基于Logistic模型對(duì)上市互聯(lián)網(wǎng)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究

劉 睿，劉 博

(安徽財(cái)經(jīng)大學(xué) 會(huì)計(jì)學(xué)院，安徽 蚌埠 233030)

1 上市互聯(lián)網(wǎng)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)概述

近年來(lái)，國(guó)內(nèi)互聯(lián)網(wǎng)企業(yè)在政府的扶持和行業(yè)濃厚的投資興趣等先天優(yōu)勢(shì)下迅速發(fā)展。然而，瞬息萬(wàn)變的行業(yè)特征使得企業(yè)面臨著不少難以量化識(shí)別的財(cái)務(wù)風(fēng)險(xiǎn)。此外，目前大多數(shù)互聯(lián)網(wǎng)企業(yè)的發(fā)展戰(zhàn)略是迅速增加用戶(hù)數(shù)量，使得缺乏有效預(yù)警模型來(lái)識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)的弊端愈發(fā)明顯[1]。

早在20世紀(jì)，歐美國(guó)家就有諸多學(xué)者從多方面開(kāi)展企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究：Fitzpatrick[2]和Altman[3]等人分別采用單元判別法和多元判別法來(lái)構(gòu)建模型并進(jìn)行財(cái)務(wù)預(yù)警分析；Charitouet[4]研究發(fā)現(xiàn)企業(yè)治理對(duì)于企業(yè)財(cái)務(wù)狀況有較大影響，并從企業(yè)管理者和所有者等角度開(kāi)展了綜合分析。

近些年，我國(guó)學(xué)者也開(kāi)始探討財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警問(wèn)題。李曉峰等人[5]以上市企業(yè)為研究對(duì)象構(gòu)建Rough-ANN模型分析其財(cái)務(wù)狀況，實(shí)證結(jié)果表明該模型具備較強(qiáng)的判別能力。吳應(yīng)宇等人[6]選取了國(guó)家股比例等非財(cái)務(wù)指標(biāo)，在對(duì)醫(yī)藥企業(yè)的財(cái)務(wù)數(shù)據(jù)進(jìn)行主成分分析的基礎(chǔ)上構(gòu)建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行財(cái)務(wù)預(yù)警分析。

2 研究思路與方法

以上海證券交易所(下稱(chēng)滬市)、深圳證券交易所(下稱(chēng)深市)34家上市互聯(lián)網(wǎng)企業(yè)(其中包含2家*ST企業(yè))作為研究對(duì)象。由于研究對(duì)象中*ST類(lèi)企業(yè)數(shù)量較少，故將其作為獨(dú)立樣本研究。通過(guò)主成分分析法研究樣本企業(yè)近10年的財(cái)務(wù)數(shù)據(jù)，得到顯著影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)效果的財(cái)務(wù)指標(biāo)。再基于Logistic回歸法構(gòu)建我國(guó)上市互聯(lián)網(wǎng)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

3 關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)的模型構(gòu)建

3.1 研究樣本選取

企業(yè)財(cái)務(wù)危機(jī)的發(fā)生是由一個(gè)持續(xù)變化的過(guò)程造成的，故研究主要對(duì)上市互聯(lián)網(wǎng)企業(yè)的財(cái)務(wù)狀態(tài)從正常到困境這一過(guò)程進(jìn)行分析。研究選取近10年財(cái)務(wù)數(shù)據(jù)完整的34家上市互聯(lián)網(wǎng)公司(包括2家ST企業(yè)和32家非ST企業(yè))作為研究樣本，并將企業(yè)被證監(jiān)會(huì)實(shí)施ST作為“發(fā)生財(cái)務(wù)危機(jī)”事件，即模型的需要預(yù)警的現(xiàn)象[8]。

3.2 樣本數(shù)據(jù)的選擇

樣本企業(yè)的財(cái)務(wù)指標(biāo)數(shù)據(jù)來(lái)源于以2010年1月1日～2020年1月1日為觀(guān)測(cè)期的RESSET金融研究數(shù)據(jù)庫(kù)。

3.3 預(yù)警指標(biāo)篩選

3.3.1 預(yù)警指標(biāo)初步選取

財(cái)務(wù)指標(biāo)可以反應(yīng)出企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，本文將影響指標(biāo)歸納為六個(gè)維度，即盈利能力、償債能力、成長(zhǎng)能力、營(yíng)運(yùn)能力、現(xiàn)金流量能力、資本結(jié)構(gòu)。基于此又初步細(xì)分為17個(gè)具體的財(cái)務(wù)指標(biāo)如圖1。

