創業板上市公司財務風險預警研究檢驗

王晨

[摘 要] 創業板又稱二板市場，是對主板市場的重要補充。近年來，由于我國創業板市場在監管方面相對主板市場稍顯滯后，導致創業板上市公司有發生財務風險的可能。為此鑒于國內外關于財務風險預警的研究文獻，依照2012年頒布的《深圳證券交易所創業板股票上市規則》選取66家創業板上市公司作為研究樣本，另選30家創業板上市公司作為檢驗樣本，分別構建基于主成分分析法和Logistic回歸分析的財務風險預警模型。實證結果表明，Logistic回歸預警精準度更高，更加適用于我國創業板上市公司。無論對于企業經營者或是投資者來說，本模型都可用于參考，一定程度上可以避免經營失敗或是投資失敗造成的損失。

[關鍵詞] 財務風險；預警模型；主成分分析；Logistic回歸

[中圖分類號] F640 [文獻標識碼] A [文章編號] 1009-6043（2018）03-0174-03

一、引言

截止2017年10月，創業板共有690家上市公司，總市值達5.5萬億元。創業板作為我國資本市場的重要組成部分，其最主要的意義在于為中小型企業拓寬了融資渠道，為其發展提供了平臺，但是由于創業板準入門檻低、成立時間短、業績不突出等特點，再加上在全球經濟復蘇緩慢的背景下國際國內市場瞬息萬變，導致上市公司在經營上存在重大風險的可能。一旦發生風險將給企業自身、投資人、債權人造成重大損失。因此在風險發生前進行有效防范將是重中之重。2012年《規則》的頒布針對創業板上市公司的退市有了明確規定，同時對于建立健全的資本市場運轉體系具有重大指導意義。

立足于創業板上市公司，分別建立基于主成分分析和Logistic回歸分析財務風險預警模型，通過預警模型幫助企業盡早識別并規避風險。

二、文獻綜述

國外關于風險預警的研究最早可以追溯到上世紀30年代Fitz Patrick（1932）提出的單變量分析法。Beaver（1966）提出單變量判別模型，發現現金流量負債比與資產負債率最能判定公司經營情況且距離破產日越近，預測越準確。Altman（1968）在對制造業企業進行財務預警時，首先使用了多重判別分析法。Ohlson（1980）最早將Logistic回歸分析引入到財務預警研究中。至此，Logistic回歸分析將風險以概率值的形式反映出來。在90年初期，隨著計算機網絡技術的發展，諸如人工智能以及神經網絡等技術也被應用到財務預警中，這些技術大大提高了預警的準確性。

我國學者對財務風險預警的研究大多借鑒國外經驗，但目前已有初步成果如陳靜（1999）認為使用多元判定模型進行預測其結果好于單變量模型。周首華，楊濟華，王平（1996）認為現金流量指標是對傳統Z模型五類具體指標的補充，并提出了F分數模型。孔寧寧，魏韶巍（2010）對我國主板市場制造業上市公司進行財務預警，對比Logistic回歸模型和主成分分析，認為主成分分析預警效果更好。宋曉娜，黃業德，張峰（2016）認為Logistic回歸分析更適用于我國制造業上市公司財務預警且準確度高達90%。

綜上所述，我們認為采用不同方式的預警模型會對預警效果產生一定影響。此外，樣本數量、指標選擇以及所選行業都會對預警結果產生重大影響。在我國現階段的研究中，單變量模型依據的財務指標過于單一，預警準確度不高，而多元線性判定模型要求自變量必須符合正態分布，且樣本之間具有相等的協方差，這在無形中增加了難度。相比而下，Logistic回歸模型則不會受到假設的約束。

鑒于此，考慮到現有的研究主要集中在主板市場，對創業板市場進行的研究案例較少。因此以創業板上市公司為研究對象，選擇反映企業財務狀況的償債能力、盈利能力、營運能力、發展能力和資本結構五大類共19個財務指標作為財務預警指標體系的組成要素，建立主成分分析和Logistic回歸分析兩種財務風險預警模型并加以驗證。

三、研究設計

（一）研究樣本選擇

由于在2012年最新頒布的《規則》中對創業板上市公司的退市制度作出明確規定，加之我們主要探討的是財務方面引起的風險，故而像“被證券交易所公開譴責”的規定我們無法判斷是否完全基于財務問題，因此暫且不予考慮。基于以下兩個條件判定創業板上市公司可能出現潛在的財務風險：其一首次出現凈利潤為負；其二凈資產較上年增長率為負。根據這兩個條件并按照證監會2012年對創業板上市公司進行的行業板塊分類，篩選出33家企業作為研究樣本，同時按照1：1的比例對所選企業進行配對，共找到行業、規模與之相近的配對企業33家，并選取2014-2016年的公開數據，數據來源為巨靈數據庫。

（二）預警指標選擇

為了能夠全面反映企業的財務狀況和經營成果，所選擇的財務指標涵蓋了償債能力、盈利能力、營運能力、發展能力和資本結構等五大類一級指標以及19個二級指標。現根據樣本公司三年的公開數據對19個財務指標進行配對樣本T檢驗，經檢驗共有8個財務指標在0.05的顯著水平下通過檢驗，分別是流動比率（X1）、速動比率（X2）、已獲利息倍數（X3）、應收賬款周轉率（X4）、總資產周轉率（X5）、有形資產/總資產（X6）、總資產報酬率（X7）和銷售毛利率（X8）。最終依據8個財務指標建立財務風險預警模型。

