鄧明君，彭 韌

(1.湖南科技大學(xué) 大數(shù)據(jù)與智能決策研究中心，湖南 湘潭 411201；2.湖南科技大學(xué) 商學(xué)院，湖南 湘潭411201)

一、引言

一家公司的財務(wù)穩(wěn)健對公司自身至關(guān)重要。對于投資者而言，財務(wù)困境具有負面?zhèn)鲗?dǎo)效應(yīng)[1]。一旦公司出現(xiàn)財務(wù)困境，即意味著在經(jīng)濟上處于不活躍狀態(tài)、擁有負資產(chǎn)賬戶或瀕臨破產(chǎn)，這可能會損害其貸款人、股東和股東貸款人的財務(wù)結(jié)構(gòu)，并造成整個公司經(jīng)濟上的損失。例如，2006年開始的次貸危機不僅讓美國深受其害，并迅速波及全世界。因此，預(yù)測一家公司是否將出現(xiàn)財務(wù)危機，并采取足夠的措施防止其經(jīng)營失敗，這些成為分析師的重要工作。

1990年中國A股創(chuàng)立，目前已成為全球第二大資本市場，是全球成長速度最快的資本市場之一。作為典型新興市場的中國資本市場，上市公司的虧損面和虧損額呈逐年遞增的趨勢，每年新增的ST公司數(shù)目呈上升趨勢，上市公司存在的經(jīng)營業(yè)績危機及其引發(fā)的潛在市場風(fēng)險不容忽視。2020年新增的ST公司、*ST公司、終止上市公司分別為14家、110家、20家；滬深交易所“史上最嚴”退市新規(guī)在2021年落地，這對陷入財務(wù)危機和經(jīng)營不善的公司產(chǎn)生了很大威脅。其中，觸發(fā)“1元退市新規(guī)”的上市公司有5家、觸發(fā)“期末凈資產(chǎn)為負值”的財務(wù)類退市風(fēng)險警示指標(biāo)的上市公司有24家、觸發(fā)“凈利潤為負值且營收低于1億元”的財務(wù)類退市指標(biāo)的上市公司有73家。2021年第一季度至第三季度新增的ST公司、*ST公司、終止上市公司分別為31家、73家、22家①。受各方面因素的影響，世界500強企業(yè)恒大集團，在2020年遭遇嚴重的債務(wù)危機。恒大集團提交給廣東省政府的《關(guān)于懇請支持重大資產(chǎn)重組項目的情況報告》顯示，恒大集團有息負債8 355億元，在128家金融機構(gòu)借款2 323億元，其中在民生銀行、農(nóng)業(yè)銀行、浙商銀行等的借款金額均超過百億元。根據(jù)港股恒大2020年的年報，恒大資產(chǎn)總額達2.3萬億元，其中負債總額為1.95萬億元，負債率為85%。恒大巨額的債務(wù)如果出現(xiàn)問題，對國家金融系統(tǒng)的影響無疑是巨大的。因此，作為世界第二大經(jīng)濟體，從長遠來講，宏觀上我國要建立應(yīng)對自身金融體系的風(fēng)險控制系統(tǒng)，以控制未來突發(fā)事件帶來的經(jīng)濟沖擊；微觀上我國更要建立企業(yè)財務(wù)風(fēng)險的預(yù)警機制，有效促進實體經(jīng)濟健康發(fā)展和資本市場穩(wěn)定運行。

二、文獻回顧

(一)國外相關(guān)研究回顧

一直以來，國外學(xué)者對公司財務(wù)風(fēng)險預(yù)測研究較多，相關(guān)文獻主要采用兩種研究方法：一是基于市場的方法，該方法依賴于投資者對企業(yè)的市場估值。在基于市場的方法中，公司的股票價格被用于估計違約概率[2]，即當(dāng)一家公司的市場價值低于一定的負債賬面價值時，則認為該公司破產(chǎn)，不少學(xué)者嘗試應(yīng)用此方法來估計不同國家不同公司的違約概率[3-5]。二是基于會計的方法，該方法使用從財務(wù)報表中獲得的比率來評估企業(yè)的穩(wěn)健程度[6]。本文重點回顧基于會計的公司財務(wù)風(fēng)險預(yù)測研究。