圖1 初步選出的預(yù)警體系中的各項(xiàng)財(cái)務(wù)指標(biāo)

3.3.2 正態(tài)性檢驗(yàn)

為檢驗(yàn)各指標(biāo)的顯著性并篩選出影響力強(qiáng)的指標(biāo)進(jìn)入模型，首先檢驗(yàn)每個(gè)指標(biāo)的分布情況。因此，本文以單樣本K-S正態(tài)性檢驗(yàn)為標(biāo)準(zhǔn)，將指標(biāo)分為服從正態(tài)分布和不服從正態(tài)分布兩類(lèi)。

設(shè)原假設(shè)H0：指標(biāo)xi服從正態(tài)分布，其對(duì)應(yīng)P值若大于0.05，則服從正態(tài)分布，反之則不服從。

表1是單變量K-S檢驗(yàn)結(jié)果，從表中可以看出，營(yíng)業(yè)收入現(xiàn)金含量(v15)和資產(chǎn)負(fù)債率(v16)的雙側(cè)顯著性檢驗(yàn)結(jié)果均大于0.05，即這兩個(gè)指標(biāo)服從正態(tài)分布，其余指標(biāo)不服從正態(tài)分布。

表1 K-S正態(tài)性檢驗(yàn)

3.3.3 顯著性檢驗(yàn)

3.3.3.1 獨(dú)立樣本t檢驗(yàn)

該檢驗(yàn)過(guò)程用于檢驗(yàn)不同因變量水平下各指標(biāo)均值的顯著性差異水平高低。若差異顯著，說(shuō)明該指標(biāo)對(duì)*ST和非*ST企業(yè)的影響是明顯的。反之，相應(yīng)指標(biāo)對(duì)企業(yè)影響不明顯，應(yīng)將其剔除。此時(shí)設(shè)定的顯著性水平為95%，即若被測(cè)指標(biāo)對(duì)應(yīng)P值小于0.05，則表示對(duì)應(yīng)指標(biāo)顯著，應(yīng)予以保留；否則表示該指標(biāo)影響不顯著，應(yīng)予以舍棄。

表2 獨(dú)立樣本t檢驗(yàn)結(jié)果

表2中的F檢驗(yàn)是判斷指標(biāo)是否具有相同的方差。若P值大于0.05，則接受第一個(gè)方差相等的假設(shè)，基于第一行數(shù)據(jù)判斷t檢驗(yàn)結(jié)果；反之拒絕第一個(gè)假設(shè)，t檢驗(yàn)應(yīng)基于第二行的數(shù)據(jù)進(jìn)行判斷。

根據(jù)以上準(zhǔn)則，營(yíng)業(yè)收入現(xiàn)金含量(v15)、資產(chǎn)負(fù)債率(v16)兩個(gè)指標(biāo)的檢驗(yàn)結(jié)果P值均大于0.05，未通過(guò)t檢驗(yàn)，即該指標(biāo)對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的影響并不顯著，所以剔除上述兩個(gè)變量。

3.3.3.2 非參數(shù)檢驗(yàn)

通過(guò)K-S檢驗(yàn)的結(jié)果可知，對(duì)剩余15個(gè)非正態(tài)分布指標(biāo)應(yīng)采取非參數(shù)檢驗(yàn)。由于研究選取的樣本是獨(dú)立樣本，故選擇曼惠特尼U檢驗(yàn)。

將檢驗(yàn)結(jié)果與給定顯著性水平進(jìn)行比較，若P值小于0.05，則拒絕原假設(shè)，即不同因變量水平下變量差異顯著，應(yīng)保留該指標(biāo)，反之應(yīng)予以剔除。檢驗(yàn)結(jié)果見(jiàn)表3。

表3 曼惠特尼U檢驗(yàn)結(jié)果

通過(guò)兩兩對(duì)比獨(dú)立樣本曼惠特尼U檢驗(yàn)結(jié)果，v5、v6、v8、v9四項(xiàng)指標(biāo)對(duì)應(yīng)的曼惠特尼U檢驗(yàn)P值大于0.05，未通過(guò)檢驗(yàn)，說(shuō)明該三項(xiàng)指標(biāo)不夠顯著，因此將它們剔除。

