基于现金流的财务危机预警研究——以制造业上市公司为例

■/ 姚之朋

一、引言

制造业是我国实体经济的重要支柱，根据Wind数据库显示，当前在我国全部A股3624家上市企业中，有2331 家属于制造业，占比高达三分之二。我国制造业在加入WTO以后迎来了飞速发展，经过二十多年的技术积累，正处在转型升级的关键节点，面对外部贸易保护主义等因素的挑战，制造业所面临的不确定性也逐渐增加。建立财务预警体系，不仅有利于企业自身提前发现和应对经营风险，还能帮助广大投资者甄别问题企业。

我国的金融系统发展较晚，上市公司财务信息质地较差，财务操纵行为屡禁不止。目前财务粉饰行为呈现出越来越深的隐蔽性，像“康得新”与“康美药业”这种企业在“爆雷”前其财务指标都十分良好。但是再精心的粉饰也会露出马脚，从其现金流入手往往都能看出端倪。因为相比于传统指标，现金流指标的操纵更加困难，更能真实的反映企业的实际经营情况，从现金流入手进行财务预警要比传统财务指标更符合我国实际情况。

本文的创新点首先是将传统的财务分析指标用现金流重构，同时由ST 企业的定义我们知道，ST 企业是对上市公司连续两年的财务进行考察，对于ST企业在前一年进行预测意义不大，所以本文将被ST年份定义为T年，对T-2年、T-3年、T-4年进行财务预警分析以验证采用现金流指标的预警模型具有持续有效性。其次，本文将因子分析与Logistic模型结合，通过降维的思想将原指标提取成几个相互独立的主成分，降低以往由于原指标之间的多重共线性而导致的预测结果虚高的问题。本文还将非正常企业与正常企业的比例提高到了1∶3，相对于目前大部分采用1∶1的比例而言，更加符合现实情况，使预测结果更具有说服力。

二、文献综述

目前财务预警的研究主要分为统计法与非统计法。统计法主要包括单变量模型、多变量模型，非统计方法主要包括人工神经网络模型、支持向量机等方法。

单变量模型由Fitzpatrick（1931）首次提出并用来构建破产预测模型，他将19家样本公司分为破产与非破产两组，发现净利润/股东权益与股东权益/负债指标预测性最高。Beaver（1966）将单变量模型系统用于财务预警判断。虽然模型整体的预测准确性不高，但是单变量模型的提出与实践对后续财务预警研究产生了深远影响。

多变量模型由单变量模型演变发展而来。Altman（1968）运用多远判别分析提出了Z-score 模型，用以判别财务危机是否发生。Martin（1977）最早将Logistic 回归应用到财务危机预警中。Ohlson（1980）使用条件概率模型，对1970-1976 年间105家破产公司与2058 家正常公司建立多元logistic 回归模型。吴世农、卢贤义（2001）通过对比多种回归结果后发现Logistic回归的预测效果最好。

Odom（1990）将人工神经网络（ANN）首次运用到财务危机预警中，发现其预测效果很好。Mukherjee 等（1997）则最先提出将支持向量机（SVM）运用到企业财务预警中，随着理论的发展，Min（2006）等还将其与遗传算法结合，构建出的模型均有较好的预测性。虽然人工神经网络和支持向量机等非统计方法有时能得出很好地预测结果，但是其方法过于抽象和操作结果随机性很强等缺点也同样突出。

综合以往的研究文献我们可以发现，国外对于财务预警的研究起步相对要早，也构建了比较完整和丰富的研究体系，我国的研究成果主要是在国外基础之上的拓展。在众多方法中，Logistic回归模型预测准确率高且稳定，所以本文采用此方法进行财务预警模型构建。

三、研究设计

（一）样本选取

本文以证监会2012年行业分类为标准，选取A股全部制造业上市公司为研究对象。为了保证数据的有效性，进行以下筛选处理：（1）将2019年被ST的企业定义为财务危机企业，剔除其中反复被ST的企业。（2）将审计师出具无保留意见的非ST 企业定义为正常企业。（3）以财务危机企业资产规模的百分之十为浮动，按照1：3 的比例与正常企业进行配对。（4）剔除T-2、T-3、T-4这三年中存在数据缺失的样本，最终选取29家财务危机企业与87家正常企业，共116家样本企业（本文数据均来自Wind数据库）。

（二）指标选取

本文将传统的财务分析通过现金流重构，分别用偿债能力、营运能力、成长能力、获取现金能力、现金流结构这五方面共选取20 个指标来构建评价指标，具体如表1所示。

四、实证分析

（一）显著性检验

本文用SPSS22.0 对T-2 年的22 个指标的数据进行K-S 检验，显著性水平大于0.05 有X14、X18、X20，即这三个指标符合正态分布，可以进行独立样本T 检验，最终三个指标都通过了独立样本T 检验。对于其它16 个指标进行非参数指标的Kruskal-Wallis检验，当显著性水平P值大于0.05时，予以剔除，最终剔除了X11、X15、X16、X19四个指标。

