苗培熙,孙浩瑜,顾意刚
(南京林业大学 经济管理学院,江苏 南京 210037)
目前国内研究物流业上市公司财务预警时构建的模型可分为传统统计方法和数据挖掘技术两大类,传统的统计方法包括Z-score 模型、主成分模型和Logistic模型,数据挖掘技术包括BP神经网络模型和RBF神经网络模型,其中Z-score 模型和主成分模型使用的最多,但是这两种模型对上市公司未来是否会发生财务风险的预测效果很差;使用数据挖掘技术进行物流业上市公司财务预警研究的极少,张国富等[1]通过实证分析认为BP神经网络模型在预测财务风险方面具有较强的可靠性,刘磊等[2]通过实证分析认为RBF神经网络模型克服了人工评价所带来的人为因素及模糊随机性的影响,这种模型的缺陷在于可解释性差,无法深入分析。
Logistic模型作为在国内研究财务预警时普遍使用的模型,对于上市公司未来是否会发生财务风险具有良好的预测效果。利用Logistic模型研究物流业上市公司财务风险的文献较少,田谧等[3]实证分析了逻辑回归统计方法预测正确率达到了93.75%,胡敏杰等[4]构建的Logistic 回归预警模型预测准确率达到了91.7%,刘雨琳等[5]运用Logistic分析方法预测水上运输业上市公司财务危机,得出的方程误判率仅为20%,这些研究存在的问题是样本数量不足,导致模型预测准确率可能被高估;挑选的财务指标不够全面,可能会漏掉一些原本可以进入预警模型的指标;没有设置检验组对构建的模型进行检验。本文采用聚类分析方法判断企业是否处于财务困境,通过对过往研究文献的总结,选取出现频率较高的财务指标构建Logistic 模型,最后比较了提取主成分构建逻辑回归模型和直接使用筛选的原指标构建逻辑回归模型预测效果的优劣。
根据证监会2012 版行业分类,在“交通运输、仓储和邮政业”中选出2020年还在沪、深证券交易所A股市场中流通的104 家上市公司为观测对象进行财务预警研究。目前国内学者普遍用是否被ST区分上市公司是否出现财务危机,但是这种方法存在很多问题:一是一些行业中ST公司数量太少,样本数量不足;二是这些行业中的ST 公司被特别处理的时间并不一致;三是被ST 是否就能说明上市公司处于财务危机还有待研究。
为此本文采用吕长江等[6]的分类方法区分上市公司是否出现财务危机,用“营业利润/资产总额”、“营业利润增加额/资产总额”、“经营活动净现金流量/流动负债”3 个指标进行聚类分析。考虑到有的上市公司业绩太过突出,还有的上市公司因为长期处于ST 业绩很差,为了减少此类异常值对聚类分析的干扰,我们采取扩大聚类数的方式,设置“聚类数”为6,结果见表1。
表1 聚类分析结果
根据表2,可以看出类别1、4、5都属于异常值,类别6 内的上市公司财务情况最差。因此在选择建模组和检验组时我们采取如下方式(结果见表3)。
表2 聚类指标平均值
(1)排除所有ST 公司。我们判断上市公司是否处于财务困境时统一选择了2018 年的数据,即判断上市公司2018 年是否处于财务困境。所选的三个ST公司虽然在2018年处于财务困境,但是由于它们被特殊处理的时间早于2017年,因此即使Logistic模型在2017 年数据的基础上判断出这些公司2018 年仍会处于财务危机,也不会有投资者考虑去投资,把ST公司计入建模组和检验组缺乏现实意义。
表3 样本分组
(2)类别6内的上市公司视为出现财务困境的公司,其余类别的上市公司视为正常的公司。类别6内的公司未必真的出现了财务困境,但是对于投资者来说,由于类别6内的上市公司情况最差,投资要慎重考虑,因此可以视为类别6内的公司出现了财务困境。
(3)根据证监会2012版行业分类,在“交通运输、仓储和邮政业”中细分八个行业,除“管道运输业”中没有样本,其余七个行业中每个行业选出的出现财务困境的公司和正常的公司数量要对等。
通过对以往研究文献的总结[7-9],本文选取了出现频率较高的财务指标,包括盈利能力、成长能力、营运能力、偿债能力和获现金流量情况5个方面共23个指标(见表4),由于判断上市公司是否处于财务困境时采用了2018 年的数据,因此Logistic 模型采用2017年的数据。
首先对财务指标进行筛选,用显著性检验找出财务危机公司与正常公司具有显著差异的财务指标。首先用K-S 方法对财务指标进行正态性检验,在显著性水平5%的情况下,有16个指标服从正态分布,7 个指标不服从正态分布(见表5)。对服从正态分布的指标使用T检验,对不服从正态分布的指标使用Mann-Whitney-U非参数检验,结果见表5,在显著性水平10%的情况下,共有8 个指标通过了检验,分别是主营业务收入增长率(X1)、净利润增长率(X2)、净资产增长率(X3)、总资产增长率(X4)、流动资产周转率(X5)、产权比率(X6)、现金债务总额比(X7)、现金流量比率(X8)。