基于會計的方法。20世紀初，國外學(xué)者們采用單變量衡量標(biāo)準來區(qū)分財務(wù)困境公司和有償付能力的公司[7]。1968年，Altman開創(chuàng)性地構(gòu)建了用于綜合評估公司財務(wù)風(fēng)險水平和違約概率的綜合指數(shù)，并通過引入多元判別分析(Multivariate discriminant analysis，MDA)，從財務(wù)報表中獲得幾個財務(wù)比率，使用統(tǒng)計技術(shù)對各種單變量比率進行加權(quán)，將其轉(zhuǎn)換為一個分數(shù)(Altman-Z值)，用于表示公司違約可能性的大小，并運用該方法將1946年至1965年在紐約證券交易所上市的33家破產(chǎn)公司與33家有償付能力的公司區(qū)分開來[8-10]。Altman-Z值也由此成為企業(yè)破產(chǎn)文獻中最常用的統(tǒng)計工具。隨后多年，眾多學(xué)者應(yīng)用Altman-Z值對美國上市公司財務(wù)風(fēng)險進行評估，例如：Deakin[9]評估了1962年至1966年紐約證交所上市的32家破產(chǎn)公司和32家有償付能力的公司；Moyer[11]評估了1965年至1975年上市的54家公司；Blum[12]評估了1954年至1968年上市的115家公司；Dambolena和Khoury[13]評估了1969年至1975年上市的68家公司 。也有不少國外學(xué)者使用Altman-Z值預(yù)測美國以外其他發(fā)達國家和發(fā)展中國家上市公司的財務(wù)風(fēng)險[14-17]。盡管Altman-Z值在不同國家的公司文獻中被廣泛使用，但Altman-Z值是從紐約證券交易所(NYSE)上市的美國制造業(yè)公司中得出的。那么，Altman-Z值是否可以有效地用于其他國家或行業(yè)的公司違約分析[18-19]，這是一個值得商榷的問題，因為不同國家的公司，特別是新興市場的公司與美國公司的行為不同，原始的Altman-Z值可能無法充分反映這些經(jīng)濟體公司的獨特特征[20-21]。目前，也有幾十篇論文修改了Altman-Z值模型來研究發(fā)展中國家。這些文章使用了相同的變量，但重新計算了系數(shù)或使用新的代表性變量和相關(guān)系數(shù)，例如：Pascale[22]采用了不同資產(chǎn)負債表比率的MDA，該模型預(yù)測烏拉圭制造業(yè)企業(yè)財務(wù)風(fēng)險的成功率接近90%；Rashid和Abbas[23]使用MDA開發(fā)了一個新的財務(wù)風(fēng)險模型，從巴基斯坦非金融公司的24個比率中選擇了3個新的資產(chǎn)負債表比率，模型在預(yù)測1996年至2006年52家公司的財務(wù)風(fēng)險方面達到了76.9%的準確率；Pervan等[24]將MDA應(yīng)用于3個資產(chǎn)負債表比率，使用其模型預(yù)測克羅地亞78家破產(chǎn)公司的準確率達到79.5%；Thai等[25]使用馬來西亞證券交易所30家公司的新系數(shù)重新估算了Altman-Z值模型，準確率為76.7%。為了有效衡量反映在新興市場公司資產(chǎn)負債表上的財務(wù)風(fēng)險，Olak[26]構(gòu)建了一個多元企業(yè)評估(Multivariate Firm Assessment，MFA)分數(shù)模型，其評分通過應(yīng)用MDA于土耳其伊斯坦布爾交易所(BIST)上市的非金融公司的7個選定的資產(chǎn)負債表比率而產(chǎn)生，能夠有效地分析土耳其公司的總體財務(wù)風(fēng)險，其公司財務(wù)風(fēng)險預(yù)測準確率較定制的Altman-Z值提高了3%。

除了MDA方法以外，邏輯回歸方法(Logistic)在基于財務(wù)報表的企業(yè)財務(wù)危機預(yù)測模型的研究中也得到了廣泛的應(yīng)用。在這種方法中，公司財務(wù)風(fēng)險是基于公司的會計數(shù)據(jù)和其他幾種控制措施來進行評估的[27-29]。近年來國外使用Logistic回歸的研究已經(jīng)深入到對跨國或全球破產(chǎn)預(yù)警模型的構(gòu)建，他們試圖建立一個通用模型，不局限于計算單個國家企業(yè)債務(wù)違約的概率，而將眼光投向了整合多個國家計算地區(qū)性的財務(wù)風(fēng)險，例如：Alaminos等[30]開發(fā)了適用于世界各地公司的全球財務(wù)風(fēng)險模型，以及適用于亞洲、歐洲和美洲公司的區(qū)域財務(wù)模式，發(fā)現(xiàn)全球模型在財務(wù)風(fēng)險預(yù)測準確性方面優(yōu)于區(qū)域模型，原因在于公司財務(wù)特征日益全球化，財務(wù)風(fēng)險指標(biāo)已在全球范圍內(nèi)趨同。除了全球模型外，F(xiàn)ernández-Gámez等[31]還調(diào)查了特定國家因素在解釋歐盟企業(yè)違約中的作用，結(jié)果表明特定國家的宏觀經(jīng)濟因素和監(jiān)管因素，如通貨膨脹、風(fēng)險溢價和政府規(guī)模等，顯著提高了財務(wù)危機預(yù)測的準確率。

