吳想 段李合子 李宏睿

【摘? 要】制造業(yè)作為我國國民經(jīng)濟的支柱產(chǎn)業(yè)在新冠肺炎疫情持續(xù)蔓延的大背景下其平穩(wěn)有序發(fā)展面臨著國內(nèi)外的多重挑戰(zhàn)。隨著財務危機預警體系的不斷完善，Logistic回歸模型的引入使得企業(yè)財務危機預警準確度不斷提升。論文選取2020-2021年被ST特別處理的A股上市公司償債能力、盈利能力、發(fā)展能力、營運能力以及現(xiàn)金流量等6方面指標構(gòu)建財務預警指標體系，運用Logistic模型構(gòu)建了我國制造業(yè)企業(yè)財務預警模型，為企業(yè)財務預警模型的選取提供借鑒。

【關鍵詞】制造業(yè);財務預警;Logistic回歸分析

【中圖分類號】F275? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻標志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2022）07-0187-03

1 引言

作為我國國民經(jīng)濟的重要支柱產(chǎn)業(yè)，制造業(yè)對我國總體經(jīng)濟發(fā)展舉足輕重。在新冠肺炎疫情的持續(xù)蔓延帶來的全球高通脹背景下，正處于轉(zhuǎn)型期間的我國制造業(yè)企業(yè)面臨著來自國內(nèi)外的多重挑戰(zhàn)。自1932年美國學者Fitzpatrick使用財務指標作為單一變量進行上市公司財務危機預警以來，國內(nèi)外多位學者嘗試使用不同模型對該領域研究不斷擴充，1998年Ohlson將邏輯回歸應用于企業(yè)的財務危機預警，使用Logistic回歸模型來克服正態(tài)分布假設等多變量預測模型中的限定問題。此后的20余年內(nèi)，吳世農(nóng)（2001）等多位我國學者以我國公司為樣本進行了Logistic財務預警體系的構(gòu)建，驗證了模型對我國企業(yè)預測適用性的同時均取得了良好的效果。本文選取2020年至2021年被ST特別處理的A股上市公司，以其T-2年的數(shù)據(jù)作為樣本，選擇償債能力、盈利能力、發(fā)展能力、營運能力以及現(xiàn)金流量等6方面指標體系構(gòu)建財務預警指標體系。運用K-S檢驗、T參數(shù)檢驗、Mann-Whitney U非參數(shù)檢驗對指標進行篩選，并使用因子分析對指標進行降維處理，最后運用Logistic模型構(gòu)建了我國制造業(yè)企業(yè)財務預警模型，為企業(yè)財務預警模型的選取提供借鑒。

2 制造業(yè)企業(yè)財務預警研究樣本選取與財務指標體系構(gòu)建

2.1 研究樣本選取

本文以上、深兩大證券交易所上市的我國A股制造業(yè)上市公司作為研究樣本，選取2020年至2021年受到證監(jiān)會ST特別處理的38家制造業(yè)企業(yè)，并采用1∶1的比例對其進行“健康”公司配比，最終選定76家制造業(yè)企業(yè)數(shù)據(jù)進行訓練，以12家制造業(yè)企業(yè)數(shù)據(jù)進行檢測。通過對各階段學者關于財務預警相關指標的研究進行歸納得知，上市公司在受到證監(jiān)會ST特別處理的前兩年數(shù)據(jù)具有可預測性，因此本文選取目標公司T-2年的數(shù)據(jù)作為構(gòu)建與檢驗財務預警模型的訓練樣本及檢測樣本。

2.2 財務預警指標體系構(gòu)建

財務指標的選取是影響財務預警模型準確性及有效性的重要因素，是模型構(gòu)建的關鍵，因此本文構(gòu)建財務預警指標模型時遵循客觀真實性原則、可操作性原則、全面性原則，以確保財務分析的準確性。大部分財務預警相關研究表示，ST公司樣本與“健康”公司樣本差異顯著，主要表現(xiàn)在其傳統(tǒng)財務指標間的差異以及現(xiàn)金流方面的差異，更有學者引入非財務指標，以期構(gòu)建出更為準確的財務預警模型。在此基礎上本文從公司償債能力、營運能力、發(fā)展能力、盈利能力以及現(xiàn)金流量等五個方面出發(fā)，結(jié)合我國制造業(yè)的特征，最終選取26個變量作為本文財務預警指標（見表1）。

3 制造業(yè)企業(yè)財務預警模型構(gòu)建與檢驗

本文在財務指標構(gòu)建過程中初步確定26個財務預警指標，但由于其數(shù)量過多且可能存在多重共線等問題，因此需要對數(shù)據(jù)進行處理。本文首先通過指標篩選選取具有辨別能力的指標作為文章的參考依據(jù)，再通過因子分析法對各項指標進行降維處理，用降維后的指標構(gòu)建Logistic預警模型并對模型的準確性進行檢驗。

