企業財務風險預警模型的分析—基于制造業數據

肖鳳美

摘要：財務風險的發生難以預料，一旦出現，很有可能影響到企業經營，不僅阻礙企業發展，甚至造成企業破產。基于此，本文先是對風險預警模型進行了研究，然后研究了制造業企業建立財務風險預警模型。

關鍵詞：財務風險；預警模型；制造業企業

在企業中，風險管理是直接影響企業生產發展的重要部分，財務風險預警作為企業風險控制的核心，占據重要地位。制造業作為我國國民經濟的主干支撐產業，直接關系到民生發展。隨著我國市場的轉型，很多制造企業陷入財務危機中，甚至導致企業破產倒閉。因此，必須要加強對風險預警模型的研究，準確預測財務風險，進行風險的管理。

一、企業財務風險預警模型

（一）單變量風險預測模型

對于制造業企業的預警模型主要有三種，一種是單變量預測模型，這種模型通過現金流量和負債總額比值進行財務情況的判斷，然后能夠得出資產負債率，和經營失敗日期距離越近，準確率越高[1]。這種模型要將樣本分成破產組和非破產組，進行財務比率的分析比較，這種方法屬于描述性分析，缺少現代先進的計算工具。因此這種模型計算工具不符合現代風險預警的要求，準確性也不能保證，在今天已經不再適用。

（二）多變量風險預測模型

另一種是多變量財務風險預警模型，在這類模型中主要存在兩種，分別是Z模型和Logistic回歸模型。Z模型是利用財務比率計算加權平均數，得到Z值，也就是風險度量值。如果Z值越大，那么企業面對財務危機的概率也就越小。這種模型最大的局限就是忽視了現金流量變化的影響。而Logistic回歸模型使用多元非線性分析，使用統計軟件讓計算量降低，通過建立簡化的指標體系，能夠提高模型的實用性和科學性。

（三）神經網絡模型

最后一種是神經網絡模型，利用神經網絡進行風險預測。相比于前幾種模型，神經網絡模型在檢驗數據樣本的準確率能夠達到82%，但是Z模型的準確率只能達到74%。經過和多個模型的對比，神經網絡模型所達到的預測精度是最高的，但是在神經網絡模型中包含多種遺傳的算法，對于模型使用人員有很高的要求，因此這種模型的普遍使用受到一定限制。

二、制造業企業建立財務風險預警模型

（一）模型設計

1.選取樣本

本文從我國的制造業上市公司中選擇了100家企業作為樣本作為研究，將2014、2015、2016三年的數據作為資料，這樣也就建立了數據模型對企業的財務風險進行預測研究。在本文建立模型之后，隨機選取十家企業作為驗證的數據樣本，對模型進行驗證。（數據來源鳳凰財經網）

2.選取指標

以相關性、普遍性作為原則，從企業的真實情況出發，在指標的選擇上著重分析了下面的因素：首先是財務風險作為企業沒有辦法償還債務的風險表現，本文需要對企業償債能力展開研究。其次財務風險難免受到盈利和營運能力的影響，造成財務風險的加大或縮小，本文也需要根據企業盈利和營運能力選取指標。再次企業若陷入財務危機必然會造成發展緩慢，本文還需要選擇代表企業發展能力的部分指標。最后現金流量的指標是在現金制基礎之上，能夠直接體現出企業償債能力，財務指標之間存在一定的數據相關性，選取指標也需要注意指標關聯性[2]。因此指標的選擇需要從盈利、營運、償債、現金流量以及發展這五個方面來選取，本文選擇了11個指標作為初始財務指標，根據財務數據進行建立預警指標。

選取的指標如下：針對盈利能力選取的指標包括銷售凈利率、總資產報酬率；針對償債能力選取的指標包括速動比率和資產負債率；針對現金流量選取的指標包括流動負債比率和現金流量；針對運營能力選取的指標包括總資產周轉率、存貨周轉率以及應收賬款周轉率；針對成長能力選取的指標包括總資產增長率和凈利潤增長率。

