■關(guān)璧麟，劉秋菊

一、引言

財(cái)務(wù)危機(jī)會(huì)對(duì)企業(yè)管理層、投資者、債權(quán)人等利益相關(guān)者產(chǎn)生重要影響，尤其是大型企業(yè)的債務(wù)風(fēng)險(xiǎn)已成為現(xiàn)階段我國(guó)金融風(fēng)險(xiǎn)的“灰犀?！保湟坏┽尫?，對(duì)經(jīng)濟(jì)運(yùn)行和金融系統(tǒng)會(huì)造成較大震蕩。財(cái)務(wù)信息能夠反映企業(yè)是否健康運(yùn)行，財(cái)務(wù)預(yù)測(cè)也一直是公司治理、風(fēng)險(xiǎn)控制和證券投資等領(lǐng)域的研究熱點(diǎn)。建立財(cái)務(wù)預(yù)警模型一方面有利于金融機(jī)構(gòu)選擇信用狀況良好的客戶，對(duì)不同信用等級(jí)的客戶制定不同的定價(jià)政策，獲得合理收益；另一方面對(duì)可能發(fā)生財(cái)務(wù)危機(jī)的企業(yè)盡早發(fā)現(xiàn)和識(shí)別，及時(shí)采取措施，避免金融風(fēng)險(xiǎn)的蔓延和擴(kuò)散。尤其對(duì)于制造業(yè)企業(yè)而言，一方面，制造業(yè)企業(yè)在上市公司中占比最高，據(jù)Wind 數(shù)據(jù)庫(kù)統(tǒng)計(jì)，截至2021 年底，A股上市公司共有4685 家，其中制造業(yè)上市公司3094 家，制造業(yè)公司占比高達(dá)66%；另一方面，制造業(yè)企業(yè)資金來源與應(yīng)用規(guī)模較大且風(fēng)險(xiǎn)相對(duì)集中，因而對(duì)制造業(yè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)如實(shí)、客觀、準(zhǔn)確地評(píng)價(jià)，對(duì)優(yōu)化資金的運(yùn)用和有效發(fā)揮金融支持制造業(yè)的作用具有較強(qiáng)的實(shí)用價(jià)值。

二、文獻(xiàn)綜述

國(guó)外關(guān)于財(cái)務(wù)預(yù)警模型的研究開始較早，傳統(tǒng)研究方法經(jīng)歷了單變量模型、多變量線性回歸模型和Logit 回歸模型等三個(gè)階段。Fitzpatrick（1931）應(yīng)用單變量模型分析方法，將企業(yè)分為破產(chǎn)組和非破產(chǎn)組，發(fā)現(xiàn)產(chǎn)權(quán)比率和凈資產(chǎn)收益率與企業(yè)破產(chǎn)具有最高的相關(guān)性，開創(chuàng)了財(cái)務(wù)預(yù)警研究的先河。Altman（1968）認(rèn)為單變量模型有諸多局限，率先使用多變量線性判定模型解決財(cái)務(wù)預(yù)警問題，其通過對(duì)比22個(gè)財(cái)務(wù)指標(biāo)篩選出5個(gè)最具代表性的指標(biāo)，并根據(jù)線性模型得出的Z 值預(yù)測(cè)公司的財(cái)務(wù)情況。Zmijewski（1984）在傳統(tǒng)財(cái)務(wù)指標(biāo)的基礎(chǔ)上加入了市場(chǎng)信息相關(guān)指標(biāo)，采用Probit 模型進(jìn)行研究，結(jié)果表明股票回報(bào)率、財(cái)務(wù)杠桿、資產(chǎn)回報(bào)率、固定收入保障這四類指標(biāo)具有預(yù)測(cè)財(cái)務(wù)危機(jī)的能力。鮑新中等（2016）構(gòu)建了基于面板Logit 回歸的財(cái)務(wù)預(yù)警模型，分別檢驗(yàn)了非財(cái)務(wù)指標(biāo)、行業(yè)差異以及預(yù)警臨界點(diǎn)的選擇對(duì)模型的影響。顧曉安等（2018）將應(yīng)計(jì)盈余管理變量與真實(shí)盈余管理變量引入Logit 財(cái)務(wù)預(yù)警模型，對(duì)由盈余管理行為導(dǎo)致的財(cái)務(wù)信息偏差進(jìn)行糾正，減少了因財(cái)務(wù)信息失真造成的預(yù)警模型誤判。

