论文部分内容阅读
摘要：汽车行业是我国经济的支柱产业之一，但近期我国汽車市场不景气，许多潜在的财务风险需要被重视。文章以我国汽车行业上市公司为研究对象，选取2015～2017年140家汽车行业上市公司的财务指标，利用主成分分析法筛选出六个主成分因子，再通过Logistic回归分析建立汽车行业财务预警模型，利用2018年样本公司财务数据检验得到该模型总体预测准确率达到95.71%，财务预警效果良好，对汽车行业企业经营者和外部投资者具有参考价值。
关键词：财务风险;主成分分析;logistic回归;汽车行业;预警模型
一、汽车行业上市公司现状分析
汽车行业作为我国经济的支柱产业之一，在提升国民经济、增加就业岗位、刺激消费等方面发挥着重要作用。但从2018年年底开始汽车销量呈现下滑趋势，国内汽车市场消费疲弱，新能源技术尚不成熟，2019年我国汽车行业似乎进入了冬天，但我国人均汽车保有量较发达国家仍有很大的发展空间。目前汽车行业正在由传统领域竞争转向新能源、智能化自动驾驶领域，处在变革的临界点，面临着众多机遇与风险。此时如何有效降低成本、防范财务风险，预防财务危机的出现成为汽车行业值得关注的重点。因此，建立一个适用于我国汽车行业上市公司的财务预警模型，使企业管理者根据不断变化的财务数据预测企业财务状况，及时发出财务预警，为企业决策提供必要的财务依据;同时为债权人、股票市场投资者提供有效的财务预警支持。
二、文献综述及指标选取
（一）文献综述
国内外财务预警的研究方法分为定性研究和定量研究，相对于主观判断的定性研究，利用数学模型进行预警的定量研究更具有说服性。国内外学者对定量研究方法从单变量模型到多变量模型不断演变，提出了单变量模型、多元线性判别模型、Logistic回归模型、神经网络分析模型、Z值模型、F预警模型等，其在预测精度和稳定性上各有优缺点，其中Logistic回归模型具有较强的实用性，预测误判率较低。纵观国内外预测模型，研究对象多数不划分行业或为制造业公司，针对汽车行业的研究较少，因此本文采用Logistic回归模型对我国汽车行业上市公司建立财务预警模型，为汽车制造企业进行财务预警评估提供借鉴。
（二）研究样本及指标的选择
本文将上市公司是否因“财务状况异常”而被特别处理（ST）作为判断是否出现财务危机的标准，选取了汽车行业140家上市公司作为研究样本，其中，132家财务正常公司，即非ST公司，8家财务状况异常的公司，即ST公司。选取了样本公司2015～2017年连续三年的财务指标数据进行分析并建立财务预警模型，选取样本公司2018年财务指标检验模型的效果。本文样本数据均源于国泰安经济金融研究数据库（CSMAR）。
本文在综合参考前人财务预警模型指标选取的基础上，结合汽车行业的特点，从众多财务指标中选取了18个对上市公司影响较大的指标，其中包含能反映公司的偿债能力、营运能力、盈利能力、发展能力的15个财务指标和3个投资者较为关注的每股财务指标，具体如表1所示。
三、主成分分析
（一）主成分分析的适用性检验
在主成分分析前，先对140家样本公司数据标准化处理，然后进行KMO检验和Bartlett’s球体检验，KMO统计量是用于比较变量间简单相关系数和偏相关系数的指标，KMO值越接近于1则意味着变量间的相关性越强，原有变量越适合作主成分分析。一般认为KMO检验数>0.5适合做主成分分析，从表2可以看出KMO检验值为0.620，满足主成分分析的条件。Bartlett’s球状检验用于检验相关阵中各变量间的相关性，即检验各个变量是否相互独立。一般认为Bartlett’s球状检验结果小于0.05适合主成分分析。由表2显著性检验结果显示Sig.为0，说明各变量间具有相关性，适合做主成分分析。
（二）主成分的提取
运用SPSS22.0对所选取的2015～2017年140家汽车上市公司的财务指标进行主成分分析，得到各个成分的特征值及累加贡献率，一般要求各主成分的特征值大于1，累计贡献率大于80%。由表3所示，前六个主成分的特征值大于1，累计贡献率为81.771%。说明前六个主成分因子能充分代替原数据，能对总体起到概括作用，因子分析效果比较理想，所以本文提取前六个主成分进行后续研究。
（三）主成分的解释
