基于改進Z模型的財務危機預警研究

徐凱+邱煜+黃月娥

【摘 要】 文章以現金流量為研究視角，引入主成分分析法改進Z計分模型，使用t-1年的財務數據構建財務危機預警綜合模型對42家醫藥行業上市公司進行研究。結果表明：企業財務危機是一個動態發展過程，存在階段性特點；另外，企業的Z值越小，表示其財務狀況越差，越有可能陷入財務危機。

【關鍵詞】 改進Z模型； 財務危機預警； 醫藥行業上市公司； 現金流量

中圖分類號：F275 文獻標識碼：A 文章編號：1004-5937（2014）33-0066-04

一、研究背景

近年來，隨著中國經濟開放程度不斷提高，上市公司面臨越來越激烈的競爭，我國不少上市公司因財務危機而陷入困境，甚至破產。公司從經營正常到陷入危機狀態，往往存在一個循序漸進的過程，并非突然發生（陳磊，2010）。因此，對財務危機進行預警是公司規避破產風險的重要手段。醫藥行業是關乎國計民生的重要行業，是關系百姓身體健康和民族體能素質的關鍵性行業，若能夠對醫藥企業進行有效的財務危機預警，不僅有利于醫藥公司管理層盡早發現財務危機信號，及時采取應對措施，扭轉財務狀況，改善公司經營，而且有利于銀行等債權人更好地評估醫藥上市公司的財務狀況，更有利于投資者更加科學地了解醫藥上市公司財務狀況，作出合理的投資決策。因此，對醫藥行業的財務危機進行預警研究尤為重要。

迄今為止，已有一定文獻對醫藥行業財務危機預警進行研究。王磊（2009）選用Logistic回歸方法，分別構建了我國醫藥行業上市公司t-1年和t-2年的預警模型。楊濤（2009）使用SVM方法進行樣本訓練，構建SVM的財務分類預警模型。王丹丹（2012）以2008—2010年間滬深股市上市公司為研究對象，構建了t-1年和t-2年的BP神經網絡模型。雖然他們的研究一定程度上為醫藥上市公司財務危機預警實務作出了貢獻，但未將包含大量財務信息的現金流量指標納入指標體系，且未能解決變量間可能會因為共線性而存在信息重疊等問題。本文采用改進的Z模型恰恰能克服以上問題。同時就筆者所掌握的文獻而言，目前還尚未發現有文獻引入現金流量指標體系和主成分分析法的改進Z模型對醫藥行業財務危機預警進行研究。

二、構建改進Z模型

Z計分模型由Altman（1968）首次提出，其構建的Z計分模型如下：

Z計分模型存在各指標間可能產生共線性以致取得的數據發生一定程度的信息重疊現象以及可能會由于所選變量過多而引發維數災難等問題（周玉敏、鄧維斌，2009）。為克服以上問題，本文引入主成分分析法改進傳統Z計分模型，數學處理過程如下：

三、實證分析

（一）樣本選取

本文采用國內學者對財務危機公司的普遍界定方式，將連續兩年虧損而被特殊處理（ST或*ST）的上市公司界定為財務危機公司。鑒于以上原則，本文選取30家醫藥行業上市公司作為估計樣本組，以構建財務危機預警模型。其中，2007—2011年被特別處理（ST）的醫藥行業上市公司10家，財務正常（非ST）的醫藥行業上市公司20家。選取12家醫藥行業上市公司作為檢測樣本組，以檢測預警模型的準確度，其中2012—2013年被特別處理（ST）公司6家，非ST公司6家。

（二）變量選取

已有研究證實采用現金流量信息來反映企業的實際支付能力、償債能力、財務彈性、發展能力等情況對企業的經營決策更具有實效，對于判別企業的財務狀況也更為準確。因此，本文借鑒以往學者的研究，從償債能力、獲現能力、現金結構和發展能力四大方面出發，選擇9個指標建立一套現金流量類財務預警指標體系（見表1）。

（三）財務危機預警模型主成分因子的確定

本文數據來源為CSMAR、金融界（http：//stock.jrj.com.cn）。運用Excel軟件對所選的30家樣本企業的財務數據進行處理，并運用SPSS進行主成分分析，得到各主成分的特征值和貢獻率如表2所示。

首先，本文根據主成分分析法提取因子一般遵循累積方差貢獻率大于85%、特征根大于1的標準，依據表2數據，提取出包含原來91.56%信息量的4個主成分因子以代替原有的9個財務指標。其次，為了對以上4個因子進行解釋，就需要得到9個原始財務指標對這4個主成分的因子載荷矩陣。于是，本文將已提取的因子數據進行轉換，經因子旋轉得到轉換后的因子載荷矩陣，如表3所示。

