區(qū)夢怡（廣西經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院 廣西南寧 530000）

一、引言

由于市場上的信息無法精確預(yù)測，而企業(yè)的融資方式多樣，經(jīng)營環(huán)境也越來越復(fù)雜，因此財(cái)務(wù)風(fēng)險貫穿于每個企業(yè)發(fā)展、成長、成熟到衰退的全過程，企業(yè)的經(jīng)營也總是與財(cái)務(wù)風(fēng)險相伴而生。在當(dāng)前激烈競爭的市場經(jīng)濟(jì)環(huán)境中，每個企業(yè)在其生命周期的不同階段都會面臨著不同的風(fēng)險，存在著很大的不確定性與可能性。構(gòu)建財(cái)務(wù)預(yù)警模型可以及時監(jiān)督與預(yù)測企業(yè)的經(jīng)營狀況，幫助企業(yè)利益相關(guān)者做出決策。對于企業(yè)內(nèi)部經(jīng)營管理者來說，企業(yè)財(cái)務(wù)預(yù)警模型的構(gòu)建能夠幫助其及時發(fā)現(xiàn)企業(yè)所面臨的風(fēng)險并采取相應(yīng)措施來降低風(fēng)險因素給企業(yè)帶來的負(fù)面影響，而對于企業(yè)外部投資者來說，借助財(cái)務(wù)預(yù)警模型來了解企業(yè)的經(jīng)營狀況，能夠促進(jìn)投資者的資金優(yōu)化配置和資本市場效率的提升。

對企業(yè)存在的財(cái)務(wù)風(fēng)險問題一定要及時發(fā)現(xiàn)，并采取一定的措施來減少財(cái)務(wù)風(fēng)險的發(fā)生，以降低企業(yè)財(cái)務(wù)危機(jī)出現(xiàn)的概率。財(cái)務(wù)危機(jī)具有繁雜性、多樣性、可控性及可預(yù)測性等特征，企業(yè)應(yīng)實(shí)時監(jiān)測并定期檢查其運(yùn)行情況，以及時發(fā)現(xiàn)運(yùn)行中所面臨的風(fēng)險并制定相應(yīng)風(fēng)險管理方案以規(guī)避財(cái)務(wù)危機(jī)。財(cái)務(wù)預(yù)警是指企業(yè)財(cái)務(wù)人員通過長時間觀察設(shè)定對于企業(yè)未來經(jīng)營狀況有預(yù)測能力的指標(biāo)變動，并通過數(shù)據(jù)統(tǒng)計(jì)與分析指標(biāo)變動來科學(xué)、合理地評估企業(yè)的經(jīng)營狀況。財(cái)務(wù)預(yù)警能夠有效地預(yù)測企業(yè)可能面臨的運(yùn)營情況，并及時發(fā)現(xiàn)日常運(yùn)營中存在的財(cái)務(wù)風(fēng)險問題，一旦發(fā)現(xiàn)問題，企業(yè)經(jīng)營管理者應(yīng)及時采取措施，以免財(cái)務(wù)風(fēng)險不斷惡化從而使企業(yè)陷入財(cái)務(wù)危機(jī)之中，以保障企業(yè)能夠正常、持續(xù)地發(fā)展下去。企業(yè)財(cái)務(wù)預(yù)警通過統(tǒng)計(jì)與分析企業(yè)的經(jīng)營數(shù)據(jù)，構(gòu)建財(cái)務(wù)預(yù)警模型，可以預(yù)測財(cái)務(wù)危機(jī)發(fā)生的可能性。財(cái)務(wù)預(yù)警模型是企業(yè)能夠正常和持續(xù)運(yùn)營的重要工具，對于維護(hù)企業(yè)的正常運(yùn)營來說是一個重要保證。

