制造業上市公司財務危機信號和預測分析
——基于不同指標類型的比較研究

■關璧麟，劉秋菊

一、引言

財務危機會對企業管理層、投資者、債權人等利益相關者產生重要影響，尤其是大型企業的債務風險已成為現階段我國金融風險的“灰犀?！保湟坏┽尫?，對經濟運行和金融系統會造成較大震蕩。財務信息能夠反映企業是否健康運行，財務預測也一直是公司治理、風險控制和證券投資等領域的研究熱點。建立財務預警模型一方面有利于金融機構選擇信用狀況良好的客戶，對不同信用等級的客戶制定不同的定價政策，獲得合理收益；另一方面對可能發生財務危機的企業盡早發現和識別，及時采取措施，避免金融風險的蔓延和擴散。尤其對于制造業企業而言，一方面，制造業企業在上市公司中占比最高，據Wind 數據庫統計，截至2021 年底，A股上市公司共有4685 家，其中制造業上市公司3094 家，制造業公司占比高達66%；另一方面，制造業企業資金來源與應用規模較大且風險相對集中，因而對制造業企業的財務風險如實、客觀、準確地評價，對優化資金的運用和有效發揮金融支持制造業的作用具有較強的實用價值。

二、文獻綜述

國外關于財務預警模型的研究開始較早，傳統研究方法經歷了單變量模型、多變量線性回歸模型和Logit 回歸模型等三個階段。Fitzpatrick（1931）應用單變量模型分析方法，將企業分為破產組和非破產組，發現產權比率和凈資產收益率與企業破產具有最高的相關性，開創了財務預警研究的先河。Altman（1968）認為單變量模型有諸多局限，率先使用多變量線性判定模型解決財務預警問題，其通過對比22個財務指標篩選出5個最具代表性的指標，并根據線性模型得出的Z 值預測公司的財務情況。Zmijewski（1984）在傳統財務指標的基礎上加入了市場信息相關指標，采用Probit 模型進行研究，結果表明股票回報率、財務杠桿、資產回報率、固定收入保障這四類指標具有預測財務危機的能力。鮑新中等（2016）構建了基于面板Logit 回歸的財務預警模型，分別檢驗了非財務指標、行業差異以及預警臨界點的選擇對模型的影響。顧曉安等（2018）將應計盈余管理變量與真實盈余管理變量引入Logit 財務預警模型，對由盈余管理行為導致的財務信息偏差進行糾正，減少了因財務信息失真造成的預警模型誤判。

隨著研究的逐漸深入，新型人工智能研究方法逐漸興起并成為主流。Bellotti & Crook（2009）以宏觀經濟因素作為解釋變量建立了不同的生存分析模型，經過對比研究發現生存分析模型具有更高的預測準確率。Andrés et al.（2011）引入了模糊C 均值聚類和多元自適應回歸方法，實證結果表明其具有比Fisher判定模型和神經網絡模型更高的預測精度。Sánchez-Lasheras et al.（2012）使用多元自適應回歸樣條法和自組織映射法建立了綜合預警模型，發現相較于神經網絡模型，綜合模型能夠更準確地識別財務困境。吳沖等（2018）以粒子群算法為基礎構建了模糊聚類-概率神經網絡企業財務危機預警模型，發現該模型預警企業長期財務風險具有較好效果。石先兵（2020）根據降維算法和支持向量機的優勢創建了PCA-SVM 預警模型，有效提高了模型的泛化能力。

早期國內外對財務預警的研究均以財務變量作為基礎，之后逐步發展成對多個指標的同時分析。茅松青（2013）通過研究發現，總資產周轉率、流動資產周轉率等營運能力指標在企業被ST 前后變化不顯著，而利潤增長率等發展能力指標在ST 后三年內顯著下降。毛天棋（2018）以計算機、通信企業為樣本，從經營、投資和籌資三個維度選取預警指標，構建了財務預警定位模型。李江宇等（2020）以證券公司對上市公司財務指標的預期差為基礎，定量考察預期差的價值發現能力，分析驗證了財務預期差因子可以解釋超額收益。隨著對財務預警研究的進一步深入，公司治理指標等非財務指標對財務困境的影響也逐漸被關注。曾繁榮和劉小淇（2014）選擇了35 個財務變量和25 個非財務變量進行研究發現，引入非財務變量提高了模型的預測準確率，且Logit 回歸模型的預測準確率優于Fisher 判定模型。田寶新和王建瓊（2017）以上市公司為研究對象，從管理層和董事會兩方面構建了包含非財務指標的財務預警體系，增強了預警模型的適用性。王昱和楊珊珊（2020）從經營效率、財務效率、融資效率和人力資本效率4個維度出發，分別構建了相應的投入產出指標體系，采用數據包絡法評價各個維度的有效性，并與財務指標進行結合分析。Huang et al.（2021）選取加權平均利率、房地產繁榮指數、廣義貨幣供應量等18個指標，建立金融狀況指數，結果發現利率、房地產價格、貨幣供應量、匯率和股票價格可有效反映我國實際金融狀況，同時證明在財政緊縮時，可以通過金融指標的變化實現預警。

