王 旭 于 洋
哈爾濱師范大學(xué),黑龍江 哈爾濱 150025
國(guó)以農(nóng)為本,農(nóng)以種為先,種業(yè)是國(guó)家戰(zhàn)略性、基礎(chǔ)性核心產(chǎn)業(yè)。近年來,我國(guó)高度重視種業(yè)發(fā)展,出臺(tái)了多項(xiàng)政策促進(jìn)種質(zhì)資源庫(kù)建立,保護(hù)新品種知識(shí)產(chǎn)權(quán)并鼓勵(lì)種業(yè)商業(yè)化。隨著我國(guó)政策的不斷完善,我國(guó)種業(yè)企業(yè)迅速發(fā)展壯大。但我國(guó)多數(shù)種業(yè)企業(yè)在發(fā)展過程中面臨嚴(yán)峻的財(cái)務(wù)風(fēng)險(xiǎn)。如何有效識(shí)別與防范種子企業(yè)的市場(chǎng)風(fēng)險(xiǎn),使其實(shí)現(xiàn)健康發(fā)展,成為加快推進(jìn)種業(yè)振興急需解決的問題。
國(guó)外部分學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行研究。國(guó)外學(xué)者Altman[1]將多元判定引進(jìn)財(cái)務(wù)預(yù)警中,建立了Zscore 模型,創(chuàng)新性地選取盈利能力、杠桿、流動(dòng)性、償債能力和收入活動(dòng)作為變量,通過線性關(guān)系計(jì)算破產(chǎn)指數(shù),判斷破產(chǎn)風(fēng)險(xiǎn)。Blum[2]為了提升財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的專業(yè)性和準(zhǔn)確性,嘗試在模型中添加現(xiàn)金流量指標(biāo)。Zmijewski[3]在前人研究的基礎(chǔ)上構(gòu)建了多元概率比(Probit)風(fēng)險(xiǎn)預(yù)警判定模型。但該模型對(duì)數(shù)據(jù)要求比較嚴(yán)格,因此并沒有得到廣泛應(yīng)用。
目前,我國(guó)較多學(xué)者對(duì)種子企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行了研究。楊文[4]從我國(guó)種子企業(yè)發(fā)展的角度出發(fā),對(duì)我國(guó)種子企業(yè)財(cái)務(wù)戰(zhàn)略管理及財(cái)務(wù)風(fēng)險(xiǎn)防范過程中存在的主要問題進(jìn)行分析,綜合指出有效應(yīng)對(duì)我國(guó)種子企業(yè)現(xiàn)存財(cái)務(wù)管理問題的解決方案。劉艷[5]就新形勢(shì)下種子企業(yè)面臨的諸多風(fēng)險(xiǎn)進(jìn)行深入的分析,從風(fēng)險(xiǎn)管理和內(nèi)部控制的角度提出相應(yīng)的防范和控制措施。劉永?。?]對(duì)目前我國(guó)農(nóng)產(chǎn)品的種業(yè)企業(yè)內(nèi)控管理與財(cái)政風(fēng)險(xiǎn)防范所存在的問題進(jìn)行了分析,并在此基礎(chǔ)上提出了相應(yīng)的解決措施,具有一定的可行性與合理性。丁志嵐[7]依據(jù)內(nèi)部控制理論,結(jié)合實(shí)際工作,分析了中小種業(yè)企業(yè)面臨的財(cái)務(wù)風(fēng)險(xiǎn),提出了防范財(cái)務(wù)風(fēng)險(xiǎn)的對(duì)策,并對(duì)種業(yè)企業(yè)的內(nèi)控指標(biāo)體系提出了構(gòu)想。然而,關(guān)于種業(yè)企業(yè)財(cái)務(wù)預(yù)警的實(shí)證研究并不是很多?;诖?筆者在現(xiàn)有研究的基礎(chǔ)上,選取20 家種業(yè)上市公司和16 家新三板掛牌企業(yè)為研究對(duì)象,從營(yíng)運(yùn)能力、盈利能力和發(fā)展能力3個(gè)維度選取12個(gè)財(cái)務(wù)指標(biāo),構(gòu)建種業(yè)企業(yè)財(cái)務(wù)預(yù)警模型。
