【摘 要】 因上市公司發(fā)生財(cái)務(wù)危機(jī)是一個(gè)漸進(jìn)的過程，所以本文選取上市公司發(fā)生財(cái)務(wù)危機(jī)前兩年的數(shù)據(jù)與財(cái)務(wù)正常的公司進(jìn)行了比較。選取了120家制造業(yè)上市公司作為本次研究的樣本，選取了25個(gè)較為常用的財(cái)務(wù)指標(biāo)、4個(gè)對財(cái)務(wù)危機(jī)影響較為顯著的非財(cái)務(wù)指標(biāo)構(gòu)建財(cái)務(wù)指標(biāo)體系。在分析部分，以主成分分析法得出主成分，來分別構(gòu)建一般的Logistic財(cái)務(wù)危機(jī)預(yù)警模型和主成分Logistic財(cái)務(wù)危機(jī)預(yù)警模型，并對該模型的預(yù)警精度進(jìn)行檢驗(yàn)。通過實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)：一般logistic回歸模型的判別正確率高于主成分邏輯回歸模型;在上市公司發(fā)生財(cái)務(wù)危機(jī)的前兩年，幾乎所有模型的判別正確率基本在80%以上。

【關(guān)鍵詞】 主成分分析 Logistic回歸模型 財(cái)務(wù)預(yù)警

一、引言

當(dāng)今世界全球產(chǎn)業(yè)競爭格局正在發(fā)生重大調(diào)整，新一代信息技術(shù)與制造業(yè)的融合引發(fā)產(chǎn)業(yè)變革。在中國經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，產(chǎn)業(yè)結(jié)構(gòu)向中高端轉(zhuǎn)型升級，中國國際戰(zhàn)略從產(chǎn)品國際化走向企業(yè)國際化，互聯(lián)網(wǎng)+、大數(shù)據(jù)盛行的大背景下，以及隨著工業(yè)4.0時(shí)代的到來和“中國制造2025”的發(fā)布，企業(yè)之間的競爭變得更加激烈。中國制造業(yè)作為國民經(jīng)濟(jì)的基礎(chǔ)產(chǎn)業(yè)，面臨發(fā)達(dá)國家“再工業(yè)化戰(zhàn)略”和其他發(fā)展中國家努力開拓國際市場空間的“雙向擠壓”和“大而不強(qiáng)”的短板，能否成功去產(chǎn)能、調(diào)結(jié)構(gòu)順利實(shí)現(xiàn)產(chǎn)業(yè)的優(yōu)化升級，走高端制造業(yè)之路，直接影響到國民經(jīng)濟(jì)的發(fā)展和中國制造業(yè)在世界產(chǎn)業(yè)格局中的地位，也直接影響到國計(jì)民生和國防力量的加強(qiáng)。從企業(yè)角度來講，想要在競爭中立于不敗之地，不僅要有過硬的技術(shù)、先進(jìn)的設(shè)備，優(yōu)秀的人才，有效的治理結(jié)構(gòu)和良好的財(cái)務(wù)基礎(chǔ)等更是必要條件。

面對愈加激烈的競爭環(huán)境和內(nèi)部經(jīng)營管理體制的調(diào)整，企業(yè)不可避免的會存在不同程度的財(cái)務(wù)風(fēng)險(xiǎn)，當(dāng)潛藏的財(cái)務(wù)風(fēng)險(xiǎn)不被發(fā)現(xiàn)而持續(xù)惡化到一定程度時(shí)，企業(yè)便會陷入財(cái)務(wù)危機(jī)，甚至破產(chǎn)。在市場經(jīng)濟(jì)下，特別是對于上市公司而言，財(cái)務(wù)危機(jī)將會影響眾多利益相關(guān)者，對證券市場的健康發(fā)展產(chǎn)生重大影響。因此，針對性建立制造業(yè)上市公司財(cái)務(wù)危機(jī)預(yù)警模型，及時(shí)發(fā)現(xiàn)企業(yè)潛在財(cái)務(wù)危機(jī)具有切實(shí)必要性。