由表3可得出4個主成分因子表達式為：

由主成分因子式（4）可以發現：1.主成分X1由除F9以外的8項財務指標解釋，代表了企業償債能力、獲現能力和現金結構；2.主成分X2由F7、F8和F2、F3這4項財務指標解釋，代表的是企業的現金結構和償債能力；3.主成分X3由F1、F5、F6和F9這4項財務指標解釋，這幾項財務指標的因子載荷也大于其他指標，它代表了企業的償債能力、獲現能力和發展能力；4.主成分X4由F1和F9解釋，同時代表了企業償債能力和發展能力。

（四）財務危機預警的改進Z模型與評價區域的構建

通過主成分分析法，本文根據表3中各個主成分因子的貢獻率，確定改進的Z計分模型的參數k1= 0.479、k2=0.1778、k3=0.1431、k4=0.1157，從而構建出本研究中的醫藥行業上市公司財務危機預警模型：

在構建出財務危機預警模型的基礎上，本文將估計樣本組中上市公司的各項經標準化處理后的財務指標代入公式（5），得出經過排序整理后的各上市公司預測分值（見表4），估計樣本Z值分布如圖1所示。

用所構建的改進Z模型對10家ST公司和20家非ST公司的原始樣本進行分類，在預測值Z=0.15時，ST類公司小于Z值的個數為9個，占到該類公司總數的90%；非ST類公司超過該值的個數為19，占到該類公司的95%?？紤]到非ST類公司是參照ST類公司按一定標準隨機抽取得出，經營狀況可能并非很好；同時ST類公司并非完全屬于“財務危機”公司，并且正在進行改制、重組的ST類公司的財務指標值不具有穩定性，因而筆者認為以上結論比較合理。綜合考慮這些公司實際財務狀況和樣本組的結果，把Z=0.15列為財務危機公司的臨界值。據此可得出評價區域，如表4最后一列所示。endprint

（五）改進Z模型的預測精確度檢測

為檢驗改進Z模型的預測精確度，本文將ST公司對應的非ST公司t-1年經標準化后的財務數據代入模型（5），計算出檢測樣本組公司的Z值，經排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測結果可以分析出：該模型對檢測樣本中ST公司判斷準確率為1，對非ST公司的判斷準確率大于83.33%，檢測樣本中非ST公司有一家落在0.15～0.30的灰色區域，對預測的準確性會產生影響。

通過對改進Z模型的預測精度檢測，發現該模型對ST公司的判斷準確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區域，判斷正確性需進一步證明；對非ST公司的判斷準確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區域，對準確率有所影響。在該模型的基礎上，如何對灰色區域的預測結果進一步評價，即對處于灰色區域的公司未來財務狀況發展趨勢的預測需進一步研究。

四、研究結論

本文以醫藥行業上市公司為研究對象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現能力、現金結構和發展能力4個方面選取了9個現金流量類指標構建財務指標體系，引入主成分分析法改進傳統Z計分模型，利用改進后的Z模型對醫藥行業財務危機預警進行研究。通過分析研究本文得出以下結論：1.Z值越小，公司財務狀況越差，越有可能陷入財務危機。當Z值小于0.15時，為財務狀況威脅區；當Z值在0.15～0.30之間時，為財務狀況灰色區域；當Z值大于0.30時，為財務狀況安全區。2.該模型對財務危機公司和非財務危機公司的預測準確率均較高，但是一定程度上受到灰色區域的影響，模型預測的準確度尚不能完全確定。3.研究發現企業財務危機預測存在灰色區域（潛在財務危機），也就是說，處于灰色區域的公司正處于一個危機與安全的邊緣，稍有不慎則會逐漸惡化。

針對以上實證結果，提出如下建議：醫藥行業上市公司可以在參考該模型的基礎上，建立一個動態的縱向跟蹤預警模型，利用最新的財務數據檢視公司的財務狀況，時時注意公司的經營情況，根據自身的財務危機程度及時采取適當的應對措施改善經營情況和財務狀況；另外，處在灰色區域的企業應當引起重視，若能及時調整偏差，有利于改善經營狀況，使企業重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會計信息失真現象，本文建立的財務預警模型可能會受到一定影響。另外，醫藥行業上市公司財務危機預警研究實踐是一個極其復雜的系統工程，本文也不能完全徹底有效地解決醫藥行業上市公司財務危機預警的實務操作問題。但不可否認的是，本文的研究方法與研究結果，對評價醫藥行業上市公司的財務危機預警研究仍然具有明確的借鑒意義與參考價值，能在一定程度上為醫藥行業上市公司開展財務危機預警實踐工作提供借鑒?！?/p>

【參考文獻】

[1] 陳磊.公司動態財務危機預警研究[M].北京：北京郵電大學出版社，2010：38.