隨著研究的逐漸深入，新型人工智能研究方法逐漸興起并成為主流。Bellotti & Crook（2009）以宏觀經(jīng)濟(jì)因素作為解釋變量建立了不同的生存分析模型，經(jīng)過對(duì)比研究發(fā)現(xiàn)生存分析模型具有更高的預(yù)測(cè)準(zhǔn)確率。Andrés et al.（2011）引入了模糊C 均值聚類和多元自適應(yīng)回歸方法，實(shí)證結(jié)果表明其具有比Fisher判定模型和神經(jīng)網(wǎng)絡(luò)模型更高的預(yù)測(cè)精度。Sánchez-Lasheras et al.（2012）使用多元自適應(yīng)回歸樣條法和自組織映射法建立了綜合預(yù)警模型，發(fā)現(xiàn)相較于神經(jīng)網(wǎng)絡(luò)模型，綜合模型能夠更準(zhǔn)確地識(shí)別財(cái)務(wù)困境。吳沖等（2018）以粒子群算法為基礎(chǔ)構(gòu)建了模糊聚類-概率神經(jīng)網(wǎng)絡(luò)企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型，發(fā)現(xiàn)該模型預(yù)警企業(yè)長(zhǎng)期財(cái)務(wù)風(fēng)險(xiǎn)具有較好效果。石先兵（2020）根據(jù)降維算法和支持向量機(jī)的優(yōu)勢(shì)創(chuàng)建了PCA-SVM 預(yù)警模型，有效提高了模型的泛化能力。

早期國(guó)內(nèi)外對(duì)財(cái)務(wù)預(yù)警的研究均以財(cái)務(wù)變量作為基礎(chǔ)，之后逐步發(fā)展成對(duì)多個(gè)指標(biāo)的同時(shí)分析。茅松青（2013）通過研究發(fā)現(xiàn)，總資產(chǎn)周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率等營(yíng)運(yùn)能力指標(biāo)在企業(yè)被ST 前后變化不顯著，而利潤(rùn)增長(zhǎng)率等發(fā)展能力指標(biāo)在ST 后三年內(nèi)顯著下降。毛天棋（2018）以計(jì)算機(jī)、通信企業(yè)為樣本，從經(jīng)營(yíng)、投資和籌資三個(gè)維度選取預(yù)警指標(biāo)，構(gòu)建了財(cái)務(wù)預(yù)警定位模型。李江宇等（2020）以證券公司對(duì)上市公司財(cái)務(wù)指標(biāo)的預(yù)期差為基礎(chǔ)，定量考察預(yù)期差的價(jià)值發(fā)現(xiàn)能力，分析驗(yàn)證了財(cái)務(wù)預(yù)期差因子可以解釋超額收益。隨著對(duì)財(cái)務(wù)預(yù)警研究的進(jìn)一步深入，公司治理指標(biāo)等非財(cái)務(wù)指標(biāo)對(duì)財(cái)務(wù)困境的影響也逐漸被關(guān)注。曾繁榮和劉小淇（2014）選擇了35 個(gè)財(cái)務(wù)變量和25 個(gè)非財(cái)務(wù)變量進(jìn)行研究發(fā)現(xiàn)，引入非財(cái)務(wù)變量提高了模型的預(yù)測(cè)準(zhǔn)確率，且Logit 回歸模型的預(yù)測(cè)準(zhǔn)確率優(yōu)于Fisher 判定模型。田寶新和王建瓊（2017）以上市公司為研究對(duì)象，從管理層和董事會(huì)兩方面構(gòu)建了包含非財(cái)務(wù)指標(biāo)的財(cái)務(wù)預(yù)警體系，增強(qiáng)了預(yù)警模型的適用性。王昱和楊珊珊（2020）從經(jīng)營(yíng)效率、財(cái)務(wù)效率、融資效率和人力資本效率4個(gè)維度出發(fā)，分別構(gòu)建了相應(yīng)的投入產(chǎn)出指標(biāo)體系，采用數(shù)據(jù)包絡(luò)法評(píng)價(jià)各個(gè)維度的有效性，并與財(cái)務(wù)指標(biāo)進(jìn)行結(jié)合分析。Huang et al.（2021）選取加權(quán)平均利率、房地產(chǎn)繁榮指數(shù)、廣義貨幣供應(yīng)量等18個(gè)指標(biāo)，建立金融狀況指數(shù)，結(jié)果發(fā)現(xiàn)利率、房地產(chǎn)價(jià)格、貨幣供應(yīng)量、匯率和股票價(jià)格可有效反映我國(guó)實(shí)際金融狀況，同時(shí)證明在財(cái)政緊縮時(shí)，可以通過金融指標(biāo)的變化實(shí)現(xiàn)預(yù)警。