綜上所述，相比于機器學習等新方法而言，傳統預警模型主要以企業特征變量為研究切入點，通過糾正選取的財務信息偏差來減少預警模型誤判，而深度學習內部參數眾多、結構復雜，更傾向于研究不同模型的組合及模型結構的優化。深度學習預警模型對于復雜企業場景下的預警分析可能更有優勢，但其結構復雜、內部參數多，在預警分析之前，需在訓練階段利用大量準確無誤的訓練數據集調整優化內部參數。一方面，收集大量準確無誤的訓練數據集難度高；另一方面，當訓練數據集數量或純潔度不滿足模型要求時，又容易導致預警表現差?，F有關于財務預警的研究更注重對新模型或新方法的技術性研究，如果在指標選擇的過程中缺乏理論支撐，可能影響模型的實際應用意義。還有部分研究的模型缺乏效果檢驗，難以驗證預測模型的準確性和穩定性。本文通過分析公司財務危機征兆，探尋公司面臨財務危機的原因，并在比較基于財務指標和治理結構指標模型預測結果的基礎上，從理論角度分析兩種模型各自的優缺點，嘗試為預警模型變量的選擇以及模型的應用提供一定的思路。

三、樣本和變量選取

（一）財務危機的界定

對財務危機的判定方式有很多，國外通常把企業破產倒閉作為該企業面臨財務危機的信號，國內則把上市公司被ST 作為財務危機的標志。本文將企業經營性凈現金流為負作為公司面臨財務危機的標志，因為企業已經面臨巨大的流動性危機，此時進行預警更能體現預警的前瞻性。

（二）樣本的選擇

將企業第t 年經營活動現金凈流量為負認定為面臨財務危機，樣本選擇主要考慮了以下幾個方面：（1）選取樣本為公司總量最多和發生財務危機概率最大的制造業上市公司；（2）把未面臨財務危機且數據完整的企業認定為正常公司；（3）樣本公司的數據時間范圍要大于4 年。企業發生財務危機會在財務報表上有一個動態的展現過程，將3 年作為一個考察區間，因部分指標的計算涉及年初及年末數值，因此數據的時間范圍要大于4 年。在Wind 數據庫中選取2011—2019年第一次發生經營活動現金凈流量為負且數據完整的公司共345家，并選取相對應的非危機公司2752 家，最終獲得的樣本數量為3097個（見表1）。

表1 正常公司和危機公司在各年的分布

（三）實證方法

利用參數檢驗（t 均值檢驗）和非參數檢驗（Mann-Whitney 檢驗）方法對兩類公司作比較，以甄別并發現危機企業出現的財務和治理結構信號，之后運用Logistic回歸進行危機預測，危機公司和正常公司分別被賦值為0和1。最佳分割點區分了危機公司和正常公司。

四、實證分析

（一）危機公司財務指標分析

由于公司陷入財務危機是以財務指標界定的，故以財務指標預警危機發生的概率相比于其他類型指標有許多天然的優勢：一是財務指標可以從公司年報上直接獲得，且大多指標為數字指標，直觀易懂也易于對比；二是當企業面臨財務危機時，財務指標會出現明顯變動，因此短期預警的精確性較高。但財務指標預警也存在缺陷：一是大多數財務指標只反映某一時點的數據，不能代表公司整體財務水平；二是報表本身可能被操縱和粉飾，若以虛假的財務數據預警財務危機反而增加了誤判率。

