陶然 胡恩華

摘要：本文以建立企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型為基礎(chǔ)，利用2015年的數(shù)據(jù)，選取66家中國(guó)化工行業(yè)上市公司為研究樣本，采用主成分分析方法和Logistic回歸分析方法進(jìn)行分析，構(gòu)建適合我國(guó)化工企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。該模型在一定程度上擺脫了自變量間多重共線性的影響，Logistic回歸則在一定程度上致使企業(yè)財(cái)務(wù)危機(jī)預(yù)測(cè)的準(zhǔn)確性出現(xiàn)大幅提升。利用2017年最新的數(shù)據(jù)對(duì)66個(gè)樣本進(jìn)行驗(yàn)證，預(yù)測(cè)結(jié)果為總預(yù)測(cè)準(zhǔn)確率96.67%，驗(yàn)證結(jié)果比較合理。

關(guān)鍵詞：化工行業(yè) 財(cái)務(wù)危機(jī) 財(cái)務(wù)預(yù)警模型

近年來(lái)化工行業(yè)陷入到發(fā)展窘境當(dāng)中，原料成本持續(xù)升高，市場(chǎng)需求持續(xù)低迷，導(dǎo)致存貨積存過(guò)量，面臨滯銷(xiāo)，進(jìn)而致使部分企業(yè)面臨嚴(yán)重虧損，甚至遭受較為嚴(yán)峻的財(cái)務(wù)危機(jī)。2016-2017年間，在化工行業(yè)上市公司中，就有11家企業(yè)面臨退市處理。面對(duì)日趨復(fù)雜的市場(chǎng)環(huán)境，化工企業(yè)需要運(yùn)用合理的工具來(lái)及早發(fā)現(xiàn)存在的問(wèn)題，因而迫切要求有適合我國(guó)化工企業(yè)的財(cái)務(wù)預(yù)警模型。本文選取66家中國(guó)化工行業(yè)上市公司為研究樣本，采用主成分分析方法和Logistic回歸分析方法，以建立企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，對(duì)我國(guó)化工企業(yè)的財(cái)務(wù)預(yù)警提供適合本行業(yè)的模型，為化工企業(yè)及早預(yù)測(cè)風(fēng)險(xiǎn)，控制和轉(zhuǎn)移風(fēng)險(xiǎn)提供參考，以促進(jìn)化工業(yè)企業(yè)的健康發(fā)展。

一、綜述

國(guó)內(nèi)圍繞預(yù)警方法與模型進(jìn)行了較多的研究。鐘琳運(yùn)用因子分析法和改善過(guò)后的改進(jìn)法對(duì)變量的共線性進(jìn)行消除并降維，進(jìn)行Logistic回歸，形成了制造業(yè)財(cái)務(wù)預(yù)警模型。汪浩杰評(píng)估未來(lái)可能發(fā)生的異常財(cái)務(wù)風(fēng)險(xiǎn)，并對(duì)其進(jìn)行因子分析， 篩選出對(duì)企業(yè)產(chǎn)生重要影響的風(fēng)險(xiǎn)因子。李莉用我國(guó)深圳 A 股上市公司的財(cái)務(wù)數(shù)據(jù)，構(gòu)建出符合我國(guó)企業(yè)實(shí)際狀況的危機(jī)預(yù)警模型。宋彪等引入大數(shù)據(jù)指標(biāo)建立財(cái)務(wù)預(yù)警模型，從長(zhǎng)期來(lái)看預(yù)測(cè)效果更為顯著。宋海潮 從現(xiàn)金流量的角度，應(yīng)用 Logistic模型，構(gòu)建我國(guó)制造業(yè)上市企業(yè)提前三年預(yù)警模型。符剛等基于現(xiàn)存的財(cái)務(wù)預(yù)警研究文獻(xiàn)，利用全局主成分分析法建立了融合神經(jīng)網(wǎng)絡(luò)和 Kalman 濾波法的財(cái)務(wù)預(yù)警模型，提高了財(cái)務(wù)預(yù)警的準(zhǔn)確性。梁飛媛通過(guò)確定對(duì)財(cái)務(wù)危機(jī)有重大影響的宏觀經(jīng)濟(jì)指標(biāo)，構(gòu)建出綜合財(cái)務(wù)指標(biāo)和宏觀指標(biāo)作為預(yù)警矩陣。史家亮等運(yùn)用主成分法構(gòu)建不同經(jīng)濟(jì)周期的 Logistic 模型來(lái)確定財(cái)務(wù)預(yù)警方向。

