基于主成分分析的制造業上市公司財務預警

周璐璐

（貴州大學，貴陽 550025）

在2020 年新冠肺炎疫情爆發期間我國能夠快速戰勝疫情，得益于牢固的制造業基礎，強大的制造業基礎使我國克服了疫情對經濟的影響，縮短了復產復工的時間。但另一方面，國內國際經濟形勢的嚴峻對我國從高速發展轉變為高質量發展有一定影響。在疫情的影響下，制造業上市公司比以前面臨著更多的挑戰，也面臨更多讓企業陷入危機的因素。因此，建立一個適合我國制造業上市公司的財務預警模型顯得尤為重要。在發展的過程中，企業人員可以根據模型的預測對企業的經營策略作出適時的調整，做到有效防范危機。

一、文獻綜述

據了解，國外從20 世紀30 年代就開始了財務預警研究。國內外關于財務預警的研究分為定性研究和定量研究，從單變量判定模型開始研究，經歷了多元線性判定、多元邏輯、多元概率比模型和神經網絡模型的發展過程。

顏哲等（2011）用T 檢驗和因子分析構建了Logistic 財務危機預警模型，經對比發現，用T 檢驗構建的Logistic 財務危機預警模型更適合我國房地產上市公司。甘愛平等（2014）對我國航運上市公司通過因子分析法構建的Logistic 財務預警模型預測正確率達100%。為了降低財務指標的多重共線性，朱振梅（2017）利用方差膨脹因子（VIF）和容許度（TOL）進行檢驗，結果顯示，利用檢驗后的財務指標建立的預警模型預測準確率較高。

隨著國內外學者對公司財務危機預警的深入研究，發現非財務指標在公司財務危機預警中也起著至關重要的作用。張靜瑜等（2017）在對信息產業上市公司進行財務危機預警研究時，在進行Logistic 回歸分析時加入了非財務指標。田寶新和王建瓊（2017）加入股權結構、公司治理、管理層激勵、投資者保護、市場信息五個非財務指標構建Logistic 回歸模型，研究表明，非財務指標確實和財務指標對判定企業是否陷入財務困境都有貢獻。施赟和張蔚文（2009）認為，EVA（經濟增加值）更能衡量企業的盈利能力和企業價值，因此EVA 和其他財務指標的結合能增強模型的預測效果。吳永賀（2013）的實證研究通過加入EVA 后兩個Logistic 預警模型的對比，發現EVA 對公司財務預警能力有提高。張煜和肖美英（2015）加入EVA 的財務預警模型有提前預測的效果。

本文的貢獻和創新主要體現在：一是目前關于制造業上市公司的財務預警研究較少，本文旨在建立一個可靠的制造業財務預警模型，對現有研究做補充，方便利益相關者做出決策。二是加入了非財務指標的因素，綜合考慮了公司的全面財務狀況。

二、預警模型的構建

（一）樣本選取

本文共選取我國198 家A 股制造業上市公司作為研究樣本，其中99 家為2018—2019 年首次被ST 的制造業上市公司；并以1：1 的配比原則選取99 家非ST制造業上市公司作為對比，為增強可比性，選取的非ST 公司為A 股行業簡稱代碼一致的制造業上市公司。考慮到公司發生財務危機的前幾年已有征兆，所以本文所研究的是被ST 的T-3 年（前三年）的數據。

（二）預警指標選取

考慮我國上市公司的特點，為了全面、系統、有效地反映公司的財務狀況，本文主要從償債能力、營運能力、盈利能力和發展能力四方面選取16 個財務指標，由于非財務指標被證實對財務危機也有預警作用，為保證模型的全面性本文加入了5 個非財務指標，一共21 個指標。其中，償債能力包括流動比率X1、速動比率X2、現金比率X3、資產負債率X4、權益乘數X5，營運能力包括應收賬款周轉率X6、流動資產周轉率X7、固定資產周轉率X8、總資產周轉率X9，盈利能力包括資產報酬率X10、總資產凈利潤率X11、營業毛利率X12、營業凈利率X13，發展能力包括總資產增長率X14、可持續增長率X15、每股凈資產增長率X16，非財務指標包括第一大股東持股比率 X17、Z 指數 X18、S 指數X19、H 指數 X20、Herfindah1_3 指數 X21。本文構建財務預警模型采用指標的所有的數據均來自于國泰安數據庫。

