基于主成分分析法的我國鋼鐵行業財務預警模型構建研究

王小鵬 趙帥強

【摘要】? 當前，我國鋼鐵行業受產能過剩、鐵礦價格波動、國家環保政策趨緊以及近期中美貿易摩擦等因素影響，經營面臨諸多不確定性，引發了潛在的財務風險。因此，探索建立適應國家政策、符合行業特色的財務預警模型對于鋼鐵行業來說具有重大的理論及現實意義。文章基于主成分分析法，以多因素模型作為基本框架，通過K-S檢驗、T檢驗和Mann-Whitney U檢驗，從42個重要財務指標和1個非財務指標中篩選出13個變量進行主成分分析，構建F計分模型，并通過24家上市鋼企近年來的數據對所建立的財務預警模型進行測試，結果顯示模型具有良好的可靠性。

【關鍵詞】? ?主成分分析法;鋼鐵行業;財務風險;預警模型

【中圖分類號】? F275? 【文獻標識碼】? A? 【文章編號】? 1002-5812（2019）06-0109-04

一、引言

鋼鐵行業在我國國民經濟中占據著十分重要的地位。自2011年以來，我國鋼鐵行業產能過剩問題逐漸突出，低效、低價、低利形勢日益嚴峻。2017年，雖然鋼價緩慢回升，但鋼鐵行業的效益仍然處于工業制造業、冶煉業的較低水平，主營業務利潤率僅為4.70%，不及當年全國規模以上工業企業主營業務利潤率的6.35%。在國家供給側結構性改革的持續推進下，2018年1—5月，我國鋼鐵行業有所回暖，如螺紋鋼與上年同期相比利潤增幅達49%，熱軋鋼增幅高達350%。在結構轉型、國企改革、提質增效等政策引導下，管理創新成為鋼鐵行業高質量可持續發展的重要手段。企業財務通則規定，企業應當建立財務風險管理制度和財務預警機制。因此，為了促進我國鋼鐵行業的健康發展，防范財務風險，在充分結合我國經濟運行特點和鋼鐵行業經營特征的基礎上，本文建立了科學有效的財務預警模型，以促進企業管理創新，實現穩健經營和可持續發展的目標。

二、文獻綜述

有關財務預警理論的基本研究，在國外，自上世紀30年代開始，Fitzpatrick（1932）最早采用單一的財務比率分析法，將19家企業分為破產組和非破產組進行對比研究，構建了預測企業財務危機的一元判定模型。Altman（1968）以33家破產企業和33家經營正常企業的財務數據作為研究支撐，依據誤判率孰小的標準得出5個變量作為判別指標，構建了應用最為廣泛的Z-Score模型[1]。Ohlson（1980）選擇了105家經營惡化企業和2 058家經營正常企業組成配對樣本進行了探索，將邏輯回歸方法納入財務危機預警體系。Zmijewski（1984）選取了3 956家企業的財務數據（其中76家為破產企業），利用Probit模型進行了全面財務預警分析。進入上世紀90年代后，Odom（1990）首次將人工神經網絡引入企業財務預警研究，結果表明人工神經網絡能夠很好地進行財務危機預測。

在國內，由于我國市場經濟及證券市場發展起步較晚，有關財務預警管理的研究較為滯后。吳世農、黃世忠（1986）首次介紹了如何有效識別和篩選企業破產重組預警指標以及相應的財務預警模型[2]。以Altman的Z計分模型為基礎，周守華、楊濟華（1996）第一次將現金流量并入財務預警指標體系，并構建了F計分模型，檢驗表明模型預測準確度達73.7%。吳世農、盧賢義（2001）將70家被特殊處理的上市公司和70家經營正常的上市公司作為研究對象，綜合運用費舍爾等線性判別及邏輯回歸方法建立財務預警模型。戴小園、馬迅（2010）將GDP指數作為重要指標與傳統的考察因素相結合，將10家經營惡化企業和69家經營正常企業作為研究對象，構建邏輯回歸預警模型，檢驗表明預測準確度在93%以上[3]。孫靜、王純杰（2018）對企業財務預警模型構建中的指標選擇和研究方法等進行了探討[4]。

