中小企業財務危機預警模型設計及實證研究

徐玉芳　邵勝華

【摘 要】 科學的財務危機預警模型對提升企業財務風險管理水平具有重要意義。基于國內外現有財務預警模型，選取80家非金融中小型上市公司為研究對象，經過變量篩選、Wilcoxon秩和非參數檢驗、KMO檢驗、公共因子計算、載荷系數計算等步驟，采用Logistic方法建立了兩種不同的中小型企業財務危機預警回歸模型，并對80家上市公司進行實證分析。研究結果表明：針對ST和非ST兩類企業，綜合Logistic回歸模型比純財務指標Logistic回歸模型的財務危機預警準確率提高了18.182%和10.145%。

【關鍵詞】 財務預警模型； Logistic回歸模型； 因子分析法； 中小企業

【中圖分類號】 F272.35 【文獻標識碼】 A 【文章編號】 1004-5937（2017）12-0031-04

一、引言

我國中小企業較多，普遍存在的問題是資本結構不健全、管理結構不合理、財務信息不完善、內部控制制度落后、風險意識薄弱等，因此中小企業很難抵擋外部環境引發的風險。目前，很多中小型企業尚未意識到財務風險危機，也并未采取相關措施進行防治，直接導致很多中小企業連年虧損，甚至出現破產。建立一套完善可行的中小企業危機預警方法，成為當前學者們的研究熱點。

國外學者采用多元概率比回歸分析法、現金流量信息預測分析法和混合模型分析法對中小企業財務風險開展了大量研究，并取得了一定成果。Zmijewski[1]采用概率回歸分析法對3 800家正常企業和76家破產企業進行研究，建立了Probit財務預警模型；Aziz[2]通過對比破產和非破產企業的現金流量均值及公司納稅情況，提出了現金流量信息模型；Hongkyu et al.[3]采用破產預警混合模型，對韓國破產企業和正常企業進行了實證研究，驗證了混合模型分析法的可行性。任惠光等[4]采用DEA數據包絡分析法、Logistic模型和模糊神經網絡模型，選取了財務、公司管理、效益等51個技術指標，對378家上市公司進行實證研究，提出一種跨期財務綜合危機預警模型；楊瀟[5]結合傳統Logistic財務預警模型和隨機欠抽樣不均衡分析方法，建立了RU-Logistic財務預警模型，采用主成分分析法對我國上市電力公司開展研究。

雖然近年來國內外針對企業財務危機預警進行了大量研究，但是仍存在以下不足：（1）現有財務危機預警主要針對大型企業，對中小企業的相關研究還不多見；（2）國內現有相關研究很少考慮我國國情，國外一些基本假設未必符合我國市場體制；（3）財務預警評價體系還不完善，很少考慮非財務指標對企業危機的影響。本文針對這些不足之處，選取80家中小企業上市公司為研究對象，采用Logistic方法建立了兩種不同的中小型企業財務危機預警回歸模型，并對比了兩種模型的企業財務危機預警準確率。研究成果可為中小企業財務危機預警提供參考。

二、企業財務危機預警模型設計

（一）模型特點與針對性

Logistic回歸模型是一種概率回歸廣義線性模型，可用于描述和推斷一組變量與多分類因變量之間的關系。Logistic回歸模型參數估計主要采用非條件最大似然法，通過建立似然函數和對數似然函數，獲得對數似然函數的最大特征根相關參數，得出各個參數的最大似然估計值。本文采用Logistic回歸來進行中小企業財務危機預警研究，主要因為Logistic回歸模型具有以下特點[6-7]：（1）Logistic回歸模型的自變量與因變量存在非線性關系；（2）Logistic回歸模型無需假設方差不變，對自變量分布無特殊要求，各個自變量可以是連續值或離散值，甚至可以為虛擬值，即不需要假設自變量間存在多元正態分布；（3）Logistic回歸模型的因變量為分類變量，預測精度較高。基于Logistic回歸模型上述特點，認為其可以進行中小企業財務危機預警研究。

將中小企業是否陷入財務危機作為因變量，其狀態可以用0和1表示。當中小企業陷入財務危機時，因變量取1；當中小企業財務狀況良好時，因變量取0。在進行數據預處理時發現自變量（包括財務指標和非財務指標）不服從正態分布，因此選用不需要假設自變量間存在多元正態分布的Logistic回歸模型進行中小企業財務危機預警研究。

（二）研究樣本

鑒于我國大多中小企業并未上市，很多財務信息存在虛假情況且財務數據搜集較為困難，本文研究的中小企業主要來自滬深兩市中小企業板塊。采用與國內外學者類似的研究方法，以上市公司是否處于ST狀態為判斷財務危機的標準，共選取80家非金融類中小型上市公司，其中69家非ST企業和11家ST企業，分為非財務危機組和財務危機組開展研究。考慮到行業等因素對研究結果的影響，非財務危機組所處行業和資產規模盡量與財務危機組相近，所搜集數據均來自2012—2016年滬深兩市的公開財務報表。

（三）研究變量選取

1.財務變量選取

企業財務狀況與其運營能力、管理能力、盈利能力息息相關，目前仍沒有形成完善的企業財務危機預測變量選取依據。本文基于現有研究基礎，認為預警模型財務變量需滿足如下條件：（1）變量指標相關數據容易獲得；（2）能夠顯示中小企業短期償債能力；（3）可以體現中小企業的經營現狀和發展狀態；（4）可以體現中小企業投資水平的合理性；（5）可以體現中小企業成長能力。

