企業(yè)財務風險預警模型的分析—基于制造業(yè)數(shù)據(jù)

肖鳳美

摘要：財務風險的發(fā)生難以預料，一旦出現(xiàn)，很有可能影響到企業(yè)經(jīng)營，不僅阻礙企業(yè)發(fā)展，甚至造成企業(yè)破產(chǎn)。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(yè)企業(yè)建立財務風險預警模型。

關鍵詞：財務風險；預警模型；制造業(yè)企業(yè)

在企業(yè)中，風險管理是直接影響企業(yè)生產(chǎn)發(fā)展的重要部分，財務風險預警作為企業(yè)風險控制的核心，占據(jù)重要地位。制造業(yè)作為我國國民經(jīng)濟的主干支撐產(chǎn)業(yè)，直接關系到民生發(fā)展。隨著我國市場的轉型，很多制造企業(yè)陷入財務危機中，甚至導致企業(yè)破產(chǎn)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(yè)財務風險預警模型

（一）單變量風險預測模型

對于制造業(yè)企業(yè)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(xiàn)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(chǎn)負債率，和經(jīng)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(chǎn)組和非破產(chǎn)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(xiàn)代先進的計算工具。因此這種模型計算工具不符合現(xiàn)代風險預警的要求，準確性也不能保證，在今天已經(jīng)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(shù)，得到Z值，也就是風險度量值。如果Z值越大，那么企業(yè)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(xiàn)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(tǒng)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(jīng)網(wǎng)絡模型

最后一種是神經(jīng)網(wǎng)絡模型，利用神經(jīng)網(wǎng)絡進行風險預測。相比于前幾種模型，神經(jīng)網(wǎng)絡模型在檢驗數(shù)據(jù)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(jīng)過和多個模型的對比，神經(jīng)網(wǎng)絡模型所達到的預測精度是最高的，但是在神經(jīng)網(wǎng)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(yè)企業(yè)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(yè)上市公司中選擇了100家企業(yè)作為樣本作為研究，將2014、2015、2016三年的數(shù)據(jù)作為資料，這樣也就建立了數(shù)據(jù)模型對企業(yè)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(yè)作為驗證的數(shù)據(jù)樣本，對模型進行驗證。（數(shù)據(jù)來源鳳凰財經(jīng)網(wǎng)）

2.選取指標

以相關性、普遍性作為原則，從企業(yè)的真實情況出發(fā)，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(yè)沒有辦法償還債務的風險表現(xiàn)，本文需要對企業(yè)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(jù)企業(yè)盈利和營運能力選取指標。再次企業(yè)若陷入財務危機必然會造成發(fā)展緩慢，本文還需要選擇代表企業(yè)發(fā)展能力的部分指標。最后現(xiàn)金流量的指標是在現(xiàn)金制基礎之上，能夠直接體現(xiàn)出企業(yè)償債能力，財務指標之間存在一定的數(shù)據(jù)相關性，選取指標也需要注意指標關聯(lián)性[2]。因此指標的選擇需要從盈利、營運、償債、現(xiàn)金流量以及發(fā)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(jù)財務數(shù)據(jù)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(chǎn)報酬率；針對償債能力選取的指標包括速動比率和資產(chǎn)負債率；針對現(xiàn)金流量選取的指標包括流動負債比率和現(xiàn)金流量；針對運營能力選取的指標包括總資產(chǎn)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(chǎn)增長率和凈利潤增長率。

（二）數(shù)據(jù)處理

1.正態(tài)性檢驗數(shù)據(jù)

首先需要檢驗數(shù)據(jù)正態(tài)性，使用SPSS18.0軟件檢驗數(shù)據(jù)，驗證數(shù)據(jù)能否和正態(tài)分布相吻合，如果數(shù)據(jù)并不符合正態(tài)分布，那么需要使用Logistic回歸法，根據(jù)檢驗結果，2015年和2014年的資產(chǎn)周轉率、資產(chǎn)增長率、現(xiàn)金流量服從正態(tài)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(tài)分布，需要使用Logistic回歸法進行分析。

2.差異性檢驗數(shù)據(jù)

對樣本數(shù)據(jù)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(yè)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(jù)數(shù)據(jù)特征，如果樣本都是取自正態(tài)分布數(shù)據(jù)，那么使用t進行檢驗，相反則使用非參數(shù)進行檢驗。針對本文的數(shù)據(jù)需要使用非參數(shù)進行檢驗。經(jīng)過檢驗能夠了解到樣本數(shù)據(jù)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(yè)在這兩個指標顯示出的差異性不夠顯著，要想保證模型統(tǒng)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(shù)據(jù)

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(shù)據(jù)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(jù)對數(shù)據(jù)進行KMO統(tǒng)計量檢驗，發(fā)現(xiàn)三年數(shù)據(jù)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(jīng)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(yè)面對財務危機的發(fā)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(yè)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(yè)并不存在財務危機。2016年在本文研究的企業(yè)中，有50家正常狀態(tài)的企業(yè)，有50家正在財務危機中的企業(yè)，其中44家正常狀態(tài)企業(yè)和模型的結果顯示一致，有41家危機中的企業(yè)模型預測結果保持一致。存在15家企業(yè)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(tài)下的準確率達到了88%，財務危機狀態(tài)下的準確率達到了82%。

最后重新選擇二十家制造業(yè)企業(yè)進行研究分析，通過標準化處理指標數(shù)據(jù)之后，根據(jù)標準化結果進行矩陣計算，從而得到企業(yè)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(yè)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(jīng)過計算發(fā)現(xiàn)，得到企業(yè)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(yè)財務危機的時候有著較高的準確率。

三、結論

綜上所述，經(jīng)過對財務風險預警模型的分類進行研究，提出了制造業(yè)企業(yè)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(shù)據(jù)處理，通過正態(tài)性、差異性以及共線性檢驗，是數(shù)據(jù)得到標準處理；最后需要建立Logistic財務風險預警模型，對企業(yè)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(xiàn)代商業(yè)，2018 （05）：193-194.

[3]劉迎旭.基于BP神經(jīng)網(wǎng)絡的我國制造業(yè)上市公司財務預警模型研究[D].北京印刷學院，2018.