前言：本站為你精心整理了食品制造業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警探究范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

摘要：本文以2017—2019年食品制造業(yè)上市公司為研究對(duì)象，選取包括了企業(yè)償債能力、盈利能力、營(yíng)運(yùn)能力、成長(zhǎng)能力和現(xiàn)金流指標(biāo)5個(gè)方面17個(gè)指標(biāo)，逐步進(jìn)行K-S檢驗(yàn)、非參數(shù)檢驗(yàn)和因子分析篩選指標(biāo)，最后進(jìn)行Logistic回歸分析，得出2017—2019年的預(yù)測(cè)結(jié)果分別為90.91%、93.18%和93.18%，可以為食品制造類企業(yè)的財(cái)務(wù)預(yù)警工作提供思路。

關(guān)鍵詞：財(cái)務(wù)預(yù)警模型；Logistic回歸；因子分析

一、引言

食品行業(yè)的發(fā)展與人民生活息息相關(guān),尤其在經(jīng)濟(jì)發(fā)展迅速的新時(shí)代，人民生活日益美好，對(duì)食品的要求也日益精致，如今企業(yè)的競(jìng)爭(zhēng)模式逐漸轉(zhuǎn)化為個(gè)性化、多樣化和差異化。企業(yè)要想在新時(shí)代實(shí)現(xiàn)高質(zhì)量的發(fā)展，必須在企業(yè)內(nèi)部建立財(cái)務(wù)預(yù)警體系。通過對(duì)以往的文獻(xiàn)進(jìn)行梳理后發(fā)現(xiàn)，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的模型主要有F值模型、logistic回歸模型、神經(jīng)網(wǎng)絡(luò)分析模型等，各有特色，指標(biāo)選取也延伸至非財(cái)務(wù)指標(biāo)。但是縱觀所有研究，研究對(duì)象大多是房地產(chǎn)企業(yè)和汽車產(chǎn)業(yè)，對(duì)食品制造業(yè)的研究較少，因此本文為食品制造業(yè)建立財(cái)務(wù)預(yù)警模型，運(yùn)用SPSS軟件對(duì)指標(biāo)進(jìn)行回歸分析。

二、指標(biāo)選取

1.樣本選取。本文從國(guó)泰安經(jīng)濟(jì)金融庫(kù)中選取了食品制造業(yè)的44家企業(yè)，其中包含40家正常企業(yè)和4家被ST的公司。由我國(guó)上市公司的信息披露制度可知，ST公司發(fā)生財(cái)務(wù)危機(jī)的下一年會(huì)被冠上ST的名稱，因此發(fā)生財(cái)務(wù)危機(jī)的實(shí)際年份應(yīng)為其被ST的前一年。所以在搜集數(shù)據(jù)時(shí)，選取上述公司2017—2019年的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析。

2.指標(biāo)初步篩選。通過閱讀相關(guān)文獻(xiàn)，重點(diǎn)參考中國(guó)食品類上市公司的已有文獻(xiàn)，結(jié)合食品制造類企業(yè)的具體情況和特征，依照新準(zhǔn)則的規(guī)定，從四大能力指標(biāo)和現(xiàn)金流指標(biāo)中，選取了17個(gè)指標(biāo)構(gòu)建食品制造業(yè)上市公司的財(cái)務(wù)預(yù)警指標(biāo)體系，如表1。

3.指標(biāo)檢驗(yàn)。為了驗(yàn)證指標(biāo)是否具有顯著性，需要對(duì)指標(biāo)進(jìn)行顯著性檢驗(yàn)。首先，對(duì)樣本進(jìn)行正態(tài)性檢驗(yàn)分析。當(dāng)樣本服從正態(tài)分布時(shí)，用T檢驗(yàn)來(lái)驗(yàn)證指標(biāo)是否具有顯著性。剩余的樣本采用KruskalWallis檢驗(yàn)來(lái)判斷。（1）正態(tài)性檢驗(yàn)。運(yùn)用SPSS26.0軟件將指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理后，對(duì)數(shù)據(jù)進(jìn)行K-S參數(shù)檢驗(yàn)。K-S參數(shù)檢驗(yàn)用來(lái)檢驗(yàn)指標(biāo)區(qū)分ST與非ST公司的顯著性。在α=0.05的顯著性水平下，結(jié)果表明X4樣本總體的P值大于0.05，服從正態(tài)性分布，可以進(jìn)行T檢驗(yàn)。其余指標(biāo)不服從正態(tài)性分布，采用非參數(shù)檢驗(yàn)進(jìn)一步檢驗(yàn)其顯著性。（2）顯著性檢驗(yàn)。首先對(duì)符合正態(tài)分布的X4進(jìn)行T檢驗(yàn)，結(jié)果顯示其顯著性水平為0.00，小于0.05，具有顯著性。其他指標(biāo)采用K-W非參數(shù)檢驗(yàn)方法，檢驗(yàn)出X1、X2、X6、X8、X9、X11、X13、X14和X16指標(biāo)具有顯著性。

三、因子分析

1.KMO和Bartlett球形檢驗(yàn)。在對(duì)原始數(shù)據(jù)進(jìn)行相關(guān)性分析后，發(fā)現(xiàn)上述數(shù)據(jù)彼此之間存在一定的相關(guān)性，部分指標(biāo)相關(guān)性很高。因此可以更好地利用因子分析進(jìn)行降維，再進(jìn)行KMO和Bartlett球形檢驗(yàn)。KMO統(tǒng)計(jì)量的取值在0~1，KMO值越接近于1，意味著變量間的相關(guān)性越強(qiáng)，原有變量越適合進(jìn)行因子分析。SPSS檢驗(yàn)結(jié)果顯示：Sig.<0.05（即P值<0.05）時(shí)，說(shuō)明符合標(biāo)準(zhǔn)，數(shù)據(jù)呈球形分布，各個(gè)變量在一定程度上相互獨(dú)立。從表2可以看出，KMO取值為0.626，大于0.05，因此該組數(shù)據(jù)適合做因子分析。顯著性檢驗(yàn)結(jié)果為0.000，說(shuō)明各變量間具有相關(guān)性，適合進(jìn)行因子分析。

