上市公司資金鏈斷裂風險預警比較研究*——基于主成分和Logistic模型的分析

南京財經大學會計學院 張莉芳 江蘇經貿職業技術學校 歷 麗

一、引言

近年來，資金鏈斷裂引發企業經營失敗的事件頻頻發生。資金鏈斷裂會產生連鎖社會反應，當一家企業資不抵債，關門倒閉時，可能會拖累為其提供貸款和擔保的公司，這些公司自身也有債務，又承擔了被擔保企業的銀行貸款債務，必然加速這些公司的倒閉，進而牽連更多公司。顯然，資金鏈斷裂不僅對單個企業造成巨大沖擊，在某種程度上還影響某個區域、乃至整個國家的金融安全和經濟安全。資金鏈是企業從融資到資金使用，再到銷售回款，最終償還債務、回饋投資的一種反復過程。企業的資本代表企業資源的來源，資產則代表資源的運用。企業要生存和發展，資源的來源和運用在金額和期限上應該匹配，才能保持這個過程的良性循環。當上述某一環節的資源運用超過其來源時，即資金需求超過供給，產生資金缺口，此時，極可能引發整條資金鏈的斷裂風險。資金鏈斷裂會令企業陷入現金流困局，引發企業財務失敗。防范資金鏈斷裂風險已逐步成為國內外企業關注的重心之一。企業的發展過程是經營、籌資和投資三大活動逐步形成的過程，也是企業財務風險逐步加大的過程，企業在陷入資金鏈斷裂風險之前，通常都是有預兆且可預測的。如果能從定量的角度找到指標有效識別和快速預警資金鏈斷裂風險，就可避免企業由于資金鏈斷裂風險引發經營失敗的可能。國內已有的文獻大部分是從邏輯推理和定性分析的角度研究資金鏈斷裂的成因和表現形式，缺乏比較系統全面的預警模型和實證檢驗，為數不多的定量分析方法也值得商榷。本文從資金鏈斷裂成因的理論分析入手，結合中國特殊制度背景，設計資金鏈斷裂的識別指標，并分別采用主因子分析和Logistic模型回歸，構建能夠量化我國企業資金鏈斷裂風險的預警模型。本文的研究價值主要體現在以下三個方面：第一，指標設計的創新，本文圍繞資金鏈狀態的識別來進行指標設計，同時考慮了我國特殊的制度背景，如企業性質、過度對外擔保、關聯占款等因素；第二，樣本選擇上的創新，采用連續兩年虧損而在第三年被退市風險警示的A股上市企業作為樣本企業；第三，研究方法運用的創新，采用主成分分析和logistic模型回歸的比較研究，進一步完善了資金鏈斷裂的風險預警模型，具有重要的研究價值和實踐意義。

二、文獻回顧與理論分析

（一）文獻回顧 王江（2005年）基于馬克思對資本流通的分析，總結出六種資金鏈斷裂的類型：庫存增加型、價值泡沫型、資本運作型、委托理財型、資金擔保型以及關聯方占用型。藤佳和干勝道（2005）、鄭和平（2011）、李富芝（2012）等認為資金鏈斷裂的常見原因包括營運資金管理混亂、融資不合理、投資失誤、經營虧損、內部制衡缺失等多個方面。楊毓（2009）除了對影響企業資金鏈斷裂的內因進行分析外，還剖析了宏觀環境、經濟體制和金融機構行為等影響資金鏈斷裂的外部因素。王玉紅，郎文穎（2013）對無錫尚德的發展與破產重組進行分析，發現高負債水平和弱償債能力是其資金鏈斷裂的導火線，戰略失誤是其資金鏈斷裂的催化劑，經營不善是其資金鏈斷裂的根源。