(二)國內(nèi)相關(guān)研究回顧

國內(nèi)對多元財務(wù)危機預(yù)測模型的應(yīng)用研究起步較晚。周首華等[32]認為Altman-Z值模型在構(gòu)建時沒有充分考慮到現(xiàn)金流量變動等方面的問題，他們運用MDA方法在Altman-Z值模型的基礎(chǔ)上建立了F分數(shù)模型。針對中國房地產(chǎn)上市公司，Wang和Campbell[19]測試了Altman原始模型，使用Altman比率重新估計模型、使用新比率修正模型的預(yù)測精度，發(fā)現(xiàn)修正后的模型比其他模型準確得多。針對中國科技型上市公司，張蔚虹和朱海霞[33]以2011年的20家ST公司，以及與其同行業(yè)、資產(chǎn)總額基本相同的20家非ST公司為樣本，基于ST公司宣布特別處理前三年及非ST公司相對應(yīng)年度的財務(wù)數(shù)據(jù)計算得出Altman-Z值，認為Altman-Z值模型對這些公司的財務(wù)風(fēng)險預(yù)警有效。近年來國內(nèi)不少學(xué)者綜合考慮影響企業(yè)財務(wù)危機的各項財務(wù)因素和非財務(wù)因素，構(gòu)建了基于TEI@I方法論的企業(yè)財務(wù)風(fēng)險預(yù)警模型、面向特征因果分析的CFW-Boost企業(yè)財務(wù)風(fēng)險預(yù)警模型，并利用其他預(yù)警模型進行對比測試，測試準確率為69%～86%[34-35]。

國內(nèi)學(xué)者基于Logistic回歸的財務(wù)風(fēng)險預(yù)警研究也在不斷深入。楊青龍等[36]對企業(yè)財務(wù)危機預(yù)測指標(biāo)進行篩選后，分別利用傳統(tǒng)的Logistic回歸和機器學(xué)習(xí)方法建立了企業(yè)財務(wù)危機預(yù)警模型。楊貴軍等[37]將Benford引入財務(wù)預(yù)警Logistic模型，提出Benford因子的一種構(gòu)造方法，建立企業(yè)財務(wù)風(fēng)險預(yù)警Benford-Logistic模型，提高了財務(wù)風(fēng)險預(yù)警Logistic模型的預(yù)測準確性。吳靜和袁芳英[38]應(yīng)用Logistic財務(wù)風(fēng)險預(yù)警模型對2016—2018年A股非金融上市公司進行實證研究，發(fā)現(xiàn)引入公司治理和股權(quán)質(zhì)押率變量能有效提高預(yù)警模型的預(yù)測準確率。

(三) 文獻述評

建立財務(wù)風(fēng)險預(yù)警模型的歷史由來已久，在Altman之后有眾多學(xué)者試圖建立更加完善的預(yù)警系統(tǒng)。公司財務(wù)風(fēng)險預(yù)測的方法更加多樣化，甚至加入了人工智能模型和大數(shù)據(jù)挖掘，在財務(wù)風(fēng)險預(yù)警模型的建立過程中也加入了大量非財務(wù)指標(biāo)，這雖然提升了公司財務(wù)風(fēng)險預(yù)測的精確度，但方法過于復(fù)雜，以及一些非財務(wù)指標(biāo)數(shù)據(jù)難以獲取，從而導(dǎo)致這些模型難以被推廣應(yīng)用。到目前為止，國外已經(jīng)建立了比較完善且可以被廣泛應(yīng)用的財務(wù)風(fēng)險預(yù)警模型。我國研究起步較晚，模型的指標(biāo)體系還在日益完善，樣本擬合度越來越高，預(yù)測精度也在不斷提高，但還有提升的空間。鑒于此，本文提出應(yīng)用Olak[26]定制的Altman-Z值模型和MFA分數(shù)模型，對我國上市公司財務(wù)風(fēng)險進行預(yù)測，比較兩者預(yù)測性能的差異。同時，本文還將進一步探究MFA分數(shù)模型與宏觀經(jīng)濟因素之間的關(guān)系。