盡管不同企業的經營狀況、規模和特點不同，以基本面為基礎的財務分析主要包括資產結構、財務結構、資產管理、盈利能力和現金流5個方面，本文從這5 個方面共設計了29 個財務變量，通過t 均值檢驗和Mann-Whitney 檢驗，考察這些變量在兩類公司之間是否存在顯著性差異，結果詳見表2。

表2 顯示危機公司與正常公司在多指標中都有明顯區別，從具體檢驗結果可以看出，一是盈利能力方面，具體指標為總利潤比營業收入、總資產報酬率、凈資產收益率，表明危機公司跟正常公司相比，資源投入產生利潤的能力較弱；二是現金流方面，具體指標為經營活動現金流比總資產和投資活動現金流比總資產，表明危機公司跟正常公司相比，資源投入產生經營凈現金流能力較弱，且過度投資導致資金占用嚴重；三是資產結構，具體指標為貨幣資金比流動資產、存貨比流動資產、其他應收款比流動資產、固定資產比總資產和流動資產比總資產，表明危機公司跟正常公司相比固定資產較少，且存貨和應收賬款占比過高造成資金流動性較差；四是資產管理方面，具體指標為流動資產周轉率、固定資產周轉率和存貨周轉率，表明危機公司跟正常公司相比資產利用效率過低；五是財務結構，具體指標為短期借款比流動負債、流動負債比總負債、資產負債率、現金比率、速動比率、貨幣資金比短期借款，表明危機公司跟正常公司相比現金持有率較低，過度依賴短期負債，短期償債壓力過大。

表2 財務指標參數和非參數檢驗

這些財務信號體現了導致制造業上市公司面臨財務危機的行為模式，一方面由于資源在固定資產及研發投入方面遠遠不足，使得公司產品競爭力有限、市場占有率低研發創新不足，“造血”能力較差；另一方面管理層非經營性大量占用公司資金，進行偏離主業的盲目多元化投資造成融資過度，或高額套現，這共同導致了公司流動性短缺進而面臨財務危機。

（二）危機公司治理結構分析

治理結構與財務危機的關系雖然不如財務指標那樣直接，但不完善的公司治理是導致企業績效變差進而面臨財務危機的深層次原因。跟財務指標相比，治理結構指標模型在進行財務預警時具有如下優點：一是治理指標能夠更深層次地反映公司發生財務危機的傳導路徑，不完善的公司治理機制既是公司面臨危機的信號，更是危機產生的來源；二是治理結構指標通常不會被造假也能免于宏觀環境層面和突發事件的影響，預警模型結果比較穩定。治理結構指標也存在劣勢：一是治理結構指標只反映公司出現危機的間接信號，因此其與財務危機之間的關系沒有財務指標直觀易懂；二是指標靈活性較差，短期預警效果不佳，面臨危機的公司財務指標會明顯惡化，但治理結構一般不會產生較大變動。本文從股權結構、董事會特征和高管激勵三方面設計了11個公司治理指標進行考察，結果如表3所示。

表3 治理結構指標參數和非參數檢驗

第一，反映股東性質的指標在1%的水平上顯著為正，說明具有國有成分的企業更容易面臨財務危機。反映股權集中度的指標（前三大股東持股比例之和）在1%的水平上顯著。危機公司的股權集中度顯著低于正常公司，說明股權集中度越低，公司面臨危機的概率越大。反映股權制衡度的指標（第二至第五大股東持股比例之和/第一大股東持股比例）在10%的水平上顯著為正，說明大股東之間相對制衡的股權結構使股東更容易互相推諉，導致集體決策難題，降低了公司效率，從而導致了財務危機的發生。第二，兩類公司董事會的各項特征無顯著區別，說明上市公司董事會對緩解企業財務危機有更多發揮作用的空間。第三，在兩類公司中，高管前三平均薪酬在1%的水平上顯著。危機公司的兩項指標值均顯著低于正常公司，說明高級管理層薪酬激勵對緩解企業財務危機有較好的效果。

通過比較兩類公司的治理結構差異可以發現，具有國有成分的企業更容易面臨財務危機，可能的原因是具有國有成分的企業在財務行為上更加激進和擴張，更容易陷入流動性危機。同時，危機公司具有較低的股權集中度和較高的股權制衡度，可能的原因是股權分散使股東間更容易互相推諉，或因股東之間意見不一致導致集體決策難題，增加了財務風險。董事會特征在兩類公司中沒有顯著差別，說明上市公司董事會對于預防企業財務危機的發生沒有起到應有的作用。對高管進行合理的薪酬激勵有利于增加管理層和公司利益一致性，管理層會減少獲取私人收益的動力從而更加“勵精圖治”，避免公司面臨危機。