二、制造業(yè)相關(guān)分析

本文選取制造業(yè)作為研究的對象的理由有三：

（1）制造業(yè)是對國民經(jīng)濟(jì)影響最為重大的也最為重要的一個(gè)行業(yè)。制造業(yè)是一個(gè)國家的支柱性產(chǎn)業(yè)，是體現(xiàn)國家競爭力的產(chǎn)業(yè)，是實(shí)體經(jīng)濟(jì)的重中之重。環(huán)看全球，衡量一個(gè)國家綜合經(jīng)濟(jì)實(shí)力和科技水平的最重要體現(xiàn)之一就是看其是否擁有高度發(fā)達(dá)的制造業(yè)和先進(jìn)的制造技術(shù)。

（2）制造業(yè)是一個(gè)歷史悠久的傳統(tǒng)型行業(yè)。作為一個(gè)傳統(tǒng)的行業(yè)，它的經(jīng)營模式比較固定，規(guī)模比較大，投資較多，投資回收期較長，增長也相對平穩(wěn)。這些特質(zhì)對于財(cái)務(wù)預(yù)警系統(tǒng)的建立是有幫助的，可以提離模型預(yù)測的穩(wěn)定性。這是由于模型的準(zhǔn)確性很大程度依賴預(yù)警指標(biāo)的均衡，正是制造業(yè)的這些特點(diǎn)使得預(yù)警財(cái)務(wù)指標(biāo)增長比較均衡，具有可預(yù)測性。

（3）模型的構(gòu)建需要大量的樣本，截止到2019年第二季度，我國A股上市企業(yè)共有3645家，制造業(yè)有2280家，約占總上市企業(yè)數(shù)量的62.64%，有大量的候選樣本可以進(jìn)行篩選，并進(jìn)一步支持模型的構(gòu)建。

三、財(cái)務(wù)預(yù)警模型

設(shè)P為某事件發(fā)生的概率，取值范圍為0-1，1-P為該事件不發(fā)生的概率，將比數(shù)P/（1-P）取自然對數(shù)的ln（P/（1-P）），即對P做Logit轉(zhuǎn)換，則ln（P/（1-P））的取值范圍在-∞到+∞之間。影響的因素記為x1，…，xk，以ln（P/（1-P））為因變量，建立線性回歸方程：

從而，

Logistic回歸模型的數(shù)學(xué)表達(dá)式為：

Logistic回歸的假設(shè)前提是：①因變量是二分類變量;②數(shù)據(jù)必須來自隨機(jī)樣本;③因變量被假定為K個(gè)自變量的函數(shù)，因變量與自變量之間是非線性關(guān)系;④自變量之間不存在多重共線性。顯而易見，Logistic回歸沒有關(guān)于自變量分布的假設(shè)條件。

四、模型的構(gòu)建

（1）樣本的確定

參照中國證監(jiān)會發(fā)布的《上市公司行業(yè)分類指引》，僅以滬深兩市制造業(yè)上市公司為研究對象，分別選取2017年、2018年和2019年的40家財(cái)務(wù)危機(jī)公司（以下簡稱ST公司）和80家非財(cái)務(wù)危機(jī)公司（以下簡稱非ST公司）共120家上市公司作樣本。

（2）指標(biāo)的選取

財(cái)務(wù)預(yù)警指標(biāo)體系由財(cái)務(wù)預(yù)警指標(biāo)構(gòu)成，財(cái)務(wù)預(yù)警指標(biāo)的選擇是否合理，直接影響到模型的效果。本文針對制造業(yè)企業(yè)的特點(diǎn)，并參考大量關(guān)于財(cái)務(wù)預(yù)警的研究文獻(xiàn)，最終選取以下預(yù)警指標(biāo)。

（3）基于一般的二元Logistic回歸模型

應(yīng)用SPSS統(tǒng)計(jì)分析軟件對選取的25個(gè)財(cái)務(wù)預(yù)警指標(biāo)和4個(gè)非財(cái)務(wù)預(yù)警指標(biāo)變量一起進(jìn)行Logistic回歸分析，我們可以得到T-1年和T-2年的一般二元Logistic回歸模型表達(dá)式：

其中，G T-1=exp（72.52+1.05X2+1.32X3-0.77X4-25.01X5+25.53X6-1.09X7+0.35X8+0.05X9-2.49X10+0.08X11+0.02X12-0.02X13-0.01X14+0.005X15+0.11X16-1.66X17-0.07X18+0.001X19+0.01X20-0.21X21-0.04X22-0.33X31-8.44K1-1.99K2+0.08K3+0.10K4）

