我國農業上市公司財務風險預警研究

□張良勇，秦曉丹，胡珊珊

（河北經貿大學數學與統計學學院，河北 石家莊 050061）

農業不僅是我國國民經濟的重要基礎，也是人們衣食住行的源泉和生存的基礎。隨著社會進步和經濟快速發展，農業上市公司越來越多，財務造假案例也頻頻發生。例如，最早的藍田股份造假污點及獐子島事件等。財務造假不僅損害公司利益，更會危害國家利益。

根據調查顯示，截至2020 年11 月26 日，僅滬深股票市場的上市公司已有4 594 家，農業上市公司占97 家，是滬深上市公司總體的2.11%。作為我國經濟發展的重要行業之一，客觀科學評價農業上市公司的財務狀況，預測企業財務危機，便于迎接挑戰。

1 文獻綜述

國內外學者對財務風險預警的課題一直非常關注，相比國外，國內的研究起步較晚，主要研究方面如下。財務風險模型的構建方法，劉斌和黃浩（2007）從非金融類公司抽取30 家上市公司利用判別分析和聚類分析的方法構建財務預警模型，得出我國上市公司的財務數據能夠預測未來發生財務危機的概率。因子分析方法構建財務預警模型，朱清香等（2012）對河北制造業上市公司進行實證分析，得出分析結果與公司實際情況相吻合；陳欣欣和郭洪濤（2021）用因子分析和Logit 回歸構建的財務預警模型具有較高的擬合精度和判別能力；石志康和蔡靜俏（2021）將因子分析與Fisher 判別法相結合，所構建的模型具有較高的判別能力。

從指標選取方面入手進行研究，影響企業發生財務危機的重要因素除了財務指標，非財務指標也發揮著重要作用。劉義龍等（2015）將非財務指標和財務信息相結合建立財務預警體系，研究發現兩者合并可以更好地警示上市公司的財務問題。蔣春燕（2021）使用MVR-PCA 和Logistic 回歸對中小企業財務預警模型進行構建并分析，得出模型具有高準確性和穩健性，同時也得出公司的盈利能力和現金流量能力對企業的財務風險具有顯著影響。

公司是否會發生財務危機最重要的因素是其財務狀況，同時農業上市公司的財務狀況與經濟發展有著密切的聯系。文章將通過對目標公司財務數據進行處理和分析，在盈利、償債、營運成長能力和現金流量等方面篩選出對農業上市公司財務風險具有顯著影響的指標，并在因子分析和聚類分析的基礎上，對上市公司進行有效的預警分類。

2 數據來源與指標選取

2.1 數據來源

抽取2020 年47 家滬深A 股農業上市公司并借鑒已有的研究成果，凈資產收益率是衡量股東資金使用有效性的重要財務指標，所以將凈資產收益率高于20%的公司作為沒有發生財務危機的公司，凈資產收益率低于20%的公司被視為處于財務危機中。樣本數據來源于同花順網站、東方財富網以及樣本農業上市公司2020 年財務報表。

2.2 財務指標選取

根據我國農業上市公司的實際情況以及新的政策準則規定，從盈利能力、償債能力、營運成長能力、現金流量等方面設置了25 個指標作為財務預警指標體系。以樣本的正態性為切入點篩選出顯著性指標，利用SPSS 軟件，對樣本進行KS 檢驗，判斷是否服從正態分布。使用T 檢驗判斷服從正態分布的指標是否存在顯著性差異；對于非正態分布的樣本，使用MW-U 檢驗、W-W-W 檢驗和K-S 檢驗相結合的方式，如果有1/2 以上非參數檢驗通過，則可說明所檢驗的指標有顯著差異。通過檢驗的指標如表1 所示。

表1 通過檢驗的指標

3 因子分析

3.1 因子分析的適用性檢驗

在進行因子分析時，需要對數據進行適用性檢驗即KMO 和Bartlett 球形度檢驗。經檢驗，KMO 統計量為0.625，Bartlett 球形度檢驗的值接近于0。在顯著性水平0.05 下，說明所篩選的指標之間顯著相關。因此，可以用因子分析對樣本公司的財務風險狀況進行評價。

