基于公司现金流信息的财务困境预测实证分析

陈同峰，王 畅，陈 苏

宿州学院经济管理学院，安徽宿州，234000

基于公司现金流信息的财务困境预测实证分析

陈同峰，王 畅，陈 苏

宿州学院经济管理学院，安徽宿州，234000

从财务困境的定义、产生的原因及其早期信号等方面探讨企业财务困境相关问题。使用因子分析法浓缩财务指标，把现金流信息引入到企业财务困境预测中，最后在已有研究的基础上以我国上市的ST公司和非ST公司作为研究样本，使用Logistic回归分析的方法构建引入现金流信息的财务困境预测模型，证明把现金流信息引入到传统财务困境的预测中具有较高的预测精度。

财务困境；现金流；Logistic回归分析

企业财务状况可以反映企业面对可能出现的财务风险而保持持续经营的能力，若其恶化，过程是渐进的，这就是通常所说的财务困境。本文将财务困境定义为一个企业的现金流不足，致使企业无法偿清债务或企业资不抵债，账面净资产为负。并以我国上市公司中的ST企业和非ST企业作为研究对象，构建财务困境预测模型。

我国企业陷入财务困境的原因比较复杂，其中企业内部经营管理存在的问题是企业陷入财务困境的根本原因[1]。企业严重亏损以及现金流量严重不足是财务困境产生的早期信号。现金作为企业机体的血液，它是企业生存、发展的基础。企业若资金链断裂，现金流严重不足，则意味着企业经营出现问题，因此，企业经营者应建立有效的预防机制，及时发现财务困境的早期信号并采取必要措施，避免企业突然陷入财务困境。

1 问题的提出

企业离不开现金流，因为它伴随企业的一切经济活动。对于企业来说，持续、稳定、健康的现金流是企业发展的重要保障，是企业得以生存的前提。企业只有拥有足够的现金，才能从市场上购得生产资料和劳动力等，才能进行企业的生产经营活动，才能为企业创造价值。若企业不重视现金流，忽视现金流的管理，则会造成企业现金的短缺和支付能力不足，进而引发企业的财务困境，给企业带来致命的打击，甚至破产。

从国内外对财务困境预测的研究看，大多数研究依赖于资产负债表和利润表所披露的信息，而这些信息主要是基于权责发生制原则计算的应计制会计指标有一定的局限性[2]。如果以现金流量表中披露的现金流信息作为指标，在一定程度上可以克服传统指标的局限性，因此把现金流信息指标引入财务困境的预测中就显得非常重要。

2 基于现金流信息的财务困境预测指标

2.1 研究样本

上市公司在证券市场上具有代表性，且我国A股上市公司的数据资料比较完整，因此，本文以A股上市公司中的ST类企业为研究对象，构建财务困境预测模型[3]。将2012年和2013年作为困境年份，剔除非正常的ST公司，选取这两年40家被ST的A股上市公司作为样本企业用于构建预测模型。

2.2 研究指标

本文选取部分传统财务指标和现金流信息财务指标(表1)，用于财务困境预测模型构建，因为这些指标基本上能反映上市公司的偿债能力、营运能力、盈利能力、发展能力以及企业现金流量的结构和现金流量的财务弹性。

2.2.1 现金流信息财务指标K-S检验

采用单样本K-S检验方法，对现金流信息财务比率进行K-S检验。财务困境前一年，在17个被检验的现金流信息财务比率中，有总资产现金报酬率X19、总资产现金周转率X21和流动资产现金周转率X23三个财务比率符合正态性分布；其余14个现金流信息财务指标的显著性水平均小于0.05，都不符合正态性分布；同理分析财务困境前二年和前三年现金流信息财务指标，总体上不符合正态性分布，其均值差异检验可采用非参数检验方法。同样的方法检验得出传统财务比率的均值差异检验应使用非参数检验方法。

表1 指标体系简要分析

2.2.2 现金流信息财务指标均值检验

经非参数检验，在财务困境前一年，存货现金周转率X24、经营活动现金净流量增长率X25、现金利润增长率X26、投资现金流量比率X32、筹资现金流量比率X33五项财务比率未通过0.1水平的显著性检验，其余12项财务比率都通过了0.05水平的显著性检验。同样的方法分析财务困境前二年和前三年的现金流信息财务指标均值检验，共有12项现金流信息指标的均值差异比较显著。本文将均值差异的现金流信息指标引入到传统财务指标中进行因子分析。

同理，汇总三年的检验结果显示，公司在没有被ST之前的连续3年中，对17个传统指标进行比较，两类公司共有15个传统指标的均值差异比较显著，其中有9个指标至少连续三年差异显著。选取均值差异显著的传统财务指标作为备选变量进行下一步因子分析指标。

