基于主成分法的电子信息制造企业财务预警研究

来源:用户上传      作者:

　　【摘要】由于市场竞争的加剧,企业所面临的经营风险、财务风险日益增大。在此环境下,财务预警能够有效地避免和分散这些风险。本文以我国电子信息制造上市公司为研究对象,构建了适应电子信息制造行业的财务预警指标体系,通过主成分法对84家电子信息制造企业进行了财务状况实证研究,创建了适应其特点的财务风险预警模型,并对两年的判别效果进行了验证。实证分析表明:本文构建的财务预警模型对于防范企业财务风险是有效的,主成分法的判别准确率较为理想。
　　【关键词】财务预警;电子信息制造业;主成分法
　　
　　1.引言
　　
　　随着全球经济一体化的日益加深,企业经营的不确定性在不断增强,面临着更大、更难预知的财务风险。在我国虚假财务信息泛滥、会计戏法充斥的今天,建立并完善企业财务预警模型,能够帮助企业做好自身的财务风险评估工作,及时调整经营战略;能够有效保护投资者和债权人的利益,提升他们对上市企业的信心;能够有效提高政府部门对企业的宏观监控质量以及规范证券市场。目前,现有的财务预警模型大多不分行业,或是集中在房地产、医疗卫生等几个热门行业,而结合电子信息制造业特色构建的预警体系很是鲜见。本文构建的这套财务预警体系,兼顾电子信息制造业与其他行业的共性及其自身特点,站在投资者的角度以电子信息制造业的经验财务指标为基础,运用统计方法构建了定量预警模型。因此这项研究具有较大的现实意义。
　　
　　2.财务预警模型国内外相关研究
　　
　　最早的财务预警研究是Fitzpatrick(1932)开展的单变量破产预测研究。1966年,美国的威廉・比弗将单变量分析法发展为财务危机预测模型。Altman(1968)则开创了多元线性判定模型(又称Z Score模型)的先河。之后,各国学者在Z-Score模型的基础上对其做出了改进,如1972年Edmister提出的专门针对小企业建立的财务危机预警分析模型;美国学者建立起来的多微区分模型;以及日本开发银行调查部建立的企业经营指标风险评价模型。为克服多元判别模型严格的统计假设,研究人员逐步提出采用回归分析方法来提高财务预警的能力。如1980年Ohlsonn建立的Logit预警模型及Zmijewski的Probit分析模型。而随着计算机和信息技术的不断发展,西方研究人员开始运用人工神经网络、支持向量机、专家系统、遗传算法等非统计类方法进行财务困境的预测研究。他们中的代表人物,包括Odom和Sharda,Vapnikessier,Hansenranco,Varett等。
　　国内的财务预警模型研究起步于20世纪80年代,90年代逐渐兴起并形成系统。90年代,我国学者周首华、杨济华和王平在Z计分模型的基础上进行改进,建立了F 计分模型。陈静(1999年)分别进行了单变量分析和二元线性判别分析。吴世农、卢贤义(2001年)应用了Fisher线性判别分析、多元线性回归分析和多元逻辑回归分析三种方法,并结合我国的实际情况建立了相应预测财务困境的模型。张爱民等则采用多元统计分析中的主成分分析法对企业财务预警进行了研究。同年,杨保安、季海针对判别分析方法在构建财务危机预警模型中存在的问题,最先运用BP神经网络建立财务预警模型。之后在此研究基础上相继出现了粗糙集神经网络(柳炳祥,2002)和人工神经网络(刘洪,2004)财务预警模型。但大多数研究对象是针对整个证券市场的企业或少数几个行业,有一定的局限性。
　　
　　3.研究年度的确定和研究样本的选择
　　
　　鉴于我国证券市场到目前为止,还未曾出现过破产的企业,本文以股票名称前冠“ST”作为企业陷入财务危机的标志。另外,一些ST样本公司经过一段时间可能“摘帽”,是否仍为ST需要参考该公司当年公告。值得注意的是,2008年的金融危机使得这一年的数据异常波动不具代表性,而2009年的年报数据尚未完全公布(本文研究时),笔者将建模样本选择的年度定在了2006和2007两年;2008年度则作为财务实际状况的参照年度,按2008年各个样本公司公告划分ST和非ST公司,再同提前两年、提前一年(2006年、2007年)财务数据构建的财务模型对财务状况预测的结果进行比对,从而得出模型的误判率。
　　为保证财务数据的可得性,本文研究样本选取了大智慧新一代软件中按证监会行业划分的电子信息制造业的5个板块(电子元器件业、日用电子器具业、其它电子设备业、通信及相关设备业、计算机及相关设备业)的2006年之前上市的84家企业。
