航空公司財務危機預警模型研究*

中國民航大學經濟與管理學院 李春玲 劉 梁

一、引言

在經濟全球化背景下，隨著社會主義市場經濟體制改革的不斷深入，市場競爭日趨激烈，企業經營面臨的不確定因素逐漸增加，經營風險和財務風險也隨之增加。隨著航權的不斷開放，我國航空公司在國際航線上遇到巨大挑戰，運營能力和服務質量較之國際大型航空承運人均存在較大差距，難以開展有效競爭。航空公司的財務風險主要源于經營不善以及戰略失誤導致的資金周轉困難，當這種困難惡化到一定程度時就會使企業出現無法償還到期債務，被宣告破產的風險，即通常所說的財務失敗。2009年以前，我國各大航空公司均出現不同程度的虧損，尤其是2008年，四大上市航空公司（分別是國航、東航、南航、海航）的財務報表更是全面飄紅，其中東航竟然出現資不抵債現象。只是在最近幾年由于航空公司積極進行戰略調整，尋求加入海外航空聯盟，以及進行并購重組等大規模的資本運作，才使情況有一定好轉。為實現健康有序的發展，與國外航空公司開展積極有效的競爭，并不斷拓展航線等市場資源，我國航空公司必須不斷進行管理創新。而進行管理創新的當務之急就是有效地規避、防范與控制風險。作為風險管理的手段之一，預警管理的重要性日益凸顯。在我國，財務危機預警研究尚處于起步階段，在航空業沒有得到普遍應用。因此，建立航空公司的財務危機預警模型，對于指導管理者、投資者、債權人、金融機構等進行及時正確的決策具有重要意義。

二、文獻回顧

在對于財務危機預警體系的研究上，國外學者的研究成果較為豐富。在靜態研究方面，Fitzapatrick（1932）最早進行了單變量破產預測研究。Beaver（1966）最早用統計方法研究公司財務失敗問題。美國學者Altman（1968）選取5個代表公司財務健康狀況的指標，建立多元線性函數模型（Z分數模型）對企業財務狀況進行研究，并最終確定了代表企業破產可能性的Z值區間。20世紀70年代后，Ohlson（1980）、Zmijewski（1984）等的Logit模型和Probit模型也是對財務預警研究的多變量模型。在動態財務預警研究方面，Salchenberger（1992）運用人工神經網絡模型（ANN）對金融業的財務失敗進行分析，該研究顯示出了較以往的線性分析模型更理想的結果。國內學者對財務預警的研究以靜態財務預警研究為主，動態研究較少。陳靜（1999）采用傳統的單變量研究法，得出對企業財務危機狀況預測能力較強的四個財務比率指標，分別是資產負債率、流動比率、總資產收益率和凈資產收益率。吳世農、盧賢義（2001）分別使用多元線性回歸模型、Fisher線性判定分析和多元邏輯（Logit）模型建立財務預警模型，研究表明，多元邏輯模型的誤判率最低。楊保安等（2001）運用人工神經網絡模型對銀行業進行財務預警分析，最后得到了與實際基本一致的結果。筆者對航空公司的財務危機預警模型進行研究，選取與企業財務狀況相關的五個方面指標，基于Logistic回歸分析建立航空公司風險管理的財務預警模型，并運用該模型對航空公司財務危機進行實證檢驗。

三、研究設計

（一）樣本選取與數據來源 本文以我國四大上市航空公司2004-2012年報數據為樣本，由于上市時間不同，國航選取2006-2012年的數據，其他航空公司選取2004-2012年的數據，最終樣本量是34。將各公司2004、2005與2006年度作為檢驗樣本組，其余年份作為建立Logistic回歸模型的樣本組。所選數據來自各公司官方網站和wind資訊數據庫。

（二）財務危機界定 國內外學者對財務危機有不同的界定方法。國外學者通常將破產上市公司作為研究對象，而國內由于上市公司破產前必定經過退市處理，破產上市公司事實上并不存在，所以大多數國內學者將ST公司作為財務預警研究對象。然而，國內上市航空公司數量少，上市時間晚，并且2012年度上市航空公司中沒有ST公司，因此本文采取刑有洪（2011）的方法，將經濟增加值（EVA）的符號作為判定航空公司是否為財務危機企業的標準。EVA是企業獲得的收益扣除為獲得此項收益而投入的資本成本，是業績計量的常用指標。EVA反映了企業為股東創造財富的大小，EVA為正值表示為股東創造了財富；反之，則表示減損了股東財富。從股東的角度看，EVA為負值意味著企業價值的減損，表明出現了財務危機。根據國資委最新修訂的《中央企業負責人經營業績考核暫行辦法》的規定，經濟增加值的計算公式為：經濟增加值=稅后凈營業利潤-調整后資本×平均資本成本率。其中，稅后凈營業利潤=凈利潤+（利息支出+研究開發費用調整項）×（1-25%），調整后資本=平均所有者權益+平均負債合計-平均無息流動負債-平均在建工程，無息流動負債是指企業財務報表中“應付票據”、“應付賬款”等項目。對于非工業企業，平均資本成本率在資產負債率小于80%時，取5.5%，大于80%時，取6%。

