中國(guó)港航企業(yè)的財(cái)務(wù)預(yù)警模型——基于Ｌｏｇｉｓｔｉｃ回歸分析

摘 要：隨著國(guó)際金融危機(jī)快速蔓延，國(guó)際、國(guó)內(nèi)航運(yùn)市場(chǎng)需求急劇下滑，港航企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)因子進(jìn)一步加大，企業(yè)承受著更大的財(cái)務(wù)風(fēng)險(xiǎn)。本文提出了建立以我國(guó)港航行業(yè)所特有的港航企業(yè)財(cái)務(wù)預(yù)警體系。選取13家上市港航企業(yè)財(cái)務(wù)數(shù)據(jù)作為建模樣本，利用spss分析軟件，完成正態(tài)性檢驗(yàn)、顯著性檢驗(yàn)、相關(guān)性檢驗(yàn)后，采用因子分析法，借助Logistic回歸分析模型，建立了財(cái)務(wù)預(yù)警模型。該模型通過(guò)企業(yè)的基本財(cái)務(wù)數(shù)據(jù)就能直接依據(jù)模型結(jié)論進(jìn)行判定，對(duì)降低港航企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)有著積極意義。

關(guān)鍵詞：財(cái)務(wù)預(yù)警；因子分析；邏輯回歸；預(yù)警模型

中圖分類號(hào)：F552 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1671-7953(2009)02-0026-03

1 研究背景

在當(dāng)前形勢(shì)下，全球性金融危機(jī)正呈愈演愈烈之勢(shì)，企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的存在時(shí)刻威脅著企業(yè)的生存和發(fā)展，處于動(dòng)蕩經(jīng)濟(jì)環(huán)境中的企業(yè)更加需要準(zhǔn)確掌握財(cái)務(wù)狀況，以及時(shí)有效地對(duì)變化的環(huán)境因素作出反映，才能在金融危機(jī)的浪潮中處于不敗之地。企業(yè)財(cái)務(wù)預(yù)警模型能夠提升企業(yè)的反應(yīng)能力，加強(qiáng)對(duì)企業(yè)財(cái)務(wù)危機(jī)的預(yù)防和控制［1］。

在實(shí)際工作中，由于每個(gè)行業(yè)的狀況不同，影響財(cái)務(wù)危機(jī)的因素也有著差別，因此，分行業(yè)對(duì)企業(yè)財(cái)務(wù)預(yù)警狀況的研究更有價(jià)值。要根據(jù)企業(yè)所在行業(yè)的實(shí)際情況，建立符合企業(yè)特點(diǎn)和行業(yè)特點(diǎn)的財(cái)務(wù)預(yù)警模型［2］，所以，除了要研究普遍適應(yīng)的模型外，還要研究適合行業(yè)及企業(yè)的模型。國(guó)外在分行業(yè)研究中發(fā)現(xiàn)，由于行業(yè)的不同，同一預(yù)警變量包含信息量有所不同，其預(yù)測(cè)效果大有差別。因此，基于我國(guó)港航行業(yè)背景，建立針對(duì)港航企業(yè)的財(cái)務(wù)預(yù)警系統(tǒng)，非常具有現(xiàn)實(shí)意義。

2 研究目的

本文模型簡(jiǎn)單易懂，科學(xué)性強(qiáng)，操作簡(jiǎn)便，基于我國(guó)港航行業(yè)背景，只需要利用可收集的上市港航企業(yè)資料，通過(guò)本文建立的適合單個(gè)港航企業(yè)的財(cái)務(wù)預(yù)警系統(tǒng)，通過(guò)輸入基本財(cái)務(wù)數(shù)據(jù)或財(cái)務(wù)指標(biāo)，就可以作出是否有危機(jī)的判斷。從而為港航企業(yè)決策制定者節(jié)省大量閱讀財(cái)務(wù)報(bào)表，分析財(cái)務(wù)數(shù)據(jù)的時(shí)間和精力。

