我國化工行業上市公司財務預警實證研究

陶然 胡恩華

摘要：本文以建立企業財務風險預警模型為基礎，利用2015年的數據，選取66家中國化工行業上市公司為研究樣本，采用主成分分析方法和Logistic回歸分析方法進行分析，構建適合我國化工企業的財務風險預警模型。該模型在一定程度上擺脫了自變量間多重共線性的影響，Logistic回歸則在一定程度上致使企業財務危機預測的準確性出現大幅提升。利用2017年最新的數據對66個樣本進行驗證，預測結果為總預測準確率96.67%，驗證結果比較合理。

關鍵詞：化工行業 財務危機 財務預警模型

近年來化工行業陷入到發展窘境當中，原料成本持續升高，市場需求持續低迷，導致存貨積存過量，面臨滯銷，進而致使部分企業面臨嚴重虧損，甚至遭受較為嚴峻的財務危機。2016-2017年間，在化工行業上市公司中，就有11家企業面臨退市處理。面對日趨復雜的市場環境，化工企業需要運用合理的工具來及早發現存在的問題，因而迫切要求有適合我國化工企業的財務預警模型。本文選取66家中國化工行業上市公司為研究樣本，采用主成分分析方法和Logistic回歸分析方法，以建立企業財務風險預警模型，對我國化工企業的財務預警提供適合本行業的模型，為化工企業及早預測風險，控制和轉移風險提供參考，以促進化工業企業的健康發展。

一、綜述

國內圍繞預警方法與模型進行了較多的研究。鐘琳運用因子分析法和改善過后的改進法對變量的共線性進行消除并降維，進行Logistic回歸，形成了制造業財務預警模型。汪浩杰評估未來可能發生的異常財務風險，并對其進行因子分析， 篩選出對企業產生重要影響的風險因子。李莉用我國深圳 A 股上市公司的財務數據，構建出符合我國企業實際狀況的危機預警模型。宋彪等引入大數據指標建立財務預警模型，從長期來看預測效果更為顯著。宋海潮 從現金流量的角度，應用 Logistic模型，構建我國制造業上市企業提前三年預警模型。符剛等基于現存的財務預警研究文獻，利用全局主成分分析法建立了融合神經網絡和 Kalman 濾波法的財務預警模型，提高了財務預警的準確性。梁飛媛通過確定對財務危機有重大影響的宏觀經濟指標，構建出綜合財務指標和宏觀指標作為預警矩陣。史家亮等運用主成分法構建不同經濟周期的 Logistic 模型來確定財務預警方向。

二、我國化工企業財務預警模型的研究設計

（一）財務預警指標的選取

本文采用了財務指標和非財務指標來共同構建財務預警指標體系。財務指標包括了償債能力指標、盈利能力指標、運營能力指標、成長能力類指標。非財務指標為依據化工行業特色進行選取的。由此形成了包括五大類，共28個指標的預警指標體系。

（二）財務預警模型構建的方法

本文構建化工企業的財務預警模型主要有兩個步驟：第一步，初步構建財務預警模型。本文以樣本企業2015年和2016年的財務狀況構建財務預警模型。首先采用主成分分析法提取主成分，其次，利用提取的主成分進行Logistic回歸，將樣本公司劃分為財務正常公司和財務危機公司，以樣本公司的財務狀況（發生財務危機為1，未發生財務危機為0）作為因變量Y，將提取出的主成分作為自變量X，進行回歸，以得到的回歸模型作為適合我國化工企業的財務預警模型；第二步，以樣本公司最近一年的指標數據對該預警模型進行檢驗，最終確定該預警模型的可靠性。

（三）樣本選取與數據來源

本文以我國A股市場中的化工企業作為研究樣本。以上市公司中被ST的公司作為財務危機公司，其他公司則為財務正常公司。對于被ST的公司而言，綜合運用2015年和2016年的數據來預測企業當前是否面臨財務風險。采用2017年的數據進行模型檢驗。

為使入選樣本符合本文研究的要求，按照以下原則進行篩選：第一，剔除上市時間較短或者財務數據較少的記錄；第二，剔除數據不滿足財務狀況異常條件的ST公司；第三，剔除指標數據異常且無統計意義的公司；第四，剔除被ST與撤銷ST的之間年限較短的公司；第五，剔除財務狀況健康但凈利潤為負數的公司。

經過上述處理之后，考慮到研究過程中財務預警模型對年度時間因素的穩定性，選取了2016、2017年中被ST的8只股票，具體為2016年被ST的云維股份、建峰化工、天化股份、明天科技，2017年被ST的河池化工、柳化股份、昌九生化、三愛富。根據財務健康的公司與ST公司資產的相似度選擇了70家財務狀況健康的非ST公司。因此，共計樣本公司為80只。以上公司的財務數據與非財務統計數據均是來源于新浪財經和國泰安數據庫。