3.3.4 主成分分析

在盡可能保留原始變量信息的前提下，主成分分析可將多個(gè)原始變量線(xiàn)性組合并轉(zhuǎn)為互不相關(guān)的主成分因子。因此，主成分因子比原始變量更能反應(yīng)主要矛盾。

3.3.4.1 KMO和Bartlett檢驗(yàn)

利用主成分分析法前需要檢驗(yàn)所選指標(biāo)是否符合因子分析的條件，采用KMO和Bartlett檢驗(yàn)。當(dāng)KMO值大于0.5時(shí)，變量適合做因子分析；反之，則需對(duì)樣本或變量進(jìn)一步處理再做因子分析。

表4 KMO和Bartlett的檢驗(yàn)

由表4檢驗(yàn)結(jié)果可知，本次選取變量的KMO值等于0.667，且卡方統(tǒng)計(jì)的顯著性P值遠(yuǎn)小于0.05，說(shuō)明篩選出的指標(biāo)相互獨(dú)立，適合做主成分分析。

3.3.4.2 提取主成分

基于上文結(jié)果，進(jìn)一步提取主成分如表5所示。

表5 主成分分析結(jié)果

由表5可知，各指標(biāo)初始特征值最大為3.741，大于1的指標(biāo)有4個(gè)且累計(jì)貢獻(xiàn)率達(dá)到71.335%，可以代替原始數(shù)據(jù)。接著分析4個(gè)主成分指標(biāo)具體包含的指標(biāo)，由SPSS處理得到初始因子載荷矩陣(表6)。

表6 初始因子載荷矩陣a

對(duì)表6中的相關(guān)數(shù)據(jù)進(jìn)行分析，計(jì)算出各個(gè)原始變量的因子表達(dá)式：

v1=0.892N1-0.154N2+0.003N3+0.060N4

v2=0.900N1-0.133N2+0.023N3+0.031N4

……

為了進(jìn)一步提取主成分及命名主成分因子，對(duì)初始因子載荷矩陣進(jìn)行旋轉(zhuǎn)，結(jié)果見(jiàn)表7。

表7 旋轉(zhuǎn)成分矩陣

由表7可知，主成分1中v1、v2、v3、v4四個(gè)指標(biāo)貢獻(xiàn)率最高，說(shuō)明主成分因子1代表企業(yè)的盈利能力，而因子載荷量最高的v3(銷(xiāo)售凈利潤(rùn))將作為代表指標(biāo)。

主成分2中，v7和v14兩個(gè)指標(biāo)的貢獻(xiàn)率最高，說(shuō)明主成分2代表企業(yè)的現(xiàn)金流量能力，其中因子載荷量最高的v14(銷(xiāo)售現(xiàn)金比率)將作為代表指標(biāo)。

主成分3中，v12和v13兩個(gè)指標(biāo)的貢獻(xiàn)率最高，說(shuō)明主成分3代表企業(yè)營(yíng)運(yùn)能力，其中因子載荷量最高的v13(應(yīng)收賬款周轉(zhuǎn)率) 將作為代表指標(biāo)。

主成分4中，v11和v17兩個(gè)指標(biāo)的貢獻(xiàn)率最高，說(shuō)明主成分4代表從資本結(jié)構(gòu)角度觀(guān)測(cè)企業(yè)的營(yíng)運(yùn)能力，此時(shí)v11(存貨周轉(zhuǎn)率)將作為代表指標(biāo)[10]。

3.3.5 Logistic模型的建立

為進(jìn)一步明確主成分因子與原始指標(biāo)的線(xiàn)性關(guān)系，求得成分得分系數(shù)矩陣(表8)。

表8 成分得分系數(shù)矩陣

N1=0.259v1+0.252v2+0.258v3+0.256v4-0.029v7+0.178v10-0.107v11+0.017v12-0.025v13-0.030v14-0.032v17

N2=-0.028v1-0.016v2+0.019v3+0.004v4+0.500v7-0.226v10+0.039v11-0.032v12-0.01v13+0.503v14+0.056v17

