基于Logistic模型的企業(yè)財(cái)務(wù)預(yù)警研究——以房地產(chǎn)企業(yè)為例

湖北華夏水利水電股份有限公司 匡瓊

基于Logistic模型的企業(yè)財(cái)務(wù)預(yù)警研究——以房地產(chǎn)企業(yè)為例

湖北華夏水利水電股份有限公司 匡瓊

針對(duì)當(dāng)前房地產(chǎn)市場嚴(yán)厲的監(jiān)控措施，建立有效的財(cái)務(wù)預(yù)警系統(tǒng)，預(yù)測企業(yè)是否會(huì)陷入財(cái)務(wù)困境是房地產(chǎn)企業(yè)長遠(yuǎn)發(fā)展的重中之重。本文選取滬深兩市首次被ST前一年的數(shù)據(jù)，運(yùn)用因子分析法對(duì)所選擇的30家房地產(chǎn)公司，建立最新形勢(shì)下我國房地產(chǎn)企業(yè)Logistic財(cái)務(wù)預(yù)警模型，并對(duì)模型的預(yù)測能力進(jìn)行檢驗(yàn)，所構(gòu)建的模型能對(duì)房地產(chǎn)上市公司的財(cái)務(wù)狀況是否異常做出86.7%的預(yù)測準(zhǔn)確率，具備較強(qiáng)的財(cái)務(wù)預(yù)警判別能力，因而具有一定的可行性和實(shí)用價(jià)值。

Logistic模型 房地產(chǎn)企業(yè) 財(cái)務(wù)困境 財(cái)務(wù)預(yù)警模型

房地產(chǎn)行業(yè)是牽動(dòng)國計(jì)民生的行業(yè)。2008年以來，房價(jià)上漲迅速，于是房地產(chǎn)行業(yè)便成為了人們和學(xué)術(shù)界關(guān)注的焦點(diǎn)。針對(duì)這種情況，2010年4月以來，國務(wù)院頒布了一系列被稱為“史上最嚴(yán)厲的調(diào)控措施”，通過財(cái)政、金融、稅收等多種手段進(jìn)行規(guī)范。而房地產(chǎn)行業(yè)本身具有資金密集、投入產(chǎn)出周期長以及遠(yuǎn)高于其他行業(yè)資產(chǎn)負(fù)債率等特點(diǎn)，為房地產(chǎn)企業(yè)財(cái)務(wù)危機(jī)埋下了隱患，因此，建立有效的財(cái)務(wù)預(yù)警體系至關(guān)重要。本文試圖采用Logistic回歸分析方法建立最新形勢(shì)下我國房地產(chǎn)企業(yè)的財(cái)務(wù)預(yù)警模型，以幫助房地產(chǎn)企業(yè)加強(qiáng)風(fēng)險(xiǎn)管理，及時(shí)發(fā)現(xiàn)經(jīng)營風(fēng)險(xiǎn)和財(cái)務(wù)風(fēng)險(xiǎn)，采取有效的改善財(cái)務(wù)狀況的措施，從而使企業(yè)走出財(cái)務(wù)困境。

1　房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警模型的構(gòu)建

1.1研究設(shè)計(jì)

選取2009年～2013年滬、深兩市房地產(chǎn)上市公司由于“財(cái)務(wù)狀況異常”(ST和*ST)而被特殊處理的公司15家。并根據(jù)同行業(yè)、同年度、資產(chǎn)規(guī)模相近的原則選擇配對(duì)非ST公司15家。選用的數(shù)據(jù)是被ST前一年度的數(shù)據(jù)，非ST公司的財(cái)務(wù)數(shù)據(jù)與ST公司屬于同一會(huì)計(jì)年度。本文將ST公司的概率P 值設(shè)定為1，正常公司的概率P值設(shè)定為0，將0.5作為概率分界值，即預(yù)測概率值大于0.5時(shí)認(rèn)為被解釋變量的分類預(yù)測值為1，小于0.5時(shí)認(rèn)為分類預(yù)測值為0。