綜上所述，相比于機(jī)器學(xué)習(xí)等新方法而言，傳統(tǒng)預(yù)警模型主要以企業(yè)特征變量為研究切入點(diǎn)，通過糾正選取的財(cái)務(wù)信息偏差來減少預(yù)警模型誤判，而深度學(xué)習(xí)內(nèi)部參數(shù)眾多、結(jié)構(gòu)復(fù)雜，更傾向于研究不同模型的組合及模型結(jié)構(gòu)的優(yōu)化。深度學(xué)習(xí)預(yù)警模型對(duì)于復(fù)雜企業(yè)場(chǎng)景下的預(yù)警分析可能更有優(yōu)勢(shì)，但其結(jié)構(gòu)復(fù)雜、內(nèi)部參數(shù)多，在預(yù)警分析之前，需在訓(xùn)練階段利用大量準(zhǔn)確無誤的訓(xùn)練數(shù)據(jù)集調(diào)整優(yōu)化內(nèi)部參數(shù)。一方面，收集大量準(zhǔn)確無誤的訓(xùn)練數(shù)據(jù)集難度高；另一方面，當(dāng)訓(xùn)練數(shù)據(jù)集數(shù)量或純潔度不滿足模型要求時(shí)，又容易導(dǎo)致預(yù)警表現(xiàn)差。現(xiàn)有關(guān)于財(cái)務(wù)預(yù)警的研究更注重對(duì)新模型或新方法的技術(shù)性研究，如果在指標(biāo)選擇的過程中缺乏理論支撐，可能影響模型的實(shí)際應(yīng)用意義。還有部分研究的模型缺乏效果檢驗(yàn)，難以驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確性和穩(wěn)定性。本文通過分析公司財(cái)務(wù)危機(jī)征兆，探尋公司面臨財(cái)務(wù)危機(jī)的原因，并在比較基于財(cái)務(wù)指標(biāo)和治理結(jié)構(gòu)指標(biāo)模型預(yù)測(cè)結(jié)果的基礎(chǔ)上，從理論角度分析兩種模型各自的優(yōu)缺點(diǎn)，嘗試為預(yù)警模型變量的選擇以及模型的應(yīng)用提供一定的思路。

三、樣本和變量選取

（一）財(cái)務(wù)危機(jī)的界定

對(duì)財(cái)務(wù)危機(jī)的判定方式有很多，國(guó)外通常把企業(yè)破產(chǎn)倒閉作為該企業(yè)面臨財(cái)務(wù)危機(jī)的信號(hào)，國(guó)內(nèi)則把上市公司被ST 作為財(cái)務(wù)危機(jī)的標(biāo)志。本文將企業(yè)經(jīng)營(yíng)性凈現(xiàn)金流為負(fù)作為公司面臨財(cái)務(wù)危機(jī)的標(biāo)志，因?yàn)槠髽I(yè)已經(jīng)面臨巨大的流動(dòng)性危機(jī)，此時(shí)進(jìn)行預(yù)警更能體現(xiàn)預(yù)警的前瞻性。

（二）樣本的選擇

將企業(yè)第t 年經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量為負(fù)認(rèn)定為面臨財(cái)務(wù)危機(jī)，樣本選擇主要考慮了以下幾個(gè)方面：（1）選取樣本為公司總量最多和發(fā)生財(cái)務(wù)危機(jī)概率最大的制造業(yè)上市公司；（2）把未面臨財(cái)務(wù)危機(jī)且數(shù)據(jù)完整的企業(yè)認(rèn)定為正常公司；（3）樣本公司的數(shù)據(jù)時(shí)間范圍要大于4 年。企業(yè)發(fā)生財(cái)務(wù)危機(jī)會(huì)在財(cái)務(wù)報(bào)表上有一個(gè)動(dòng)態(tài)的展現(xiàn)過程，將3 年作為一個(gè)考察區(qū)間，因部分指標(biāo)的計(jì)算涉及年初及年末數(shù)值，因此數(shù)據(jù)的時(shí)間范圍要大于4 年。在Wind 數(shù)據(jù)庫(kù)中選取2011—2019年第一次發(fā)生經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量為負(fù)且數(shù)據(jù)完整的公司共345家，并選取相對(duì)應(yīng)的非危機(jī)公司2752 家，最終獲得的樣本數(shù)量為3097個(gè)（見表1）。

表1 正常公司和危機(jī)公司在各年的分布

（三）實(shí)證方法

利用參數(shù)檢驗(yàn)（t 均值檢驗(yàn)）和非參數(shù)檢驗(yàn)（Mann-Whitney 檢驗(yàn)）方法對(duì)兩類公司作比較，以甄別并發(fā)現(xiàn)危機(jī)企業(yè)出現(xiàn)的財(cái)務(wù)和治理結(jié)構(gòu)信號(hào)，之后運(yùn)用Logistic回歸進(jìn)行危機(jī)預(yù)測(cè)，危機(jī)公司和正常公司分別被賦值為0和1。最佳分割點(diǎn)區(qū)分了危機(jī)公司和正常公司。