2.3 用因子分析浓缩财务指标

2.3.1 引入现金流信息财务指标的巴特利特球度检验和KMO测定

财务困境前一年把已筛选出的12个具有显著性差异的现金流信息财务指标引入到传统财务指标中，对这27个财务指标的巴特利特球度检验和KMO测定如表2所示。

由表2可知，巴特利特球度检验统计量的观测值为3.015E3，相应的概率接近0。由于概率小于显著性水平(0.05)，引入现金流信息指标后的变量适合作因子分析；同时，KMO值为0.655，可知引入现金流信息指标后的变量适合进行因子分析。

表2 引入现金流信息财务指标巴特利特球检验和KMO检验

2.3.2 因子的提取与解释

采用主成分分析法提取因子并选取特征值大于1的特征根，提取引入现金流信息指标变量因子。

(1)引入现金流信息财务指标变量的27个财务指标进行因子提取，因子解释引入现金流信息财务指标变量总方差(特征值大于1)的情况见表3。

取特征值大于1的指标，则主成分因子个数为7，即用7个主成分因子来代替原来的27个财务比率指标。从表3可以看到，第一个因子的特征值是6.725，解释原有27个变量总方差的24.907%，累积方差贡献率为24.907%；第二个因子的特征值是4.994，解释原有27个变量总方差的18.496%，累积方差贡献率为43.403%；其余数据含义类似。由于指定提取特征值大于1的7个因子共解释了原有27个传统财务指标变量总方差的82.731%，原有变量的信息丢失较少，因子分析效果符合预期。因此，可用这7个因子代替原有的27个传统财务指标变量进行分析。

表3 因子解释引入现金流信息财务指标变量总方差(特征值大于1)的情况

采用方差最大法对因子载荷矩阵实施正交旋转。经最大方差旋转后的因子载荷矩阵见表4。

表4 引入现金流信息财务指标变量——旋转后的因子载荷矩阵

通过旋转后的因子载荷矩阵，针对每个主因子中载荷较大、贡献最多的财务比率对各因子进行命名解释。

主因子F1中，负载较大的原始财务比率是产权比率X14、流动比率X16、速动比率X17和现金负债总额比X29，它们反映了企业的偿债能力，因此可将主因子F1称之为偿债因子。同理命名F2为盈利因子、F3为现金流因子、F4为总资产营运因子、F5为发展因子、F6为应收账款营运因子、F7为长期偿债因子。

采用回归法估计引入现金流财务指标变量的因子得分系数，结果见表5。

根据表5可写出因子得分函数：

F1=-0.002X1+0.015X2-0.006X3-0.045X4+0.000X5-0.026X6+0.006X7-0.022X8+0.000X10+0.003X11-0.039X13-0.188X14-0.102X15-0.162X16-0.175X17-0.033X18+0.021X19-0.010X20-0.040X21+0.000X22-0.022X23+0.173X27+0.176X28+0.178X29-0.008X30-0.011X31+0.005X34

F2=0.069X1+0.136X2+0.279X3-0.070X4+0.255X5+0.008X6+0.009X7-0.045X8-0.056X10-0.052X11+0.048X13-0.003X14+0.061X15-0.003X16-0.018X17-0.056X18-0.009X19+0.107X20-0.015X21+0.000X22-0.056X23-0.009X27+0.005X28+0.004X29+0.176X30-0.003X31+0.267X34

表5 引入现金流财务指标变量——因子得分系数矩阵

F3=-0.008X1-0.043X2-0.075X3+0.295X4-0.047X5-0.020X6+0.012X7+0.003X8+0.004X10-0.040X11+0.039X13+0.035X14+0.035X15+0.015X16+0.042X17+0.298X18+0.186X19+0.096X20+0.025X21+0.0262X22+0.001X23-0.05X27+0.033X28+0.031X29-0.017X30+0.271X31-0.024X34

F4=-0.044X1-0.048X2-0.009X3+0.000X4-0.040X5+0.384X6-0.059X7+0.188X8-0.048X10-0.088X11+0.035X13+0.054X14-0.150X15+0.062X16+0.086X17+0.006X18+0.014X19+0.059X20+0.363X21-0.030X22+0.200X23+0.092X27-0.043X28-0.042X29+0.032X30-0.011X31-0.057X34

F5=0.104X1+0.085X2-0.065X3-0.020X4-0.062X5-0.116X6-0.018X7+0.154X8+0.376X10+0.406X11+0.033X13-0.013X14+0.172X15-0.057X16-0.057X17-0.008X18+0.029X19-0.079X20-0.127X21-0.023X22+0.163X23-0.103X27+0.017X28+0.010X29-0.040X30-0.019X31-0.069X34

F6=0.006X1-0.028X2+0.018X3+0.028X4+0.036X5-0.043X6+0.489X7+0.065X8-0.017X10-0.044X11-0.055X13-0.011X14+0.056X15-0.010X16-0.054X17+0.027X18-0.017X19+0.018X20-0.080X21+0.482X22+0.024X23-0.044X27-0.006X28-0.001X29-0.065X30+0.004X31+0.025X34