最终经过K-S 检验、独立样本T 检验与非参数指标Kruskal-Wallis 检验后，选取了X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X12、X13、X14、X17、X18、X20共16个指标纳入财务预警模型之中。

（二）因子分析法

由于通过显著性检验的16 个指标可能存在多重共线性问题，通过因子分析法降维的思想，可以将原始指标综合成几个综合指标来减少其之间的相关性，综合成的新指标之间相互独立，对于模型也同样具有现实意义。

1.KMO 和Bartlett 检验。首先通过KMO 和Bartlett 检验验证因子之间是否存在较强的相关关系，如果存在就表示适合用因子分析法进行降维处理。运用SPSS22.0 处理后得到表2 的结果，结果显示KMO值为0.581，介于0.5到0.7之间，显著性为0，远小于0.05的显著水平，因此对这16个指标进行因子分析十分合适。

表1 预警指标体系

表2 KMO和Bartlett检验

2.主成分提取。提取主成分后，其结果表3 所示，公因子大于1的共有6个，选取这6个为主成分，其累计贡献率为71.51%，能较好地解释原始指标。

3.主成分命名。通过正交旋转后的最大方差法得到载荷矩阵观察得到，公因子F1 中X1、X2 与X5载荷量最大，分别为0.952、0.954与0.835，因此将F1命名为偿债能力因子。同理将F2命名为营运能力因子，F3命名为成长能力因子，F4命名为货币周转能力因子，F5 命名为现金流结构因子、F6 命名为销售收现能力因子。

通过表4的公因子得分系数矩阵得到主成分函数：

表3 公因子特征值和贡献率

表4 公因子得分系数矩阵

（三）预测模型构建

我们以T-2 年正常企业与非正常企业（正常企业为0，非正常企业为1）为因变量，用因子分析法提取的六个主成分为自变量，用logistic 回归模型采用逐步回归法，剔除方程中不显著的F5与F6，从而得到我们的模型。根据回归结果得到其预测模型为（P为财务危机发生概率）：

1.拟合优度检验。如模型系数的综合检验显示其显著性水平小于0.05，说明模型对于区分危机与正常企业有意义。并且Hosmer和Lemeshow检验结果大于0.05，无法拒绝拟合度良好的假设，表明模型的拟合效果较好。

表5 模型系数的综合检验

表6 Hosmer和Lemeshow检验

2.预测结果分析。经过对三年的预测结果以不同分界点进行对比，本文最终选择了0.4为分界点。在T-2年模型的预测准确率如表7所示。模型对正常企业的预测准确率为88.5%，对危机企业的预测准确率为69%，模型的综合预测准确率达到了83.6%，模型的预测效果较好。

表7 预测准确性检验

3.预测模型检验。为了进一步验证模型的有效性，本文通过对T-3与T-4年份的数据同样进行准确性检验。结果显示，在T-3年，模型的综合预测准确率为81.9%，对正常企业预测准确率为88.5%，对危机企业预测准确率为62.1%，模型的预测结果依然良好。T-4年的综合预测准确率为71.6%，对正常企业的预测准确率达到了77%，对危机企业的预测准确率为55.2%，预测效果有所下降，不过总体效果依然较好。

对比T-2、T-3、T-4年的预测结果可以看到，运用现金流进行财务预警其准确性是持续有效的，即使到T-4年其综合准确率依然达到了百分之七十以上。公司经营状况的恶化往往是一个逐步的过程，经营情况良好，现金流状态稳定的企业，往往是长期都能正常经营的优秀企业，而经营状况较差的企业，即使想方设法进行会计掩饰，其现金流状况的恶化一般都会逐步显示出来。

表8 预测准确性检验

五、结论

本文以沪深两市的制造业上市公司为研究样本，按照1∶3的比例筛选出29家财务危机样本与87家正常企业。基于对传统财务指标重构后的20 个现金流指标数据，首先进行显著性检验，对通过K-S检验的指标进行T 检验，没有通过K-S 检验的指标进行Kruskal-Wallis 检验，最终筛选出16 个指标。对筛选出的指标进行因子分析，提取出六个主成分，分别命名为偿债能力因子、营运能力因子、成长能力因子、货币周转能力因子、现金流结构因子、销售收现能力因子。将六个主成分与企业财务危机类型（正常企业为0，危机企业为1）进行Logistic 回归，最终发现偿债能力因子、营运能力因子、成长能力因子和货币周转能力因子十分显著，进入了最终的预测模型。研究结果显示该模型在T-2年的预测准确率为83.6%，在T-3 年的预测准确率为81.9%，在T-4 年的预测准确率为71.6%，预测准确性高且具有连续性，证明现金流在财务危机预警上具有连续有效性。

本文的不足之处是仅仅进行了定量研究，在公司治理等定性分析上有所欠缺，财务分析模型有待改进，从而提高总体预测能力。