（三）財務預警指標體系構建 為了全面反映企業的財務狀況、經營成果和現金流量，需要建立財務預警綜合指標體系。指標的選取既要全面考慮財務風險的各種影響因素，又要兼顧成本效益原則，避免過于復雜而失去可操作性。本文建立如下財務預警指標體系，具體包括：（1）償債能力指標。償債能力與企業的財務狀況直接相關，反映企業在一定期間清償到期債務的能力。償債能力的惡化通常會伴隨著上市公司經營績效的下降，籌資能力的降低和被特別處理等情形。償債能力指標包括流動比率、速動比率、資產負債率和利息保障倍數。（2）營運能力指標。此類指標是資產利用程度的體現，與財務狀況密切相關。營運能力指標包括存貨周轉率、流動資產周轉率和總資產周轉率。（3）盈利能力指標。盈利能力是上市公司獲利能力和營業績效的體現。此類指標越大，企業在對外融資方面越具有優勢；指標越小，對外融資就會遇到困難，同時伴隨著股價下降和股東財富的減損。盈利能力指標包括總資產報酬率、成本費用利潤率和每股收益。（4）發展能力指標。發展能力是指公司通過經營活動不斷發展壯大的能力，反映了公司的成長潛力。發展能力指標包括營業收入增長率、凈利潤增長率和總資產增長率。（5）現金流量指標。按傳統的權責發生制原則計算的財務比率難以全面真實地反映公司的財務狀況和經營成果，現金流量指標能夠起到很好的補充作用。此外，現金流量狀況的惡化，意味著企業償債能力的下降，通常能夠提供企業陷入財務危機的預兆。現金流量指標包括現金流量比率、銷售現金比率和每股營業現金流量。（6）其他指標，包括企業規模。所有指標及計算方法見表1。

四、實證結果分析

（一）因子分析 本文選取了17個指標，各指標間可能存在較強的相關關系，包含重復信息。為了精簡模型，需要利用主成分分析法對變量進行篩選。首先對樣本數據進行KMO檢驗和Bartlett球度檢驗，以判斷樣本數據是否適合做主成分分析。本文利用SPSS20.0統計軟件對數據進行檢驗，得到如表2所示的輸出結果。KMO統計量的結果為0.528，大于0.5，樣本數據通過了KMO檢驗。Bartlett球度檢驗統計量為707.836，對應的概率顯著小于0.05，因此，樣本數據適合做主成分分析。

表1 財務預警指標

表2 KMO和Bartlett檢驗

對于選定的17個變量，利用樣本數據進行主成分分析，提取因子，結果如表3所示。有5個滿足特征值大于1的主成分，5個主成分分別解釋了所有變量方差的27.481%，25.821%，13.780%，10.514%和9.135%。這5個主成分因子包含了86.732%的信息量，綜合了原始指標的大部分信息，因此，能夠較好地解釋樣本。

表3 因子貢獻率

為了解釋提取的5個主成分，需要得到17個原始變量對5個公共因子的因子載荷。本文使用最大方差法進行正交旋轉，得到因子載荷矩陣，結果如表4所示。

從因子載荷矩陣中可以看出：（1）主成分1的支配變量為總資產報酬率、每股收益和成本費用利潤率。此類指標反映企業盈利能力，因此主成分1可以解釋為盈利主成分，代表指標為總資產報酬率。從我國上市航空公司整體來看，財務危機公司（EVA<0的公司）總資產報酬率較低，盈利能力較弱。（2）主成分2的支配變量為流動比率和速動比率。該指標反映企業償債能力，因此主成分2可以解釋為償債主成分，代表指標為速動比率。財務危機公司總體上速動比率較低，短期償債能力較弱。（3）主成分3的支配變量為營業收入增長率和總資產增長率。該指標反映企業成長能力，因此主成分3可以解釋為成長主成分，代表指標為營業收入增長率。出現財務危機的航空公司總體上營業收入增長率較低，成長速度不及非財務危機公司。（4）主成分4的支配變量為現金流量比率和銷售現金比率。主成分4可以概括為現金流量主成分，代表指標為現金流量比率。總體上來看，出現財務危機的航空公司的現金流量比率較低，現金充裕度較差。（5）主成分5的支配變量為存貨周轉率。該指標反映企業資產管理能力，因此主成分5可以概括為營運主成分，代表指標為存貨周轉率。出現財務危機的公司總體上存貨周轉率較低，與非困境公司相比運用資產創造收入的能力較弱。

