苗培熙，孫浩瑜，顧意剛

（南京林業(yè)大學 經(jīng)濟管理學院，江蘇 南京 210037）

1 引言

目前國內(nèi)研究物流業(yè)上市公司財務預警時構(gòu)建的模型可分為傳統(tǒng)統(tǒng)計方法和數(shù)據(jù)挖掘技術(shù)兩大類，傳統(tǒng)的統(tǒng)計方法包括Z-score 模型、主成分模型和Logistic模型，數(shù)據(jù)挖掘技術(shù)包括BP神經(jīng)網(wǎng)絡模型和RBF神經(jīng)網(wǎng)絡模型，其中Z-score 模型和主成分模型使用的最多，但是這兩種模型對上市公司未來是否會發(fā)生財務風險的預測效果很差；使用數(shù)據(jù)挖掘技術(shù)進行物流業(yè)上市公司財務預警研究的極少，張國富等[1]通過實證分析認為BP神經(jīng)網(wǎng)絡模型在預測財務風險方面具有較強的可靠性，劉磊等[2]通過實證分析認為RBF神經(jīng)網(wǎng)絡模型克服了人工評價所帶來的人為因素及模糊隨機性的影響，這種模型的缺陷在于可解釋性差，無法深入分析。

Logistic模型作為在國內(nèi)研究財務預警時普遍使用的模型，對于上市公司未來是否會發(fā)生財務風險具有良好的預測效果。利用Logistic模型研究物流業(yè)上市公司財務風險的文獻較少，田謐等[3]實證分析了邏輯回歸統(tǒng)計方法預測正確率達到了93.75%，胡敏杰等[4]構(gòu)建的Logistic 回歸預警模型預測準確率達到了91.7%，劉雨琳等[5]運用Logistic分析方法預測水上運輸業(yè)上市公司財務危機，得出的方程誤判率僅為20%，這些研究存在的問題是樣本數(shù)量不足，導致模型預測準確率可能被高估；挑選的財務指標不夠全面，可能會漏掉一些原本可以進入預警模型的指標；沒有設置檢驗組對構(gòu)建的模型進行檢驗。本文采用聚類分析方法判斷企業(yè)是否處于財務困境，通過對過往研究文獻的總結(jié)，選取出現(xiàn)頻率較高的財務指標構(gòu)建Logistic 模型，最后比較了提取主成分構(gòu)建邏輯回歸模型和直接使用篩選的原指標構(gòu)建邏輯回歸模型預測效果的優(yōu)劣。

2 研究設計

2.1 樣本分類

根據(jù)證監(jiān)會2012 版行業(yè)分類，在“交通運輸、倉儲和郵政業(yè)”中選出2020年還在滬、深證券交易所A股市場中流通的104 家上市公司為觀測對象進行財務預警研究。目前國內(nèi)學者普遍用是否被ST區(qū)分上市公司是否出現(xiàn)財務危機，但是這種方法存在很多問題：一是一些行業(yè)中ST公司數(shù)量太少，樣本數(shù)量不足；二是這些行業(yè)中的ST 公司被特別處理的時間并不一致；三是被ST 是否就能說明上市公司處于財務危機還有待研究。

為此本文采用呂長江等[6]的分類方法區(qū)分上市公司是否出現(xiàn)財務危機，用“營業(yè)利潤/資產(chǎn)總額”、“營業(yè)利潤增加額/資產(chǎn)總額”、“經(jīng)營活動凈現(xiàn)金流量/流動負債”3 個指標進行聚類分析?？紤]到有的上市公司業(yè)績太過突出，還有的上市公司因為長期處于ST 業(yè)績很差，為了減少此類異常值對聚類分析的干擾，我們采取擴大聚類數(shù)的方式，設置“聚類數(shù)”為6，結(jié)果見表1。

表1 聚類分析結(jié)果

根據(jù)表2，可以看出類別1、4、5都屬于異常值，類別6 內(nèi)的上市公司財務情況最差。因此在選擇建模組和檢驗組時我們采取如下方式（結(jié)果見表3）。

