吳想 段李合子 李宏睿

【摘? 要】制造業(yè)作為我國國民經(jīng)濟(jì)的支柱產(chǎn)業(yè)在新冠肺炎疫情持續(xù)蔓延的大背景下其平穩(wěn)有序發(fā)展面臨著國內(nèi)外的多重挑戰(zhàn)。隨著財務(wù)危機預(yù)警體系的不斷完善，Logistic回歸模型的引入使得企業(yè)財務(wù)危機預(yù)警準(zhǔn)確度不斷提升。論文選取2020-2021年被ST特別處理的A股上市公司償債能力、盈利能力、發(fā)展能力、營運能力以及現(xiàn)金流量等6方面指標(biāo)構(gòu)建財務(wù)預(yù)警指標(biāo)體系，運用Logistic模型構(gòu)建了我國制造業(yè)企業(yè)財務(wù)預(yù)警模型，為企業(yè)財務(wù)預(yù)警模型的選取提供借鑒。

【關(guān)鍵詞】制造業(yè);財務(wù)預(yù)警;Logistic回歸分析

【中圖分類號】F275? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文獻(xiàn)標(biāo)志碼】A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?【文章編號】1673-1069（2022）07-0187-03

1 引言

作為我國國民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，制造業(yè)對我國總體經(jīng)濟(jì)發(fā)展舉足輕重。在新冠肺炎疫情的持續(xù)蔓延帶來的全球高通脹背景下，正處于轉(zhuǎn)型期間的我國制造業(yè)企業(yè)面臨著來自國內(nèi)外的多重挑戰(zhàn)。自1932年美國學(xué)者Fitzpatrick使用財務(wù)指標(biāo)作為單一變量進(jìn)行上市公司財務(wù)危機預(yù)警以來，國內(nèi)外多位學(xué)者嘗試使用不同模型對該領(lǐng)域研究不斷擴(kuò)充，1998年Ohlson將邏輯回歸應(yīng)用于企業(yè)的財務(wù)危機預(yù)警，使用Logistic回歸模型來克服正態(tài)分布假設(shè)等多變量預(yù)測模型中的限定問題。此后的20余年內(nèi)，吳世農(nóng)（2001）等多位我國學(xué)者以我國公司為樣本進(jìn)行了Logistic財務(wù)預(yù)警體系的構(gòu)建，驗證了模型對我國企業(yè)預(yù)測適用性的同時均取得了良好的效果。本文選取2020年至2021年被ST特別處理的A股上市公司，以其T-2年的數(shù)據(jù)作為樣本，選擇償債能力、盈利能力、發(fā)展能力、營運能力以及現(xiàn)金流量等6方面指標(biāo)體系構(gòu)建財務(wù)預(yù)警指標(biāo)體系。運用K-S檢驗、T參數(shù)檢驗、Mann-Whitney U非參數(shù)檢驗對指標(biāo)進(jìn)行篩選，并使用因子分析對指標(biāo)進(jìn)行降維處理，最后運用Logistic模型構(gòu)建了我國制造業(yè)企業(yè)財務(wù)預(yù)警模型，為企業(yè)財務(wù)預(yù)警模型的選取提供借鑒。

2 制造業(yè)企業(yè)財務(wù)預(yù)警研究樣本選取與財務(wù)指標(biāo)體系構(gòu)建

2.1 研究樣本選取

本文以上、深兩大證券交易所上市的我國A股制造業(yè)上市公司作為研究樣本，選取2020年至2021年受到證監(jiān)會ST特別處理的38家制造業(yè)企業(yè)，并采用1∶1的比例對其進(jìn)行“健康”公司配比，最終選定76家制造業(yè)企業(yè)數(shù)據(jù)進(jìn)行訓(xùn)練，以12家制造業(yè)企業(yè)數(shù)據(jù)進(jìn)行檢測。通過對各階段學(xué)者關(guān)于財務(wù)預(yù)警相關(guān)指標(biāo)的研究進(jìn)行歸納得知，上市公司在受到證監(jiān)會ST特別處理的前兩年數(shù)據(jù)具有可預(yù)測性，因此本文選取目標(biāo)公司T-2年的數(shù)據(jù)作為構(gòu)建與檢驗財務(wù)預(yù)警模型的訓(xùn)練樣本及檢測樣本。

