基于現(xiàn)金流量角度的財務預警模型研究

鄧旭東 張瑜 徐文平

【摘 要】 鑒于以往關于現(xiàn)金流量的財務預警模型多是在傳統(tǒng)指標的基礎上再加入現(xiàn)金流比率進行研究，故文章選擇基于完整的現(xiàn)金流指標體系，對財務危機樣本進行重新定義，以2002—2017年滬深兩市A股房地產行業(yè)上市公司為研究對象，運用Logistic回歸構建財務預警模型。研究結論顯示，該模型對危機企業(yè)的預測準確率高達96.8%，總體預測正確率為87.1%，其預警效果優(yōu)于經典Z值模型，并且發(fā)現(xiàn)現(xiàn)金流償債能力、經營活動產生現(xiàn)金的能力等都有著非常顯著的預警效果。

【關鍵詞】 財務預警; 現(xiàn)金流量; Logistic模型

【中圖分類號】 F253.7 ?【文獻標識碼】 A ?【文章編號】 1004-5937（2018）23-0089-05

一、引言

我國房地產行業(yè)始于19世紀80年代，歷史不長，但其發(fā)展速度卻不容小覷。據統(tǒng)計數據（來源：中經網）顯示，截至2017年底，我國房地產開發(fā)企業(yè)商品房銷售額累計達到133 701.3億萬元，銷售面積累計169 407.82萬平方米，累計同比增減量為12 059.29萬平方米，可見該行業(yè)在我國國民經濟中舉足輕重的地位。與此同時，該行業(yè)高投資、高收益的特征帶來的高風險也不得不引起重視，因此為其構建科學有效的財務預警模型是非常有必要的。

本文選擇了2002—2017年滬深兩市A股房地產行業(yè)上市公司作為研究對象，其中，財務危機樣本包含ST 企業(yè)、因欠款未還被提起訴訟、因債務重組低價出售資產、資不抵債、拍賣資產或資金被凍結以及因虛構利潤被違規(guī)處理的企業(yè)，運用Logistic回歸方法建立了財務危機預警模型。經回代檢驗，以及與經典Z值模型預警效果相對比，發(fā)現(xiàn)本文構建的預警模型無論是總體正確率還是對危機企業(yè)的識別率上，均展現(xiàn)出明顯的優(yōu)勢。

相比之前的研究，本文主要有兩點創(chuàng)新：一是研究期間跨度長，本文所選樣本公司的時間跨度為2002—2017年，相比大多數研究的三至五年來說，16年研究期間的優(yōu)勢較為突出;二是財務危機的定義有所改進，不再是僅僅將被ST的企業(yè)視為陷入財務危機，這一定義的重新界定不僅在理論上有一定的意義，同時也擴充了研究樣本的數量，有助于增強本文預警模型的可靠性。

二、文獻綜述

自Fitzpatrick于1932年進行開創(chuàng)性研究后，企業(yè)財務預警就一直是諸多學者研究的熱點。在早期研究中，大多是以會計利潤作為核心指標，入選的財務比率也是基于資產負債表和利潤表計算出來的，比如Altman建立的Z值模型[ 1 ]，以及Coats和Fant[ 2 ]根據Z值模型的5個財務比率建立的人工神經網絡模型，張玲建立的估計二類線性判別模型等。但隨著企業(yè)生存環(huán)境的日益復雜化，出現(xiàn)了賬面明明利潤充足，卻依舊無法按時償還到期借款的現(xiàn)象，進而導致企業(yè)陷入嚴重的財務危機甚至破產，于是現(xiàn)金流量的重要性開始顯現(xiàn)出來。相較資產負債表與利潤表而言，現(xiàn)金流量表的數據就真實的多。Beaver[ 3 ]的研究結果證明現(xiàn)金流量模型的預測準確率較高。周首華在Z值模型的基礎上加入現(xiàn)金流量這一變量，建立了F模型，楊淑娥和徐偉剛[ 4 ]建立了Y模型，武曉玲和喬楠楠[ 5 ]、劉月等[ 6 ]均發(fā)現(xiàn)，在考慮了現(xiàn)金流量指標之后，預警效果是有所增強的。但也可以發(fā)現(xiàn)，現(xiàn)有研究更多地是在傳統(tǒng)指標的基礎上加入現(xiàn)金流指標，鮮少對其進行單獨考察，故選擇建立完整的現(xiàn)金流指標體系來構建財務預警模型是很有必要的。至于預警模型的選擇，Z值模型引發(fā)了多元判定模型的應用熱潮，其后，Ohlson最早將Logistic回歸模型應用于財務預警模型，國內首次引用Logistic回歸模型的是陳曉等，預測準確率達到73.68%;吳世農、盧賢義發(fā)現(xiàn)同等條件下，Logistic模型的誤判率最低。隨著計算機技術以及人工智能的飛速發(fā)展，神經網絡、支持向量機等也逐漸被用于財務預警領域，但這類方法在優(yōu)勢之余，也呈現(xiàn)出其“黑箱系統(tǒng)”難以被理解、樣本容量要求過大等缺陷[ 7 ]。