[2] 王磊.我國醫藥行業上市公司財務危機預警研究[D].上海交通大學，2009：54-58.

[3] 楊濤.基于SVM的中國醫藥制造企業財務危機預警研究[D].廈門大學，2009：39-43.

[4] 王丹丹.基于BP神經網絡中國醫藥行業上市公司財務危機預警研究[D].安徽大學，2012：47-49.

[5] Altman，E. I.， Financial Ratios，Discrimininant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Banking and Finance.1968，23（4）：589-609.

[6] 周玉敏，鄧維斌.SPSS 16.0與統計數據分析[M].成都：西南財經大學出版社，2009：280-310.

[7] 劉宏洲.財務危機預警的Z計分模型實證研究——來自中國電器業上市公司的新證據[J].會計之友，2011（10上）：82-87.endprint

（五）改進Z模型的預測精確度檢測

為檢驗改進Z模型的預測精確度，本文將ST公司對應的非ST公司t-1年經標準化后的財務數據代入模型（5），計算出檢測樣本組公司的Z值，經排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測結果可以分析出：該模型對檢測樣本中ST公司判斷準確率為1，對非ST公司的判斷準確率大于83.33%，檢測樣本中非ST公司有一家落在0.15～0.30的灰色區域，對預測的準確性會產生影響。

通過對改進Z模型的預測精度檢測，發現該模型對ST公司的判斷準確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區域，判斷正確性需進一步證明；對非ST公司的判斷準確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區域，對準確率有所影響。在該模型的基礎上，如何對灰色區域的預測結果進一步評價，即對處于灰色區域的公司未來財務狀況發展趨勢的預測需進一步研究。

四、研究結論

本文以醫藥行業上市公司為研究對象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現能力、現金結構和發展能力4個方面選取了9個現金流量類指標構建財務指標體系，引入主成分分析法改進傳統Z計分模型，利用改進后的Z模型對醫藥行業財務危機預警進行研究。通過分析研究本文得出以下結論：1.Z值越小，公司財務狀況越差，越有可能陷入財務危機。當Z值小于0.15時，為財務狀況威脅區；當Z值在0.15～0.30之間時，為財務狀況灰色區域；當Z值大于0.30時，為財務狀況安全區。2.該模型對財務危機公司和非財務危機公司的預測準確率均較高，但是一定程度上受到灰色區域的影響，模型預測的準確度尚不能完全確定。3.研究發現企業財務危機預測存在灰色區域（潛在財務危機），也就是說，處于灰色區域的公司正處于一個危機與安全的邊緣，稍有不慎則會逐漸惡化。

針對以上實證結果，提出如下建議：醫藥行業上市公司可以在參考該模型的基礎上，建立一個動態的縱向跟蹤預警模型，利用最新的財務數據檢視公司的財務狀況，時時注意公司的經營情況，根據自身的財務危機程度及時采取適當的應對措施改善經營情況和財務狀況；另外，處在灰色區域的企業應當引起重視，若能及時調整偏差，有利于改善經營狀況，使企業重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會計信息失真現象，本文建立的財務預警模型可能會受到一定影響。另外，醫藥行業上市公司財務危機預警研究實踐是一個極其復雜的系統工程，本文也不能完全徹底有效地解決醫藥行業上市公司財務危機預警的實務操作問題。但不可否認的是，本文的研究方法與研究結果，對評價醫藥行業上市公司的財務危機預警研究仍然具有明確的借鑒意義與參考價值，能在一定程度上為醫藥行業上市公司開展財務危機預警實踐工作提供借鑒?！?/p>

【參考文獻】

[1] 陳磊.公司動態財務危機預警研究[M].北京：北京郵電大學出版社，2010：38.

[2] 王磊.我國醫藥行業上市公司財務危機預警研究[D].上海交通大學，2009：54-58.

[3] 楊濤.基于SVM的中國醫藥制造企業財務危機預警研究[D].廈門大學，2009：39-43.

[4] 王丹丹.基于BP神經網絡中國醫藥行業上市公司財務危機預警研究[D].安徽大學，2012：47-49.