2.2 財務(wù)預(yù)警指標(biāo)體系構(gòu)建

財務(wù)指標(biāo)的選取是影響財務(wù)預(yù)警模型準(zhǔn)確性及有效性的重要因素，是模型構(gòu)建的關(guān)鍵，因此本文構(gòu)建財務(wù)預(yù)警指標(biāo)模型時遵循客觀真實性原則、可操作性原則、全面性原則，以確保財務(wù)分析的準(zhǔn)確性。大部分財務(wù)預(yù)警相關(guān)研究表示，ST公司樣本與“健康”公司樣本差異顯著，主要表現(xiàn)在其傳統(tǒng)財務(wù)指標(biāo)間的差異以及現(xiàn)金流方面的差異，更有學(xué)者引入非財務(wù)指標(biāo)，以期構(gòu)建出更為準(zhǔn)確的財務(wù)預(yù)警模型。在此基礎(chǔ)上本文從公司償債能力、營運能力、發(fā)展能力、盈利能力以及現(xiàn)金流量等五個方面出發(fā)，結(jié)合我國制造業(yè)的特征，最終選取26個變量作為本文財務(wù)預(yù)警指標(biāo)（見表1）。

3 制造業(yè)企業(yè)財務(wù)預(yù)警模型構(gòu)建與檢驗

本文在財務(wù)指標(biāo)構(gòu)建過程中初步確定26個財務(wù)預(yù)警指標(biāo)，但由于其數(shù)量過多且可能存在多重共線等問題，因此需要對數(shù)據(jù)進(jìn)行處理。本文首先通過指標(biāo)篩選選取具有辨別能力的指標(biāo)作為文章的參考依據(jù)，再通過因子分析法對各項指標(biāo)進(jìn)行降維處理，用降維后的指標(biāo)構(gòu)建Logistic預(yù)警模型并對模型的準(zhǔn)確性進(jìn)行檢驗。

3.1 財務(wù)預(yù)警指標(biāo)篩選

本文使用SPSS 25統(tǒng)計分析軟件，對各項指標(biāo)進(jìn)行分析。本文指標(biāo)的正態(tài)分布將會影響本文顯著性分析所選用的檢驗方法，因此通過單樣本K-S檢驗初步判斷指標(biāo)是否符合正態(tài)分布，對于符合正態(tài)分布的指標(biāo)進(jìn)行T參數(shù)檢驗，對于不符合正態(tài)分布的指標(biāo)采取Mann-Whitney U非參數(shù)檢驗，用以判斷其是否具有顯著性，剔除不顯著指標(biāo)。

3.1.1 K-S檢驗

本文采用K-S檢驗觀測樣本分布情況與設(shè)定的理論分布，并得出二者間最大偏差，判斷指標(biāo)是否存在偶然性。若漸進(jìn)顯著性（雙尾）小于0.05，拒絕原假設(shè)，該指標(biāo)初始變量不服從正態(tài)分布。若漸進(jìn)顯著性（雙尾）大于0.05，接受原假設(shè)，指標(biāo)初始變量服從原假設(shè)。表2為K-S檢驗結(jié)果。

由表2可知除營業(yè)收入增長率（X14）、資產(chǎn)負(fù)債率（X18）、全部現(xiàn)金回收率（X22）3項指標(biāo)漸進(jìn)顯著性（雙尾）大于0.05，服從正態(tài)分布，因此滿足T檢驗條件。每股收益（X1）、資產(chǎn)報酬率（X2）、總資產(chǎn)利潤率（X3）、凈資產(chǎn)收益率（X4）、營業(yè)凈利率（X5）等23項指標(biāo)均不服從正態(tài)分布應(yīng)采用Mann-Whitney U非參數(shù)檢驗對其顯著性進(jìn)行判斷。

3.1.2 T參數(shù)檢驗

T參數(shù)檢驗主要用于檢驗兩類正態(tài)分布樣本間是否存在顯著差異，本文中符合正態(tài)分布的3項指標(biāo)T檢驗結(jié)果如表3所示。

由表3可知，在0.05的顯著水平下，營業(yè)收入增長率（X14）、全部現(xiàn)金回收率（X22）兩項指標(biāo)Sig.（雙尾）均大于0.05，資產(chǎn)負(fù)債率（X18）的Sig.（雙尾）小于0.05，因此資產(chǎn)負(fù)債率（X18）可用于預(yù)警模型中，其能夠顯著辨別兩類樣本。

