基于Logistic回歸模型的種業企業財務風險預警模型構建

王 旭 于 洋

哈爾濱師范大學,黑龍江 哈爾濱 150025

0 引言

國以農為本,農以種為先,種業是國家戰略性、基礎性核心產業。近年來,我國高度重視種業發展,出臺了多項政策促進種質資源庫建立,保護新品種知識產權并鼓勵種業商業化。隨著我國政策的不斷完善,我國種業企業迅速發展壯大。但我國多數種業企業在發展過程中面臨嚴峻的財務風險。如何有效識別與防范種子企業的市場風險,使其實現健康發展,成為加快推進種業振興急需解決的問題。

1 國內外文獻述評

國外部分學者對財務風險預警進行研究。國外學者Altman［1］將多元判定引進財務預警中,建立了Zscore 模型,創新性地選取盈利能力、杠桿、流動性、償債能力和收入活動作為變量,通過線性關系計算破產指數,判斷破產風險。Blum［2］為了提升財務風險預警的專業性和準確性,嘗試在模型中添加現金流量指標。Zmijewski［3］在前人研究的基礎上構建了多元概率比（Probit）風險預警判定模型。但該模型對數據要求比較嚴格,因此并沒有得到廣泛應用。

目前,我國較多學者對種子企業財務風險進行了研究。楊文［4］從我國種子企業發展的角度出發,對我國種子企業財務戰略管理及財務風險防范過程中存在的主要問題進行分析,綜合指出有效應對我國種子企業現存財務管理問題的解決方案。劉艷［5］就新形勢下種子企業面臨的諸多風險進行深入的分析,從風險管理和內部控制的角度提出相應的防范和控制措施。劉永健［6］對目前我國農產品的種業企業內控管理與財政風險防范所存在的問題進行了分析,并在此基礎上提出了相應的解決措施,具有一定的可行性與合理性。丁志嵐［7］依據內部控制理論,結合實際工作,分析了中小種業企業面臨的財務風險,提出了防范財務風險的對策,并對種業企業的內控指標體系提出了構想。然而,關于種業企業財務預警的實證研究并不是很多。基于此,筆者在現有研究的基礎上,選取20 家種業上市公司和16 家新三板掛牌企業為研究對象,從營運能力、盈利能力和發展能力3個維度選取12個財務指標,構建種業企業財務預警模型。

2 研究設計

2.1 指標選取

在前人研究的基礎上,筆者從營運能力、盈利能力和發展能力3 個維度選取12 個指標,構建種業企業財務風險預警模型。其中,營運能力的代表性指標包括存貨周轉率（x10）、總資產周轉率（x6）和應收賬款周轉率（x7）；盈利能力的代表指標包括總資產報酬率（x1）、成本費用利潤率（x2）、營業利潤率（x3）、凈資產收益率（x4）、毛利率（x5）及每股收益（x12）；發展能力的代表指標包括營業總收入增長率（x8）、總資產增長率（x9）及凈利潤增長率（x11）。

2.2 研究對象與數據來源

選取36家種業企業作為研究對象,其中20家來自A 股上市企業,16 家為新三板掛牌企業。相關指標數據均來源于各企業2022年年報。

2.3 研究方法

2.3.1 因子分析法

在因子分析中,因子可以分為公共因子和特殊因子。因子分析法就是從研究變量內部相關的依賴關系出發,把一些具有錯綜復雜關系的變量歸結為少數幾個綜合因子的一種多變量統計分析方法。其基本公式為

2.3.2 Logistic回歸分析

Logistic 回歸分析是解決0～1 回歸的問題中相對有效的方法,且不要求樣本必須符合正態分布,對企業財務風險的預判更加適用。其基本回歸模型為

Logistic 函數本質為線性回歸模型與Sigmoid 函數（以下簡稱Sig函數）的結合。Sig函數為

Sig函數的導數為

將其帶入如式（5）所示的線性回歸函數得到Logistic函數如式（6）所示。

綜上所述,二分類Logistic回歸模型為

采用最大似然法所得的似然比統計量的概率值對變量進行剔除,公式計算為

3 種業企業財務風險預警指標權重的計算

3.1 基于因子分析法下財務風險預警指標權重的計算

3.1.1 適應性檢驗

因子分析首先要進行適應性檢驗。筆者利用KMO（Kaiser-Meyer-Olkin）檢驗和Bartlett 球形度檢驗進行適應性檢驗,結果如表1 所示。由表1 可知,KMO值=0.617>0.005,Bartlett球形度檢驗的卡方值為228.053,顯著性水平近似值為0.000,說明12個變量之間的相關程度比較強,所選取的樣本可以進行因子分析。