[5] Altman，E. I.， Financial Ratios，Discrimininant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Banking and Finance.1968，23（4）：589-609.

[6] 周玉敏，鄧維斌.SPSS 16.0與統計數據分析[M].成都：西南財經大學出版社，2009：280-310.

[7] 劉宏洲.財務危機預警的Z計分模型實證研究——來自中國電器業上市公司的新證據[J].會計之友，2011（10上）：82-87.endprint

（五）改進Z模型的預測精確度檢測

為檢驗改進Z模型的預測精確度，本文將ST公司對應的非ST公司t-1年經標準化后的財務數據代入模型（5），計算出檢測樣本組公司的Z值，經排序整理后如表5所示，Z值分布如圖2所示。

由表5的檢測結果可以分析出：該模型對檢測樣本中ST公司判斷準確率為1，對非ST公司的判斷準確率大于83.33%，檢測樣本中非ST公司有一家落在0.15～0.30的灰色區域，對預測的準確性會產生影響。

通過對改進Z模型的預測精度檢測，發現該模型對ST公司的判斷準確率大于93.75%，其中有1家ST公司落在0.15～0.30的灰色區域，判斷正確性需進一步證明；對非ST公司的判斷準確率在69.23%～96.15%之間，其中有7家落在0.15～0.30的灰色區域，對準確率有所影響。在該模型的基礎上，如何對灰色區域的預測結果進一步評價，即對處于灰色區域的公司未來財務狀況發展趨勢的預測需進一步研究。

四、研究結論

本文以醫藥行業上市公司為研究對象，選取了滬深交易所上市的42家樣本公司，并從償債能力、獲現能力、現金結構和發展能力4個方面選取了9個現金流量類指標構建財務指標體系，引入主成分分析法改進傳統Z計分模型，利用改進后的Z模型對醫藥行業財務危機預警進行研究。通過分析研究本文得出以下結論：1.Z值越小，公司財務狀況越差，越有可能陷入財務危機。當Z值小于0.15時，為財務狀況威脅區；當Z值在0.15～0.30之間時，為財務狀況灰色區域；當Z值大于0.30時，為財務狀況安全區。2.該模型對財務危機公司和非財務危機公司的預測準確率均較高，但是一定程度上受到灰色區域的影響，模型預測的準確度尚不能完全確定。3.研究發現企業財務危機預測存在灰色區域（潛在財務危機），也就是說，處于灰色區域的公司正處于一個危機與安全的邊緣，稍有不慎則會逐漸惡化。

針對以上實證結果，提出如下建議：醫藥行業上市公司可以在參考該模型的基礎上，建立一個動態的縱向跟蹤預警模型，利用最新的財務數據檢視公司的財務狀況，時時注意公司的經營情況，根據自身的財務危機程度及時采取適當的應對措施改善經營情況和財務狀況；另外，處在灰色區域的企業應當引起重視，若能及時調整偏差，有利于改善經營狀況，使企業重新步入正軌。

最后需要指出的是，由于我國上市公司目前仍然存在會計信息失真現象，本文建立的財務預警模型可能會受到一定影響。另外，醫藥行業上市公司財務危機預警研究實踐是一個極其復雜的系統工程，本文也不能完全徹底有效地解決醫藥行業上市公司財務危機預警的實務操作問題。但不可否認的是，本文的研究方法與研究結果，對評價醫藥行業上市公司的財務危機預警研究仍然具有明確的借鑒意義與參考價值，能在一定程度上為醫藥行業上市公司開展財務危機預警實踐工作提供借鑒?！?/p>

【參考文獻】

[1] 陳磊.公司動態財務危機預警研究[M].北京：北京郵電大學出版社，2010：38.

[2] 王磊.我國醫藥行業上市公司財務危機預警研究[D].上海交通大學，2009：54-58.

[3] 楊濤.基于SVM的中國醫藥制造企業財務危機預警研究[D].廈門大學，2009：39-43.

[4] 王丹丹.基于BP神經網絡中國醫藥行業上市公司財務危機預警研究[D].安徽大學，2012：47-49.

[5] Altman，E. I.， Financial Ratios，Discrimininant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Banking and Finance.1968，23（4）：589-609.

[6] 周玉敏，鄧維斌.SPSS 16.0與統計數據分析[M].成都：西南財經大學出版社，2009：280-310.

[7] 劉宏洲.財務危機預警的Z計分模型實證研究——來自中國電器業上市公司的新證據[J].會計之友，2011（10上）：82-87.endprint