3.1.3 Mann-Whitney U非參數(shù)檢驗

使用Mann-Whitney U非參數(shù)檢驗對其余23項不滿足正態(tài)分布的指標(biāo)進(jìn)行分析，其分析結(jié)果如表4所示。

同樣，在0.05顯著標(biāo)準(zhǔn)下，Sig值小于0.05的變量可以明顯辨別兩類樣本，Sig值大于0.05表明兩類變量間不存在明顯差距，因此此類變量應(yīng)被剔除。由此可見，上述數(shù)據(jù)中X7、X8、X20、X21、X23、X24、X25在 0.05 顯著水平之上，其兩類公司間此類指標(biāo)無明顯差異，因此不適用于本文財務(wù)預(yù)警模型的建立。X1、X2、X3、X4、X5、X6、X9、X10、X11、X12、X13、X15、X16、X17、X19、X26樣本分布存在顯著差異，指標(biāo)可用于財務(wù)預(yù)警模型構(gòu)建。

3.2 因子分析獲取模型自變量

通過上述分析，本文最終確定17項指標(biāo)具有強相關(guān)關(guān)系，因此將這17項指標(biāo)納入模型構(gòu)建指標(biāo)體系，但因自變量數(shù)目過多對模型結(jié)果影響較大，因此本文采用因子分析法對17項指標(biāo)降維處理，通過KMO檢驗和Battle球形檢驗分析各項指標(biāo)是否能夠進(jìn)行因子分析，通過指標(biāo)的篩選優(yōu)化對財務(wù)預(yù)警指標(biāo)進(jìn)行主成分提取，將本文最終確定的17項指標(biāo)最終轉(zhuǎn)化為少數(shù)變量替代文中原有變量，降低多指標(biāo)中信息重疊部分，減少指標(biāo)多重共線的特征，使得分析結(jié)果更為準(zhǔn)確直觀。并且通過各因子得分確定因子表達(dá)式，簡化預(yù)警模型。

3.2.1 因子KMO與Battle球形檢驗

本文采用KMO與Battle檢驗（見表5）的目的在于判斷使用因子分析法的可行性。KMO檢驗是為了比較變量之間的簡單相關(guān)系數(shù)平方和偏相關(guān)系數(shù)平方間的數(shù)量關(guān)系，若簡單相關(guān)系數(shù)平方遠(yuǎn)大于偏相關(guān)系數(shù)平方，則KMO接近于1。KMO值趨近于1說明原有變量間存在強相關(guān)關(guān)系，變量能夠進(jìn)行因子分析。通常將0.5作為分析節(jié)點，KMO值大于0.5則原有變量可用于因子分析，反之亦反。Battle球形檢驗用來判斷原有變量間是否為單位矩陣，若顯著性大于0.05則說明矩陣為單位矩陣，因子分析無法進(jìn)行。

由表5可見，KMO值為0.773，大于0.5，說明因子分析結(jié)果較理想。Battle球形度檢驗中顯著性為0.00，遠(yuǎn)小于0.05說明原有變量間相關(guān)矩陣不是單位矩陣，能夠進(jìn)行因子分析。

3.2.2 因子提取

本文利用主成分分析法，并依據(jù)特征值大于1的原則對樣本公司各項指標(biāo)進(jìn)行分析，主成分及累計貢獻(xiàn)率如表6所示。

由表6可知因子1的累計貢獻(xiàn)率約為38.95%，說明該因子包含原有變量累計方差的38.95%。本文最終提取4個公共因子，其累計貢獻(xiàn)率約為73.81%。

由于初始因子矩陣難以對公因子做出合理解釋，因此通過最大方差正交旋轉(zhuǎn)法進(jìn)行因子旋轉(zhuǎn)，由旋轉(zhuǎn)后的成分矩陣（表7）可知，F(xiàn)1 主要由反映企業(yè)盈利能力的X1、X2、X3、X4、X5、X12、X13解釋;F2 主要由反映企業(yè)營運能力的X9、X10解釋;F3 主要由反映企業(yè)償債能力的X15、X16、X17及反映企業(yè)現(xiàn)金流量的X26解釋;F4 主要由反映企業(yè)盈利能力的X6及反映企業(yè)發(fā)展能力的X11及反映企業(yè)償債能力的X19解釋。表 8 為各成分得分系數(shù)矩陣。