1.2財(cái)務(wù)指標(biāo)的選取

為了全面地評(píng)價(jià)分析房地產(chǎn)企業(yè)的財(cái)務(wù)狀況同時(shí)兼顧重要性和可獲取性原則，選取了包含營運(yùn)能力、償債能力、發(fā)展能力、盈利能力以及現(xiàn)金流量能力五個(gè)方面共12個(gè)指標(biāo)作為變量(見表1)，通過非參數(shù)檢驗(yàn)、單變量Logistic分析，選取既有顯著性差異又有利于提高模型預(yù)測精度的財(cái)務(wù)指標(biāo)，然后通過因子分析，構(gòu)建財(cái)務(wù)預(yù)警模型。

表1　選取的財(cái)務(wù)指標(biāo)

營運(yùn)能力　存貨周轉(zhuǎn)率　X9應(yīng)收賬款周轉(zhuǎn)率　X10現(xiàn)金流量指標(biāo)　銷售商品勞務(wù)收入現(xiàn)金/營業(yè)收入　X11銷售現(xiàn)金比率　X12

2　房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警模型的實(shí)證研究

2.1財(cái)務(wù)指標(biāo)的差異顯著性檢驗(yàn)

從滬、深兩市選取2009年～2013年房地產(chǎn)上市公司中ST公司15家和非ST公司15家，對(duì)T-1年的財(cái)務(wù)指標(biāo)進(jìn)行Mann-Whitney U檢驗(yàn)，檢驗(yàn)結(jié)果如表2所示。

表2　Mann-Whitney U檢驗(yàn)

從表2可以看出，若顯著性水平為a=0.05時(shí)，變量X3、X4、X6、X9、X10、X12的相伴概率Sig均大于a，即它們的數(shù)據(jù)在ST公司和非ST公司之間沒有顯著的區(qū)別，不能用來判斷其區(qū)別，也就是要被排除在模型之外。因此模型將剩下X1、X2、X5、X7、X8、X11共6個(gè)變量。

2.2單變量Logistic回歸分析

單變量回歸模型可以幫助我們識(shí)別哪些財(cái)務(wù)指標(biāo)是很好地預(yù)測因變量，并且能夠提高模型的擬合優(yōu)度。因此，我們采用Wald統(tǒng)計(jì)量，進(jìn)行單變量Logistic回歸檢驗(yàn)。在用Logistic單變量回歸進(jìn)行初選變量時(shí)，為了盡量減少預(yù)警指標(biāo)的遺漏，把設(shè)為0.15，如果一個(gè)自變量在單變量回歸的檢驗(yàn)中相伴概率p<0.15，就考慮將該變量保留并加入到多元Logistic回歸模型中。通過單變量Logistic回歸分析，相伴概率P值小于檢驗(yàn)標(biāo)準(zhǔn)0.15的如下指標(biāo)：X1、X2、X5、X7、X8、X11。

2.3因子分析

通過Mann-Whitney U檢驗(yàn)和單變量回歸分析，已經(jīng)篩選出了既有顯著性差異又有利于提高模型預(yù)測精度的6個(gè)財(cái)務(wù)指標(biāo)。這些財(cái)務(wù)指標(biāo)雖然進(jìn)行了精簡，但由于它們之間可能存在較強(qiáng)的相關(guān)關(guān)系，而且用它們來建立模型還是比較繁瑣和復(fù)雜。因此，有必要利用因子分析法對(duì)這些財(cái)務(wù)指標(biāo)進(jìn)行進(jìn)一步簡化，達(dá)到用少數(shù)幾個(gè)因子來描述許多指標(biāo)或因素之間的聯(lián)系的目的。

因子分析時(shí)，通過KMO檢驗(yàn)和Bartlett球形檢驗(yàn)，得到KMO值為0.667，根據(jù)統(tǒng)計(jì)學(xué)家Kaiser給出的標(biāo)準(zhǔn)，KMO取值大于0.6，適合因子分析。另外，Bartlett球形檢驗(yàn)給出的相伴概率為0.000，小于顯著性水平0.05，因此拒絕Bartlett球形檢驗(yàn)的零假設(shè)，認(rèn)為適合于因子分析。