利用SPSS22.0使用方差最大旋转法得到旋转因子载荷矩阵，使得各主成分因子有较明确的经济含义，如表4所示。
在主成分1中，X10、X11和X12的负荷量最为明显，代表企业的盈利能力;在主成分2中，X5、X6、X7、X8和X9的负荷量最为明显，代表企业的营运能力;在主成分3中，X1、X2和X3的负荷量最为明显，代表企业的偿债能力;在主成分4中，X13、X15和X18的负荷量最为明显，代表企业的发展能力和每股指标;在主成分5中，X4、X14的负荷量最为明显，代表企业的发展能力和偿债能力;在主成分6中，X17的负荷量最为明显，代表企业的每股指标。
根据系数得分矩阵表，分别用F1、F2、F3、F4、F5、F6表示六个主成分，根据表中数据可以得到各个主成分的表达式，如第1个主成分的表达式如下所示：
F1=0.124X1+0.124X2-0.238X3-0.211X4+0.078X5-0.217X6+0.228X7+0.084X8+0.255X9+0.938X10+0.938X11+0.943X12+0.132X13+0.166X14+0.167X15+0.799X16-0.004X17+0.089X18
同理可以得到F2、F3、F4、F5、F6主成分的表达式。 四、二元Logistic 回归分析
（一）模型的构建
将上文筛选出的六个主成分作为模型的自变量，即F1、F2、F3、F4、F5、F6。该模型的因变量采用虚拟变量，假设因变量为Y，当Y=1时，代表企业为ST公司，当Y=0时，代表企业为非ST公司，即财务正常的企业，运用SPSS22.0对自变量和因变量进行二元logistic回归建模，具体如下所示：
根据上述参数估计结果建立Logistic回归财务预警模型：
（二）模型预警效果的检验
運用上述财务预警模型对样本公司2018年的财务指标进行检验，通常将P=0.5作为判断企业是否有财务风险可能的临界点，若输出的P值大于等于0.5表示财务状况良好，暂时没有财务风险的可能;若输出的P值小于0.5，表示财务状况不乐观，有发生财务风险的可能。将140组样本公司的数据，其中ST公司8家，非ST公司132家，代入财务预警模型中进行检验，检验结果如表6所示：
由表6结果可知，132家非ST公司中128家被预测正确，4家被误测为ST公司，准确率为96.97%，在8家ST公司中，6家被预测正确，2家被误测为非ST公司，准确率为75%，总体的预测准确率为95.71%，预测结果比较理想。
五、结语
（一）研究结论
本文通过建立Logistic回归模型对汽车行业上市公司财务风险进行预警，采用主成分分析法提取出反应原始数据大部分信息的主成分因子，再利用Logistic回归分析构建出适合我国汽车行业的财务预警模型，并对其进行检验，准确率达到95.71%，模型的预测效果良好。研究结果表明，汽车行业上市公司的盈利能力、营运能力、偿债能力、发展能力对企业财务状况有较大的影响，尤其是盈利能力。本文采用Logistic回归分析法，既避免了自变量需要正态分布的严格假设条件，又克服了传统定性研究中不确定性。无论对于企业经营者还是投资者，该模型皆可用于作为参考，在一定程度上可以避免或减少损失。
（二）建议
汽车行业企业管理者应注重企业盈利能力的提升，资产报酬率、总资产净利率、净资产收益率等指标对汽车行业公司的财务状况有较大的影响。管理者可利用该财务预警模型评估财务状况，提前发现财务风险，及时调整战略，将损失降到最小。
汽车行业的投资者可以利用本文财务预警模型对有意向的上市公司进行财务状况的判断与分析，预测是否存在财务风险，便于投资者做出合理的投资决策，降低投资风险。
参考文献：
[1]李长山.基于Logistic回归法的企业财务风险预警模型构建[J].统计与决策，2018，34（06）：185-188.
[2]康雨舟.基于logistic回归的制造业上市公司财务困境预警模型[J].现代经济信息，2018（15）：154-157.
[3]王晨.创业板上市公司财务风险预警研究[D].沈阳：沈阳工业大学，2018.
[4]张静瑜，林娟，王玲.基于Logistic的信息产业上市公司财务预警模型构建[J].财会通讯，2017（32）：100-104+129.