（三）模型選取

Logistic 回歸是廣義線性模型的一種，沒有嚴格的假設條件，能夠有效解決因變量為二分類的問題。Logistic 回歸模型常被用在許多財務危機預警的研究中，并有研究表明Logistic 模型的預測準確率高于其他模型，故本文同樣采取Logistic 回歸分析。

三、實證分析

（一）Shapiro-Wilk test 檢驗

為檢驗指標是否符合正態分布，本文先對財務指標進行Shapiro—Wilk test 檢驗，結果顯示，所有指標的顯著性水平都小于0.05，即沒有一個指標變量符合正態分布（見表 1）。

表1 W 檢驗結果

（二）Mann－Whitney U 檢驗

對未通過W 檢驗的21 個指標進行Mann－WhitneyU 檢驗，檢驗結果如表2 所示。對沒有通過顯著性檢驗的指標X6、X7、X21 剔除，對通過檢驗的其余18 個指標進行主成分分析。

表2 非參數檢驗結果

（三）主成分分析

本文通過主成分分析進行降維，以降低變量之間的相關性，提高財務預警模型的預測準確率。

1.KMO 和 Bartlett 球形檢驗

首先，計算T-3 年變量間的皮爾森相關系數，結果顯示，指標變量之間相關性較強。接著進行KMO 測度和Bartlett 球形檢驗。表 3 結果顯示，KMO 值為 0.65，P 值小于0.05，表明適合進行下一步的分析。

表3 KMO 和Bartlett球形檢驗結果

2.主成分提取

本文在提取主成分時，取累計貢獻率大于90%的特征值數目作為代表指標大部分特征的主要成分因子。結果顯示，提取出的8 個主成分變量累計方差貢獻率90.49%，說明T-3 年這8 個主成分變量可以解釋所有指標90.49%的信息。

T-3 年 Comp1 在 X1、X2、X3 上具有較高的載荷，所以將Comp1 命名為償債因子，同理Comp2 為非財務因子，Comp3 為營運因子，Comp4 為償債及發展因子，Comp5 為發展因子，Comp6 為非財務指標因子，Comp7為發展因子，Comp8 為盈利因子。

（四）財務預警模型的構建

1.模型構建

將ST 公司定義為1，非ST 公司定義為0。利用主成分變量及各財務指標的數據進行Logistic 回歸構建財務預警模型。把非ST 公司錯判為ST 公司的情況稱為第一類錯誤類型，把ST 公司錯判為非ST 公司的情況稱為第二類錯誤類型，回歸預測結果如表4 所示。

表4 Logistic回歸的錯判矩陣

結果顯示，發生ST 的T-3 年財務預警模型預測準確率89.90%，說明用Logistic 回歸構建的財務預警模型能在89.90%的程度上預測未來公司是否會被ST，是一個可信的財務預警模型。

2.模型評價

ROC 曲線越接近左上角，表示分類器的性能越好。AUC 越接近1，說明分類器效果越好。圖中T-3 年的ROC 為0.93，說明財務預警模型效果很好。

四、結論

本文采用98 家ST 公司和98 家非ST 公司前三年的數據建立了一個具有可信度的模型，模型的預測準確率達到90%以上，對制造業上市公司具有較高的預警效果。研究結果表明，企業應該每年末對公司進行財務預警分析，根據分析調整企業的經營管理和發展戰略，以避免企業陷入不必要的危機之中。