制药企业财务预警实证研究

摘要:公司财务危机的预测研究在国内外都受到高度关注,不但具有较高的学术价值,而且具有巨大的应用价值。以中国的上市制药公司为样本,运用因子分析法确定主成分指标,建立了中国上市公司医药行业的财务预警模型,进而根据预警模型的预测分值来确定上市公司财务状况的评价区域。

关键词:财务指标;财务预警模型;因子分析;制药企业

中图分类号:F812文献标志码:A文章编号:1673-291X(2010)31-0129-03

引言

上市公司财务预警研究在国内外是一个被广泛关注的课题,它作为经济运行的晴雨表和企业经营的指示灯,有着巨大的学术价值和应用价值。制药业是中国竞争最激烈、分布最广泛的行业之一,中国对制药企业的财务预警研究也取得了一定的成果,如黄辉曾用功效系数法来预警制药行业的警度,但在权重的赋予方面带有很大的主观色彩。本文拟从企业的短期偿债能力、长期偿债能力、营运能力、盈利能力、现金流量能力等方面选取指标,通过引入一种科学的统计分析方法――因子分析法来构建中国制药企业的财务预警模型。

一、文献回顾

最早的财务危机预测研究是FitzPatrikc(1932)所做的单变量破产预测模型。他发现,出现财务困境的公司其财务比率和正常公司的财务比率相比有显著的不同,从而认为企业的财务比率能够反映企业财务状况,对企业未来具有预测作用。Beaver(1966)对美国1954―1964年间79家失败企业和79家成功企业的30个财务比率进行研究的结果表明,具有良好预测性的财务比率为“现金流量/负债总额”、“资产收益率(净收益/资产总额)和资产负债率(债务总额/资产总额)。1968年Altman提出了多元线性判定模型,即运用多种财务指标加权汇总产生的总判断分值(称为z值)来预测财务危机,他所建立的预测上市公司的Z值模型如下:Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5。美国学者Ohlson(1980)克服了多元线性判别分析方法对预测变量有着严格的联合正态分布要求,应用多元逻辑回归模型,Logit模型假设了企业破产的概率p(破产取1,非破产取0),并假设Ln[p/(1-p)]可以用财务比率线性解释;假定Ln[p/(1-p)]=a+bx,根据推导可以得出p=exp(a+bx)/[1+exp(a+bx)],从而计算出企业破产的概率。TAM(1991)最早采用ANN模型进行财务预警研究,通过对人工神经网络的模拟,得出神经网络可以应用于财务预警,且具有较高的预测精度。

国内的财务预警研究起步较晚。从20世纪80年代开始,国外的财务预警研究与应用成果逐渐被引入国内,20世纪90年代中国制定了企业会计准则之后,国内的财务预警研究才逐渐兴起。陈静(1999)以1998年37家ST公司和27家非ST公司为样本,利用其1995―1997年的财务报表数据进行了一元判别分析。吴世农、黄世忠(1986)曾介绍企业的破产分析指标和预测模型。周首华、杨济华和王平(1996)借鉴Altman研究建立F分数模型。梁飞媛(2005)较早采用现金流量指标对机械行业上市公司财务困境进行了预测。李莉(2004)运用现金流量类指标对制造业上市公司财务困境进行了预测。韩东平、田艳丽(2006)选用了现金流量类的16个财务指标,并运用多元统计判别分析法对上市公司财务预警进行探讨。本文在前人研究成果的基础上,结合现金流指标和传统财务指标利用因子分析法构建中国上市医药行业财务预警模型。

二、研究设计

(一)样本和指标的选取

本文将上市公司中的ST类公司定义为“财务危机”企业,并选取其第t-1年的截面数据为样本建立模型。根据中国上市公司的年报披露制度,上市公司在第t年是否被特别处理是由其第t-1年财务报告的公布结果所决定的,因此利用第t-1年的财务数据构建预测模型有很高的预测精度,在实际预测中也有很大的应用价值。本文根据2009年11月30日前被ST的17家制药公司作为样本估计组。同时根据同行业且总资产规模相差在10%以内的原则选取23家非ST公司与其混合作为预测样本组,以保证预测的准确性以及同组上市公司之间财务数据的可比性。本文所有的数据均来自于国泰安金融经济信息数据库。