表2 聚類指標平均值

（1）排除所有ST 公司。我們判斷上市公司是否處于財務困境時統(tǒng)一選擇了2018 年的數(shù)據(jù)，即判斷上市公司2018 年是否處于財務困境。所選的三個ST公司雖然在2018年處于財務困境，但是由于它們被特殊處理的時間早于2017年，因此即使Logistic模型在2017 年數(shù)據(jù)的基礎上判斷出這些公司2018 年仍會處于財務危機，也不會有投資者考慮去投資，把ST公司計入建模組和檢驗組缺乏現(xiàn)實意義。

表3 樣本分組

（2）類別6內(nèi)的上市公司視為出現(xiàn)財務困境的公司，其余類別的上市公司視為正常的公司。類別6內(nèi)的公司未必真的出現(xiàn)了財務困境，但是對于投資者來說，由于類別6內(nèi)的上市公司情況最差，投資要慎重考慮，因此可以視為類別6內(nèi)的公司出現(xiàn)了財務困境。

（3）根據(jù)證監(jiān)會2012版行業(yè)分類，在“交通運輸、倉儲和郵政業(yè)”中細分八個行業(yè)，除“管道運輸業(yè)”中沒有樣本，其余七個行業(yè)中每個行業(yè)選出的出現(xiàn)財務困境的公司和正常的公司數(shù)量要對等。

2.2 指標選擇

通過對以往研究文獻的總結(jié)[7-9]，本文選取了出現(xiàn)頻率較高的財務指標，包括盈利能力、成長能力、營運能力、償債能力和獲現(xiàn)金流量情況5個方面共23個指標（見表4），由于判斷上市公司是否處于財務困境時采用了2018 年的數(shù)據(jù)，因此Logistic 模型采用2017年的數(shù)據(jù)。

首先對財務指標進行篩選，用顯著性檢驗找出財務危機公司與正常公司具有顯著差異的財務指標。首先用K-S 方法對財務指標進行正態(tài)性檢驗，在顯著性水平5%的情況下，有16個指標服從正態(tài)分布，7 個指標不服從正態(tài)分布（見表5）。對服從正態(tài)分布的指標使用T檢驗，對不服從正態(tài)分布的指標使用Mann-Whitney-U非參數(shù)檢驗，結(jié)果見表5，在顯著性水平10%的情況下，共有8 個指標通過了檢驗，分別是主營業(yè)務收入增長率（X1）、凈利潤增長率（X2）、凈資產(chǎn)增長率（X3）、總資產(chǎn)增長率（X4）、流動資產(chǎn)周轉(zhuǎn)率（X5）、產(chǎn)權(quán)比率（X6）、現(xiàn)金債務總額比（X7）、現(xiàn)金流量比率（X8）。

表4 財務指標

表5 檢驗結(jié)果

2.3 模型介紹

Logistic 模型是一種廣義線性回歸模型，其因變量為二分類或多分類，可用于經(jīng)濟預測領域，是財務預警中比較常用的模型，但在物流業(yè)上市公司財務預警中相關(guān)研究較少。模型的基本形式是：。p 值代表了公司陷入財務困境的概率，由于樣本選取時處于財務困境的公司和正常公司數(shù)量是1：1，因此設置判定臨界值為0.5，當P＞0.5，表明公司第二年會發(fā)生財務困境；反之視為公司第二年經(jīng)營狀況正常。

3 實證分析

3.1 主成分邏輯回歸

在利用Logistic 模型進行預測時，大量文獻采用主成分分析提取公因子構(gòu)建Logistic 模型，本文既使用這種方法，還采取直接使用原指標構(gòu)建Logistic 模型的方法，以便比較兩者的優(yōu)劣。

利用Spss 軟件進行因子適合度檢驗，檢驗結(jié)果KMO 值為0.444，較低，Bartlett 球形度檢驗的觀測值為115.701，p值為0＜0.05，因此拒絕原假設，可以進行因子分析。

依照特征值大于1的原則提取公因子，公因子個數(shù)為3，其累計方差貢獻率為69.861%，不高，考慮第四個公因子的特征值為0.97，很接近1，因此按照固定公因子個數(shù)為4 的原則提取公因子。用因子分析中的“最大方差法”進行4次正交旋轉(zhuǎn)，累計方差貢獻率為81.989%，符合要求，由此可得模型主成分的表達式（見表6）。

將公因子保存為變量進行二元Logitic 回歸，按照向后逐步回歸進入Logistic 模型，可以看出只有公因子F1最終進入了模型。最終得到的邏輯回歸模型是（見表7），模型預測結(jié)果見表8。