四、實(shí)證分析

（一）危機(jī)公司財(cái)務(wù)指標(biāo)分析

由于公司陷入財(cái)務(wù)危機(jī)是以財(cái)務(wù)指標(biāo)界定的，故以財(cái)務(wù)指標(biāo)預(yù)警危機(jī)發(fā)生的概率相比于其他類型指標(biāo)有許多天然的優(yōu)勢(shì)：一是財(cái)務(wù)指標(biāo)可以從公司年報(bào)上直接獲得，且大多指標(biāo)為數(shù)字指標(biāo)，直觀易懂也易于對(duì)比；二是當(dāng)企業(yè)面臨財(cái)務(wù)危機(jī)時(shí)，財(cái)務(wù)指標(biāo)會(huì)出現(xiàn)明顯變動(dòng)，因此短期預(yù)警的精確性較高。但財(cái)務(wù)指標(biāo)預(yù)警也存在缺陷：一是大多數(shù)財(cái)務(wù)指標(biāo)只反映某一時(shí)點(diǎn)的數(shù)據(jù)，不能代表公司整體財(cái)務(wù)水平；二是報(bào)表本身可能被操縱和粉飾，若以虛假的財(cái)務(wù)數(shù)據(jù)預(yù)警財(cái)務(wù)危機(jī)反而增加了誤判率。

盡管不同企業(yè)的經(jīng)營(yíng)狀況、規(guī)模和特點(diǎn)不同，以基本面為基礎(chǔ)的財(cái)務(wù)分析主要包括資產(chǎn)結(jié)構(gòu)、財(cái)務(wù)結(jié)構(gòu)、資產(chǎn)管理、盈利能力和現(xiàn)金流5個(gè)方面，本文從這5 個(gè)方面共設(shè)計(jì)了29 個(gè)財(cái)務(wù)變量，通過t 均值檢驗(yàn)和Mann-Whitney 檢驗(yàn)，考察這些變量在兩類公司之間是否存在顯著性差異，結(jié)果詳見表2。

表2 顯示危機(jī)公司與正常公司在多指標(biāo)中都有明顯區(qū)別，從具體檢驗(yàn)結(jié)果可以看出，一是盈利能力方面，具體指標(biāo)為總利潤(rùn)比營(yíng)業(yè)收入、總資產(chǎn)報(bào)酬率、凈資產(chǎn)收益率，表明危機(jī)公司跟正常公司相比，資源投入產(chǎn)生利潤(rùn)的能力較弱；二是現(xiàn)金流方面，具體指標(biāo)為經(jīng)營(yíng)活動(dòng)現(xiàn)金流比總資產(chǎn)和投資活動(dòng)現(xiàn)金流比總資產(chǎn)，表明危機(jī)公司跟正常公司相比，資源投入產(chǎn)生經(jīng)營(yíng)凈現(xiàn)金流能力較弱，且過度投資導(dǎo)致資金占用嚴(yán)重；三是資產(chǎn)結(jié)構(gòu)，具體指標(biāo)為貨幣資金比流動(dòng)資產(chǎn)、存貨比流動(dòng)資產(chǎn)、其他應(yīng)收款比流動(dòng)資產(chǎn)、固定資產(chǎn)比總資產(chǎn)和流動(dòng)資產(chǎn)比總資產(chǎn)，表明危機(jī)公司跟正常公司相比固定資產(chǎn)較少，且存貨和應(yīng)收賬款占比過高造成資金流動(dòng)性較差；四是資產(chǎn)管理方面，具體指標(biāo)為流動(dòng)資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率和存貨周轉(zhuǎn)率，表明危機(jī)公司跟正常公司相比資產(chǎn)利用效率過低；五是財(cái)務(wù)結(jié)構(gòu)，具體指標(biāo)為短期借款比流動(dòng)負(fù)債、流動(dòng)負(fù)債比總負(fù)債、資產(chǎn)負(fù)債率、現(xiàn)金比率、速動(dòng)比率、貨幣資金比短期借款，表明危機(jī)公司跟正常公司相比現(xiàn)金持有率較低，過度依賴短期負(fù)債，短期償債壓力過大。

表2 財(cái)務(wù)指標(biāo)參數(shù)和非參數(shù)檢驗(yàn)

這些財(cái)務(wù)信號(hào)體現(xiàn)了導(dǎo)致制造業(yè)上市公司面臨財(cái)務(wù)危機(jī)的行為模式，一方面由于資源在固定資產(chǎn)及研發(fā)投入方面遠(yuǎn)遠(yuǎn)不足，使得公司產(chǎn)品競(jìng)爭(zhēng)力有限、市場(chǎng)占有率低研發(fā)創(chuàng)新不足，“造血”能力較差；另一方面管理層非經(jīng)營(yíng)性大量占用公司資金，進(jìn)行偏離主業(yè)的盲目多元化投資造成融資過度，或高額套現(xiàn)，這共同導(dǎo)致了公司流動(dòng)性短缺進(jìn)而面臨財(cái)務(wù)危機(jī)。

