资源型上市公司财务预警实证分析

，（教授）

现有财务危机预警相关研究大多基于某一行业开展，或将行业标准作为控制变量来研究。在研究变量的选择上，以财务指标为主，非财务指标也只是选择公司治理、股权结构等不能具体反映行业特征的因素。本文以资源型上市公司为研究对象，探究资源型企业的行业特征因素是否对于预测资源型上市公司的财务状况有良好效果。

一、相关概念界定

1.财务危机的概念界定。企业财务危机的表象是支付压力与支付能力不匹配，实质是资金配置失效。当企业的财务状况处于危机阶段时，通常具有下列特征：企业无力偿还到期债务或无力支付到期费用；企业被人民法院依法宣布破产，进入清算阶段；资不抵债；企业持续亏损，净利润为负值，明显缺乏偿债能力等。

本文将受到特别处理（ST）或其他特别处理（∗ST）的上市公司界定为财务状况处于财务危机阶段的上市公司，即该类上市公司在其股票简称前被冠以ST或∗ST。

2.资源型企业的概念界定。敖宏等（2009）将资源型企业界定为集合各种生产要素，主要以开发矿产资源为主，为社会提供矿产品以及初级产品的经济实体。李存芳等（2012）提出可耗竭资源型企业主要包括以煤炭开采业、黑色金属矿采选业等产业为主的采选业企业。吴勋等（2015）认为资源型企业包括采掘业下属的有色金属、石油和天然气开采、煤炭开采、黑色金属矿开采业、采掘服务业类行业和制造业下属的有色金属、金属、非金属业。

本文在已有研究的基础之上，结合前期对于资源型企业的分析研究，将资源型企业界定为通过占有不可再生自然资源，以不可再生资源开发为主或以其为主要投入，辅以后续初级加工，尽可能利用区域内存在的自然条件，依靠资源的消耗实现成长，最终以盈利为目的，具有法人资格，实行自主经营、独立核算的营利性经济实体。

根据国民经济行业分类，从20个行业门类中筛选出符合资源型企业定义的行业企业，将资源型上市公司界定为采矿业下属的煤炭开采和洗选业、石油和天然气开采业、黑色金属矿采选业、有色金属矿采选业、非金属矿采选业、开采辅助活动、其他采矿业内企业；制造业下属的石油加工、炼焦和核燃料加工业，非金属矿物制品业，黑色金属冶炼和压延加工业，有色金属冶炼和压延加工业及金属制品业共计12个行业内的上市公司。

二、资源型上市公司财务预警框架构建

本文尝试性地将财务预警变量予以扩充，在财务预警研究中，依照一定的理论原则，在借助企业财务报告、社会责任报告以及其他与企业财务危机有直接和明确对应关系的信息的基础上，结合研究对象特性，嵌入非财务信息，构建较为完善的财务与非财务预警指标变量框架体系。

梳理已有研究可知，反映企业盈利能力的净资产收益率、营业利润率、总资产利润率，反映企业资产管理能力的总资产周转率，反映企业偿债能力的资产负债率，反映企业发展能力的净利润增长率，反映企业现金流量能力的净利润营运指数等指标能较好地预测企业的财务状况。本文在财务指标变量的选取上，结合上述指标，进行补充完善，从盈利能力、资产管理能力、偿债能力、发展能力、现金流量能力5个维度构建了18个财务指标，具体指标及其意义如表1所示。

对于非财务指标的选取，本文在借鉴曹德芳等（2005）、曾繁荣等（2014）研究结果的基础上，结合资源型企业国有控股占优势地位的行业特征，尝试性地引入了第一大股东持股比和股权制衡Z指数指标；结合资源型企业劳动消耗大的行业特征，引入了高管素质和员工素质指标；结合资源型企业技术投入不足，物质资料消耗占比高的行业特征，引入生产人员占比和技术人员占比指标；结合资源型企业负外部性较大的行业特征，引入社会责任指标。综上，本文从公司治理结构、智慧资本、人力资本结构及社会责任4个维度构建了13个非财务指标（见表2）。

三、资源型上市公司财务预警模型的实证检验

1.样本数据库构建。以沪深两市首次因财务状况异常而被特别处理的A股上市公司为筛选条件，选取2013～2016年首次因财务异常被证监会实施ST的25家A股资源型上市公司作为研究样本，并按照1∶1的比例选取同年度、同行业且与被特殊处理公司前一年年末总资产规模相等或者相近（10%以内浮动）的25家非ST公司作为配对样本，共获得50家样本公司数据。从中选取28家公司（包括14家ST和14家非ST公司）的数据作为训练集样本，选取22家公司（包括11家ST和11家非ST公司）的数据作为预测集样本。