……

根據(jù)指標(biāo)篩選結(jié)果，重新定義主成分名稱(chēng)：N1是每股收益增長(zhǎng)率，N2是銷(xiāo)售現(xiàn)金比率，N3是應(yīng)收賬款周轉(zhuǎn)率，N4是凈資產(chǎn)增長(zhǎng)率。

假定企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)發(fā)生概率為因變量R，取值為0

此時(shí)以四個(gè)主成分因子N1、N2、N3、N4為研究變量，用SPSS做向前逐步Logistic回歸。剔除迭代后對(duì)模型不顯著的兩個(gè)變量N3、N4，得到最終的模型統(tǒng)計(jì)量如表9所示：

表9 最終模型統(tǒng)計(jì)量表

根據(jù)以上結(jié)果可以建立的 Logistic 財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型[11-14]：

3.3.6 模型評(píng)價(jià)

對(duì)模型進(jìn)行系數(shù)檢驗(yàn)，得到結(jié)果如表10所示。

表10 模型系數(shù)的綜合檢驗(yàn)

從表10可知Sig.值均小于0.05，則模型對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)測(cè)水平顯著。再將指標(biāo)值回代預(yù)測(cè)模型得到所有對(duì)應(yīng)因變量的預(yù)測(cè)值，并可根據(jù)模型的百分比校正得出模型的預(yù)測(cè)效果，結(jié)果如表11所示：

表11 預(yù)測(cè)結(jié)果正確率表a

從表11可以看出，型模對(duì)于財(cái)務(wù)狀況不佳的企業(yè)的預(yù)測(cè)效果并不理想。由于這些企業(yè)已被證監(jiān)會(huì)標(biāo)注為因財(cái)務(wù)風(fēng)險(xiǎn)或其他風(fēng)險(xiǎn)而被特殊對(duì)待，故再次預(yù)警財(cái)務(wù)風(fēng)險(xiǎn)意義不大。而在適用財(cái)務(wù)預(yù)警情形的320組正常企業(yè)中，預(yù)測(cè)準(zhǔn)確率高達(dá)99.7%，總體預(yù)測(cè)準(zhǔn)確率為93.8%，模型預(yù)測(cè)效果較為理想，對(duì)正常企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警具有一定的應(yīng)用價(jià)值。

4 關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警建議

謹(jǐn)慎選取構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的參數(shù)。應(yīng)用模型時(shí)，應(yīng)全面考慮影響財(cái)務(wù)風(fēng)險(xiǎn)的因素并收集相關(guān)指標(biāo)信息，審核數(shù)據(jù)的準(zhǔn)確性后謹(jǐn)慎選取構(gòu)建模型的參數(shù)，才可構(gòu)建出較為合理的模型以有效地預(yù)測(cè)財(cái)務(wù)風(fēng)險(xiǎn)。

構(gòu)建基于大數(shù)據(jù)技術(shù)的財(cái)務(wù)預(yù)警體系。構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，可實(shí)現(xiàn)對(duì)已發(fā)現(xiàn)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)和預(yù)警，對(duì)潛在風(fēng)險(xiǎn)暴露主動(dòng)識(shí)別和預(yù)警并及時(shí)通知風(fēng)險(xiǎn)管理責(zé)任人員進(jìn)行風(fēng)險(xiǎn)管理。構(gòu)建該預(yù)警系統(tǒng)，可以量化企業(yè)內(nèi)部和外部經(jīng)營(yíng)環(huán)境等產(chǎn)生財(cái)務(wù)風(fēng)險(xiǎn)，提高企業(yè)會(huì)計(jì)信息的透明度和共享程度，及時(shí)識(shí)別各種風(fēng)險(xiǎn)因素的異常變化，降低發(fā)生財(cái)務(wù)損失的可能。

提高企業(yè)全員財(cái)務(wù)風(fēng)險(xiǎn)防范意識(shí)?；ヂ?lián)網(wǎng)上市企業(yè)應(yīng)定期對(duì)員工開(kāi)展財(cái)務(wù)風(fēng)險(xiǎn)意識(shí)培訓(xùn)，提高員工對(duì)風(fēng)險(xiǎn)的防范意識(shí)。將財(cái)務(wù)風(fēng)險(xiǎn)防范責(zé)任細(xì)化至個(gè)人，對(duì)于預(yù)警的異常數(shù)據(jù)值需要探究其產(chǎn)生原因，并制定與調(diào)整相應(yīng)的戰(zhàn)略[15]。