資源型上市公司財務預警實證分析

，（教授）

現有財務危機預警相關研究大多基于某一行業開展，或將行業標準作為控制變量來研究。在研究變量的選擇上，以財務指標為主，非財務指標也只是選擇公司治理、股權結構等不能具體反映行業特征的因素。本文以資源型上市公司為研究對象，探究資源型企業的行業特征因素是否對于預測資源型上市公司的財務狀況有良好效果。

一、相關概念界定

1.財務危機的概念界定。企業財務危機的表象是支付壓力與支付能力不匹配，實質是資金配置失效。當企業的財務狀況處于危機階段時，通常具有下列特征：企業無力償還到期債務或無力支付到期費用；企業被人民法院依法宣布破產，進入清算階段；資不抵債；企業持續虧損，凈利潤為負值，明顯缺乏償債能力等。

本文將受到特別處理（ST）或其他特別處理（?ST）的上市公司界定為財務狀況處于財務危機階段的上市公司，即該類上市公司在其股票簡稱前被冠以ST或?ST。

2.資源型企業的概念界定。敖宏等（2009）將資源型企業界定為集合各種生產要素，主要以開發礦產資源為主，為社會提供礦產品以及初級產品的經濟實體。李存芳等（2012）提出可耗竭資源型企業主要包括以煤炭開采業、黑色金屬礦采選業等產業為主的采選業企業。吳勛等（2015）認為資源型企業包括采掘業下屬的有色金屬、石油和天然氣開采、煤炭開采、黑色金屬礦開采業、采掘服務業類行業和制造業下屬的有色金屬、金屬、非金屬業。

本文在已有研究的基礎之上，結合前期對于資源型企業的分析研究，將資源型企業界定為通過占有不可再生自然資源，以不可再生資源開發為主或以其為主要投入，輔以后續初級加工，盡可能利用區域內存在的自然條件，依靠資源的消耗實現成長，最終以盈利為目的，具有法人資格，實行自主經營、獨立核算的營利性經濟實體。

根據國民經濟行業分類，從20個行業門類中篩選出符合資源型企業定義的行業企業，將資源型上市公司界定為采礦業下屬的煤炭開采和洗選業、石油和天然氣開采業、黑色金屬礦采選業、有色金屬礦采選業、非金屬礦采選業、開采輔助活動、其他采礦業內企業；制造業下屬的石油加工、煉焦和核燃料加工業，非金屬礦物制品業，黑色金屬冶煉和壓延加工業，有色金屬冶煉和壓延加工業及金屬制品業共計12個行業內的上市公司。

二、資源型上市公司財務預警框架構建

本文嘗試性地將財務預警變量予以擴充，在財務預警研究中，依照一定的理論原則，在借助企業財務報告、社會責任報告以及其他與企業財務危機有直接和明確對應關系的信息的基礎上，結合研究對象特性，嵌入非財務信息，構建較為完善的財務與非財務預警指標變量框架體系。

梳理已有研究可知，反映企業盈利能力的凈資產收益率、營業利潤率、總資產利潤率，反映企業資產管理能力的總資產周轉率，反映企業償債能力的資產負債率，反映企業發展能力的凈利潤增長率，反映企業現金流量能力的凈利潤營運指數等指標能較好地預測企業的財務狀況。本文在財務指標變量的選取上，結合上述指標，進行補充完善，從盈利能力、資產管理能力、償債能力、發展能力、現金流量能力5個維度構建了18個財務指標，具體指標及其意義如表1所示。

對于非財務指標的選取，本文在借鑒曹德芳等（2005）、曾繁榮等（2014）研究結果的基礎上，結合資源型企業國有控股占優勢地位的行業特征，嘗試性地引入了第一大股東持股比和股權制衡Z指數指標；結合資源型企業勞動消耗大的行業特征，引入了高管素質和員工素質指標；結合資源型企業技術投入不足，物質資料消耗占比高的行業特征，引入生產人員占比和技術人員占比指標；結合資源型企業負外部性較大的行業特征，引入社會責任指標。綜上，本文從公司治理結構、智慧資本、人力資本結構及社會責任4個維度構建了13個非財務指標（見表2）。

三、資源型上市公司財務預警模型的實證檢驗

1.樣本數據庫構建。以滬深兩市首次因財務狀況異常而被特別處理的A股上市公司為篩選條件，選取2013～2016年首次因財務異常被證監會實施ST的25家A股資源型上市公司作為研究樣本，并按照1∶1的比例選取同年度、同行業且與被特殊處理公司前一年年末總資產規模相等或者相近（10%以內浮動）的25家非ST公司作為配對樣本，共獲得50家樣本公司數據。從中選取28家公司（包括14家ST和14家非ST公司）的數據作為訓練集樣本，選取22家公司（包括11家ST和11家非ST公司）的數據作為預測集樣本。