3.2 公因子提取

利用SPSS 軟件構建相關矩陣，采用主成分法抽取公因子。前6 個因子的特征值均大于1，并且累計方差貢獻率達到了85.524%，如表2。說明原始數據信息能被前6 個公因子充分解釋，因此，選擇前6 個公因子反映樣本公司的財務風險狀況。

表2 解釋的總方差

在因子載荷矩陣的基礎上，采用了正交旋轉（最大方差法）進行轉換，得到旋轉后的載荷矩陣，如表3所示。

表3 旋轉后的因子載荷矩陣

從因子旋轉成分矩陣中可知，因子1 中每股留存收益、營業總收入、總資產和流動資產周轉率的解釋力度最大，除了流動資產周轉率處于0.9 以下（0.706）外，其余3 個變量的解釋程度均在0.9 以上；因子2 中每股收益、每股未分配利潤、凈資產收益率、現金比率和每股經營現金凈流量的解釋程度均在0.6 以上；因子3 中流動比率和主營業務現金比率的解釋力度較大；因子4 中資產負債率的解釋力度最大，達到0.859；因子5 中經營活動現金凈流量增長率和全部資產現金回收率兩個指標的解釋力度均較大；因子6中主營業務現金比率達到0.961，解釋力度最大。

3.3 綜合得分

基于因子分析，可以將原來的15 個財務指標更替為所提取的6 個公因子。然而各個農業上市公司的財務狀況的評價不能單由某個因子決定，所以把所提取公因子的方差貢獻率作為權數，分別乘以各個公因子，得出綜合得分的計算公式，具體見公式（1）。

式（1）即為建立的47 家樣本公司的財務風險預警模型，由此可以計算出47 家農業上市公司的綜合得分，并將其經過排序后，如表4 所示。

表4 財務狀況綜合得分

從綜合得分和排名可以看出，排名前10 的公司有獐子島、ST 云投、新農開發、神農集團、牧原股份、ST 景谷、ST 香梨、曉鳴股份、圣農發展和東瑞股份。根據綜合得分，以0 為邊界點判斷公司是否會發生財務危機。當＞0 時，判定為不會發生財務危機；當≤0 時，判定為會發生財務危機?？傮w而言，樣本判別準確率為80.21%，總體誤判率為19.79%。預測結果如表5 所示。

表5 預測結果

4 聚類分析

基于因子分析，使用系統聚類中的平方歐式距離和Ward 法進行聚類分析判斷樣本公司的財務風險預警程度，將變量設為財務預警6 個公因子得分。經計算，樣本可分為兩大類，分別定義為A 類和B 類，其中A 類（預警）包含35 個公司，B 類（無警）包含12 個公司。每一類中農業上市公司得分均相近，所以使用因子分析方法來構建上市公司財務狀況綜合模型具有科學性和有效性。最終得到47 家農業上市公司的財務預警結果，占樣本總數的74.47%，具體分類結果如表6 所示。

5 研究結論

根據我國農業上市公司的實際情況，從4 個方面篩選出15 個財務指標，建立了比較完善的財務預警指標體系。之后運用因子分析的方法建立了財務風險預警模型，并對我國滬深A 股47 家農業上市公司進行了實證分析。先對樣本進行正態性檢驗，再對正態樣本的指標進行T 檢驗和非正態樣本的指標進行非參數檢驗，最終得出非財務危機公司和財務危機公司有顯著性差異的指標。

基于因子分析法，得到的財務風險預警模型的判別準確率達到80.21%，誤判率為19.79%，說明構建的模型判別效果較好；經過聚類分析，將樣本農業上

市公司進行分類，得到34 家公司達到預警級別，是研究樣本的74.47%。表明我國1/2 以上的農業上市公司處于預警狀態，財務狀況今不如昔，需要引起相關重視。