王俊鵬

(南京林業(yè)大學 經濟管理學院，南京 210037)

“十四五”以來，我國戰(zhàn)略發(fā)展的核心之一就是完善生態(tài)文明建設，建設生態(tài)文明離不開林業(yè)發(fā)展，綠水青山必須以林業(yè)為基礎。受內外部因素的影響，林業(yè)企業(yè)無法避免日常經營活動中產生的財務問題，久而久之會影響企業(yè)的運營成長，使企業(yè)陷入財務困境，而財務風險預警能及時的幫助企業(yè)財務人員和決策者發(fā)現并識別企業(yè)財務危機，因此對林業(yè)企業(yè)進行財務風險預警具有實際意義[1]。

對于財務預警，相關學者已有研究。周首華、楊濟華(1996)通過F分數模式分析財務風險，彌補了單比率分析的不足；張心林(2004)采用主成分分析法對ST公司進行財務風險預警，發(fā)現主成分分析法雖然取得了不錯的效果，但存在一些局限性；以BP神經網絡為預警模型載體的方法由楊淑娥(2005)進行了深入研究[2]，其發(fā)現該模型預警精度較高，拓展了預警模型的實際應用；楊夢琳(2016)基于Z-score模型對我國造紙企業(yè)進行財務風險預警；在此基礎上，張炯(2017)同樣用Z-score模型計算林業(yè)上市企業(yè)Z值，發(fā)現大多數林業(yè)企業(yè)存在財務危機[3]；李長山(2018)則采用Logistic模型對制造業(yè)企業(yè)進行預警分析[4]。結合相關文獻，目前針對上市企業(yè)財務預警多采用Z-score和因子分析，Logistic模型并不多見。因此本文以主成分分析法和Logistic模型為研究方法，針對林業(yè)上市企業(yè)進行財務風險預警。在選出樣本公司的基礎上，通過對企業(yè)T時期的財務狀況進行聚類分析來判別企業(yè)是否處于財務困境，其次以企業(yè)篩選后的T-1時期的財務指標構建Logistic模型，最后基于模型的預測效果對林業(yè)上市公司提出相應的建議。

1 樣本與指標選擇

1.1 樣本選擇

目前大多數學者判定企業(yè)是否處于財務危機的依據是該企業(yè)是否為ST企業(yè)，但ST并不代表企業(yè)一定是處于財務危機，并且林業(yè)ST企業(yè)樣本量太少，不具有代表性；此外，如果企業(yè)在當年被特殊處理，那么即便通過財務預警模型計算企業(yè)上一年度的財務數據得出企業(yè)處于財務困境的結論，投資者也不會再將該企業(yè)納入投資考慮范圍，因而本文不會將ST公司納入研究樣本。

根據呂長江(2005)[5]的上市公司財務困境判別方法，本文以經營活動產生的現金流量凈額/流動負債、資產報酬率、營業(yè)利潤增長率三個能反映企業(yè)“持續(xù)經營”要素的指標對樣本進行聚類分析，由于可選聚類數有限，本文采用窮舉法得出最佳聚類數為7。在將樣本公司分類為建模組和檢驗組時，本文考慮了以下兩點。首先排除所有傳統(tǒng)意義上被分類財務困境的公司，排除后共計46家企業(yè)，通過聚類分析判斷企業(yè)在2020年是否處于財務困境。其次，根據聚類結果可以看出類別1、5、6屬于正常類別。類別1中營業(yè)利潤增長率為負值，財務狀況最差，因此本文將類別1中的公司視為處于財務困境中的企業(yè)，即便它們不一定存在財務危機，但鑒于該類別內企業(yè)較差的財務狀況，投資者需要更加謹慎地進行投資決策，因此將其判定為財務危機企業(yè)。類別5、6中則視為正常企業(yè)。在正常企業(yè)中抽取20家和危機企業(yè)中隨機抽取的11家企業(yè)組成建模組，剩下的15家企業(yè)為檢驗組。

