金融科技上市公司財務風險預警實證研究

荊雅格

摘要：本文運用logistic回歸模型和主成份分析法對16家上市金融科技企業進行財務預警實證分析，建立屬于金融科技企業的財務預警模型并對模型的預測準確度進行檢驗。檢驗顯示構建的模型對于企業經營危機的預判準確率為可達80%，因此具財務預警相對準確且有效，可在企業財務危機的萌芽狀態預先發出危機警報，為投資者、管理者提供一定的決策意見。

關鍵詞：財務預警;logistic回歸;主成份分析;金融科技

中圖分類號：F275 文獻識別碼：A 文章編號：2096-3157（2020）11-0050-02

一、引言和文獻綜述

近5年來國內金融科技行業發展迅速，數據顯示2018年中國金融科技領域總投資額約473.61億美元，位列全球第一。與快速發展的行業現狀相比，國內學術界對于金融科技行業的相關研究相對薄弱，與財務預警模型結合更是缺乏。財務預警模型發展時間較長，自產生至今已經歷了多種模型的演變。有許多中外學者從多年來致力于其實證研究，為財務預警模型的更新換代做出了巨大的貢獻。

就財務預警模型在國外的發展而言，Fitzpatrick（1932）首次提出有關公司財務預警的模型—單變量破產預測模型，打開了財務預警分析的大門。Edward Altman（1968）建立了著名的五變量Z-score模型用來測試財務風險。Altman等（1977）構建了更加適應環境的ZETA信用風險模型，新模型可應用領域更寬，對企業可能將要面臨的危機的預測精度更是大幅提高。Aziz、Emanuel和Lawson（1988）研究發現破產公司在面臨財務困境的前五年內現金流量數據大多表現出明顯差異和異常，構建了現金流量預測模型。Martin（1977）首次將Logistic模型引入財務預警分析的研究，還將Logistic回歸模型與Z模型進行了對比，發現前者的預測精準度遠高于后者。Collies和Green（1982）認為線性回歸模型的假設前提不滿足實際中企業的破產情境，建立財務預警模型只能使用Logistic回歸模型。再將視角轉回國內。以Z-score模型為基礎，周守華（1996）等建立了F分數模式。張愛民（2001）等建立了主成分模型。陳靜（1999）使用多元判定模型確定了由資產負債率、流動比率、凈資產收益率、總資產周轉率、營運資本配置比率6個指標構造的多元模型預測精準度率高達92.6%。李曉寧（2011）結合主成分分析法和Logistic回歸模型進行了財務預警實證分析。

不難發現，財務預警模型的發展隨著社會經濟的發展不斷更新，而金融科技領域正是近年來國內勢頭強勁的行業之一，有著極強的未來發展優勢，構建有關金融科技企業的財務預警模型，減少企業陷入經營困境的可能性對這個新興行業的健康穩定發展有著很強的現實意義。同時將金融科技領域的研究與財務預警模型結合起來，既彌補了金融科技領域此方面研究的空白，又拓寬了財務預警模型在新經濟背景、新行業下的適用性，對于這兩個領域的學術理論研究也有著很強的作用與啟發。

二、金融科技上市公司財務風險預警實證研究

1.數據來源與變量選取

（1）數據來源。

本文的實證分析采用我國16家上市金融科技企業2010年～2018年的數據。數據來自萬德數據庫（Wind）以及各公司各年公開披露的年報，且均為原始數據。

（2）變量選取。

就自變量而言，本文初步選取能夠反映償債、盈利、營運、成長、現金流量狀況、企業創值和股權結構7個方面能力共21個指標用于建立金融科技企業的財務風險預警指標體系。具體指標為：流動比率、速動比率、資產負債率、已獲利息倍數、總資產凈利率、凈資產收益率、銷售毛利率、銷售凈利率、總資產周轉率、應收賬款周轉率、流動資產周轉率、總資產同比增長率、凈資產同比增長率、營業收入同比增長率、凈利潤同比增長率、現金流量比率、銷售凈現率、投入資本回報率、股權資本創值率、Z指數、第一大股東持股比例。