　　
　　4.财务指标体系构建
　　
　　本文在选择财务指标时,参考以往相关文献所用的指标体系,依照指标出现频率及相关原则进行初步筛选。力求所选指标能尽量全面系统地反映企业的财务状况。另外,对指标体系所用数据是否能由现有财务数据提供一一做了验证。考虑到电子信息制造业的自身特点:靠借债来提供持续的大规模投资支持。在选择指标时,特别关注了偿债能力指标。又因为短期借债较长期借债而言,更易获得,是电子信息企业负债中不容忽视的一部分,因此在选择指标时,也向反映短期偿债能力的指标倾斜。而相较于应付制下的指标,现金流量类指标更为可靠,不易被操纵。因此,将此类指标单独罗列以供使用。初步筛选所得指标体系的基本组成见表1。
　　
　　5.基于主成分法的实证分析
　　
　　本文采用SPSS 13.0统计分析软件,对所收集的原始数据进行因子分析。
　　(1)主成分的提取
　　在表2中,从SPSS软件处理的2006年数据结果可以看出,最终根据凯泽法保留了其特征根大于1的5个最主要的因子,它们的累计方差贡献率为85.556%。因此,我们可以认为这5个因子基本上反映了原来15个变量的绝大部分信息。
　　在下表3中,从SPSS软件处理的2007年数据结果可以看出,最终保留了其特征根大于1的6个最主要的因子,它们的累计方差贡献率为87.161%。因此,我们可以认为这6个因子基本上反映了原来15个变量的绝大部分信息。
　　(2)得出因子载荷矩阵,为各个因子命名
　　为了便于解释主成分,笔者采用Varimax方差极大正交旋转,对主因子载荷矩阵进行旋转,从而使系数向0和1两极分化,得出旋转后因子载荷矩阵。通常一个指标在某因子上的载荷大于0.5,我们就可以将这个指标归入这个因子中。值得一提的是,在本研究中,所有指标都只在单一因子上有较大载荷,表明本研究中的数据具有一定的判别有效性。
　　对2006年数据分析结果旋转后的因子载荷矩阵(见表4)分析后,可以得出以下结论:
　　①主成分因子主要由速动比率V2、流动比率V1、权益债务比率V15、现金流动比率V3、债务保障率V11来解释。故主成分代表的是企业的偿债能力,即长期短期偿债能力综合主成分。
　　②主成分因子F2主要由资产收益率V6、成本费用利润率V4、总资产增长率V13、净利润率V5来解释,而盈利能力方面的指标的因子载荷量远大于其他指标。故主成分F2代表的是企业盈利能力综合主成分。
　　③主成分因子F3主要由总资产周转率V8、流动资产周转率V9、固定资产周转率V10来解释,故F3代表的是企业的营运能力综合主成分。
　　④主成分因子F1主要由变量净资产收益率(营业利润)V7、净资产增长率V11来解释,因这两个指标均与股东的切身权益紧密相关,主成分因子F4应被解释为股东权益综合主成分。
　　⑤主成分因子F5主要由变量每股经营现金净流量V12这个指标来解释,因这个指标能够有效衡量企业保持持续稳定现金流的能力。故F5代表的是企业的现金流量能力综合主成分。

　　对2007年数据分析结果旋转后的因子载荷矩阵分析(表5所示)后,可以得出以下结论:
　　①主成分因子Q1主要由速动比率V2、流动比率V1、权益债务比率V15、现金流动比率V3来解释。故主成分Q1代表的是企业的偿债能力,即长期短期偿债能力综合主成分。
　　②主成分因子Q2主要由总资产周转率V8、流动资产周转率V9、固定资产周转率V10来解释。故Q2代表的是企业的营运能力综合主成分。
　　③主成分因子Q3主要由资产收益率V6、成本费用利润率V4、净利润率V5来解释。故主成分Q3代表的是企业盈利能力综合主成分。
　　④主成分因子Q1主要由变量总资产增长率V13、净资产增长率V11来解释,因这两个指标均能参与企业成长能力的评估,主成分因子Q4应被解释为成长能力综合主成分。
　　⑤主成分因子Q5主要由变量每股经营现金净流量V12、债务保障率V11指标来解释,因这两个指标结合能够有效衡量企业保持持续稳定现金流并及时偿还债务的能力。故Q5代表的是企业的现金流量偿债能力的综合主成分。
　　⑥主成分因子Q6主要由变量净资产收益率(营业利润)V7来解释,这一指标与股东权益息息相关。故Q6代表的是企业股东权益综合主成分。
　　(3)建立模型
　　我们可以以特征根为权,对各个主成分得分进行加权平均,构建多元判别函数。综合主成分的计算公式见公式1:
　　(式1)
　　(为表示区别,2007年公式中字母F被替换为Q)