三、研究設(shè)計

(一)樣本選取與數(shù)據(jù)來源

上市公司負有財務(wù)披露的義務(wù)。本文以上市公司作為研究對象，以2011—2020年中國滬深兩所A股非金融上市公司年度財務(wù)數(shù)據(jù)為原始研究樣本，共4 025家公司。為了檢測Altman-Z值模型和MFA分數(shù)模型的性能，我們需要一組有財務(wù)困境的公司名單和一組財務(wù)穩(wěn)健的公司名單作為配對樣本。對于有財務(wù)困境的樣本選取，我們從上述樣本中隨機選取了2020年被歸類為ST的49家公司。對于第二組財務(wù)穩(wěn)健的公司，我們相應(yīng)選取了擁有相似資產(chǎn)、同一行業(yè)的公司，它們唯一的顯著區(qū)別在于是否陷入了財務(wù)困境。

(二)模型介紹

1. Altman-Z值模型

Altman[8]在22項財務(wù)指標(biāo)中篩選出5個財務(wù)風(fēng)險相關(guān)變量：營運資本和總資產(chǎn)比率；股票的市值與總負債比率；留存收益和總資產(chǎn)比率；息稅前利潤和總資產(chǎn)比率；總銷售額和總資產(chǎn)比率。并通過計算出的Z值對公司是否陷入財務(wù)危機進行預(yù)測，其線性函數(shù)如下：

AltmanZ-score=1.2X1+1.4X2+3.3X3+0.6X4+1.0X5，其中：

X1=營運資本/總資產(chǎn)；

X2=留存收益/總資產(chǎn)；

X3=息稅前利潤/總資產(chǎn)；

X4=股票的市場價值/總負債；

X5=銷售收入/總資產(chǎn)。

如果一家公司的Z值低于1.81，則該公司將被歸類為陷入財務(wù)危機的企業(yè)，并且有可能在未來一段時間內(nèi)面臨破產(chǎn)。如果Z值大于2.675，則表明該公司經(jīng)營狀況較好、財務(wù)健康，未來幾年破產(chǎn)概率較?。欢?dāng)1.81≤Z≤2.675時，則表明企業(yè)處于運營狀況的灰色區(qū)域，表明企業(yè)的經(jīng)營狀況不穩(wěn)定，需要格外注意。

在1946—1965年間Altman用該模型預(yù)測了66家紐交所上市公司的破產(chǎn)情況，準確率為91%。但對于不同的經(jīng)濟體如發(fā)展中國家，Altman-Z值模型的預(yù)測精度并沒有這么高。其主要原因在于該模型主要反映的是發(fā)達國家的企業(yè)行為，股票的市場價值與總負債之比(X4)完全取決于公司的股票價格。但大多數(shù)發(fā)展中國家的股票價格通常不能完全反映一個公司的財務(wù)狀況，相反它們主要反映了投資者的投機傾向。此外，留存收益與總資產(chǎn)之比(X2)代表了公司在一段時間內(nèi)的累計利潤或虧損，并體現(xiàn)了有關(guān)企業(yè)年齡的信息。由于發(fā)展中國家的企業(yè)一般壽命較短，其累計的收益波動性更大，因此這個指標(biāo)也不能充分體現(xiàn)發(fā)展中國家企業(yè)的財務(wù)狀況。

由此得出，Altman-Z值模型對于我國企業(yè)的預(yù)測精度不高，因此我們引入優(yōu)化模型MFA分數(shù)模型。

2.MFA分數(shù)模型

基于Altman-Z值模型，我們引入了MFA分數(shù)模型，其建立原則如下：①流動性、盈利能力、杠桿率等指標(biāo)中至少包括一個，以確保模型的全面性；②所選擇的變量應(yīng)該是能夠區(qū)分財務(wù)困境和有償付能力的公司，如果兩組比值的均值之間彼此沒有顯著差異，則將此比值剔除；③兩個指標(biāo)不應(yīng)共線，如果任何指標(biāo)兩兩之間的相關(guān)性大于0.2，則剔除與其他變量相關(guān)性較高的一個。在上述原則下，最后在MFA分數(shù)模型中使用的指標(biāo)為：

X1=(現(xiàn)金及現(xiàn)金等價物+應(yīng)收賬款+短期投資)/流動負債。該比率被稱為“速動比率”，也稱為“酸性測試比率”，是衡量企業(yè)流動資產(chǎn)中可以立即變現(xiàn)用于償還流動負債的能力；