表1 聚類分析均值與結果

1.2 評價指標選取

結合先前有關上市公司財務風險預警和林業(yè)企業(yè)績效評價的研究，本文從債務風險狀況、經營現金流量、盈利能力、經營增長狀況和資產質量情況五個方面選出在財務風險預警中出現頻率較高的24個指標財務指標(見表2)。Logistic模型采用樣本公司2019年的財務數據。

表2 財務指標

為了避免部分不顯著指標增加模型計算難度，影響模型精度，需要先對財務指標進行篩選。篩選程序如下，首先對樣本企業(yè)2019年的24個財務指標進行正態(tài)性檢驗，若指標符合正態(tài)分布，計算T值；若不符合，先計算不符合指標的wilcoxon符號秩，然后進行非參數檢驗，最后根據指標是否滿足顯著性水平標準，確定指標能否作為財務預警模型變量[6]。對指標進行Shapiro-Wilk檢驗，除營業(yè)利潤率和資產負債率外，其余22個指標的顯著性水平均接近0，滿足顯著性水平低于0.5的要求，不服從正態(tài)分布。對不服從正態(tài)分布的指標進行Wilcoxon秩計算，結果表示為Z-value值，顯著性P值的判定值為0.5。

1.3 模型介紹

Logistic模型作為一種普遍應用于機器學習的廣義線性回歸,其原理是通過自變量的線性組合來預測多類別因變量的取值。在財務風險預警中，二元Logistic回歸屢有應用，但針對林業(yè)上市公司卻鮮有應用。Logistic回歸模型基本公式如下：

表3 KMO值和Bartlett球形度檢驗

對公式化簡求解，得：

2 實證分析

2.1 KMO檢驗

對變量進行KMO檢驗和Bartlett檢驗，預警模型變量的KMO值為0.731，卡方值為938.631，df值為136，p值為0，因此剩余17個指標較適合作因子分析[7]，因子分析效果良好。

2.2 主成分Logistic回歸

通過SPSS26.0軟件對2019年的財務指標進行因子降維，總方差解釋如表4所示，按照特征值大于1的要求，到主成分6時，總方差解釋的特征值小于1，變量解釋的貢獻率達到85.185%，共提取出5個公因子，因子分析效果良好。

表4 方差解釋表

根據2019年數據的得分系數，主成分公式即Logistic模型變量的表達式如下所示：

F1=0.041x1+0.068x2-0.055x3+0.124x5+0.116x6-0.029x7+0.144x9+0.15x10+0.141x11-0.013x12+0.133x13+0.139x14-0.024x16+0.075x20+0.036x21+0.095x22+0.044x23

F2=0.239x1+0.226x2-0.164x3+0.126x5+0.151x6+0.1x7-0.108x9-0.082x10-0.11x11-0.075x12-0.144x13-0.129x14-0.083x16-0.026x20+0.039x21+0.075x22+0.149x23

F3=-0.117x1-0.114x2+0.18x3+0.146x5+0.14x6+0.36x7+0.016x9-0.013x10+0.049x11-0.329x12+-0.0x13+0.009x14+0.474x16-0.259x20+0.043x21+0.12x22+0.082x23

F4=0.091x1+0.06x2+0.044x3+0.146x5+0.18x6+0.228x7-0.015x9-0.01x10-0.05x11+0.181x12-0.002x13-0.012x14+0.084x16+0.171x20-0.672x21+0.093x22-0.418x23

F5=0.094x1+0.224x2+0.511x3+0.002x5+0.151x6-0.229x7-0.026x9-0.033x10-0.077x11+0.479x12+0.01x13+0.008x14+0.051x16-0.372x20+0.128x21+0.344x22-0.005x23

表5 回歸結果

2.3 模型檢驗

建模組的預測結果中，模型預測正確率達到了80.6%。為了證實模型的實際意義，檢驗模型的精度，將上文分類的檢測組中的15家放入模型進行檢驗，其中財務正常的有7家，處于財務風險狀態(tài)的有8家。通過Logistic模型對檢驗組2019年的主成分得分進行計算，檢驗結果如表6所示，正確率達到86.7%，因此模型效果較好，有不錯的實際意義。