3.1 財務預警指標篩選

本文使用SPSS 25統(tǒng)計分析軟件，對各項指標進行分析。本文指標的正態(tài)分布將會影響本文顯著性分析所選用的檢驗方法，因此通過單樣本K-S檢驗初步判斷指標是否符合正態(tài)分布，對于符合正態(tài)分布的指標進行T參數(shù)檢驗，對于不符合正態(tài)分布的指標采取Mann-Whitney U非參數(shù)檢驗，用以判斷其是否具有顯著性，剔除不顯著指標。

3.1.1 K-S檢驗

本文采用K-S檢驗觀測樣本分布情況與設定的理論分布，并得出二者間最大偏差，判斷指標是否存在偶然性。若漸進顯著性（雙尾）小于0.05，拒絕原假設，該指標初始變量不服從正態(tài)分布。若漸進顯著性（雙尾）大于0.05，接受原假設，指標初始變量服從原假設。表2為K-S檢驗結(jié)果。

由表2可知除營業(yè)收入增長率（X14）、資產(chǎn)負債率（X18）、全部現(xiàn)金回收率（X22）3項指標漸進顯著性（雙尾）大于0.05，服從正態(tài)分布，因此滿足T檢驗條件。每股收益（X1）、資產(chǎn)報酬率（X2）、總資產(chǎn)利潤率（X3）、凈資產(chǎn)收益率（X4）、營業(yè)凈利率（X5）等23項指標均不服從正態(tài)分布應采用Mann-Whitney U非參數(shù)檢驗對其顯著性進行判斷。

3.1.2 T參數(shù)檢驗

T參數(shù)檢驗主要用于檢驗兩類正態(tài)分布樣本間是否存在顯著差異，本文中符合正態(tài)分布的3項指標T檢驗結(jié)果如表3所示。

由表3可知，在0.05的顯著水平下，營業(yè)收入增長率（X14）、全部現(xiàn)金回收率（X22）兩項指標Sig.（雙尾）均大于0.05，資產(chǎn)負債率（X18）的Sig.（雙尾）小于0.05，因此資產(chǎn)負債率（X18）可用于預警模型中，其能夠顯著辨別兩類樣本。

3.1.3 Mann-Whitney U非參數(shù)檢驗

使用Mann-Whitney U非參數(shù)檢驗對其余23項不滿足正態(tài)分布的指標進行分析，其分析結(jié)果如表4所示。

同樣，在0.05顯著標準下，Sig值小于0.05的變量可以明顯辨別兩類樣本，Sig值大于0.05表明兩類變量間不存在明顯差距，因此此類變量應被剔除。由此可見，上述數(shù)據(jù)中X7、X8、X20、X21、X23、X24、X25在 0.05 顯著水平之上，其兩類公司間此類指標無明顯差異，因此不適用于本文財務預警模型的建立。X1、X2、X3、X4、X5、X6、X9、X10、X11、X12、X13、X15、X16、X17、X19、X26樣本分布存在顯著差異，指標可用于財務預警模型構(gòu)建。

3.2 因子分析獲取模型自變量

通過上述分析，本文最終確定17項指標具有強相關關系，因此將這17項指標納入模型構(gòu)建指標體系，但因自變量數(shù)目過多對模型結(jié)果影響較大，因此本文采用因子分析法對17項指標降維處理，通過KMO檢驗和Battle球形檢驗分析各項指標是否能夠進行因子分析，通過指標的篩選優(yōu)化對財務預警指標進行主成分提取，將本文最終確定的17項指標最終轉(zhuǎn)化為少數(shù)變量替代文中原有變量，降低多指標中信息重疊部分，減少指標多重共線的特征，使得分析結(jié)果更為準確直觀。并且通過各因子得分確定因子表達式，簡化預警模型。

3.2.1 因子KMO與Battle球形檢驗

本文采用KMO與Battle檢驗（見表5）的目的在于判斷使用因子分析法的可行性。KMO檢驗是為了比較變量之間的簡單相關系數(shù)平方和偏相關系數(shù)平方間的數(shù)量關系，若簡單相關系數(shù)平方遠大于偏相關系數(shù)平方，則KMO接近于1。KMO值趨近于1說明原有變量間存在強相關關系，變量能夠進行因子分析。通常將0.5作為分析節(jié)點，KMO值大于0.5則原有變量可用于因子分析，反之亦反。Battle球形檢驗用來判斷原有變量間是否為單位矩陣，若顯著性大于0.05則說明矩陣為單位矩陣，因子分析無法進行。

由表5可見，KMO值為0.773，大于0.5，說明因子分析結(jié)果較理想。Battle球形度檢驗中顯著性為0.00，遠小于0.05說明原有變量間相關矩陣不是單位矩陣，能夠進行因子分析。