（三）財務危機預測模型的建立與分析

將樣本分為兩部分，運用練習樣本構建危機預測模型，而模型的準確性程度測試通過預測樣本進行。練習樣本涵蓋2010—2018年2743家公司，占全部樣本比例為88.57%，預測樣本包括2019年的354家公司。

1.基于財務指標的危機預測模型構建與分析

使用29 個財務指標進行Logit 回歸，采用前項逐步進入法，P 值低于0.05 時變量被納入，大于0.1時退出模型，得到以財務指標為基礎的危機預測模型，回歸結果見表4。

表4 基于財務指標的危機預警模型

由此得出財務指標預警方程為：

基于財務指標的危機預警模型共包含4 個變量：X為總資產報酬率，反映企業盈利能力；X為固定資產比總資產，反映企業資產結構；X為貨幣資金比短期借款，反映企業財務結構；X為毛利率，反映企業盈利能力。

4 個變量的系數值為正，說明其數值越高，公司面臨財務危機的概率就越小。這些系數符號同信號分析一致，固定資產反映公司內部投資水平，總資產報酬率代表資源投入產生利潤的能力，毛利率衡量產品附加值的高低，這三個指標共同反映了公司的主業競爭水平和盈利能力，與公司面臨危機的概率負相關。Wald 值顯示，固定資產占比對模型的貢獻度最大，總資產報酬率次之，最后是貨幣資金占比和毛利率。

將預測樣本數據代入財務指標模型，即得出樣本公司未來三年面臨財務危機的概率。通過測試得到預測準確率最高時對應的分割點值為0.52，即得到的概率值大于0.52的樣本可被認定為危機公司，反之為正常公司。判定矩陣顯示，練習樣本的判斷準確率平均為72.42%，預測樣本的判斷準確率平均為88.7%。

表5 財務指標判定矩陣

由于財務危機建立在財務指標基礎之上，因此利用財務指標預測財務危機更加直觀。但是由于部分信息未在財務報表反映以及財務報表可能造假，使得該方法具有一定局限性。

2.基于治理結構指標的危機預測模型構建與分析

使用練習樣本的數據，得到基于治理結構指標的危機預測模型，回歸結果見表6。由此得出治理結構指標預警方程為：

表6 基于治理結構指標的危機預警模型

基于治理結構指標的危機預警模型共包含5 個變量：X為金額前三高管薪酬，反映高管激勵情況；X為股東性質，反映股權結構；X為獨立董事比例，反映董事會情況；X為金額前三董事薪酬，反映高管激勵情況；X為前三大股東持股比例，反映股權結構。

其中，金額前三高管薪酬和董事薪酬系數為正，說明對管理層和董事進行合理的薪酬激勵能夠有效緩解公司財務危機。股東性質系數為負，說明具有國有成分會增大公司面臨危機的概率。獨立董事比例系數為負，即獨立董事比例的提高會增加公司面臨財務危機的概率。前三大股東持股比例系數為正，說明前三大持股比例越高，公司面臨危機的概率越低。從Wald值看，5個指標貢獻程度從大到小依次為金額前三高管薪酬、股東性質、獨立董事比例、金額前三董事薪酬、前三大股東持股比例。

以0.5 作為分割點，把樣本數據代入公司治理指標模型中，得到表7的判定矩陣。

表7 公司治理指標判定矩陣

雖然治理結構模型在預測短期財務情況時的敏感性和直觀性低于財務指標模型，但實證結果表明其預警精確性卻高于財務指標模型，說明治理結構模型在預警財務危機時具有更強的穩定性和外推性。

3.綜合指標模型的建立與分析

企業出現財務危機一般會經歷漸進和積累的過程，而危機公司通常會出現一些信號。信號的出現一定程度上來說是從抽象到具體，從間接到直接，從隱蔽到清晰；在層次上是由里及外，即危機征兆的表現首先是從深層次特征開始，逐漸向淺層次傳導。治理結構特征屬于深層次特征，財務指標屬于淺層次特征，治理結構征兆是財務指標征兆產生的原因。為了將財務指標模型和治理結構模型的變量統一考慮，進一步建立綜合指標模型。在表8 綜合指標模型中，金額前三高管薪酬貢獻最大，其次為總資產報酬率。

