制造业上市公司财务危机预警实证分析

理财视野　制造业上市公司财务危机预警实证分析　文／王宏宇　范亚东　钱巍　摘要：本文根据制造业上市公司财务危机的特点，以沪、深两市Ａ／Ｉ￣５０家制造业上市公司财务报表中的相关数据为研究对象，　选取了２２个指标变量，运用ＳＰＳＳ软件对相关财务指标变量进行了独立样本Ｔ检验及非参数显著性检验，从而筛选并确定了入选财　务危机预警模型的１８个初始变量，然后再通过因子分析法将这些指标浓缩成了５个因子变量，运用逻辑回归方法对这５个因子变量　进行分析，建立财务危机预警模型，最后对模型的准确性进行了有效检验。　关键词：制造业；财务预警；因子分析；逻辑回归　财务危机是指企业明显无力按时偿还到期的无争议的债　务的困难与危机。对于财务危机，通常有两种确定的方法：一是　法律对企业破产的定义，企业破产是用来衡量企业财务危机最　因此本文研究样本在向前推，选取２００９年的数据作为研究样　本。　本文研究的数据主要来源于锐思ＲＥＳＳＥＴ金融研究数据　常用的标准，也是最准确和最极端的标准；二是以证券交易所　对持续亏损、有重大潜在损失或者股价持续低于一定水平的上　市公司给予特别处理或退市作为标准。　国外对于财务危机的研究已经有８０年的历史，而我国的财　库，本文研究软件主要使用ＳＰＳＳ１６．０进行数据分析以及模型构　建。　（二）预警指标的选取。　本文将一些被使用频率较高，判断能力较强的指标引入本　文的指标体系，在根据现代财务理论和制造业公司的特点，重　点从盈利能力、偿债能力、成长能力、营运能力、现金流量、资本　结构这六部分选取制造业上市公司的２２个财务指标。具体的指　标如下所示：　务危机研究开始于２０世纪９０年代，陈静在１９９９年的研究结果表　明：流动比率和资产负债率在宣布ｓＴ前１年的准确率最高，但在　宣布前两年、三年时，总资产收益率的准确率最高；吴超鹏、吴　世农在２００５应用“排序因变量模型”分析财务状态变化的影响　因素，并采用“人丁神经网络技术”其结果表明：股票超额收益、　盈利能力：ｘ　资产报酬率，ｘ，资产净利率，ｘ　销售费用率，ｘ　成本费用利润率；偿债能力：ｘ　流动比率，ｘ　速动比率，ｘ　经营　净现金流量负债合计；成长能力：ｘ　营业收入增长率，ｘ。净利润　增长率，ｘ　经营现金净额增长率，Ｘ　资产增长率；营运能力：　ｘ　存货周转率，ｘ　应收账款周转率，ｘ　流动资产周转率，ｘ　固　定资产周转率，Ｘ　资产周转率；现金流量：ｘ，，销售商品劳务　收入现金／营业收入，ｘ．　经营现金净流量／经营净收益；资本结　公司治理指数和投资者利益保护指数都有助于提高模型的预　测能力；吕长江在２００８年对上市公司两阶段财务预警进行了研　究，在对公司财务行为和风险特征的研究基础上，提出了公司　财务状况五分类法。总之，在财务危机预警问题，上我国学者作　了一些有益的探索并取得一定的成果。　