基于主成分分析和回歸方法的財(cái)務(wù)預(yù)警模型比較來自我國(guó)制造業(yè)上市公司的經(jīng)驗(yàn)證據(jù)孔寧寧對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)國(guó)際商學(xué)院,北京;日信證券有限責(zé)任公司,北京)在對(duì)國(guó)內(nèi)外財(cái)務(wù)預(yù)警研究進(jìn)行系統(tǒng)研究的基礎(chǔ)上,選取我國(guó)制造業(yè)上市公司作為研究樣本,綜合運(yùn)用主成分分析法和回歸法構(gòu)建制造業(yè)上市公司財(cái)務(wù)預(yù)警模型,并對(duì)其判別效果進(jìn)行比較分析。研究結(jié)果表明,通過建立預(yù)警模型幫助上市公司防范財(cái)務(wù)風(fēng)險(xiǎn)是一種行之有效的方法,主成分分析模型與回歸模型的判別準(zhǔn)確率均較高,但整體而言,主成分分析預(yù)警模型的判別效果更好。關(guān)鍵詞:財(cái)務(wù)預(yù)警模型;主成分分析;回歸分析中圖分類號(hào):F2344文章編號(hào):1004-972X(2010)06-0112-05當(dāng)今世界已經(jīng)進(jìn)入知識(shí)經(jīng)濟(jì)和信息經(jīng)濟(jì)時(shí)代,隨著世界經(jīng)濟(jì)的一體化和全球化發(fā)展,我國(guó)企業(yè)面臨著前所未有的競(jìng)爭(zhēng)壓力以及國(guó)內(nèi)外宏觀經(jīng)濟(jì)和金融市場(chǎng)變動(dòng)帶來的各種風(fēng)險(xiǎn),因財(cái)務(wù)危機(jī)導(dǎo)致企業(yè)陷入經(jīng)營(yíng)困境甚至發(fā)生破產(chǎn)的案例屢見不鮮。如何在財(cái)務(wù)危機(jī)到來之前能夠預(yù)先有所覺察,盡早采取措施消除危機(jī)隱患,已成為當(dāng)前亟待解決的問題。財(cái)務(wù)預(yù)警是以財(cái)務(wù)會(huì)計(jì)信息為基礎(chǔ),通過設(shè)置并觀察一些敏感性預(yù)警指標(biāo)的變化,對(duì)可能或?qū)⒁霈F(xiàn)的財(cái)務(wù)危機(jī)實(shí)施實(shí)時(shí)監(jiān)控和預(yù)測(cè)警報(bào)。
本文基于我國(guó)制造業(yè)上市公司的財(cái)務(wù)數(shù)據(jù),綜合運(yùn)用主成分分析法和回歸法構(gòu)建制造業(yè)上市公司財(cái)務(wù)預(yù)警模型,并對(duì)其判別效果進(jìn)行比較分析。一、文獻(xiàn)回顧國(guó)外財(cái)務(wù)預(yù)警研究國(guó)外學(xué)者對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警做了相當(dāng)多的研究,研究方法大致可以分為單變量預(yù)警分析和多變量預(yù)財(cái)務(wù)預(yù)警方法可分為定性分析和定量分析,本文所指的財(cái)務(wù)預(yù)警主要強(qiáng)調(diào)財(cái)務(wù)預(yù)警模型。警分析兩類。最早的財(cái)務(wù)預(yù)警研究始于)提出的單變量分析模型最具影響力。多變量預(yù)警分析運(yùn)用多種財(cái)務(wù)比率指標(biāo)加權(quán)匯總構(gòu)造多元線性函數(shù)來預(yù)測(cè)財(cái)務(wù)危機(jī),大體可分為多元線性判別模型、回歸模型和神經(jīng)網(wǎng)絡(luò)分析模型。)首次將多元線性判別方法引入到財(cái)務(wù)危機(jī)預(yù)測(cè)領(lǐng)域,創(chuàng)立了過統(tǒng)計(jì)技術(shù)篩選出在兩組間差別盡可能大而在兩組內(nèi)部的離散度最小的變量,從而將多個(gè)標(biāo)志變量在最小信息損失下轉(zhuǎn)換為分類變量,獲得能有效提高預(yù)測(cè)精度的多元線性判別方程。