在我國鋼鐵行業財務預警研究方面，張晶、張明麗（2011）以濟鋼集團財務風險管理體系的建立為例，從財務風險的防范和控制、財務預警系統、財務風險管理反饋等三個方面探討了鋼鐵企業財務風險預警體系[5]。孟星涵（2012）綜合利用因子分析法、相關性分析法、聚類分析法、判別分析法等進行企業的分類與指標的選擇，以我國37家鋼鐵行業上市公司財務與非財務數據作為研究對象，探討了我國上市鋼鐵公司財務風險評價體系。龔?。?016）以鋼鐵行業去產能為背景，采用了10余種不同的方法建立了鋼鐵企業的財務危機預警模型，對40家上市鋼鐵企業進行了財務危機預警模擬，并以各個模型的準確度進行了可靠性排序。綜上，我國鋼鐵行業的財務預警模型眾多，觀點不一，值得進一步探討研究。

三、模型構建

（一）建模準備

1.財務危機的衡量標準。由于企業每年的財務狀況受宏觀政策、自身經營、戰略調整等多種因素的共同影響，故為真實反映企業創造利潤的能力，本文認為“企業的營業利潤連續兩年負增長”相較于“企業凈利潤負增長”更適合作為判定企業是否潛在財務危機的標準。

2.建模方法。本文選用主成分分析法來構建F計分模型。

3.建模思路。（1）確定研究對象主體，即鋼鐵行業具體企業，并歸納初始變量指標。（2）檢驗初始變量顯著性，篩選出存在顯著性差異的指標，即為構建模型的基礎指標。（3）根據對照組和樣本組的檢驗結果，以主成分分析法作為技術基礎，在按照以上步驟篩選出來的指標中進一步提取主成分，進而開展模型構建。（4）依據描述統計量表，規范所得模型的臨界區間。（5）檢驗模型準確度，判別模型的可靠性。

4.數據選取。樣本組數據主要來源于CSMAR數據庫、新浪財經、網易財經、東方財富網等，數據處理使用SPSS Statistics 19.0。為進行指標選擇、檢驗及模型構建，數據選取依據為：

（1）選擇CSMAR數據庫中以鐵礦冶煉、鋼鐵產品制造及銷售等為主營業務的企業作為研究對象總體，主要范圍為證券市場上財務數據合規、公開的企業，如表1所示。

（2）根據鋼鐵行業的財務特點，通過營業利潤、資產負債率、利息保障倍數等財務指標篩選出24家鋼鐵企業，按照1∶1的比例，依據企業財務狀況是否健康，分為實驗組（否）和對照組（是），選取兩組數據的原則如下：實驗組、對照組資產規模相當;所統計的兩組企業財務數據的會計期間一致。財務危機企業、非財務危機企業分別為：2013年——華菱鋼鐵、重慶鋼鐵和新鋼股份、山東鋼鐵;2014年——韶鋼松山、鞍鋼股份、首鋼股份、安泰集團、南鋼股份和柳鋼股份、西寧特鋼、大冶特鋼、三鋼閩光、武鋼股份;2015年——凌鋼股份、馬鋼股份、撫順特鋼和鄂爾多斯、龍建股份、方大特鋼;2016年——酒鋼宏興、上?？萍己捅句摪宀?、杭鋼股份。

（3）在會計期間的確定方面，為盡量弱化供給側結構性改革及中美貿易摩擦的影響，突出企業自身經營和財務管理方面的主要因素，本文選擇企業2011—2016年的財務數據與非財務數據作為模型建立所使用的指標。另外，由于企業的財務危機并不完全是在當年突然爆發的，而是經過之前幾年財務狀況的惡化逐漸積累發生的，因此，危機企業選取2011—2014年的財務數據，非危機企業選取2013—2016年的財務數據，并相互對照。如新鋼股份選取2013年的財務數據，與之相互對照的華菱鋼鐵則選取2011年的財務數據（用以表示華菱鋼鐵2013年的財務狀況）。

