汽車行業上市公司財務風險預警

張曉晴　齊延艷

摘要：汽車行業是我國經濟的支柱產業之一，但近期我國汽車市場不景氣，許多潛在的財務風險需要被重視。文章以我國汽車行業上市公司為研究對象，選取2015～2017年140家汽車行業上市公司的財務指標，利用主成分分析法篩選出六個主成分因子，再通過Logistic回歸分析建立汽車行業財務預警模型，利用2018年樣本公司財務數據檢驗得到該模型總體預測準確率達到95.71%，財務預警效果良好，對汽車行業企業經營者和外部投資者具有參考價值。

關鍵詞：財務風險;主成分分析;logistic回歸;汽車行業;預警模型

一、汽車行業上市公司現狀分析

汽車行業作為我國經濟的支柱產業之一，在提升國民經濟、增加就業崗位、刺激消費等方面發揮著重要作用。但從2018年年底開始汽車銷量呈現下滑趨勢，國內汽車市場消費疲弱，新能源技術尚不成熟，2019年我國汽車行業似乎進入了冬天，但我國人均汽車保有量較發達國家仍有很大的發展空間。目前汽車行業正在由傳統領域競爭轉向新能源、智能化自動駕駛領域，處在變革的臨界點，面臨著眾多機遇與風險。此時如何有效降低成本、防范財務風險，預防財務危機的出現成為汽車行業值得關注的重點。因此，建立一個適用于我國汽車行業上市公司的財務預警模型，使企業管理者根據不斷變化的財務數據預測企業財務狀況，及時發出財務預警，為企業決策提供必要的財務依據;同時為債權人、股票市場投資者提供有效的財務預警支持。

二、文獻綜述及指標選取

（一）文獻綜述

國內外財務預警的研究方法分為定性研究和定量研究，相對于主觀判斷的定性研究，利用數學模型進行預警的定量研究更具有說服性。國內外學者對定量研究方法從單變量模型到多變量模型不斷演變，提出了單變量模型、多元線性判別模型、Logistic回歸模型、神經網絡分析模型、Z值模型、F預警模型等，其在預測精度和穩定性上各有優缺點，其中Logistic回歸模型具有較強的實用性，預測誤判率較低。縱觀國內外預測模型，研究對象多數不劃分行業或為制造業公司，針對汽車行業的研究較少，因此本文采用Logistic回歸模型對我國汽車行業上市公司建立財務預警模型，為汽車制造企業進行財務預警評估提供借鑒。

（二）研究樣本及指標的選擇

本文將上市公司是否因“財務狀況異常”而被特別處理（ST）作為判斷是否出現財務危機的標準，選取了汽車行業140家上市公司作為研究樣本，其中，132家財務正常公司，即非ST公司，8家財務狀況異常的公司，即ST公司。選取了樣本公司2015～2017年連續三年的財務指標數據進行分析并建立財務預警模型，選取樣本公司2018年財務指標檢驗模型的效果。本文樣本數據均源于國泰安經濟金融研究數據庫（CSMAR）。

本文在綜合參考前人財務預警模型指標選取的基礎上，結合汽車行業的特點，從眾多財務指標中選取了18個對上市公司影響較大的指標，其中包含能反映公司的償債能力、營運能力、盈利能力、發展能力的15個財務指標和3個投資者較為關注的每股財務指標，具體如表1所示。

三、主成分分析

（一）主成分分析的適用性檢驗

在主成分分析前，先對140家樣本公司數據標準化處理，然后進行KMO檢驗和Bartletts球體檢驗，KMO統計量是用于比較變量間簡單相關系數和偏相關系數的指標，KMO值越接近于1則意味著變量間的相關性越強，原有變量越適合作主成分分析。一般認為KMO檢驗數>0.5適合做主成分分析，從表2可以看出KMO檢驗值為0.620，滿足主成分分析的條件。Bartletts球狀檢驗用于檢驗相關陣中各變量間的相關性，即檢驗各個變量是否相互獨立。一般認為Bartletts球狀檢驗結果小于0.05適合主成分分析。由表2顯著性檢驗結果顯示Sig.為0，說明各變量間具有相關性，適合做主成分分析。

（二）主成分的提取

運用SPSS22.0對所選取的2015～2017年140家汽車上市公司的財務指標進行主成分分析，得到各個成分的特征值及累加貢獻率，一般要求各主成分的特征值大于1，累計貢獻率大于80%。由表3所示，前六個主成分的特征值大于1，累計貢獻率為81.771%。說明前六個主成分因子能充分代替原數據，能對總體起到概括作用，因子分析效果比較理想，所以本文提取前六個主成分進行后續研究。

