机械设备仪表类上市公司多元线性财务预警模型的比较研究

周运兰，徐媛媛

(中南民族大学管理学院，武汉430074)

随着世界经济一体化进程的加快以及我国市场经济体制的建立和完善，企业将面临更大的复杂性和风险性.因此，通过分析财务数据建立财务预警模型，监控企业财务状况，防止陷入财务危机就非常必要.2009年之前我国建立的财务预警模型均是应用于整个上市公司或是制造业，没有建立专门针对行业大类、行业子类的财务预警体系，直到2010年也只初步涉及到制造业、纺织业、房地产业等行业大类，具体到行业大类下辖的二级子类行业的研究更少.

中国证监会2001年4月发布了《上市公司行业分类指引》(以下简称“指引”)，以“营业收入”为标准将我国上市企业分为农林牧渔业、采掘业、制造业等13个大类，制造业大类下又有食品饮料、纺织服装皮毛、木材家具等9个子类行业，这9个二级子类行业又各有自己下辖的三级子类行业.9个二级子类行业在生产工艺、流程、管理、资金运营等方面各有特点，财务指标的差异很大，势必影响到原有财务预警模型的适用性.所以，对财务危机预警模型系统进行行业子类的细分研究是很有必要的.

截至2009年11月6日，沪深两市A股1667家上市公司中1005家属于制造业，占到了上市公司总数的60%［1］.从制造业各子类上市公司来看，机械设备仪表类最多，有272家，加之在出台的“十大产业振兴政策”中，装备制造、汽车、船舶三类产业与机械设备仪表类行业几近相同，可见其地位重要，建立适合机械设备仪表类行业的财务预警模型，对提高预测该行业企业财务危机状况的精度，以及对于构建二级子类行业、三级子类行业的财务预警体系等都具有重要的理论与现实意义.

1 财务危机预警模型的研究设计

1.1 研究假设

本文基于61家机械设备仪表类上市公司的财务数据，对经典多元线性财务预警模型——Z-Score财务预警模型、F分数模型进行了比较分析，又以理论为依据，提出修正的 F分数模型——F1分数模型.本文研究的机械设备仪表类属于制造业二级子类，所以可以应用Z分数模型和F分数模型进行实证分析［2］.本文将样本分为“财务状况正常”和“财务状况异常”两组公司.

［3］，本文把 ST(公司经营连续2年亏损，特别处理)、*ST(公司经营连续3年亏损，退市预警，面临摘盘)、SST(公司经营连续2年亏损，特别处理且还没有完成股改)、S*ST(公司经营连续3年亏损，退市预警，还没有完成股改)的公司都归为“财务状况异常”公司的样本，“财务状况正常”公司指没有被特殊处理的其他上市公司.

1.2 样本的选取

本文是以机械设备仪表类上市公司作为研究对象，财务正常企业样本的选取采用随机抽样的方法，在417家(截止到2011年4月20日)上市的机械设备仪表类上市公司中随机选取45家企业.由于财务异常公司较少，所以把机械设备仪表类行业的16家ST、*ST、SST、S*ST 上市企业均选做样本.

本文样本数据均来源于新浪网财经-股票数据库(http://finance.sina.com.cn/realstock/)公开发布的财务报表.笔者使用Excel办公软件建立模型，进行数据处理，分别计算得出61家样本企业2007～2009年3年的Z值与F值.

2 实证结果比较分析

通过比较 Z值、F值统计数据，得出2007～2009年F分数模型对财务异常公司、正常公司(非ST、*ST、SST、S*ST公司)预测的准确度均高于 ZScore模型，并且F分数模型对财务异常公司预测的处于“灰色地带”的公司数量小于等于Z-Score模型，且F值波动的幅度小于Z值，所以F分数模型的稳定性高于Z-Score模型.

上述比较分析的结果表明:Z-Score财务预警模型和F分数模型在一定程度上适合我国机械设备仪表类行业上市公司的财务预警，并且F分数模型的准确度高于Z-Score财务预警模型.F分数模型预测结果不理想的原因在于它存在着缺陷［4］，接下来本文试图在理论上深入分析F分数模型存在的缺陷，并提出改进建议，建立更加适用于机械设备仪表类行业的财务预警模型，得出修正的 F分数模型——F1分数模型.