3 研究設(shè)計(jì)

3.1 數(shù)據(jù)來(lái)源及處理方法

本文選取了滬深兩市A股市場(chǎng)上2006年被特別處理的2家ST(*ST)港航企業(yè)作為財(cái)務(wù)困境企業(yè)的研究樣本，分別為ST長(zhǎng)運(yùn)（600386）和ST天海（600751），在數(shù)據(jù)處理上鑒于PT與ST的區(qū)別，暫不考慮PT南洋（000556），此外，鑒于*ST天海B（900938）屬于B股市場(chǎng)，也不將其納入本文樣本范圍。其此，對(duì)每一家ST(*ST)港航企業(yè)按其行業(yè)板塊和資產(chǎn)規(guī)模配對(duì)選取了五家非ST(*ST)港航企業(yè)。數(shù)據(jù)來(lái)源于國(guó)泰安數(shù)據(jù)庫(kù)，證券之星www．stockstar．com的“個(gè)股資料”，大智慧炒股軟件提供的行業(yè)分類，采用spss13等軟件進(jìn)行數(shù)據(jù)處理。

3.2 基礎(chǔ)指標(biāo)的確定

本研究采用了我國(guó)交通部發(fā)布的交通企業(yè)通用型財(cái)務(wù)指標(biāo)評(píng)價(jià)體系［3］，其中包括了11個(gè)預(yù)測(cè)指標(biāo)，參考了在實(shí)證研究中目前廣泛采用的財(cái)務(wù)指標(biāo)，并結(jié)合我國(guó)港航企業(yè)的實(shí)際情況。這11個(gè)備選財(cái)務(wù)預(yù)測(cè)指標(biāo)主要反映了企業(yè)財(cái)務(wù)狀況的四個(gè)方面，即償債能力狀況、財(cái)務(wù)效益狀況、資產(chǎn)運(yùn)營(yíng)狀況、發(fā)展能力狀況。

償債能力狀況細(xì)分為X₁流動(dòng)比率、X₄資產(chǎn)負(fù)債率；財(cái)務(wù)效益狀況細(xì)分為X₅營(yíng)業(yè)收入凈利潤(rùn)率、X₆資產(chǎn)報(bào)酬率、X₇凈資產(chǎn)收益率、X₉資本保值增值率；資產(chǎn)運(yùn)營(yíng)狀況細(xì)分為X₂流動(dòng)資產(chǎn)周轉(zhuǎn)率、X₃總資產(chǎn)周轉(zhuǎn)率；發(fā)展能力狀況細(xì)分為X₈主營(yíng)業(yè)務(wù)收入增長(zhǎng)率、X₁₀總資產(chǎn)增長(zhǎng)率、X₁₁凈利潤(rùn)增長(zhǎng)率。

3.3 建模過(guò)程：

3.3.1 Kolmogorov-Smirnov檢驗(yàn)

用單樣本Kolmogorov-Smirnov檢驗(yàn)方法探索以上11個(gè)財(cái)務(wù)指標(biāo)樣本的正態(tài)性，檢驗(yàn)結(jié)果顯示這些財(cái)務(wù)指標(biāo)整體上并不符合正態(tài)分布，這一結(jié)果也符合財(cái)務(wù)管理領(lǐng)域的研究結(jié)論。

3.3.2 指標(biāo)的相關(guān)性檢驗(yàn)

通過(guò)運(yùn)用SPSS統(tǒng)計(jì)軟件對(duì)上文11個(gè)財(cái)務(wù)指標(biāo)變量進(jìn)行相關(guān)性分析，相關(guān)性分析的結(jié)果如表1.1所示：

根據(jù)計(jì)算得到的各財(cái)務(wù)指標(biāo)變量之間的相關(guān)系數(shù)結(jié)果，剔除高度相關(guān)的變量。其中x5與X₆、X₆與X₇，X₉和X₁₀相關(guān)性比較高。相關(guān)系數(shù)分別達(dá)到了0.811，0.929和0.837。為了消除變量間的高度相關(guān)性的影響，需要剔除X₆、X₁₀兩個(gè)財(cái)務(wù)指標(biāo)變量。