X2=流動負債/流動資產(chǎn)。也稱為“流動比率”，體現(xiàn)企業(yè)用短期資產(chǎn)償還短期負債的能力；

X3=總負債/所有者權(quán)益。也稱為“負債權(quán)益比率”，體現(xiàn)企業(yè)的股票價值是否足以償還債務(wù)；

X4=息稅前利潤/總資產(chǎn)。同Altman-Z值模型中的X3，也稱為“總資產(chǎn)報酬率”，可以體現(xiàn)出公司主要活動的盈利能力；

X5=財務(wù)費用/營業(yè)收入。也稱為“財務(wù)費用率”，體現(xiàn)公司支付其債務(wù)產(chǎn)生的外匯和利息費用的能力；

X6=凈利潤(虧損)/營業(yè)收入。也稱為“營業(yè)凈利率”，是反映企業(yè)盈利能力的一個指標(biāo)，該指標(biāo)越高，則代表企業(yè)盈利能力越好；

X7=留存收益/總資產(chǎn)。表示過去各時期的累計損益，同時顯示有關(guān)公司年齡的信息。

MFA分數(shù)模型的計算公式為：

MFAscore=0.24X1-0.14X2-0.03X3+3.76X4-0.72X5+0.20X6+1.14X7

Olak[26]通過ROC分析確定了MFA分數(shù)模型的第一個閾值為-0.02，以此區(qū)分有償債能力的公司和陷入困境的公司。然后根據(jù)Olak的研究樣本中財務(wù)狀況較好公司的MFA分數(shù)的中位數(shù)得到第二個閾值為0.56。如果一家企業(yè)的MFA分數(shù)小于-0.02，則認為該公司財務(wù)狀況不佳，可能會在一年內(nèi)陷入財務(wù)困境。但若一家企業(yè)的MFA分數(shù)大于0.56，則該公司被認定為財務(wù)狀況良好；若一家企業(yè)處于-0.02和0.56(灰色區(qū)域)之間，則該公司陷入財務(wù)困境的概率較低。

四、實證結(jié)果分析

(一)描述性統(tǒng)計

本文選取的樣本沒有局限于從事制造業(yè)的企業(yè)，檢測樣本及配對樣本都來自除金融業(yè)之外的各個行業(yè)。從表1和表2可以看出，MFA分數(shù)模型在49家無償付能力的公司陷入財務(wù)危機的前一年，對其中的39家公司做出了正確的分類。而對應(yīng)的49家有償付能力的公司中準確檢測出44家。模型檢出率達到84.7%，對于陷入財務(wù)危機的企業(yè)預(yù)測率為79.59%，財務(wù)健康公司的準確預(yù)測率為89.80%。而Altman-Z值模型對于企業(yè)是否陷入財務(wù)危機的檢出率僅有75.51%，MFA分數(shù)模型超出同等條件下Altman-Z值模型預(yù)測能力的9.2%，預(yù)測精度明顯提高，從客觀上說明了MFA分數(shù)模型相較于Altman-Z值模型更加適用于我國企業(yè)。

表1 模型表現(xiàn)情況(Altman-Z分數(shù)模型)

表2 模型表現(xiàn)情況(MFA分數(shù)模型)

(二)相關(guān)性分析

為了驗證本文的假設(shè)，我們將財務(wù)健康和陷入財務(wù)危機的兩組合并進行了t檢驗和相關(guān)性檢驗。表3如同我們假設(shè)的一樣，財務(wù)健康組與財務(wù)危機組的均值之間具有顯著差異。與陷入財務(wù)危機的公司相比，財務(wù)健康的公司具有更高的總資產(chǎn)報酬率、營業(yè)凈利率、留存收益和總資產(chǎn)比率。而其他指標(biāo)如財務(wù)費用率越高，則說明該公司債務(wù)水平越高，利息費用、外匯支出越多，我國企業(yè)財務(wù)費用負擔(dān)越重，同時陷入財務(wù)危機的公司在該指標(biāo)上普遍也比財務(wù)健康的公司高。表4為指標(biāo)之間的相關(guān)性矩陣，從表中可以看出，MFA分數(shù)模型的指標(biāo)兩兩之間的相關(guān)性較低。其中，流動比率與財務(wù)費用率相關(guān)性最高。