除此之外，學術界對財務危機的定義尚存在一些異議，Ross從企業(yè)經營失敗、法定破產、技術破產和會計破產四個維度來定義財務危機。實際操作中，國內學者大多選用被ST的企業(yè)作為財務危機樣本，但呂峻[ 8 ]將財務危機的標準界定為因到期不歸還借款被提起訴訟、因債務重組低價出售資產等。李秉祥[ 9 ]選擇了資不抵債的公司作為財務危機對象。王曉光和陳潔[ 10 ]則認為公司出現(xiàn)粉飾利潤的現(xiàn)象可視為出現(xiàn)財務危機。王秀麗等[ 11 ]在其研究中結合上述定義，對財務危機樣本進行了擴充，定義了五種危機類型，并且發(fā)現(xiàn)低價出售資產占比為43.55%，被特別處理的占比為27.42%，側面反映了擴充危機樣本的定義還是很有必要的。

三、模型介紹

由于Logistic模型在財務危機預警模型中的預測準確率高，也更符合實際經濟狀況，適合解決0—1回歸問題，故本文選擇以此來構建財務預警模型。其原理是假設公司發(fā)生財務危機的概率為P，則P的取值范圍是[0，1]，函數表達式為：

由此得出：

其中，？茁0表示截距，？茁i表示回歸系數，xi表示各類指標。理論上并不存在最優(yōu)分割臨界值，大多數研究者都采用0.5，即當計算出的P值大于0.5時，判斷為危機企業(yè)，小于0.5，則為正常企業(yè)。但本文為得到更好的預警效果，參照張潔[ 12 ]的研究，特針對臨界點進行了反復測試，從而確定最佳臨界值。

四、實證分析

（一）樣本及指標選擇

1.樣本選擇

本文參照王秀麗等的定義，并結合實際，考慮到當公司出現(xiàn)拍賣資產或者資金被凍結的情況時，通常也是陷入財務危機的前兆，故在此將財務危機樣本定義如下：（1）被ST或*ST;（2）因欠款未還被提起訴訟;（3）因債務重組低價出售資產;（4）母公司資不抵債;（5）因虛構利潤被違規(guī)處理;（6）拍賣資產或資金被凍結。

根據上述標準，本文以2002—2017年滬深兩市A股房地產行業(yè)上市公司為研究對象，當公司在上述期間出現(xiàn)上述一項或多項情況時，則定義該公司發(fā)生了財務危機，發(fā)生危機當年定義為T年，若公司在多年中連續(xù)發(fā)生財務危機，則選擇最早的一年定義為T年，同時按照1：1配對原則，選擇資產規(guī)模與危機公司最接近的正常公司，最終得到39家財務危機公司和39家對應的正常公司。