（二）危機(jī)公司治理結(jié)構(gòu)分析

治理結(jié)構(gòu)與財(cái)務(wù)危機(jī)的關(guān)系雖然不如財(cái)務(wù)指標(biāo)那樣直接，但不完善的公司治理是導(dǎo)致企業(yè)績(jī)效變差進(jìn)而面臨財(cái)務(wù)危機(jī)的深層次原因。跟財(cái)務(wù)指標(biāo)相比，治理結(jié)構(gòu)指標(biāo)模型在進(jìn)行財(cái)務(wù)預(yù)警時(shí)具有如下優(yōu)點(diǎn)：一是治理指標(biāo)能夠更深層次地反映公司發(fā)生財(cái)務(wù)危機(jī)的傳導(dǎo)路徑，不完善的公司治理機(jī)制既是公司面臨危機(jī)的信號(hào)，更是危機(jī)產(chǎn)生的來源；二是治理結(jié)構(gòu)指標(biāo)通常不會(huì)被造假也能免于宏觀環(huán)境層面和突發(fā)事件的影響，預(yù)警模型結(jié)果比較穩(wěn)定。治理結(jié)構(gòu)指標(biāo)也存在劣勢(shì)：一是治理結(jié)構(gòu)指標(biāo)只反映公司出現(xiàn)危機(jī)的間接信號(hào)，因此其與財(cái)務(wù)危機(jī)之間的關(guān)系沒有財(cái)務(wù)指標(biāo)直觀易懂；二是指標(biāo)靈活性較差，短期預(yù)警效果不佳，面臨危機(jī)的公司財(cái)務(wù)指標(biāo)會(huì)明顯惡化，但治理結(jié)構(gòu)一般不會(huì)產(chǎn)生較大變動(dòng)。本文從股權(quán)結(jié)構(gòu)、董事會(huì)特征和高管激勵(lì)三方面設(shè)計(jì)了11個(gè)公司治理指標(biāo)進(jìn)行考察，結(jié)果如表3所示。

表3 治理結(jié)構(gòu)指標(biāo)參數(shù)和非參數(shù)檢驗(yàn)

第一，反映股東性質(zhì)的指標(biāo)在1%的水平上顯著為正，說明具有國(guó)有成分的企業(yè)更容易面臨財(cái)務(wù)危機(jī)。反映股權(quán)集中度的指標(biāo)（前三大股東持股比例之和）在1%的水平上顯著。危機(jī)公司的股權(quán)集中度顯著低于正常公司，說明股權(quán)集中度越低，公司面臨危機(jī)的概率越大。反映股權(quán)制衡度的指標(biāo)（第二至第五大股東持股比例之和/第一大股東持股比例）在10%的水平上顯著為正，說明大股東之間相對(duì)制衡的股權(quán)結(jié)構(gòu)使股東更容易互相推諉，導(dǎo)致集體決策難題，降低了公司效率，從而導(dǎo)致了財(cái)務(wù)危機(jī)的發(fā)生。第二，兩類公司董事會(huì)的各項(xiàng)特征無顯著區(qū)別，說明上市公司董事會(huì)對(duì)緩解企業(yè)財(cái)務(wù)危機(jī)有更多發(fā)揮作用的空間。第三，在兩類公司中，高管前三平均薪酬在1%的水平上顯著。危機(jī)公司的兩項(xiàng)指標(biāo)值均顯著低于正常公司，說明高級(jí)管理層薪酬激勵(lì)對(duì)緩解企業(yè)財(cái)務(wù)危機(jī)有較好的效果。

通過比較兩類公司的治理結(jié)構(gòu)差異可以發(fā)現(xiàn)，具有國(guó)有成分的企業(yè)更容易面臨財(cái)務(wù)危機(jī)，可能的原因是具有國(guó)有成分的企業(yè)在財(cái)務(wù)行為上更加激進(jìn)和擴(kuò)張，更容易陷入流動(dòng)性危機(jī)。同時(shí)，危機(jī)公司具有較低的股權(quán)集中度和較高的股權(quán)制衡度，可能的原因是股權(quán)分散使股東間更容易互相推諉，或因股東之間意見不一致導(dǎo)致集體決策難題，增加了財(cái)務(wù)風(fēng)險(xiǎn)。董事會(huì)特征在兩類公司中沒有顯著差別，說明上市公司董事會(huì)對(duì)于預(yù)防企業(yè)財(cái)務(wù)危機(jī)的發(fā)生沒有起到應(yīng)有的作用。對(duì)高管進(jìn)行合理的薪酬激勵(lì)有利于增加管理層和公司利益一致性，管理層會(huì)減少獲取私人收益的動(dòng)力從而更加“勵(lì)精圖治”，避免公司面臨危機(jī)。

（三）財(cái)務(wù)危機(jī)預(yù)測(cè)模型的建立與分析

將樣本分為兩部分，運(yùn)用練習(xí)樣本構(gòu)建危機(jī)預(yù)測(cè)模型，而模型的準(zhǔn)確性程度測(cè)試通過預(yù)測(cè)樣本進(jìn)行。練習(xí)樣本涵蓋2010—2018年2743家公司，占全部樣本比例為88.57%，預(yù)測(cè)樣本包括2019年的354家公司。