3 F分数模型的评论及F1分数模型的建立

3.1 F分数模型的优势

F分数模型是由周首华、杨济华等在Z-Score财务预警模型的基础上把现金流量作为预测变量，并进行大量的样本采集，采用SPSS-X软件多微区分分析方法建立起来的财务预警模型.F分数模型对4160家样本公司财务状况预测的准确率为70%.F分数模型的计算公式［5］为:

其中X1=(期末流动资产－期末流动负债)/期末总资产，X2=期末留存收益/期末总资产，X3=(折旧+税后纯利润)/平均总负债，X4=期末股东权益/期末总负债，X5=(利息+折旧+税后纯收益)/平均总资产.

F分数模型与Z-Score财务预警模型中的X1、X2和X4计算方法相同.F分数模型中X3是衡量企业创造的全部现金流量可用于偿还债务的能力，X5是衡量企业的总资产创造现金流量的能力.F分数模型较Z-Score财务预警模型有了改进，它不仅延续了Z-Score模型作为多元线性模型计算简便的优势，还加入了现金流量这一自变量，能结合当今上市公司实际财务状况及其衡量标准的变化，相应地改变了5个自变量的权重，具有一定优势.

3.2 F分数模型的不足与缺陷

3.2.1 缺乏行业针对性

F分数模型是在Z-Score模型的基础上做的改进，尽管F分数模型是建立在4160上市公司——较大的样本之上，但是，模型没有区分不同行业间的特殊性.财务指标存在的差异，缺乏行业针对性，因此在将F分数模型应用到某个行业时，需要对模型进行改进［6］.

3.2.2 缺乏定性因素

F分数模型中缺乏对定性因素(即非量化因素)的分析，财务比率不能反映诸如:企业的人力资源匮乏、资金过度依赖银行信贷等定性因素.因此，要将定性因素量化，并在建立财务预警模型时予以考虑，进而达到完善财务预警模型，提高预测精度的目的.

3.2.3 现金流的考虑带有明显的局限性

较之Z-Score模型，F分数模型最大的优势就是公式中X3、X5两个自变量考虑了现金流量，但是，此种考虑带有明显的局限性.从会计角度看:首先，X3、X5两个自变量虽然考虑了现金流量，但仅限于对折旧的考虑.企业提取的折旧费用属于企业创造的现金流，当企业发生财务危机时可以用计提折旧费用来偿还债务，但是由于其数额较小，实在是杯水车薪，难以解决大问题.

其次，X3=(折旧+税后纯利润)/平均总负债、X5=(利息+折旧+税后纯收益)/平均总资产，从会计利润角度看现金流，由于我国企业的会计处理是以“权责发生制”为原则，因此会计利润容易被粉饰、被高估.但是，在F分数模型中X3、X5指标中都采用会计利润作为计算数据，因此，会影响模型预测的准确性.但是，如果从以“收付实现制”为记账基础的现金流的角度考虑，就可以避免此问题［7］.因此，从理论上分析，考虑净现金流量的财务预警模型将更具有可信性，准确度更高.会计核算中将企业现金流分为:经营活动产生的现金流量、投资活动产生的现金流量、筹资活动产生的现金流量.而经营活动产生的现金流量能够比较全面地反映企业的经营状况和经营成果，因此，建议采用经营活动产生的现金流量作为构建模型的数据指标.

3.3 F1分数模型的建立

综合以上论述，本文将采用由我国学者何谐、刘德路、孙永波设计的现金流财务预警指标体系中的“主营业务现金比率”作为构建新模型的自变量［8］.主营业务现金比率=经营活动现金净流量/主营业务收入，它是反映企业经营活动产生的现金净流量与主营业务收入关系的指标，衡量企业实现销售行为后获得现金的能力.这一指标的最大优点在于它排除了坏账损失的影响.用经营活动产生的现金净流量代替会计利润，不会被虚增会计利润等不真实信息误导.