在前人研究的基礎(chǔ)上,筆者從營(yíng)運(yùn)能力、盈利能力和發(fā)展能力3 個(gè)維度選取12 個(gè)指標(biāo),構(gòu)建種業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。其中,營(yíng)運(yùn)能力的代表性指標(biāo)包括存貨周轉(zhuǎn)率(x10)、總資產(chǎn)周轉(zhuǎn)率(x6)和應(yīng)收賬款周轉(zhuǎn)率(x7);盈利能力的代表指標(biāo)包括總資產(chǎn)報(bào)酬率(x1)、成本費(fèi)用利潤(rùn)率(x2)、營(yíng)業(yè)利潤(rùn)率(x3)、凈資產(chǎn)收益率(x4)、毛利率(x5)及每股收益(x12);發(fā)展能力的代表指標(biāo)包括營(yíng)業(yè)總收入增長(zhǎng)率(x8)、總資產(chǎn)增長(zhǎng)率(x9)及凈利潤(rùn)增長(zhǎng)率(x11)。
選取36家種業(yè)企業(yè)作為研究對(duì)象,其中20家來自A 股上市企業(yè),16 家為新三板掛牌企業(yè)。相關(guān)指標(biāo)數(shù)據(jù)均來源于各企業(yè)2022年年報(bào)。
2.3.1 因子分析法
在因子分析中,因子可以分為公共因子和特殊因子。因子分析法就是從研究變量?jī)?nèi)部相關(guān)的依賴關(guān)系出發(fā),把一些具有錯(cuò)綜復(fù)雜關(guān)系的變量歸結(jié)為少數(shù)幾個(gè)綜合因子的一種多變量統(tǒng)計(jì)分析方法。其基本公式為
2.3.2 Logistic回歸分析
Logistic 回歸分析是解決0~1 回歸的問題中相對(duì)有效的方法,且不要求樣本必須符合正態(tài)分布,對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)判更加適用。其基本回歸模型為
Logistic 函數(shù)本質(zhì)為線性回歸模型與Sigmoid 函數(shù)(以下簡(jiǎn)稱Sig函數(shù))的結(jié)合。Sig函數(shù)為
Sig函數(shù)的導(dǎo)數(shù)為
將其帶入如式(5)所示的線性回歸函數(shù)得到Logistic函數(shù)如式(6)所示。
綜上所述,二分類Logistic回歸模型為
采用最大似然法所得的似然比統(tǒng)計(jì)量的概率值對(duì)變量進(jìn)行剔除,公式計(jì)算為
3.1.1 適應(yīng)性檢驗(yàn)
因子分析首先要進(jìn)行適應(yīng)性檢驗(yàn)。筆者利用KMO(Kaiser-Meyer-Olkin)檢驗(yàn)和Bartlett 球形度檢驗(yàn)進(jìn)行適應(yīng)性檢驗(yàn),結(jié)果如表1 所示。由表1 可知,KMO值=0.617>0.005,Bartlett球形度檢驗(yàn)的卡方值為228.053,顯著性水平近似值為0.000,說明12個(gè)變量之間的相關(guān)程度比較強(qiáng),所選取的樣本可以進(jìn)行因子分析。
表1 KMO檢驗(yàn)和Bartlett球形度檢驗(yàn)
3.1.2 公因子的提取
提取公因子,分析得出種業(yè)企業(yè)具有代表性的12個(gè)財(cái)務(wù)風(fēng)險(xiǎn)指標(biāo)的因子提取情況。其提取值大小反映提取后各指標(biāo)信息的保存完成度,一般提取值大于0.8則視為指標(biāo)信息保存度較高,滿足后續(xù)分析要求。提取公因子的結(jié)果如表2 所示。主因子特征值及方差貢獻(xiàn)率如表3所示。
表2 公因子方差
表3 主因子特征值及方差貢獻(xiàn)率
由表2 可知,1/2 指標(biāo)的提取值在80%以上,說明提取效果良好。由表3可知,前5項(xiàng)的因子特征值均大于1,累計(jì)方差貢獻(xiàn)率為80.098%,大于80%,說明這5個(gè)因子可以很好地解釋大部分原始指標(biāo)變量,因此提取5個(gè)公因子。
3.1.3 歸納建立因子載荷陣
由于提取載荷平方和得出的結(jié)果只適用于主成分分析法,所以需要對(duì)上述載荷平方和進(jìn)行旋轉(zhuǎn),以便進(jìn)行因子分析,旋轉(zhuǎn)后的成分矩陣如表4 所示。由表4 可知,總資產(chǎn)報(bào)酬率、成本費(fèi)用利潤(rùn)率、營(yíng)業(yè)利潤(rùn)率、凈資產(chǎn)收益率、毛利率及每股收益在F1中載荷較大,其對(duì)評(píng)價(jià)種業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的貢獻(xiàn)率為39.723%;營(yíng)業(yè)收入增長(zhǎng)率與總資產(chǎn)增長(zhǎng)率在F2中載荷較大,其對(duì)評(píng)價(jià)種業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警貢獻