電子商務公司財務風險評價與預警分析

鄧池荷，李洋闊，鄧 敏

（懷化學院 商學院，湖南 懷化 418000）

0 引言

隨著“互聯網+”大數據時代的到來，一種新的商業運營管理模式——電子商務逐漸滲入大眾日常生活，并發展成為商業的主流模式。截止到2020 年底，我國電子商務交易總額達到了43.8 萬億元，年均增長15%左右。然而，在電子商務快速發展的同時，企業所考量的因素更為復雜，面臨的財務風險逐漸增加，如何構建一個合理有效的財務風險預警模型是企業亟待解決的重要問題。

從目前研究對象來分析，李長山以制造業上市公司為對象，以其2 年的財務數據為樣本，進行了實證研究［1］。在財務指標的選取方面，李鴻禧、宋宇從財務因素和非財務因素出發，利用共線性檢驗和時間相依Cox 回歸構建了動態財務預警模型［2］；王小燕、張中艷在充分考慮指標間的網絡結構之后，通過復雜網絡理論構建拉普拉斯懲罰，建立了更加適合Logistic 模型的財務風險指標體系，證明了網絡結構有利于指標識別和預警能力的提高［3］。在研究方法方面，孔寧寧、魏韶巍以制造業公司為樣本，把主成分分析法和Logistic 回歸分析法相結合，并證明了這2 種模型的有效性［4］；楊貴軍等人針對財務指標數據為有界子集的情形，引入了基于修正Benford 因子的財務危機預警Logistic 模型［5］。在財務風險預警模型相關研究方面，Fu Jingjing 運用現代管理理論構建企業財務風險預警指標體系，同時采用主成分分析和邏輯回歸分析法對上市公司金融危機狀況進行實證研究，建立了公司財務預警模型［6］。Koyuncugila 等人提出了一種基于數據挖掘的預警系統——EWS 模型，通過使用EWS 模型進行財務風險預測［7］。Wang Yi 對我國40 家上市房地產公司的財務數據進行了處理，并進行了統計分析，從而判斷中國上市房地產公司財務風險預警Z-score 模型的有效性［8］。Gao Honghao 等人采用概率模型計算財務生產風險評估和控制的概率來驗證用戶行為的不確定性，把投資者的行為化為離散時間馬爾科夫鏈模型（DTMC），真實地描述投資者購買和贖回的概率概況［9］。

在國內外學者研究的基礎上，文章從電商企業發展實況出發，通過財務指標對經營風險進行評價，并據此提出相關建議，幫助提高企業管理層的財務風險意識，提高企業抵御財務風險的能力，有利于促進電商行業規范化發展。

1 研究設計

1.1 評價指標選取原則及來源

根據指標選取的相關性、可行性、可對比性、有效性等原則，選取指標如表1 所示，所選取的樣本數據來源于網易財經網、新浪財經網的金融行業數據庫。

表1 指標體系的構建

1.2 研究方法

在已有研究基礎上，選取了9 家財務非特別處理（Special Treatment，ST）公司和6 家ST 公司樣本，結合輕資產行業特點，將主成分分析和二元Logistic 模型相結合，建立了適合電商行業的財務風險預警模型，并對模型進行了檢驗。

1.2.1 主成分分析法

主成分分析法是將多個變量通過線性變換以選出較少個重要變量的一種多元統計分析方法，同時保留了初始變量的大部分信息。因此，文章考慮使用主成分分析方法對選取的財務指標進行降維，用較重要的主成分指標代表10 個財務指標中的大部分信息，便于后續模型的構建與計算。

1.2.2 二元Logistic 回歸方法

二元Logistic 回歸模型是因變量為二分類的概率模型，可用來判斷財務風險發生的概率與財務指標之間的關系。在正式建模過程中，把主成分分析得到的3 個主成分F1、F2、F3作為模型的自變量，因變量設為Y，令財務健康企業取值為0，財務有風險企業為1，構建的Logistic 模型的相關參數如表2所示。

表2 模型中的變量參數

由表2 中的數據可得到預警模型（1），模型中P=0.5，為判斷企業是否有財務風險的臨界點，若計算得出P＞0.5，則表示企業財務風險較小；若P＜0.5，則表示企業的財務方面有較大風險。

2 實證分析

2.1 KMO 檢驗及Bartlett 球形檢驗

KMO 檢驗及Bartlett 球形檢驗結果如表3 所示，KMO 值為0.612，巴特利特球形檢驗顯著性水平為0，都適用于主成分分析。

表3 KMO 檢驗和Bartlett 球形檢驗

2.2 提取主成分并計算其主成分系數

主成分提取結果如表4 所示，由表4 可知，前3 個主成分的累計貢獻率超過了85%，說明這3 個主成分可以代表原選取的10 個財務指標信息，因此使用前3 個主成分作為構建Logistic 模型的基礎。

表4 主成分提取結果

成分得分系數矩陣如表5 所示，通過成分載荷信息可以看出，對主成分1 影響較大的財務指標是X3、X5、X9，體現的是企業的盈利能力和未來發展能力；X1、X2是影響主成分2 的主要財務指標，體現的是企業的總體償債能力；X6、X7指標對主成分3 影響較大，體現的是企業的營運能力。

表5 成分得分系數矩陣

用F1、F2、F3分別表示這3 個主成分，根據成分系數矩陣信息可得出這3 個主成分的表達式：

2.3 Logistic 模型預警效果的檢驗

運用F1、F2、F3模型，選取8 家2020 年被ST 的公司以及上述樣本中9 家財務正常的公司作為檢驗樣本，用2019 年的財務數據進行驗證，分析樣本與檢驗樣本預測結果，如表6所示。

表6 檢驗結果

3 結論與建議

根據研究結果，對17 家公司進行檢驗，ST 公司都能被模型識別出來，其中非ST 公司有4 家被誤判成ST 公司，模型的整體準確率達到76.5%，在一定條件下，企業管理者和投資者可借助模型進行決策，降低企業經營和投資風險。

綜合實證研究結果，提出以下幾點建議。①企業的盈利能力、未來發展能力、償債能力和營運能力對企業的穩定發展有重要影響，因此企業管理者應根據企業實際情況合理協調各能力均衡發展。②企業應積極開創新的融資方式，拓寬融資渠道，不斷加強自身核心競爭力，突出企業的競爭優勢，建立有效可行的風險應對機制。③營業利潤率、凈資產收益率等指標是企業規避財務風險應重點關注的對象，同時企業可根據模型對企業財務風險的判斷，及時對企業整體業務模式和戰略方向進行調整。④企業應自主增強財務風險管理意識，把財務風險理念融入企業的各個生產環節，加快企業內部控制體系的建設，形成科學的財務風險防范系統。