四、模型構建與檢驗

（一）主成分分析預警模型構建

為了消除不同量綱的影響，我們要對66家樣本公司的數據進行標準化處理。同時進行KMO統計量與Bartlett球形檢驗，以此來驗證標準化后的數據能否達到主成分分析的條件。檢驗結果顯示KMO值為0.626，Bartlett檢驗統計量對應的顯著性小于0.05，表明標準化后的數據達到主成分分析的要求。

我們運用SPSS19.0對所選取的2014-2016年66家樣本公司的財務指標進行主成分分析，可以得出各主成分的特征值和貢獻率如表1所示。前六個主成分的累計方差貢獻率達到79.045%，能夠對總體起到解釋概括作用。

（二）Logistic回歸模型構建

運用SPSS19.0對樣本公司數據進行Logistic二元回歸分析，假設Y為因變量，上文提取的6個主成分為自變量，將所有的變量帶入回歸方程。在研究中將P=0.5作為是否有潛在發生財務風險可能的臨界點。最后當將檢驗樣本帶入已建立的財務風險預警模型時，若輸出的P值大于0.5，代表該樣本公司運營良好，暫無發生財務風險的可能；若輸出的P值小于0.5，則有發生財務風險的可能性，應給予重視和防范。具體如表2所示。

（三）預警模型檢驗

下面使用30家樣本公司檢驗以上兩種財務風險預警模型。首先將標準化后的檢驗樣本財務指標代入主成分預警模型中，計算樣本公司的預警分布值并將Z值從大到小排列。在保證判別分類錯誤最小的前提下，樣本公司的臨界點定為兩類Z值分布平均數的算術平均數2.0466。即當Z值>2.0466時，為暫無財務風險；當Z值<2.0466時，為有潛在可能發生財務風險。

對于Logistic回歸模型檢驗，首先將檢驗樣本按照是否有可能發生財務風險分為兩類，再將選擇樣本的財務指標標準化后得到6個主成分分值，最后將得到的主成分得分輸入到已建立的Logistic回歸模型中，計算出概率P的值，將得出的P值與臨界點0.5進行對比。

導致錯誤的發生有兩種可能性，其一為誤拒錯誤，即把有潛在發生財務風險的公司看作財務運行良好不會發生風險的健康公司；其二是誤受錯誤，即把財務狀況良好的健康公司看作有潛在可能發生財務風險的公司。具體檢驗結果如表3所示。

通過表3可以看出，Logistic回歸分析預警模型和主成分預警模型擁有共性特征即對于財務狀況良好的公司預警精準度更高；對于有可能出現財務風險的公司預警精準度稍弱，但是從整體上看，Logistic回歸預警模型的效果更好，精準度更高達到80%。

五、研究結論及不足之處

（一）研究結論

通過建立基于主成分分析法和Logistic回歸分析財務風險預警模型，對檢驗樣本進行驗證，預警精準度分別達到了70%和80%，從整體上看Logistic回歸分析預警模型效果更好。但是由于財務風險不可完全消除，只能加強防范，盡量將損失降到最低。

對于企業經營者來說，要及時觀察市場動態，把握政策導向，適時適當地調整經營策略，做到防范于未然；對于投資者和債權人更要審時度勢，在提供融資或投資前盡可能多的了解企業的經營狀況更要關注企業公開的財務數據，以此避免損失。無論對于企業經營者或是投資者來說，本模型都可用于參考，一定程度上可以避免經營失敗或是投資失敗造成的損失。

（二）不足之處

在樣本選擇上，僅僅以首次出現凈利潤為負和期末凈資產低于期初來判斷有潛在可能出現務風險，而忽略其他因素，況且我們無法保證做到上述兩方面的企業不會發生財務風險，這就導致我們的研究有些片面；在財務指標的選擇上，僅僅選擇了財務指標，沒有考慮非財務指標對公司經營帶來的影響；檢驗樣本時沒能對樣本公司進行三年的跟蹤式檢驗，可能會影響預警精準度。這些不足必然會導致研究結果受到一定影響，在后續的研究中將逐漸克服這些局限。

[參考文獻]

[1]Fitz Patrick P J. A Comparison of Successful Industrial Enterprises with Those of Failed Firms[M]. Certified Public Accountant. 1932（2）：589-605.

[2]Beaver W. Market prices，financial rations，and the prediction of failure[J]. Journal of Accounting Research. 1968：179-192.

[3]Altman E. Financial ratios，discriminant analysis and the prediction of corporate bankruptcy[J]. Journal of Finance. 1968（4）：598-609.

[4]Ohlson，James. A Financial Ratios and the Probabilistic Prediction of Bankrupt[J].Joumal of Accounting Research. 1980 18（1）：109-131.

[5]陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999（4）：31-38.

[6]周首華，楊濟華，王平.論財務危機的預警分析—F分數模式[J].會計研究，1996（8）：8-11.

[7]孔寧寧，魏韶巍.基于主成分分析和Logistic回歸方法的財務預警模型比較—來自我國制造業上市公司的經驗證據[J].經濟問題，2010（6）：112-116.

[8]宋曉娜，黃業德，張峰.基于Logistic和主成分分析的制造業上市公司財務危機預警[J].財會月刊，2016（3）：67-71.

[責任編輯：潘洪志]