表8 基于綜合指標的危機預警模型

由此得出綜合指標預警方程為：

基于綜合指標的危機預警模型共包含6 個變量：X為固定資產比總資產，反映資產結構；X為金額前三董事薪酬，反映高管激勵情況；X為貨幣資金比短期借款，反映資產結構；X為總資產報酬率，反映盈利能力；X為毛利率，反映盈利能力；X為股東性質，反映股權結構。

固定資產比總資產、金額前三董事薪酬均值、貨幣資金比短期借款、總資產報酬率、毛利率為正，說明這些變量與公司面臨危機的概率成反比，而股東性質符號為負，說明具有國有成分的企業更容易面臨財務危機。Wald 值顯示，綜合指標模型中貢獻最大的是固定資產比總資產比例、金額前三董事薪酬均值，其次為金額前三高管薪酬均值，最后為貨幣資金比短期借款、總資產報酬率、毛利率。

以0.52 作為最佳分割點代入數據，得出模型的判定準確率。表9 顯示綜合指標模型的判定精度與前兩類模型相比準確度略有下降，表明財務與公司治理指標的綜合使用并未提高模型的準確性。

表9 綜合指標判定矩陣

五、結論與建議

本文以2011—2019年滬深上市制造業企業為研究對象，以經營活動現金凈流量為負來定義財務危機公司，實證分析了危機公司在財務危機發生前三年財務指標和公司治理信號的差異，利用這兩類指標建立了財務預警、公司治理預警和綜合指標預警模型，同時比較了模型的優缺點及判斷準確率。得到的研究結論如下：在對企業的財務情況進行預測時，需要重點關注的財務指標包括總資產報酬率、固定資產比總資產、貨幣資金比短期借款和毛利率等。原因是固定資產反映公司內部投資水平，總資產報酬率代表資源投入產生利潤的能力，毛利率衡量產品附加值的高低，這三個指標共同反映了公司的主業競爭水平和盈利能力，而貨幣資金占比代表現金流充裕情況。表明較高的主業競爭水平、盈利能力以及充足的現金流能夠抵御財務危機。從財務信號反映出面臨財務危機的制造業上市公司的商業模式為：資源在固定資產及研發投入方面遠遠不足，使得公司產品競爭力有限，產品市場占有率低，造血能力較差；企業進行偏離主業的盲目多元化投資造成融資過度，這共同導致了公司流動性短缺面臨財務危機。在企業治理結構中需要注意的是，具有國有成分的企業可能在財務行為上更加激進和擴張，反而更容易陷入流動性危機；股權分散導致集體決策難題，降低了公司效率，使企業更容易面臨財務危機；對高管進行合理的薪酬激勵會使管理層減少獲取私人收益的動力從而更加“勵精圖治”，更有利于避免公司面臨危機；董事會對于預防財務危機還有發揮治理作用的空間。

基于研究結論，本文認為在分析企業財務情況時要做到以下幾個方面：第一，穿透公司治理。關注企業是否建立合理公司治理架構，科學公司治理機制；在充分發揮大股東的治理效應的同時，股權結構也要制衡，防止大股東的掏空和隧道行為；關注是否建立科學的管理層激勵約束機制，避免內部人控制；關注是否發揮董事會、監事會的監督作用，保證科學決策。第二，分析戰略決策。一是關注企業是否盲目擴張，尤其是在經濟下行的情況下，由于企業的整合不足，很可能會出現投資收益無法覆蓋成本的情況，還會使得企業面對來自各個行業的特有風險。二是關注融資結構是否合理，包括企業在發展過程中應該結合自身的發展階段，合理尋求不同的資金來源組合，優化融資結構，拓寬融資渠道，分散各類融資風險，避免過度依賴單一的融資來源。三是關注是否過度杠桿融資，適度負債能增加企業的整體價值，但是企業在運用時一定也要警惕其中的高風險，關注企業投資回報率是否能覆蓋其債務融資成本，否則過度的債務融資占比，只會增加財務風險。第三，識別多重風險。一是要建立科學的財務危機預警系統，重點關注能夠反映企業財務情況的顯著性變量，實時監控企業的財務狀況和業績，通過預警模型來預測企業的盈利能力和償債能力。二是關注包括資金、財務、人員、業務等在內的潛在經營風險，股權或資產抵質押是否合規等抵押擔保風險等。