（二）數據處理

1.正態性檢驗數據

首先需要檢驗數據正態性，使用SPSS18.0軟件檢驗數據，驗證數據能否和正態分布相吻合，如果數據并不符合正態分布，那么需要使用Logistic回歸法，根據檢驗結果，2015年和2014年的資產周轉率、資產增長率、現金流量服從正態分布之外，其他的指標都不服從，那么樣本整體并不符合正態分布，需要使用Logistic回歸法進行分析。

2.差異性檢驗數據

對樣本數據進行差異性檢驗最主要的目的是從指標中選取能夠確定企業差異的指標，若指標并不具備明顯的差異，也就說明指標說服力比較差，需要將指標去除掉。這種檢驗方法還需要根據數據特征，如果樣本都是取自正態分布數據，那么使用t進行檢驗，相反則使用非參數進行檢驗。針對本文的數據需要使用非參數進行檢驗。經過檢驗能夠了解到樣本數據中應收賬款周轉率、存貨周轉率的顯著性水平達到了0.05，企業在這兩個指標顯示出的差異性不夠顯著，要想保證模型統一性，需要剔除掉這兩個指標，最后剩下九個指標。

3.共線性檢驗數據

使用Logistic回歸法需要自變量之間不具備多重共線性，最終需要得到隨機的指標體系，指標中如果存在重疊情況或者冗余的指標，很容易造成錯誤的判斷[3]。因此需要建立更加科學合理的預警模型，對變量多重共線性進行考察。本研究使用成分分析的方法消除共線性，先將原始數據進行標準處理，讓主分量之間互不相關，這樣能夠更好的滿足Logistic回歸法的要求，提高預警模型的合理性，提高預警判斷的準確率。根據對數據進行KMO統計量檢驗，發現三年數據KMO取值都能達到0.5以上，說明樣本適合運用主成分分析的方法。經過分析得出可以使用五個成分取代九個指標。

（三）建立財務風險預警模型

在 Logistic回歸分析模型中，將五個成分和因變量當做是建模變量進行擬合，也就得到了概率的表達式。如表1所示，概率代表著企業面對財務危機的發生概率，當概率超過0.5的時候，因變量的值為1，也就說明企業面臨財務危機；當概率小于0.5的時候，因變量的值為0，就說明企業并不存在財務危機。2016年在本文研究的企業中，有50家正常狀態的企業，有50家正在財務危機中的企業，其中44家正常狀態企業和模型的結果顯示一致，有41家危機中的企業模型預測結果保持一致。存在15家企業和模型預測結果不一致。因此，本研究模型的準確率達到了85%，其中正常狀態下的準確率達到了88%，財務危機狀態下的準確率達到了82%。

最后重新選擇二十家制造業企業進行研究分析，通過標準化處理指標數據之后，根據標準化結果進行矩陣計算，從而得到企業主成分的得分。如表2所示，將主成分得分融入到預警模型中，將0.5作為臨界點，如果概率的值不小于0.5，那么企業就面臨著財務風險，若概率值小于0.5，那么模型無法判斷財務風險。經過計算發現，得到企業前幾年的預測結果，預警模型的準確率達到了90%以上。這也說明預警模型在預測其他企業財務危機的時候有著較高的準確率。

三、結論

綜上所述，經過對財務風險預警模型的分類進行研究，提出了制造業企業建立財務風險預警模型，首先需要在模型設計中，選取樣本和指標；其次進行數據處理，通過正態性、差異性以及共線性檢驗，是數據得到標準處理；最后需要建立Logistic財務風險預警模型，對企業財務風險進行準確預測。

參考文獻：

[1]顧曉安，王炳蘄，李文卿.Logistic財務預警模型預警正確率提升研究——引入盈余管理變量的分析[J].南京審計大學學報，2018，15 （04）：45-52.

[2]熊鵬飛，汪錦琪，張珍賢.我國上市公司財務風險預警研究——基于Z計分模型評價公司財務風險狀況[J].現代商業，2018 （05）：193-194.

[3]劉迎旭.基于BP神經網絡的我國制造業上市公司財務預警模型研究[D].北京印刷學院，2018.