然而,多元線性判別模型要求預(yù)警變量符合嚴(yán)格的聯(lián)合正態(tài)分布,現(xiàn)實(shí)經(jīng)濟(jì)生活中大多數(shù)企業(yè)的財(cái)務(wù)比率無法滿足這一要求。為解決這一問題,)采用回歸方法建立財(cái)務(wù)預(yù)警模型,分析樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類判別錯(cuò)誤和分割點(diǎn)的關(guān)系。
回歸模型對(duì)于變量的分布不再有具體要求,而且在回歸時(shí)通過概率值進(jìn)行預(yù)測(cè),具有較好的實(shí)用性。Coats和)使用BP神經(jīng)網(wǎng)絡(luò)理論,以構(gòu)建的5個(gè)財(cái)務(wù)比率為研究變收稿日期:2010-03-16基金項(xiàng)目:對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)211工程三期重點(diǎn)學(xué)科建設(shè)項(xiàng)目()的階段性研究成果作者簡(jiǎn)介:孔寧寧(1973遼寧沈陽(yáng)人,對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué)國(guó)際商學(xué)院副教授,博士,研究方向?yàn)樨?cái)務(wù)管理、企業(yè)財(cái)務(wù)分析和業(yè)績(jī)?cè)u(píng)價(jià)等。112基于主成分分析和回歸方法的財(cái)務(wù)預(yù)警模型比較量建立財(cái)務(wù)預(yù)警模型,對(duì)財(cái)務(wù)失敗公司進(jìn)行判別分結(jié)果表明Z值模型對(duì)破產(chǎn)當(dāng)年具有很好的判斷效果,但不具有很好的提前預(yù)測(cè)效果,而神經(jīng)網(wǎng)絡(luò)模型能夠較好解決這一問題。國(guó)內(nèi)財(cái)務(wù)預(yù)警研究受證券市場(chǎng)發(fā)展的影響,國(guó)內(nèi)對(duì)財(cái)務(wù)預(yù)警的研究起步較晚。吳世農(nóng)和黃世忠1986)首次介紹了企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測(cè)模型。周首華等1996)提出了F分?jǐn)?shù)模型,在充分考慮了企業(yè)現(xiàn)金流量的變動(dòng)等方面的情況后,通過調(diào)整和更新指標(biāo)1999)采用單變量分析和二類線性判定分析,構(gòu)造財(cái)務(wù)預(yù)警模型,對(duì)上市公司財(cái)務(wù)狀況惡化進(jìn)行判別。陳曉等2006)采用回歸方法建立財(cái)務(wù)預(yù)警模型,檢驗(yàn)傳統(tǒng)財(cái)務(wù)指標(biāo)和EVA指標(biāo)的預(yù)2001)應(yīng)用線性判定分析、多元線性回歸分析和回歸分析三種方法,分別建立三種財(cái)務(wù)困境預(yù)測(cè)模型,研究結(jié)果表明三種模型都能在財(cái)務(wù)困境發(fā)生前進(jìn)行相對(duì)準(zhǔn)確的預(yù)測(cè),但相對(duì)同一信息集,預(yù)測(cè)模型的誤判率最低。
