我国制造业企业财务预警研究

吴想，段李合子，李宏睿

（西安欧亚学院，西安 710000）

1 引言

作为我国国民经济的重要支柱产业，制造业对我国总体经济发展举足轻重。在新冠肺炎疫情的持续蔓延带来的全球高通胀背景下，正处于转型期间的我国制造业企业面临着来自国内外的多重挑战。自1932年美国学者Fitzpatrick 使用财务指标作为单一变量进行上市公司财务危机预警以来，国内外多位学者尝试使用不同模型对该领域研究不断扩充，1998年Ohlson 将逻辑回归应用于企业的财务危机预警，使用Logistic 回归模型来克服正态分布假设等多变量预测模型中的限定问题。此后的20 余年内，吴世农（2001）等多位我国学者以我国公司为样本进行了Logistic 财务预警体系的构建，验证了模型对我国企业预测适用性的同时均取得了良好的效果。本文选取2020年至2021年被ST 特别处理的A 股上市公司，以其T-2年的数据作为样本，选择偿债能力、盈利能力、发展能力、营运能力以及现金流量等6 方面指标体系构建财务预警指标体系。运用K-S 检验、T 参数检验、Mann-Whitney U 非参数检验对指标进行筛选，并使用因子分析对指标进行降维处理，最后运用Logistic 模型构建了我国制造业企业财务预警模型，为企业财务预警模型的选取提供借鉴。

2 制造业企业财务预警研究样本选取与财务指标体系构建

2.1 研究样本选取

本文以上、深两大证券交易所上市的我国A 股制造业上市公司作为研究样本，选取2020年至2021年受到证监会ST特别处理的38 家制造业企业，并采用1∶1 的比例对其进行“健康”公司配比，最终选定76 家制造业企业数据进行训练，以12 家制造业企业数据进行检测。通过对各阶段学者关于财务预警相关指标的研究进行归纳得知，上市公司在受到证监会ST 特别处理的前两年数据具有可预测性，因此本文选取目标公司T-2年的数据作为构建与检验财务预警模型的训练样本及检测样本。

2.2 财务预警指标体系构建

财务指标的选取是影响财务预警模型准确性及有效性的重要因素，是模型构建的关键，因此本文构建财务预警指标模型时遵循客观真实性原则、可操作性原则、全面性原则，以确保财务分析的准确性。大部分财务预警相关研究表示，ST 公司样本与“健康”公司样本差异显著，主要表现在其传统财务指标间的差异以及现金流方面的差异，更有学者引入非财务指标，以期构建出更为准确的财务预警模型。在此基础上本文从公司偿债能力、营运能力、发展能力、盈利能力以及现金流量等五个方面出发，结合我国制造业的特征，最终选取26 个变量作为本文财务预警指标（见表1）。

表1 财务指标汇总表

3 制造业企业财务预警模型构建与检验

本文在财务指标构建过程中初步确定26 个财务预警指标，但由于其数量过多且可能存在多重共线等问题，因此需要对数据进行处理。本文首先通过指标筛选选取具有辨别能力的指标作为文章的参考依据，再通过因子分析法对各项指标进行降维处理，用降维后的指标构建Logistic 预警模型并对模型的准确性进行检验。

3.1 财务预警指标筛选

本文使用SPSS 25 统计分析软件，对各项指标进行分析。本文指标的正态分布将会影响本文显著性分析所选用的检验方法，因此通过单样本K-S 检验初步判断指标是否符合正态分布，对于符合正态分布的指标进行T参数检验，对于不符合正态分布的指标采取Mann-Whitney U 非参数检验，用以判断其是否具有显著性，剔除不显著指标。

3.1.1 K-S 检验

本文采用K-S 检验观测样本分布情况与设定的理论分布，并得出二者间最大偏差，判断指标是否存在偶然性。若渐进显著性（双尾）小于0.05，拒绝原假设，该指标初始变量不服从正态分布。若渐进显著性（双尾）大于0.05，接受原假设，指标初始变量服从原假设。表2为K-S 检验结果。

