從國內外企業的發展歷史來看,企業危機往往首先是從財務管理環節爆發和體現出來的,因此建立和完善企業財務預警指標體系,對企業的生存和發展具有重要的意義。
財務危機是指企業現金不足以清償到期債務。財務危機具有巨大的危害性,輕則使企業無法正常經營,重則使企業陷入破產清算的境地。而傳統的財務指標(即會計比率類指標)在判斷企業財務危機方面存在明顯缺陷:一是資產的賬面價值與未來變現價值不一致,不能反映資產質量的高低;二是利潤的實現并不等于相關經濟利潤已經完全流入企業,應收項目的數量和質量直接影響到利潤的實現;三是由于“會計戲法”的原因,使會計比率類指標容易失真。基于上述缺陷,單憑這些財務指標往往難以對財務危機發生的可能性做出準確的預測,甚至可能誤導企業管理者,使其過分追求獲利能力而忽視實際支付能力。現金流量指標可以在很大程度上克服上述缺陷,同時現金流量類指標還具有其獨特的預警效果,因此本文在指標選取過程中,選取了大量的現金流量指標,以達到較好預測財務危機的目的。越來越多的研究發現,非財務類指標在預測企業財務狀況時發揮著重要作用,因此本文在研究過程中選用了部分非財務類指標進行預警研究,以期達到更好的效果。
二、文獻回顧
Fitzpartick(1932)最早利用一元判定模型對企業財務困境進行預測,結果發現凈利潤/股東權益、股東權益/負債這兩個財務指標差別能力最強;Beaver(1968)運用一元判定預警模型進一步發現,除了可以采用財務指標進行財務困境預測,公司股票價格的變化也可以用來對財務困境進行預測。Altman(1968)首次將多元判別分析的方法引入到財務預警模型中。他從22個財務指標中篩選了5個財務指標構建了Z值模型來對企業財務狀況進行預警;Frydman(1985)首次采用遞歸分割模型來研究企業破產預測問題,并在企業陷入財務困境的背景下將其與判別分析法進行比較,取得了較好的預測效果。
國內的財務預警研究起步較晚。20世紀八十年代開始,國外的財務預警研究與應用成果被逐漸引入到國內。陳靜(1999)以37家ST公司和27家健康公司的財務數據建立了一元判別分析,研究認為流動比率和負債比率的判別精度較高;吳世農、盧賢義同樣運用一元判別模型分析財務困境出現前5年這兩類公司的21個財務指標的差異;刑精平(2004)以利益相關者的行為作為研究變量建立了預警指標體系,研究發現:利益相關者的行動具有明顯的次序關系,同時僅部分相關利益者能及時發現財務危機征兆,并采取合理的措施;萬希寧、王艷在基于非財務類指標的企業財務危機模糊預警模型中設計采用了償債能力、營運能力、盈利能力、內部控制四個方面的非財務類指標,獨辟蹊徑,對企業財務困境從非數據方面進行預測;馬若微利用粗糙集與信息熵相結合的方法刪除冗余指標,然后根據熵權法確定所篩選指標的權重,得到指標體系,然后運用神經網絡技術進行困境預警,取得了較好的預警效果;孫潔、李輝、張萌(2009)分別使用了T檢驗、逐步判別分析法和容許度及方差因子進行指標的篩選,然后運用多分類器組合財務預測模型進行預警,研究發現,多分類器組合預測模型預測精度優于單分類器預測模型。
三、實證分析
(一)樣本及指標體系。樣本數據來源于上海證券交易所和深圳證券交易所官方網站及和訊網,選取2007年被特別處理的42家制造業公司作為危機公司樣本。在數據處理過程中,剔除了2家由其他因素導致“ST”和數據不全的公司,ST公司樣本變為40個。因上市公司被特別處理是基于t-1期年度末財務報表,故本文以2006年年報財務比率數據為條件屬性值,以2007年是否被ST為決策屬性值,并選取2006年年報經營正常的40家制造業公司作為配對公司。指標體系由會計比率類指標、現金流量類指標和非財務類指標組成,其中包括14個會計比率類指標、14個現金流量類指標和2個非財務類指標。
(二)屬性約簡及規則提取。運用粗糙集對數據進行分析,需要對連續數據進行離散化處理。根據財務比率的實際經濟意義及離散化算法,對每個財務指標值按其屬于不同的區間分為不同的類別。如將流動比率劃分為[0,0.5],(0.5,1],(1,2.5],(2.5,*),并分別賦值1、2、3、4;其他財務指標數據根據類似辦法進行離散化處理。本文采用基于粗糙集理論的軟件工具rosetta完成屬性約簡。