表1 KMO檢驗和Bartlett球形度檢驗

3.1.2 公因子的提取

提取公因子,分析得出種業企業具有代表性的12個財務風險指標的因子提取情況。其提取值大小反映提取后各指標信息的保存完成度,一般提取值大于0.8則視為指標信息保存度較高,滿足后續分析要求。提取公因子的結果如表2 所示。主因子特征值及方差貢獻率如表3所示。

表2 公因子方差

表3 主因子特征值及方差貢獻率

由表2 可知,1/2 指標的提取值在80%以上,說明提取效果良好。由表3可知,前5項的因子特征值均大于1,累計方差貢獻率為80.098%,大于80%,說明這5個因子可以很好地解釋大部分原始指標變量,因此提取5個公因子。

3.1.3 歸納建立因子載荷陣

由于提取載荷平方和得出的結果只適用于主成分分析法,所以需要對上述載荷平方和進行旋轉,以便進行因子分析,旋轉后的成分矩陣如表4 所示。由表4 可知,總資產報酬率、成本費用利潤率、營業利潤率、凈資產收益率、毛利率及每股收益在F1中載荷較大,其對評價種業企業財務風險預警的貢獻率為39.723%；營業收入增長率與總資產增長率在F2中載荷較大,其對評價種業企業財務風險預警貢獻率為12.378%；應收賬款周轉率在F3中載荷較大,其對種業企業財務風險預警的貢獻率為10.172%；總資產周轉率與凈利潤增長率在F4載荷較大,其對種業企業財務風險預警的貢獻率為9.115%；存貨周轉率在F5中載荷較大,其對種業企業財務風險預警的貢獻率為8.71%。

成分得分系數矩陣如表5 所示。根據表5 得到公共因子F與原始變量x之間的關系,其函數關系為

表5 成分得分系數矩陣

根據各因子在旋轉后的方差貢獻率與總方差貢獻率的比值來確定各公共因子的權重并計算綜合得分。其綜合得分的計算公式為

3.2 基于Logistic 回歸分析法下財務風險預警指標權重的計算

3.2.1 財務風險預警模型的建立

在上述因子分析的結果上,筆者使用Logistic 回歸的方法得到種子企業的財務風險預警回歸方程。模型中,設自變量x為5 個主因子,因變量y為財務風險企業劃分。將F值小于0 的企業劃分為財務困境企業,將F值大于0 的企業劃分為非財務困境企業。Logistic 回歸對變量有6 種剔除方法,筆者采用最大偏似然估計所得的似然比統計量的概率值對變量進行剔除。通過3 次迭代,得到最終的統計變量F5（見表6）。

表6 方程中變量

數據經過處理后得到回歸方程為

式（17）中:F4代表企業的總資產周轉率和凈利潤增長率。由此得到種業企業的財務預警模型為

通過上述Logistic 回歸模型的結果,對不同企業進行財務風險預警的判定。在這個模型中,P的取值范圍介于0～1,判別臨界點為0.5。當P值大于0.5 時,表明企業財務狀況不佳,易出現財務風險；當P值小于0.5 時,表明企業處于正常運營階段；當P值為0.5 時,表明企業可能出現財務風險,需及時防范。

3.2.2 財務風險預測模型檢驗

預測效果如表7 所示,對于非財務困境企業預判準確度為100%,即有28 家非財務困境企業；對于財務困境企業而言,預測有8 家財務困境企業,預測正確的有7 家,預測準確度達87.5%。由此得出,該模型總體預判準確度為97.2%,有較好的參考價值。

表7 預測效果檢驗

4 結論

筆者選取20家種業上市公司和16家新三板掛牌企業為研究對象,從營運能力、盈利能力和發展能力3個維度選取12個財務指標,構建種業企業財務預警模型。結果表明,該模型的預測準確度為97.2%,預測價值較高。