Logistic回歸在農(nóng)業(yè)上市公司財務(wù)預警的應(yīng)用*

文/張洮溪 孫玉忠（黑龍江八一農(nóng)墾大學）

一、引言

我國是一個擁有14.43億人口的大國，農(nóng)業(yè)的重要性不言而喻。但是由于農(nóng)業(yè)本身的特質(zhì)，使得很多農(nóng)業(yè)類上市公司的企業(yè)的經(jīng)營狀況并不是很好，甚至有一些農(nóng)業(yè)上市公司已經(jīng)處破產(chǎn)的邊緣，并且很多農(nóng)業(yè)公司為了掩蓋公司盈利狀況的惡化，避免遭到股市的特殊處理，進行財務(wù)舞弊。所以，構(gòu)建財務(wù)預警模型的重要性不言而喻。

財務(wù)預警的方法大體分為傳統(tǒng)的方法、機器的方法和多種結(jié)合的方法。傳統(tǒng)模型最開始是單變量模型，但是有很多局限性[1],之后發(fā)展到多變量模型。Altman提出Z模型[2]，之后的學者加入現(xiàn)金流，提出F模型，并在將預警模型運用到農(nóng)業(yè)行業(yè)[3]。吳世農(nóng)、盧賢義選取140家公司為樣本，發(fā)現(xiàn)Logistic預測模型的錯誤率最低[4]。陳欣欣、郭洪濤（2020）聯(lián)合運用因子分析和二元Logistic回歸法構(gòu)建農(nóng)業(yè)上市公司財務(wù)風險評價模型，結(jié)果表明該模型具有較高的擬合度和判別能力[5]。隨著科技的發(fā)展，機器學習法也運用到財務(wù)預警領(lǐng)域。孫新憲運用BP神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)人工智能方法建立的模型準確率要比傳統(tǒng)的模型要高[6]。王玉東采用果蠅算法優(yōu)化神經(jīng)網(wǎng)絡(luò)并對高新技術(shù)企業(yè)進行財務(wù)預警。隨著模型的創(chuàng)新。學者綜合運用兩者進行評價，張敏、彭紅敏（2021）利用神經(jīng)網(wǎng)絡(luò)、模糊決策樹法等多種模型方法運用到計算機領(lǐng)域，簡化算數(shù)的麻煩，更好地對財務(wù)風險進行預測和評價[7]。李丹、朱家明（2019）運用Spss和Python綜合建立財務(wù)模型。

二、研究設(shè)計

（一）樣本選取與數(shù)據(jù)來源

樣本選擇根據(jù)滬深兩市中國證監(jiān)會2012版行業(yè)分類中的農(nóng)林牧副漁業(yè)板塊進行挑選。樣本共計為48個樣本，其中包括36家正常公司樣本以及12家ST公司。本文數(shù)據(jù)來源為CSMAR數(shù)據(jù)庫以及東方財務(wù)等網(wǎng)站以及統(tǒng)計軟件SPSS 23.0。如表1所示。

表1 案例公司

（二）變量選取

結(jié)合行業(yè)特點，本文從償債、營運、盈利和發(fā)展四個層面選取12個指標建立農(nóng)業(yè)行業(yè)的財務(wù)風險指標體系。如表2所示。

表2 財務(wù)風險評價指標

三、實證分析與結(jié)果

（一）KMO和巴特利特檢驗

在做主程序分析前，需要對變量進行KMO和巴特利特球（Bartlett）檢驗，以確定選定的變量是否進行因子分析。KMO值為0.690，超過0.5，說明變量間相關(guān)性強，適合做因子分析。同時，巴特利特球檢驗的近似卡方值為464.696，顯著性為0.000<0.01，同樣說明數(shù)據(jù)達到了因子分析的要求。

（二）因子提取及因子旋轉(zhuǎn)

本文進行因子提取，有4個較大的特征值4.833、2.377、1.478、1.103。前四個因子的方差累計貢獻率達到81.591%,表明這四個指標為主要影響因素，表明原始數(shù)據(jù)中的大部分信息可以被所提取的這四個因子解釋。

