创业板上市公司财务风险预警研究检验

王晨

[摘 要] 创业板又称二板市场，是对主板市场的重要补充。近年来，由于我国创业板市场在监管方面相对主板市场稍显滞后，导致创业板上市公司有发生财务风险的可能。为此鉴于国内外关于财务风险预警的研究文献，依照2012年颁布的《深圳证券交易所创业板股票上市规则》选取66家创业板上市公司作为研究样本，另选30家创业板上市公司作为检验样本，分别构建基于主成分分析法和Logistic回归分析的财务风险预警模型。实证结果表明，Logistic回归预警精准度更高，更加适用于我国创业板上市公司。无论对于企业经营者或是投资者来说，本模型都可用于参考，一定程度上可以避免经营失败或是投资失败造成的损失。

[关键词] 财务风险；预警模型；主成分分析；Logistic回归

[中图分类号] F640 [文献标识码] A [文章编号] 1009-6043（2018）03-0174-03

一、引言

截止2017年10月，创业板共有690家上市公司，总市值达5.5万亿元。创业板作为我国资本市场的重要组成部分，其最主要的意义在于为中小型企业拓宽了融资渠道，为其发展提供了平台，但是由于创业板准入门槛低、成立时间短、业绩不突出等特点，再加上在全球经济复苏缓慢的背景下国际国内市场瞬息万变，导致上市公司在经营上存在重大风险的可能。一旦发生风险将给企业自身、投资人、债权人造成重大损失。因此在风险发生前进行有效防范将是重中之重。2012年《规则》的颁布针对创业板上市公司的退市有了明确规定，同时对于建立健全的资本市场运转体系具有重大指导意义。

立足于创业板上市公司，分别建立基于主成分分析和Logistic回归分析财务风险预警模型，通过预警模型帮助企业尽早识别并规避风险。

二、文献综述

国外关于风险预警的研究最早可以追溯到上世纪30年代Fitz Patrick（1932）提出的单变量分析法。Beaver（1966）提出单变量判别模型，发现现金流量负债比与资产负债率最能判定公司经营情况且距离破产日越近，预测越准确。Altman（1968）在对制造业企业进行财务预警时，首先使用了多重判别分析法。Ohlson（1980）最早将Logistic回归分析引入到财务预警研究中。至此，Logistic回归分析将风险以概率值的形式反映出来。在90年初期，随着计算机网络技术的发展，诸如人工智能以及神经网络等技术也被应用到财务预警中，这些技术大大提高了预警的准确性。

我国学者对财务风险预警的研究大多借鉴国外经验，但目前已有初步成果如陈静（1999）认为使用多元判定模型进行预测其结果好于单变量模型。周首华，杨济华，王平（1996）认为现金流量指标是对传统Z模型五类具体指标的补充，并提出了F分数模型。孔宁宁，魏韶巍（2010）对我国主板市场制造业上市公司进行财务预警，对比Logistic回归模型和主成分分析，认为主成分分析预警效果更好。宋晓娜，黄业德，张峰（2016）认为Logistic回归分析更适用于我国制造业上市公司财务预警且准确度高达90%。

综上所述，我们认为采用不同方式的预警模型会对预警效果产生一定影响。此外，样本数量、指标选择以及所选行业都会对预警结果产生重大影响。在我国现阶段的研究中，单变量模型依据的财务指标过于单一，预警准确度不高，而多元线性判定模型要求自变量必须符合正态分布，且样本之间具有相等的协方差，这在无形中增加了难度。相比而下，Logistic回归模型则不会受到假设的约束。

鉴于此，考虑到现有的研究主要集中在主板市场，对创业板市場进行的研究案例较少。因此以创业板上市公司为研究对象，选择反映企业财务状况的偿债能力、盈利能力、营运能力、发展能力和资本结构五大类共19个财务指标作为财务预警指标体系的组成要素，建立主成分分析和Logistic回归分析两种财务风险预警模型并加以验证。

三、研究设计

（一）研究样本选择

由于在2012年最新颁布的《规则》中对创业板上市公司的退市制度作出明确规定，加之我们主要探讨的是财务方面引起的风险，故而像“被证券交易所公开谴责”的规定我们无法判断是否完全基于财务问题，因此暂且不予考虑。基于以下两个条件判定创业板上市公司可能出现潜在的财务风险：其一首次出现净利润为负；其二净资产较上年增长率为负。根据这两个条件并按照证监会2012年对创业板上市公司进行的行业板块分类，筛选出33家企业作为研究样本，同时按照1：1的比例对所选企业进行配对，共找到行业、规模与之相近的配对企业33家，并选取2014-2016年的公开数据，数据来源为巨灵数据库。

（二）预警指标选择

为了能够全面反映企业的财务状况和经营成果，所选择的财务指标涵盖了偿债能力、盈利能力、营运能力、发展能力和资本结构等五大类一级指标以及19个二级指标。现根据样本公司三年的公开数据对19个财务指标进行配对样本T检验，经检验共有8个财务指标在0.05的显著水平下通过检验，分别是流动比率（X1）、速动比率（X2）、已获利息倍数（X3）、应收账款周转率（X4）、总资产周转率（X5）、有形资产/总资产（X6）、总资产报酬率（X7）和销售毛利率（X8）。最终依据8个财务指标建立财务风险预警模型。