提取方法：主成分分析法;旋轉(zhuǎn)方法：凱撒正態(tài)化最大方差法。

提取方法：主成分分析法;旋轉(zhuǎn)方法：凱撒正態(tài)化最大方差法;組件得分。

由表8可得本文最終構(gòu)建的危機預(yù)警指標(biāo)有4個，其表達(dá)式為：

F1=0.145*X1+0.158*X2+0.154*X3+...-0.005*X17+0.089*X19-0.109*X26

F2=-0.015*X1+0.001*X2-0.016*X3+...-0.010*X17-0.175*X19+0.127*X26

F3=-0.063*X1-0.053*X2-0.026*X3+...+0.286*X17-0.434*X19+0.374*X26

F4=0.096*X1+0.022*X2+0.027*X3+...-0.110*X17-0.084*X19+0.045*X26

3.3 Logistic財務(wù)危機預(yù)警模型構(gòu)建

本文以樣本公司是否為ST作為因變量，考慮到Logistic回歸模型具有適用性廣、預(yù)測準(zhǔn)確性高、易操作等特點，因此以此構(gòu)建制造業(yè)企業(yè)財務(wù)預(yù)警模型，模型的基本形式如下。

ln（）=A+∑BiFi

企業(yè)發(fā)生財務(wù)預(yù)警的概率用P表示，則轉(zhuǎn)化后的模型如下。

P=

使用SPSS統(tǒng)計軟件以因子分析中4個公因子為自變量，并選取目標(biāo)公司T-2年的數(shù)據(jù)進(jìn)行二元Logistic財務(wù)危機預(yù)警模型的構(gòu)建。選用Backward：LR方法剔除不相關(guān)變量，并以0.5為分割點進(jìn)行回歸，其結(jié)果如表9所示。由表可知最終F1～F4均通過顯著性檢驗，其顯著值均在0.1以下，因此本文最終構(gòu)建的財務(wù)危機預(yù)警模型為：

P=1/[1+exp（-2.630+13.124F1+3.317F2+2.913F3+8.969F4）]

3.4 模型結(jié)果檢驗

財務(wù)危機發(fā)生概率P以0.5作為臨界值，若P小于0.5則未來該公司財務(wù)正常，若P大于0.5則未來該公司將會發(fā)生財務(wù)危機。概率P值越大，則說明發(fā)生財務(wù)危機的可能性越大。本文選取2020年及2021年共計12家上市公司，其中非ST公司6家，ST公司6家作為檢驗樣本，選取其T-2年的財務(wù)數(shù)據(jù)進(jìn)行回代，其檢驗結(jié)果如下表10所示。

由表10可知，在6家非ST公司中存在1家判斷結(jié)果有誤，在6家ST公司中存在2家判斷結(jié)果有誤。因此12個檢測樣本中本文構(gòu)建的財務(wù)危機預(yù)警模型正確率能夠達(dá)到75%，說明該模型具有一定的實踐意義。

4 結(jié)論

本文以我國制造業(yè)企業(yè)為研究對象，選取2020-2021年被ST處理的共計76家企業(yè)作為研究樣本，通過因子分析對指標(biāo)進(jìn)行降維處理，并通過Logistic模型進(jìn)行回歸分析，最終得出符合制造業(yè)企業(yè)特征的財務(wù)預(yù)警模型，并通過樣本回代檢驗確定模型的合理性。因此本模型可以用于初步判斷企業(yè)是否存在財務(wù)危機的可能，我國制造業(yè)企業(yè)可使用此模型對其目前的財務(wù)狀況進(jìn)行初步判斷，及時發(fā)現(xiàn)企業(yè)現(xiàn)存的問題扭轉(zhuǎn)局面。對于投資者來說，能夠通過此模型測算企業(yè)發(fā)生財務(wù)危機的可能性，以此理性投資，減少財務(wù)損失。

綜上，Logistics回歸模型在判斷企業(yè)財務(wù)狀況方面具有一定的應(yīng)用意義，企業(yè)在建立財務(wù)預(yù)警體系時可以Logistic模型作為選擇，判斷企業(yè)財務(wù)現(xiàn)狀，對財務(wù)危機及時作出相應(yīng)舉措。

【參考文獻(xiàn)】

【1】吳世農(nóng)，盧賢義.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究，2001（6）：46-55.