基于顯著性檢驗和因子分析的企業財務危機預警研究

（南京理工大學泰州科技學院 江蘇泰州225300）

一、引言

經濟環境的復雜化和競爭的白熱化，使得企業經營面臨巨大風險和不確定性從而導致財務危機。財務危機預警可預知財務危機發生的征兆，其有效性和準確性的提高有助于企業及時發現導致財務狀況惡化的原因，及早應對。準確有效的預警除了對企業管理層起到警示作用外，還能助投資者做出有利的投資決策，便于債權人控制信貸風險，利于證券等監督部門的監管。迄今，理論界已發展出諸如多元判別模型、多元邏輯回歸模型和神經網絡模型等多種模型來研究財務危機預警，但受制于多元判別模型和邏輯回歸模型需要眾多假設條件，神經網絡模型建模復雜、其運作原理無法明確等問題，這些模型的適用性受到極大限制，鑒于此，本文選擇無假設要求且原理簡單的因子分析模型對財務危機預警進行研究。

二、文獻回顧

20世紀30年代，國外已開始對財務危機預警進行研究，取得了一定的成果并廣泛應用于實際。而國內學者對財務危機預警模型的研究起步較晚，始于20世紀80年代末。總體來說，國內外財務危機預警模型的研究進展可概括為：從單變量分析模型到多變量分析模型，從統計分析方法到基于人工智能的機器學習分析方法。

Beaver（1966）首建了單變量財務危機預警模型，使用30個財務比率進行了對比研究，結果表明，資產負債率、資產收益率和現金流量/負債總額這3個財務比率預測財務危機是有效的，其中現金流量/總負債這一財務比率預測財務失敗效果最好。Altman（1968）首用多變量分析進行了財務危機預警研究，并提出了判斷企業破產的臨界值，這種方法用多個財務指標加權匯總后產生的總判斷分值（稱為Z值）來預測財務危機。周首華等（1996）對Altman的Z分數模型進行了改善，將現金流量指標加入預警機制中從而建立了F分數模型。吳世農和盧賢義分別采用判別分析和logistic回歸方法建立和估計了預警模型，并比較了各種方法的預測效果。隨著數據挖掘技術的日漸成熟，開始有學者使用神經網絡研究財務危機預警，Odom和 Sharda（1990）將人工神經網絡模型應用在破產預測模式中，用人工神經網絡預測財務危機的新方法，他們選用Altman選取的5個財務比率，設置5個隱藏節點，建立了神經網絡預警模型，發現使用神經網絡的方法對公司財務危機的預測率高于基于統計的方法。我國學者楊淑娥、黃禮等通過改變隱含層個數等方式對模型的可靠性進行了驗證。

三、樣本與指標的選取

（一）樣本確定及分組

國內學術界和實務界對財務危機的界定各不相同，概括起來主要分為兩種：其一，認為企業破產是最嚴重的財務危機；其二，鑒于我國資本市場的特殊性，國內大多數學者將是否被“ST”作為判斷企業發生財務危機與否的標準。考慮可行性，本文也以是否被ST作為判斷企業財務危機的標準，選取了2011—2012年間被ST的A股上市公司作為發生財務危機的公司樣本，同時按配對樣本屬于同類行業且總資產規模相差在10%以內的原則，對每一家ST公司進行配對選擇非ST公司，共選定50家ST公司和與之配對的50家非ST公司作為研究樣本。其中，50家ST公司中，20家在2011年被宣布為ST公司，30家在2012年被宣布為ST公司。研究時，筆者把50家被ST的公司隨機分成兩組，一組為建模樣本組，一組為檢驗樣本組。剩下的50家非ST公司根據與其配對的ST公司的分組情況，相應分配到檢驗數據組和建模數據組中。這樣，100家企業中就有50家（25家ST公司和25家非ST公司）公司用來建模，50家（25家ST公司和25家非ST公司）用來檢驗模型預測的準確性。