二、文獻(xiàn)綜述

國外學(xué)者Beaver（1966）將財(cái)務(wù)危機(jī)界定為破產(chǎn)、優(yōu)先股股息拖欠、銀行透支、債券無法償還等問題。Carmichael（1972）將財(cái)務(wù)危機(jī)界定為企業(yè)發(fā)生嚴(yán)重資產(chǎn)折現(xiàn)現(xiàn)象，而這一現(xiàn)象取決于企業(yè)經(jīng)營方式或者存在形態(tài)的改變。Altman（1968）將學(xué)術(shù)界關(guān)于財(cái)務(wù)危機(jī)的定義做了全面闡述，認(rèn)為財(cái)務(wù)危機(jī)表現(xiàn)為公司經(jīng)營失敗、公司沒有償付能力、公司違約、公司破產(chǎn)。在Ross（2000）看來，財(cái)務(wù)危機(jī)表現(xiàn)為公司在清算之后仍然不能償付債權(quán)人債務(wù)、公司或者債權(quán)人到法院要求公司破產(chǎn)、公司不能按時履行義務(wù)、還本付息以及公司賬面凈資產(chǎn)為負(fù)、資不抵債等。Ohlson（1980）利用對樣本數(shù)據(jù)需求寬松的Logistic 回歸方法來預(yù)測企業(yè)破產(chǎn)概率。Beckmann D.，Menkhoff L.，Sawischlewski K.（2006）進(jìn)一步改進(jìn)了Logistic 模型，并通過對模型判斷處于財(cái)務(wù)危機(jī)中的公司的研究來推動財(cái)務(wù)預(yù)警有關(guān)研究。

國內(nèi)學(xué)者在國外學(xué)術(shù)界關(guān)于財(cái)務(wù)危機(jī)研究的基礎(chǔ)上，啟動了關(guān)于我國上市公司財(cái)務(wù)危機(jī)問題的探討。我國的財(cái)務(wù)危機(jī)預(yù)測研究對象多集中于上市公司，因此通常認(rèn)定發(fā)生財(cái)務(wù)危機(jī)者為財(cái)務(wù)狀況異常且被“特殊處理”的公司?！爱惓顩r”包括“財(cái)務(wù)狀況異常”與“其他狀況異?！?。其中，由于“其他狀況異常”受到特殊處理存在較大不確定性，很難從財(cái)務(wù)角度做出有效預(yù)測，而對于“財(cái)務(wù)狀況異?！钡亩x與普遍認(rèn)為企業(yè)財(cái)務(wù)狀況不良的結(jié)論是一致的，所以國內(nèi)學(xué)者一般將陷入財(cái)務(wù)危機(jī)的企業(yè)定義為因財(cái)務(wù)狀況異常而被特別處理。王春峰等（1998）在研究中論證了使用Logistic 模型進(jìn)行財(cái)務(wù)預(yù)警的結(jié)果比通過線性回歸進(jìn)行財(cái)務(wù)預(yù)警的結(jié)果準(zhǔn)確，樊林堉（2018）改進(jìn)了Logistic模型，提高了預(yù)測精準(zhǔn)度。Logistic 模型對假設(shè)條件沒有苛刻要求，其樣本數(shù)據(jù)不需要服從標(biāo)準(zhǔn)正態(tài)分布的假設(shè)條件，克服了多元線性判定模型受統(tǒng)計(jì)假設(shè)約束的局限性，胡勝等（2018）基于Logistic 模型對房地產(chǎn)公司進(jìn)行了風(fēng)險研究，陳欣欣和郭洪濤（2022）基于Logistic 回歸對農(nóng)林牧漁業(yè)進(jìn)行了風(fēng)險與預(yù)警研究，賀平等（2021）基于Logistic模型對我國股票市場進(jìn)行了預(yù)測，均取得了較好結(jié)果，說明Logistic 模型對上市公司財(cái)務(wù)預(yù)警的準(zhǔn)確性較高。因此Logistic 回歸在財(cái)務(wù)預(yù)警模型構(gòu)建中得到了較為廣泛的運(yùn)用。然而，Logistic 模型具有多重共線性敏感性，若所選指標(biāo)變量間具有多重共線性，將嚴(yán)重影響Logistic 模型在企業(yè)分類中的預(yù)測效果。

三、研究設(shè)計(jì)

（一）樣本選擇與數(shù)據(jù)來源

本文選取2009—2021 年我國A 股上市公司的數(shù)據(jù)為初選樣本，借鑒已有成果，以ST 公司作為財(cái)務(wù)危機(jī)樣本，其他上市公司作為未發(fā)生財(cái)務(wù)危機(jī)樣本。由于ST 公司樣本數(shù)量遠(yuǎn)小于正常經(jīng)營的公司（非ST 公司）樣本數(shù)量，故以ST 公司作為樣本選擇基礎(chǔ)，剔除指標(biāo)披露較少的公司后，真正有效的ST 公司樣本量為500 個，同時按照1∶1 的比例匹配資產(chǎn)規(guī)模相似的500 個非ST 公司作為匹配樣本。分別將ST 公司樣本和非ST 公司樣本按照7∶3 的比例分為訓(xùn)練集和測試集，訓(xùn)練集共700 個樣本，其中ST 公司樣本350 個、非ST 公司樣本350 個，測試集共300 個樣本，其中ST 公司樣本150 個、非ST 公司樣本150 個。本文所使用的資料均為上市公司公開披露的資料。