本文以以沪、深两市Ａ股５０家制造业上市公司为研究对象，　其中１４家为测试样本，选取了２２个指标变量，通过对相关财务　指标变量进行了独立样本Ｔ检验及非参数显著性检验，从而筛　选并确定了入选财务危机预警模型的１８个初始变量，然后再通　过因子分析法将这些指标浓缩成了５个因子变量，最后通过Ｌｏ—　构：Ｘ．。资产负债率，ｘ　流动资产／总资产，Ｘ，　长期借款／总资产，　ｘ，．股东权益比率。　（三）预警指标的显著性。　ｇｉｓｔｉｃ归构建我国制造业上市公司财务危机预警模型。　一本文首先对选取的预警变量进行Ｋ—ｓ检验，检验样本是否　符合正态分布。研究结果显示出，在显著性为０．０５的水平下，ｘ　、研究方法与内容　（一）样本的选取和数据来源。　存货周转率、ｘ　应收账款周转率、ｘ　固定资产周转率、Ｘ　。资产　负债率、ｘ，．长期借款／总资产不符合正态分布。由于这个５个变　量指标不符合正态分布，所以对这个５个变量指标进行非参数　由于我国上市公司年报披露制度指出，上市公司年报公布　以下一年的４，ｑ　３０日为截止日期，上市公司被特别处理前一年　（ｔ一１年）的年报和其特别处理年度（ｔ年）是否被特别处理几乎同　时发生，用（ｔ一１）年的数据预测第ｔ年的处理状况没有实际价值，　检验（Ｍａｎｎ—Ｗｈｉｔｎｅｙ检验），其余指标进行独立样本Ｔ检验（Ｉｎ—　豳　中国农业会计２ｏ１２－－４　理财视野　ｄｅｐｅｎｄｅｎｔ　Ｓａｍｐｌｅ　Ｔ　Ｔｅｓｔ）。在显著性为０．０５的水平下，最终　Ｘ１、Ｘ２、Ｘ３、Ｘ４、Ｘ５、Ｘ６、Ｘ７、Ｘ８、Ｘ９、Ｘ１　０、ＸＩ】、Ｘ１２、Ｘｌ　３、Ｘ１４、Ｘ１５、Ｘｌ６、Ｘ　表三　旋转后的因子载荷矩阵　成分　１　２　３　４　５　ｘ，　共１８个变量指标通过了显著性检验。　（四）建立财务危机预警模型。　资产报酬率　．９０４　一．１５】　．２１７　．２３６　．１０３　．９０６　一．Ｏ８∈　．２７５　．１９１　．０９８　一．Ｏ６７　一．２５］　——．００２　——．０９￣　．７６６　．８８２　．１２Ｏ　．２５０　．１３８　．０５０　．２０４　一．２４　．８７３　．１４０　．０９２　．２２６　一．１８　．８９４　．２５２　——．０７０　１．因子分析。因子分析的基本步骤：一、确认待分析的原始　资产净利率　变量是否适合做因子分析；二、因子载荷矩阵的估计；三、对因　销售费用率　子进行旋转；四、得出因子得分函数。　（１）ＫＭＯ和Ｂａ￣ｌｅｔｔ’Ｓ检验　表一　ＫＭＯ和Ｂａｒｔｌｅｔｔ’Ｓ检验　成本费用利润率　流动比率　速动比率　经营净现金流量／负债合计　营业收入增长率　．３８３　．２１２　．７１３　．０２２　．４２８　．５９９　——．０４￣　．３６２　．３９５　一．１３７　净利润增长率　经营现金净额增长率　．６５６　．２３０　——．０８７　．１１０　一．１Ｏ５　．１１６　．２６９　．１３Ｏ　．４６７　．６１７　总资产增长率　存货周转率　应收账款周转率　．６９７　一．Ｏ５Ｅ　．２５９　．３５２　一．３７ｌ　．０２５　．９３６　一．Ｏ６５　．０８２　一．１Ｏ６　——．０８３　．８７９　一．０７３　一．２１２　一．１２５　通过表一我们看到ＫＭ０值为０．６５３，显著性水平为０．