□張良勇，秦曉丹，胡珊珊

（河北經(jīng)貿(mào)大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院，河北 石家莊 050061）

農(nóng)業(yè)不僅是我國(guó)國(guó)民經(jīng)濟(jì)的重要基礎(chǔ)，也是人們衣食住行的源泉和生存的基礎(chǔ)。隨著社會(huì)進(jìn)步和經(jīng)濟(jì)快速發(fā)展，農(nóng)業(yè)上市公司越來(lái)越多，財(cái)務(wù)造假案例也頻頻發(fā)生。例如，最早的藍(lán)田股份造假污點(diǎn)及獐子島事件等。財(cái)務(wù)造假不僅損害公司利益，更會(huì)危害國(guó)家利益。

根據(jù)調(diào)查顯示，截至2020 年11 月26 日，僅滬深股票市場(chǎng)的上市公司已有4 594 家，農(nóng)業(yè)上市公司占97 家，是滬深上市公司總體的2.11%。作為我國(guó)經(jīng)濟(jì)發(fā)展的重要行業(yè)之一，客觀(guān)科學(xué)評(píng)價(jià)農(nóng)業(yè)上市公司的財(cái)務(wù)狀況，預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)，便于迎接挑戰(zhàn)。

1 文獻(xiàn)綜述

國(guó)內(nèi)外學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的課題一直非常關(guān)注，相比國(guó)外，國(guó)內(nèi)的研究起步較晚，主要研究方面如下。財(cái)務(wù)風(fēng)險(xiǎn)模型的構(gòu)建方法，劉斌和黃浩（2007）從非金融類(lèi)公司抽取30 家上市公司利用判別分析和聚類(lèi)分析的方法構(gòu)建財(cái)務(wù)預(yù)警模型，得出我國(guó)上市公司的財(cái)務(wù)數(shù)據(jù)能夠預(yù)測(cè)未來(lái)發(fā)生財(cái)務(wù)危機(jī)的概率。因子分析方法構(gòu)建財(cái)務(wù)預(yù)警模型，朱清香等（2012）對(duì)河北制造業(yè)上市公司進(jìn)行實(shí)證分析，得出分析結(jié)果與公司實(shí)際情況相吻合；陳欣欣和郭洪濤（2021）用因子分析和Logit 回歸構(gòu)建的財(cái)務(wù)預(yù)警模型具有較高的擬合精度和判別能力；石志康和蔡靜俏（2021）將因子分析與Fisher 判別法相結(jié)合，所構(gòu)建的模型具有較高的判別能力。

從指標(biāo)選取方面入手進(jìn)行研究，影響企業(yè)發(fā)生財(cái)務(wù)危機(jī)的重要因素除了財(cái)務(wù)指標(biāo)，非財(cái)務(wù)指標(biāo)也發(fā)揮著重要作用。劉義龍等（2015）將非財(cái)務(wù)指標(biāo)和財(cái)務(wù)信息相結(jié)合建立財(cái)務(wù)預(yù)警體系，研究發(fā)現(xiàn)兩者合并可以更好地警示上市公司的財(cái)務(wù)問(wèn)題。蔣春燕（2021）使用MVR-PCA 和Logistic 回歸對(duì)中小企業(yè)財(cái)務(wù)預(yù)警模型進(jìn)行構(gòu)建并分析，得出模型具有高準(zhǔn)確性和穩(wěn)健性，同時(shí)也得出公司的盈利能力和現(xiàn)金流量能力對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)具有顯著影響。

公司是否會(huì)發(fā)生財(cái)務(wù)危機(jī)最重要的因素是其財(cái)務(wù)狀況，同時(shí)農(nóng)業(yè)上市公司的財(cái)務(wù)狀況與經(jīng)濟(jì)發(fā)展有著密切的聯(lián)系。文章將通過(guò)對(duì)目標(biāo)公司財(cái)務(wù)數(shù)據(jù)進(jìn)行處理和分析，在盈利、償債、營(yíng)運(yùn)成長(zhǎng)能力和現(xiàn)金流量等方面篩選出對(duì)農(nóng)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)具有顯著影響的指標(biāo)，并在因子分析和聚類(lèi)分析的基礎(chǔ)上，對(duì)上市公司進(jìn)行有效的預(yù)警分類(lèi)。