表1 资源型上市公司财务预警指标体系——财务指标

对初始样本进行筛选，排除有以下情况之一的ST公司：①非资源型企业；②纯B股的公司；③非因财务状况异常而被ST的公司；④上市两年就被ST的公司（上市两年内被“特别处理”的公司可能存在“包装”上市的嫌疑，故排除这类公司对研究结论的干扰）；⑤数据不完整的公司；⑥非首次被ST的公司。

2.指标处理。

（1）样本数据正态性检验。采用Kolmogorov-Smirnov（K-S）检验法对样本数据进行正态性检验。将28个训练样本的31个变量数据代入SPSS 20.0做K-S正态分布检验，结果显示，在0.1的显著性水平上，共计11个变量服从正态分布，变量X1、X3、X4、不服从正态分布。

（2）指标显著性检验。指标的显著性检验是要判别哪些指标在识别财务危机企业与非财务危机企业时具有显著性差异，然后剔除不具有显著性差异的指标，以提高模型的预测准确率。对于服从正态分布的指标，适合采用独立两样本T检验；不服从正态分布的指标则适合采用非参数检验法之Mann-Whitney U检验。

表2 资源型上市公司财务预警指标体系——非财务指标

经过对初选财务指标的显著性检验和正态性检验，最终筛选出具有显著性差异的指标共18个（见表3），用于区别企业的财务状况。

3.因子分析。

（1）变量相关性检验。利用具有显著性差异的变量作因子分析，对变量的相关性进行检验，得到的结果如表4所示。

由表4可知，KMO统计量值为0.601，大于0.5，变量之间偏相关性较强；Bartlett球形检验统计量值对应的相伴概率值Sig.小于给定的显著性水平a=0.1，说明各变量间具有相关性，适合进行因子分析。

（2）因子提取。利用主成分分析法提取因子，得到七个主成分，如表5所示。

表3 具有显著性差异的指标汇总

表4 KMO和Bartlett球形检验

根据表5可知，前七大主成分的特征根都大于设定的公因子提取标准（特征根＞1），分别为4.543、2.725、2.035、1.598、1.298、1.165和 1.016，对应的方差贡献率分别为25.240%、15.139%、11.308%、8.879%、7.210%、6.470%和5.642%。前七大主成分的累计贡献率达到79.887%，表示七个主成分包含了变量79.887%的信息。旋转后前七大主成分的方差累计贡献率同样为79.887%。因此，可以提取前七大主成分作为公因子。

（3）因子命名及解释。经过提取的七个公因子综合反映多个变量的信息，对于分析得到的初始因子模型，可做因子旋转，旋转后能对公因子给出合理的解释。本文采用最大方差法正交旋转得出的旋转成分矩阵如表6所示。

根据表6可知，第一公因子在X2（总资产利润率）、X3（营业利润率）、X17（资产现金回收率）有较大的载荷，主要解释现金流量能力；第二公因子在X8（流动比率）、X9（速动比率）、X16（债务保障率）有较大的载荷，主要解释企业偿债能力；第三公因子在X25（高管年薪水平）、X30（CSR报告评级）、X31（所得税占利润总额比）有较大的载荷，主要解释企业社会责任表现；第四公因子在X19（第一大股东持股比）、X20（前十大股东持股比率之和）、X28（员工中生产人员占比）有较大的载荷，主要解释企业公司治理结构和人力资本结构；第五公因子在X4（每股收益）、X13（净利润增长率）有较大的载荷，主要解释企业发展能力；第六公因子在X5（存货周转率）、X7（总资产周转率）有较大的载荷，主要解释企业资产管理能力；第七公因子在X1（净资产收益率）、X14（净资产增长率）有较大的载荷，主要解释企业盈利能力。

表5 解释的总方差

表6 旋转成分矩阵

（4）因子线性表达。因子得分的数学模型为：

将F1（现金流量能力因子）、F2（偿债能力因子）、F3（社会责任表现因子）、F4（公司治理结构和人力资本结构因子）、F5（发展能力因子）、F6（资产管理能力因子）和F7（盈利能力因子）表示为变量的线性表达式：

4.逻辑回归分析。

（1）回归模型构建。通过对财务指标的处理及因子分析，我们得到七个公因子：F1～F7。七个公因子之间不存在多重共线性，符合Logistic回归分析法的适用条件。上述七个公因子可以作为财务预测模型的强影响点，用于构建模型。