四、模型构建与检验

（一）主成分分析预警模型构建

为了消除不同量纲的影响，我们要对66家样本公司的数据进行标准化处理。同时进行KMO统计量与Bartlett球形检验，以此来验证标准化后的数据能否达到主成分分析的条件。检验结果显示KMO值为0.626，Bartlett检验统计量对应的显著性小于0.05，表明标准化后的数据达到主成分分析的要求。

我们运用SPSS19.0对所选取的2014-2016年66家样本公司的财务指标进行主成分分析，可以得出各主成分的特征值和贡献率如表1所示。前六个主成分的累计方差贡献率达到79.045%，能够对总体起到解释概括作用。

（二）Logistic回归模型构建

运用SPSS19.0对样本公司数据进行Logistic二元回归分析，假设Y为因变量，上文提取的6个主成分为自变量，将所有的变量带入回归方程。在研究中将P=0.5作为是否有潜在发生财务风险可能的临界点。最后当将检验样本带入已建立的财务风险预警模型时，若输出的P值大于0.5，代表该样本公司运营良好，暂无发生财务风险的可能；若输出的P值小于0.5，则有发生财务风险的可能性，应给予重视和防范。具体如表2所示。

（三）预警模型检验

下面使用30家样本公司检验以上两种财务风险预警模型。首先将标准化后的检验样本财务指标代入主成分预警模型中，计算样本公司的预警分布值并将Z值从大到小排列。在保证判别分类错误最小的前提下，样本公司的临界点定为两类Z值分布平均数的算术平均数2.0466。即当Z值>2.0466时，为暂无财务风险；当Z值<2.0466时，为有潜在可能发生财务风险。

对于Logistic回归模型检验，首先将检验样本按照是否有可能发生财务风险分为两类，再将选择样本的财务指标标准化后得到6个主成分分值，最后将得到的主成分得分输入到已建立的Logistic回归模型中，计算出概率P的值，将得出的P值与临界点0.5进行对比。

导致错误的发生有两种可能性，其一为误拒错误，即把有潜在发生财务风险的公司看作财务运行良好不会发生风险的健康公司；其二是误受错误，即把财务状况良好的健康公司看作有潜在可能发生财务风险的公司。具体检验结果如表3所示。

通过表3可以看出，Logistic回归分析预警模型和主成分预警模型拥有共性特征即对于财务状况良好的公司预警精准度更高；对于有可能出现财务风险的公司预警精准度稍弱，但是从整体上看，Logistic回归预警模型的效果更好，精准度更高达到80%。

五、研究结论及不足之处

（一）研究结论

通过建立基于主成分分析法和Logistic回归分析财务风险预警模型，对检验样本进行验证，预警精准度分别达到了70%和80%，从整体上看Logistic回归分析预警模型效果更好。但是由于财务风险不可完全消除，只能加强防范，尽量将损失降到最低。

对于企业经营者来说，要及时观察市场动态，把握政策导向，适时适当地调整经营策略，做到防范于未然；对于投资者和债权人更要审时度势，在提供融资或投资前尽可能多的了解企业的经营状况更要关注企业公开的财务数据，以此避免损失。无论对于企业经营者或是投资者来说，本模型都可用于参考，一定程度上可以避免经营失败或是投资失败造成的损失。

（二）不足之处

在样本选择上，仅仅以首次出现净利润为负和期末净资产低于期初来判断有潜在可能出现务风险，而忽略其他因素，况且我们无法保证做到上述两方面的企业不会发生财务风险，这就导致我们的研究有些片面；在财务指标的选择上，仅仅选择了财务指标，没有考虑非财务指标对公司经营带来的影响；检验样本时没能对样本公司进行三年的跟踪式检验，可能会影响预警精准度。这些不足必然会导致研究结果受到一定影响，在后续的研究中將逐渐克服这些局限。

[参考文献]

[1]Fitz Patrick P J. A Comparison of Successful Industrial Enterprises with Those of Failed Firms[M]. Certified Public Accountant. 1932（2）：589-605.

[2]Beaver W. Market prices，financial rations，and the prediction of failure[J]. Journal of Accounting Research. 1968：179-192.

[3]Altman E. Financial ratios，discriminant analysis and the prediction of corporate bankruptcy[J]. Journal of Finance. 1968（4）：598-609.

[4]Ohlson，James. A Financial Ratios and the Probabilistic Prediction of Bankrupt[J].Joumal of Accounting Research. 1980 18（1）：109-131.

[5]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999（4）：31-38.

[6]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.

[7]孔宁宁，魏韶巍.基于主成分分析和Logistic回归方法的财务预警模型比较—来自我国制造业上市公司的经验证据[J].经济问题，2010（6）：112-116.

[8]宋晓娜，黄业德，张峰.基于Logistic和主成分分析的制造业上市公司财务危机预警[J].财会月刊，2016（3）：67-71.

[责任编辑：潘洪志]