2 數(shù)據(jù)來(lái)源與指標(biāo)選取

2.1 數(shù)據(jù)來(lái)源

抽取2020 年47 家滬深A(yù) 股農(nóng)業(yè)上市公司并借鑒已有的研究成果，凈資產(chǎn)收益率是衡量股東資金使用有效性的重要財(cái)務(wù)指標(biāo)，所以將凈資產(chǎn)收益率高于20%的公司作為沒(méi)有發(fā)生財(cái)務(wù)危機(jī)的公司，凈資產(chǎn)收益率低于20%的公司被視為處于財(cái)務(wù)危機(jī)中。樣本數(shù)據(jù)來(lái)源于同花順網(wǎng)站、東方財(cái)富網(wǎng)以及樣本農(nóng)業(yè)上市公司2020 年財(cái)務(wù)報(bào)表。

2.2 財(cái)務(wù)指標(biāo)選取

根據(jù)我國(guó)農(nóng)業(yè)上市公司的實(shí)際情況以及新的政策準(zhǔn)則規(guī)定，從盈利能力、償債能力、營(yíng)運(yùn)成長(zhǎng)能力、現(xiàn)金流量等方面設(shè)置了25 個(gè)指標(biāo)作為財(cái)務(wù)預(yù)警指標(biāo)體系。以樣本的正態(tài)性為切入點(diǎn)篩選出顯著性指標(biāo)，利用SPSS 軟件，對(duì)樣本進(jìn)行KS 檢驗(yàn)，判斷是否服從正態(tài)分布。使用T 檢驗(yàn)判斷服從正態(tài)分布的指標(biāo)是否存在顯著性差異；對(duì)于非正態(tài)分布的樣本，使用MW-U 檢驗(yàn)、W-W-W 檢驗(yàn)和K-S 檢驗(yàn)相結(jié)合的方式，如果有1/2 以上非參數(shù)檢驗(yàn)通過(guò)，則可說(shuō)明所檢驗(yàn)的指標(biāo)有顯著差異。通過(guò)檢驗(yàn)的指標(biāo)如表1 所示。

表1 通過(guò)檢驗(yàn)的指標(biāo)

3 因子分析

3.1 因子分析的適用性檢驗(yàn)

在進(jìn)行因子分析時(shí)，需要對(duì)數(shù)據(jù)進(jìn)行適用性檢驗(yàn)即KMO 和Bartlett 球形度檢驗(yàn)。經(jīng)檢驗(yàn)，KMO 統(tǒng)計(jì)量為0.625，Bartlett 球形度檢驗(yàn)的值接近于0。在顯著性水平0.05 下，說(shuō)明所篩選的指標(biāo)之間顯著相關(guān)。因此，可以用因子分析對(duì)樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況進(jìn)行評(píng)價(jià)。

3.2 公因子提取

利用SPSS 軟件構(gòu)建相關(guān)矩陣，采用主成分法抽取公因子。前6 個(gè)因子的特征值均大于1，并且累計(jì)方差貢獻(xiàn)率達(dá)到了85.524%，如表2。說(shuō)明原始數(shù)據(jù)信息能被前6 個(gè)公因子充分解釋?zhuān)虼?，選擇前6 個(gè)公因子反映樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)狀況。

表2 解釋的總方差

在因子載荷矩陣的基礎(chǔ)上，采用了正交旋轉(zhuǎn)（最大方差法）進(jìn)行轉(zhuǎn)換，得到旋轉(zhuǎn)后的載荷矩陣，如表3所示。

表3 旋轉(zhuǎn)后的因子載荷矩陣

從因子旋轉(zhuǎn)成分矩陣中可知，因子1 中每股留存收益、營(yíng)業(yè)總收入、總資產(chǎn)和流動(dòng)資產(chǎn)周轉(zhuǎn)率的解釋力度最大，除了流動(dòng)資產(chǎn)周轉(zhuǎn)率處于0.9 以下（0.706）外，其余3 個(gè)變量的解釋程度均在0.9 以上；因子2 中每股收益、每股未分配利潤(rùn)、凈資產(chǎn)收益率、現(xiàn)金比率和每股經(jīng)營(yíng)現(xiàn)金凈流量的解釋程度均在0.6 以上；因子3 中流動(dòng)比率和主營(yíng)業(yè)務(wù)現(xiàn)金比率的解釋力度較大；因子4 中資產(chǎn)負(fù)債率的解釋力度最大，達(dá)到0.859；因子5 中經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量增長(zhǎng)率和全部資產(chǎn)現(xiàn)金回收率兩個(gè)指標(biāo)的解釋力度均較大；因子6中主營(yíng)業(yè)務(wù)現(xiàn)金比率達(dá)到0.961，解釋力度最大。