通常，主营业务现金比率这一指标越高越好，当该指标出现负值时，表明企业的经营活动出现了现金的负流入.考虑经营活动产生的现金净流量，加入主营业务现金比率指标，构建了修正的F分数模型——F1分数模型为:

其中 X1、X2、X3、X4的含义与 F 分数模型相同，X5=经营活动产生的现金净流量/营业收入，各自变量的权重没有发生变化.

先将F1分数模型应用于机械设备仪表类45家ST、*ST、SST、S*ST 公司和16 家非ST、*ST、SST、S*ST公司，得到F1值，然后通过对该样本数据计算得出的F1值进行统计和比较分析，可以得出F1分数模型对公司财务的预测能力，如表1、表2所示.

表1 F分数模型、F1分数模型对财务异常公司预测结果的比较分析Tab.1 Comparative analysis of the predict results of F-scoremodel and F1-Scoremodel on the abnormal financial firms

通过对表1统计数据的比较分析可以得出:对于财务异常公司(ST、*ST、SST、S*ST 公司)，预测其财务异常(F ＜0.0274、F1＜0.0274)，F1分数模型预测精度均高于F模型.F1分数模型预测的财务异常的均值为72.92%，高出F分数模型4.17个百分点.F1分数模型判断失误(即将财务异常公司判断为财务正常公司)的比率比F分数模型低6.13个百分点.

表2 F分数模型、F1分数模型对财务正常公司预测结果的比较分析Tab.2 Comparative analysis of the predict results of F-scoremodel and F1-Scoremodel on the normal financial firms

通过对表2统计数据的比较分析可以得出:对财务正常公司(非 ST、*ST、SST、S*ST 公司)，预测其财务正常(F ＞0.1049)、F1＞0.1049)，F1分数模型预测精度均高于F模型，F1分数模型预测准确的最高比率为82.22%，均值为76.30%，比F分数模型高1.49个百分点.并且F1分数模型预测的处于区域0.0274≤F1≤0.1049的公司数量小于F分数模型.F分数模型的误判率最高为22.22%，误判率的均值为13.33%;F1分数模型的误判率最高为17.78%，误判率的均值为12.59%.F1分数模型误判率的最高值和均值分别比F分数模型低4.44个百分点和0.74个百分点.

4 结语

上述比较分析的结果表明:修正后的F分数模型——F1分数模型，采用经营活动产生的现金净流量代替会计利润，加入主营业务现金比率指标，克服了前述F分数模型在考虑现金流时所具有的明显的局限性.因此，修正后的F1分数模型的准确度高于F分数模型，比F分数模型更适合于机械设备仪表类行业的财务预警.

每个行业都有各自的经营特点，应分行业建立财务预警模型.行业内的企业可以根据自身的特点，改变该行业财务预警模型自变量的权重，建立适合企业自身的财务预警模型，建立和完善我国的行业和企业财务预警体系.

参考文献

［1］王化成，程小可，刘亭立，等.高级财务管理学［M］.3版.北京:中国人民大学出版社，2011.

［2］李 强.机械设备仪表类上市公司阶段性财务预警模型构建［J］.黑龙江对外经贸，2010(3):157-160.

［3］孟 晨，张庆昌.沪市A股上市公司财务预警模型实证分析［J］.财会通讯:综合(中)，2010(5):5-6.

［4］张 斌.财务危机预警分析的Z分数模型和F分数模型应用研究 以亚星客车为例［J］.现代管理科学，2008(5):51-53.

［5］周首华，杨济华，王 平.论财务危机的预警分析——F 分数模式［J］.会计研究，1996(8):8-11.

［6］杨玉秀.企业财务预警模型的比较分析［J］.财会月刊，2004(22):44-45.

［7］朱其俊，郜 燕.基于多元统计分析的上市公司财务危机预警模型的研究［J］.现代管理科学，2007(5):78-80.

［8］何 谐，刘德路，孙永波.传统多变量财务预警模型的对比研究［J］.煤炭经济研究，2007(8):46-49.