張愛民等2001)采用主成分分析方法建立財(cái)務(wù)失敗預(yù)測(cè)模型,并進(jìn)行了實(shí)證檢驗(yàn)。李2006)利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建上市公司財(cái)務(wù)預(yù)警模型。周敏2004)分別構(gòu)建了基于模糊優(yōu)選的神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型。財(cái)務(wù)預(yù)警模型的作用會(huì)受到財(cái)務(wù)指標(biāo)和樣本選取的限制。各種模型都有財(cái)務(wù)指標(biāo)選擇的側(cè)重點(diǎn),從而可能因忽視其他方面財(cái)務(wù)指標(biāo)存在一定的片面此外,不同行業(yè)和研究區(qū)間的樣本選取也會(huì)對(duì)財(cái)務(wù)預(yù)警模型的適用性產(chǎn)生影響。有鑒于此,本文選取我國(guó)制造業(yè)上市公司作為研究樣本,借鑒國(guó)泰安研究服務(wù)中心中國(guó)上市公司財(cái)務(wù)指標(biāo)分析數(shù)據(jù)庫(kù)中相關(guān)指標(biāo)的設(shè)置分類,選擇全面反映企業(yè)財(cái)務(wù)狀況的盈利能力、成長(zhǎng)能力、償債能力、現(xiàn)金流量能力和營(yíng)運(yùn)能力財(cái)務(wù)指標(biāo)作為研究對(duì)象,分別采用主成分分析法和回歸法構(gòu)建制造業(yè)上市公司財(cái)務(wù)預(yù)警模型,并對(duì)其判別效果進(jìn)行比較分析。二、研究設(shè)計(jì)研究樣本選取本文選取我國(guó)A股制造業(yè)上市公司年新增的46家ST公司剔除非財(cái)務(wù)狀況引起的ST公司)作為研究樣本,并按照1:的比例選取相同會(huì)計(jì)年度、資產(chǎn)規(guī)模相近、細(xì)分行業(yè)相同或相近的46家非ST公司作為配對(duì)樣本。根據(jù)統(tǒng)計(jì)學(xué)原當(dāng)樣本容量大于(等于)30對(duì)總體具有很大程度的代表性,因此,我們將46對(duì)公司分為兩組,組30對(duì)作為估計(jì)樣本,另一組16對(duì)作為檢驗(yàn)樣樣本數(shù)據(jù)取自國(guó)泰安研究服務(wù)中心中國(guó)上市公司財(cái)務(wù)指標(biāo)分析數(shù)據(jù)庫(kù),為樣本公司ST財(cái)務(wù)預(yù)警指標(biāo)選擇為使預(yù)測(cè)變量的選擇范圍更加廣泛和全面,文借鑒國(guó)泰安研究服務(wù)中心中國(guó)上市公司財(cái)務(wù)指標(biāo)分析數(shù)據(jù)庫(kù)中相關(guān)指標(biāo)的設(shè)置分類,選擇全面反映企業(yè)盈利能力、成長(zhǎng)能力、償債能力、現(xiàn)金流量能力、營(yíng)運(yùn)能力的28個(gè)財(cái)務(wù)指標(biāo)作為備選變量。
根據(jù)30家估計(jì)樣本ST公司前3年的數(shù)據(jù),對(duì)28個(gè)指標(biāo)分別進(jìn)行配對(duì)樣本顯著性T檢驗(yàn),共有9個(gè)指標(biāo)在005的顯著性水平通過檢驗(yàn),包括所有者權(quán)益比率X1)、權(quán)益對(duì)負(fù)債比率(X2)、流動(dòng)比率(X3)、營(yíng)運(yùn)資金對(duì)資產(chǎn)總額比率(X4X5)、營(yíng)業(yè)毛利率(X6)、資產(chǎn)報(bào)酬率(X7)、總資產(chǎn)凈利潤(rùn)率(X8)和投入資本回報(bào)率(X9)。檢驗(yàn)結(jié)果表ST公司與非ST公司在償債能力、盈利能力和現(xiàn)金流量三個(gè)方面存在顯著差異,上述個(gè)財(cái)務(wù)指標(biāo)可用于構(gòu)建財(cái)務(wù)預(yù)警模型。三、模型構(gòu)建和檢驗(yàn)主成分分析預(yù)警模型構(gòu)建為消除不同量綱的影響,在進(jìn)行主成分分析之首先根據(jù)標(biāo)準(zhǔn)化公式對(duì)估計(jì)樣本組60家公司的 財(cái)務(wù)指標(biāo)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。