三、我國化工企業財務預警模型的構建步驟

（一）指標變量的組間差異性分析

在檢驗所選取的變量在ST與非ST之間的差異性之前，首先要確定被研究的樣本總體是否滿足正態分布，以便進一步確定檢驗變量的方法。如果總體服從正態分布，則使用T檢驗進行分析；否則，使用非參數檢驗進行分析。用SPSS24.0對28個指標的檢驗結果顯示，在假設顯著水平默認95%的條件下，P值大于臨界值0.05的指標共有7個，分別是：X3、X9、X12、X13、X20、X23、X24，這些指標服從正態分布。其余的21個指標不服從正態分布。

因為不能拒絕原假設和拒絕原假設的指標數量相差較大，無法判斷樣本總體是否服從正態分布，所以本文同時使用T檢驗和K-S檢驗對指標變量的差異性進行檢驗，假設兩組變量無差異，檢驗結果顯示T樣本獨立檢驗中的P值大于0.05共有18個。根據靈活取舍的原則，本文決定將X10和X12進入下一步，因為這兩個都是盈利類指標，與企業是否被ST存在直接關系。同時，去掉總資產增長率X20和現金流量比率X7。

（二）提取主成分

在排除上述18個指標后，仍然存在10個指標變量，依次是：資產負債率X6、總資產報酬率X8、總資產凈利率X9、凈資產收益率X10、營業毛利率X11、營業利潤率X12、凈資產收益增長率X21、基本每股收益增長率X22、凈利潤增長率X23、經營活動現金凈流量增長率X25。由于具有相關性的指標之間可能會存在變量的多重共線性，容易扭曲事實信息導致判斷錯誤，因此本文采用相關系數來觀察指標變量之間的多重共線性。這10個指標兩兩變量之間的相關系數如下表1所示。

從下表中可以發現、X9與X8、X22與X21、X23與X21、X23與X22這四對變量呈高度線性相關，另外還有很多變量之間呈顯著相關。為了將10個指標精簡到6個以內，本文運用主成分法進行分析消除指標間的多重共線性。通過KMO和Bartlett球形度檢驗表明，KMO值=0.648>0.5，顯著水平=0.000<0.05，說明本研究10個指標變量樣本適合做主成分分析。本文主成分分析法提取因子的特征值與貢獻率如上表2所示。

為了保證每個因子都能顯著的解釋相關變量，本文運用了最大方差法針對因子矩陣實施旋轉操作并得到的如上表3的結果：

（三）Logistic回歸分析

提取主成分后的各因子間不存在共線性關系，能夠用于構建Logistic回歸模型。本文將樣本公司的財務狀況（發生財務危機為1，未發生財務危機為0）作為因變量Y，將三個主成分作為自變量X，進行Logistic回歸，結果如表4。

四、我國化工企業財務預警模型的檢驗

為了驗證該模型的預測能力，從中國滬市和深市化工行業上市公司共抽取了66家公司，以其財務數據進行檢驗。將檢驗樣本公司的相關數據代入對應代入因子得分表達式中計算得到P值，以P=0.5為分界點，低于0.5記為財務正常，高于0.5記為財務危機，檢驗結果表明本文構建的化工企業財務預警模型的總體預測率為96.97%，說明該模型檢驗通過。其中ST*河化和天龍集團的情形較為特殊。天龍集團本為非ST企業，該預警模型判定為財務危機企業。ST*河化為ST企業，該模型判定為財務正常企業。對于天龍集團來說，其2017年凈利潤為-3.1億元，較2016年凈利潤1.43億元不僅大幅度減少，還由盈利變為了虧損，這說明該企業即將面臨財務危機的威脅，因此我們認為該模型的判定具有前瞻性，不屬于誤判?？傮w來看，選取的66個檢驗樣本只有一個判斷錯誤，說明該財務預警模型能夠很好的預測財務危機。

（作者單位：陶然，淮海工學院財務處；胡恩華，南京航空航天大學經濟與管理學院。）

參考文獻：

[1]鐘琳.基于Logistic模型的公司財務風險預報實證分析[D].成都：成都理工大學2009，（21）：11-19.

[2]汪浩杰.企業財務風險預警分析[J].知識經濟，2009，（16）：57.

[3]李莉.基于Logistic分析的上市公司財務預警研究[J].生產力研究，2014 （16）：32-36.

[4]宋彪，朱建明.基于大數據的企業財務預警研究[J].中央財經大學學報，2015（6）：55-64.

[5]宋海潮. 基于現金流量的我國制造業上市公司財務預警研究[J].時代金融，2016（11）：175-176.

[6]符剛，曾萍，陳冠林.經濟新常態下企業財務預警實證研究[J].財經科學，2016，（10）：87-99.

[7]梁飛媛.基于宏觀經濟波動的財務指數預警矩陣實證研究[J].山西財經大學學報，2016，（02）：12-18.

[8]史佳亮，楊碩杰，范偉陽.經濟周期對企業財務預警模型的影響研究[J].對外經貿，2017 ， （5）：133-137.