制造業上市公司財務預警研究

高婷婷 范景軍

摘要：文章選取我國制造業2014年4月滬深股市的61家ST公司和61家非ST公司為研究樣本，運用熵權法，篩選出10個包含信息量多，并能準確預警的指標，通過這10個指標建立“因子分析”模型進行定量分析，得到財務危機預警函數（即為ST與非ST的判別函數），最后將測試組中60家公司的數據回代到預警函數中檢驗其判別率，判別率達到81.67%，具有較高的的判別正確率，說明文章建立的財務預警系統對于上市公司財務危機的預測與防范起到一定的作用。

關鍵詞；財務預警；熵權法；因子模型；判別函數

一、引言

（一）建立財務危機預警的意義

制造業是我國國民經濟的支柱產業，是我國經濟增長的主導部門和經濟轉型的基礎，是經濟社會發展的重要依托，更是我國城鎮就業的主要渠道和全球產業鏈的重要組成部分。在全球競爭條件下，我國制造業上市公司面臨來自多方面的壓力，尤其金融危機的影響，使得我國制造業上市公司陷入到財務風險和破產危險的可能性急劇上升，這不僅會對利益相關者造成損失，更會制約資本市場的穩定發展。故我國制造業上市公司要持續發展，必須警惕危機，正視危機，在經營活動中設立財務預警系統，進行經常性的分析和診斷。因此，本文將在對國內外有關財務預警研究的理論及模型的歸納、整理和評述的基礎之上，來分析我國制造業上市公司財務預警研究的現狀，以我國制造業上市公司為研究樣本，構建財務預警指標，建立財務預警模型。

（二）國內外文獻述評

國外對財務預警的研究要早于國內，早在20世紀30年代國外學者就已開始了對財務預警的研究，歷經了從單變量分析到多變量分析的過程。我國起步于20世紀80年代中后期，1986年吳世農、黃世忠首次介紹了企業破產的分析指標和預測模型。1990年佘廉等人從事了企業預警研究，并于1994年發表文章對企業預警管理進行了系統分析。直到1996年以后，才陸續出現以企業財務數據為基礎而建立的財務危機預警模型，并逐漸發展起來。

單變量預警模型是指以某一項財務指標作為判別標準來判斷企業是否處于破產狀態的預測模型。財務預警研究最早就開始于1932年Fitzpatrick用統計方法開展的單變量破產預測研究。在眾多預測公司財務危機困境的多變量模型中，最早亦最著名的當屬美國紐約大學1968年Edward Altman教授的Z-Score判定模型。即：Z=0.012X1+0.014X2+0.033X3+ 0.006X4+0.999X5。1996年國內學者周首華、楊濟華對Z計分模型進行修正，提出了F分數模型。1999年國內學者陳靜運用單變量分析方法和多元線性判別分析方法分別建立財務預警模型，并將兩種財務預警模型進行比較研究。2003年楊淑娥在Z-score模型的基礎上，通過運用統計學中的主成分分析法，構造了Y分數模型，該模型在用于財務預警檢驗的回判準確率大致為86%。Logisitic回歸模型（多元邏輯回歸模型）又稱作Logit模型，為了彌補多元Z-Score模型的不足，1980年Ohlson第一個將邏輯回歸方法引入財務危機預警領域，模型為：Li=ln[P_i/（1-P_i）]=α+∑β_jX_ij+ε_i。

二、樣本、指標的選取

（一）樣本的選取

本文在樣本的選取上是根據2014年4月滬深股市公布的所有ST公司（根據1998年實施的股票上市規則，將對財務狀況或其它狀況出現異常的上市公司的股票交易進行特別處理（ special treatment，簡稱 ST），其中ST股是指境內上市公司連續二年虧損，被進行特別處理的股票，*ST股是指境內上市公司連續三年虧損的股票）共90家中，抽取了本文需要研究的制造業中的61家公司，并根據同行業，同時期，規模相當（即非ST公司與相對應的ST公司的期末資產總額相差不超過150%）的配對原則，選取了61家與之相對應的非ST公司，共122家上市公司作為研究對象。只有在滿足上述配對原則的情況下才使得研究樣本之間具有可比性，分析更趨合理性，結果更具科學性。

（二）指標的選取

本文指標數據主要來源于和訊財經網以及大智慧投資軟件，通過數據的整理，剔除了個別的缺失值和特大異常值，并根據以下原則選取16個財務比率基礎指標：

1. 全面性，在系統的構建中，所考慮納入的指標應能全面揭示企業的財務風險，且各指標間具有較強的互補性。

2. 可比性，選取指標時，應注意評價指標口徑范圍和計算方法的縱向可比和橫向可比原則。

3. 同趨勢性，即是指標正向化，當財務比率增大時，表示財務狀況的改善，反之財務比率減小時，表示財務狀況的惡化。

4. 可獲得性，采用上市公司財務報告披露的數據是可以獲取的（和訊網、大智慧軟件等）。

指標體系具體如表1所示。

以上財務比率指標體系，可以對上市公司的財務狀況做出較為完整、客觀的評價。但為了選取對ST公司和非ST公司區分能力強，包含信息多，權重更大，能準確預警的指標，下面采用“熵權法”對這16個指標進行篩選。