就因變量而言，相關研究人員在進行財務預警實證研究時，一般以破產或ST作為區分失敗企業和正常企業的標準。但本文采用經濟增加值（EVA）是否大于0作為判斷企業是否陷入財務困境的依據。EVA是企業調整后的稅后凈營業利潤扣除當前投入的總資本成本后的剩余價值，其衡量的是企業經濟價值的創造能力。EVA從股東的角度評價企業的業績，避免了傳統績效評價指標的不足，使其評價更加客觀合理。劉芍佳和從樹海（2002）發現，隨著資本規模的持續擴大，企業的EVA相較于會計利潤能較早的發現企業經營狀況的下降，對于企業財務困境的預測更具有前瞻性。

2.主成份分析

（1）數據標準化與指標篩選。

為了減小由于各指標的性質不同帶來的偶然性，首先使用SPSS數據分析軟件對數據進行標準化。為了防止財務指標之間共線性影響到模型檢驗的結果，首先剔除與其他指標存在高度共線性的指標，保留相關系數較小的13個指標，分別為：流動比率、資產負債率、已獲利息倍數、銷售凈利率、應收賬款周轉率、流動資產周轉率、凈資產同比增長率、營業收入同比增長率、凈利潤同比增長率、現金流量比率、銷售凈現率、股權資本創值率、第一大股東持股比例。

（2）KMO和Bartlett檢驗。

進行主成份分析前，首先要進行KMO和Bartlett檢驗以確定數據是否滿足因子分析條件。將標準化數據進行檢驗后得到KMO值為0.573，Bartlett球性檢驗在1%水平上顯著拒絕原假設，故可以進行因子分析。

（3）主成份提取。

通過主成份分析我們最終提取出六個主成分，這六個主成份已經解釋原始變量的70.256%，即已經包含絕大部分原始變量的差異。各自的表達式分別為：

F1=-0.098X1+0.098X2+0.023X3-0.328X4+0.393X5+0.008X6-0.009X7+0.085X8-0.042X9+0.094X10-0.094X11+0.448X12+0.132X13

F2=0.007X1+0.483X2+0.055X3-0.241X4-0.002X5+0.475X6-0.035X7+0.120X8-0.244X9+0.201X10+0.132X11+0.170X12+0.016X13

F3=0.533X1+0.096X2-0.046X3-0.002X4-0.059X5+0.053X6+0.269X7-0.105X8-0.241X9+0.503X10+0.142X11+0.003X12-0.097X13

F4=-0.065X1-0.104X2+0.016X3-0.134X4-0.018X5+0.080X6-0.146X7+0.100X8+0.457X9+0.198X10+0.623X11-0.083X12+0.088X13

F5=-0.027X1-0.124X2+0.742X3+0.085X4-0.015X5+0.225X6+0.474X7-0.052X8+0.091X9-0.031X10-0.091X11+0.000X12+0.083X13

F6=0.024X1+0.210X2-0.168X3+0.131X4-0.020X5-0.063X6+0.306X7+0.648X8+0.229X9-0.141X10-0.152X11-0.080X12-0.425X13

這六個主成分可依次定義為盈利、運營與創值綜合因子、資本結構與運營綜合因子、償債與現金流綜合因子、成長與現金流綜合因子、利息因子和主營能力因子。

3.Logistic回歸模型的建立

（1）參數設置與模型設計。

本文將EVA<0公司樣本和EVA>0公司樣本分別記為0和1，將其設為模型的因變量，以上文主成份分析得到的六個主成分為自變量，構建 Logistic回歸模型，函數表達式為：