鑒于財務危機的發(fā)生通常都是循序漸進的過程，即如果選擇危機發(fā)生當年的數據建立模型，則不能達到預警效果，再參照我國ST的定義，主要是通過對上市公司連續(xù)兩年的經營業(yè)績進行考察，故本文選擇以樣本公司T-2年（被定義為財務危機前2年）財務數據為研究對象，正常公司樣本也是選擇對應T-2年的財務數據，例如A公司于2002年被定義為危機公司，則T-2=2000年，與之相匹配的正常公司B也選擇2000年的財務數據。為了更好地檢測模型的預警效果，本文將樣本隨機分為兩類，其中建模樣本的組成是31家危機+31家正常，檢驗樣本的組成是8家危機+8家正常。缺失值處理均選用linear trend at point方法，數據來源于CSMAR和RESSET數據庫。

2.指標選擇

參考各種相關文獻后，遵循系統(tǒng)性、針對性、重要性、可比性和易取性原則，本文從現(xiàn)金流量角度，分別從償債能力、獲現(xiàn)能力、發(fā)展能力、現(xiàn)金結構等方面選取了18個指標，形成財務預警指標體系[ 13 ]，具體見表1。

（二）Logistic模型建立

1.顯著性檢驗

進行顯著性檢驗的目的是觀察所選的財務指標在財務危機組與正常組之間是否存在明顯差別。結合其他研究，本文的顯著性檢驗選擇先進行單變量K-S檢驗，目的是區(qū)分各指標分布是否為正態(tài)性，接下來再對滿足正態(tài)分布的指標進行獨立樣本T檢驗，不滿足正態(tài)分布的變量進行曼—惠特尼檢驗。輸出結果顯示，大部分指標通過了顯著性檢驗，其中，現(xiàn)金比率（A5）和經營凈現(xiàn)金流與凈債務之比（A4）的區(qū)別最為顯著，這也佐證了根據本文選用的財務指標建立預警模型是有必要的。

2.相關性檢驗

為消除多重共線性的影響，本文先對18個指標進行相關性檢驗。因選用的變量均為定距型，故采用Pearson系數，由于變量過多，篇幅有限，在此不列出相關系數表。根據輸出的相關系數表發(fā)現(xiàn)：A1、B2與諸多變量的相關性較強，D1和D2、D3的相關性也很高，故去除變量A1、B2和D1，剩下15個變量進入下面的模型。為消除量綱的影響，進入模型的變量統(tǒng)一做標準化處理。

3.Logistic模型結果

（1）模型擬合優(yōu)度

對于Logistic模型，檢驗擬合優(yōu)度指標一般選用-2Log likelihood、Cox & Snell R Square、Nagelkerke R Square等指標，前者類似線性回歸中的誤差平方和，值越小表明模型擬合效果越好，后兩個是類擬合優(yōu)度指標，與線性回歸中的R2類似，值越接近1，則模型擬合效果越好。本文在操作時選擇Backward方法，表2呈現(xiàn)的都是最后一個步驟的結果。

由表2可以看出，本模型的系數綜合檢驗通過，-2Log likelihood值僅為35.860，類擬合優(yōu)度指標分別達到了0.554和0.739，說明本模型的擬合程度較高。

（2）危機臨界值的確定

分類預測表顯示的是Logistic回歸模型預測結果的準確性，系統(tǒng)默認判別點是0.5。本文利用SPSS進行多次臨界點測試，各種對比效果見表3。

假定將正常企業(yè)誤判為危機企業(yè)定義為第Ⅰ類錯誤，將危機企業(yè)誤判為正常企業(yè)定義為第Ⅱ類錯誤，則根據預警模型的作用以及實際情況來看，犯第Ⅰ類錯誤的成本要遠低于第Ⅱ類，即人們往往會更愿意接受誤判正常企業(yè)為危機企業(yè)，從而增強危機意識。所以確定最佳臨界值的標準有兩條：一是模型總體正確率最好，二是危機企業(yè)的預判正確率要盡可能高。從表3可以看出，當臨界值取0.3之后，總體正確率一直穩(wěn)定在87.1%，高于臨界值為0.2時的85.5%，但危機企業(yè)的預判正確率卻在下降，因此綜合來看，0.3為最佳臨界值。即預測的概率大于0.3時，該企業(yè)被判斷為危機企業(yè)，否則為正常企業(yè)。