5.模型指標選取。如表2所示，本文以能夠反映企業財務狀況的幾大指標作為財務數據，以所在會計期間會計估計是否發生重大變更作為非財務數據，共篩選出43個初始變量，分別用X1—X43表示（表2中從上向下、從左向右分別對應X1—X43;本會計期間企業的會計政策若發生重大變更取1，否則取2）。

（二）模型建立過程

1.確定指標值。從數據庫中導出并計算X1—X43的值。

2.變量篩選。此步驟需要確定擬選取的43個指標是否符合建立模型的數據分布要求、是否具有代表性、是否存在共線性等問題。通過對數據的統計檢驗，剔除不顯著的（代表性不強）、存在較強共線性和相關性的指標，具體篩選過程為：

（1）K-S檢驗。K-S檢驗基于累計分布函數，用以檢驗兩個經驗分布是否不同或一個經驗分布與另一個理想分布是否不同，顯著性水平通常設定為5%（能承擔失誤水平的大小）。假定研究對象企業的財務指標呈正態分布，將上述各個指標導入SPSS 19.0運行K-S檢驗，得出：X1、X2、X4、X6、X7、X8、X9、X11、X12、X13、X15、X16、X19、X23、X24、X25、X27、X28、X29、X30、X31、X32、X33、X34、X35、X37、X38、X39、X40、X41、X42、X43共32個財務指標的Sig值（相伴概率）大于5%，表示假設正確，即所選財務指標呈正態分布，將通過T檢驗做進一步篩選;其中11個財務指標的Sig值小于5%，不服從正態分布，不能進行T檢驗，將進行非參數檢驗予以篩選。

（2）T檢驗。利用兩個獨立樣本T檢驗來確定兩個研究組的財務數據總體均值是否具有顯著性差異，顯著性水平設定為5%，“不存在顯著性差異”為零假設H0。上述32個財務指標的T檢驗結果顯示，X6、X31、X32、X33、X35、X37、X38和X42這8個指標的Sig值小于0.05，零假設H0不成立，兩組樣本數據具有顯著性差異，且這些指標能夠有效區別兩組樣本，可作為模型建立指標，其他的指標予以剔除。

（3）非參數檢驗。對于X3、X5、X10、X14、X17、X18、X20、X21、X22、X26和X36這11個指標，通過兩個獨立樣本的曼-惠特尼U非參數檢驗（Mann-Whitney U檢驗）作進一步篩選。與T檢驗類似，顯著性水平定為5%，“不存在顯著性差異”為零假設H0。結果顯示，X3、X14、X20和X36共4個指標的Sig值小于0.05，作為模型建立指標，其他的指標予以剔除。

（4）經過K-S檢驗、T檢驗、非參數檢驗等一系列步驟后，本文從表2的原始變量中共確定了13個指標來建立模型：X3（利息保障倍數）、X6（現金流量比率）、X14（可持續增長率）、X20（凈資產增長率）、X31（資產報酬率=EBIT/總資產）、X32（營業利潤率）、X33（成本費用利潤率）、X35（資產凈利潤率）、X36（凈資產收益率）、X37（主營業務利潤率）、X38（每股收益）、X42（每股自由現金流量）、X43（會計政策變更）。

（5）KMO和Bartlett檢驗。KMO和Bartlett檢驗用于觀測原有變量是否適合做因子分析。在“相關系數矩陣符合單位矩陣”（零假設H0）前提下，對上述13個指標進行檢驗，若Sig值小于顯著性水平α，則表明指標滿足做因子分析的要求，結果顯示Sig的值為0，如表3所示。

