制造業上市公司財務危機預警模型構建

廣州康大職業技術學院 張戰勝

一、引言

當前，財務危機預測的研究主要集中在普適性的財務危機預警指標體系及模型的構建方面，針對于某個行業的研究卻很少。我國經濟社會的發展促使行業分工更加細化，行業間的差異性越來越顯著，普適性的指標體系和模型已經很難滿足經濟發展的需求。因此，構建分行業的財務危機預警指標和模型，更有利于提高模型的實用性。在當前情況下，中國制造業行業發展迅猛，其在國民經濟中的基礎性、先導性及聯動性，已經使其已經成為國家的支柱產業。隨著我國資本市場的快速發展，制造業上市公司的質量日益受到重視。但是制造業在快速發展的同時卻承受著巨大的財務風險，加之國家的宏觀調控的影響，風險與日俱增。因此，建立制造業上市公司財務預警系統，利用可以獲取的財務數據及時進行財務預警將可以很大程度的避免風險的擴散與財務狀況的惡化。

二、制造業上市公司財務預警模型指標

（一）樣本選取 上市公司財會年報的信息披露一般在次年的4月30日為截止日，因此，公司披露的上一年度的財務報表幾乎可以同時包括公司是否出現“財務狀況異常”而被特別處理的信息。結合Ohlson（1980）的研究經驗，采用公司前兩年的財務報表信息來預測本年度是否會因財務狀況異常而被特別處理。本文的樣本來源于萬得數據庫收錄的我國滬、深證券交易所的制造業上市公司，根據我國信息披露制度的要求選取一組估計樣本和一組檢驗樣本，前者由22家2003—2013年首次被ST公司和22家同行業的非ST公司組成，用來構建財務危機預警模型。后者隨機另外挑選了10家ST公司和10家非ST公司，用來檢驗模型的預測能力。

（二）指標選取 財務危機的主要表現是不能償還到期債務，尤其是制造業行業資產負債率偏高，因此優先選擇償債能力指標，當然，財務危機的形成從其它角度看也有可能是盈利能力差、營運能力差的結果，因此選取指標的范圍包括了營運、成長、盈利、償債、現金流量等方面指標。資本市場融資能力也是反映上市公司財務健康狀況的重要內容，本文從兩個方面來予以衡量：市凈率和市盈率，這兩個指標是衡量股票投資價值的一種動態指標，容易理解且數據容易取得，是很具有參考價值的股市指標。在高效的市場中，價格對信息的反應是瞬間的、迅速的，所以僅憑股價就可以準確判斷出上市公司發生財務危機的可能性。但是在低效的證券市場上，股票價格只能部分反映公司的財務狀況。目前我國股票市場基本達到弱式有效，市場效率不高，因此，以財務報表為基礎，綜合動態股市信息的模型具有更好的預測效果。

根據以上分析本文共選取表1所示的34個指標來構建財務危機預警模型。

表1 制造業上市公司財務危機預警的財務指標體系

（三）指標優化 對34個解釋變量進行了相關性檢驗，發現指標之間存在著顯著的相關性，多重共線性的存在會影響本文采用回歸分析構建預警模型的效果，因此，采用主成分分析法提取主成分來降低模型的變量并解決變量多重共線性的問題。

（1）確定因子是否適合做因子分析。運用KMO檢驗模型與巴特利特球度檢驗（Bartlett’s）檢驗數據是否適合采用因子分析法。檢驗結果如表2所示。

表2 KMO偏相關檢驗和巴特利球形檢驗

KMO統計量用于探查變量間的偏相關性，其取值范圍在0-1之間。KMO越接近1，越適合做因子分析，0.9最佳，0.7尚可。KMO值大于0.7，表明適合采用因子分析法，同時，相伴概率為0.000，也支持采用因子分析法。

（2）提取主成分。如表3所示：

表3 主成分分析結果

表3列示了各主成分的特征值和方差，按照特征根大于1，累計方差貢獻率大于85%的原則提取前9個變量，累計方差貢獻率為88.26%，符合主成分分析的要求，進一步計算主成分因子載荷矩陣，見表4。