為檢驗(yàn)標(biāo)準(zhǔn)化 后的數(shù)據(jù)是否適宜進(jìn)行主成分分析, 進(jìn)行KMO 統(tǒng)計(jì) 量與 球形檢驗(yàn), 結(jié)果如表 檢驗(yàn)統(tǒng)計(jì)量對(duì)應(yīng)的顯著性概 2002年上海證券交易所股票上市交易規(guī)則和深圳證券交易所上市規(guī)則中規(guī)定: 上市公司出現(xiàn)財(cái)務(wù)狀況和其他狀況異常,導(dǎo)致 投資者難于判斷公司前景, 權(quán)益可能受損害的, 本所對(duì)公司股票交 易實(shí)行特別處理, 在股票簡(jiǎn)稱前冠以ST 字樣, 以區(qū)別于其他股 并且詳細(xì)說明財(cái)務(wù)狀況和其他狀況異常的具體情況。
本文在構(gòu)建財(cái)務(wù)預(yù)警模型時(shí), 以ST 類公司中 財(cái)務(wù)狀況異常 的作為 估計(jì)樣本和檢驗(yàn)樣本的劃分按照ST公司全稱降序排列, 然后每間 隔一個(gè)樣本選取兩個(gè)作為估計(jì)樣本, 其余作為檢驗(yàn)樣本。 113 率為0000,適宜進(jìn)行因子分析。 KMO和 檢驗(yàn) KMO 06980 Bart lett Chi df 36 Sig 0000 我們運(yùn)用SPSS對(duì)估計(jì)樣本組ST 年的標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行主成分分析spss主成分回歸步驟, 計(jì)算各主成分的特征值和 貢獻(xiàn)率, 結(jié)果如表 所示。本文取包含原指標(biāo)信息含量( 累計(jì)貢獻(xiàn)率) 9553%的前 個(gè)主成分。經(jīng)方差最大化旋轉(zhuǎn)后的 個(gè)主成分的貢獻(xiàn)率分別為4594%、2917%、1115%和927%。4 個(gè)主成分因 子的因子載荷矩陣如表3 所示。表3 顯示, 主成分1 X6、X7、X8和X9 的負(fù)荷量較為明顯且集中, 主要 代表了企業(yè)的盈利能力; 主成分 X4的負(fù)荷量明顯大于其他比率, 代表了企業(yè)的償債能 X5的負(fù)荷量為 08706, 遠(yuǎn)高于其他 指標(biāo), 代表了企業(yè)的現(xiàn)金流量水平; 主成分 X6的負(fù)荷量為07786, 遠(yuǎn)高于其他指標(biāo), 代表了企業(yè)的 盈力能力水平。
主成分特征值與貢獻(xiàn)率Comp- onent Sums Sums Total 6403 576 6403 6403 413 4594 4594 263 2917 7511 9174 061 680 9174 9553 034 379 9553 083 927 9553 9765 01272 9971 00208 10000 因子荷載矩陣 00171 0190 03307 00713 02595 00866 X4 06432 0728 X5 01362 04456 08706 00936 X6 05911 01382 01219 07786 X7 09153 01616 01887 01618 X8 09644 01368 00933 01740 X9 08829 01022 00746 03664 根據(jù)因子得分系數(shù)矩陣表(見表4) 可得到主成分( 表示)關(guān)于財(cái)務(wù)指標(biāo)的線性表達(dá)式: F1= - - + 因子得分系數(shù)矩陣表 3 X4 00886 X7 F2=+ + + + F4 + 根據(jù)表2 中各主成分因子的貢獻(xiàn)率, 可以得到 制造業(yè)上市公司的財(cái)務(wù)預(yù)警模型: ++ + 其中, F1 代表盈利能力; F2 代表償債能力; F3 表現(xiàn)金流量能力;F4 代表盈利能力比率中的營(yíng)業(yè)毛 利率。
