文/張洮溪 孫玉忠(黑龍江八一農(nóng)墾大學(xué))
我國(guó)是一個(gè)擁有14.43億人口的大國(guó),農(nóng)業(yè)的重要性不言而喻。但是由于農(nóng)業(yè)本身的特質(zhì),使得很多農(nóng)業(yè)類上市公司的企業(yè)的經(jīng)營(yíng)狀況并不是很好,甚至有一些農(nóng)業(yè)上市公司已經(jīng)處破產(chǎn)的邊緣,并且很多農(nóng)業(yè)公司為了掩蓋公司盈利狀況的惡化,避免遭到股市的特殊處理,進(jìn)行財(cái)務(wù)舞弊。所以,構(gòu)建財(cái)務(wù)預(yù)警模型的重要性不言而喻。
財(cái)務(wù)預(yù)警的方法大體分為傳統(tǒng)的方法、機(jī)器的方法和多種結(jié)合的方法。傳統(tǒng)模型最開始是單變量模型,但是有很多局限性[1],之后發(fā)展到多變量模型。Altman提出Z模型[2],之后的學(xué)者加入現(xiàn)金流,提出F模型,并在將預(yù)警模型運(yùn)用到農(nóng)業(yè)行業(yè)[3]。吳世農(nóng)、盧賢義選取140家公司為樣本,發(fā)現(xiàn)Logistic預(yù)測(cè)模型的錯(cuò)誤率最低[4]。陳欣欣、郭洪濤(2020)聯(lián)合運(yùn)用因子分析和二元Logistic回歸法構(gòu)建農(nóng)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)模型,結(jié)果表明該模型具有較高的擬合度和判別能力[5]。隨著科技的發(fā)展,機(jī)器學(xué)習(xí)法也運(yùn)用到財(cái)務(wù)預(yù)警領(lǐng)域。孫新憲運(yùn)用BP神經(jīng)網(wǎng)絡(luò),發(fā)現(xiàn)人工智能方法建立的模型準(zhǔn)確率要比傳統(tǒng)的模型要高[6]。王玉東采用果蠅算法優(yōu)化神經(jīng)網(wǎng)絡(luò)并對(duì)高新技術(shù)企業(yè)進(jìn)行財(cái)務(wù)預(yù)警。隨著模型的創(chuàng)新。學(xué)者綜合運(yùn)用兩者進(jìn)行評(píng)價(jià),張敏、彭紅敏(2021)利用神經(jīng)網(wǎng)絡(luò)、模糊決策樹法等多種模型方法運(yùn)用到計(jì)算機(jī)領(lǐng)域,簡(jiǎn)化算數(shù)的麻煩,更好地對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和評(píng)價(jià)[7]。李丹、朱家明(2019)運(yùn)用Spss和Python綜合建立財(cái)務(wù)模型。
樣本選擇根據(jù)滬深兩市中國(guó)證監(jiān)會(huì)2012版行業(yè)分類中的農(nóng)林牧副漁業(yè)板塊進(jìn)行挑選。樣本共計(jì)為48個(gè)樣本,其中包括36家正常公司樣本以及12家ST公司。本文數(shù)據(jù)來(lái)源為CSMAR數(shù)據(jù)庫(kù)以及東方財(cái)務(wù)等網(wǎng)站以及統(tǒng)計(jì)軟件SPSS 23.0。如表1所示。
表1 案例公司
結(jié)合行業(yè)特點(diǎn),本文從償債、營(yíng)運(yùn)、盈利和發(fā)展四個(gè)層面選取12個(gè)指標(biāo)建立農(nóng)業(yè)行業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)體系。如表2所示。
表2 財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)
在做主程序分析前,需要對(duì)變量進(jìn)行KMO和巴特利特球(Bartlett)檢驗(yàn),以確定選定的變量是否進(jìn)行因子分析。KMO值為0.690,超過(guò)0.5,說(shuō)明變量間相關(guān)性強(qiáng),適合做因子分析。同時(shí),巴特利特球檢驗(yàn)的近似卡方值為464.696,顯著性為0.000<0.01,同樣說(shuō)明數(shù)據(jù)達(dá)到了因子分析的要求。
本文進(jìn)行因子提取,有4個(gè)較大的特征值4.833、2.377、1.478、1.103。前四個(gè)因子的方差累計(jì)貢獻(xiàn)率達(dá)到81.591%,表明這四個(gè)指標(biāo)為主要影響因素,表明原始數(shù)據(jù)中的大部分信息可以被所提取的這四個(gè)因子解釋。