3.3 綜合得分

基于因子分析，可以將原來(lái)的15 個(gè)財(cái)務(wù)指標(biāo)更替為所提取的6 個(gè)公因子。然而各個(gè)農(nóng)業(yè)上市公司的財(cái)務(wù)狀況的評(píng)價(jià)不能單由某個(gè)因子決定，所以把所提取公因子的方差貢獻(xiàn)率作為權(quán)數(shù)，分別乘以各個(gè)公因子，得出綜合得分的計(jì)算公式，具體見(jiàn)公式（1）。

式（1）即為建立的47 家樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，由此可以計(jì)算出47 家農(nóng)業(yè)上市公司的綜合得分，并將其經(jīng)過(guò)排序后，如表4 所示。

表4 財(cái)務(wù)狀況綜合得分

從綜合得分和排名可以看出，排名前10 的公司有獐子島、ST 云投、新農(nóng)開(kāi)發(fā)、神農(nóng)集團(tuán)、牧原股份、ST 景谷、ST 香梨、曉鳴股份、圣農(nóng)發(fā)展和東瑞股份。根據(jù)綜合得分，以0 為邊界點(diǎn)判斷公司是否會(huì)發(fā)生財(cái)務(wù)危機(jī)。當(dāng)＞0 時(shí)，判定為不會(huì)發(fā)生財(cái)務(wù)危機(jī)；當(dāng)≤0 時(shí)，判定為會(huì)發(fā)生財(cái)務(wù)危機(jī)?？傮w而言，樣本判別準(zhǔn)確率為80.21%，總體誤判率為19.79%。預(yù)測(cè)結(jié)果如表5 所示。

表5 預(yù)測(cè)結(jié)果

4 聚類(lèi)分析

基于因子分析，使用系統(tǒng)聚類(lèi)中的平方歐式距離和Ward 法進(jìn)行聚類(lèi)分析判斷樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警程度，將變量設(shè)為財(cái)務(wù)預(yù)警6 個(gè)公因子得分。經(jīng)計(jì)算，樣本可分為兩大類(lèi)，分別定義為A 類(lèi)和B 類(lèi)，其中A 類(lèi)（預(yù)警）包含35 個(gè)公司，B 類(lèi)（無(wú)警）包含12 個(gè)公司。每一類(lèi)中農(nóng)業(yè)上市公司得分均相近，所以使用因子分析方法來(lái)構(gòu)建上市公司財(cái)務(wù)狀況綜合模型具有科學(xué)性和有效性。最終得到47 家農(nóng)業(yè)上市公司的財(cái)務(wù)預(yù)警結(jié)果，占樣本總數(shù)的74.47%，具體分類(lèi)結(jié)果如表6 所示。

5 研究結(jié)論

根據(jù)我國(guó)農(nóng)業(yè)上市公司的實(shí)際情況，從4 個(gè)方面篩選出15 個(gè)財(cái)務(wù)指標(biāo)，建立了比較完善的財(cái)務(wù)預(yù)警指標(biāo)體系。之后運(yùn)用因子分析的方法建立了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并對(duì)我國(guó)滬深A(yù) 股47 家農(nóng)業(yè)上市公司進(jìn)行了實(shí)證分析。先對(duì)樣本進(jìn)行正態(tài)性檢驗(yàn)，再對(duì)正態(tài)樣本的指標(biāo)進(jìn)行T 檢驗(yàn)和非正態(tài)樣本的指標(biāo)進(jìn)行非參數(shù)檢驗(yàn)，最終得出非財(cái)務(wù)危機(jī)公司和財(cái)務(wù)危機(jī)公司有顯著性差異的指標(biāo)。

基于因子分析法，得到的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的判別準(zhǔn)確率達(dá)到80.21%，誤判率為19.79%，說(shuō)明構(gòu)建的模型判別效果較好；經(jīng)過(guò)聚類(lèi)分析，將樣本農(nóng)業(yè)上

市公司進(jìn)行分類(lèi)，得到34 家公司達(dá)到預(yù)警級(jí)別，是研究樣本的74.47%。表明我國(guó)1/2 以上的農(nóng)業(yè)上市公司處于預(yù)警狀態(tài)，財(cái)務(wù)狀況今不如昔，需要引起相關(guān)重視。