０００，根　据Ｋａｉｓｅｒ给出的ＫＭＯ标准分析，原变量适合做因子分析。　（２）提取因子。　表二　成分　流动资产周转率　固定资产周转率　总资产周转率　流动资产／总资产　．０９５　．９４１　一．１５３　．１７４　——．０２３　．３５５　．ＯＯ１　．２２６　．８１６　——．０６７　．３７５　．４５９　．０５７　．６７６　．０２５　．３４１　一．３８ｊ　．３４５　．６８１　一．１Ｏ０　销售商品劳务收入现金／营业收入　——．１４５　——．３９４　．１９５　一．４１　．６０４　方差的贡献率　初始特征值　提取平方和载入　与原有变量的相关性均不大，因此，我们对因子载荷矩阵采用　方差最大旋转法进行旋转，旋转后的载荷矩阵如表四所示。　由表三可以得Ｎ５个因子的组成成分：　第一个因子主要解释了原变量中的：资产报酬率，资产净　利率，成本费用利润率，营业收入增长率，净利润增长率，总资　产增长率，在这里我们可以把第一个因子命名为Ｆ１；　第二个因子主要解释了原变量中的：存货周转率，应收账　款周转率，流动资产周转率，在这里我们可以把第二个因子命　名为Ｆ２；　第三个因子主要解释了原变量中的：流动比率，速动比率，　合计　方差的　ｌ　２　３　４　５　６　７　８　９　１Ｏ　１１　１２　１３　１４　１５　累计　３８．２４２　５９．６６０　６９．８３５　７６．５０６　８２．４０５　８７．００５　９０．０３８　９２．９１６　９４．８３７　９６．２８５　９７．５６１　９８．３９２　９８．９８８　９９．４１９　９９．６９４　合计　方差的　６．８８３　３．８５５　１．８３１　１．２Ｏ１　１．０６２　３８．２４２　２１．４１９　１Ｏ．１７４　６．６７１　５．８９９　累计　３８．２４２　５９．６６０　６９．８３５　７６．５０６　８２．４０５　６．８８３　３．８５５　１．８３１　１．２Ｏ１　１．０６２　．８２８　．５４６　．５１８　．３４６　．２６１　．２３０　．１４９　．１Ｏ７　．０７７　．０５０　３８．２４２　２１．４１９　１Ｏ．１７４　６．６７１　５．８９９　４．６００　３．０３２　２．８７８　１．９２１　１．４４８　１．２７６　．８３０　．５９７　．４３Ｏ　．２７５　经营净现金流量／负债合计，在这里我们可以把第三个因子命名　为Ｆ３；　第四个因子主要解释了原变量中的：固定资产周转率，总　资产周转率，流动资产／总资产，在这里我们可以把第四个因子　命名为Ｆ４；　第五个因子主要解释了原变量中的：销售费用率，经营现　金净额增长率，销售商品劳务收入现金／营业收入，在这里我们　可以把第五个因子命名为Ｆ５。　（３）因子得分系数。采用回归法估计因子得分系数，并输出　因子得分系数，最终我们得到的因子得分函数如下：　Ｆ１＝０．３０４Ｘｌ＋０．３０２Ｘ　２＋０．０２９Ｘ　３＋０．３０２Ｘ　４－０．１１５Ｘ　５－０．１４７Ｘ　６　＋０．０２３Ｘ７＋０．０８４ＸＲ＋０．２６９Ｘ９－０．０８８Ｘ　０＋０．１５４Ｘ．．一０．０３５Ｘ１２－０．Ｏ０３Ｘ　１３—１６　１７　．