3.3.3 指標(biāo)的確定

通過(guò)以上分析和整理后，決定選用X₁，X₂，X₃，X₄，X₅，X₇，X₈，X₉，X₁₁等9個(gè)財(cái)務(wù)指標(biāo)建立最后的預(yù)警模型。最后所選用的財(cái)務(wù)指標(biāo)變量如下：

X₁流動(dòng)比率

X₂流動(dòng)資產(chǎn)周轉(zhuǎn)率

X₃總資產(chǎn)周轉(zhuǎn)率

X₄資產(chǎn)負(fù)債率

X₅營(yíng)業(yè)收入凈利潤(rùn)率

X₇凈資產(chǎn)收益率

X₈主營(yíng)業(yè)務(wù)收入增長(zhǎng)率

X₉資本保值增值率

X₁₁凈利潤(rùn)增長(zhǎng)率

3.3.4 具體指標(biāo)的確定

利用因子分析方法，將上述通過(guò)檢驗(yàn)的財(cái)務(wù)指標(biāo)按照其涵蓋的財(cái)務(wù)信息特性進(jìn)行分類，將相類似的項(xiàng)目歸為一組，不同組的比率就能反映企業(yè)不同方面的財(cái)務(wù)特性［3］。通過(guò)SPSS軟件，分析KMO值及Barlett檢驗(yàn)值是否符合檢驗(yàn)要求，如表1.2 KMO與B系數(shù)所示：

因子檢驗(yàn)的KMO值為0.623，根據(jù)統(tǒng)計(jì)學(xué)原理，適合做因子分析，Bartlett球度檢驗(yàn)給出的統(tǒng)計(jì)量為43.80，在統(tǒng)計(jì)學(xué)中其樣本數(shù)據(jù)也適合做因子分析［6］。

在對(duì)研究樣本的9個(gè)財(cái)務(wù)指標(biāo)完成因子分析計(jì)算后，可以獲得9個(gè)特征值。本文提取了特征值大于0.9的4個(gè)因子變量作為下一步研究所用的變量［4］。這4個(gè)因子變量的累計(jì)貢獻(xiàn)率達(dá)到了84.628%，即這4個(gè)變量已經(jīng)包含了原來(lái)9個(gè)財(cái)務(wù)指標(biāo)84.628%的信息，因此，可認(rèn)為這4個(gè)因子變量基本反映了原有的所有財(cái)務(wù)指標(biāo)的綜合差異，也就是分類表示出了不同方面的財(cái)務(wù)信息。

對(duì)原因子載荷矩陣施行方差最大正交旋轉(zhuǎn)可得到旋轉(zhuǎn)后的因子載荷矩陣。由旋轉(zhuǎn)后的因子載荷矩陣可以建立旋轉(zhuǎn)后的因子模型。

根據(jù)因子變量的得分系數(shù)矩陣，可以進(jìn)一步得到4個(gè)主因子的線性表達(dá)式：

F1=-0.166X₁-0.052X₂+0.025X₃-0.104X₄+0.346X₅+0.331X₇+0.358X₈+0.15X₉-0.01X₁₁

F2=0.472X₁+0.4X₂+0.34X₃-0.249X₄-0.43X₅-0.072X₇-0.18X₈+0.1X₉+0.036X₁₁

F3=-0.043X₁+0.062X₂-0.084X₃-0.094X₄+0.033X₅-0.326X₇+0.33X₈-0.143X₉+0.704X₁₁

F4=-0.008X₁+0.23X₂+0.802X₃+0.323X₄+0.117X₅+0.085X₇-0.052X₈-0.117X₉-0.071X₁₁

3.3.5 建立財(cái)務(wù)危機(jī)預(yù)警模型

邏輯回歸模型(Logistic)的建模理論依為根據(jù)公司的財(cái)務(wù)狀況，計(jì)算在一定時(shí)期內(nèi)陷入財(cái)務(wù)危機(jī)的概率值(該值介于0和1之間)。如果此概率值大于某一設(shè)定值(分割點(diǎn))，則判斷該公司將陷入財(cái)務(wù)危機(jī)。