分析共得到148條約簡,在此基礎上運用rosetta產生相應的預警規則。在未做出任何限定的情況下,rosetta將所有可能的規則都顯示出來。本研究中共產生10196條規則。在這些規則中有一些是有效規則,而另外一些并無典型性。為了提高預警規則的有效性及精確度,本文按照以下原則對指標進行過濾:acc(→)≥0.95,cov(→)≥0.05,sup(→)≥4,共篩選出9條規則。未出現的指標表示運用此預警規則時無需考慮此屬性。如果樣本的現金比率(%)∈(0,0.5]、資產負債率>70%、總資產周轉率<0.5、權益凈利率<0,且營業付現率<0.8時,不用考慮其他指標就可以推斷出該樣本是財務危機公司,其他規則的判別依此類推。
(三)預警結果的檢驗。為驗證所篩選出的規則的有效性,我們從2005年被特別處理的機械制造類上市公司中隨機抽取12家公司作為危機公司樣本,并按照相同的配對原則選擇12家健康公司作為配對樣本進行檢驗。檢驗結果如下:根據這9條預警規則可以判別出所抽取的12家財務狀況健康公司,對財務健康公司的判定精度為100%;可以判別出11家財務狀況陷入危機的公司,而將1家財務狀況陷入危機的公司錯判為財務健康公司,判定精度為91.67%;從總體來看,24個樣本公司中,能夠正確判定的有23家公司,判定精度為95.83%。可以看出,該判定規則體系能夠以很高的精度判定公司的財務狀況,具有很高的參考與應用價值。
四、結論
首先,會計比率類指標基本覆蓋了企業資本經營周轉全過程的盈利能力、資產管理和償債能力這幾個方面。具體分為以下三類:償債能力指標(資產負債率、營運資本配置比率、流動比率、現金比率、速動比率)、資產管理指標(應收賬款周轉率、總資產周轉率)、盈利能力指標(權益凈利率、資產凈利率、銷售凈利率)。一些學者認為,會計比率類指標反映的是過去發生的事情,是歷史數據,并且很容易受管理者操縱,因此不適合以此為基礎建立預警指標體系。但上述研究結果表明:科學篩選的會計比率類指標對反映企業財務狀況有不可辯駁的優越性,而財務數據獲取的方便性和基于統一財會制度的可比性,更說明其作為財務困境預警模型基本指標的不可替代作用。
其次,由于現金流量能夠綜合地反映企業在一定時期的財務狀況的變動情況,能夠準確地提示企業盈利的質量,并且現金流量指標幾乎不受管理者主觀歪曲的影響,因此在財務困境預警中發揮著重要的作用。本文設計和采用了一些能夠反映現金流量狀況的財務指標進行財務困境的研究,而研究表明,規則中現金流量類指標發揮了重要作用,同時發現營業付現率的重要性位列第一位,在重要性程度上卻遠遠大于前者。
再次,非財務指標中的資產規模,亦具有比較重要的作用。不同規模的企業具有不同的營運特點,其獲利能力、成長能力和籌資能力不具有可比性,大企業可以獲得規模效益,但資本和資產的增長速度不可能像小企業一樣快,如果不同規模企業都使用相同的指標、同一模型,預警結果將很失去意義。
建立我國上市公司財務困境預警模型是一項龐大和系統的工作,本文只是對制造業上市公司財務模型構建的階段性和嘗試性研究。在進行寫作過程中,也發現了本文研究問題的疏漏和所得結論的局限性,概括為以下幾點:(1)將ST公司與非ST公司按照1∶1進行配對選擇樣本,這種配對顯然與現實不符;(2)由于筆者知識體系的局限性,在初選指標時,入選指標數量不夠充分,特別是非財務類指標數量過少。同時,在研究中發現,許多學者對初選指標進行篩選,以檢驗指標的顯著性、共線性等,但由于目前理論界對篩選原則的研究還處于初始階段,而檢驗的目的又是一定原則的體現,因此筆者未對初選指標進行篩選,但這一思路給筆者下一步的研究方向給予了啟示。
(作者單位:河北經貿大學研究生學院)
主要參考文獻:
[1]楊德懷.現金流量指標:財務分析指標體系的核心.財會月刊,2005.10.
[2]田月昕,李娜.論財務預警系統的演進.財會通訊(理財版),2008.2.
[3]陳福.論現代企業財務風險及其預警.價值工程,2005.
[4]陳靜.上市公司財務惡化預測的實證研究.會計研究,1999.4.
[5]張文修,吳偉志,梁吉業,李德玉.粗糙集理論與方法.科學出版社,2001.
[6]刑精平.企業財務危機中相關利益人行為研究.經濟研究,2004.8.