表4 旋轉因子載荷矩陣

（二）判別模型構建 首先建立基于Logistic回歸分析的財務危機預警模型，再檢驗模型的準確性。運用上文選定的財務指標——總資產報酬率、速動比率、營業收入增長率、現金流量比率、存貨周轉率，作為模型的自變量，取財務危機公司（EVA<0）為1，非財務危機公司為0，作為因變量Y，樣本公司的EVA與因變量Y取值見表5。

利用SPSS20.0統計分析軟件，通過二元邏輯回歸分析建立回歸模型,回歸結果見表6。

a.在步驟1中輸入的變量：總資產報酬率、速動比率、營業收入增長率、現金流量比率、存貨周轉率。

根據表6建立Logistic回歸模型一：In（p/1-p）=2.816-50.081 X1+6.978X2-0.136X3-9.937X4-0.015X5

表5 樣本公司EVA與Y值 單位：千元

表6 Logistic回歸分析結果

模型以0.5作為判別臨界點，p值大于0.5的企業為財務危機企業，p值越大，該企業在未來出現財務危機的可能性越大；p值小于0.5的企業為非財務危機企業，p值越小，該企業在未來的財務狀況越好。P值等于0.5的企業財務狀況不明，謹慎起見，通常判別為財務危機企業。

（三）模型檢驗 錯判矩陣是判斷Logistic回歸模型優劣的一種方法，它通過矩陣的形式反映預測值與觀測值及二者的符合程度。上文建立的Logistic回歸模型的錯判矩陣如表7所示，表中顯示回歸模型的總體正確率為83.3%，其中對非財務危機組的預測準確率為85.7%，對財務危機組的預測準確率為80.0%。

表7 錯判矩陣

利用上文建立的模型，預測各航空公司2004、2005、2006年是否陷入財務危機，并對預測結果進行檢驗。根據表8的數據，模型對各航空公司2004-2006年度的檢測準確率為70.0%，預測結果比較理想。

以上是對我國四家上市航空公司進行分析得出的結果。從預測效果來看，模型較為準確地反映了我國上市航空公司的財務狀況，可以為航空公司、行業監管部門、投資者以及債權人提供參考，便于其及時發現出現財務危機的企業，并采取相應措施。

五、結論

本文在回顧國內外學者對財務危機預警的研究成果的基礎上，選取樣本和研究變量，建立基于Logistic回歸分析的財務預警模型，并對模型預測效果進行了檢驗，發現模型預測準確率較高。根據上文的研究結果，可以得到如下結論：第一，盡可能全面選取指標，才能全面反映企業的財務狀況，在此基礎上所建立模型的預測效果更好。企業財務狀況的影響因素很多，受樣本數量的限制，無法將所有指標納入財務預警模型。此外，人為選取指標不免帶有片面性，可能遺漏某些對企業財務狀況有重大影響的指標。主成分分析可以在保留大部分原始信息的同時簡化分析，因此，本文將主成分分析與二元邏輯回歸結合，通過主成分分析對建立的財務預警指標體系進行降維，并以主成分作為樣本數據，建立Logistic回歸模型，其結果的準確性和實用性得到改善。第二，越接近企業發生財務危機的年度，模型預測準確率越高。對樣本檢測結果的分析可知，預測錯誤主要發生在2004和2005年度（檢測前兩年），而2008年四大航空公司均陷入財務危機，2006年的預測結果均正確，說明距離企業發生財務危機年度越近，某些指標越接近預警臨界值，模型預測準確率越高。第三，我國上市航空公司的財務數據是有效的，基于這些財務數據建立的預警模型能夠反映企業的財務狀況，起到較好的預測效果。

此外，由于本文樣本規模較小且未將非財務因素納入財務預警指標體系，在一定程度上影響了模型的預測精度，后續研究可通過引用航空公司的中期報告數據以及采用專家評分法量化非財務指標的途徑加以完善，在擴大樣本量的同時提高預測準確性，更好的達到建立模型的目的。

表8 預測結果

［1］陳靜：《上市公司財務惡化預測的實證分析》，《會計研究》1999年第4期。

［2］吳世農、盧賢義：《我國上市公司財務困境的預測模型研究》，《經濟研究》2001年第6期。

［3］邢有洪、張靜：《航空公司財務預警實證研究》，《財會通訊》（綜合·下）2011年第12期。

［4］Altman.Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy．Journal of Finance，1968.