企业财务预警模型实证研究①

北京物资学院 秦惠林

企业财务预警模型实证研究①

北京物资学院 秦惠林

本文利用多元统计分析的方法对企业财务预警模型的建立进行了分析研究。从上市公司年报数据中选取适合的财务指标，以60家上市公司的财务数据为样本，通过计算分析，建立基于因子分析和判别分析的财务预警模型，并依据模型进行了实证分析。

财务预警 因子分析 判别分析

1 问题的提出

在我国市场经济体制逐步深化的过程中，随着资本市场的快速发展，上市公司虽然获得了更广泛的资本运作市场，但是也面临更多的潜在危机，企业发生财务危机甚至破产的情况时有出现。通过实际企业的情况可以看出，企业的财务危机是一个渐进过程，其发生不但有先兆，而且可预测。

财务预警就是以企业的财务报表、经营计划、相关经营资料及其他外部资料为依据、依托建立的组织体系，采用分析方法，将企业所面临的经营波动情况和危险情况预先告知企业经营者和其他相关利益关系人，并分析企业发生财务危机的原因及企业本身财务运营中存在的问题。使公司的经营者及早采取相应措施，改善公司的经营及财务状况，避免或减少投资者投资损失。同时，对国家证券监管部门监控上市公司质量和减少证券市场风险也有着重要的现实意义。

建立企业财务预警模型可以用来识别企业财务状况。其研究方法是：确定一组已陷入财务困境的企业作为分析对象；其次依据一定的标准确定一组尚未陷入财务困境的企业作为对比样本；再对两组样本的数据资料采用统计方法进行分析，进而揭示相关财务比率在两组样本中存在的显著性差异；运用具有显著差异的财务指标和财务比率，构建企业财务危机预警模型。

2 选择分析样本和指标

目前，我国有上千家上市公司，年度报表中反映公司业绩状况的数据成千上万，对所有数据进行分析是不可能的，也是没有必要的，怎样在众多原始数据上进行抽样，得到能反映真实情况的数据样本非常关键。

2.1 选择分析样本

本文将所选取的样本分为两组，一组是财务困境组，另一组为财务正常组。在困境组中选取2006～2009年被特别处理(ST)的20家上市公司作为分析对象，在正常组中按照同行业、同时点、相似规模的原则选取40家上市公司作为对比分析对象。财务数据取自上市公司的财务年度报表。

2.2 选择分析指标

在国内外相关研究中提出的财务预警模型不尽相同，评价的重点各异，但总体来说，各模型基本上都涵盖了反映企业盈利能力、偿债能力、运营能力和成长能力等几个方面的财务指标。因此，本文中共采用了17个指标(可根据具体情况而增减)以反映上市公司财务报表的整体情况。17个指标分别是：(1)每股收益(2)销售净利率(3)净资产收益率(4)应收账款周转率(5)存货周转率(6)股东权益周转率(7)总资产周转率(8)流动比率(9)速动比率(10)利息保障倍数(11)资产负债比率(12)股东权益比率(13)营业利润增长率(14)净资产增长率(15)总资产增长率(16)总资产收益率(17)现金比率。

3 多元统计分析方法简介

多元统计分析(multivariate statistical analysis)是研究多个随机变量之间的相互依赖关系以及内在统计规律性的一门统计学科，是现代统计学应用十分活跃的一个分支。常用多元统计方法主要有：多元数据图表示法、主成分分析、因子分析、聚类分析、判别分析、对应分析、多元回归分析、典型相关分析等。本文中应用因子分析和判别分析。

3.1 因子分析

因子分析是将具有错综复杂关系的变量(或样品)综合为数量较少的几个因子，以再现原始变量与因子之间的相互关系，同时根据不同因子还可以对变量进行分类。它的基本思想是在数据信息丢失最少的原则下通过降维，把多项指标转化为少数几个综合指标的多元统计方法。此方法包括两个步骤，首先利用主成分法将高维空间进行降维处理，经过线形变换和舍弃小部分信息，以少数主成分取代原始采用的多维变量。而后，再对这几个主成分进行旋转，获得经济上可解释的综合因子。

因子分析的目的不仅是求出公因子，更主要的是知道每个公因子的实际意义。因子旋转的目的是因子载荷阵结构简化，便于对公共因子进行解释。在本文建立的模型中，采用的17个基本指标，最后归结为6个公共因子，这6个公共因子都经过了因子旋转，这里选用的是方差最大正交旋转。

