Logistic回归在农业上市公司财务预警的应用*

文/张洮溪 孙玉忠（黑龙江八一农垦大学）

一、引言

我国是一个拥有14.43亿人口的大国，农业的重要性不言而喻。但是由于农业本身的特质，使得很多农业类上市公司的企业的经营状况并不是很好，甚至有一些农业上市公司已经处破产的边缘，并且很多农业公司为了掩盖公司盈利状况的恶化，避免遭到股市的特殊处理，进行财务舞弊。所以，构建财务预警模型的重要性不言而喻。

财务预警的方法大体分为传统的方法、机器的方法和多种结合的方法。传统模型最开始是单变量模型，但是有很多局限性[1],之后发展到多变量模型。Altman提出Z模型[2]，之后的学者加入现金流，提出F模型，并在将预警模型运用到农业行业[3]。吴世农、卢贤义选取140家公司为样本，发现Logistic预测模型的错误率最低[4]。陈欣欣、郭洪涛（2020）联合运用因子分析和二元Logistic回归法构建农业上市公司财务风险评价模型，结果表明该模型具有较高的拟合度和判别能力[5]。随着科技的发展，机器学习法也运用到财务预警领域。孙新宪运用BP神经网络，发现人工智能方法建立的模型准确率要比传统的模型要高[6]。王玉东采用果蝇算法优化神经网络并对高新技术企业进行财务预警。随着模型的创新。学者综合运用两者进行评价，张敏、彭红敏（2021）利用神经网络、模糊决策树法等多种模型方法运用到计算机领域，简化算数的麻烦，更好地对财务风险进行预测和评价[7]。李丹、朱家明（2019）运用Spss和Python综合建立财务模型。

二、研究设计

（一）样本选取与数据来源

样本选择根据沪深两市中国证监会2012版行业分类中的农林牧副渔业板块进行挑选。样本共计为48个样本，其中包括36家正常公司样本以及12家ST公司。本文数据来源为CSMAR数据库以及东方财务等网站以及统计软件SPSS 23.0。如表1所示。

表1 案例公司

（二）变量选取

结合行业特点，本文从偿债、营运、盈利和发展四个层面选取12个指标建立农业行业的财务风险指标体系。如表2所示。

表2 财务风险评价指标

三、实证分析与结果

（一）KMO和巴特利特检验

在做主程序分析前，需要对变量进行KMO和巴特利特球（Bartlett）检验，以确定选定的变量是否进行因子分析。KMO值为0.690，超过0.5，说明变量间相关性强，适合做因子分析。同时，巴特利特球检验的近似卡方值为464.696，显著性为0.000<0.01，同样说明数据达到了因子分析的要求。

（二）因子提取及因子旋转

本文进行因子提取，有4个较大的特征值4.833、2.377、1.478、1.103。前四个因子的方差累计贡献率达到81.591%,表明这四个指标为主要影响因素，表明原始数据中的大部分信息可以被所提取的这四个因子解释。

从表3旋转后的成分矩阵中可以看出，主因子F1在总资产增长率(X7),资本保值增值率（X8），营业毛利率（X11），每股收益（X12）中的载荷较大，因为X11，X12指标的载荷比较大,且直接反映了企业的盈利能力，因此将F1命名为企业盈利因子；主因子F2在流动比率（X1），速动比率（X2）的载荷较大，因此将F2命名为企业偿债因子；主因子F3载荷较大的指标为总资产周转率（X5），存货周转率（X6）和营业收入增长率（X9），因此将F3称为企业经营因子；主因子F4在产权比率（X4），净资产收益率（X10），资产负债率（X3）上的载荷较大，因此命名为企业辅助偿债因子。

表3 旋转后的成分矩阵

（三）计算因子得分

因子分析得分系数矩阵根据表4所示，下一步计算将原始自变量带入组合的因子评分模型中，即可计算出每家农业公司的四个因子的得分。因子表达式为：

表4 因子成分得分系数矩阵

使用SPSS 23.0软件在原始的财务数据基础上，带入预测函数计算出F1,F2,F3,F4 的值并保存在原始数据的右 方 分 别 为FAC1，FAC2，FAC3和FAC4，然后根据函数计算出综合得分，并将他们进行综合排名。

根据因子分析法的原理，F>0时，数值越大意味着财务的各项能力越大，抗风险能力更强，发生财务风险的可能性就越小；反之，如果F<0,则表示财务的各项能力较小，发生财务风险的可能性就越大。从表中我们也可以看出ST公司的F值普遍较低，并且综合得分排名较低。

（四）构建logistic拟合度检验

为了检验Logistic方程是否适用于样本数据，需要对回归模型进行拟合度检验：内戈尔科检验和霍斯默-莱梅肖检验。考克斯-斯奈尔R2值为0.453<1；内戈尔科R2<1,说明模型拟合度良好。显著性>0.5,说明拟合度较好。

（五）模型的确定

在本文logistic回归模型中，因变量设为财务风险，服从二项分布，取值分别为0（没有财务风险）和1（有财务风险），协变量分别为FAC1_1，FAC2_1，FAC3_1和FAC4_1，在步骤1中输入协变量，即可得到方程，得到logistic方程为：

（六）回归结果

根据上面的方程，将样本公司带入到方程中。

从表6可以看出，在以0.5为概率分界的前提下，在36个财务健康的公司中，只将1家公司误判为财务风险公司，相对于健康公司而言，判别准确率达到了97.2%，而在财务风险公司的判别上，12家财务风险公司中误判的有两家，准确率达到了83.3%，构建模型的整体分类判别精度为93.8%，超过了80%，说明预警效果有较好的准确性。

表6 预测结果

四、结语

本文通过偿债能力、经营能力、发展能力、盈利能力四个方面12项指标构建农业行业的财务预警指标体系，之后采用因子分析法和Logistic方程构建财务预警模型，模型准确率达到93.8%。本文只是针对农业类上市公司进行预警分析，并没有分析其他行业，并且未能考虑非财务指标，希望在后续研究中能够引入非财务指标，进一步根据不同行业构建更为完善的财务预警指标体系。