二、我國(guó)化工企業(yè)財(cái)務(wù)預(yù)警模型的研究設(shè)計(jì)

（一）財(cái)務(wù)預(yù)警指標(biāo)的選取

本文采用了財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)來(lái)共同構(gòu)建財(cái)務(wù)預(yù)警指標(biāo)體系。財(cái)務(wù)指標(biāo)包括了償債能力指標(biāo)、盈利能力指標(biāo)、運(yùn)營(yíng)能力指標(biāo)、成長(zhǎng)能力類(lèi)指標(biāo)。非財(cái)務(wù)指標(biāo)為依據(jù)化工行業(yè)特色進(jìn)行選取的。由此形成了包括五大類(lèi)，共28個(gè)指標(biāo)的預(yù)警指標(biāo)體系。

（二）財(cái)務(wù)預(yù)警模型構(gòu)建的方法

本文構(gòu)建化工企業(yè)的財(cái)務(wù)預(yù)警模型主要有兩個(gè)步驟：第一步，初步構(gòu)建財(cái)務(wù)預(yù)警模型。本文以樣本企業(yè)2015年和2016年的財(cái)務(wù)狀況構(gòu)建財(cái)務(wù)預(yù)警模型。首先采用主成分分析法提取主成分，其次，利用提取的主成分進(jìn)行Logistic回歸，將樣本公司劃分為財(cái)務(wù)正常公司和財(cái)務(wù)危機(jī)公司，以樣本公司的財(cái)務(wù)狀況（發(fā)生財(cái)務(wù)危機(jī)為1，未發(fā)生財(cái)務(wù)危機(jī)為0）作為因變量Y，將提取出的主成分作為自變量X，進(jìn)行回歸，以得到的回歸模型作為適合我國(guó)化工企業(yè)的財(cái)務(wù)預(yù)警模型；第二步，以樣本公司最近一年的指標(biāo)數(shù)據(jù)對(duì)該預(yù)警模型進(jìn)行檢驗(yàn)，最終確定該預(yù)警模型的可靠性。

（三）樣本選取與數(shù)據(jù)來(lái)源

本文以我國(guó)A股市場(chǎng)中的化工企業(yè)作為研究樣本。以上市公司中被ST的公司作為財(cái)務(wù)危機(jī)公司，其他公司則為財(cái)務(wù)正常公司。對(duì)于被ST的公司而言，綜合運(yùn)用2015年和2016年的數(shù)據(jù)來(lái)預(yù)測(cè)企業(yè)當(dāng)前是否面臨財(cái)務(wù)風(fēng)險(xiǎn)。采用2017年的數(shù)據(jù)進(jìn)行模型檢驗(yàn)。

為使入選樣本符合本文研究的要求，按照以下原則進(jìn)行篩選：第一，剔除上市時(shí)間較短或者財(cái)務(wù)數(shù)據(jù)較少的記錄；第二，剔除數(shù)據(jù)不滿足財(cái)務(wù)狀況異常條件的ST公司；第三，剔除指標(biāo)數(shù)據(jù)異常且無(wú)統(tǒng)計(jì)意義的公司；第四，剔除被ST與撤銷(xiāo)ST的之間年限較短的公司；第五，剔除財(cái)務(wù)狀況健康但凈利潤(rùn)為負(fù)數(shù)的公司。

經(jīng)過(guò)上述處理之后，考慮到研究過(guò)程中財(cái)務(wù)預(yù)警模型對(duì)年度時(shí)間因素的穩(wěn)定性，選取了2016、2017年中被ST的8只股票，具體為2016年被ST的云維股份、建峰化工、天化股份、明天科技，2017年被ST的河池化工、柳化股份、昌九生化、三愛(ài)富。根據(jù)財(cái)務(wù)健康的公司與ST公司資產(chǎn)的相似度選擇了70家財(cái)務(wù)狀況健康的非ST公司。因此，共計(jì)樣本公司為80只。以上公司的財(cái)務(wù)數(shù)據(jù)與非財(cái)務(wù)統(tǒng)計(jì)數(shù)據(jù)均是來(lái)源于新浪財(cái)經(jīng)和國(guó)泰安數(shù)據(jù)庫(kù)。