表4 财务指标
表5 检验结果
Logistic 模型是一种广义线性回归模型,其因变量为二分类或多分类,可用于经济预测领域,是财务预警中比较常用的模型,但在物流业上市公司财务预警中相关研究较少。模型的基本形式是:。p 值代表了公司陷入财务困境的概率,由于样本选取时处于财务困境的公司和正常公司数量是1:1,因此设置判定临界值为0.5,当P>0.5,表明公司第二年会发生财务困境;反之视为公司第二年经营状况正常。
在利用Logistic 模型进行预测时,大量文献采用主成分分析提取公因子构建Logistic 模型,本文既使用这种方法,还采取直接使用原指标构建Logistic 模型的方法,以便比较两者的优劣。
利用Spss 软件进行因子适合度检验,检验结果KMO 值为0.444,较低,Bartlett 球形度检验的观测值为115.701,p值为0<0.05,因此拒绝原假设,可以进行因子分析。
依照特征值大于1的原则提取公因子,公因子个数为3,其累计方差贡献率为69.861%,不高,考虑第四个公因子的特征值为0.97,很接近1,因此按照固定公因子个数为4 的原则提取公因子。用因子分析中的“最大方差法”进行4次正交旋转,累计方差贡献率为81.989%,符合要求,由此可得模型主成分的表达式(见表6)。
将公因子保存为变量进行二元Logitic 回归,按照向后逐步回归进入Logistic 模型,可以看出只有公因子F1最终进入了模型。最终得到的逻辑回归模型是(见表7),模型预测结果见表8。
表6 旋转后因子载荷图及方差贡献率
表7 回归结果
表8 模型预测结果
将主营业务收入增长率(X1)、净利润增长率(X2)、净资产增长率(X3)、总资产增长率(X4)、流动资产周转率(X5)、产权比率(X6)、现金债务总额比(X7)和现金流量比率(X8)八个指标进入模型。
将指标按照向后逐步回归进入Logistic 模型,可以看出只有X1,X5,X8最终进入模型。最终得到的逻辑回归模型是(见表9),模型预测结果见表10。
表9 回归结果
表10 模型预测结果
比较表8 和表10,显然直接用原指标构建Logistic 模型略占优势,用主成分分析提取公因子构建模型,模型预测的正确率为80%,而原指标进入Logistic 模型,模型预测正确率达到了85%。为了进一步证实我们的判断,对主成分构建的Logistic 模型和原指标构建的Logistic模型进行检验。从检验结果(见表11)可以看出,主成分构建模型预测的正确性仍为80%,原指标构建的模型预测正确率降到了70%,将建模组和检验组的百分比综合起来,主成分构建模型预测的正确率为80%,原指标构建的模型预测正确率为77.5%,我们认为这两种方法构建的模型预测效果不存在显著差异。
表11 模型预测结果
本文使用非传统的聚类分析方法判定上司公司是否处于财务困境,从证监会2012 版二级行业分类“交通运输、仓储和邮政业”中的104家A股上市公司中选取了60家上市公司作为样本,按照样本数量1:1设置了建模组和检验组,基于23个财务指标,在显著性检验后,分别用提取主成分构建逻辑回归模型和原指标构建逻辑回归模型的方法进行财务预警研究,得出了以下结论:
(1)用聚类分析方法判断上司公司是否处于财务困境能减少误差且更具有现实意义。传统的方法把是否被特别处理作为判断上市公司是否处于财务困境的标志,在针对特定行业的研究中,这种方法必然面临ST公司数量少且被特别处理的时间不一致的问题,为了应对这种问题,相关研究对特别处理时间不同的ST公司进行了配对,这必然增大误差,而且对投资者来说缺乏实际意义。而聚类分析方法将表现最差的类别中的公司看作处于财务困境的公司,较好地解决了实证研究中处于财务困境公司样本数量不足的问题,且聚类分析方法采用同一年的数据进行判别,避开了ST 公司被特别处理的时间不一致的问题,减少了误差,同时方便投资者做出投资决策。
(2)主成分构建的逻辑回归模型和原指标构建的逻辑回归模型预测效果并无显著差异。用主成分构建的模型预测的正确性为80%,检验组预测正确率也为80%,原指标构建的模型预测正确率为85%,检验组预测正确率为70%,综合后主成分构建模型预测的正确性为80%,原指标构建的模型预测正确性为77.5%,两者并无显著差异。
(3)Logistic 模型对物流业上市公司财务困境有良好的预测效果。从正确率看,Logistic 模型预测正确率在80%左右,具有很好的预测能力。
(4)两种方法构建的模型显示,影响判别和预测物流上市公司是否处于财务困境的指标有主营业务收入增长率、流动资产周转率、现金债务总额比和现金流量比率,在以后研究财务预警时,这些是必须考虑选取的财务指标。