０３２　．ｏ１３　．１７７　．０７２　９９．８７ｌ　９９．９４３　１８　．０１０　．Ｏ５７　１ＯＯ．０００　根据表二因子解释原有变量总方差的情况，在特征根大于　１的情况下，我们可以得Ｎ５个公共因子兀、Ｆ２、Ｆ３、Ｆ４、Ｆ５，这五　个因子解释了总体方差８２．４０５％，基本上保留了原有数据的信　息含量。　由于因子载荷矩阵前３因子的载荷较高，其他两个个因子　０．Ｏ０８Ｘｔ４－０．１０６Ｘ１５－０．０３９Ｘｌ６＋０．０３９Ｘ１７－０．０８８Ｘｌ８　中国农业会计２０１２－－４　理财视野　Ｉ　２　一０・０６７Ｘｌ一０．０３５Ｘ２－０．０５５Ｘ　３＋Ｏ．０３３Ｘ４＋０．０２３Ｘ５＋０．０３５Ｘ６　十０．１６３Ｘ７－０．Ｏ１６Ｘ８＋０．０３０Ｘ９＋０．０８８Ｘｌ０－０．０４３Ｘ】１＋０．２９１Ｘｌ２＋０．２９５Ｘ　、３＋０．２７５ＸＩ４—０．０３７Ｘ１５＋０．１０２Ｘｌ６一Ｏ．０５５Ｘ１７－０．１４１Ｘ１８　３．Ｌｏｇｉｓｔｉｃ￣归模型的检验。在Ｌｏｇｉｓｔｉｃ￣归模型中，我们可以　通过二元取值来预测事件发生或不发生的概率。Ｊａｃｋ　ｋｎｉｆｅｍｅｔｈｏｄ的检验结果表明：０．５是模型的最优判别点。所以本　文也采用０．５的分割值。如果算出的概率大于设定的分割点，Ｐ　Ｆ３＝－０．１２２Ｘ】－０．０７０Ｘ２－０．１２８Ｘ３－０．０３７Ｘ４＋０．４３９Ｘ　＋０．４６６Ｘ　＋０．３２９Ｘ７＋０．０６２Ｘ８－０．１５９Ｘ９－０．０６９Ｘｌｏ＋０．Ｏ１７Ｘｌ】＋０．０８７Ｘ】２＋０．１４２Ｘ　ｌ３—０．Ｏ０９Ｘ１４－０．０３９Ｘ］５－０．０８ＩＸｌ６＋０．０６５Ｘｌ７＋０．ＯＩＯＸ１８　Ｆ４＝－Ｏ．０８６Ｘｌ一０．１３０Ｘ２＋０．０５３Ｘ　３－０．１７５Ｘ４－０．０５８Ｘ５－０．Ｏ１１Ｘ　一值＞０．５时，表明企业发生财务危机的概率比较大，判定上市公司　为财务危机公司；当Ｐ值＜０．５时，表明企业财务正常的概率比较　大，可以判定上市公司为财务健康公司。最终的检验结果如表　九所示　表六　正确　ＳＴ公司　６　０．１５８Ｘ７＋０．０５１Ｘｓ－Ｏ．１　ＩＯＸ９＋０．３２０Ｘ１０－０．Ｏ１３Ｘ１］－０．Ｏ１３Ｘｌ２－０．１８５Ｘ　１　３＋０．０５３Ｘｌ４＋０．４３０Ｘｌ５＋０．３３２Ｘ１６－０．１８７Ｘ１７＋０．３４５Ｘｌ８　Ｆ５＝Ｏ．０８２Ｘ　ｌ＋０．０６６Ｘ２＋０．４６４Ｘ　３＋０．０４０Ｘ　４－０．０６３Ｘ　５－０．１５４Ｘ　６　错误　１　准确率百分比　８５．７１　＋０．１７８Ｘ７－０．０８２Ｘ８－０．Ｏ１３Ｘ。＋０．４２７Ｘｔｏ－Ｏ．２１５Ｘ１１－０．０２２Ｘ１２－０．０６９Ｘ　ｌ　３＋０．０５６Ｘｌ４＋０．０２１Ｘｌ５＋０．１０３Ｘｌ６＋０．２９０Ｘ１７－０．０４４Ｘｌ８　非ＳＴ公司　合计　６　１２　１　２　８５．７１　８５．７１％　２．Ｌｏｇｉｓｔｉｃ￣归模型的建立。将己经提取出的５个因子作为输　入变量带入模型，进行实证分析，因变量设为ＴＹＰＥ取０或１，其　中０表示财务危机公司，１表示财务正常公司，自变量设定为Ｆ１、　Ｆ２、Ｆ３、Ｆ４、Ｆ５。