財務報表預警模型——基于民營企業的實證研究

西南財經大學會計學院 張 迪

財務報表預警模型
——基于民營企業的實證研究

西南財經大學會計學院 張 迪

我國民營企業普遍呈現出“曇花一現”的現象，其壽命如此之短在很大程度上歸因于其財務活動帶來的巨大風險。本文基于財務報表層次，隨機選取若干家民營企業2010年的財務報表數據，首先利用SPSS的因子分析挑選出最能代表民營企業特點的財務指標，隨后在選出指標的基礎上，利用判別分析建立財務報表層次的風險預警模型，最后挑選了三家民營企業驗證出模型具有較好的風險預測性。

財務報表 因子分析 判別分析 風險預警

一、民營企業現狀

作為中國經濟體制改革的產物，民營企業隨著近年來中國經濟的飛速發展，如雨后春筍般在全國各地崛起。不可否認的是，現今的民營企業對我國的經濟發展起到不可忽視的支柱作用。然而，民營企業數量雖多，但質量普遍不高，“壽命”普遍短暫。縱觀近十來年，民營企業失敗的案例不勝枚舉，大至如金融帝國般的“德隆系”，小至某個鄉鎮的微型企業。導致民營企業失敗的因素有諸多，對于財務活動方面的風險，比較典型的有盲目投資，籌資成本高，資金鏈脆弱等等。因此，對于民營企業財務風險的預防就顯得十分有現實意義。對于一個企業來說，財務報表就是其日常財務活動的結果，是企業的一張“名片”，因此本文基于財務報表層次建立財務預警模型，來判斷企業是否處于財務風險當中。

二、財務報表預警模型的建立

本文所建立的模型是基于財務報表真實客觀的數據，為了充分避免評判時的主觀性，本文首先利用SPSS進行因子分析，挑選出最能代表民營企業財務狀況的若干指標，隨后依然利用SPSS做判別分析，從而建立模型。

表1 指標庫表

（一）利用因子分析挑選初始指標

1．初始指標庫的建立。對于實證樣本的選取，本文采用隨機抽樣原則，從幾百家民營企業中挑選出177家上市民營企業（包括盈利和虧損）。隨后參考經典財務評價體系并結合民營企業的現狀，為了盡可能保證參與因子分析的指標全面而不累贅，本文利用CSMAR數據庫，從盈利能力、現金流量、營運能力、長期償債能力、短期償債能力、發展能力這6個方面共收集24個指標進行分析，具體如表1：

2.因子分析原始模型。因子分析原始數學模型如下：

其中，F1、F2、…、Fn為個因子，x1、x2、…、xn為各原有變量，為特殊因子，相當于回歸中的殘差。表示成矩陣形式如下：X=AF+aε，其中A為因子載荷矩陣，F為因子變量或公因子。

雖然因子分析可能會得出幾個抽象因子來代表本文所選取的24個指標，但是為了便于企業在實踐應用中的可操作性，本文選取最具有代表性的若干原始指標來取代抽象因子的作用。根據上述模型的因子載荷矩陣A可以得出，若矩陣的某一行中有一個或者多個aij比較大，說明某個原始指標與一個或多個抽象因子具有較大的相關。正是基于該思想，本文可以選取若干具體的原始指標來代替因子分析得出的抽象因子。

表2 Total Variance Explained

3.因子分析結果。根據上述思路，本文利用SPSS對177家民營企業進行因子分析，按特征根大小列出前6個因子的方差解釋表得出的碎石圖如下圖1：

通過方差解釋表和碎石圖可以看出，前6個共同因子解釋了原有變量總方差的85.585%，可以認為這6個因子解釋了原有變量的大部分信息。

為了解釋得出的6個抽象因子，以及根據這些因子挑選出具有代表性的原始指標，本文給出旋轉后的因子載荷矩陣表：

表3 Rotated Component Matrix(a)

根據因子載荷矩陣，可以看出，因子1表示短期償債能力，因子2表示資本增長能力，因子3表示盈利能力，因子4表示業務發展能力，因子5表示營運能力，因子6表示長期償債能力。結合現實情況，這六個方面確實是評價傳統制造行業企業的主要方面，故因子分析的效果還是比較理想。現具體分析每個因子，根據因子分析模型貢獻度的原理，對每個抽象因子，挑選出對其貢獻度最大的具體指標。根據上面的因子載荷矩陣，可以很容易挑選出代表指標分別為速動比率（0.904），資本保值增值率（0.949），總資產報酬率（0.966），凈利潤增長率（0.959）以及權益乘數（0.714）。同時，考慮到許多民營企業的失敗有個很重要的原因是資金鏈斷裂，但本文因子分析的結果卻沒有抽象出一個代表現金能力的抽象因子，因此在上述指標中，挑選出對因子2貢獻度相對較大的每股現金凈流量 （貢獻度約為0.919）作為現金能力方面的代表。