將估計(jì)樣本組標(biāo)準(zhǔn)化后的財(cái)務(wù)指標(biāo)代入上述公 計(jì)算各上市公司的預(yù)警分布值,并按Z 小進(jìn)行排序。在保證判別分類錯(cuò)誤最小的前提下, 確定判別 分割點(diǎn)在 和 之間。本文取二者的 平均值 作為判別分割點(diǎn), 值大于 判定為非ST 類公司, 否則為ST 類公司。 按照上述方法, 可以構(gòu)建出ST ++ + F1= - - - + - 基于主成分分析和回歸方法的財(cái)務(wù)預(yù)警模型比較 F3= + - + + 此模型的判別分割點(diǎn): 0022。 ++ + F1= - - - = -+ + = + + - + 此模型的判別分割點(diǎn): 00859。
回歸法預(yù)警模型構(gòu)建 運(yùn)用SPSS 軟件對(duì)ST 年的原始數(shù)據(jù)進(jìn)行 回歸分析, 在分析時(shí)賦予非 ST 公司的值為 ST公司的值為0, 結(jié)果如表5 所示。 Sig 507 423 447 453 819 000 100X9 46 000 8183 000 預(yù)警模型檢驗(yàn)運(yùn)用16 對(duì)檢驗(yàn)樣本數(shù)據(jù)對(duì)以上兩種方法構(gòu)建 的模型進(jìn)行檢驗(yàn)( 主成分分析模型使用標(biāo)準(zhǔn)化后數(shù) 回歸模型使用原始數(shù)據(jù)) 主成分分析法與回歸法預(yù)警模型效果比較 主成分分析法 ic 回歸法 主成分 分析法 回歸法 主成分 分析法 ic 回歸法 檢驗(yàn)樣本數(shù) 32 32 32 32 32 32 檢驗(yàn)正確數(shù) 30 32 31 27 25 23 檢驗(yàn)準(zhǔn)確率9375% 10000% 9688% 8438% 7813% 7188% 誤判率 625% 000% 312% 1562% 2187% 2812% 顯示,在ST 主成分分析法預(yù)警模型的判別準(zhǔn)確率略低于 回歸法模型, 而在 ST 主成分分析法模型的判別正確率均高于 回歸法模型。
整體而言, 主成分分 析模型判別準(zhǔn)確率相對(duì)較高, 這也是主成分分析法 的主要優(yōu)點(diǎn), 但主成分分析模型在計(jì)算判別分割點(diǎn) 時(shí)不如 回歸模型簡(jiǎn)便。 四、研究結(jié)論和局限 研究結(jié)論本文將主成分分析法運(yùn)用于我國(guó)制造業(yè)上市公 司財(cái)務(wù)預(yù)警的實(shí)證研究中, 分別對(duì) 年的財(cái)務(wù)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析和比較分析, 從而構(gòu)建出制造業(yè)上市 公司3 年的財(cái)務(wù)預(yù)警的主成分分析模型。同時(shí), 主成分分析模型的效果與回歸法構(gòu)建的財(cái) 務(wù)預(yù)警模型進(jìn)行比較, 突顯出主成分分析模型的優(yōu) 從理論上看,主成分分析法具有合理性, 主要表 現(xiàn)在: 首先, 在構(gòu)建模型時(shí)所采用的原始財(cái)務(wù)比率的 個(gè)數(shù)不受限制, 只要該財(cái)務(wù)比率能夠在一定程度上 區(qū)分財(cái)務(wù)失敗企業(yè)與非財(cái)務(wù)失敗企業(yè); 其次, 由于對(duì) 財(cái)務(wù)比率的原始數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理, 使各財(cái)務(wù) 比率之間具有可比性和可加性, 成為模型運(yùn)算的基 再次,在模型中各主成分的權(quán)重根據(jù)各自的貢獻(xiàn) 年的判別模型為P1:P1= 8183同樣, 可得到前2 年的判別模型P2和P3。 P2= 率確定,因而客觀地反映出各主成分在模型中作用 的強(qiáng)弱, 避免了人為選擇的主觀性。 從實(shí)踐應(yīng)用看, 由于上市公司陷入財(cái)務(wù)困境是 一個(gè)演化的過程, 因此, 通過建立預(yù)警模型對(duì)上市公 司進(jìn)行財(cái)務(wù)預(yù)警研究是一種行之有效的研究方法。