已有的文獻大部分是從定性的角度研究資金鏈斷裂的成因和表現形式，缺乏比較系統的定量分析和預警研究。導致這一現象的可能原因：一是資金鏈斷裂是時點的概念，許多學者將其歸入了破產風險或是財務失敗中；二是在中國，上市困難，殼資源稀缺，很多資金鏈斷裂的上市公司最后通過各種方法“死而復生”，例如，自2001年2月到2011年12月底，A股市場退市企業僅39家，由于資金鏈斷裂而退市的樣本量更少；三是資金鏈斷裂主要發生在民營中小企業，這類企業的相關數據收集比較困難。要進行資金鏈斷裂風險的定量研究，首先應確認識別指標。以往文獻主要從以下二個方面確定識別指標：（1）基于經營協調性和資金鏈斷裂成因角度確定預警指標，張金昌和范瑞真（2012）從三個資金缺口和一些常見原因設計出可以定量檢驗的八個資金鏈斷裂風險識別指標，并以指標值是否大于1作為判斷標準。（2）基于財務狀況確定預警指標，翟瀟（2010）對成長企業資金鏈的評價，是在東北財經大學建立的風險模型基礎上，選取19個指標反映企業的財務狀況，運用判別分析法計算得到改進的Z值評分模型，通過Z值評價企業的資金鏈質量，其指標設置更偏向于破產風險或是財務失敗的預警。通過以上的文獻回顧和梳理，可以發現，上述研究仍然存在一些不足：第一，大部分研究采用一元判定法判別企業資金鏈斷裂發生的可能性，一元判定分析法預測時，事先認為失敗與不失敗的概率均為50%，把問題本身簡單化，而且根據不同比率預測同一事件，指標之間判定結果可能互相矛盾，難以起到預警作用；第二，以往很多預警研究在指標設置上沒有區別財務失敗和資金鏈斷裂風險，往往將其混為一談。在中國特殊的制度背景下，資金鏈斷裂并不一定導致企業破產。例如，每到年末，總有一批“股市不死鳥”之稱的ST、*ST股票，在政府財政補貼、并購重組、投資自救等各種招數下重復上演“死而復生”的游戲。資金鏈斷裂只是導致企業財務失敗的重要原因之一。國外對企業破產風險、財務失敗預警等方面的定量研究文獻較多。Fitzpartrick（1932）最早進行單變量破產預警研究，而Beaver（1966）提出的單變量財務危機判別模型具有更大影響力。Altman（1968）首次將多元判別方法引入財務失敗預警研究，建立了著名的Z-Score模型，從而解決了單變量模型下同一公司采用不同比率預測時，出現不同結果的矛盾。Ohlson（1980）利用Probit和Logistic回歸方法研究財務失敗預警模型，獲得較高的準確率。此后，人工智能及人工神經網絡等技術在近幾年紛紛被引入財務失敗預警模型中。

（二）資金鏈斷裂與資產資本結構平衡分析 所謂資產資本結構平衡，是指資產負債表中資產結構與資本結構的依存與對應關系。在經濟活動中，籌資與投資是企業兩大重要財務活動，從會計平衡公式或籌資與投資總體關系看，企業的資金來源（即資本結構）和運用（即資產結構）在金額和期限上應該匹配，才能保持整個經營過程的良性循環。資金的運用超過其來源時，即資金需求超過供給，產生資金短缺。當資金缺口達到無可挽回的地步時，就會出現資金鏈斷裂。從資產負債表來看，企業資金來源（即資本結構）包括流動負債、非流動負債和所有者權益三個部分。非流動負債和所有者權益屬于企業永久性資金來源，也稱長期資本。與之相適應，資金需求（即資產結構）可概括為長期資本需求、經營性營運資金需求和日常現金支付需求三個部分。長期資本需求就是投資性營運資本需求，投資性營運資本是企業開展日常經營活動的資本保證，其數量相對穩定，期限相對較長，在數量上既等于長期資本與長期資產之差，也等于企業的流動資產與流動負債之差。長期資產的資金來源包括長期資本、短期資本、長期資本和短期資本共同提供，如果企業的長期資產完全由短期資金提供，企業的融資鏈極容易斷裂，企業存在因不能償還到期債務而破產的潛在風險。

經營性營運資金在數量上等于經營性資產與經營性負債之差，經營性資產是指與經營活動相關、在企業經營環節占用，需要依靠經營努力才能轉化為現金的資產，經營性負債是經營活動產生的負債，與企業的投融資活動無關。其計算公式為：經營性營運資金需求=（應收賬款+預付賬款+存貨）-（應付賬款+預收賬款+應付職工薪酬+應交稅費）。當企業經營性營運資金需求為正時，企業需要為經營活動正常開展墊付一定數量的資金，這部分資金的主要來源應該是企業的長期資本，否則，企業的經營鏈容易斷裂。