首先采用Ｓｃｏｒｅ初检验的方法，对自变量与因变　量的结构关系进行初检验，检验结果显示Ｆ２、Ｆ５的Ｓｃｏｒｅ检验值　从表六可以看出，７家ＳＴ上市公司判断正确６家，错误１家；７　家非Ｓ　上市公司判断正确６家，错误１家。模型判断的整体准确　率在８５，７１％，因此，本文建立的模型预测能力较好的反映了公　司的实际状况。　二、结论　偏低，Ｆｌ、Ｆ３、Ｆ４比较显著，因此我们剔除Ｆ２、Ｆ５这２个变量，然后　在进行ＬｏｇｉｓｔｉｃＩ￣１归模型分析，结果如表四、表五所示。　表四　分类表　预测值　观察值　ＴＹＰＥ　本文通过因子分析与Ｌｏｇｉｓｔｉｅ回归相结合的方法，以我国制　造业上市公司为研究对象，构建了我国制造业上市公司财务危　机预警模型，根据研究分析的结果得出：　（一）资产报酬率，资产净利率，成本费用利润率，营业收入　增长率，净利润增长率，总资产增长率，流动比率，速动比率，经　正确百分比　Ｏ　１　Ｓｔｅｐ　１　ＴＹＰＥ　０　２５　０　０　１１　１ＯＯ．０　１００．０　营净现金流量负债比，固定资产周转率，总资产周转率，流动总　资产比这些指标对于制造业公司有较强的预警能力，由此我们　也可以认识到盈利能力、偿债能力和成长能力在制造业公司财　务预警中有着至关重要的作用。　整体数量　１ＯＯ．Ｏ　表五　Ｂ　Ｓｔｅｐ　ｌ　Ｆ３　Ｆ４　方程中的变量　Ｓ．Ｅ．　７．１３１　Ｗａｌｄ　１．９６５　１．９２３　３．７８７　（二）本文在指标选取方面，根据现代财务理论和制造业　Ｓｉｇ．　．Ｏ３１　．Ｏ１６　．０２３　ｄｆ　１　ｌ　１　Ｅｘｐ（Ｂ）　２．１９６Ｅ４　．００４　０．０３７　公司的特点初选了２２个财务指标，通过Ｋ—Ｓ检验方法将符合正　Ｆ１　９．９９７　态分布的指标与不符合正态分布的指标区分开，分别进行独　立样本Ｔ检验和非参数检验（Ｕ检验），最后根据显著性确定本　文建模所用的１８个财务指标，这样选取的指标避免了以前相　关研究人员根据主观经验、主观选择财务指标的弱点，更具有　科学性。　（三）采用因子分析与二分类ＬｏｇｉｓｔｉｃＩ￣Ｉ归相结合的方法建　立模型。因子分析能克服变量间的多重共线性，在最大程度上　——５．４４３　３．９２５　——３．２８１　１．６８９　常量　—６．３９１　４．９１Ｏ　１．６９４　１　．１２１　．００２　从表四可以看出，模型的总体预测正确率达到了１００％，因　此选择构建的模型效果较好。根据表五可以写出Ｌｏｇ　ｃ回归模　型的方程式：　Ｉｎ　：一６．３９７１＋９．９９７Ｆ１—５．４４３Ｆ３—３．２８１Ｆ４　１－ｐ　保留原有指标的信息，在保证信息基本不受损情况下，以较少　的因子代替原来较多的变量，达到降维的目的。建立的Ｌｏｇｉｓｔｉｃ　回归模型准确率在８５．７１％，较好地反映了公司的实际状况，对　制造业上市公司防范财务风险具有一定的现实意义。　作者单位：东北农业大学经济管理学院　（责任编辑：小轩）　因此可知Ｐ的表达式为：　１　ｐ　—＿＿　ｌ＋ｅ　五而　固　中国农业会计２ｏ１２—４