　　由此可得到提前两年(2006年),提前一年(2007年)的财务预警模型,分别为:
　　依照公式2、公式3可分别计算出各样本公司2006、2007年的综合得分进行排序。
　　(4)评价区域的确立及模型的预测效果检验
　　在实证研究中,如果研究的样本数量不是太大,为了评估判别模型的预测性能,就可以考虑利用回代方法进行验证,即将所有样本的指标值回代到线性判别函数中得出所有样本的预测值,然后与实际数据的对应变量值进行比较,进而通过模型的准确率或误判率检验模型的预测效果。考虑到本文电子信息制造业选取的样本容量有限,因此采取回判法检验模型的有效性是较为合适的方法。本文将ST、非ST公司误判率相似的分界点确定为预测模型评价区域的分界点。
　　笔者利用2006年数据得出的主因子多元判别模型,首先对2006年样本公司的数据进行回判。从回判结果来看,该模型将2008年9家ST公司中的1家误判为正常公司,而将75家正常公司中的9家误判为ST公司,两者相加平均得到总误判率为11.9%,即判别模型对2008年电子信息制造业企业实际财务状况的预测能力达到88.1%。另外,笔者利用2007年数据得出的模型将2008年9家ST公司中的2家误判为正常公司,而将75家正常公司中的14家误判为ST公司,两者相加平均得到总误判率为19.05%,即判别模型对2008年电子信息制造业企业实际财务状况的预测能力达到80.95%。
　　
　　6.研究结论
　　
　　通过2008年样本公司的验证,我们可以得出以下结论:本文构建的提前一年和提前两年的模型预测准确率都在80%~90%之间。考虑到样本数量的有限,且电子信息制造企业ST公司数量占该类企业总量的百分比并不大;进一步说,ST公司并不是绝对意义上的财务失败公司,不断地改制重组使其财务指标波动较大。因而,在我国当前的证券市场尚未完善,寻求两级分化的公司数据较为困难的情况下,采用主成分分析法构建的模型准确率是值得肯定的。因为该方法是依据财务指标内部关系客观决定众多变量在模型中的权重体系,且能够有效将大量繁杂且相互影响的财务数据进行精炼的方法。通过误判率统计得到的评价区域可以帮助我们在一定程度上定量地对电子信息制造企业未来财务状况做出基本判断。当W>-0.29时,企业在未来一或两年内的财务状况相对安全;当W<-0.29时,未来一或两年内财务状况比较危险。
　　
　　7.合理化建议及研究局限
　　
　　为了有效提高财务风险评估工作的效率,公司的利益相关人应将精力集中在监测筛选出的主要指标的变化上,结合公司其他非量化值对公司进行综合评价。企业财务预警体系应与企业管理系统的其他部分进行有效整合。不应忽略企业除财务信息外的经营业务信息在财务预警体系中的作用。为了增强这类信息在财务预警体系中的作用,克服企业自身之间的差异性,定性方法和定量方法的结合也是大势所趋。
　　引入非财务数据参与建模能够一定程度上缩小不易估量的宏观因素对模型的影响,而本文由于时间的限制,在建模的过程中未能纳入非财务因素,使得分析结果的准确性受到一定影响。
　　
　　参考文献
　　[1]刘红霞,张红林.以主成分分析法构建企业财务危机预警模型[J].中央财经大学学报,2004(4):70-75.
　　[2]梁琪.企业信用风险的主成分判别模型及其实证研究[J].财经研究,2003,29(5):
　　52-57.
　　[3]卢纹岱主编.SPSS for Windows统计分析(第3版)[M].北京:电子工业出版社,2006:477-516.
　　[4]薛薇编著.SPSS统计分析方法及应用(第2版)[M].北京:电子工业出版社,2009:327-350.
　　[5]张俊民主编.财务分析(第1版)[M].上海:复旦大学出版社,2006:62-203.
　　[6]Altman,E I.Financial ratios,discriminate analysis and the prediction of corporate [J].Journal of Finance,1968(9):58-67.
　　[7]Beaver,William H.Financial Ratios as Predictors of Failures[J].Journal of Accounting Research,1966:71-111.

转载注明来源:https://www.xzbu.com/2/view-367876.htm