（二）預警指標體系的確定

在總結了前人研究及企業經營特征的基礎上，本文選取了23個指標，分別囊括了企業償債能力、營運能力、盈利能力、成長能力、現金流量狀況和表外其他信息6個方面。這些變量的類別如表1所示。

表1 財務危機預警指標體系表

（三）財務危機預警指標的篩選

為建立一個有效的財務預警模型，所選指標必須能夠有效地判別財務危機企業和財務正常企業。因此，在構建模型之前，需要對所選指標進行顯著性檢驗以剔除ST公司和非ST公司之間顯著差別不高的指標。

顯著性檢驗即事先對總體的參數或總體分布形式做出預先假設，然后利用樣本信息判斷該假設是否合理，即判斷總體的真實情況與原假設是否有顯著性差異。當樣本總體符合正態分布時，一般會使用參數檢驗的方法；當樣本總體不符合正態分布時，一般采用非參數的檢驗方法。在本文中，由于總體分布未知，故首先要對樣本數據進行正態性檢驗。

1.樣本數據的正態性檢驗——單樣本K-S檢驗。通過SPSS 19.0對前面所選取的23個財務比率指標進行顯著性水平為5%的K-S檢驗，結果如表2所示（其中T-1、T-2和T-3分別代表被宣布特別處理前1年、前2年和前3年）。

在顯著性水平為0.05的水平下，當漸進顯著性P值＞0.05時，該指標符合正態分布。從表2中可以得出：T-1年只有 X6、X7、X9、X11、X15、X17、X21符合 正態分 布；T-2 年只 有X6、X7、X9、X13符合正態分布；T-3 年只有 X6符合正態分布。整體上看，三年內只有X6都符合正態分布，故指標變量整體來說并不符合正態分布。

2.樣本數據的顯著性檢驗——初次篩選。對樣本數據進行顯著性檢驗時，T檢驗和U檢驗均可用。實用時，只要檢驗樣本含量較大（n＞30）或檢驗樣本含量較小（n〈30）但總體標準差σ已知時，即可應用u檢驗；當檢驗樣本含量較小（n〈30），總體標準差σ未知時可應用T檢驗，但要求樣本數據呈正態分布。由于所選取的指標變量在總體上不符合正態分布，且樣本數較大，所以本文采用U檢驗來檢驗指標變量的顯著性。

表2 K-S檢驗結果

表3 指標變量的U檢驗結果

利用收集的兩組共100家上市公司的數據資料，使用SPSS 19.0統計分析軟件中的兩個獨立樣本顯著性檢驗，對被宣布特別處理前1年、2年、3年的數據進行U檢驗，結果如上頁表3所示。

據表3可得T-1年至T-3年指標變量顯著性檢驗的結果：應收賬款周轉率（X4）、存貨周轉率（X5）、總資產周轉率 （X6）、銷售毛利率（X11）、Z 指標（X22）和審計意見類型（X23）這6個財務指標在0.05水平上沒有通過顯著性檢驗，說明該6個指標無法有效區分企業是財務失敗還是財務正常，故剔除這6個指標。

3.因子分析——再次篩選。考慮中國證監會界定上市公司財務狀況異常的標準一般是“連續兩年虧損”，所以本文利用建模組公司T-2的數據，共50個樣本，結合前文中通過顯著性檢驗篩選出的17個指標進行因子分析，利用因子分析對這17個指標再次精簡，去除重復信息。

（1）KMO檢驗。通常在因子分析之前，需要對原有變量之間是否存在相關關系進行研究。本文采用KMO和巴特利特檢驗對變量進行相關性檢驗。表4的檢驗結果顯示KMO值為0.667大于0.6，表明可做因子分析；又因Bartlett球狀檢驗的相伴概率為0.000，遠小于顯著性水平0.05，因此可以認為原始變量之間存在相關性，適合做因子分析。