1.基于財(cái)務(wù)指標(biāo)的危機(jī)預(yù)測(cè)模型構(gòu)建與分析

使用29 個(gè)財(cái)務(wù)指標(biāo)進(jìn)行Logit 回歸，采用前項(xiàng)逐步進(jìn)入法，P 值低于0.05 時(shí)變量被納入，大于0.1時(shí)退出模型，得到以財(cái)務(wù)指標(biāo)為基礎(chǔ)的危機(jī)預(yù)測(cè)模型，回歸結(jié)果見表4。

表4 基于財(cái)務(wù)指標(biāo)的危機(jī)預(yù)警模型

由此得出財(cái)務(wù)指標(biāo)預(yù)警方程為：

基于財(cái)務(wù)指標(biāo)的危機(jī)預(yù)警模型共包含4 個(gè)變量：X為總資產(chǎn)報(bào)酬率，反映企業(yè)盈利能力；X為固定資產(chǎn)比總資產(chǎn)，反映企業(yè)資產(chǎn)結(jié)構(gòu)；X為貨幣資金比短期借款，反映企業(yè)財(cái)務(wù)結(jié)構(gòu)；X為毛利率，反映企業(yè)盈利能力。

4 個(gè)變量的系數(shù)值為正，說明其數(shù)值越高，公司面臨財(cái)務(wù)危機(jī)的概率就越小。這些系數(shù)符號(hào)同信號(hào)分析一致，固定資產(chǎn)反映公司內(nèi)部投資水平，總資產(chǎn)報(bào)酬率代表資源投入產(chǎn)生利潤(rùn)的能力，毛利率衡量產(chǎn)品附加值的高低，這三個(gè)指標(biāo)共同反映了公司的主業(yè)競(jìng)爭(zhēng)水平和盈利能力，與公司面臨危機(jī)的概率負(fù)相關(guān)。Wald 值顯示，固定資產(chǎn)占比對(duì)模型的貢獻(xiàn)度最大，總資產(chǎn)報(bào)酬率次之，最后是貨幣資金占比和毛利率。

將預(yù)測(cè)樣本數(shù)據(jù)代入財(cái)務(wù)指標(biāo)模型，即得出樣本公司未來三年面臨財(cái)務(wù)危機(jī)的概率。通過測(cè)試得到預(yù)測(cè)準(zhǔn)確率最高時(shí)對(duì)應(yīng)的分割點(diǎn)值為0.52，即得到的概率值大于0.52的樣本可被認(rèn)定為危機(jī)公司，反之為正常公司。判定矩陣顯示，練習(xí)樣本的判斷準(zhǔn)確率平均為72.42%，預(yù)測(cè)樣本的判斷準(zhǔn)確率平均為88.7%。

表5 財(cái)務(wù)指標(biāo)判定矩陣

由于財(cái)務(wù)危機(jī)建立在財(cái)務(wù)指標(biāo)基礎(chǔ)之上，因此利用財(cái)務(wù)指標(biāo)預(yù)測(cè)財(cái)務(wù)危機(jī)更加直觀。但是由于部分信息未在財(cái)務(wù)報(bào)表反映以及財(cái)務(wù)報(bào)表可能造假，使得該方法具有一定局限性。

2.基于治理結(jié)構(gòu)指標(biāo)的危機(jī)預(yù)測(cè)模型構(gòu)建與分析

使用練習(xí)樣本的數(shù)據(jù)，得到基于治理結(jié)構(gòu)指標(biāo)的危機(jī)預(yù)測(cè)模型，回歸結(jié)果見表6。由此得出治理結(jié)構(gòu)指標(biāo)預(yù)警方程為：

表6 基于治理結(jié)構(gòu)指標(biāo)的危機(jī)預(yù)警模型

基于治理結(jié)構(gòu)指標(biāo)的危機(jī)預(yù)警模型共包含5 個(gè)變量：X為金額前三高管薪酬，反映高管激勵(lì)情況；X為股東性質(zhì)，反映股權(quán)結(jié)構(gòu)；X為獨(dú)立董事比例，反映董事會(huì)情況；X為金額前三董事薪酬，反映高管激勵(lì)情況；X為前三大股東持股比例，反映股權(quán)結(jié)構(gòu)。

其中，金額前三高管薪酬和董事薪酬系數(shù)為正，說明對(duì)管理層和董事進(jìn)行合理的薪酬激勵(lì)能夠有效緩解公司財(cái)務(wù)危機(jī)。股東性質(zhì)系數(shù)為負(fù)，說明具有國(guó)有成分會(huì)增大公司面臨危機(jī)的概率。獨(dú)立董事比例系數(shù)為負(fù)，即獨(dú)立董事比例的提高會(huì)增加公司面臨財(cái)務(wù)危機(jī)的概率。前三大股東持股比例系數(shù)為正，說明前三大持股比例越高，公司面臨危機(jī)的概率越低。從Wald值看，5個(gè)指標(biāo)貢獻(xiàn)程度從大到小依次為金額前三高管薪酬、股東性質(zhì)、獨(dú)立董事比例、金額前三董事薪酬、前三大股東持股比例。