因此，綜上所述，基于因子分析的結果并結合民營企業的實際情況，本文選擇速動比率、權益乘數、總資產報酬率、總資產周轉率、凈利潤增長率、資本保值增值率以及每股現金凈流量共7個指標作為后面風險預警模型的基本因素。

（二）建立財務報表層次預警模型——運用判別分析法。最后本文利用判別分析法確定指標間權重，從而構建財務預警模型。所謂判別分析，即是通過尋找一組已知自變量的線性組合來對樣品進行分類，自變量的線性組合方式稱為判別函數。本文利用第一步因子分析挑選出的7個財務指標，利用SPSS進行逐步判別，Fisher判別，Bayes判別，進而確定出各指標間的權重，構建財務預警模型。

1.判別分析原始模型。判別分析的數學模型如下：

其中，Wik是第i個觀測量的第k個判別函數值，p是預測因子的個數，bjk是第k個函數的第j個系數值，xij是第j個預測因子的第i個觀測值。

2.判別分析結果。本文隨機選擇上市民營企業前100強的24家以及被帶上“ST”或者雖然不是“ST”，但是公認經營績效較差的20家民營企業，利用SPSS的判別分析。現對其分析結果進行分析。

判別分析得出的特征值表4如下：

表4 Eigenvalues

根據上述表格，特征值為3.469，解釋了100%的變異，典型性相關系數為0.881，在判別軸上的分組差異明顯。

Wilks統計量表5如下：

表5 Wilks'Lambda

根據表格，Wilks'Lambda的值為0.224較小，說明判別函數的區分能力較強，同時顯著性概率為0，說明判別函數十分有效。

Fisher判別函數的標準化系數表6如下：

表 6 Standardized CanonicalDiscriminant Function Coefficients

標準化系數的絕對值越大，表明自變量對判別函數的影響越大。從表格可以看出，總資產報酬率，權益乘數以及資本保值增值率對判別函數的影響較大。

在驗證了判別函數的效果優秀后，本文給出Bayes判別函數的系數表7如下：

表7 Classification Function Coefficients

由此，根據Bayes判別函數構建民營企業財務預警模型如下：

第一類：

最后，本文給出正確錯誤判別表如下表8：

表8 Classification Results(b,c)

通過表格可以看出，各組正確判別率以及總的判別率均為100%，經過交互驗證后，兩組的正確判別率分別為95%和95.8%

三、財務報表預警模型的檢驗

為了讓模型更有說服力，本文挑選3家上市民營企業以前年度的數據進行代值驗證，所選擇的企業以及相應指標值如下表：

表9 代值驗證結果

根據上述表格，挑選的3家民營上市公司在各自年度的W值均大于0，按照模型應當被判斷為有失敗可能性的企業。實際上，上述3家企業在第二年均被帶上了“ST”或者“*ST”的標志，由此可以看出模型具有較好的預警效果。

四、財務報表預警模型的評價

本文財務報表層次預警模型的變量指標是基于177家上市民營企業通過因子分析從大量指標中挑選出的最具有代表性的指標，從而在很大程度上避免了選擇評判變量的主觀性，同時使指標能夠在最大程度上綜合反映民營企業的財務狀況。隨后在此基礎上利用判別分析建立的風險預警模型具有簡單易操作的特點，對民營企業有很強的現實意義，同時經過模型檢驗，可以判斷出本模型具有較好的判斷效果，為眾多民營企業判別自身經營風險狀況提供了依據。本模型的缺陷在于樣本的局限性。即由于判別分析選取的樣本容量不十分大，因此判別模型可能存在一定的誤差，但是在可以接受的范圍內。

五、總結

現今我國的民營企業是十分“脆弱”的，導致其破產倒閉的因素有諸多，但最終歸結起來大多是其財務活動的失敗。不同企業的日常財務活動必定千差萬別，因此不便于通過日常活動來預警財務風險，但是財務報表卻是有統一的計算口徑，具有較好的可比性，并且一個企業的財務報表是其日常財務活動的 “結果”，具有靜止性，因此本文基于財務報表層次建立的預警模型能較好地幫助民營企業識別其自身當年是否處于財務風險狀況。

1.陳麗羽.2011.基于模糊綜合評價的高校財務風險預警模型研究.會計之友。

2.馮成志、賈風芹.2009.社會科學統計軟件SPSS教程.北京：清華大學出版社。

3.劉洪洲.2011.財務危機預警的Z計分模型實證研究——來自中國電器業上市公司的新證據.會計之友。

4.彭素欣.2009.基于Z-SCORE模型的上市公司財務風險預警研究.中國鄉鎮企業會計。

5.孫瑞欣.2011.我國財務風險預警模型研究文獻綜述.科學實踐。

6.鄭修敏.2006.民營企業失敗研究.上海：同濟大學經濟與管理學院。