企業(yè)可以利用此模型作為防范財(cái)務(wù)風(fēng)險(xiǎn)的手段, 前判斷所處的財(cái)務(wù)風(fēng)險(xiǎn)階段,及時(shí)調(diào)整財(cái)務(wù)戰(zhàn)略和 經(jīng)營(yíng)戰(zhàn)略, 防患于未然; 投資者可以利用此模型預(yù)測(cè) 企業(yè)未來財(cái)務(wù)狀況趨勢(shì), 為防范投資風(fēng)險(xiǎn)提供有益 的參考; 債權(quán)人則可以運(yùn)用此模型判斷借款和債權(quán) 投資的安全性, 決定是否為上市公司提供融資。 研究局限由于以下因素的限制, 可能會(huì)對(duì)本文構(gòu)建預(yù)警 模型的有效性產(chǎn)生影響。首先, 本文所選取的研究 變量都是財(cái)務(wù)指標(biāo), 未選取非財(cái)務(wù)指標(biāo), 因此, 模型 未能反映出非財(cái)務(wù)因素對(duì)企業(yè)財(cái)務(wù)狀況產(chǎn)生的影 響。其次, 在實(shí)踐中進(jìn)行財(cái)務(wù)預(yù)警時(shí), 需要將定量方 法與定性方法相結(jié)合, 限于篇幅, 本文未能將定性分 析方法與預(yù)警模型的構(gòu)建結(jié)合起來。 參考文獻(xiàn): En [ : ,1932spss主成分回歸步驟, 1966, 71-111 , [ J] ,1968, 589-609 ion , 1980, 109-131 Us ing Tool , 1993, 142-155 中國(guó)經(jīng)濟(jì)問題,1986, 論財(cái)務(wù)危機(jī)的預(yù)警分析F分?jǐn)?shù) 模型[ 會(huì)計(jì)研究,1996, 31-381 國(guó)會(huì)計(jì)與財(cái)務(wù)研究,2000, 55-921 10]徐光華, 基于EVA的行業(yè)財(cái)務(wù)預(yù)警模型研究 以滬市IT上市公司為例[ 經(jīng)濟(jì)管理,2006, 63-681 經(jīng)濟(jì)研究,2001, 46-551 12]張愛民, 上市公司財(cái)務(wù)失敗的主成分預(yù)測(cè)模型及其實(shí)證研究[ 金融研究,2001, 10-251 上市公司財(cái)務(wù)預(yù)警的BP 神經(jīng)網(wǎng)絡(luò)模 型的建立及其應(yīng)用[ 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí),2006, 基于模糊優(yōu)選和神經(jīng)網(wǎng)絡(luò)的企業(yè)財(cái)務(wù)危機(jī)預(yù)警[ 管理科學(xué)學(xué)報(bào),2002, 86-901 基于人工神經(jīng)網(wǎng)絡(luò)方法的上市公司經(jīng)營(yíng)失敗預(yù)警研究[ 會(huì)計(jì)研究,2004, 42-461 - Model Based : China. y KONG Ning- ning - wei , , , China; 21 Rixin , , China) : paper,we first - , y early- model based , shows good,while whole, early- model based could Key words: early- model; ; 116孔寧寧, 基于主成分分析和回歸方法的財(cái)務(wù)預(yù)警模型比較