现将28个训练样本的公因子F1～F7数据代入SPSS 20.0作Logistic回归分析，结果如表7所示：

表7 Logistic回归模型统计量系数

将表7所示回归系数代入Logistic回归模型：

得出财务危机预测模型：

（2）临界阈值确定。研究Logistic回归模型对资源型上市公司财务状况的预测效度的前提是明确量化划分财务危机和财务良好的公司的临界阈值。从统计学的角度讲，对于任何分割点的选取，Logistic模型都会犯两类错误，即Ⅰ类错误（误拒错误，将财务危机公司误判为非财务危机公司）和Ⅱ类错误（误受错误，将非财务危机公司误判为财务危机公司）。在财务危机预警的相关研究文献中，研究者通常将临界阈值设定为0.5。本文在0～1之间以0.05为间距设定不同分割点，计算得出0.05～0.95不同临界阈值下，随着分割点的变化，Logistic回代检验两类错误率及总错误率的变化情况（见表8）。

表8 回代检验两类错误率分析

由表8可以看出，临界值为0.35和0.4时，总预测错误率达到最低，为8%，且在该种情况下Ⅰ类错误率为4%，小于Ⅱ类错误率12%，即将非财务危机公司判为财务危机公司的概率大于将危机公司判为非危机公司的概率，起到了财务预警的作用。为降低Ⅰ类错误发生的可能性，取0.35作为财务危机预测的临界阈值，该点即为以资源型上市公司为样本构建的财务危机预警模型的最优分割点。

5.财务危机预警模型检验。按训练集样本选取标准，选取22家公司（包括11家ST和11家非ST公司）数据作为预测集样本。

将预测集样本数据代入预测模型中进行模型效果检验，得到的检验结果如表9、表10所示。判定结果显示，11家非ST公司有1家错判，准确率为90.91%，11家ST公司有2家错判，准确率为81.82%，总体判定准确率达到86.36%。

综合上述分析，得到如下研究结论：第一，两类错误的成本存在很大差异，Logistic财务预警模型临界阈值的选择应该考虑模型的两类错误率和错误成本，选取使模型总错误率最低且Ⅰ类错误率低于Ⅱ类错误率的概率值作为Logistic模型的分割点。第二，指标筛选结果表明，危机发生前2年，财务危机公司和非财务危机公司在现金流量能力（F1）、偿债能力（F2）、社会责任表现（F3）、公司治理结构和人力资本结构（F4）、发展能力（F5）、资产管理能力（F6）和盈利能力（F7）七个因子上表现出显著差异。第三，模型预测结果表明，基于因子分析及Logistic回归构建的财务预警模型具有很强的预测能力。

表9 预测集样本检验结果

表10 预测概率结果统计

四、小结

1.研究结论。已有的财务诊断相关研究中，主要从企业的盈利能力、偿债能力、营运能力和发展能力四个维度构建指标体系。本文在此基础上，引入现金流量指标，并且从上市公司治理结构、智慧资本、人力资本结构、社会责任等维度引入非财务指标，更加全面地反映企业的财务状况，构建较为科学完善的财务诊断模型指标体系。

实证研究表明：非财务危机公司与财务危机公司在指标数据X1（净资产收益率）、X2（总资产利润率）、X3（营业利润率）、X4（每股收益）、X5（存货周转率）、X7（总资产周转率）、X8（流动比率）、X9（速动比率）、X13（净利润增长率）、X14（净资产增长率）、X16（债务保障率）、X17（资产现金回收率）、X19（第一大股东持股比）、X20（前十大股东持股比率之和）、X25（高管年薪水平）、X28（员工中生产人员占比）、X30（CSR报告评级）、X31（所得税占利润总额比）上具有显著差异，且企业盈利能力在区别财务危机和非财务危机企业上最显著。因此，本文构建的资源型上市公司财务危机预警指标体系具有可预测性。

2.展望。本文研究命题是财务危机预警相关研究的扩展和延伸，实现了通过量化的指标预测上市公司未来2年的财务状况，对规范上市公司财务治理等具有现实意义。在今后的研究中，可以提高指标体系构建的科学性，研究样本的范围可扩展至多层次资本市场体系，不局限于单一层次。可以进一步将本文研究结果应用到企业的实践当中，对资源型上市公司的财务状况做出准确预测，以规范财务治理，优化企业投融资结构、经营策略及人才培养方案等，形成企业健康发展的长效机制。

敖宏，邓超．论循环经济模式下我国资源型企业的发展策略［J］．管理世界，2009（4）．

李存芳，周德群，杨保华．中国可耗竭资源型企业转移行为的特征和趋势［J］．管理评论，2012（3）．

曾繁荣，刘小淇．引入非财务变量的上市公司财务困境预警［J］．财会月刊，2014（8）．

曹德芳，夏好琴．基于股权结构的财务危机预警模型构建［J］．南开管理评论，2005（6）．

杨轶，张友棠．企业财务预警国内外研究述评［J］．财会月刊，2008（20）．

郑玉华，崔晓东．公司财务预警Logit模型指标选择与实证分析［J］．财会月刊，2013（24）．

梁美健，闫蔚．企业财务预警的国内外研究综述［J］．财会月刊，2014（12）．