以0.5 作為分割點(diǎn)，把樣本數(shù)據(jù)代入公司治理指標(biāo)模型中，得到表7的判定矩陣。

表7 公司治理指標(biāo)判定矩陣

雖然治理結(jié)構(gòu)模型在預(yù)測(cè)短期財(cái)務(wù)情況時(shí)的敏感性和直觀性低于財(cái)務(wù)指標(biāo)模型，但實(shí)證結(jié)果表明其預(yù)警精確性卻高于財(cái)務(wù)指標(biāo)模型，說明治理結(jié)構(gòu)模型在預(yù)警財(cái)務(wù)危機(jī)時(shí)具有更強(qiáng)的穩(wěn)定性和外推性。

3.綜合指標(biāo)模型的建立與分析

企業(yè)出現(xiàn)財(cái)務(wù)危機(jī)一般會(huì)經(jīng)歷漸進(jìn)和積累的過程，而危機(jī)公司通常會(huì)出現(xiàn)一些信號(hào)。信號(hào)的出現(xiàn)一定程度上來說是從抽象到具體，從間接到直接，從隱蔽到清晰；在層次上是由里及外，即危機(jī)征兆的表現(xiàn)首先是從深層次特征開始，逐漸向淺層次傳導(dǎo)。治理結(jié)構(gòu)特征屬于深層次特征，財(cái)務(wù)指標(biāo)屬于淺層次特征，治理結(jié)構(gòu)征兆是財(cái)務(wù)指標(biāo)征兆產(chǎn)生的原因。為了將財(cái)務(wù)指標(biāo)模型和治理結(jié)構(gòu)模型的變量統(tǒng)一考慮，進(jìn)一步建立綜合指標(biāo)模型。在表8 綜合指標(biāo)模型中，金額前三高管薪酬貢獻(xiàn)最大，其次為總資產(chǎn)報(bào)酬率。

表8 基于綜合指標(biāo)的危機(jī)預(yù)警模型

由此得出綜合指標(biāo)預(yù)警方程為：

基于綜合指標(biāo)的危機(jī)預(yù)警模型共包含6 個(gè)變量：X為固定資產(chǎn)比總資產(chǎn)，反映資產(chǎn)結(jié)構(gòu)；X為金額前三董事薪酬，反映高管激勵(lì)情況；X為貨幣資金比短期借款，反映資產(chǎn)結(jié)構(gòu)；X為總資產(chǎn)報(bào)酬率，反映盈利能力；X為毛利率，反映盈利能力；X為股東性質(zhì)，反映股權(quán)結(jié)構(gòu)。

固定資產(chǎn)比總資產(chǎn)、金額前三董事薪酬均值、貨幣資金比短期借款、總資產(chǎn)報(bào)酬率、毛利率為正，說明這些變量與公司面臨危機(jī)的概率成反比，而股東性質(zhì)符號(hào)為負(fù)，說明具有國(guó)有成分的企業(yè)更容易面臨財(cái)務(wù)危機(jī)。Wald 值顯示，綜合指標(biāo)模型中貢獻(xiàn)最大的是固定資產(chǎn)比總資產(chǎn)比例、金額前三董事薪酬均值，其次為金額前三高管薪酬均值，最后為貨幣資金比短期借款、總資產(chǎn)報(bào)酬率、毛利率。

以0.52 作為最佳分割點(diǎn)代入數(shù)據(jù)，得出模型的判定準(zhǔn)確率。表9 顯示綜合指標(biāo)模型的判定精度與前兩類模型相比準(zhǔn)確度略有下降，表明財(cái)務(wù)與公司治理指標(biāo)的綜合使用并未提高模型的準(zhǔn)確性。

