文/張洮溪 孫玉忠（黑龍江八一農(nóng)墾大學(xué)）

一、引言

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。

二、研究設(shè)計(jì)

（一）樣本選取與數(shù)據(jù)來(lái)源

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

（二）變量選取

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)

三、實(shí)證分析與結(jié)果

（一）KMO和巴特利特檢驗(yàn)

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。

（二）因子提取及因子旋轉(zhuǎn)

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

（三）計(jì)算因子得分

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。

（四）構(gòu)建logistic擬合度檢驗(yàn)

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。

（五）模型的確定

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：

（六）回歸結(jié)果

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

四、結(jié)語(yǔ)

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。