表3 MFA分數(shù)的組均值和均數(shù)差異的t檢驗

表4 MFA分數(shù)模型變量的兩兩相關(guān)性

(三)MFA分數(shù)模型與宏觀經(jīng)濟

大量研究表示宏觀經(jīng)濟的變化會影響企業(yè)的財務(wù)狀況，例如，有研究認為低GDP增長率和高貸款利率會增加企業(yè)的財務(wù)困境風(fēng)險[39-40]。Mare[41]在過去的實證檢驗中也發(fā)現(xiàn)通貨膨脹與企業(yè)的違約概率呈現(xiàn)出顯著的正相關(guān)關(guān)系。這是因為經(jīng)濟環(huán)境的疲弱會影響企業(yè)的生存狀況，因此我們認為宏觀經(jīng)濟變化對MFA分數(shù)也有影響。為了驗證這一論點，本文基于2016—2020年中國滬深兩所非金融上市公司半年度財務(wù)報表計算出的MFA分數(shù)、GDP季度增長率和美元與歐元對人民幣的月度匯率加權(quán)(權(quán)重為0.6和0.4)進行了趨勢分析，其觀察結(jié)果如圖1、圖2所示。

圖1 MFA分數(shù)和GDP增長率表現(xiàn)

圖2 MFA分數(shù)和匯率表現(xiàn)

可以看出，MFA中值普遍大于MFA平均值，這意味著MFA分數(shù)分布向左傾斜。從圖中可以看出，MFA分數(shù)與GDP增長率的增長趨勢基本一致，但與匯率加權(quán)數(shù)的增長趨勢大致相反。在近五年內(nèi)即便是受疫情影響，GDP增長率降為負數(shù)，MFA分數(shù)也沒有突破-0.02的閾值，但始終處于灰色地帶。同時GDP增長率在2020年降到最低點，出現(xiàn)了自改革開放以來的最低增幅，同時MFA分數(shù)在這一時期也保持在最低位。這是因為疫情對我國經(jīng)濟，特別是對第三產(chǎn)業(yè)的影響。旅游、文娛、餐飲等行業(yè)均受到重大沖擊甚至陷入停滯，非制造業(yè)商務(wù)活動指數(shù)從54.1驟降至29.6。

中國政府及時采取了一系列的財務(wù)政策和貨幣政策以恢復(fù)國民經(jīng)濟，如提高地方政府的債務(wù)限額和減稅降費的力度，中國人民銀行通過逆回購增加貨幣流動性等。從圖中可以看出，這一系列措施的作用是顯著的，GDP增長率在2020年底恢復(fù)為正，MFA分數(shù)也隨之上升。

為了進一步驗證本文的觀點，我們進行了豪斯曼檢驗，得到P值小于0.05。因此本文使用固定效應(yīng)，對非金融上市公司年度的MFA分數(shù)在幾個宏觀經(jīng)濟變量上進行了回歸。目前主要的宏觀經(jīng)濟變量有國民生產(chǎn)總值、國內(nèi)生產(chǎn)總值、通貨膨脹率、利率、失業(yè)率以及匯率等。由于我國的利率相對穩(wěn)定，本文選擇了GDP年增長率、年度的通貨膨脹率、城鎮(zhèn)登記失業(yè)率、匯率為美元與歐元匯率的加權(quán)平均，權(quán)重為0.6和0.4。本文建立實證模型如下：

MFAi，t=β1Macrot-1+β2Controlsi，t+∑Year+λi，t+εi，t

Macrot-1表示四個宏觀經(jīng)濟變量，分別為國民生產(chǎn)總值年增長率、美元與歐元匯率的加權(quán)平均年增長率、通貨膨脹率和失業(yè)率。MFAi，t為計算出的企業(yè)MFA分數(shù)，該值越大，說明企業(yè)的財務(wù)狀況越穩(wěn)定。我們還對企業(yè)的審計質(zhì)量(Big4)、成長性(Growth)、股權(quán)集中度(Top)、控股股東性質(zhì)(SOE)、兩職合一(Dual)、董事會規(guī)模(Board)以及獨立董事占比(Independent)進行了控制，變量定義如表5所示。