四、基于“因子分析”模型分析

（一）因子分析的基本原理

因子分析法是在盡量減少信息丟失的前提下，從眾多指標中提取出少量的不相關指標，然后再根據貢獻率定以權重，進而計算出綜合得分，其計算結果更為準確、客觀、操作性比較強。因子分析中有多種確定因子變量的方法，如基于主成分模型的主成分分析法、極大似然法、最小二乘法等，本文選取的是基于因子分析模型的主軸因子法。

本文根據估計組中61家ST公司和61家同行業、規模相當的非ST公司作為樣本，以“熵權法”篩選后的10個包含信息多，重要性更大的財務指標為基礎建立的指標體系進行因子分析，最后得出因子綜合得分函數—財務危機預警判別函數，并通過估計值綜合因子得分值的排名表求出ST與非ST的分割值，作為判別公司財務與否出現危機的預警值，最后再選用測試組的樣本進行回代，檢驗判別函數的判別正確率，從實證分析的角度為財務危機預警系統方法方面進行了初步的探討。

（二）因子分析的求解過程

下面對熵權篩選后的10個指標正向化后的數據（逆指標的正向化公式為y_j=1-x_j）通過統計分析軟件SPSS17.0的運行，KMO檢驗和Bartlett檢驗的結果如表3所示。

通過表3可以看出，KMO值為0.744，大于0.5；Bartlett檢驗的卡方統計量為1019.591，相伴概率為0.000，在給定0.1%的顯著水平下，拒絕各指標變量的相關矩陣是單位陣的假設，即兩種統計檢驗方法都揭示指標變量之間是高度相關的，因此適合作因子分析。

求得變量的樣本相關陣R的特征值λ_i，前m個因子方差貢獻率如下表

根據累積方差貢獻率須大于85%的原則，由上表可看出前5個公因子的累積方差達到88.81%，這5個公因子包含88.81%的信息，確定以5個公因子做因子分析。

初始因子載荷陣B⁰_m，進行方差最大化旋轉，求得旋轉后的因子載荷陣B^Γ_m，使得旋轉后各因子載荷陣的各元素按列向0或1兩級分化（初始因子載荷陣，旋轉后各因子載荷陣，0～1分化表如表5）。

六、結論

1. 本文基于61家ST與61家非ST公司的16個財務比率基礎指標，通過建立“熵權法”模型篩選出10個包含信息多，能準確預警的財務比率指標，接著利用“因子分析”模型求得估計組中61家公司的綜合因子得分值，并根據綜合因子得分排名確定ST與非ST分割值（即為財務危機預警值）及財務危機預警函數，最后將測試組的數據代入財務危機預警函數中，求得預警函數的判別率為81.67%，從而建立起了財務危機預警系統。

2. 本文在進行“因子模型”分析的過程中用旋轉后的因子載荷陣及特征值求得每家公司的綜合因子得分值，結果更優，更準確，相對于其他論文用主成分法還有旋轉前的載荷陣及特征值得分的結果更能準確預警一家公司的財務狀況。

3. 本文所選取的樣本具有合理性和全面性，根據行業分類和總資產規模進行配對選擇，模型中選取的財務比率指標具有較強的解釋能力，能較好辨別財務危機公司及非財務危機公司的區別，但是此預測模型結論的準確性還受到上市公司發布財務數據真實性的影響，我國部分上市公司仍然存在操縱會計利潤，粉飾財務報表的現象，故該模型的預測效果因此受到一定的影響。

參考文獻：

[1]吳世農，黃世忠.企業破產的分析指標和預測模型[J].中國經濟問題，1987（06）.

[2]佘廉，張倩.企業預警管理的系統分析[J].中國工業經濟研究，1994（11）.

[3]Fitzpatrick D A. A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms[M].Certified Public Accountant，1932（04）.

[4]Altman E I. Financial Ratios，Discriminate Analysis and the Prediction of Corporate Failure[J].The Journal of Finance， 1968（04）.

[5]周首華，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（08）.

[6]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999（04）.

[7]楊淑娥，徐偉剛.我國上市公司實證研究[J].中國軟科學，2003（01）.

[8]Ohelson J A. Financial Ratios and the Probabilistic Prediction of Bankruptcy[J]. Journal of Accounting Research，1980（01）.

（作者單位：北方工業大學）