表9 綜合指標(biāo)判定矩陣

五、結(jié)論與建議

本文以2011—2019年滬深上市制造業(yè)企業(yè)為研究對(duì)象，以經(jīng)營(yíng)活動(dòng)現(xiàn)金凈流量為負(fù)來定義財(cái)務(wù)危機(jī)公司，實(shí)證分析了危機(jī)公司在財(cái)務(wù)危機(jī)發(fā)生前三年財(cái)務(wù)指標(biāo)和公司治理信號(hào)的差異，利用這兩類指標(biāo)建立了財(cái)務(wù)預(yù)警、公司治理預(yù)警和綜合指標(biāo)預(yù)警模型，同時(shí)比較了模型的優(yōu)缺點(diǎn)及判斷準(zhǔn)確率。得到的研究結(jié)論如下：在對(duì)企業(yè)的財(cái)務(wù)情況進(jìn)行預(yù)測(cè)時(shí)，需要重點(diǎn)關(guān)注的財(cái)務(wù)指標(biāo)包括總資產(chǎn)報(bào)酬率、固定資產(chǎn)比總資產(chǎn)、貨幣資金比短期借款和毛利率等。原因是固定資產(chǎn)反映公司內(nèi)部投資水平，總資產(chǎn)報(bào)酬率代表資源投入產(chǎn)生利潤(rùn)的能力，毛利率衡量產(chǎn)品附加值的高低，這三個(gè)指標(biāo)共同反映了公司的主業(yè)競(jìng)爭(zhēng)水平和盈利能力，而貨幣資金占比代表現(xiàn)金流充裕情況。表明較高的主業(yè)競(jìng)爭(zhēng)水平、盈利能力以及充足的現(xiàn)金流能夠抵御財(cái)務(wù)危機(jī)。從財(cái)務(wù)信號(hào)反映出面臨財(cái)務(wù)危機(jī)的制造業(yè)上市公司的商業(yè)模式為：資源在固定資產(chǎn)及研發(fā)投入方面遠(yuǎn)遠(yuǎn)不足，使得公司產(chǎn)品競(jìng)爭(zhēng)力有限，產(chǎn)品市場(chǎng)占有率低，造血能力較差；企業(yè)進(jìn)行偏離主業(yè)的盲目多元化投資造成融資過度，這共同導(dǎo)致了公司流動(dòng)性短缺面臨財(cái)務(wù)危機(jī)。在企業(yè)治理結(jié)構(gòu)中需要注意的是，具有國(guó)有成分的企業(yè)可能在財(cái)務(wù)行為上更加激進(jìn)和擴(kuò)張，反而更容易陷入流動(dòng)性危機(jī)；股權(quán)分散導(dǎo)致集體決策難題，降低了公司效率，使企業(yè)更容易面臨財(cái)務(wù)危機(jī)；對(duì)高管進(jìn)行合理的薪酬激勵(lì)會(huì)使管理層減少獲取私人收益的動(dòng)力從而更加“勵(lì)精圖治”，更有利于避免公司面臨危機(jī)；董事會(huì)對(duì)于預(yù)防財(cái)務(wù)危機(jī)還有發(fā)揮治理作用的空間。

基于研究結(jié)論，本文認(rèn)為在分析企業(yè)財(cái)務(wù)情況時(shí)要做到以下幾個(gè)方面：第一，穿透公司治理。關(guān)注企業(yè)是否建立合理公司治理架構(gòu)，科學(xué)公司治理機(jī)制；在充分發(fā)揮大股東的治理效應(yīng)的同時(shí)，股權(quán)結(jié)構(gòu)也要制衡，防止大股東的掏空和隧道行為；關(guān)注是否建立科學(xué)的管理層激勵(lì)約束機(jī)制，避免內(nèi)部人控制；關(guān)注是否發(fā)揮董事會(huì)、監(jiān)事會(huì)的監(jiān)督作用，保證科學(xué)決策。第二，分析戰(zhàn)略決策。一是關(guān)注企業(yè)是否盲目擴(kuò)張，尤其是在經(jīng)濟(jì)下行的情況下，由于企業(yè)的整合不足，很可能會(huì)出現(xiàn)投資收益無法覆蓋成本的情況，還會(huì)使得企業(yè)面對(duì)來自各個(gè)行業(yè)的特有風(fēng)險(xiǎn)。二是關(guān)注融資結(jié)構(gòu)是否合理，包括企業(yè)在發(fā)展過程中應(yīng)該結(jié)合自身的發(fā)展階段，合理尋求不同的資金來源組合，優(yōu)化融資結(jié)構(gòu)，拓寬融資渠道，分散各類融資風(fēng)險(xiǎn)，避免過度依賴單一的融資來源。三是關(guān)注是否過度杠桿融資，適度負(fù)債能增加企業(yè)的整體價(jià)值，但是企業(yè)在運(yùn)用時(shí)一定也要警惕其中的高風(fēng)險(xiǎn)，關(guān)注企業(yè)投資回報(bào)率是否能覆蓋其債務(wù)融資成本，否則過度的債務(wù)融資占比，只會(huì)增加財(cái)務(wù)風(fēng)險(xiǎn)。第三，識(shí)別多重風(fēng)險(xiǎn)。一是要建立科學(xué)的財(cái)務(wù)危機(jī)預(yù)警系統(tǒng)，重點(diǎn)關(guān)注能夠反映企業(yè)財(cái)務(wù)情況的顯著性變量，實(shí)時(shí)監(jiān)控企業(yè)的財(cái)務(wù)狀況和業(yè)績(jī)，通過預(yù)警模型來預(yù)測(cè)企業(yè)的盈利能力和償債能力。二是關(guān)注包括資金、財(cái)務(wù)、人員、業(yè)務(wù)等在內(nèi)的潛在經(jīng)營(yíng)風(fēng)險(xiǎn)，股權(quán)或資產(chǎn)抵質(zhì)押是否合規(guī)等抵押擔(dān)保風(fēng)險(xiǎn)等。