（三）主成分的解釋

利用SPSS22.0使用方差最大旋轉法得到旋轉因子載荷矩陣，使得各主成分因子有較明確的經濟含義，如表4所示。

在主成分1中，X10、X11和X12的負荷量最為明顯，代表企業的盈利能力;在主成分2中，X5、X6、X7、X8和X9的負荷量最為明顯，代表企業的營運能力;在主成分3中，X1、X2和X3的負荷量最為明顯，代表企業的償債能力;在主成分4中，X13、X15和X18的負荷量最為明顯，代表企業的發展能力和每股指標;在主成分5中，X4、X14的負荷量最為明顯，代表企業的發展能力和償債能力;在主成分6中，X17的負荷量最為明顯，代表企業的每股指標。

根據系數得分矩陣表，分別用F1、F2、F3、F4、F5、F6表示六個主成分，根據表中數據可以得到各個主成分的表達式，如第1個主成分的表達式如下所示：

F1=0.124X1+0.124X2-0.238X3-0.211X4+0.078X5-0.217X6+0.228X7+0.084X8+0.255X9+0.938X10+0.938X11+0.943X12+0.132X13+0.166X14+0.167X15+0.799X16-0.004X17+0.089X18

同理可以得到F2、F3、F4、F5、F6主成分的表達式。

四、二元Logistic 回歸分析

（一）模型的構建

將上文篩選出的六個主成分作為模型的自變量，即F1、F2、F3、F4、F5、F6。該模型的因變量采用虛擬變量，假設因變量為Y，當Y=1時，代表企業為ST公司，當Y=0時，代表企業為非ST公司，即財務正常的企業，運用SPSS22.0對自變量和因變量進行二元logistic回歸建模，具體如下所示：

根據上述參數估計結果建立Logistic回歸財務預警模型：

（二）模型預警效果的檢驗

運用上述財務預警模型對樣本公司2018年的財務指標進行檢驗，通常將P=0.5作為判斷企業是否有財務風險可能的臨界點，若輸出的P值大于等于0.5表示財務狀況良好，暫時沒有財務風險的可能;若輸出的P值小于0.5，表示財務狀況不樂觀，有發生財務風險的可能。將140組樣本公司的數據，其中ST公司8家，非ST公司132家，代入財務預警模型中進行檢驗，檢驗結果如表6所示：

由表6結果可知，132家非ST公司中128家被預測正確，4家被誤測為ST公司，準確率為96.97%，在8家ST公司中，6家被預測正確，2家被誤測為非ST公司，準確率為75%，總體的預測準確率為95.71%，預測結果比較理想。

五、結語

（一）研究結論

本文通過建立Logistic回歸模型對汽車行業上市公司財務風險進行預警，采用主成分分析法提取出反應原始數據大部分信息的主成分因子，再利用Logistic回歸分析構建出適合我國汽車行業的財務預警模型，并對其進行檢驗，準確率達到95.71%，模型的預測效果良好。研究結果表明，汽車行業上市公司的盈利能力、營運能力、償債能力、發展能力對企業財務狀況有較大的影響，尤其是盈利能力。本文采用Logistic回歸分析法，既避免了自變量需要正態分布的嚴格假設條件，又克服了傳統定性研究中不確定性。無論對于企業經營者還是投資者，該模型皆可用于作為參考，在一定程度上可以避免或減少損失。

（二）建議

汽車行業企業管理者應注重企業盈利能力的提升，資產報酬率、總資產凈利率、凈資產收益率等指標對汽車行業公司的財務狀況有較大的影響。管理者可利用該財務預警模型評估財務狀況，提前發現財務風險，及時調整戰略，將損失降到最小。

汽車行業的投資者可以利用本文財務預警模型對有意向的上市公司進行財務狀況的判斷與分析，預測是否存在財務風險，便于投資者做出合理的投資決策，降低投資風險。

參考文獻：

[1]李長山.基于Logistic回歸法的企業財務風險預警模型構建[J].統計與決策，2018，34（06）：185-188.

[2]康雨舟.基于logistic回歸的制造業上市公司財務困境預警模型[J].現代經濟信息，2018（15）：154-157.

[3]王晨.創業板上市公司財務風險預警研究[D].沈陽：沈陽工業大學，2018.

[4]張靜瑜，林娟，王玲.基于Logistic的信息產業上市公司財務預警模型構建[J].財會通訊，2017（32）：100-104+129.

[5]甘愛平，柳亮，陳可楨.航運上市公司財務預警的Logistic回歸分析[J].上海海事大學學報，2014，35（01）：65-68.

（作者單位：曲阜師范大學管理學院）