（二）指標(biāo)初步篩選

本文在篩選指標(biāo)時，通過查閱以往研究文獻(xiàn)，選取了每股指標(biāo)、盈利能力指標(biāo)、收益質(zhì)量指標(biāo)、現(xiàn)金流量指標(biāo)、資本結(jié)構(gòu)指標(biāo)、償債能力指標(biāo)和營運(yùn)能力指標(biāo)等財(cái)務(wù)指標(biāo)，并結(jié)合企業(yè)基本信息、股東持股比例、企業(yè)人員的薪資和學(xué)歷構(gòu)成、收入成本構(gòu)成和往來款構(gòu)成、審計(jì)意見類別等企業(yè)非財(cái)務(wù)指標(biāo)，設(shè)置了60 個指標(biāo)構(gòu)建了上市公司財(cái)務(wù)預(yù)警指標(biāo)體系，如表1 所示。

表1 初步預(yù)警指標(biāo)列表

四、實(shí)證結(jié)果與分析

（一）逐步回歸法篩選指標(biāo)

當(dāng)學(xué)者研究企業(yè)是否陷入財(cái)務(wù)危機(jī)時，總要盡可能地搜集有關(guān)信息，除了會造成搜集成本的大幅增加外，還會給模型建構(gòu)帶來困難，同時也造成了多重共線性過大，反而使得模型估算失真或者很難精確估算。因此所采集的自變量中什么需要導(dǎo)入模型、什么不該導(dǎo)入模型，以及自變量導(dǎo)入模型后會對預(yù)測準(zhǔn)確性產(chǎn)生改善或降低預(yù)測準(zhǔn)確性等問題長期困擾研究人員。盡管人為地篩選自變量可以部分地解決自變量過多的情況，但人為篩選存在一定的主觀性，用人為篩選指標(biāo)來預(yù)測，其結(jié)論與事實(shí)可能不相符。

本文通過逐步回歸法篩選指標(biāo)。第一步是分別對p 個候選自變量（X1，X2，…，XP）擬合它們與因變量Y 的簡單線性回歸模型，共有p 個，考察其中有統(tǒng)計(jì)學(xué)意義的k個簡單線性回歸模型（k ≤p），并首先將p 值最小的模型所對應(yīng)自變量Xi引入模型；第二步是在已經(jīng)引入模型的Xi基礎(chǔ)上再分別擬合引入模型外的p-1 個自變量的線性回歸模型，自變量組合分別為X1，…Xi-1，Xi+1，…，XP等p-1個自變量中p 值最小且有統(tǒng)計(jì)學(xué)意義的自變量引入Xi模型；第三步是考察第一步引入模型的自變量Xi是否仍具有統(tǒng)計(jì)學(xué)意義，如果沒有則將其剔除，之后再擬合包含第二步引入模型的自變量Xj與除Xi之外的p-2 個自變量的模型，將其中p 值最小且具有統(tǒng)計(jì)學(xué)意義的自變量引入模型，如果剩余的自變量沒有統(tǒng)計(jì)學(xué)意義，則運(yùn)算過程結(jié)束，如果第一步引入模型的自變量Xi有統(tǒng)計(jì)學(xué)意義，則進(jìn)行下一步；第四步是在模型引入Xi和Xj的基礎(chǔ)上繼續(xù)擬合，將其他的p-2 個自變量引入模型，考察其是否具有統(tǒng)計(jì)學(xué)意義，引入p 值最小且具有統(tǒng)計(jì)學(xué)意義的自變量，如果剩余變量均無統(tǒng)計(jì)學(xué)意義，則運(yùn)算過程結(jié)束。如此反復(fù)進(jìn)行，直至模型外的自變量均無統(tǒng)計(jì)學(xué)意義，而模型內(nèi)的自變量均有統(tǒng)計(jì)學(xué)意義。綜上，逐步回歸法在向模型引入一個新變量后均考察原來在模型中的自變量是否還有統(tǒng)計(jì)學(xué)意義，是否可以剔除，通過該方法篩選指標(biāo)不僅能解決指標(biāo)的多重共線性問題，還能簡化模型進(jìn)行預(yù)測分析，提高預(yù)測效率。