三、我國(guó)化工企業(yè)財(cái)務(wù)預(yù)警模型的構(gòu)建步驟

（一）指標(biāo)變量的組間差異性分析

在檢驗(yàn)所選取的變量在ST與非ST之間的差異性之前，首先要確定被研究的樣本總體是否滿足正態(tài)分布，以便進(jìn)一步確定檢驗(yàn)變量的方法。如果總體服從正態(tài)分布，則使用T檢驗(yàn)進(jìn)行分析；否則，使用非參數(shù)檢驗(yàn)進(jìn)行分析。用SPSS24.0對(duì)28個(gè)指標(biāo)的檢驗(yàn)結(jié)果顯示，在假設(shè)顯著水平默認(rèn)95%的條件下，P值大于臨界值0.05的指標(biāo)共有7個(gè)，分別是：X3、X9、X12、X13、X20、X23、X24，這些指標(biāo)服從正態(tài)分布。其余的21個(gè)指標(biāo)不服從正態(tài)分布。

因?yàn)椴荒芫芙^原假設(shè)和拒絕原假設(shè)的指標(biāo)數(shù)量相差較大，無(wú)法判斷樣本總體是否服從正態(tài)分布，所以本文同時(shí)使用T檢驗(yàn)和K-S檢驗(yàn)對(duì)指標(biāo)變量的差異性進(jìn)行檢驗(yàn)，假設(shè)兩組變量無(wú)差異，檢驗(yàn)結(jié)果顯示T樣本獨(dú)立檢驗(yàn)中的P值大于0.05共有18個(gè)。根據(jù)靈活取舍的原則，本文決定將X10和X12進(jìn)入下一步，因?yàn)檫@兩個(gè)都是盈利類(lèi)指標(biāo)，與企業(yè)是否被ST存在直接關(guān)系。同時(shí)，去掉總資產(chǎn)增長(zhǎng)率X20和現(xiàn)金流量比率X7。

（二）提取主成分

在排除上述18個(gè)指標(biāo)后，仍然存在10個(gè)指標(biāo)變量，依次是：資產(chǎn)負(fù)債率X6、總資產(chǎn)報(bào)酬率X8、總資產(chǎn)凈利率X9、凈資產(chǎn)收益率X10、營(yíng)業(yè)毛利率X11、營(yíng)業(yè)利潤(rùn)率X12、凈資產(chǎn)收益增長(zhǎng)率X21、基本每股收益增長(zhǎng)率X22、凈利潤(rùn)增長(zhǎng)率X23、經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量增長(zhǎng)率X25。由于具有相關(guān)性的指標(biāo)之間可能會(huì)存在變量的多重共線性，容易扭曲事實(shí)信息導(dǎo)致判斷錯(cuò)誤，因此本文采用相關(guān)系數(shù)來(lái)觀察指標(biāo)變量之間的多重共線性。這10個(gè)指標(biāo)兩兩變量之間的相關(guān)系數(shù)如下表1所示。

從下表中可以發(fā)現(xiàn)、X9與X8、X22與X21、X23與X21、X23與X22這四對(duì)變量呈高度線性相關(guān)，另外還有很多變量之間呈顯著相關(guān)。為了將10個(gè)指標(biāo)精簡(jiǎn)到6個(gè)以?xún)?nèi)，本文運(yùn)用主成分法進(jìn)行分析消除指標(biāo)間的多重共線性。通過(guò)KMO和Bartlett球形度檢驗(yàn)表明，KMO值=0.648>0.5，顯著水平=0.000<0.05，說(shuō)明本研究10個(gè)指標(biāo)變量樣本適合做主成分分析。本文主成分分析法提取因子的特征值與貢獻(xiàn)率如上表2所示。

為了保證每個(gè)因子都能顯著的解釋相關(guān)變量，本文運(yùn)用了最大方差法針對(duì)因子矩陣實(shí)施旋轉(zhuǎn)操作并得到的如上表3的結(jié)果：