表2 K-S 检验结果

由表2可知除营业收入增长率（X14）、资产负债率（X18）、全部现金回收率（X22）3 项指标渐进显著性（双尾）大于0.05，服从正态分布，因此满足T 检验条件。每股收益（X1）、资产报酬率（X2）、总资产利润率（X3）、净资产收益率（X4）、营业净利率（X5）等23 项指标均不服从正态分布应采用Mann-Whitney U 非参数检验对其显著性进行判断。

3.1.2 T 参数检验

T 参数检验主要用于检验两类正态分布样本间是否存在显著差异，本文中符合正态分布的3 项指标T检验结果如表3所示。

表3 T 参数检验结果

由表3可知，在0.05 的显著水平下，营业收入增长率（X14）、全部现金回收率（X22）两项指标Sig.（双尾）均大于0.05，资产负债率（X18）的Sig.（双尾）小于0.05，因此资产负债率（X18）可用于预警模型中，其能够显著辨别两类样本。

3.1.3 Mann-Whitney U 非参数检验

使用Mann-Whitney U 非参数检验对其余23 项不满足正态分布的指标进行分析，其分析结果如表4所示。

表4 Mann-Whitney U 非参数检验结果

同样，在0.05 显著标准下，Sig 值小于0.05 的变量可以明显辨别两类样本，Sig 值大于0.05 表明两类变量间不存在明显差距，因此此类变量应被剔除。由此可见，上述数据中X7、X8、X20、X21、X23、X24、X25 在0.05 显著水平之上，其两类公司间此类指标无明显差异，因此不适用于本文财务预警模型的建立。X1、X2、X3、X4、X5、X6、X9、X10、X11、X12、X13、X15、X16、X17、X19、X26 样本分布存在显著差异，指标可用于财务预警模型构建。

3.2 因子分析获取模型自变量

通过上述分析，本文最终确定17 项指标具有强相关关系，因此将这17 项指标纳入模型构建指标体系，但因自变量数目过多对模型结果影响较大，因此本文采用因子分析法对17 项指标降维处理，通过KMO 检验和Battle 球形检验分析各项指标是否能够进行因子分析，通过指标的筛选优化对财务预警指标进行主成分提取，将本文最终确定的17 项指标最终转化为少数变量替代文中原有变量，降低多指标中信息重叠部分，减少指标多重共线的特征，使得分析结果更为准确直观。并且通过各因子得分确定因子表达式，简化预警模型。

3.2.1 因子KMO 与Battle 球形检验

本文采用KMO 与Battle 检验（见表5）的目的在于判断使用因子分析法的可行性。KMO 检验是为了比较变量之间的简单相关系数平方和偏相关系数平方间的数量关系，若简单相关系数平方远大于偏相关系数平方，则KMO 接近于1。KMO 值趋近于1 说明原有变量间存在强相关关系，变量能够进行因子分析。通常将0.5 作为分析节点，KMO 值大于0.5则原有变量可用于因子分析，反之亦反。Battle 球形检验用来判断原有变量间是否为单位矩阵，若显著性大于0.05 则说明矩阵为单位矩阵，因子分析无法进行。

由表5可见，KMO 值为0.773，大于0.5，说明因子分析结果较理想。Battle 球形度检验中显著性为0.00，远小于0.05 说明原有变量间相关矩阵不是单位矩阵，能够进行因子分析。

