上市公司財務預警實證研究——來自制造業數據

崔 潔

（西安外事學院 陜西 西安 710077）

一、引言

縱觀國內外財務危機判別與預測的相關研究，可知已經得到了具有較高預警能力的財務指標和方程組，但一元判定模型存在沖突性，多元線性判定模型存在假設前提，logistic模型難以普及，而且模型構建樣本的針對性不強，各個行業都有其自身的特點，同一個指標在不同行業缺乏可比性，勢必影響模型的準確性。為了能夠找到預測準確率高、穩定性好的變量，本文選取了78家制造業上市公司的五個方面的18個財務指標進行研究。經驗證，各財務指標之間相關性比較強，結構復雜，為了避免減少指標導致損失很多信息，從而得出錯誤結論，因此本文借助因子分析法對18個指標進行濃縮，以達到簡化變量降低維數的目的，以便建立較為準確的模型。

二、研究設計

（一）樣本選取和數據來源 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t-2年的截面數據為樣本建立模型。之所以這樣選擇是因為某公司在t年被ST，是因為其t-1、t-2年連續兩年虧損或者是因為符合其他判斷特別處理的標準。根據我國上市公司年報披露制度，上市公司公布其年報的截止日期為下一年的4月30日，因此上市公司t-1年的年報和其在t年度是否會被特別處理這兩件事幾乎是同時發生的。所以用t-1年的數據預測t年度是否會被特別處理是沒有實際意義的。另外，行業因素對財務預警模型也有一定的影響，而且從準確率的角度出發，構建財務危機預警模型最好是分行業進行，同時考慮到數據處理的方便性，因此，本文有針對性地選取了2010年A股制造業24對（48家其中包括24家ST的公司和24家正常企業）上市公司的t-2年的數據作為建模樣本，選取了2009年A股制造業15對（30家其中包括15家ST的公司和15家正常企業）上市公司的t-2年的數據作為驗模樣本。本文選取樣本數據主要來源于招商證券股票軟件中的財務分析、金融界等網站。

（二）研究方法 本文采用定量方法確定研究樣本；定性選擇確定財務預警指標；運用SPSS軟件進行因子分析構建模型，獲取財務預警的臨界值，并對模型進行檢驗。因子分析法，最早是由美國心理學家CharlesSpearman在1904年提出，其基本思想是將實測的多個指標，用少數幾個潛在的相互獨立的主成分指標（因子）的線性組合來表示，構成的線性組合可反映原多個實測指標的主要信息。它的優點是可以對觀測樣本進行分類，并根據各因子在樣本中所起的作用自動生成（確定）各因子權重，簡化實測指標系統。主成分分析法的一般模型為：

表1 財務指標表

其中F1，F2，……Fn為實測變量；aij（i=1，2，……，m；j=1，2，……，n）為因子荷載；Xi（i=1，2，……，m）為選擇確定的m個主成分因子；Ki（i=1，2，……，m）為主成分因子的權重（即第i個因子的貢獻率）；Y是公司財務狀況的預測值。這里要特別說明的是，因子載荷aij是第Fj個實測變量在第Xi個主成分上的荷載，或者說，第Xi個變量與第Fj個主成分的相關系數。荷載越大，說明第Fj個實測變量與第Xi個主成分的關系越密切；反之亦然。

（三）財務預警指標體系設計 本文廣泛考察了以往國外和國內相關研究中對最終預測模型有顯著貢獻的預測變量，參考了目前在實證研究中廣泛采用的財務指標及我國上市公司的實際情況，初步確定了體現償債能力、營運能力、盈利能力、成長能力、現金流量5個方面18個財務指標，見（表1）。

三、實證結果分析

（一）KMO測度和Bartlett檢驗 首先需要對24組企業的18個財務指標進行KMO測度和Bartlett檢驗，結果如（表2）所示。由結果看出，Bartlett的統計量為845.69，且其對應的顯著性概率是0.000，小于顯著性0.05，說明相關矩陣不是一個單位矩陣，即數據具有相關性，故適合進行因子分析。KMO＞0.6，意味著因子分析結果較好。