表6 模型預測結果

3 結論及建議

3.1 結論

本文以證監(jiān)會2021年上市公司行業(yè)分類為依據，將具有林木資產的上中下游上市公司都納入林業(yè)上市企業(yè)范疇，在剔除ST企業(yè)和異常數據影響后，共46家公司作為研究對象。其中建模組由20家正常企業(yè)和11家困境企業(yè)組成，檢驗組由7家正常企業(yè)和8家困境企業(yè)組成，數量比接近兩倍。本文先篩選指標，在此基礎上進行主成分Logistic回歸，得出結論如下：

①傳統(tǒng)方法認為當企業(yè)被特別處理時(帶上ST的帽子)，企業(yè)就處于財務危機，但是基于此依據容易導致特定行業(yè)下ST樣本量過少，無法進行有效分析；其次各企業(yè)被處理的時間點不同，容易加劇模型誤差，導致分析的作用減弱。因此本文通過聚類分析來判斷企業(yè)的財務狀況，一是保證了企業(yè)財務危機的時間點相同，二是解決了特定行業(yè)里財務危機企業(yè)樣本量過少的問題，且經過上文的分析，結果已經充分證實了聚類分析在判定企業(yè)是否處于財務困境狀態(tài)下的可靠性。

②通過主成分分析可以有效的篩選變量，通過較少的計算獲得最佳的集合效果；其次主成分分析可以有效的消除變量多重共線性對Logistic模型的影響。主成分邏輯回歸使模型更加簡單易懂且更具實際意義。

③經過檢驗，Logistic回歸模型適用于林業(yè)上市企業(yè)的財務預警，且無論從建模組還是檢驗組的預測結果來看，Logistic模型的預測準確率都保持在了80%以上。因此在林業(yè)上市企業(yè)財務預警的實施中，Logistic回歸模型是有效的。

④從最后的模型公式可以發(fā)現資產報酬率x9、總資產凈利潤率x10、流動資產凈利潤率x11、凈資產收益率x13和投入資本回報率x14這五個盈利能力指標與財務風險P值負相關，企業(yè)盈利能力越好，第二年出現財務風險的可能性就越低；同時也發(fā)現產權比率與P值正相關，因此林業(yè)上市公司的償債能力極為重要，企業(yè)應當注意自己的債務結構和壓力[8]，合理舉債以保證自身的正常發(fā)展[9]。

3.2 建議

針對以上結論，本文對林業(yè)上市企業(yè)控制財務風險，提高經營水平提出以下建議：

①加強企業(yè)管理層的風控意識，強化企業(yè)內部控制體系。林業(yè)企業(yè)不同于其他行業(yè)，上游企業(yè)為重資產運營模式，其林木資產很容易受自然環(huán)境和災害的影響；中游和下游企業(yè)受原材料和季節(jié)性的影響較大[10]，因此林業(yè)企業(yè)需要形成比其他企業(yè)更完善的風險意識，建立更完善的內控制度。

②加強企業(yè)內部財務管理的信息化披露。企業(yè)應當引入信息化的財務管理體系，進一步降低因人為原因導致的風險。財務信息應當及時地向內部使用者和投資者公開，而信息化則是公開透明的保障，財務管理信息化能保障內部財務管理的公平與公正；同時，良好地財務信息披露有助于管理層及時發(fā)現財務異常，提高林業(yè)上市企業(yè)管控財務風險的能力。

③制定適應性更強的財務風險預警系統(tǒng)。本文并未考慮非財務指標對企業(yè)財務預警的影響，也希望企業(yè)管理層在設計財務預警系統(tǒng)的同時能夠考慮到非財務指標的影響，適當加入環(huán)境因素、自然災害因素等林業(yè)企業(yè)需要關注的方面。通過不斷適應、不斷修改的財務預警模型，合理準確的預測企業(yè)財務風險，及時做出相應的整改措施。