通常研究中（配對(duì)樣本對(duì)照研究）普遍傾向選擇0.5作為分割點(diǎn)來(lái)對(duì)研究樣本進(jìn)行分類，由于本研究所選用的港航企業(yè)的樣本是非均衡的，因此，將模型的判別分割點(diǎn)定位于樣本的先驗(yàn)概率0.15。(樣本中危機(jī)企業(yè)的數(shù)量/樣本總量=0.15)

將研究樣本4個(gè)因子變量的值輸入SPSS統(tǒng)計(jì)軟件中，選擇邏輯回歸方法，按Forward Wald方法逐步選擇變量進(jìn)入回歸方程，經(jīng)過(guò)計(jì)算整理，可以得到以下的結(jié)果：

Y_t-1的取值范圍為［0，1］，該值越大，表明公司在未來(lái)一年內(nèi)發(fā)生財(cái)務(wù)危機(jī)的可能性越大，反之，則表明公司的財(cái)務(wù)狀況比較安全，發(fā)生財(cái)務(wù)危機(jī)的可能性較小。由于模型以樣本的先驗(yàn)概率0.15作為判別的分割點(diǎn)，因此當(dāng)Y_t-1值大于0.15時(shí)，企業(yè)在未來(lái)一年內(nèi)可能將會(huì)出現(xiàn)財(cái)務(wù)危機(jī)，被判為ST公司；而當(dāng)Y_t-1小于0.15時(shí)，在未來(lái)一年內(nèi)，企業(yè)出現(xiàn)財(cái)務(wù)危機(jī)的可能性比較小，為非ST公司。

3.3.6 模型的檢驗(yàn)

將研究樣數(shù)據(jù)資料分別代入邏輯回歸模型中，根據(jù)判別分割點(diǎn)的標(biāo)準(zhǔn)，可以計(jì)算得到13家公司各年的判定結(jié)果從判定結(jié)果匯總表中可以發(fā)現(xiàn)：從整體預(yù)測(cè)率上來(lái)看，模型預(yù)測(cè)的準(zhǔn)確率高達(dá)86.55%，結(jié)果比較理想，并且離被ST處理的時(shí)間越近，模型的誤判率就越低，效果越好，這對(duì)于金融危機(jī)下的港航企業(yè)進(jìn)行財(cái)務(wù)分析提供了可靠有力的保證。

參考文獻(xiàn)

［1］ Tam，Kiang. Predicting Bank Failures:A Neural Network approach［J］.Management Science，1992(8):926-947.

［2］ 李春華，李建華.財(cái)務(wù)預(yù)警模型的八大研究趨勢(shì)［J］. 財(cái)會(huì)月刊，2005（8）59.

［3］ http://www.moc.gov.cn/zizhan/siju/caiwusi/xueshujiaoliu/200709/P020070920589665004661.doc.

［4］ 譚榮波，梅曉仁.SPSS統(tǒng)計(jì)分析實(shí)用教程［M］.北京：科學(xué)出版社:2007（5）.

［5］ 董文科.房地產(chǎn)企業(yè)體系財(cái)務(wù)預(yù)警研究［D］.重慶：重慶大學(xué)建設(shè)管理與房地產(chǎn)學(xué)院，2007（5）.

［6］ 劉紅霞，張心林.以主成分分析法構(gòu)建企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型［J］.中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2004(4):70-75.

［7］ 上海證券交易所［DB/OL］http://www.sse.com.cn/sseportal/ps/zhs/home.html.

［8］ 深圳證券交易所［DB/OL］http://www.sse.org.cn/.

［9］ 證券之星［DB/OL］http://www.stockstar.com/home.htm.