2.主成分提取。運(yùn)用SPSS23.0對(duì)所選取的2017—2019年44家食品制造業(yè)上市公司的財(cái)務(wù)指標(biāo)進(jìn)行主成分分析。運(yùn)行結(jié)果顯示10個(gè)指標(biāo)共有3個(gè)特征值大于1，即用3個(gè)因子來(lái)代替10個(gè)指標(biāo)，共累計(jì)解釋了原始變量方差的83.21%。

3.主成分的解釋。由表3可以看出，在主成分F1中，資產(chǎn)報(bào)酬率、息稅前營(yíng)業(yè)利潤(rùn)率、每股收益指標(biāo)的負(fù)荷量最為明顯，代表企業(yè)的盈利能力。其次流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率在主成分F2上負(fù)荷量大于其他指標(biāo)，代表了企業(yè)的償債能力。在主成分F3中，存貨周轉(zhuǎn)率、總資產(chǎn)增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率和每股經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金流量?jī)纛~這些指指標(biāo)上負(fù)荷量較高，代表了企業(yè)的成長(zhǎng)能力。由系統(tǒng)得分矩陣表可以得知三個(gè)因子的方程式，如下所示：F1=-0.033X1-0.018X2-0.052X4+0.243X6+0.169X8+0.307X9+0.170X11+0.194X13+0.003X14+0.283X16F2=0.398X1+0.405X2-0.220X4-0.014X6+0.078X8-0.02X9-0.007X11+0.08X13-0.128X14-0.123X16F3=-0.117X1-0.137X2-0.143X4+0.155X6+0.211X8-0.08X9-0.607X11-0.205X13+0.524X14-0.154X16

四、二元Logistic回歸分析

1.模型建立。首先將回歸的自變量設(shè)為非ST公司和ST公司，分別設(shè)定為0和1。其次根據(jù)因子分析選出的三個(gè)變量作為因變量，進(jìn)行Logistic回歸分析。在回歸檢驗(yàn)中，P值越大，企業(yè)發(fā)生財(cái)務(wù)危機(jī)的可能性就越大。結(jié)合對(duì)樣本得出的預(yù)測(cè)結(jié)果，選擇臨界P值為0.5，凡是P值大于0.5，則被界定為財(cái)務(wù)危機(jī)公司。反之則為經(jīng)營(yíng)正常的公司。在建立Logistic模型中，原理如下：不會(huì)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的概率P與Xi存在一種回歸關(guān)系。Xi假設(shè)為第i個(gè)預(yù)警指標(biāo)變量矩陣。P是一個(gè)介于0與1之間的函數(shù)。分析結(jié)果如表4所示。根據(jù)表4可以得出食品制造業(yè)財(cái)務(wù)預(yù)警模型為：P=e1.877+1.305F1+1.134F2+0.533F31+e1.877+1.305F1+1.134F2+0.533F3（P＞0.5，發(fā)生財(cái)務(wù)危機(jī)；P≤0.5，經(jīng)營(yíng)正常）

2.模型的回判檢驗(yàn)。為了驗(yàn)證Logistic回歸預(yù)警模型的準(zhǔn)確性，將44家食品制造業(yè)上市公司2017—2019年的P值分別帶回模型中進(jìn)行檢驗(yàn)，臨界P值為0.5，借助模型對(duì)各年的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，再將預(yù)測(cè)情況與實(shí)際進(jìn)行比較，2017—2019年回歸準(zhǔn)確度分別為90.91%、93.18%、93.18%，預(yù)測(cè)準(zhǔn)確度均在90%以上，并且逐年遞增。

五、結(jié)論

本文以食品制造業(yè)2017—2019年的數(shù)據(jù)為研究對(duì)象，采取17個(gè)財(cái)務(wù)指標(biāo)，對(duì)該行業(yè)44家公司的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行實(shí)證研究。通過指標(biāo)篩選，建立了Logistic回歸模型，得出了如下結(jié)論：

1.與企業(yè)被警告退市的年份越近，預(yù)測(cè)概率越高，預(yù)測(cè)結(jié)果越準(zhǔn)確。在實(shí)證結(jié)果中，2019年的預(yù)測(cè)概率比2017年的預(yù)測(cè)概率要高。因此預(yù)警模型的短期成效較長(zhǎng)期成效強(qiáng)。

2.在預(yù)警模型中，資產(chǎn)負(fù)債率和每股收益有著重要作用，因此食品制造業(yè)在日常經(jīng)營(yíng)中要引起重視。

3.模型存在一定的局限性，食品制造業(yè)是制造業(yè)的一小分類，相對(duì)于房地產(chǎn)行業(yè)、汽車產(chǎn)業(yè)來(lái)說(shuō)，公司數(shù)量少，且食品制造業(yè)大多數(shù)經(jīng)營(yíng)穩(wěn)定，無(wú)太大變化，獲得的樣本數(shù)據(jù)有限制，模型預(yù)測(cè)的準(zhǔn)確性會(huì)受到一定的影響。

作者:何敏 單位:青海民族大學(xué)經(jīng)濟(jì)與管理學(xué)院