表5 變量定義

表6為上述假設(shè)的多元回歸分析結(jié)果，在控制了企業(yè)個體、企業(yè)特征和年度固定效應(yīng)后各個宏觀經(jīng)濟變量對MFA分數(shù)的影響均通過了1%的顯著性水平檢驗。而GDP增長率對MFA分數(shù)的影響顯著為正，回歸系數(shù)為0.064；通貨膨脹率、匯率和失業(yè)率對MFA分數(shù)的影響顯著為負，回歸系數(shù)分別為-0.205、-1.280和-1.303。這說明高的GDP增長率會對企業(yè)的經(jīng)營狀況產(chǎn)生正向影響，而高的匯率、通貨膨脹率和失業(yè)率均會惡化企業(yè)的財務(wù)狀況。這與實際情況一致，匯率和通貨膨脹率較高均會導(dǎo)致人民幣貶值，而失業(yè)率較高則說明現(xiàn)在的經(jīng)濟環(huán)境較差，因此影響到企業(yè)的財務(wù)狀況。而當(dāng)GDP增長率較高時，說明我國當(dāng)前的經(jīng)濟環(huán)境較好，企業(yè)的經(jīng)營狀況也能隨之改善。而在各種宏觀經(jīng)濟變量中，資產(chǎn)負債表對GDP增長率的變化最為敏感。具體來說，GDP增長率每增加1%，對企業(yè)MFA分數(shù)提升效果將增加0.064個百分比。綜上，我們認為，MFA分數(shù)可以用來考察宏觀經(jīng)濟發(fā)展對企業(yè)資產(chǎn)負債表的影響。

表6 宏觀經(jīng)濟變量對MFA分數(shù)的影響

五、預(yù)測應(yīng)用

經(jīng)過一系列檢測，我們可以推斷MFA分數(shù)模型的預(yù)測精度高于Altman-Z值模型。由于MFA分數(shù)可以預(yù)測出公司的財務(wù)狀態(tài)，我們認為MFA分數(shù)模型也可以用來判斷我國A股非金融上市公司的財務(wù)健康變化趨勢，這一點在上文得到驗證。因此，本文運用MFA分數(shù)模型對2016—2020年滬深兩所A股上市的非金融公司的財務(wù)情況進行預(yù)測應(yīng)用。本文在預(yù)測之前剔除了主要變量缺失的樣本，各個年度非金融上市公司樣本數(shù)分別為3 174、3 587、3 665、3 860和4 306。2020年和2019年上市公司數(shù)量相差較大的原因是2019年科創(chuàng)版的開市，導(dǎo)致2019—2020年IPO的公司急劇增加。

2016年我國全面推行“營改增”以實現(xiàn)結(jié)構(gòu)性減稅，這在一定程度上激發(fā)了經(jīng)濟活力，同時這一時期我國經(jīng)濟持續(xù)穩(wěn)中向好。清華大學(xué)國情研究院院長胡鞍鋼指出，從國際的角度來看，我國仍屬于世界上經(jīng)濟增長率最高的國家之一，6.7%左右的增速明顯高于美國、日本及歐盟等經(jīng)濟體的經(jīng)濟增速。而在2019年底受疫情的影響，市場環(huán)境日益變得復(fù)雜，企業(yè)在經(jīng)營發(fā)展過程中的財務(wù)風(fēng)險增加。疫情增加了公司運營成本的負擔(dān)，如為了做好疫情防控工作，公司必須專門采購一些防疫防控物品以及定期開展工作人員健康檢測，這些都給公司增加了運營成本。同時由于金融機構(gòu)的信貸壓縮，一些公司不得不選擇民間融資，但民間融資利率較高，這會導(dǎo)致公司融資成本的增加。由表7可知，2018—2020年，我國存在財務(wù)隱患(MFA≤-0.02)的公司數(shù)量在逐年上升，2018年具有財務(wù)危機的公司占比為15.58%，2020年具有財務(wù)危機的公司占比上升至17.16%。這個結(jié)果也符合近幾年整體經(jīng)濟發(fā)展的趨勢，反映了我國A股非金融上市公司在2018—2020年的財務(wù)指標(biāo)下降。雖然疫情打亂了資本市場的節(jié)奏，但根據(jù)安永發(fā)布的《中國內(nèi)地和香港IPO市場調(diào)研》，隨著新股發(fā)行注冊制改革的推進，2020年我國通過IPO融資近4 707億元，創(chuàng)十年來新高。而如表7所示，2020年超過半數(shù)的上市公司財務(wù)狀況保持健康(MFA≥0.56)，這也證明我國經(jīng)濟發(fā)展大體良好。

表7 MFA分數(shù)模型預(yù)測應(yīng)用結(jié)果

六、研究結(jié)論及相關(guān)建議

(一) 研究結(jié)論

全球疫情蔓延使得企業(yè)經(jīng)營環(huán)境的不確定性增強，大批企業(yè)陷入財務(wù)危機甚至破產(chǎn)。建立一個適合我國國情的財務(wù)危機預(yù)警模型可以在財務(wù)危機發(fā)生前警示管理者，以保證股東及其他利益相關(guān)者的權(quán)益和企業(yè)的健康可持續(xù)發(fā)展。本文引入一種適合新興市場的財務(wù)預(yù)警模型——MFA分數(shù)模型。以2016—2020年中國滬深兩所A股上市公司為樣本，比較Altman-Z值模型和MFA分數(shù)模型的預(yù)測性能并對我國上市公司財務(wù)風(fēng)險進行評估。主要研究結(jié)論如下。

