食品制造業財務風險預警探究

前言：本站為你精心整理了食品制造業財務風險預警探究范文，希望能為你的創作提供參考價值，我們的客服老師可以幫助你提供個性化的參考范文，歡迎咨詢。

摘要：本文以2017—2019年食品制造業上市公司為研究對象，選取包括了企業償債能力、盈利能力、營運能力、成長能力和現金流指標5個方面17個指標，逐步進行K-S檢驗、非參數檢驗和因子分析篩選指標，最后進行Logistic回歸分析，得出2017—2019年的預測結果分別為90.91%、93.18%和93.18%，可以為食品制造類企業的財務預警工作提供思路。

關鍵詞：財務預警模型；Logistic回歸；因子分析

一、引言

食品行業的發展與人民生活息息相關,尤其在經濟發展迅速的新時代，人民生活日益美好，對食品的要求也日益精致，如今企業的競爭模式逐漸轉化為個性化、多樣化和差異化。企業要想在新時代實現高質量的發展，必須在企業內部建立財務預警體系。通過對以往的文獻進行梳理后發現，財務風險預警的模型主要有F值模型、logistic回歸模型、神經網絡分析模型等，各有特色，指標選取也延伸至非財務指標。但是縱觀所有研究，研究對象大多是房地產企業和汽車產業，對食品制造業的研究較少，因此本文為食品制造業建立財務預警模型，運用SPSS軟件對指標進行回歸分析。

二、指標選取

1.樣本選取。本文從國泰安經濟金融庫中選取了食品制造業的44家企業，其中包含40家正常企業和4家被ST的公司。由我國上市公司的信息披露制度可知，ST公司發生財務危機的下一年會被冠上ST的名稱，因此發生財務危機的實際年份應為其被ST的前一年。所以在搜集數據時，選取上述公司2017—2019年的財務數據進行分析。

2.指標初步篩選。通過閱讀相關文獻，重點參考中國食品類上市公司的已有文獻，結合食品制造類企業的具體情況和特征，依照新準則的規定，從四大能力指標和現金流指標中，選取了17個指標構建食品制造業上市公司的財務預警指標體系，如表1。

3.指標檢驗。為了驗證指標是否具有顯著性，需要對指標進行顯著性檢驗。首先，對樣本進行正態性檢驗分析。當樣本服從正態分布時，用T檢驗來驗證指標是否具有顯著性。剩余的樣本采用KruskalWallis檢驗來判斷。（1）正態性檢驗。運用SPSS26.0軟件將指標進行標準化處理后，對數據進行K-S參數檢驗。K-S參數檢驗用來檢驗指標區分ST與非ST公司的顯著性。在α=0.05的顯著性水平下，結果表明X4樣本總體的P值大于0.05，服從正態性分布，可以進行T檢驗。其余指標不服從正態性分布，采用非參數檢驗進一步檢驗其顯著性。（2）顯著性檢驗。首先對符合正態分布的X4進行T檢驗，結果顯示其顯著性水平為0.00，小于0.05，具有顯著性。其他指標采用K-W非參數檢驗方法，檢驗出X1、X2、X6、X8、X9、X11、X13、X14和X16指標具有顯著性。

三、因子分析

1.KMO和Bartlett球形檢驗。在對原始數據進行相關性分析后，發現上述數據彼此之間存在一定的相關性，部分指標相關性很高。因此可以更好地利用因子分析進行降維，再進行KMO和Bartlett球形檢驗。KMO統計量的取值在0~1，KMO值越接近于1，意味著變量間的相關性越強，原有變量越適合進行因子分析。SPSS檢驗結果顯示：Sig.<0.05（即P值<0.05）時，說明符合標準，數據呈球形分布，各個變量在一定程度上相互獨立。從表2可以看出，KMO取值為0.626，大于0.05，因此該組數據適合做因子分析。顯著性檢驗結果為0.000，說明各變量間具有相關性，適合進行因子分析。

2.主成分提取。運用SPSS23.0對所選取的2017—2019年44家食品制造業上市公司的財務指標進行主成分分析。運行結果顯示10個指標共有3個特征值大于1，即用3個因子來代替10個指標，共累計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，資產報酬率、息稅前營業利潤率、每股收益指標的負荷量最為明顯，代表企業的盈利能力。其次流動比率、速動比率、資產負債率在主成分F2上負荷量大于其他指標，代表了企業的償債能力。在主成分F3中，存貨周轉率、總資產增長率、凈利潤增長率和每股經營活動產生的現金流量凈額這些指指標上負荷量較高，代表了企業的成長能力。由系統得分矩陣表可以得知三個因子的方程式，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為非ST公司和ST公司，分別設定為0和1。其次根據因子分析選出的三個變量作為因變量，進行Logistic回歸分析。在回歸檢驗中，P值越大，企業發生財務危機的可能性就越大。結合對樣本得出的預測結果，選擇臨界P值為0.5，凡是P值大于0.5，則被界定為財務危機公司。反之則為經營正常的公司。在建立Logistic模型中，原理如下：不會發生財務風險的概率P與Xi存在一種回歸關系。Xi假設為第i個預警指標變量矩陣。P是一個介于0與1之間的函數。分析結果如表4所示。根據表4可以得出食品制造業財務預警模型為：P=e1.877+1.305F1+1.134F2+0.533F31+e1.877+1.305F1+1.134F2+0.533F3（P＞0.5，發生財務危機；P≤0.5，經營正常）

2.模型的回判檢驗。為了驗證Logistic回歸預警模型的準確性，將44家食品制造業上市公司2017—2019年的P值分別帶回模型中進行檢驗，臨界P值為0.5，借助模型對各年的財務風險進行預測，再將預測情況與實際進行比較，2017—2019年回歸準確度分別為90.91%、93.18%、93.18%，預測準確度均在90%以上，并且逐年遞增。

五、結論

本文以食品制造業2017—2019年的數據為研究對象，采取17個財務指標，對該行業44家公司的財務風險預警進行實證研究。通過指標篩選，建立了Logistic回歸模型，得出了如下結論：

1.與企業被警告退市的年份越近，預測概率越高，預測結果越準確。在實證結果中，2019年的預測概率比2017年的預測概率要高。因此預警模型的短期成效較長期成效強。

2.在預警模型中，資產負債率和每股收益有著重要作用，因此食品制造業在日常經營中要引起重視。

3.模型存在一定的局限性，食品制造業是制造業的一小分類，相對于房地產行業、汽車產業來說，公司數量少，且食品制造業大多數經營穩定，無太大變化，獲得的樣本數據有限制，模型預測的準確性會受到一定的影響。

作者:何敏 單位:青海民族大學經濟與管理學院