表1 資源型上市公司財務預警指標體系——財務指標

對初始樣本進行篩選，排除有以下情況之一的ST公司：①非資源型企業；②純B股的公司；③非因財務狀況異常而被ST的公司；④上市兩年就被ST的公司（上市兩年內被“特別處理”的公司可能存在“包裝”上市的嫌疑，故排除這類公司對研究結論的干擾）；⑤數據不完整的公司；⑥非首次被ST的公司。

2.指標處理。

（1）樣本數據正態性檢驗。采用Kolmogorov-Smirnov（K-S）檢驗法對樣本數據進行正態性檢驗。將28個訓練樣本的31個變量數據代入SPSS 20.0做K-S正態分布檢驗，結果顯示，在0.1的顯著性水平上，共計11個變量服從正態分布，變量X1、X3、X4、不服從正態分布。

（2）指標顯著性檢驗。指標的顯著性檢驗是要判別哪些指標在識別財務危機企業與非財務危機企業時具有顯著性差異，然后剔除不具有顯著性差異的指標，以提高模型的預測準確率。對于服從正態分布的指標，適合采用獨立兩樣本T檢驗；不服從正態分布的指標則適合采用非參數檢驗法之Mann-Whitney U檢驗。

表2 資源型上市公司財務預警指標體系——非財務指標

經過對初選財務指標的顯著性檢驗和正態性檢驗，最終篩選出具有顯著性差異的指標共18個（見表3），用于區別企業的財務狀況。

3.因子分析。

（1）變量相關性檢驗。利用具有顯著性差異的變量作因子分析，對變量的相關性進行檢驗，得到的結果如表4所示。

由表4可知，KMO統計量值為0.601，大于0.5，變量之間偏相關性較強；Bartlett球形檢驗統計量值對應的相伴概率值Sig.小于給定的顯著性水平a=0.1，說明各變量間具有相關性，適合進行因子分析。

（2）因子提取。利用主成分分析法提取因子，得到七個主成分，如表5所示。

表3 具有顯著性差異的指標匯總

表4 KMO和Bartlett球形檢驗

根據表5可知，前七大主成分的特征根都大于設定的公因子提取標準（特征根＞1），分別為4.543、2.725、2.035、1.598、1.298、1.165和 1.016，對應的方差貢獻率分別為25.240%、15.139%、11.308%、8.879%、7.210%、6.470%和5.642%。前七大主成分的累計貢獻率達到79.887%，表示七個主成分包含了變量79.887%的信息。旋轉后前七大主成分的方差累計貢獻率同樣為79.887%。因此，可以提取前七大主成分作為公因子。

（3）因子命名及解釋。經過提取的七個公因子綜合反映多個變量的信息，對于分析得到的初始因子模型，可做因子旋轉，旋轉后能對公因子給出合理的解釋。本文采用最大方差法正交旋轉得出的旋轉成分矩陣如表6所示。

根據表6可知，第一公因子在X2（總資產利潤率）、X3（營業利潤率）、X17（資產現金回收率）有較大的載荷，主要解釋現金流量能力；第二公因子在X8（流動比率）、X9（速動比率）、X16（債務保障率）有較大的載荷，主要解釋企業償債能力；第三公因子在X25（高管年薪水平）、X30（CSR報告評級）、X31（所得稅占利潤總額比）有較大的載荷，主要解釋企業社會責任表現；第四公因子在X19（第一大股東持股比）、X20（前十大股東持股比率之和）、X28（員工中生產人員占比）有較大的載荷，主要解釋企業公司治理結構和人力資本結構；第五公因子在X4（每股收益）、X13（凈利潤增長率）有較大的載荷，主要解釋企業發展能力；第六公因子在X5（存貨周轉率）、X7（總資產周轉率）有較大的載荷，主要解釋企業資產管理能力；第七公因子在X1（凈資產收益率）、X14（凈資產增長率）有較大的載荷，主要解釋企業盈利能力。

表5 解釋的總方差

表6 旋轉成分矩陣

（4）因子線性表達。因子得分的數學模型為：

將F1（現金流量能力因子）、F2（償債能力因子）、F3（社會責任表現因子）、F4（公司治理結構和人力資本結構因子）、F5（發展能力因子）、F6（資產管理能力因子）和F7（盈利能力因子）表示為變量的線性表達式：

4.邏輯回歸分析。

（1）回歸模型構建。通過對財務指標的處理及因子分析，我們得到七個公因子：F1～F7。七個公因子之間不存在多重共線性，符合Logistic回歸分析法的適用條件。上述七個公因子可以作為財務預測模型的強影響點，用于構建模型。