[5]甘爱平，柳亮，陈可桢.航运上市公司财务预警的Logistic回归分析[J].上海海事大学学报，2014，35（01）：65-68.
（作者单位：曲阜师范大学管理学院）
关键词：财务风险;主成分分析;logistic回归;汽车行业;预警模型
一、汽车行业上市公司现状分析
汽车行业作为我国经济的支柱产业之一，在提升国民经济、增加就业岗位、刺激消费等方面发挥着重要作用。但从2018年年底开始汽车销量呈现下滑趋势，国内汽车市场消费疲弱，新能源技术尚不成熟，2019年我国汽车行业似乎进入了冬天，但我国人均汽车保有量较发达国家仍有很大的发展空间。目前汽车行业正在由传统领域竞争转向新能源、智能化自动驾驶领域，处在变革的临界点，面临着众多机遇与风险。此时如何有效降低成本、防范财务风险，预防财务危机的出现成为汽车行业值得关注的重点。因此，建立一个适用于我国汽车行业上市公司的财务预警模型，使企业管理者根据不断变化的财务数据预测企业财务状况，及时发出财务预警，为企业决策提供必要的财务依据;同时为债权人、股票市场投资者提供有效的财务预警支持。
二、文献综述及指标选取
（一）文献综述
国内外财务预警的研究方法分为定性研究和定量研究，相对于主观判断的定性研究，利用数学模型进行预警的定量研究更具有说服性。国内外学者对定量研究方法从单变量模型到多变量模型不断演变，提出了单变量模型、多元线性判别模型、Logistic回归模型、神经网络分析模型、Z值模型、F预警模型等，其在预测精度和稳定性上各有优缺点，其中Logistic回归模型具有较强的实用性，预测误判率较低。纵观国内外预测模型，研究对象多数不划分行业或为制造业公司，针对汽车行业的研究较少，因此本文采用Logistic回归模型对我国汽车行业上市公司建立财务预警模型，为汽车制造企业进行财务预警评估提供借鉴。
（二）研究样本及指标的选择
本文将上市公司是否因“财务状况异常”而被特别处理（ST）作为判断是否出现财务危机的标准，选取了汽车行业140家上市公司作为研究样本，其中，132家财务正常公司，即非ST公司，8家财务状况异常的公司，即ST公司。选取了样本公司2015～2017年连续三年的财务指标数据进行分析并建立财务预警模型，选取样本公司2018年财务指标检验模型的效果。本文样本数据均源于国泰安经济金融研究数据库（CSMAR）。
本文在综合参考前人财务预警模型指标选取的基础上，结合汽车行业的特点，从众多财务指标中选取了18个对上市公司影响较大的指标，其中包含能反映公司的偿债能力、营运能力、盈利能力、发展能力的15个财务指标和3个投资者较为关注的每股财务指标，具体如表1所示。
三、主成分分析
（一）主成分分析的适用性检验
在主成分分析前，先对140家样本公司数据标准化处理，然后进行KMO检验和Bartlett’s球体检验，KMO统计量是用于比较变量间简单相关系数和偏相关系数的指标，KMO值越接近于1则意味着变量间的相关性越强，原有变量越适合作主成分分析。一般认为KMO检验数>0.5适合做主成分分析，从表2可以看出KMO检验值为0.620，满足主成分分析的条件。Bartlett’s球状检验用于检验相关阵中各变量间的相关性，即检验各个变量是否相互独立。一般认为Bartlett’s球状检验结果小于0.05适合主成分分析。由表2显著性检验结果显示Sig.为0，说明各变量间具有相关性，适合做主成分分析。
（二）主成分的提取
运用SPSS22.0对所选取的2015～2017年140家汽车上市公司的财务指标进行主成分分析，得到各个成分的特征值及累加贡献率，一般要求各主成分的特征值大于1，累计贡献率大于80%。由表3所示，前六个主成分的特征值大于1，累计贡献率为81.771%。说明前六个主成分因子能充分代替原数据，能对总体起到概括作用，因子分析效果比较理想，所以本文提取前六个主成分进行后续研究。
（三）主成分的解释
利用SPSS22.0使用方差最大旋转法得到旋转因子载荷矩阵，使得各主成分因子有较明确的经济含义，如表4所示。