首先，與最初的Altman-Z值模型相比，MFA分數(shù)模型顯著提高了對企業(yè)償付能力和破產(chǎn)概率的預(yù)測性能，預(yù)測準確率提高了9.2%。Altman-Z值模型中的X4對分數(shù)大小的影響較大，這反映了市場預(yù)期過高。而我國的股市運行時間尚短，股價易受人為操控，不能真實反映出企業(yè)的市場價值。MFA分數(shù)模型是在Altman-Z值模型的基礎(chǔ)上優(yōu)化得來，剔除了影響預(yù)測效果的X4指標(biāo)。這都使得MFA分數(shù)模型相對Altman-Z值模型預(yù)測能力更強。

其次，我們認為MFA分數(shù)模型可以檢測宏觀經(jīng)濟指標(biāo)對資產(chǎn)負債表的影響。我們發(fā)現(xiàn)經(jīng)濟增速加快會促進上市公司MFA平均分數(shù)提高，但匯率變化會對MFA平均分數(shù)的變動產(chǎn)生抑制作用。實證結(jié)果也與我們預(yù)計的一樣，MFA分數(shù)與主要宏觀經(jīng)濟變量之間具有顯著相關(guān)性。

最后，本文運用MFA分數(shù)模型從宏觀的角度判斷我國經(jīng)濟趨勢變化。結(jié)果表示，2016—2017年經(jīng)濟狀況轉(zhuǎn)好，2018—2020年陷入財務(wù)危機的公司數(shù)量皆有所上升，但大部分公司的經(jīng)營狀態(tài)穩(wěn)定，結(jié)果符合預(yù)期。綜上，我們可以利用MFA分數(shù)模型作為我國陷入財務(wù)困境的早期預(yù)警指標(biāo)，量化宏觀沖擊或政策對公司資產(chǎn)負債表的影響。

(二) 相關(guān)建議

基于上述研究結(jié)論，為預(yù)防上市公司財務(wù)危機，本文提出如下政策建議。

第一，根據(jù)不同行業(yè)的特點建立不同的財務(wù)危機預(yù)警模型。各個行業(yè)都有不同的特點，如房地產(chǎn)行業(yè)上市公司具有較高的負債比率，制造業(yè)上市公司則需要穩(wěn)定的現(xiàn)金流。研究者可以根據(jù)不同行業(yè)的特點選擇不同的財務(wù)指標(biāo)來建立財務(wù)預(yù)警模型，甚至同一政策對于不同行業(yè)的影響也不相同。未來的研究者可以根據(jù)不同行業(yè)建立更加精確的財務(wù)預(yù)警模型，構(gòu)建模型遵循全面性原則，謹慎考慮與行業(yè)相關(guān)的財務(wù)指標(biāo)與非財務(wù)指標(biāo)，以提升模型的準確率。

第二，公司管理者應(yīng)該加強內(nèi)部控制，做好危機預(yù)案。企業(yè)管理者應(yīng)該樹立財務(wù)危機防范意識，完善財務(wù)信息內(nèi)部監(jiān)控制度。同時注重企業(yè)外部環(huán)境的變化，并加強企業(yè)內(nèi)部的橫向和縱向溝通，從全局把握公司的財務(wù)狀況。管理者還應(yīng)考慮到不同情況的變化，做好危機預(yù)備方案，防患于未然。

第三，無論是Altman-Z值模型還是MFA分數(shù)模型，它們都是基于企業(yè)的財務(wù)報表建立的，企業(yè)財務(wù)報表的真實性和客觀性也會在一定程度上影響其結(jié)果的有效性。因此，MFA分數(shù)模型對于評估企業(yè)財務(wù)狀況是有效的，但管理者和投資者亦不能忽視財務(wù)報表之外的信息和其他財務(wù)指標(biāo)。

注釋：

① 退市新規(guī)中的凈利潤以扣除非經(jīng)常性損益前后孰低為準，營業(yè)收入則需要扣除與主營業(yè)務(wù)無關(guān)的業(yè)務(wù)收入和不具備商業(yè)實質(zhì)的收入。