參考中國上市公司財務指標分析數據庫中的相關指標選擇本文分析所需的財務變量[8]。根據中小企業特點，確定償債能力指標、盈利能力指標、營運能力指標、發展能力指標和現金流指標為財務危機預警的一級指標，具體二級指標及其計算方法見表1。

2.非財務變量選取

中小企業財務危機不僅受到財務變量影響，還會受到宏觀經濟、社會環境、行業因素等非財務變量影響。與財務變量不同，非財務變量收集難度大、成本高。國外研究人員大多選擇宏觀經濟指標和行業指標作為非財務變量，但由于我國經濟環境與國外經濟環境有著較大差異，本文非財務變量更側重于微觀方面。選擇企業組織結構、管理費用、董事會構成和審計意見作為非財務變量一級指標，四項一級指標下設若干二級指標，具體情況見表2。

三、企業財務危機預警模型實證

（一）變量篩選

如果利用上述22個指標構建中小企業財務危機預警模型，雖然可以進行較為全面的分析，但是工作量十分巨大，這些指標中的部分指標存在線性相關。為了提高計算準確率，須對上文16個財務候選指標和6個非財務候選指標進行正態性檢驗和顯著性檢驗。對各變量進行K-S檢驗，利用隨機變量B的樣本數據構建分布函數，通過計算分布函數落在某個區間內與正態分布重合的概率，用于判斷變量是否滿足正態分布。表3為16個財務候選指標和6個非財務候選指標的K-S檢驗及顯著性檢驗結果。表3中，各變量顯著性水平都接近于0，遠遠小于0.5。

由于各變量間不服從正態分布，因此需要對其進行Wilcoxon秩和非參數檢驗。將企業成為ST的前1年、前2年、前3年分別記為T-1、T-2、T-3。根據各單變量Wilcoxon秩和非參數檢驗結果，發現存貨周轉率（A12）、最大股東持股比例（B1）、Z-指數（B2）、董事會規模（B4）的顯著性水平均大于0.5，須剔除這些變量。因此，從前文16個財務候選指標和6個非財務候選指標中篩選出15個財務候選指標和3個非財務候選指標，作為中小企業財務危機預警模型的變量。

（二）因子分析

如果基于剩余的18個候選指標開展財務危機預警研究，計算量仍然很大，可進一步通過因子分析降低變量數。

1.KMO檢驗

利用KMO檢驗結果對候選財務變量進行判斷。若KMO值越大，說明變量相關性越強。對本文15個財務候選指標進行巴特利球體檢驗，其卡方計算結果為1192.15，自由度計算值為102，財務指標變量的KMO值為0.821。若KMO值分布在[0.8，0.9]，則說明因子分析效果較好，因此15個財務候選指標因子分析效果較好。

2.公共因子計算

表4為15個財務候選指標公共因子特征值、貢獻率計算結果。由表4可知，如果選擇5個公共因子，則能反映出15個財務候選指標81.693%的信息量；如果選擇4個公共因子，則能反映出15個財務候選指標78.113%的信息量。綜合效率和計算量，本文選擇前4個公共因子作為財務候選指標的替代變量，將其分別記為C1、C2、C3、C4。

（四）結果分析

1.純財務指標Logistic回歸模型

采用純財務指標回歸模型進行財務危機預警的檢驗結果見表8。由表8可知，針對ST中小企業和非ST中小企業，純財務指標回歸模型預警準確率分別為63.636%和82.609%。

2.綜合Logistic回歸模型

采用綜合回歸模型進行財務危機預警的檢驗結果見表9。可見，對于ST中小企業和非ST中小企業，綜合回歸模型預警準確率分別為81.818%和92.754%。對比綜合回歸模型和純財務指標回歸模型，綜合回歸模型預警準確率分別提升18.182%和10.145%。

四、結論

本文選取國內80家非金融類中小上市公司為研究對象，其中69家非ST企業，11家ST企業。經過變量篩選、Wilcoxon秩和非參數檢驗、KMO檢驗、公共因子計算、載荷系數計算等步驟，分別構建了純財務指標回歸模型和綜合回歸模型。計算結果表明：對于ST企業和非ST企業，純財務指標回歸模型的預警準確率分別為63.636%和82.609%；綜合回歸模型的企業預警準確率分別為81.818%和92.754%；與純財務指標回歸模型相比，綜合回歸模型預警準確率分別提升18.182%和10.145%。

【參考文獻】

[1] ZMIJEWSKI M E. Methodological issues related to the estimation of financialdistress prediction models[J].Journal of Accounting Research，1984（22）：59-82.

[2] AZIZ D，et al. Bankruptcy prediction： An investigation of cash flow based models[J].Journal of Management Studies，1988，25（5）：419-437.

[3] HONGKYU J，INGOO H.Integration a of Case-Based Forecasting Neural Network and Discriminant Analysis for Bankruptcy Prediction[J].Expert System with Applications，1996，11（4）：415-422.

[4] 任惠光，班博.中國A股上市公司財務危機預警模型構建及實證研究[J].山東大學學報（哲學社會科學版），2007（6）：130-136.

[5] 楊瀟.基于改進Logit模型的電力公司財務危機預警研究[J].會計之友，2017（2）：95-98.

[6] 牛似虎，方繼華，蘇明政.基于供應鏈金融的中小企業績效評價與實證[J].統計與決策，2017（1）：64-66.

[7] 馬大來，武文麗，董子銘.中國工業碳排放績效及其影響因素——基于空間面板數據模型的實證研究[J].中國經濟問題，2017（1）：121-135.

[8] 王謙，時文超，西鳳茹.基于粗糙集——支持向量機的財務危機預警實證研究[J].統計與決策，2013（20）：156-158.