3.2.2 因子提取

本文利用主成分分析法，并依據(jù)特征值大于1的原則對樣本公司各項指標進行分析，主成分及累計貢獻率如表6所示。

由表6可知因子1的累計貢獻率約為38.95%，說明該因子包含原有變量累計方差的38.95%。本文最終提取4個公共因子，其累計貢獻率約為73.81%。

由于初始因子矩陣難以對公因子做出合理解釋，因此通過最大方差正交旋轉(zhuǎn)法進行因子旋轉(zhuǎn)，由旋轉(zhuǎn)后的成分矩陣（表7）可知，F(xiàn)1 主要由反映企業(yè)盈利能力的X1、X2、X3、X4、X5、X12、X13解釋;F2 主要由反映企業(yè)營運能力的X9、X10解釋;F3 主要由反映企業(yè)償債能力的X15、X16、X17及反映企業(yè)現(xiàn)金流量的X26解釋;F4 主要由反映企業(yè)盈利能力的X6及反映企業(yè)發(fā)展能力的X11及反映企業(yè)償債能力的X19解釋。表 8 為各成分得分系數(shù)矩陣。

提取方法：主成分分析法;旋轉(zhuǎn)方法：凱撒正態(tài)化最大方差法。

提取方法：主成分分析法;旋轉(zhuǎn)方法：凱撒正態(tài)化最大方差法;組件得分。

由表8可得本文最終構(gòu)建的危機預警指標有4個，其表達式為：

F1=0.145*X1+0.158*X2+0.154*X3+...-0.005*X17+0.089*X19-0.109*X26

F2=-0.015*X1+0.001*X2-0.016*X3+...-0.010*X17-0.175*X19+0.127*X26

F3=-0.063*X1-0.053*X2-0.026*X3+...+0.286*X17-0.434*X19+0.374*X26

F4=0.096*X1+0.022*X2+0.027*X3+...-0.110*X17-0.084*X19+0.045*X26

3.3 Logistic財務危機預警模型構(gòu)建

本文以樣本公司是否為ST作為因變量，考慮到Logistic回歸模型具有適用性廣、預測準確性高、易操作等特點，因此以此構(gòu)建制造業(yè)企業(yè)財務預警模型，模型的基本形式如下。

ln（）=A+∑BiFi

企業(yè)發(fā)生財務預警的概率用P表示，則轉(zhuǎn)化后的模型如下。

P=

使用SPSS統(tǒng)計軟件以因子分析中4個公因子為自變量，并選取目標公司T-2年的數(shù)據(jù)進行二元Logistic財務危機預警模型的構(gòu)建。選用Backward：LR方法剔除不相關變量，并以0.5為分割點進行回歸，其結(jié)果如表9所示。由表可知最終F1～F4均通過顯著性檢驗，其顯著值均在0.1以下，因此本文最終構(gòu)建的財務危機預警模型為：

P=1/[1+exp（-2.630+13.124F1+3.317F2+2.913F3+8.969F4）]

3.4 模型結(jié)果檢驗

財務危機發(fā)生概率P以0.5作為臨界值，若P小于0.5則未來該公司財務正常，若P大于0.5則未來該公司將會發(fā)生財務危機。概率P值越大，則說明發(fā)生財務危機的可能性越大。本文選取2020年及2021年共計12家上市公司，其中非ST公司6家，ST公司6家作為檢驗樣本，選取其T-2年的財務數(shù)據(jù)進行回代，其檢驗結(jié)果如下表10所示。

由表10可知，在6家非ST公司中存在1家判斷結(jié)果有誤，在6家ST公司中存在2家判斷結(jié)果有誤。因此12個檢測樣本中本文構(gòu)建的財務危機預警模型正確率能夠達到75%，說明該模型具有一定的實踐意義。

4 結(jié)論

本文以我國制造業(yè)企業(yè)為研究對象，選取2020-2021年被ST處理的共計76家企業(yè)作為研究樣本，通過因子分析對指標進行降維處理，并通過Logistic模型進行回歸分析，最終得出符合制造業(yè)企業(yè)特征的財務預警模型，并通過樣本回代檢驗確定模型的合理性。因此本模型可以用于初步判斷企業(yè)是否存在財務危機的可能，我國制造業(yè)企業(yè)可使用此模型對其目前的財務狀況進行初步判斷，及時發(fā)現(xiàn)企業(yè)現(xiàn)存的問題扭轉(zhuǎn)局面。對于投資者來說，能夠通過此模型測算企業(yè)發(fā)生財務危機的可能性，以此理性投資，減少財務損失。

綜上，Logistics回歸模型在判斷企業(yè)財務狀況方面具有一定的應用意義，企業(yè)在建立財務預警體系時可以Logistic模型作為選擇，判斷企業(yè)財務現(xiàn)狀，對財務危機及時作出相應舉措。

【參考文獻】

【1】吳世農(nóng)，盧賢義.我國上市公司財務困境的預測模型研究[J].經(jīng)濟研究，2001（6）：46-55.