制藥企業財務預警實證研究

摘要:公司財務危機的預測研究在國內外都受到高度關注，不但具有較高的學術價值，而且具有巨大的應用價值。以中國的上市制藥公司為樣本，運用因子分析法確定主成分指標，建立了中國上市公司醫藥行業的財務預警模型，進而根據預警模型的預測分值來確定上市公司財務狀況的評價區域。

關鍵詞:財務指標;財務預警模型;因子分析;制藥企業

中圖分類號:F812文獻標志碼:A文章編號:1673-291X(2010)31-0129-03

引言

上市公司財務預警研究在國內外是一個被廣泛關注的課題，它作為經濟運行的晴雨表和企業經營的指示燈，有著巨大的學術價值和應用價值。制藥業是中國競爭最激烈、分布最廣泛的行業之一，中國對制藥企業的財務預警研究也取得了一定的成果，如黃輝曾用功效系數法來預警制藥行業的警度，但在權重的賦予方面帶有很大的主觀色彩。本文擬從企業的短期償債能力、長期償債能力、營運能力、盈利能力、現金流量能力等方面選取指標，通過引入一種科學的統計分析方法——因子分析法來構建中國制藥企業的財務預警模型。

一、文獻回顧

最早的財務危機預測研究是FitzPatrikc(1932)所做的單變量破產預測模型。他發現，出現財務困境的公司其財務比率和正常公司的財務比率相比有顯著的不同，從而認為企業的財務比率能夠反映企業財務狀況，對企業未來具有預測作用。Beaver(1966)對美國1954—1964年間79家失敗企業和79家成功企業的30個財務比率進行研究的結果表明，具有良好預測性的財務比率為“現金流量/負債總額”、“資產收益率(凈收益/資產總額)和資產負債率(債務總額/資產總額)。1968年Altman提出了多元線性判定模型，即運用多種財務指標加權匯總產生的總判斷分值(稱為z值)來預測財務危機，他所建立的預測上市公司的Z值模型如下:Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5。美國學者Ohlson(1980)克服了多元線性判別分析方法對預測變量有著嚴格的聯合正態分布要求，應用多元邏輯回歸模型，Logit模型假設了企業破產的概率p(破產取1，非破產取0)，并假設Ln[p/(1-p)]可以用財務比率線性解釋;假定Ln[p/(1-p)]=a+bx，根據推導可以得出p=exp(a+bx)/[1+exp(a+bx)]，從而計算出企業破產的概率。TAM(1991)最早采用ANN模型進行財務預警研究，通過對人工神經網絡的模擬，得出神經網絡可以應用于財務預警，且具有較高的預測精度。

國內的財務預警研究起步較晚。從20世紀80年代開始，國外的財務預警研究與應用成果逐漸被引入國內，20世紀90年代中國制定了企業會計準則之后，國內的財務預警研究才逐漸興起。陳靜(1999)以1998年37家ST公司和27家非ST公司為樣本，利用其1995—1997年的財務報表數據進行了一元判別分析。吳世農、黃世忠(1986)曾介紹企業的破產分析指標和預測模型。周首華、楊濟華和王平(1996)借鑒Altman研究建立F分數模型。梁飛媛(2005)較早采用現金流量指標對機械行業上市公司財務困境進行了預測。李莉(2004)運用現金流量類指標對制造業上市公司財務困境進行了預測。韓東平、田艷麗(2006)選用了現金流量類的16個財務指標，并運用多元統計判別分析法對上市公司財務預警進行探討。本文在前人研究成果的基礎上，結合現金流指標和傳統財務指標利用因子分析法構建中國上市醫藥行業財務預警模型。

二、研究設計

(一)樣本和指標的選取

本文將上市公司中的ST類公司定義為“財務危機”企業，并選取其第t-1年的截面數據為樣本建立模型。根據中國上市公司的年報披露制度，上市公司在第t年是否被特別處理是由其第t-1年財務報告的公布結果所決定的，因此利用第t-1年的財務數據構建預測模型有很高的預測精度，在實際預測中也有很大的應用價值。本文根據2009年11月30日前被ST的17家制藥公司作為樣本估計組。同時根據同行業且總資產規模相差在10%以內的原則選取23家非ST公司與其混合作為預測樣本組，以保證預測的準確性以及同組上市公司之間財務數據的可比性。本文所有的數據均來自于國泰安金融經濟信息數據庫。

(二)財務預警指標設計

制藥行業所面臨的風險是多方面的，在參考前人研究成果的基礎上，本研究結合制藥企業實際情況，選定包括償債能力、營運能力、盈利能力、股東獲利能力、現金流量能力、發展能力等方面的財務指標作為研究起點來構建制藥行業財務指標預警系統。具體指標(如下頁表1所示)，其中，現金比率X1這一指標最能反映企業直接償付流動負債的能力，現金比率一般認為高于20%以上為好;營運資金比率X2，是衡量公司短期償債能力最通用的指標，這一比率越大，表明公司短期償債能力越強，并表明公司有充足的營運資金，反之，說明公司的短期償債能力不強，營運資金不充足;權益乘數X3，該指標反應資產總額相當于股東權益的倍數，權益乘數越大，代表公司向外融資的財務杠桿倍數也越大，公司將承擔較大的債務風險;總資產報酬率X4，表示企業包括凈資產和負債在內的全部資產的總體獲利能力，用以評價企業運用全部資產的總體獲利能力，是評價企業資產運營效益的重要指標;現金流量利息保障倍數X5，它比收益基礎的利息保障倍數更可靠，因為實際用以支付利息的是現金，而非收益;營業收入現金比X6，是對“主營業務利潤率”的修正，反映企業的主營業務收入獲得現金的能力，該指標排除了不能回收的壞賬損失的影響，因此較為保守，該指標通常越高越好;資本積累率X7，體現了企業資本的積累情況，是企業發展強盛的標志，也是企業擴大再生產的基礎，展示了企業的發展潛力;凈資產收益率X8，該指標反映股東權益的收益水平，用以衡量公司運用自有資本的效率，該指標值越高，說明投資帶來的收益越高[1]。

