子3（用F3表示）在總資產(chǎn)增長率和現(xiàn)金流量債務(wù)比上有較大貢獻率，反映了部分發(fā)展能力和現(xiàn)金流水平。因子4（用F4表示）只在營運資金周轉(zhuǎn)率上有較大貢獻，反映了部分營運水平。整體上來看的話，提取的4個公因子較好地覆蓋了絕大部分原財務(wù)指標變量，從而可以作為架構(gòu)預警分析模型的變量。

表4為因子得分矩陣，是因子分析的最終得分結(jié)果，下面將以因子得分矩陣中的4組因子作為Logistic回歸模型的主要回歸數(shù)據(jù)進行分析。

表4 財務(wù)指標因子得分矩陣

（四）Logistic回歸預警模型的建立和分析

在進行了財務(wù)指標因子分析后，我們通過使用SPSS軟件得到了財務(wù)指標變量的公因子F1、F2和F3、F4，然后我們將ST公司定義為1，將非ST公司定義為0，并以1和0構(gòu)建一組新的數(shù)據(jù)作為Logistic回歸因變量，提取F1、F2和F3、F4四個公因子作為自變量，架構(gòu)起Logistic財務(wù)風險回歸模型組，如下所示：

其中：Yi代表第i家企業(yè)是否為ST公司，其取值范圍為1和0；而F1到F4為上文計算好的財務(wù)指標公因子變量；Pi則代表模型對第i家企業(yè)的財務(wù)風險預測概率值，一般用0.5作為臨界值來進行判斷，當Pi大于0.5時可以認為該企業(yè)面臨著財務(wù)風險，小于0.5則認為沒有財務(wù)風險或風險很小。利用SPSS軟件計算出的4個公因子得分代入模型組，并選用向前LR法來進行邏輯回歸，得到模型的擬合度結(jié)果，整體看擬合度較好，可以進行分析，然后我們得到回歸的模型統(tǒng)計量，詳見下頁表5。

表5 Logistic回歸的回歸結(jié)果統(tǒng)計

從表5可看出，采用向前LR法后在最終結(jié)果也就是步驟3的統(tǒng)計結(jié)果中，F(xiàn)1、F2、F4這三個公因子的Sig.值都小于0.05，說明這三個變量都進入了模型，而公因子F3被排除在了模型之外，我們利用上文的統(tǒng)計結(jié)果構(gòu)建起了財務(wù)危機預警模型，如下所示：

然后我們根據(jù)上面的模型計算得到了財務(wù)樣本的財務(wù)危機情況，預測表結(jié)果見表6。

表6 Logistic回歸的預測效果表

從表6可以看出，最終模型預測結(jié)果準確率為90.7%，表明該模型的預測準確率很高，有很高的應用價值，企業(yè)的財務(wù)危機情況與本文選取的五個財務(wù)方向有密切的關(guān)系，該模型在實際應用中可以對我國中小企業(yè)的財務(wù)風險情況能夠起到很好的預警作用。

三、結(jié)論及建議

通過建模分析可以看出，中小企業(yè)在采用因子分析法提取財務(wù)指標變量公因子的基礎(chǔ)上構(gòu)建的Logistic回歸分析模型，預測結(jié)果比較理想，在實際應用中能夠起到非常積極的作用。但通過實證分析也發(fā)現(xiàn)，要在實際工作中更好地應用Logistic回歸分析模型，還要注意某些因素對模型的影響，以更好地提升模型預測的科學性和實用性。

（一）考慮非上市公司，提升風險預警的普及性

上市的中小企業(yè)僅僅是中小企業(yè)中很小的一部分。本文的數(shù)據(jù)源于中小板上市企業(yè)財務(wù)數(shù)據(jù)，而更多的非上市中小企業(yè)數(shù)據(jù)則未能有效收集，使得驗證存在局限，一定程度上影響了模型的判別力。而模型在運用時樣本需求量較大、樣本選擇復雜，過少的樣本對計算結(jié)果精確性有一定的影響。因而，通過權(quán)衡上市與非上市公司的比重，擴大樣本規(guī)模，可在一定程度上更好地解決預警精確性的問題。

（二）考慮非財務(wù)指標，提升風險預警的科學性

在Logistic回歸分析模型構(gòu)建過程中，通過財務(wù)指標作為主要變量進行預測，但是財務(wù)指標往往只反映了企業(yè)某一期間或時點的財務(wù)危機狀況，并不能完全反映企業(yè)財務(wù)危機。萬希寧等（2007）研究發(fā)現(xiàn)，添加非財務(wù)指標可以提高預警的精確度。許多學者已經(jīng)開始將非財務(wù)指標加入到財務(wù)風險預警研究過程中，努力使財務(wù)危機預警指標更加全面、更加科學化。

（三）與Z-Score模型進行長短期預警結(jié)合，提升風險預警效率

Z-Score財務(wù)預警模型建立較為簡單，所使用的財務(wù)指標具有一定的普遍性，能大致判斷出最近1到2年內(nèi)企業(yè)的財務(wù)狀況是否良好，但當涉及到長期預警時，其時效性不足問題較為突出。而Logistic回歸分析模型的穩(wěn)健、簡練和合理的特性及具有3—5年的預警時效，因此，可以先通過ZScore模型預測再通過Logistic回歸模型預測，從而更精準地預測出企業(yè)的財務(wù)風險狀況。

（四）降低數(shù)據(jù)指標的主觀性，提升風險預警模型的實用性

在本文基于財務(wù)指標使用Logistic時，是通過技術(shù)手段先篩選出23家ST公司后又配對23家非ST公司，從而使數(shù)據(jù)符合模型構(gòu)建要求，有一定的主觀性。這忽略了財務(wù)預警活動的社會學規(guī)律，使得財務(wù)預警模型與現(xiàn)實應用結(jié)合不太緊密。因而需要通過一定的技術(shù)方法，對研究假設(shè)進行實際數(shù)據(jù)驗證，以提升財務(wù)風險預警的實用性。

（五）利用大數(shù)據(jù)技術(shù)，提升財務(wù)風險預警的管控力

靠大數(shù)據(jù)技術(shù)加強信息搜尋，基于大數(shù)據(jù)的4V特征，Volume使得收集的數(shù)據(jù)更加全面，解決了數(shù)據(jù)樣本少的問題，Velocity則解決了財務(wù)數(shù)據(jù)的滯后性問題，這對處于復雜的社會經(jīng)濟環(huán)境中的中小企業(yè)來說是提高核心競爭力的關(guān)鍵。同時，在財務(wù)模型中引入大數(shù)據(jù)指標，或者利用大數(shù)據(jù)技術(shù)分析結(jié)果構(gòu)建回歸預警模型，通過處理非結(jié)構(gòu)化數(shù)據(jù)和對有效信息的統(tǒng)計處理，加強風險管控，從而使預警系統(tǒng)減少誤警和漏警率，提高預警效果。