3.2 判别分析

判别分析方法的核心就是根据距离的远近来判断样品的归属，通常形成一个线性判定函数式，据此判断待判企业的归属。一般要求数据服从正态分布和两组总体间协方差矩阵相等。在应用中，给各综合指标赋予一定的权值再进行综合分析，形成一个判别式，根据财务正常企业和财务困境企业各自得分情况形成判定区间，计算出待判企业的得分，据此加以判断。

4 实证分析

本文应用多元统计的方法，对选取的样本数据进行初步分析，使用SPSS13.0 for Windows软件计算样本数据的财务指标值，利用因子分析法从关系错综复杂的指标中综合出数量较少的因子，再依据因子得分建立判别模型，得到上市公司的预警信号。计算结果见表1～4。

表1是KMO和球形Bartlett检验的结果。KMO是用于比较观测相关系数值与偏相关系数值的一个指标，其值越接近1，表明对这些变量进行因子分析的效果越好。球形Bartlett检验是判断相关矩阵是否是单位阵。当KMO统计量的值在0.5以下时，不适合应用因子分析法。由球形Bartlett检验(Sig=0.000)可以看出，应拒绝各变量独立的原假设，即这组变量之间具有较强的相关性。而本分析KMO统计量的值为0.761，大于0.5，说明选择的样本数据适合进行因子分析。

表2描述了17个分析指标的全部方差解释，从这些指标中最终提取出了6个综合因子(表2只保留了前6个成分的相关信息)。从表2可以看出，前6个成分的特征值均大于1，其累计贡献率为83.269%；即使用6个公因子可以描述样本协差阵83.269%的信息。该计算结果符合确定主因子数目的要求，即在大幅度减少分析指标个数的前提下，信息的损失量比较小，能够利用较少的因子对数据进行比较全面的分析。

利用6个综合因子建立判别模型，为样本企业在财务危机发生(被特别处理)前1年建立的标准化线性判别函数为：

Y=0.024F1+0.814F2+0.079F3+0.795F4+0.518F5+0.093F6

其中，F1～F6为财务指标的6个综合因子得分。

该模型的Wilks' Lambda检验结果见表3，其原假设是判别函数不显著。由Sig=0.000结果表明，该判别函数在两组样本(正常组合困境组)之间的判别显著(显著性水平取0.05)。特征值检验见表4，其结果体现判别函数的判别能力。由典型变量的相关系数为0.794可知，该判别函数中自变量与因变量的相关性较强。

表3 Wilks' Lambda检验

表4 特征值检验

将财务困境组和财务正常组的样本数据代入模型中计算，根据函数值确定其归属。经实证检验，该模型对选定样本的总体判别准确率为88.33%，其中，对于财务正常组判别准确率为90%，对于财务困境组判别准确率为85%，依据模型判别结果比较理想。

5 结语

本文所选择的17项指标均为公认比较重要的财务指标，经过分析发现，这些指标之间的相关性比较强，这就为因子分析提供了可能。在因子分析的基础上建立判别模型，从判别结果可知模型对于选定样本的判别效果比较理想。本文的不足是仅针对发生财务危机企业的前1年数据进行了分析，未对这些企业在危机发生前2年、前3年的情况进行判别和比较；另外，本文所选取的样本量偏少,为得到判别效果更为理想的预警模型，建议选择判别能力强的指标以及选定更多的样本。

[1] 吴世农.中国股票市场风险研究[M].中国人民大学出版社,2003.

[2] 张昕.基于判别分析和神经网络技术的上市公司财务困境预警实证分析[D].湖南大学硕士学位论文,2001.

[3] 高惠璇编著.应用多元统计分析[M].北京大学出版社,2005,1.

[4] 邵希娟,曾海花.我国上市公司财务困境的预警模型研究[J].经济管理,2009,(9).

[5] 刘晶,潘逸天等.基于多元判别分析的财务预警系统[J].中国管理信息化,2010,(2).

F715

A

1005-5800(2010)11(b)-091-02

资助项目(PHR201008230)。

秦惠林(1970-)，女，北京人，北京物资学院教师，副教授，硕士，主要从事计算机应用技术研究。