（2）因子分析。統計方法中，可據因子載荷矩陣得出所選公因子的個數。為確定選取的公因子個數，需要計算各因子的特征值和累計貢獻率。本文選取公因子時要求因子的特征值大于1。表5顯示，選取5個公因子時，每個公因子的特征值都大于1，且累計貢獻率達到76.74%，即這5個主成分因子包含了原來76.74%的信息量，變量信息丟失較少，因子分析的結果較為理想。為便于對這5個因子進行解釋，本文使用了正交旋轉法中最大方差法進行轉換得到因子載荷矩陣表6。表6顯示：因子Z1中，財務比率X10、X12的因子載荷量都大于90%，而這2個財務比率是反映企業盈利能力的指標，故將Z1命名為盈利能力因子；因子Z2中，財務比率X14、X18的因子載荷量遠大于其他財務比率的因子載荷量，而X14、X18是反映企業成長能力的指標，故將Z2命名為成長能力因子；因子Z3中，財務比率X2、X3的因子載荷量都大于90%，遠大于其他財務比率的因子載荷量，而X2、X3是反映企業償債能力的指標，故將Z3命名為償債能力因子；在因子Z4中，財務比率X19、X21的因子載荷量遠大于其他財務比率的因子載荷量，而X19、X21分別反映企業現金流量的指標，故將Z4命名為現金能力因子；在因子Z5中，財務比率X7、X17的因子載荷量大于其他財務比率的因子載荷量，而X7、X17分別反映企業盈利和成長能力的指標，故將Z5命名為綜合能力因子。

表4 KMO和Bartlett的檢驗

表5 解釋的總方差

根據表6旋轉平方和載入方差值和表7各公因子得分系數，確定財務危機預警函數為：

四、財務危機預測值的確定及預警模型的檢驗

（一）財務危機預測值的確定

將建模組共50個樣本的數據帶入公式一中，得到各企業綜合財務風險預測值F，根據F值的高低排列企業，結果見表 8。

表6 旋轉后的因子載荷矩陣

表7 成分得分系數矩陣

根據表8中各預測值F和確保最小錯誤率的原則，選定ST企業和非ST的最佳分割點，本文中稱該分割點為風險臨界值PS。通過分析可看出，這個分割點在-0.08和0.02之間時，誤判率最小，故本文選擇這兩個數值的平均數作為風險臨界值，即PS為-0.03。

據前文，距被宣布特別處理前兩年財務預警的因子分析模型為：

F=（0.20302Z1+0.17393Z2+0.15622Z3+0.13054Z4+0.10364Z5）/0.76736

若 F≥PS，則2年后該企業為非 ST企業；若 F〈PS，則 2年后該企業為ST企業。

表8 建模數據的綜合得分排序

（二）預警模型的檢驗

為檢驗PS臨界值-0.03在預測財務危機方面的準確性，本文把距被宣布特別處理前兩年（即T-2年）的檢驗組樣本數據（共50個樣本）帶入因子分析模型，即公式一中，得到檢驗組樣本各公司F值，根據F值的高低排列企業，結果見表9。

根據建模樣本組確定的風險臨界值PS=-0.03，被宣布特別處理前兩年的檢測組公司樣本數據F值計算結果表明：50家企業里有45家預測正確，預測錯誤的為華電能源、蓮花味精、金健米業、*ST新農、*ST南紡這五家，預測正確率達90%。因此，公司被宣布特別處理前兩年，該財務風險預警模型具有較好的預測能力。

表9 檢驗數據的綜合得分排序

五、結論

本文選取2011—2012年間A股上市公司中被ST的50家公司和與其配對的50家非ST的公司作為研究樣本，以被ST前三年的數據作為樣本數據，使用U檢驗嚴格篩選出17個財務指標作為指標變量，對上市公司前兩年的數據運用因子分析對指標體系進行再次篩選，構建了財務危機預警模型。研究結果顯示：公司被宣布特別處理前兩年預測的正確率高達90%，達到了較好的預測效果。