(xiàn)率為12.378%;應(yīng)收賬款周轉(zhuǎn)率在F3中載荷較大,其對(duì)種業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的貢獻(xiàn)率為10.172%;總資產(chǎn)周轉(zhuǎn)率與凈利潤(rùn)增長(zhǎng)率在F4載荷較大,其對(duì)種業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的貢獻(xiàn)率為9.115%;存貨周轉(zhuǎn)率在F5中載荷較大,其對(duì)種業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的貢獻(xiàn)率為8.71%。
成分得分系數(shù)矩陣如表5 所示。根據(jù)表5 得到公共因子F與原始變量x之間的關(guān)系,其函數(shù)關(guān)系為
表5 成分得分系數(shù)矩陣
根據(jù)各因子在旋轉(zhuǎn)后的方差貢獻(xiàn)率與總方差貢獻(xiàn)率的比值來確定各公共因子的權(quán)重并計(jì)算綜合得分。其綜合得分的計(jì)算公式為
3.2.1 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的建立
在上述因子分析的結(jié)果上,筆者使用Logistic 回歸的方法得到種子企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警回歸方程。模型中,設(shè)自變量x為5 個(gè)主因子,因變量y為財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)劃分。將F值小于0 的企業(yè)劃分為財(cái)務(wù)困境企業(yè),將F值大于0 的企業(yè)劃分為非財(cái)務(wù)困境企業(yè)。Logistic 回歸對(duì)變量有6 種剔除方法,筆者采用最大偏似然估計(jì)所得的似然比統(tǒng)計(jì)量的概率值對(duì)變量進(jìn)行剔除。通過3 次迭代,得到最終的統(tǒng)計(jì)變量F5(見表6)。
表6 方程中變量
數(shù)據(jù)經(jīng)過處理后得到回歸方程為
式(17)中:F4代表企業(yè)的總資產(chǎn)周轉(zhuǎn)率和凈利潤(rùn)增長(zhǎng)率。由此得到種業(yè)企業(yè)的財(cái)務(wù)預(yù)警模型為
通過上述Logistic 回歸模型的結(jié)果,對(duì)不同企業(yè)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的判定。在這個(gè)模型中,P的取值范圍介于0~1,判別臨界點(diǎn)為0.5。當(dāng)P值大于0.5 時(shí),表明企業(yè)財(cái)務(wù)狀況不佳,易出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn);當(dāng)P值小于0.5 時(shí),表明企業(yè)處于正常運(yùn)營(yíng)階段;當(dāng)P值為0.5 時(shí),表明企業(yè)可能出現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn),需及時(shí)防范。
3.2.2 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型檢驗(yàn)
預(yù)測(cè)效果如表7 所示,對(duì)于非財(cái)務(wù)困境企業(yè)預(yù)判準(zhǔn)確度為100%,即有28 家非財(cái)務(wù)困境企業(yè);對(duì)于財(cái)務(wù)困境企業(yè)而言,預(yù)測(cè)有8 家財(cái)務(wù)困境企業(yè),預(yù)測(cè)正確的有7 家,預(yù)測(cè)準(zhǔn)確度達(dá)87.5%。由此得出,該模型總體預(yù)判準(zhǔn)確度為97.2%,有較好的參考價(jià)值。
表7 預(yù)測(cè)效果檢驗(yàn)
筆者選取20家種業(yè)上市公司和16家新三板掛牌企業(yè)為研究對(duì)象,從營(yíng)運(yùn)能力、盈利能力和發(fā)展能力3個(gè)維度選取12個(gè)財(cái)務(wù)指標(biāo),構(gòu)建種業(yè)企業(yè)財(cái)務(wù)預(yù)警模型。結(jié)果表明,該模型的預(yù)測(cè)準(zhǔn)確度為97.2%,預(yù)測(cè)價(jià)值較高。