日常現金支付需求是企業長期資金和經營性營運資金相互補充、相互使用的結果，是企業迫在眼前的資金需求，如果企業不能及時籌集到足夠的資金來彌補這一環節缺口，現金鏈就會出現斷裂。其計算公式為：日常現金支付需求=貨幣性資產-貨幣性負債=（貨幣資金+交易性金融資產+應收票據）-（短期借款+交易性金融負債+應付票據）=投資性營運資本需求-經營性營運資金需求。

筆者借鑒國外對企業破產風險、財務失敗預警等方面的定量研究，結合中國特殊制度背景，設計資金鏈斷裂的有效識別指標，并分別采用主因子分析和Logistic模型回歸，構建能夠量化我國企業資金鏈斷裂風險的預警模型，比較兩個模型的判別準確度，從而為預測企業資金鏈斷裂風險提供一種有效的量化工具。

三、研究設計

（一）樣本選擇與數據來源 對于樣本的選擇，有的文獻選擇退市企業作為樣本企業，這樣做有一定的道理，但不少企業退市的原因不是因為經營不善導致的資金鏈斷裂，而是因為大股東私自挪用企業資產或是騙取銀行貸款等原因導致的退市，而且我國退市企業家數極少，存在研究樣本不足的情況，最重要的是，企業退市分布在不同年份，不同年份的宏觀經濟環境顯著不同，必定會進一步影響研究結果。筆者認為，若以連續兩年虧損而被退市風險警示的上市公司為研究樣本，則可以解決上述問題。一方面樣本數量充足，另一方面在我國目前上市資格十分珍貴的情況下，ST、*ST公司的交易受到一定限制，對公司和管理層的利益影響很大，公司會極力粉飾財務報表從而保住自己的上市資格，所以當上市公司連續兩個會計年度經審計的凈利潤均為負值時，說明其發展乏力，資不抵債，企業資金鏈存在斷裂的風險。本文選取36家2010、2011連續兩年虧損而在2012年被退市風險警示的A股上市企業作為樣本企業，并按1：1比例逐一隨機選取了36家細分行業相同或相近、總資產規模相近的企業作為配對樣本。在抽樣推斷中，當樣本容量大于（等于）30時，對總體具有很大程度的代表性。因此，我們從配對樣本中隨機選出30對公司作為訓練樣本，剩下6對公司作為檢驗樣本，如下表1所示。由于上市公司被“退市風險警示”是根據前兩年的財務狀況決定，雖然前1年數據具有極強的判斷力，但沒有實際預測作用，所以本文以公司被“退市風險警示”前2年、前3年作為研究的時間范圍。本文所使用的全部數據來源于WIND和CSMAR數據庫，統計分析使用EXCEL和STATA11。

表1 36家被警告企業及其對照企業名單

（二）資金鏈斷裂風險預警指標的選擇 預警指標的選擇原則如下：第一，全面性，一個全面合理的資金鏈斷裂預警體系，要涵蓋企業財務狀況、公司治理和宏觀經濟環境等各方面的指標；第二，選擇具有較高信息含量，能及時有效反映出資金鏈斷裂風險征兆的財務指標；第三，滿足可操作性原則，衡量資金量斷裂的指標很多，但是有的指標可能難以采集（如資產抵押金額，實際貸款利率等），有的指標可能難以量化（如企業競爭力）。因此，此類指標不予考慮。按照以上三個原則，初步備選了以下20個資金鏈斷裂風險預警指標，如下表2所示。為了提高模型的預測效果，消除初選指標之間可能存在相互關系，需要對上述指標做進一步分析，篩選出更具有敏感性、預警性的指標，剔除部分顯著性不大的指標。首先對變量的樣本序列進行Shapiro-Wilk的W顯著性檢驗，檢驗樣本序列是否服從正態分布。結果顯示，所有指標的樣本總體均不服從正態性分布。因此，本文采用Mann-Whitney非參數檢驗法，分析20個變量的均值在被退市風險警示樣本組和配對樣本組之間是否具有顯著性差異。