現將28個訓練樣本的公因子F1～F7數據代入SPSS 20.0作Logistic回歸分析，結果如表7所示：

表7 Logistic回歸模型統計量系數

將表7所示回歸系數代入Logistic回歸模型：

得出財務危機預測模型：

（2）臨界閾值確定。研究Logistic回歸模型對資源型上市公司財務狀況的預測效度的前提是明確量化劃分財務危機和財務良好的公司的臨界閾值。從統計學的角度講，對于任何分割點的選取，Logistic模型都會犯兩類錯誤，即Ⅰ類錯誤（誤拒錯誤，將財務危機公司誤判為非財務危機公司）和Ⅱ類錯誤（誤受錯誤，將非財務危機公司誤判為財務危機公司）。在財務危機預警的相關研究文獻中，研究者通常將臨界閾值設定為0.5。本文在0～1之間以0.05為間距設定不同分割點，計算得出0.05～0.95不同臨界閾值下，隨著分割點的變化，Logistic回代檢驗兩類錯誤率及總錯誤率的變化情況（見表8）。

表8 回代檢驗兩類錯誤率分析

由表8可以看出，臨界值為0.35和0.4時，總預測錯誤率達到最低，為8%，且在該種情況下Ⅰ類錯誤率為4%，小于Ⅱ類錯誤率12%，即將非財務危機公司判為財務危機公司的概率大于將危機公司判為非危機公司的概率，起到了財務預警的作用。為降低Ⅰ類錯誤發生的可能性，取0.35作為財務危機預測的臨界閾值，該點即為以資源型上市公司為樣本構建的財務危機預警模型的最優分割點。

5.財務危機預警模型檢驗。按訓練集樣本選取標準，選取22家公司（包括11家ST和11家非ST公司）數據作為預測集樣本。

將預測集樣本數據代入預測模型中進行模型效果檢驗，得到的檢驗結果如表9、表10所示。判定結果顯示，11家非ST公司有1家錯判，準確率為90.91%，11家ST公司有2家錯判，準確率為81.82%，總體判定準確率達到86.36%。

綜合上述分析，得到如下研究結論：第一，兩類錯誤的成本存在很大差異，Logistic財務預警模型臨界閾值的選擇應該考慮模型的兩類錯誤率和錯誤成本，選取使模型總錯誤率最低且Ⅰ類錯誤率低于Ⅱ類錯誤率的概率值作為Logistic模型的分割點。第二，指標篩選結果表明，危機發生前2年，財務危機公司和非財務危機公司在現金流量能力（F1）、償債能力（F2）、社會責任表現（F3）、公司治理結構和人力資本結構（F4）、發展能力（F5）、資產管理能力（F6）和盈利能力（F7）七個因子上表現出顯著差異。第三，模型預測結果表明，基于因子分析及Logistic回歸構建的財務預警模型具有很強的預測能力。

表9 預測集樣本檢驗結果

表10 預測概率結果統計

四、小結

1.研究結論。已有的財務診斷相關研究中，主要從企業的盈利能力、償債能力、營運能力和發展能力四個維度構建指標體系。本文在此基礎上，引入現金流量指標，并且從上市公司治理結構、智慧資本、人力資本結構、社會責任等維度引入非財務指標，更加全面地反映企業的財務狀況，構建較為科學完善的財務診斷模型指標體系。

實證研究表明：非財務危機公司與財務危機公司在指標數據X1（凈資產收益率）、X2（總資產利潤率）、X3（營業利潤率）、X4（每股收益）、X5（存貨周轉率）、X7（總資產周轉率）、X8（流動比率）、X9（速動比率）、X13（凈利潤增長率）、X14（凈資產增長率）、X16（債務保障率）、X17（資產現金回收率）、X19（第一大股東持股比）、X20（前十大股東持股比率之和）、X25（高管年薪水平）、X28（員工中生產人員占比）、X30（CSR報告評級）、X31（所得稅占利潤總額比）上具有顯著差異，且企業盈利能力在區別財務危機和非財務危機企業上最顯著。因此，本文構建的資源型上市公司財務危機預警指標體系具有可預測性。

2.展望。本文研究命題是財務危機預警相關研究的擴展和延伸，實現了通過量化的指標預測上市公司未來2年的財務狀況，對規范上市公司財務治理等具有現實意義。在今后的研究中，可以提高指標體系構建的科學性，研究樣本的范圍可擴展至多層次資本市場體系，不局限于單一層次?？梢赃M一步將本文研究結果應用到企業的實踐當中，對資源型上市公司的財務狀況做出準確預測，以規范財務治理，優化企業投融資結構、經營策略及人才培養方案等，形成企業健康發展的長效機制。

敖宏，鄧超．論循環經濟模式下我國資源型企業的發展策略［J］．管理世界，2009（4）．

李存芳，周德群，楊保華．中國可耗竭資源型企業轉移行為的特征和趨勢［J］．管理評論，2012（3）．

曾繁榮，劉小淇．引入非財務變量的上市公司財務困境預警［J］．財會月刊，2014（8）．

曹德芳，夏好琴．基于股權結構的財務危機預警模型構建［J］．南開管理評論，2005（6）．

楊軼，張友棠．企業財務預警國內外研究述評［J］．財會月刊，2008（20）．

鄭玉華，崔曉東．公司財務預警Logit模型指標選擇與實證分析［J］．財會月刊，2013（24）．

梁美健，閆蔚．企業財務預警的國內外研究綜述［J］．財會月刊，2014（12）．