從表3旋轉(zhuǎn)后的成分矩陣中可以看出,主因子F1在總資產(chǎn)增長(zhǎng)率(X7),資本保值增值率(X8),營(yíng)業(yè)毛利率(X11),每股收益(X12)中的載荷較大,因?yàn)閄11,X12指標(biāo)的載荷比較大,且直接反映了企業(yè)的盈利能力,因此將F1命名為企業(yè)盈利因子;主因子F2在流動(dòng)比率(X1),速動(dòng)比率(X2)的載荷較大,因此將F2命名為企業(yè)償債因子;主因子F3載荷較大的指標(biāo)為總資產(chǎn)周轉(zhuǎn)率(X5),存貨周轉(zhuǎn)率(X6)和營(yíng)業(yè)收入增長(zhǎng)率(X9),因此將F3稱為企業(yè)經(jīng)營(yíng)因子;主因子F4在產(chǎn)權(quán)比率(X4),凈資產(chǎn)收益率(X10),資產(chǎn)負(fù)債率(X3)上的載荷較大,因此命名為企業(yè)輔助償債因子。
表3 旋轉(zhuǎn)后的成分矩陣
因子分析得分系數(shù)矩陣根據(jù)表4所示,下一步計(jì)算將原始自變量帶入組合的因子評(píng)分模型中,即可計(jì)算出每家農(nóng)業(yè)公司的四個(gè)因子的得分。因子表達(dá)式為:
表4 因子成分得分系數(shù)矩陣
使用SPSS 23.0軟件在原始的財(cái)務(wù)數(shù)據(jù)基礎(chǔ)上,帶入預(yù)測(cè)函數(shù)計(jì)算出F1,F2,F3,F4 的值并保存在原始數(shù)據(jù)的右 方 分 別 為FAC1,F(xiàn)AC2,F(xiàn)AC3和FAC4,然后根據(jù)函數(shù)計(jì)算出綜合得分,并將他們進(jìn)行綜合排名。
根據(jù)因子分析法的原理,F(xiàn)>0時(shí),數(shù)值越大意味著財(cái)務(wù)的各項(xiàng)能力越大,抗風(fēng)險(xiǎn)能力更強(qiáng),發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能性就越??;反之,如果F<0,則表示財(cái)務(wù)的各項(xiàng)能力較小,發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能性就越大。從表中我們也可以看出ST公司的F值普遍較低,并且綜合得分排名較低。
為了檢驗(yàn)Logistic方程是否適用于樣本數(shù)據(jù),需要對(duì)回歸模型進(jìn)行擬合度檢驗(yàn):內(nèi)戈?duì)柨茩z驗(yàn)和霍斯默-萊梅肖檢驗(yàn)。考克斯-斯奈爾R2值為0.453<1;內(nèi)戈?duì)柨芌2<1,說(shuō)明模型擬合度良好。顯著性>0.5,說(shuō)明擬合度較好。
在本文logistic回歸模型中,因變量設(shè)為財(cái)務(wù)風(fēng)險(xiǎn),服從二項(xiàng)分布,取值分別為0(沒(méi)有財(cái)務(wù)風(fēng)險(xiǎn))和1(有財(cái)務(wù)風(fēng)險(xiǎn)),協(xié)變量分別為FAC1_1,F(xiàn)AC2_1,F(xiàn)AC3_1和FAC4_1,在步驟1中輸入?yún)f(xié)變量,即可得到方程,得到logistic方程為:
根據(jù)上面的方程,將樣本公司帶入到方程中。
從表6可以看出,在以0.5為概率分界的前提下,在36個(gè)財(cái)務(wù)健康的公司中,只將1家公司誤判為財(cái)務(wù)風(fēng)險(xiǎn)公司,相對(duì)于健康公司而言,判別準(zhǔn)確率達(dá)到了97.2%,而在財(cái)務(wù)風(fēng)險(xiǎn)公司的判別上,12家財(cái)務(wù)風(fēng)險(xiǎn)公司中誤判的有兩家,準(zhǔn)確率達(dá)到了83.3%,構(gòu)建模型的整體分類判別精度為93.8%,超過(guò)了80%,說(shuō)明預(yù)警效果有較好的準(zhǔn)確性。
表6 預(yù)測(cè)結(jié)果
本文通過(guò)償債能力、經(jīng)營(yíng)能力、發(fā)展能力、盈利能力四個(gè)方面12項(xiàng)指標(biāo)構(gòu)建農(nóng)業(yè)行業(yè)的財(cái)務(wù)預(yù)警指標(biāo)體系,之后采用因子分析法和Logistic方程構(gòu)建財(cái)務(wù)預(yù)警模型,模型準(zhǔn)確率達(dá)到93.8%。本文只是針對(duì)農(nóng)業(yè)類上市公司進(jìn)行預(yù)警分析,并沒(méi)有分析其他行業(yè),并且未能考慮非財(cái)務(wù)指標(biāo),希望在后續(xù)研究中能夠引入非財(cái)務(wù)指標(biāo),進(jìn)一步根據(jù)不同行業(yè)構(gòu)建更為完善的財(cái)務(wù)預(yù)警指標(biāo)體系。