F7=0.172X1+0.263X2-0.060X3-0.063X4-0.064X5-0.004X6+0.058X7-0.122X8-0.031X10-0.016X11-0.698X13+0.016X14-0.125X15+0.157X16+0.089X17-0.048X18+0.209X19-0.163X20+0.007X21+0.043X22-0.101X23+0.126X27+0.131X28+0.134X29-0.037X30-0.090X31-0.085X34

3 基于现金流信息的Logistic财务困境预测模型分析

对上述7个因子进行Logistic回归分析，得到财务困境前一年预测样本的财务困境预测模型系数，如表6所示。

从表6可以看出，因子F1、F3、F6的Wald检验概率值大于显著性水平，认为这三个因子的回归系数与0无显著差异，它与LogitP线性关系不显著，故不应保留在方程中。因此，引入现金流财务指标的Logistic财务困境预测模型为：

其中，F2、F4、F5、F7的表达式可根据表5写出的因子得分函数算出。当P越接近1时，表示企业不发生财务困境的概率越大。反之，当P越接近0时，表示企业发生财务困境的概率越大。

表6 引入现金流信息指标的Logistic财务困境预测模型系数与相关参数表

表7 引入现金流信息指标的Logistic财务困境预测模型拟合优度指标表

表7显示了引入现金流财务指标的Logistic财务困境预测模型拟合优度指标，可以看出，-2 Log likelihood取值较小，且Nagelkerke R Square 也接近1。因此，引入现金流财务指标的Logistic财务困境预测模型拟合优度比较理想[6]。

表8 财务困境前一年引入现金流信息指标的Logistic财务困境预测模型回判结果表

应用引入现金流财务指标的Logistic财务困境预测模型对预测样本进行回判，结果如表8所示。一类误判率为12.5%，正确率为87.5%；二类误判率为2.5%，正确率为97.5%；总体错误率为7.5%，正确率为92.5%。

用同样方法，得到财务困境前二年和财务困境前三年建立的引入现金流指标的财务困境预测模型的拟合优度指标，如表9所示。

表9 困境前二年和困境前三年模型拟合优度指标表

从表9可以看出，困境前二年模型的拟合优度明显高于困境前三年，模型的拟合优度越接近困境年份越高。

表10 困境前二年和困境前三年模型预测结果

表10显示了困境前2年和困境前3年模型的预测结果。

4 结束语

在借鉴学界已有研究成果的基础上，引入现金信息指标，构建了企业财务困境预测模型，并运用此模型对我国上市公司中的40个ST企业的财务情况进行了分析，得到如下认识：

(1)从现金流信息角度分析企业的财务状况，说明我国上市公司披露的现金流信息具有预测财务困境的价值，强调引入现金流信息构建财务困境预测模型的必要性[7]。

(2)利用因子分析浓缩原始指标构建的Logistic回归模型具有较高的判别精度，可获得较好的预测效果。

(3)现金流信息财务指标在一定程度上弥补了传统财务指标的局限性，把现金流信息指标引入到传统财务指标中更能精确地预测企业的财务困境。

(4)模型预测结果显示，越接近困境年份，预测结果越准确。引入现金流信息指标的预测模型预测困境前一年和困境前二年的效果一致，困境前三年的预测效果明显不如困境前一年和困境前二年。

另外，由于选取的样本较少，时间跨度较短，所以模型无法预测困境前三年之前年份的财务情况，同时模型预测的精确度也受到一定影响。还有在模型构建时，未考虑非财务因素的影响。

[1]张友棠．财务预警系统管理研究[M]．北京：中国人民大学出版社，2004：11-15

[2]刘红霞．企业财务危机预警方法及系统的构建研究[M].北京：中国统计出版社，2005：17-19

[3]张鸣，张艳，程涛．企业财务预警研究前沿[M].北京：中国财政经济出版社，2004：31-34

[4]陈余有．财务危机运营：企业理财安全机制探索[M]．合肥：合肥工业大学出版社，2004：16-18

[5]李春振．上市公司财务预警模型建构及实证分析[J]．管理观察，2009(6):95-97

[6]刘菀欣．我国上市公司财务困境预测模型的参数问题研究[D]．北京：首都经济贸易大学，2012:57-59

[7]职香芬.浅议企业现金流管理[J].经济师,2008(8):161-162

(责任编辑：周博)

10.3969/j.issn.1673-2006.2015.01.007

2014-10-26

宿州学院教学研究项目“应用性本科高校税法课程实践教学研究”(szxyjyxm201337)；“基于多媒体技术的思维导图在会计教学中的应用研究”(szxyjyxm201028 )；宿州学院一般科研项目“皖北小麦供应链战略联盟构建研究”(2013yyb09)；“企业跨国并购文化整合模式分析——以中联重科并购CIFA为例”(2013yyb29)。

陈同峰(1986-)，安徽宿州人，硕士，助教，主要研究方向：农业经济管理与会计。

F275.2

A

1673-2006(2015)01-0025-06