本文通過SPSS 將經(jīng)過初篩的60 項(xiàng)財(cái)務(wù)指標(biāo)及非財(cái)務(wù)指標(biāo)代入逐步回歸法篩選自變量，為了辨別ST 公司和非ST 公司，當(dāng)候選變量中F 值小于或等于0.050 時，引入相關(guān)變量。在引入方程的變量中F 值大于或等于0.100 時，則剔除該變量。篩選出在ST 公司和非ST 公司中存在顯著性差異的指標(biāo)，結(jié)果如表2 所示。通過逐步回歸法篩選出19 個指標(biāo)，并對篩選出來的19 項(xiàng)自變量進(jìn)行Logistic 回歸，建立上市公司財(cái)務(wù)預(yù)警模型。

表2 經(jīng)篩選后的預(yù)警指標(biāo)列表

（二）構(gòu)建Logistic 回歸模型

從數(shù)學(xué)上講Logistic 回歸系數(shù)與多元回歸系數(shù)的解釋沒有區(qū)別，表示的是自變量X 改變一個單位時LogitP 的平均改變量，但是因?yàn)楸戎档淖匀粚?shù)是Logit 變換的結(jié)果，這就使得Logistic 回歸中的系數(shù)與OR 有著直接的變換關(guān)系，使得Logistic 回歸系數(shù)更接近于實(shí)際情況，該模型也得到了更廣泛的應(yīng)用。

Logistic 模型是回歸分析的一種應(yīng)用模型。隨著計(jì)算機(jī)技術(shù)的發(fā)展，該模型在經(jīng)濟(jì)領(lǐng)域中開始得到廣泛應(yīng)用。利用Logistic 模型開展財(cái)務(wù)風(fēng)險預(yù)警研究的原因在于：第一，Logistic 模型的因變量Y 和自變量X 是線性的；第二，Logistic 模型的自變量X 能夠不服從正態(tài)分布或兩組樣本的等協(xié)方差，更符合企業(yè)各項(xiàng)指標(biāo)變量的實(shí)際情況；第三，Logistic 模型具有更高的預(yù)測精確度。因此，通過Logistic 模型能夠比較準(zhǔn)確地判斷出企業(yè)出現(xiàn)財(cái)務(wù)風(fēng)險的可能性，并對其未來財(cái)務(wù)狀況進(jìn)行預(yù)測，可以表示為P=eb+aX/（1+eb+aX），公式中b 是常數(shù)，a 是X 的系數(shù)。由于通過Logistic 模型構(gòu)建的財(cái)務(wù)預(yù)警指標(biāo)體系中，自變量X 不是一個而是多個，所以Logistic 模型的公式表示為：P=eF（X）/（1+eF（X）），公式中F（X）=b+a1X1+…+anXn（n為自變量的個數(shù)）。

Logistic 模型的建立主要解決了在［0，1］上的回歸。上市公司有兩種狀態(tài)：一種是財(cái)務(wù)正常（非ST 樣本），另一種是陷入財(cái)務(wù)危機(jī)（ST 樣本）。本文以上市公司是否被ST 作為因變量，即：非ST 樣本Y=0，ST 樣本Y=1。Logistic 模型通過對解釋變量進(jìn)行回歸分析，得到企業(yè)預(yù)測到ST 結(jié)果的概率出現(xiàn)比例，再依據(jù)出現(xiàn)概率的大小來判斷其是否將作為ST 樣本進(jìn)行研究。先將60 個初篩指標(biāo)引入Logistic 回歸，構(gòu)建財(cái)務(wù)預(yù)警模型，命名為模型1，再將通過逐步回歸法篩選出的指標(biāo)引入Logistic 回歸，構(gòu)建財(cái)務(wù)預(yù)警模型，命名為模型2。只經(jīng)過初篩構(gòu)建的財(cái)務(wù)預(yù)警模型和經(jīng)過逐步回歸法篩選后的指標(biāo)構(gòu)建的模型檢驗(yàn)結(jié)果分類如表3 所示。

表3 Logistic 回歸財(cái)務(wù)預(yù)警模型檢驗(yàn)結(jié)果分類

分別計(jì)算出模型1 和模型2 對非ST 樣本和ST 樣本測試集總體樣本的預(yù)測精度，不同財(cái)務(wù)預(yù)警模型預(yù)測精度如表4 所示。