于是我們進(jìn)行因子分析的初始特征值分析，發(fā)現(xiàn)前五個(gè)因子的累積貢獻(xiàn)率為97.183%，這樣我們就可以用前5個(gè)因子來進(jìn)行主成分的因子分析，得到的成分得分系數(shù)矩陣如表3所示。

根據(jù)SPSS輸出的由回歸算法計(jì)算出的得分因子回歸矩陣并結(jié)合表3，可得：

根據(jù)這個(gè)得分函數(shù)，就可以將6個(gè)變量的信息轉(zhuǎn)化為5個(gè)因子的信息，也就是簡化成了5個(gè)主成分的變量。下面我們就以這5個(gè)因子進(jìn)行Logistic回歸分析。

2.4多變量Logistic回歸分析

根據(jù)新的因子變量F1、F2、F3、F4和F5，利用SPSS19.0軟件運(yùn)行，得到變量F1、F2、F3、F5的相伴概率小于0.05，在顯著性水平為0.05時(shí)顯著；因此回歸模型擬和效果較好，可建立logistic預(yù)測概率模型：

2.5模型檢驗(yàn)與預(yù)測

利用以上得到的模型公式，將30個(gè)建模樣本帶入模型，經(jīng)計(jì)算，得到的結(jié)果如表4所示。

表4　模型預(yù)測值與實(shí)際值對(duì)照表

其中，我們將實(shí)際分類為1的個(gè)體中，預(yù)測結(jié)果也為1的概率稱為靈敏度；實(shí)際分類為0的個(gè)體中，預(yù)測結(jié)果也為0的概率稱為特異度；總體預(yù)測準(zhǔn)確率為預(yù)測結(jié)果正確的比率。由表4可知，靈敏度=93.3%，特異度=80%，總體預(yù)測準(zhǔn)確率為86.7%，說明整體預(yù)測效果很好。

3　研究結(jié)論

(1)通過因子分析以及Logistic回歸分析，發(fā)現(xiàn)對(duì)房地產(chǎn)企業(yè)財(cái)務(wù)狀況起主要作用的是公司的盈利能力、償債能力和成長能力。因此，房地產(chǎn)企業(yè)應(yīng)高度關(guān)注資產(chǎn)運(yùn)營和收益情況，注重提高收益質(zhì)量的同時(shí)，也應(yīng)提高資產(chǎn)的運(yùn)營效率和能力，并密切關(guān)注企業(yè)未來發(fā)展趨勢(shì)和發(fā)展速度。(2)利用Logistic建立的財(cái)務(wù)預(yù)警模型，該模型整體預(yù)測準(zhǔn)確率為86.7%，能夠比較準(zhǔn)確地預(yù)測房地產(chǎn)上市公司的財(cái)務(wù)狀況，可行性較強(qiáng)。有助于房地產(chǎn)企業(yè)了解公司的財(cái)務(wù)狀況，及時(shí)發(fā)現(xiàn)其存在的財(cái)務(wù)危機(jī)，從而有效地采取防范措施。(3)我們建立的財(cái)務(wù)預(yù)警模型的有效性以企業(yè)真實(shí)的財(cái)務(wù)指標(biāo)為前提。而有些上市公司對(duì)外公布的財(cái)務(wù)指標(biāo)不真實(shí)，可能還存在一些數(shù)據(jù)被操縱的現(xiàn)象。因此，該模型也存在一定的局限性。

[1] 裴瀟,黃玲,陳華.基于Z值模型的房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警研究[J].財(cái)會(huì)通訊,2015(4).

[2] 朱晨露,崔永紅.調(diào)控政策下的房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警分析[J].企業(yè)經(jīng)濟(jì),2012(4).

[3] 梁美健,閆蔚.企業(yè)財(cái)務(wù)預(yù)警的國內(nèi)外研究綜述[J].財(cái)會(huì)月刊, 2014(12).

F275

A

2096-0298(2016)10(b)-112-02