3.抽取主成分。通過主成分分析法計算所抽取主成分的特征值、貢獻率，根據最大方差法旋轉后的主成分矩陣如表4所示。

為了更科學地展示財務數據所蘊含的信息，從而使抽取的主成分更能反映企業的財務狀況，將篩選出的13個指標進行旋轉，得出主成分矩陣：主成分Z1主要由成本費用利潤率解釋，所以Z1反映了企業的盈利能力：主成分Z2主要由可持續增長率和凈資產收益率組成，反映了企業的發展能力：主成分Z3主要由每股企業自由現金流量解釋，所以Z3反映了企業的經營能力;主成分Z4主要由利息保障倍數解釋，所以Z4反映了企業的償債能力;主成分Z5主要由會計估計變更解釋。

（三）確定主成分表達式

根據表4數據，利用回歸法計算成分得分系數矩陣，也就是主成分表達式的因子系數，如下頁表6所示。

根據表6可以得到因子表達式：

（四）構建財務危機預警模型

1.構建財務危機預警模型。

計算企業的Z1、Z2、Z3、Z4、Z5（略）和F值，結果如表7所示。

2.確定F模型的臨界值。利用SPSS得出樣本企業F值的描述統計量表，如表8所示。

綜合上述分析，可以得出以下結論：當F>3.776時，企業處于財務安全區域;當F<1.036時，企業處于財務危機區域;當1.036

四、模型檢驗

上文利用24家上市鋼鐵企業2011—2016年的數據——具有代表性的財務指標與具有重大影響的非財務指標，確定了鋼鐵行業財務危機預警模型。將上述24家上市鋼企2008—2016年的相關數據代入模型，得到檢驗結果如表9所示（數字表示非財務健康企業數量）。

可以看出，從2008年開始，財務危機企業逐漸增多，在2015年達到最大值，這與自2008年以來鋼鐵行業逐漸低迷、2015年鋼材價格大幅下降、鋼鐵行業進入“寒冬期”的實際情況基本相符。同時從表9也可以看出，在2016年處于財務危機的企業數量最少，這與2016年鋼鐵行業去產能政策的實施、鋼材價格逐漸回升有關。可見，本文構建的模型能夠較為可靠地預測鋼鐵企業的財務狀況。

將撫順特鋼的數據代入模型可知，自2008年起，撫順特鋼的財務狀況顯現出惡化的跡象或開始惡化，發生財務危機的可能性比較大，這種狀況持續到2015年。比較2008—2016年撫順特鋼的資產負債率以及其母公司東北特鋼的破產重整事件，以及自2017年開始的頻繁停復牌事件，2018年的長時間停牌及ST，說明該財務危機預警模型對撫順特鋼近幾年的財務狀況的預測較為準確。

五、結論

本文從實際出發，結合我國鋼鐵行業的宏觀背景，針對鋼鐵行業的發展現狀，構建了鋼鐵行業的財務預警模型：首先，依據一定標準選取24家樣本企業，然后從償債能力、營運能力、盈利能力、成長能力、現金流指標、每股指標和會計估計變更等方面選取了43個財務指標和1個非財務指標作為建模基礎，并利用K-S檢驗、T檢驗和Mann-Whitney U檢驗等，最終推導出我國鋼鐵行業的財務危機預警模型：

在國家去產能政策初見成效、國內鋼價有所上漲并助推國際鋼價上行的背景下，本文構建的鋼鐵行業財務預警模型可以使我國鋼鐵企業更好地分析并管理自身的財務情況，從而在一定程度上提升我國鋼鐵企業在全球鋼鐵市場上的競爭力。S

【主要參考文獻】

[1] Altman，E I.Financial Ratios Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[2] 吳世農，黃世忠.企業破產的分析指標和預測模型[J].中國經濟問題，1986，（6）：5-8.

[3] 戴小園，馬迅.房地產上市公司財務危機預警模型實證研究[J].現代商業，2010，（05）：127.

[4] 孫靜，王純杰.企業財務預警模型的比較研究[J].商業會計，2018，（07）：112-114.

[5] 張晶，張明麗.淺析鋼鐵企業財務風險管理體系[J].冶金財會，2011，（02）：39-40.