表5 KMO 和Battle 检验

3.2.2 因子提取

本文利用主成分分析法，并依据特征值大于1 的原则对样本公司各项指标进行分析，主成分及累计贡献率如表6所示。

表6 主成分及累计贡献率

由表6可知因子1 的累计贡献率约为38.95%，说明该因子包含原有变量累计方差的38.95%。本文最终提取4 个公共因子，其累计贡献率约为73.81%。

由于初始因子矩阵难以对公因子做出合理解释，因此通过最大方差正交旋转法进行因子旋转，由旋转后的成分矩阵（表7）可知，F1 主要由反映企业盈利能力的X1、X2、X3、X4、X5、X12、X13 解释；F2 主要由反映企业营运能力的X9、X10解释；F3 主要由反映企业偿债能力的X15、X16、X17 及反映企业现金流量的X26 解释；F4 主要由反映企业盈利能力的X6 及反映企业发展能力的X11 及反映企业偿债能力的X19解释。表8为各成分得分系数矩阵。

表7 旋转后的成分矩阵

表8 成分得分系数矩阵

提取方法：主成分分析法；旋转方法：凯撒正态化最大方差法。

提取方法：主成分分析法；旋转方法：凯撒正态化最大方差法；组件得分。

由表8可得本文最终构建的危机预警指标有4 个，其表达式为：

F1=0.145*X1 +0.158*X2 +0.154*X3 + ...-0.005*X17 +0.089*X19-0.109*X26

F2=-0.015*X1+0.001*X2-0.016*X3+...-0.010*X17-0.175*X19+0.127*X26

F3=-0.063*X1-0.053*X2-0.026*X3+...+0.286*X17-0.434*X19+0.374*X26

F4=0.096*X1 +0.022*X2 +0.027*X3 + ...-0.110*X17-0.084*X19+0.045*X26

3.3 Logistic 财务危机预警模型构建

本文以样本公司是否为ST 作为因变量，考虑到Logistic回归模型具有适用性广、预测准确性高、易操作等特点，因此以此构建制造业企业财务预警模型，模型的基本形式如下。

企业发生财务预警的概率用P 表示，则转化后的模型如下。

使用SPSS 统计软件以因子分析中4 个公因子为自变量，并选取目标公司T-2年的数据进行二元Logistic 财务危机预警模型的构建。选用Backward:LR 方法剔除不相关变量，并以0.5 为分割点进行回归，其结果如表9所示。由表可知最终F1～F4 均通过显著性检验，其显著值均在0.1 以下，因此本文最终构建的财务危机预警模型为：

表9 Logistic 回归结果

P=1/[1+exp（-2.630+13.124F1+3.317F2+2.913F3+8.969F4）]

3.4 模型结果检验

财务危机发生概率P 以0.5 作为临界值，若P 小于0.5则未来该公司财务正常，若P 大于0.5 则未来该公司将会发生财务危机。概率P 值越大，则说明发生财务危机的可能性越大。本文选取2020年及2021年共计12 家上市公司，其中非ST公司6 家，ST 公司6 家作为检验样本，选取其T-2年的财务数据进行回代，其检验结果如下表10所示。

由表10可知，在6 家非ST公司中存在1 家判断结果有误，在6 家ST 公司中存在2 家判断结果有误。因此12 个检测样本中本文构建的财务危机预警模型正确率能够达到75%，说明该模型具有一定的实践意义。

表10 财务预警检验样本回代检测结果

4 结论

本文以我国制造业企业为研究对象，选取2020-2021年被ST 处理的共计76 家企业作为研究样本，通过因子分析对指标进行降维处理，并通过Logistic 模型进行回归分析，最终得出符合制造业企业特征的财务预警模型，并通过样本回代检验确定模型的合理性。因此本模型可以用于初步判断企业是否存在财务危机的可能，我国制造业企业可使用此模型对其目前的财务状况进行初步判断，及时发现企业现存的问题扭转局面。对于投资者来说，能够通过此模型测算企业发生财务危机的可能性，以此理性投资，减少财务损失。

综上，Logistics 回归模型在判断企业财务状况方面具有一定的应用意义，企业在建立财务预警体系时可以Logistic 模型作为选择，判断企业财务现状，对财务危机及时作出相应举措。