（三）Logistic回歸分析

提取主成分后的各因子間不存在共線性關(guān)系，能夠用于構(gòu)建Logistic回歸模型。本文將樣本公司的財(cái)務(wù)狀況（發(fā)生財(cái)務(wù)危機(jī)為1，未發(fā)生財(cái)務(wù)危機(jī)為0）作為因變量Y，將三個(gè)主成分作為自變量X，進(jìn)行Logistic回歸，結(jié)果如表4。

四、我國(guó)化工企業(yè)財(cái)務(wù)預(yù)警模型的檢驗(yàn)

為了驗(yàn)證該模型的預(yù)測(cè)能力，從中國(guó)滬市和深市化工行業(yè)上市公司共抽取了66家公司，以其財(cái)務(wù)數(shù)據(jù)進(jìn)行檢驗(yàn)。將檢驗(yàn)樣本公司的相關(guān)數(shù)據(jù)代入對(duì)應(yīng)代入因子得分表達(dá)式中計(jì)算得到P值，以P=0.5為分界點(diǎn)，低于0.5記為財(cái)務(wù)正常，高于0.5記為財(cái)務(wù)危機(jī)，檢驗(yàn)結(jié)果表明本文構(gòu)建的化工企業(yè)財(cái)務(wù)預(yù)警模型的總體預(yù)測(cè)率為96.97%，說(shuō)明該模型檢驗(yàn)通過(guò)。其中ST*河化和天龍集團(tuán)的情形較為特殊。天龍集團(tuán)本為非ST企業(yè)，該預(yù)警模型判定為財(cái)務(wù)危機(jī)企業(yè)。ST*河化為ST企業(yè)，該模型判定為財(cái)務(wù)正常企業(yè)。對(duì)于天龍集團(tuán)來(lái)說(shuō)，其2017年凈利潤(rùn)為-3.1億元，較2016年凈利潤(rùn)1.43億元不僅大幅度減少，還由盈利變?yōu)榱颂潛p，這說(shuō)明該企業(yè)即將面臨財(cái)務(wù)危機(jī)的威脅，因此我們認(rèn)為該模型的判定具有前瞻性，不屬于誤判?？傮w來(lái)看，選取的66個(gè)檢驗(yàn)樣本只有一個(gè)判斷錯(cuò)誤，說(shuō)明該財(cái)務(wù)預(yù)警模型能夠很好的預(yù)測(cè)財(cái)務(wù)危機(jī)。

（作者單位：陶然，淮海工學(xué)院財(cái)務(wù)處；胡恩華，南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院。）

參考文獻(xiàn)：

[1]鐘琳.基于Logistic模型的公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)報(bào)實(shí)證分析[D].成都：成都理工大學(xué)2009，（21）：11-19.

[2]汪浩杰.企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析[J].知識(shí)經(jīng)濟(jì)，2009，（16）：57.

[3]李莉.基于Logistic分析的上市公司財(cái)務(wù)預(yù)警研究[J].生產(chǎn)力研究，2014 （16）：32-36.

[4]宋彪，朱建明.基于大數(shù)據(jù)的企業(yè)財(cái)務(wù)預(yù)警研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（6）：55-64.

[5]宋海潮. 基于現(xiàn)金流量的我國(guó)制造業(yè)上市公司財(cái)務(wù)預(yù)警研究[J].時(shí)代金融，2016（11）：175-176.

[6]符剛，曾萍，陳冠林.經(jīng)濟(jì)新常態(tài)下企業(yè)財(cái)務(wù)預(yù)警實(shí)證研究[J].財(cái)經(jīng)科學(xué)，2016，（10）：87-99.

[7]梁飛媛.基于宏觀經(jīng)濟(jì)波動(dòng)的財(cái)務(wù)指數(shù)預(yù)警矩陣實(shí)證研究[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2016，（02）：12-18.

[8]史佳亮，楊碩杰，范偉陽(yáng).經(jīng)濟(jì)周期對(duì)企業(yè)財(cái)務(wù)預(yù)警模型的影響研究[J].對(duì)外經(jīng)貿(mào)，2017 ， （5）：133-137.