基于判別分析的上市公司財務預警研究

李孟閱

本文以上市企業作為研究對象，選取了企業財務狀況相關的12個指標，通過主成分分析提取反映企業規模、企業盈利能力、償債能力、資金運轉能力的4個主成分，并在此基礎上進行判別分析。通過對ST企業和非ST企業分組的判別，對上市公司財務危機狀況。

一、研究背景

隨著經濟發展進入新階段，上市企業的經營面臨著越來越多的不確定性風險，而上市公司財務預警是防控企業經營風險的重要手段。改革開放以來我國學者對財務危機預警做了大量的研究。吳世農、黃世忠（1986）在文章中構建了關于企業破產的分析指標。周首華等（1996）通過對Z分數模型、F分數模型進行修正，提出了一個可以進行財務狀況預警的模型。吳世農、盧賢義（2001）利用了單變量的判定模型、邏輯回歸模型等嘗試建立了預警模型。楊淑娥、王樂平（2007）對上市公司的面板數據進行了神經網絡分析，在此基礎上構建了預警模型。

根據以往學者對于財務預警問題的研究，本文從多個企業財務指標出發，基于主成分分析及判別分析方法，對企業財務狀況進行危機預警。

二、數據來源及指標選取

本文數據來源于東方財富網上市企業財務數據報表。選取了18個企業2019年全年的財務數據，這些企業涉及金融、房地產、貿易、科技、農業多個領域。

變量指標的選取會在很大的程度上影響企業財務綜合評價的效果，進而影響財務預警模型的準確度。本文指標的選取基于單個指標具有特殊性，指標體系具有全面性的原則，選取了凈利潤率、凈利潤、資產總額、資產負債率、流動資產、存貨、固定資產、利潤總額、經營現金流、凈資產、權益比、營業利潤率等12個財務相關指標構建上市企業財務狀況的評測體系。

三、實證分析

（一）主成分分析

1.適應性檢驗

適應性檢驗通過判斷原始變量之間是否具有重疊的數據信息，來判斷數據是否適合主成分分析。在開始檢驗之前，先對數據進行標準化處理以消除量綱對于分析的影響。處理完數據以后，開始對數據做適應性檢驗。

表1數據顯示：KMO檢驗值為0.766，說明在不同的上市企業中的各項財務數據指標之間具有較高的信息重疊程度。此外，Bartlett球形度檢驗結果的顯著性值為0.000，說明12個變量指標之間存在相關性，因此數據可以進行主成分分析。

2.主成分方差貢獻率

本文選取的12個財務指標，通過正交變換產生了新的變量。這些新變量可以解釋的原始指標變量的總方差占比不一樣，但是全部變量解釋的比例和為100%。

表2數據顯示：在提取條件為特征值大于1時提取了4個主成分，這4個主成分變量對于總方差的解釋率達到88.79%，可以反映最開始的12個變量在不同企業中所反映的大部分信息。

3.主成分相關系數及函數表達

表2數據顯示：主成分1在資產總額、流動資產、存貨、固定資產、凈資產指標上載荷值較高，因此可以看做企業規模;主成分2在凈利潤率、營業利潤率、凈利潤、利潤總額指標上載荷值較高，因此可以看做企業盈利能力;主成分3在經營現金流指標上具有較高載荷值，因此可以看做是資金運轉能力;主成分4在資產負債率、權益比上系數載荷值較高，因此可看做企業償還債務的能力。

將標準化后的上市企業財務狀況的指標分別表示為x1、x2、x3…x12;通過主成分分析提取的指標記為F1、F2、F3、F4。由成分得分矩陣表可以得到4個主成分的函數形式：

F1=-0.026x1-0.014x2-0.042x3-0.026x4-0.147x5+0.164x6+0.165x7+0.161x8+0.137x9-0.136x10-0.039x11+0.160x12

F2=-0.375x1-0.013x2+0.057x3+0.377x4+0.154x5+0.085x6+0.063x7+0.039x8+0.151x9+0.190x10-0.077x11+0.097x12

F3=-0.202x1+0.002x2+0.085x3+0.200x4-0.179x5-0.009x6+0.089x7+0.174x8-0.263x9-0.184x10+0.743x11-0.083x12

F4=-0.012x1-0.768x2+0.599x3+0.017x4+0.088x5+0.032x6+0.035x7+0.004x8+0.064x9+0.089x10+0.117x11-0.029x12

（二）判別分析

1.確定判別分析數據

以主成分分析中提取的四個主成分企業規模、企業盈利能力、資金運轉能力、債務償還能力作為判別分析的預測變量;以上市企業股票是否ST股票為標準進行分組，其中ST企業為1組，非ST企業為2組。

A股當中的ST股表示“特殊處理”的股票，這種股票一般在財務狀況上存在異常，或在經營過程中存在違規行為。被ST處理的企業在經營水平、財務狀況上都存在一定的問題，這給我們在企業財務危機預警上提供了一個參考。

2. 判別分析結果解讀

用SPSS對數據進行判別分析，系數選擇費式線性判別函數系數，結果輸出如下：

表5數據顯示：在的顯著性水平之下，判別函數是可以通過顯著性檢驗的。

表6 費式線性判別函數系數表

由費式線性判別函數系數表可以得出2個判別函數：

ST企業的判別函數：

Y1=-0.616F1-0.027F2-0.280F3-0.920F4+0.015

非ST企業的判別函數：

Y1=-0.34F1-0.67F2-0.52F3-0.48F4+0.32

將樣本數據標準化處理后帶入上述2個判別函數，并對兩個函數值的大小進行比較。若ST企業判別函數值大，則判斷樣本為ST企業;若非ST企業判別函數值大，則判斷樣本為非ST企業。當企業被歸為“ST企業”時，我們認為該企業在財務狀況上存在較大的問題，企業的管理者應該引起重視。

3.判別有效性檢驗

把2019年的樣本數據帶入評價模型，并對分類結果進行回判檢驗。結果顯示：誤判數為3個，正確率達到83.3%，模型的預測精確較高，誤判率較低，是可以作為企業財務預警模型的。

四、結語

本文利用了多元統計分析方法中的主成分分析和判別分析這兩種分析方法，對收集到的18家上市公司最新（2019年）的財務數據進行了財務危機預警建模。我們以所有企業樣本是否被“特殊處理”為標準對數據進行分組，首先通過主成分分析對若干財務指標變量進行主成分的提取，避免了變量間的信息重疊，之后通過判別分析，分析企業是否會落入ST組，來判斷該企業的財務危機狀況。為企業經營者提供了一種預警公司財務問題的模型，不僅可以幫助企業更早的發現自身問題，提前部署解決，以謀求更健康穩健的發展，同時也為投資者提供了一個考察企業的方式，將對企業財務狀況的預判作為自己投資考量的因素之一。

（作者單位：河北地質大學）