表4 不同財(cái)務(wù)預(yù)警模型預(yù)測精度

通過表3 和表4 可以看出模型1 對非ST 樣本預(yù)測的準(zhǔn)確率為74%，對ST 樣本預(yù)測的準(zhǔn)確率為76%，對總體樣本預(yù)測的準(zhǔn)確率為75%；模型2 對非ST 樣本預(yù)測的準(zhǔn)確率為82.67%，對ST 樣本預(yù)測的準(zhǔn)確率為79.33%，對總體樣本預(yù)測的準(zhǔn)確率為81%。可以看出通過逐步回歸法對指標(biāo)進(jìn)行篩選后，通過同樣的模型進(jìn)行財(cái)務(wù)預(yù)警，對于非ST樣本，預(yù)測精度提高了8.67%，對于ST 樣本，預(yù)測精度提高了3.33%，整體提高了6%。通過上述研究可以看出，通過逐步回歸法篩選指標(biāo)后，財(cái)務(wù)預(yù)警模型預(yù)測精度更高，預(yù)測結(jié)果更好。所以通過逐步回歸法篩選指標(biāo)構(gòu)建的財(cái)務(wù)預(yù)警模型能夠更好地對企業(yè)的經(jīng)營狀況進(jìn)行預(yù)測，為企業(yè)內(nèi)外部利益相關(guān)者提供更好的決策支持。

五、結(jié)論

市場經(jīng)濟(jì)環(huán)境下，企業(yè)一般都存在財(cái)務(wù)風(fēng)險，財(cái)務(wù)預(yù)警是一種有效的財(cái)務(wù)風(fēng)險監(jiān)測手段，通過建立財(cái)務(wù)預(yù)警模型來正確地預(yù)測分類企業(yè)的經(jīng)營狀況并提高財(cái)務(wù)預(yù)警精度，無論是從理論研究上還是在實(shí)際應(yīng)用中都有著十分重要的作用。本文選取2009—2021 年我國A 股上市公司的數(shù)據(jù)共計(jì)1 000 個樣本作為實(shí)證研究對象，聯(lián)合運(yùn)用逐步回歸法和Logistic 模型構(gòu)建了上市公司財(cái)務(wù)預(yù)警模型，在每股指標(biāo)、盈利能力指標(biāo)、收益質(zhì)量指標(biāo)、現(xiàn)金流量指標(biāo)、資本結(jié)構(gòu)指標(biāo)、償債能力指標(biāo)和營運(yùn)能力指標(biāo)等財(cái)務(wù)指標(biāo)，企業(yè)基本信息、股東持股比例、企業(yè)人員的薪資和學(xué)歷構(gòu)成、收入成本構(gòu)成、往來款構(gòu)成和審計(jì)意見類別等非財(cái)務(wù)指標(biāo)中選取了60 個指標(biāo)構(gòu)建財(cái)務(wù)預(yù)警模型，并采用逐步回歸法選取了19 個指標(biāo)，對上市公司進(jìn)行財(cái)務(wù)預(yù)警研究。研究結(jié)果表明：在沒有采用逐步回歸法篩選指標(biāo)之前，通過初篩的60 個指標(biāo)結(jié)合Logistic 回歸構(gòu)建財(cái)務(wù)預(yù)警模型的整體預(yù)測精度為75%，而通過逐步回歸法選取了19 個指標(biāo)結(jié)合Logistic回歸構(gòu)建財(cái)務(wù)預(yù)警模型整體預(yù)測精度為81%，整體預(yù)測精度提升了6%。

本文的貢獻(xiàn)主要體現(xiàn)在，不僅在初篩指標(biāo)選擇方面對已有財(cái)務(wù)預(yù)警指標(biāo)體系進(jìn)行了改進(jìn)和充實(shí)，而且采用逐步回歸法對指標(biāo)進(jìn)行了進(jìn)一步甄別，較好地解決了指標(biāo)的多重共線性問題，提高了財(cái)務(wù)預(yù)警模型的總體預(yù)測精度。此外，在財(cái)務(wù)預(yù)警方法上聯(lián)合運(yùn)用逐步回歸法和Logistic 回歸進(jìn)行財(cái)務(wù)預(yù)警的實(shí)證研究，研究內(nèi)容有所創(chuàng)新。

本文僅采用逐步回歸、Logistic 回歸等方法來構(gòu)造財(cái)務(wù)預(yù)警模型，并沒有考慮其他財(cái)務(wù)預(yù)警模型對預(yù)測結(jié)果的影響，在以后的研究中可以將逐步回歸法結(jié)合到不同的模型中，以提高財(cái)務(wù)預(yù)警模型的總體預(yù)測精度。