（2）模型建立。

使用SPSS數據分析軟件進行Logistic回歸，本文選擇的回歸方法是Forward： LR法（基于最大似然估計的向前逐步回歸法）。最終得到財務預警模型：

該模型的系數綜合檢驗P值為0.000，證明即模型總體有意義。該模型的擬合優度檢驗P值為0.063，不能拒絕根據模型得出來的預測值與實際觀測數據之間無差異這一原假設，證明當前數據中的信息已經被充分提取，模型擬合優度較高。模型保留的這四個主成份都在5%的水平上顯著。因此我們可認為模型構建成功。

4.預警模型檢驗

為驗證上述構建的財務預警模型的預測準確率，我們對模型進行檢測。將F1、F4、F5、F6帶入上述函數，計算出各企業各年發生財務危機的概率P。根據Logistic模型計算得到的概率P與真實情況，我們可繪制財務預警模型的ROC曲線如圖所示。

如圖我們可以看出構建的財務預警模型的ROC曲線向左上方突起，曲線下面積為0.854，相對較大，證明該項檢驗的診斷效能優秀。同時P值為0，說明財務預警模型對企業是否陷入財務危機的判斷有意義。尤登指數的最大值代表著ROC曲線最靠近左上角的點，即敏感度和誤報率組合的相對最優值，我們使用它預測閾值。經過計算本模型的預測閥值為0.406，根據閾值將概率P進行分類，結果顯示正常經營樣本94家，Logistic回歸模型正確判正78家，特異度為 83%;財務困境樣本46家，Logistic 回歸模型正確判正34家，敏感度為74%。模型準確率為80%，精確率為68%。由此可見，構建的財務預警模型漏判率、誤判率都相對較低，模型構建成功。

三、結語

本文運用Logistic回歸和因子分析法對我國金融科技企業進行財務預警實證分析，建立了屬于金融科技企業的財務預警模型并對模型的預測能力進行檢驗。檢驗顯示，構建的模型對于金融科技企業是否陷入財務困境的預測準確率可達80%，誤判率與漏判率在25%左右，模型具有較強的財務預警能力。但事實上，企業財務數據的惡化、財務指標的異常只是企業陷入財務困境的直觀表現與最終結果。盡管采取用以財務指標為衡量標準的財務預警是合理且有效的，但我們必須承認引發企業經營危機的原因是復雜且多元的，除了財務因素之外，非財務因素如企業股東結構、治理層結構、企業經營理念、內部控制是否健全及有效等均是誘發企業財務危機的重要因素。因此為了減少企業陷入經營困境的可能性、做到防范危險于未然，公司必須不斷健全和優化治理結構，在經營過程中不斷發現并糾正產生的問題，對財務因素和非財務因素持有同等的警惕程度，通過長時間的摸索，逐漸找到適合本企業健康發展的獨特道路。

參考文獻：

[1]陳靜.上市公司財務惡化預警的實證分析[J].會計研究，1999，（4）.

[2]劉芍佳，從樹海.創值論及其對企業績效的評估[J].經濟研究，2002，（7）.

[3]張愛民，祝春山，許丹健.上市公司財務失敗的主成分預測模型及其實證研究[J].金融研究，2001，（3）.

[4]周守華，楊濟華，王平.論財務危機的預警分析：F分數模式[J].會計研究，1996，（8）.

[5]ALTMAN E I，HALDEMAN R.Zeta analysis：a new model to identify bankruptcy risk of corporations[J].Journal of Banking and Finance，1977.

[6]ALTMAN E I.Financial ratios，discriminate analysis of risk and the prediction of corporate bankruptcy[J].Journal of Finance，1968.

[7]AZIZ D C.Emanuel，LAWSON G H.Bankruptcy prediction -An investigation of cash flow based model s[J].Journal of Management Studies，1988.

[8]FITZPATRICK P J.，A comparison of ratios of successful industrial enterprises with those of failed firms[J].Certified Public Accountant，1932.

[注]北京語言大學研究生創新基金（中央高?；究蒲袠I務費專項資金）項目成果19YCX106

作者簡介：

荊雅格，北京語言大學商學院碩士研究生;研究方向：金融統計與數據分析。