在主成分1中，X10、X11和X12的负荷量最为明显，代表企业的盈利能力;在主成分2中，X5、X6、X7、X8和X9的负荷量最为明显，代表企业的营运能力;在主成分3中，X1、X2和X3的负荷量最为明显，代表企业的偿债能力;在主成分4中，X13、X15和X18的负荷量最为明显，代表企业的发展能力和每股指标;在主成分5中，X4、X14的负荷量最为明显，代表企业的发展能力和偿债能力;在主成分6中，X17的负荷量最为明显，代表企业的每股指标。
根据系数得分矩阵表，分别用F1、F2、F3、F4、F5、F6表示六个主成分，根据表中数据可以得到各个主成分的表达式，如第1个主成分的表达式如下所示：
F1=0.124X1+0.124X2-0.238X3-0.211X4+0.078X5-0.217X6+0.228X7+0.084X8+0.255X9+0.938X10+0.938X11+0.943X12+0.132X13+0.166X14+0.167X15+0.799X16-0.004X17+0.089X18
同理可以得到F2、F3、F4、F5、F6主成分的表达式。 四、二元Logistic 回归分析
（一）模型的构建
将上文筛选出的六个主成分作为模型的自变量，即F1、F2、F3、F4、F5、F6。该模型的因变量采用虚拟变量，假设因变量为Y，当Y=1时，代表企业为ST公司，当Y=0时，代表企业为非ST公司，即财务正常的企业，运用SPSS22.0对自变量和因变量进行二元logistic回归建模，具体如下所示：
根据上述参数估计结果建立Logistic回归财务预警模型：
（二）模型预警效果的检验
運用上述财务预警模型对样本公司2018年的财务指标进行检验，通常将P=0.5作为判断企业是否有财务风险可能的临界点，若输出的P值大于等于0.5表示财务状况良好，暂时没有财务风险的可能;若输出的P值小于0.5，表示财务状况不乐观，有发生财务风险的可能。将140组样本公司的数据，其中ST公司8家，非ST公司132家，代入财务预警模型中进行检验，检验结果如表6所示：
由表6结果可知，132家非ST公司中128家被预测正确，4家被误测为ST公司，准确率为96.97%，在8家ST公司中，6家被预测正确，2家被误测为非ST公司，准确率为75%，总体的预测准确率为95.71%，预测结果比较理想。
五、结语
（一）研究结论
本文通过建立Logistic回归模型对汽车行业上市公司财务风险进行预警，采用主成分分析法提取出反应原始数据大部分信息的主成分因子，再利用Logistic回归分析构建出适合我国汽车行业的财务预警模型，并对其进行检验，准确率达到95.71%，模型的预测效果良好。研究结果表明，汽车行业上市公司的盈利能力、营运能力、偿债能力、发展能力对企业财务状况有较大的影响，尤其是盈利能力。本文采用Logistic回归分析法，既避免了自变量需要正态分布的严格假设条件，又克服了传统定性研究中不确定性。无论对于企业经营者还是投资者，该模型皆可用于作为参考，在一定程度上可以避免或减少损失。
（二）建议
汽车行业企业管理者应注重企业盈利能力的提升，资产报酬率、总资产净利率、净资产收益率等指标对汽车行业公司的财务状况有较大的影响。管理者可利用该财务预警模型评估财务状况，提前发现财务风险，及时调整战略，将损失降到最小。
汽车行业的投资者可以利用本文财务预警模型对有意向的上市公司进行财务状况的判断与分析，预测是否存在财务风险，便于投资者做出合理的投资决策，降低投资风险。
参考文献：
[1]李长山.基于Logistic回归法的企业财务风险预警模型构建[J].统计与决策，2018，34（06）：185-188.
[2]康雨舟.基于logistic回归的制造业上市公司财务困境预警模型[J].现代经济信息，2018（15）：154-157.
[3]王晨.创业板上市公司财务风险预警研究[D].沈阳：沈阳工业大学，2018.
[4]张静瑜，林娟，王玲.基于Logistic的信息产业上市公司财务预警模型构建[J].财会通讯，2017（32）：100-104+129.
[5]甘爱平，柳亮，陈可桢.航运上市公司财务预警的Logistic回归分析[J].上海海事大学学报，2014，35（01）：65-68.
（作者单位：曲阜师范大学管理学院）