三、實證分析

在實際問題中，研究多指標(變量)問題是經常遇到的。由于指標較多，再加上指標之間有一定的相關性，造成信息重疊勢必增加了分析問題的復雜性;一旦盲目減少變量又會損失很多信息，容易產生錯誤結論。主成分分析法，是將多個指標化為少數幾個互相無關的綜合指標的統計方法，綜合指標就是新的變量，是原來多個指標的線性組合，且彼此互不相關，并能反映原來多個指標的信息。該方法的優點是降低數據空間的維度、簡化系統結構、抓住問題的實質[4]。

(一)預警模型的構建

首先本文先對8個觀測指標用SPSS 進行描述性統計，其結果(如表2所示)。

表2 KMO 和 Bartlett 的檢驗結果表

根據計算結果，KMO 統計量值為0.503>0.5，基本達到因子分析的可行性標準(0.503稍微低了些，這與樣本數量偏少有關，因為一般要求樣本數量為財務變量的5～20倍)。Bartlet’s檢驗值為199.183，而對應的相伴概率值小于0.0001，因此拒絕相關系數矩陣是單位矩陣的假設，故適合做因子分析。其次，運用SPSS軟件自動完成各主成分的特征值和貢獻值計算(詳見表3)。本文取累計貢獻率為72.124%。從表3可以看出，3個主成分因子包含原來72.124%的信息量，則主成分個數n=3，對這3個主成分因子進行旋轉后的旋轉成分矩陣(見表4)。

表4旋轉成分矩陣

從表4的結果中可以看出，第一個因子在營運現金比率、總資產報酬率、資本積累率這3個指標上有較大的因子載荷，這3個指標綜合反映了公司的短期償債能力、盈利能力和發展能力，將第一個因子用符號表示為Z1，代表現金償債盈利能力;第二個因子在權益乘數、現金流量利息保障倍數和凈資產收益率這3個指標上有較大的因子載荷，而這3個指標綜合反映的是公司的長期償債能力、現金流量能力，將第二個因子用符號Z2表示，代表現金流量償債能力綜合主成分;第三個因子在現金比率和凈資產收益率這兩個指標上有較大的因子載荷，用符號Z3表示，代表短期償債盈利能力綜合指標。據表4旋轉后的因子載荷矩陣，就可以得到各主成分因子與原始財務比率指標的主成分模型:

由表4得:

Z1=0.124X1+0.903X2+0.175X3+0.969X4+0.094X5+0.178X6+0.948X7-0.647X8Z2=0.215X1+0.166X2+0.698X3-0.043X4-0.298X5+0.851X6+0.022X7+0.112X8

Z3=0.839X1+0.054X2-0.545X3+0.08X4-0.071X5+0.21X6+0.086X7+0.397X8

3個因子分別從不同方面反映了公司財務狀況的總體水平，但單獨使用某一個因子并不能對公司的財務危機狀況做出綜合評價，因此以各因子對應的方差貢獻率為權數得出最終模型:

F= 0.3946Z1+ 0.1736Z2+ 0.15304Z3

式中:F—預警分值;Z1—現金償債盈利因子;Z2—現金流量償債因子;Z3—短期償債盈利因子。

(二)確定評價區域

將樣本組上市公司的各項財務比率標準化處理后的數據，代入Z式和F式，計算得到各上市公司的預測分值，對預測結果進行排序，對上述F值進行頻數統計，結果(如表5)。

據此，可得到以下判別準則，從而確定評價區域(如表6)。

表6 判別準則表

四、模型的預警效果檢驗及研究結論

本文利用2009年11月30號前上市的A股制藥企業上市公司的23家健康公司和17家特別處理公司為樣本，選擇第t-1年的數據，以因子分析為基礎建立的預測模型經檢驗對健康公司的預測精度為83.3%(由于制藥企業被ST的公司只有17家已全部作為預測樣本，因此只對20家非ST公司進行預測效果檢驗)。這樣就說明模型具有一定的有效性。因此制藥企業可通過重點關注本文設定的8 個財務指標，定期求出預警值F來觀測企業的財務風險等級，同時企業也可以根據自身情況對模型進行調整，另外企業也應該注意到非財務指標的補充，并和企業的實際相聯系，以進一步提高預警的精確度。本文的主要不足之處是樣本數量較少，致使研究成果缺乏最佳的說服力，另外研究僅選用了一年的橫截面數據進行預測，預測精度受到削弱。

參考文獻:

[1]孫靜，張子健.傳統財務預警的指標與現金流指標的整合研究[J].中國管理信息化，2009，(9).

[2]高峰，孫春升.煤炭企業財務預警實證研究[J].煤炭經濟研究，2009，(3).

[3]熊燕.財務危機預警模型評析[J].中國管理信息化，2008，(8).

[4]陳磊，任若恩.基于比例危險和主成分模型的公司財務困境預測[J].財經問題研究，2007，(7).

[5]陳艷，張海君.上市公司財務預警模型的研究[J].財經問題研究，2007，(6).

[6]賁友紅，鄒林全.財務預警模型中變量體系的設計[J].中國鄉鎮企業會計，2005，(12).

[7]張友棠.財務預警系統管理研究[M].北京:中國人民大學出版社，2004.

[8]楊淑娥，徐偉剛.上市公司財務預警模型——Y分數模型的實證研究[J].中國軟科學，2003，(1).

[責任編輯 陳麗敏]