（二）因子提取和因子命名 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）。考慮所代表的實際指標的信息量，選擇特征值大于1的主成分，公因子為5個，可以認為這五個公因子基本反映了原變量的絕大多數信息，從表3的第2列至第4列可以看出這5個主成分因子包含原來79.101%的信息量。這5個主成分因子的主成分方差貢獻率見（表4）。為了清晰地反映主成分因子與原始變量的關系，輸出旋轉后的因子載荷陣。可以看出X9、X11在因子1上的載荷比較大，這兩個指標代表的是企業的盈利能力，故將其命名為盈利能力因子（F1）；X16、X17在因子2上的載荷比較大，這兩個指標代表的是企業的現金流量，故將其命名為現金流量因子（F2）；X6、X7在因子3上的載荷比較大，這兩個指標代表的是企業的資產營運能力，故將其命名為資產營運能力因子（F3）；X1、X2在因子4上的載荷比較大，這兩個指標代表的是企業的流動負債償債能力，故將其命名為短期償債能力因子（F4）；X4、X5在因子5上的載荷比較大，這兩個指標代表的是企業的長期負債償債能力，故將其命名為長期償債能力因子（F5）。

（三）因子得分和排名 為了建立模型，需要將公因子表示為各個變量的線性形式，利用spss軟件因子分析法中的regression回歸法輸出因子得分系數矩陣，如（表5）所示，可以根據因子得分系數和原始變量的標準化值，可以計算各因子的得分數，并可以據此對財務指標進行進一步的分析。由因子得分系數矩陣，得到因子得分函數：

表 2 KMO 和 Bartlett檢驗（KMO and Bartlett's Test）

表4 主成分方差貢獻率表

表5 因子得分系數矩陣Component Score Coefficient Matrix

表6 建模樣本B值表

五個因子分別從不同的方面說明企業的財務狀況的總體水平，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的評價，因此以各因子對應的方差貢獻率為權數得出最終的模型：B=0.3189 F1+0.2015F2+0.1837F3+0.1502F4+0.1457F5

B為預測分值，F1為盈利能力因子，F2為現金流量因子，F3為營運能力因子，F4為短期償債能力因子，F5為長期償債能力因子。最后，確定預警臨界值。計算出建模的48家制造業上市公司的B值如（表8）所示。試以-0.90、-0.15、0、0.15為分界點，通過對回歸精度的測算比較，以-0.15為分界點，對ST公司的判別能力達94.7%，判別能力明顯高于其他分界點，且考慮到公司沒有ST并不代表其財務狀況一定健康，ST的公司也不是全部意義上的“財務失敗”公司，有的正在改制、重組，這些公司的財務指標不具有穩定性，因此對模型的整體評價是可以接受的。本文將-0.15作為財務危機與非財務危機公司B值的分界點，也就是說當公司的B值小于-0.15時，ST的可能性較大，當公司的B值大于-0.15時，公司財務狀況較好，ST的可能性較小。

表7 驗模樣本B值表

（四）模型檢驗 由于模型由建模樣本組導出，故以建模樣本組內數據檢驗模型不能充分說明模型的可靠性，所以本文選取了2009年A股制造業15對（30家其中包括15家ST的公司和15家正常企業）上市公司的t-2年的數據作為驗模樣本。應用spss軟件計算出驗模樣本的30家公司的B值如（表7）所示。可以看出，當公司的B值小于-0.15時，ST的可能性確實較大，檢驗精度達100%，當公司的B值大于-0.15時，公司財務狀況較好，ST的可能性較小，檢驗精度達78%，ST的公司也不是全部意義上的“財務失敗”公司，有的正在改制、重組，這些公司的財務指標不具有穩定性，因此對模型的整體評價是可以接受的。綜上所述，可以看出所建的預警模型判別能力較高，且考慮到公司沒有ST并不代表其財務狀況一定健康，ST的公司也不是全部意義上的“財務失敗”公司，有的正在改制、重組，這些公司的財務指標不具有穩定性，因此對模型的整體評價是可以接受的。

本文分析得出結論：我國制造業上市公司的財務數據是有效的，并具有較強的預測能力。從總體上說，我國上市公司的財務數據能夠預測其未來發生財務危機的概率，也就是說，我國上市公司的財務指標包含著一定的信息含量，財務數據的使用者能夠根據企業的資產負債表、利潤表和現金流量表所提供的信息對企業將來是否會發生財務危機做出較為準確預測。

［1］楊建宇：《完善一汽集團公司資金管理模式的對策研究》，《吉林大學碩士學位論文》2006年。

［2］包曉嵐：《上市公司財務危機預警“Z”值區域研究與分析》，《財會通訊（學術）》2006年第5期。