G T-2= exp（30.35+0.69X1+0.97X2-0.34X3+0.86X4+311.81X5-311.90X6-0.01X7+0.08X8-0.05X9+0.30X10-0.14X11+0.01X12+0.003X13-0.03X14+0.01X15-0.20X16+1.57X17+0.14X18-0.99X19+0.05X20+0.11X21+0.0003X22-20.14K1-1.93K2+0.11K3+0.03K4）

（4）基于主成分二元Logistic回歸模型

為消除多重共線性的影響，對上文通過顯著性檢驗(yàn)的25個(gè)財(cái)務(wù)指標(biāo)預(yù)警變量運(yùn)用主成分分析來提取主成分。

由以上KMO測試的結(jié)果可知，T-1年和T-2年的各變量間存在較強(qiáng)的相關(guān)關(guān)系，適合進(jìn)行主成分分析。樣本充分性KMO測試系數(shù)分別為0.751和0.678，表明各指標(biāo)之間的相關(guān)程度較高。樣本分布的球形Bartlett檢驗(yàn)的P值均為0.000<0.05，顯示各個(gè)財(cái)務(wù)指標(biāo)之間并非獨(dú)立，相互之間存在一定關(guān)系。

應(yīng)用SPSS統(tǒng)計(jì)分析軟件對5個(gè)主成分和4個(gè)非財(cái)務(wù)預(yù)警指標(biāo)變量一起進(jìn)行主成分Logistic回歸分析。

根據(jù)上表，我們可以得到T-1年和T-2年的主成分二元Logistic回歸模型表達(dá)式：

其中，H T-1=exp（14.675+0.075F1+0.005F2+0.096F3+0.08F4+0.0003F5-21.349K2-0.841K3-0.640K4+0.053K5）

H T-2= exp（15.295+0.063F1+0.019F2+0.139F3+0.071F4+0.008F5-20.575K2-0.832K3-0.105K4+0.011K5）

五、模型的檢驗(yàn)與結(jié)果對比

把120家樣本上市公司分別帶回一般的Logistic回歸模型和主成分Logistic回歸模型進(jìn)行回判，判別結(jié)果如下表所示：

從表5-1和表5-2的結(jié)果可以看出，這兩個(gè)模型對非ST組的檢驗(yàn)正確性比ST組的高，且綜合準(zhǔn)確率還是比較高，說明模型效果非常理想。一般Logistic回歸模型的準(zhǔn)確率比主成分Logistic回歸模型整體提高5-10個(gè)百分點(diǎn)，預(yù)測準(zhǔn)確率較理想，且該模型操作簡單，對財(cái)務(wù)危機(jī)有一定的預(yù)警作用，因此可使用該模型的預(yù)測結(jié)果作為參考。

【參考文獻(xiàn)】

[1] 張玲玲.A股上市公司財(cái)務(wù)預(yù)警模型對比研究——基于logistic回歸和BP神經(jīng)網(wǎng)絡(luò)模型[J].環(huán)渤海經(jīng)濟(jì)瞭望，2019（09）：165-166.

[2] 馮丹丹.我國上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的實(shí)證研究——以制造行業(yè)為例[J].現(xiàn)代經(jīng)濟(jì)信息，2010（22）：140+142.

[3] 袁康來，李繼志.財(cái)務(wù)危機(jī)預(yù)警實(shí)證研究[M].社會科學(xué)文獻(xiàn)出版社，2009.

[4] 朱順泉.上市公司財(cái)務(wù)預(yù)警統(tǒng)計(jì)與智能建模及應(yīng)用研究[M].人民出版社，2013.

作者簡介：徐碧琨（1995—），女，漢族，河南項(xiàng)城人，在讀碩士研究生，單位：廣西財(cái)經(jīng)學(xué)院，研究方向：會計(jì)信息系統(tǒng)和大數(shù)據(jù)分析。

課題項(xiàng)目：廣西財(cái)經(jīng)學(xué)院會計(jì)與審計(jì)學(xué)院課題資助項(xiàng)目《基于主成分分析和Logistic回歸模型的制造業(yè)上市公司財(cái)務(wù)預(yù)警研究》