由表3可以看出，在5%的顯著性水平下，t-2年有X1（長期資金需求保障率）、X2（資產負債率）、X3（固定長期適合率）、X5（應收賬款增長率）、X8（貨幣性資金需求保障率）、X9（現金流量比率）、X11（流動比率）、X12（速動比率）、X13（現金比率）、X14（總資產收益率）、X17（利潤總額增長率）等11個變量通過了顯著性檢驗，說明這11個指標在兩組樣本之間存在顯著性差異。t-3年有X1（長期資金需求保障率）、X2（資產負債率）、X8（貨幣性資金需求保障率）、X9（現金流量比率）、X11（流動比率）、X12（速動比率）、X13（現金比率）等7個變量通過了顯著性檢驗，說明這7個指標在兩組樣本之間存在顯著性差異。其余沒有通過檢驗，后續分析中應予以剔除。

表2 初始選取預警指標

表3 獨立樣本的Wilcoxon rank-sum（Mann-Whitney）檢驗結果表

（三）主成分分析預警模型的構建 由于實際應用中，往往存在指標的量綱不同，所以為了消除量綱的影響，要對36組（72家）樣本公司的財務指標原始數據進行標準化處理：

（1）KMO和球形Bartlett檢驗。為了檢驗標準化后的數據是否適宜進行主成分分析，首先進行KMO和球形Bartlett適用性檢驗，當KMO值大于0.5，且Bartlett檢驗結果的顯著性水平小于5%時，就適合做因子分析。檢驗結果如下表4所示，t-2年和t-3年的KMO統計量均大于0.75，且Bartlett檢驗結果的顯著性水平均為0.0000，顯著小于5%，說明這些指標之間并非獨立，信息有一定的重疊，通過主成分分析可以優化模型。

表4 KMO和球形Bartlett檢驗結果

（2）求取主成分。我們運用stata11軟件對訓練樣本的標準化值進行主成分分析，計算各主成分的特征值和方差貢獻率，結果如表5所示。選取主成分的常用方法：一是根據主成分的累計貢獻率來確定，即累計貢獻率達到70～80%以上的前幾個主成分；二是根據特征根來確定，即只保留特征根大于1的主成分。一般情況下，根據累計貢獻率確定的主成分個數較多，而根據特征根確定的主成分個數相對較少。從t-2年相關矩陣的特征值看，發現只有前4個主成分的特征值大于1；從t-2年主成分累計貢獻率看，前4個主成分的累計貢獻率達到74.1%，說明這4個主成分所包含的信息占原來所有信息的74.1%，具有較好的解釋力度，因此t-2年提取前4個主成分。觀察t-3年特征根列，只有前2個主成分的特征值大于1，其累計貢獻率達到72.6%，因此t-3年提取前2個主成分。

表5 主成分的特征值和方差貢獻率

（3）主成分得分及模型。由表6得到的特征向量與標準化后的數據相乘，就得到了t-2年4個主成分（用Z表示）關于資金鏈斷裂風險指標的線性表達式：

對主成分的特征值與貢獻率進行計算，可構造企業退市風險警示前2年的資金鏈斷裂預警模型，指標F是綜合因子Z1、Z2、Z3、Z4的線性組合，即

將訓練樣本組標準化后的財務指標帶入上述模型，得到退市風險警示企業與健康企業的平均F值分別為-0.5167和0.5167，因而我們可以確定判別分割點為0（-0.5167和0.5167的平均值）。把某一企業的相關指標數據帶入F模型，若得到的F值大于0，則判定為健康型企業；反之，則為被“退市風險警示”企業；若得到的F值恰好等于0，說明該企業資金鏈斷裂風險不明朗，處于灰色地帶。

按照上述方法，構建企業被“退市風險警示”前3年資金鏈斷裂預警模型。

此模型的判別分割點為0。

表6 主成分得分系數矩陣

（四）Logistic回歸法預警模型構建 資金鏈斷裂是否發生的預測屬于兩分類定性分析。Logistic回歸模型是預測兩分類因變量與一組解釋變量之間關系時最成熟也是應用最廣泛的統計分折模型。Logistic回歸模型對變量的分布沒有具體要求，在回歸時通過概率進行預測，實際運用簡單方便。運用STATA11軟件對訓練樣本第t-2，t-3年的原始數據分別進行Logistic回歸，并采用后退法做似然比概率檢驗，向后逐步選擇最優建模變量。結果發現，模型對訓練樣本的分類準確率分別為93.33%和75%。

表7 進入方程變量

因此，第t-2年的判別模型為P1:

第t-3年的判別模型為P2:

在分析時，一般選擇0.5的概率作為分割點。如果算出的概率（Pi）大于設定的分割點，則預測該企業未來將被退市風險警示。

表8 主成分法和logistic回歸預警模型比較

（五）模型預測效果檢驗 運用6對檢驗樣本數據對上述兩種方法構建的模型進行檢驗（主成分分析模型采用標準化后的數據，Logistic回歸模型采用原始數據），檢驗結果如表8所示。表8顯示，在被退市風險警示前2年和前3年，Logistic回歸法模型的判別準確率均達到100%，高于主成分分析法模型。這是個準確率很高的預測模型，表明Logistic回歸法模型可以在實際中應用，具有很高的實用價值。

四、結論

本文利用我國滬深兩市2010、2011連續兩年虧損而在2012年被退市風險警示的A股企業和配對的非退市風險警示企業（共60家）數據，分別采用主成分分析和Logistic回歸建立我國上市公司資金鏈斷裂風險預警模型，并對模型進行比較檢驗。結果發現，我國上市公司的財務數據具有較強的預測能力，模型具有較好的預警效果，企業可以利用此模型量化資金鏈斷裂風險，及時調整投融資計劃和營運資金規劃，有效防范資金鏈斷裂風險發生。在以往的定性分析文獻中，經常談到企業資金鏈斷裂的主要原因是收不回應收賬款、存貨積壓、對外過度擔保、關聯方占款等，但是，我們通過獨立樣本的Mann-Whitney檢驗卻發現，退市風險警示組和訓練樣本組在X6（應收賬款周轉率）、X7（存貨周轉率）、X18（擔保占凈資產比重）、X19（關聯方占款）等指標間沒有顯著差異。可能的原因是很多上市公司是多元化經營的企業集團，母子公司可能從事完全不同的行業，通過合并報表計算出來的應收賬款周轉率、存貨周轉率等指標是各個不同行業的一個加權平均值，掩蓋了公司具體的經營狀況，利用這些指標做決策，必然會得出錯誤結論。也可能存在一些刻意操縱財務數據的上市公司，使指標失去了比較意義。總而言之，主成分分析和Logistic回歸模型將影響資金鏈斷裂風險的各個因素綜合起來分析，建立綜合指標函數預警資金鏈斷裂風險，即避免了不同指標之間產生沖突時預警失效的情況，也避免了人為選擇的主觀性，是一種有效的量化工具，值得在實踐中推廣。但是，資金鏈斷裂風險預警是一項復雜的系統工程，還有許多需要進一步研究的地方：第一，為了便于數據的獲得，本文的研究對象是A股上市公司，得出的兩個模型是否適用于非上市公司，還有待進一步檢驗，而恰好就是這些眾多的非上市企業，是急需工具量化和預警資金鏈斷裂風險；第二雖然在分析中加入了一些非財務指標，如企業性質，但是由于資料來源的限制，沒有將宏觀經濟政策的變化、市場化程度、公司治理等影響資金鏈斷裂的因素納入研究。

［1］張金昌、范瑞真：《資金鏈斷裂成因的理論分析和實證檢驗》，《中國工業經濟》2012年第3期。

［2］王江：《“資金鏈”斷裂：理論解析與啟示》，《山東社會科學》2005年第7期。

［3］滕佳、干勝道：《企業資金鏈斷裂防范研究》，《當代經理人》2005年第13期。

［4］鄭和平：《資金鏈斷裂的財務成因及對策》，《經濟導刊》2011年第7期。

［5］李富芝，吳君民：《房地產企業資金鏈斷裂風險原因探析與實證檢驗》，《商業會計》2012年第19期。

［6］王玉紅、郎文穎：《以管窺豹——由資金鏈斷裂看尚德破產重組》，《財務與會計》2013年第7期。

［7］翟瀟：《成長企業的資金鏈評價研究》，《渤海大學學報》2010年第6期。

［8］Fitzpatrick.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms.New York:Certified Public Accountant，1932.

［9］William Beaver.Financial Ratios as Predictors of Failure.Supplement to Journal of Accounting Research，1966.

［10］Altman E.I.Financial Ratios,Discriminate Analysis and Prediction of Corporate Bankruptcy.Journal of Finance，1968.

［11］Ohlson. Financial Ratio and the Probabilistic Prediction of Bankruptcy.Journal of Accounting Research，1980.