從表3旋轉(zhuǎn)后的成分矩陣中可以看出，主因子F1在總資產(chǎn)增長率(X7),資本保值增值率（X8），營業(yè)毛利率（X11），每股收益（X12）中的載荷較大，因為X11，X12指標的載荷比較大,且直接反映了企業(yè)的盈利能力，因此將F1命名為企業(yè)盈利因子；主因子F2在流動比率（X1），速動比率（X2）的載荷較大，因此將F2命名為企業(yè)償債因子；主因子F3載荷較大的指標為總資產(chǎn)周轉(zhuǎn)率（X5），存貨周轉(zhuǎn)率（X6）和營業(yè)收入增長率（X9），因此將F3稱為企業(yè)經(jīng)營因子；主因子F4在產(chǎn)權(quán)比率（X4），凈資產(chǎn)收益率（X10），資產(chǎn)負債率（X3）上的載荷較大，因此命名為企業(yè)輔助償債因子。

表3 旋轉(zhuǎn)后的成分矩陣

（三）計算因子得分

因子分析得分系數(shù)矩陣根據(jù)表4所示，下一步計算將原始自變量帶入組合的因子評分模型中，即可計算出每家農(nóng)業(yè)公司的四個因子的得分。因子表達式為：

表4 因子成分得分系數(shù)矩陣

使用SPSS 23.0軟件在原始的財務(wù)數(shù)據(jù)基礎(chǔ)上，帶入預測函數(shù)計算出F1,F2,F3,F4 的值并保存在原始數(shù)據(jù)的右 方 分 別 為FAC1，F(xiàn)AC2，F(xiàn)AC3和FAC4，然后根據(jù)函數(shù)計算出綜合得分，并將他們進行綜合排名。

根據(jù)因子分析法的原理，F(xiàn)>0時，數(shù)值越大意味著財務(wù)的各項能力越大，抗風險能力更強，發(fā)生財務(wù)風險的可能性就越小；反之，如果F<0,則表示財務(wù)的各項能力較小，發(fā)生財務(wù)風險的可能性就越大。從表中我們也可以看出ST公司的F值普遍較低，并且綜合得分排名較低。

（四）構(gòu)建logistic擬合度檢驗

為了檢驗Logistic方程是否適用于樣本數(shù)據(jù)，需要對回歸模型進行擬合度檢驗：內(nèi)戈爾科檢驗和霍斯默-萊梅肖檢驗。考克斯-斯奈爾R2值為0.453<1；內(nèi)戈爾科R2<1,說明模型擬合度良好。顯著性>0.5,說明擬合度較好。

（五）模型的確定

在本文logistic回歸模型中，因變量設(shè)為財務(wù)風險，服從二項分布，取值分別為0（沒有財務(wù)風險）和1（有財務(wù)風險），協(xié)變量分別為FAC1_1，F(xiàn)AC2_1，F(xiàn)AC3_1和FAC4_1，在步驟1中輸入?yún)f(xié)變量，即可得到方程，得到logistic方程為：

（六）回歸結(jié)果

根據(jù)上面的方程，將樣本公司帶入到方程中。

從表6可以看出，在以0.5為概率分界的前提下，在36個財務(wù)健康的公司中，只將1家公司誤判為財務(wù)風險公司，相對于健康公司而言，判別準確率達到了97.2%，而在財務(wù)風險公司的判別上，12家財務(wù)風險公司中誤判的有兩家，準確率達到了83.3%，構(gòu)建模型的整體分類判別精度為93.8%，超過了80%，說明預警效果有較好的準確性。

表6 預測結(jié)果

四、結(jié)語

本文通過償債能力、經(jīng)營能力、發(fā)展能力、盈利能力四個方面12項指標構(gòu)建農(nóng)業(yè)行業(yè)的財務(wù)預警指標體系，之后采用因子分析法和Logistic方程構(gòu)建財務(wù)預警模型，模型準確率達到93.8%。本文只是針對農(nóng)業(yè)類上市公司進行預警分析，并沒有分析其他行業(yè)，并且未能考慮非財務(wù)指標，希望在后續(xù)研究中能夠引入非財務(wù)指標，進一步根據(jù)不同行業(yè)構(gòu)建更為完善的財務(wù)預警指標體系。