表6 旋轉(zhuǎn)后因子載荷圖及方差貢獻率

表7 回歸結(jié)果

表8 模型預測結(jié)果

3.2 原指標邏輯回歸

將主營業(yè)務收入增長率（X1）、凈利潤增長率（X2）、凈資產(chǎn)增長率（X3）、總資產(chǎn)增長率（X4）、流動資產(chǎn)周轉(zhuǎn)率（X5）、產(chǎn)權(quán)比率（X6）、現(xiàn)金債務總額比（X7）和現(xiàn)金流量比率（X8）八個指標進入模型。

將指標按照向后逐步回歸進入Logistic 模型，可以看出只有X1,X5,X8最終進入模型。最終得到的邏輯回歸模型是（見表9），模型預測結(jié)果見表10。

表9 回歸結(jié)果

表10 模型預測結(jié)果

3.3 結(jié)果比較與檢驗

比較表8 和表10，顯然直接用原指標構(gòu)建Logistic 模型略占優(yōu)勢，用主成分分析提取公因子構(gòu)建模型，模型預測的正確率為80%，而原指標進入Logistic 模型，模型預測正確率達到了85%。為了進一步證實我們的判斷，對主成分構(gòu)建的Logistic 模型和原指標構(gòu)建的Logistic模型進行檢驗。從檢驗結(jié)果（見表11）可以看出，主成分構(gòu)建模型預測的正確性仍為80%，原指標構(gòu)建的模型預測正確率降到了70%，將建模組和檢驗組的百分比綜合起來，主成分構(gòu)建模型預測的正確率為80%，原指標構(gòu)建的模型預測正確率為77.5%，我們認為這兩種方法構(gòu)建的模型預測效果不存在顯著差異。

表11 模型預測結(jié)果

4 結(jié)論

本文使用非傳統(tǒng)的聚類分析方法判定上司公司是否處于財務困境，從證監(jiān)會2012 版二級行業(yè)分類“交通運輸、倉儲和郵政業(yè)”中的104家A股上市公司中選取了60家上市公司作為樣本，按照樣本數(shù)量1：1設置了建模組和檢驗組，基于23個財務指標，在顯著性檢驗后，分別用提取主成分構(gòu)建邏輯回歸模型和原指標構(gòu)建邏輯回歸模型的方法進行財務預警研究，得出了以下結(jié)論：

（1）用聚類分析方法判斷上司公司是否處于財務困境能減少誤差且更具有現(xiàn)實意義。傳統(tǒng)的方法把是否被特別處理作為判斷上市公司是否處于財務困境的標志，在針對特定行業(yè)的研究中，這種方法必然面臨ST公司數(shù)量少且被特別處理的時間不一致的問題，為了應對這種問題，相關(guān)研究對特別處理時間不同的ST公司進行了配對，這必然增大誤差，而且對投資者來說缺乏實際意義。而聚類分析方法將表現(xiàn)最差的類別中的公司看作處于財務困境的公司，較好地解決了實證研究中處于財務困境公司樣本數(shù)量不足的問題，且聚類分析方法采用同一年的數(shù)據(jù)進行判別，避開了ST 公司被特別處理的時間不一致的問題，減少了誤差，同時方便投資者做出投資決策。

（2）主成分構(gòu)建的邏輯回歸模型和原指標構(gòu)建的邏輯回歸模型預測效果并無顯著差異。用主成分構(gòu)建的模型預測的正確性為80%，檢驗組預測正確率也為80%，原指標構(gòu)建的模型預測正確率為85%，檢驗組預測正確率為70%，綜合后主成分構(gòu)建模型預測的正確性為80%，原指標構(gòu)建的模型預測正確性為77.5%，兩者并無顯著差異。

（3）Logistic 模型對物流業(yè)上市公司財務困境有良好的預測效果。從正確率看，Logistic 模型預測正確率在80%左右，具有很好的預測能力。

（4）兩種方法構(gòu)建的模型顯示，影響判別和預測物流上市公司是否處于財務困境的指標有主營業(yè)務收入增長率、流動資產(chǎn)周轉(zhuǎn)率、現(xiàn)金債務總額比和現(xiàn)金流量比率，在以后研究財務預警時，這些是必須考慮選取的財務指標。