表4 主成分因子得分系數矩陣

（3）主成分的表達式。

根據主成分分值的計算公式：

計算主成分的表達方程：

其中，ZXi為各個解釋變量的標準差，計算公式為：

通過以上步驟計算出44家樣本公司的主成分分值。

三、制造業上市公司財務危機預警模型構建

（一）預警臨界點劃分 在企業經營管理活動過程中，財務風險是普遍存在的，因此根據模型計算出來的數值在不高于某一臨界值時，企業發生財務危機的可能性很小，當超過某一臨界值時，企業發生財務危機的可能性則有可能會顯著增大，因此需要尋找一個合理的臨界值。構建多元線性回歸模型需要不斷的進行改造和發展，不斷增加新變量或者減少不必要的變量，通過某些財務指標來判斷企業的財務特征以及發生財務危機的概率。一般以0.5作為是否發生財務危機的分割點，如果模型得出的事件發生概率大于0.5，則判定這一事件發生。財務危機預測模型無法避免的兩個錯誤是：Ⅰ類錯誤（誤拒錯誤）和Ⅱ類錯誤（誤受錯誤），前者指把財務危機公司誤判為非財務危機公司，后者則恰恰相反。在理論上并不存在普遍適用的“分割點”，分割點的確定依賴于模型使用者的目標，同時還受到行業特征、企業特征的影響，因此，本文采用普遍使用的0.5作為最優分割點。

（二）財務危機預警模型構建 在對模型進行回歸統計過程中應考慮歸結果的合理性，例如企業凈資產收益率的提升應當減少財務危機發生的可能性，因此模型中的回歸系數應為負，如果出現正數的值，則應考慮將其剔除。

根據樣本公司t-2年的數據值計算各主成分得分并進行回歸統計，因變量Y表示制造業上市公司是否陷入財務危機，取0和1兩個值，0表示財務正常的制造業公司，1表示財務危機的制造業公司。運用SPSS軟件分析獲得模型的相關參數如表5所示。

表5 回歸方程中的變量系數及主要參數

回歸結果表明，9個主成分中，F1、F3、F7、F8進入了模型且通過了顯著性檢驗。其中F1在模型中的系數為-0.219，且在0.5%的顯著性水平下通過了檢驗，這說明企業的盈利能力越強，企業陷入財務困境的可能性越小；F3在模型中的系數為-1.167，且在0.5%的顯著性水平下通過了檢驗，這說明企業的營運能力越強，企業陷入財務困境的可能性越小；F8在模型中的系數為0.082，且在0.5%的顯著性水平下通過了檢驗，與前面幾個主成分不同，其系數為正，這說明企業的資產負債率越高，企業成為危機公司的可能性就越大；F8在模型中的系數為0.271，且在0.5%的顯著性水平下通過了檢驗，這說明市凈率越低，股票越具有投資價值，市場表現越好，顯然陷入危機的可能性就越小。

從上表5可以得到公司在t-2年的財務危機預警模型：

即：

本文樣本中財務危機公司與正常公司的比例為1：1，企業是否發生財務危機按照P值來判定，當P﹤0.5時，為財務正常公司；反之為財務危機公司。將樣本中的解釋變量帶入到模型中，計算得出了44個樣本企業的P值，制造業上市公司是否發生財務困境的預測準確率見表6。

表6 估計樣本的預測準確率

模型的第一類錯誤預測誤判率為8.12%，第二類錯誤的誤判率為12.6%，總體誤判率為10.89%，表明模型的預測準確性極較高。第一類誤判是將非財務危機的公司誤判為財務危機公司，會導致公司采取更謹慎的財務政策，影響企業的正常投資。第二類錯誤是將財務危機公司誤判為非財務危機公司，會導致公司財務風險的提升，具有更大的危害性。因此，應重點關注第二類誤判。

采集了20家制造業上市公司最后進入預警模型的財務變量的原始數據，采用新的樣本數據對財務危機預警模型的預測能力進行檢驗，按照上述步驟計算檢驗樣本與建模樣本的準確率對比情況，結果如表所示。

表7 估計樣本與檢驗樣本對比結果

從表7可以看出，用測試樣本數據對模型進行檢驗時，發現將測試樣本數據帶入到模型中，預測模型的準確率達到90%，比建模樣本的預測精度還要高，這表明本模型不僅對歷史數據具有較好的擬合度，對未來狀況的預測也是比較理想的。

四、結論

本文選取了34個財務指標建立的財務危機預警模型，分別獲得了估計樣本88.9%的預測準確率和測試樣本90%的預測準確率。說明所選取的財務指標對制造業企業陷入財務危機有一定的判別作用。由于我國證券市場歷史較短，制造業上市公司本來就不多，本研究涉及的樣本數據有限，可能造成數據質量不高，同時，由于中小企業的財務資料沒有對外公開，數據極難獲得，而現實中該類制造業企業出現財務危機的可能性遠大于上市的制造業企業。在后續的研究中，應嘗試以中小制造業企業為研究對象建立預警模型，進一步驗證該模型的實用性。

［1］陳曉、陳治鴻：《中國上市公司的財務困境預測》，《中國會計與財務研究》2000年第3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。