周哲愷

關? 鍵? 詞：融資風險;風險預警;Z-Score模型;因子分析;Logistic模型;中小板企業(yè)

中圖分類號：F272.1? ? ? 文獻標識碼：A? ? ? ?文章編號：2096-2517（2019）04-0030-13

DOI：10.16620/j.cnki.jrjy.2019.04.004

一、引言

融資風險，許多時候表現(xiàn)為財務風險，屬于非系統(tǒng)性風險。企業(yè)在應對融資風險時所能采取的有效措施以及可以調(diào)動的內(nèi)外部資源總量，在很大程度上取決于企業(yè)自身的經(jīng)營管理能力和資本規(guī)模大小。我國中小型企業(yè)由于融資困難，缺乏良好的經(jīng)營環(huán)境，人才儲備、技術創(chuàng)新和管理能力相對落后， 在應對融資風險預警的難題上天然地成為了優(yōu)勢不足的“陪跑者”。而應對風險首要的便是評估風險本身。雖然在風險的應對方面中小企業(yè)能力參差不齊， 很難統(tǒng)一設計出一個合理完備的方案，但是在風險的評估方面，理應存在便捷有效的評估模型供中小企業(yè)進行預測和參考。因此，尋找一個適合中小型企業(yè)，尤其是針對中小上市企業(yè)的融資風險評估模型非常必要。

基于經(jīng)驗性臨界數(shù)值的“Z記分”模型是1968年美國學者Altman研究已經(jīng)申請破產(chǎn)和仍處于經(jīng)營狀態(tài)的上市公司財務報告之后提出的，在企業(yè)短期融資風險的警示方面有很強的預測性[1]。該模型借助5個相關的財務指標，通過綜合風險總判別分Z來反映企業(yè)短期潛在的破產(chǎn)風險。但是該模型提出時間早，且建立在經(jīng)驗數(shù)值的基礎之上，如果篩選加入更多能反映中小上市企業(yè)財務狀況的判別指標， 將使該模型預測融資風險的能力大大提高，從而在中小企業(yè)融資風險的預警中發(fā)揮重要作用。

為了檢驗綜合風險總判別分與財務指標的關系及比較二者在判斷中小上市企業(yè)風險評估的優(yōu)劣，需要找到一個合適的數(shù)理模型進行財務危機的判別和預警。同時在模型數(shù)據(jù)方面，由于作為解釋

變量的財務指標數(shù)量眾多，彼此之間往往存在較高程度的相關性水平，最終導致在輸入模型的自變量之前存在對測算結(jié)果造成一定擾亂的多重共線特征， 故可以運用降維分析篩選出獨立性較好的指標，再將選取的這些指標數(shù)據(jù)和綜合風險總判別分Z代入已設計好的數(shù)理模型之中，最后利用所得預警模型進行模型回代檢驗。

這樣， 篩選過后的中小上市企業(yè)相關財務信息，在引入“Z記分法”之后得到的預判模型，使各個利益相關方都能夠在一個相對較短的時間之內(nèi)對中小企業(yè)的融資風險狀況做出簡單明了的初步評估，因而省去了一部分復雜的調(diào)查流程，以較小的信息成本獲取一個更加全面的整體觀。

二、文獻回顧

關于融資風險評估模型，國內(nèi)外學者均進行過相關研究。其中在國內(nèi)，趙吉紅等（2011）基于現(xiàn)代信用風險度量模型——KMV模型， 通過對具體參數(shù)和計算方式進行修正， 構(gòu)建了制造行業(yè)的KMV模型，定量預測企業(yè)融資風險[2]。禹久泓等（2016）在此基礎上，將樣本所選上市公司涉及的行業(yè)范圍進一步擴大，經(jīng)實證分析得出，KMV模型在我國上市公司信用風險評價方面雖然不夠顯著，但能在一定程度上給投資者一些啟示[3]。而于立勇等（2004）[4]、閆陸璐（2013）[5]、高忠（2013）[6]則基于數(shù)理統(tǒng)計分析中的Logistic回歸模型， 分別構(gòu)建了適用于專門行業(yè)，具備一定實用性，且綜合預測正確率較高的財務危機預警模型。以上這些國內(nèi)文獻均運用實證法對企業(yè)潛在的融資風險展開了研究，但在研究過程中引用的樣本數(shù)據(jù)來源基本聚焦于體量較大的上市公司，其研究結(jié)論對于本文所研究的中小板企業(yè)而言參考意義并不大;此外，KMV模型的構(gòu)建往往需要大量的數(shù)學分析乃至編程運算，對于本身技術與管理能力不強的中小企業(yè)而言，操作起來計算量大，容易出現(xiàn)差錯，且不夠便捷和明朗。

國外關于中小企業(yè)融資風險研究較多。 其中，Altman等（2010）在風險預警模型的構(gòu)建過程中引入定性信息來作為公司信用價值的預測指標，即運用非金融和“事件”數(shù)據(jù)來補充有限的會計數(shù)據(jù)，以此增強了模型預判的準確性[7];Yoshino等（2015）研究了在無法獲得其他財務和非財務比率的情況之下， 如何利用銀行向中小企業(yè)發(fā)放貸款的數(shù)據(jù)來評估中小企業(yè)的融資風險[8];Li等（2016）則在傳統(tǒng)統(tǒng)計方法和人工智能技術的基礎上，提出了一種邏輯回歸方法與人工神經(jīng)網(wǎng)絡相結(jié)合的混合模型，大大提高了風險預判的有效性與可行性[9]。以上這些國外文獻中樣本數(shù)據(jù)的建立，均基于中小上市企業(yè)各類數(shù)據(jù)較高的公開度和金融市場中較好的信息對稱性，但不適用于我國的現(xiàn)實情況。此外，神經(jīng)網(wǎng)絡/邏輯混合模型也同KMV模型一樣，其初始模型構(gòu)建的難度為中小企業(yè)操作人員設立了很高的技術門檻。

除去上文所提及的KMV模型、 混合模型等各個依據(jù)樣本數(shù)據(jù)特征修正的模型以外，國內(nèi)也有學者推介使用相對簡便的、基于5個公司財務指標和經(jīng)驗性臨界數(shù)值的“Z-Score法”模型（以下稱“Z記分法”）。向德偉（2002）使用“Z記分法”對上市公司的經(jīng)營風險狀況進行了實證分析，結(jié)果表明其對某個行業(yè)或某類企業(yè)經(jīng)營風險的整體性分析的指導作用較強[10];王艷林（2012）則通過該模型并借助多元回歸模型分析了盈利能力、償債能力、營運能力、企業(yè)規(guī)模、自由現(xiàn)金流量和股權(quán)結(jié)構(gòu)等因素對中小上市企業(yè)融資風險的影響[11]。前者雖檢驗了“Z記分法” 模型在應用于企業(yè)融資風險評估時候的有效性，但沒有綜合考慮模型以外可能影響到企業(yè)融資風險的其他相關財務因素。后者考慮了其他相關財務因素對于企業(yè)融資風險的影響，但并沒有綜合完善這些財務因素，給出一個可供中小企業(yè)融資風險評估的預警模型。

綜上，針對我國中小企業(yè)融資風險測算的研究相對缺乏，適用于大型上市公司的風險預警模型技術難度大，不能生搬硬套于中小型企業(yè)風險評估的現(xiàn)狀，本文以Logistic模型為基礎，引入“Z記分法”，同時輔以相關財務指標數(shù)據(jù)予以完善，通過實證分析得到風險預警模型，并利用該模型進行模擬預測和數(shù)據(jù)倒代檢驗，最終設計出具有我國中小上市企