（3）Logistic回歸結果

回歸參數的顯著性水平定為0.05，Sig.值小于0.05即表明該變量通過檢驗，對是否發(fā)生財務危機有重大影響，應該進入最終的預警模型。

根據表4，只有7個變量通過檢驗進入最終的模型，分別是A5（現(xiàn)金比率）、B1（每股經營活動現(xiàn)金凈流量）、B4（每股投資活動現(xiàn)金凈流量）、B5（每股籌資活動現(xiàn)金凈流量）、C2（經營活動現(xiàn)金增長率）、B6（全部現(xiàn)金回收率）、A4（經營凈現(xiàn)金流量與凈債務之比）。在這里，因為更注重的是各個自變量對是否發(fā)生財務危機影響的相對大小，即判斷哪些財務指標更具有顯著影響，故選用標準化后的回歸系數，P為企業(yè)發(fā)生財務危機的概率。據此得出的預警模型為：

（三）模型效果檢驗

1.回代檢驗

由于SPSS提供的預測率是針對建模樣本本身的，所以如果只用建模樣本來檢測預警模型的預測準確率，可能會不太準確。為避免模型被高估，接下來選擇未參與模型建立的檢驗樣本（8家危機企業(yè)+8家正常企業(yè)）對預警模型的預警能力進行判別，回代檢驗的結果見表5。

從表5的預測結果可以看出，檢驗樣本的總體正確率達到62.5%，對危機企業(yè)的識別率達到了75%，結合建模樣本的預測率來看，本文所建立的財務預警模型統(tǒng)計效果較好，具有一定的實用性。

2.與經典Z值模型對比檢驗

Altman提出的經典Z值模型中的5個變量涵蓋了企業(yè)的償債、盈利和營運能力[ 14 ]，不僅在美國得到了推廣，而且被引入國內后，在理論和實際應用中也都受到了廣泛好評，在眾多財務預警模型中占據權威的地位，因此將本文構建的模型與Z值模型的預警效果相比較，會在一定程度上增強本模型的可信度。Z值模型的具體表達式如下：

Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 ? ? ? ? ? （5）

上式中，各變量的含義分別是：X1是流動資本/總資產，X2是留存收益/總資產，X3是息稅前利潤/總資產，X4是權益市值/總負債，X5是銷售收入/總資產。判斷原則為：若Z值<1.81，則存在較大的破產風險;若Z值> 2.675，則財務狀況良好，風險很小;若Z值處于兩者之間，則處于灰色地帶，無法準確判斷。

為便于預測準確率的統(tǒng)計，本文對Z值模型的判斷原則稍作處理，將處于灰色地帶的企業(yè)判斷為正常企業(yè)，原因是根據我國房地產上市公司的實際情況，處于財務危機中的企業(yè)畢竟占少數，正常公司居多，若將處于灰色地帶的企業(yè)歸于財務危機類，則不太符合現(xiàn)實。將建模樣本和檢驗樣本的數據分別代入Z值模型之后，得到的判別結果見表6。可以看到，對于建模樣本來說，無論是危機企業(yè)的識別率還是總體正確率，Logistic模型都要遠高于Z值模型;對于檢驗樣本來說，Z值模型的總體正確率僅為50%，低于本文模型的62.5%，且就危機企業(yè)的識別率而言，Z值模型的準確率低至37.5%，本文的Logistic模型則達到75%，是可以被接受的。

關于Z值模型在此處的預警效果不是很理想，本文認為原因可能是該模型是根據美國資本市場構建的，國內的會計核算體系畢竟與美國有所差別，同時該模型在建立之初，未考慮行業(yè)的影響，此外，灰色地帶的存在可能也會對模型效果產生影響。

五、結論

本文以滬深兩市A股房地產行業(yè)上市公司2002—2017年期間的財務數據為研究對象，基于現(xiàn)金流量的角度選取了18個財務指標，構建了針對我國房地產行業(yè)上市公司的財務預警模型。其中，對財務危機樣本的定義不再局限于ST企業(yè)，危機樣本的數量也由原來的7家擴充到39家，極大增強了本文預警模型的統(tǒng)計意義。研究結論顯示：（1）該模型的總體預警效果達到了87.1%，并且對危機企業(yè)的識別能力為96.8%，實用性較強;（2）企業(yè)的現(xiàn)金流償債能力、獲現(xiàn)能力以及發(fā)展能力對財務危機的發(fā)生具有顯著性的影響，均進入最后的模型，其中，償債能力和獲現(xiàn)能力的影響最為顯著，這一點與以往學者的研究結論是相符合的;（3）具體來說，每股經營活動現(xiàn)金凈流量（B1）的顯著性影響是最大的，其次是經營現(xiàn)金凈流量與凈債務之比（A4），經營活動產生的現(xiàn)金流增長率（C2）也代表企業(yè)的發(fā)展能力進入模型，這表明對于我國房企來說，經營活動產生現(xiàn)金流的能力是財務預警的關鍵指標，應引起高管們的足夠重視。

此外，本文的指標體系是基于現(xiàn)金流量角度構建的，并未考慮公司內部治理、宏觀政策環(huán)境變化等非財務因素的影響，且由于我國目前發(fā)生財務危機現(xiàn)象的房企數量有限，導致樣本容量仍不夠大，以上不足也許會對預警模型的準確率有一定影響，因此筆者下一步將會嘗試將非財務指標納入模型，以構建出效果更好的財務預警模型。

【參考文獻】

[1] ALTMAN E I. Financial ratios，discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[2] COATS P K，F(xiàn)ANT L F . Recongnizing financial distress patterns using a neural network tool[J]. Financial Management，l993（11）：52-59.

[3] BEAVER W H.Financial ratios as predictors of failure[J]. Journal of Accounting Research，1966，4（1）：71-111.

[4] 楊淑娥，徐偉剛.上市公司財務預警模型：Y分數模型的實證研究[J].中國軟科學，2003（1）：56-60.

[5] 武曉玲，喬楠楠.企業(yè)經營活動現(xiàn)金流量與財務危機的關系研究：基于我國制造業(yè)上市公司的經驗數據[J].山西財經大學學報，2013（12）：113-124.

[6] 劉月，武譽，薛鵬騫.基于現(xiàn)金流量的房地產行業(yè)財務風險預警研究[J].商業(yè)經濟，2017（11）：134-135.

[7] 朱兆珍.企業(yè)生命周期視角下財務危機預警研究[D]. 東南大學博士學位論文，2016.

[8] 呂峻.基于不同指標類型的公司財務危機征兆和預測比較研究[J].山西財經大學學報，2014（1）：103-113.

[9] 李秉祥.基于模糊神經網絡的企業(yè)財務危機非線性組合預測方法研究[J].管理工程學報，2005（1）：19-23.

[10] 王曉光，陳潔.引入財務重述的財務預警模型效率的實證研究[J].會計之友，2014（7）：75-78.

[11] 王秀麗，張龍?zhí)欤R曉霞.基于合并報表與母公司報表的財務危機預警效果比較研究[J].會計研究，2017（6）：38-44.

[12] 張潔.基于現(xiàn)金流量的我國房地產開發(fā)企業(yè)財務風險預警研究[D].太原理工大學碩士學位論文，2015.

[13] 徐偉，陳丹萍.財務風險預警建模原則及幾種預警新模型[J].統(tǒng)計與決策，2016（8）：150-153.

[14] 游達明，劉亞慶.Z值財務預警模型在交通運輸業(yè)的修正與應用[J].華東經濟管理，2015，19（7）：9-13.