(二)财务预警指标设计

制药行业所面临的风险是多方面的,在参考前人研究成果的基础上,本研究结合制药企业实际情况,选定包括偿债能力、营运能力、盈利能力、股东获利能力、现金流量能力、发展能力等方面的财务指标作为研究起点来构建制药行业财务指标预警系统。具体指标(如下页表1所示),其中,现金比率X1这一指标最能反映企业直接偿付流动负债的能力,现金比率一般认为高于20%以上为好;营运资金比率X2,是衡量公司短期偿债能力最通用的指标,这一比率越大,表明公司短期偿债能力越强,并表明公司有充足的营运资金,反之,说明公司的短期偿债能力不强,营运资金不充足;权益乘数X3,该指标反应资产总额相当于股东权益的倍数,权益乘数越大,代表公司向外融资的财务杠杆倍数也越大,公司将承担较大的债务风险;总资产报酬率X4,表示企业包括净资产和负债在内的全部资产的总体获利能力,用以评价企业运用全部资产的总体获利能力,是评价企业资产运营效益的重要指标;现金流量利息保障倍数X5,它比收益基础的利息保障倍数更可靠,因为实际用以支付利息的是现金,而非收益;营业收入现金比X6,是对“主营业务利润率”的修正,反映企业的主营业务收入获得现金的能力,该指标排除了不能回收的坏账损失的影响,因此较为保守,该指标通常越高越好;资本积累率X7,体现了企业资本的积累情况,是企业发展强盛的标志,也是企业扩大再生产的基础,展示了企业的发展潜力;净资产收益率X8,该指标反映股东权益的收益水平,用以衡量公司运用自有资本的效率,该指标值越高,说明投资带来的收益越高[1]。

三、实证分析

在实际问题中,研究多指标(变量)问题是经常遇到的。由于指标较多,再加上指标之间有一定的相关性,造成信息重叠势必增加了分析问题的复杂性;一旦盲目减少变量又会损失很多信息,容易产生错误结论。主成分分析法,是将多个指标化为少数几个互相无关的综合指标的统计方法,综合指标就是新的变量,是原来多个指标的线性组合,且彼此互不相关,并能反映原来多个指标的信息。该方法的优点是降低数据空间的维度、简化系统结构、抓住问题的实质[4]。

(一)预警模型的构建

首先本文先对8个观测指标用SPSS 进行描述性统计,其结果(如表2所示)。

表2 KMO 和 Bartlett 的检验结果表

根据计算结果,KMO 统计量值为0.503>0.5,基本达到因子分析的可行性标准(0.503稍微低了些,这与样本数量偏少有关,因为一般要求样本数量为财务变量的5～20倍)。Bartlet’s检验值为199.183,而对应的相伴概率值小于0.0001,因此拒绝相关系数矩阵是单位矩阵的假设,故适合做因子分析。其次,运用SPSS软件自动完成各主成分的特征值和贡献值计算(详见表3)。本文取累计贡献率为72.124%。从表3可以看出,3个主成分因子包含原来72.124%的信息量,则主成分个数n=3,对这3个主成分因子进行旋转后的旋转成分矩阵(见表4)。

表4旋转成分矩阵

从表4的结果中可以看出,第一个因子在营运现金比率、总资产报酬率、资本积累率这3个指标上有较大的因子载荷,这3个指标综合反映了公司的短期偿债能力、盈利能力和发展能力,将第一个因子用符号表示为Z1,代表现金偿债盈利能力;第二个因子在权益乘数、现金流量利息保障倍数和净资产收益率这3个指标上有较大的因子载荷,而这3个指标综合反映的是公司的长期偿债能力、现金流量能力,将第二个因子用符号Z2表示,代表现金流量偿债能力综合主成分;第三个因子在现金比率和净资产收益率这两个指标上有较大的因子载荷,用符号Z3表示,代表短期偿债盈利能力综合指标。据表4旋转后的因子载荷矩阵,就可以得到各主成分因子与原始财务比率指标的主成分模型:

由表4得:

Z1=0.124X1+0.903X2+0.175X3+0.969X4+0.094X5+0.178X6+0.948X7-0.647X8Z2=0.215X1+0.166X2+0.698X3-0.043X4-0.298X5+0.851X6+0.022X7+0.112X8

Z3=0.839X1+0.054X2-0.545X3+0.08X4-0.071X5+0.21X6+0.086X7+0.397X8

3个因子分别从不同方面反映了公司财务状况的总体水平,但单独使用某一个因子并不能对公司的财务危机状况做出综合评价,因此以各因子对应的方差贡献率为权数得出最终模型:

F= 0.3946Z1+ 0.1736Z2+ 0.15304Z3

式中:F―预警分值;Z1―现金偿债盈利因子;Z2―现金流量偿债因子;Z3―短期偿债盈利因子。

(二)确定评价区域

将样本组上市公司的各项财务比率标准化处理后的数据,代入Z式和F式,计算得到各上市公司的预测分值,对预测结果进行排序,对上述F值进行频数统计,结果(如表5)。

据此,可得到以下判别准则,从而确定评价区域(如表6)。

表6 判别准则表

四、模型的预警效果检验及研究结论

本文利用2009年11月30号前上市的A股制药企业上市公司的23家健康公司和17家特别处理公司为样本,选择第t-1年的数据,以因子分析为基础建立的预测模型经检验对健康公司的预测精度为83.3%(由于制药企业被ST的公司只有17家已全部作为预测样本,因此只对20家非ST公司进行预测效果检验)。这样就说明模型具有一定的有效性。因此制药企业可通过重点关注本文设定的8 个财务指标,定期求出预警值F来观测企业的财务风险等级,同时企业也可以根据自身情况对模型进行调整,另外企业也应该注意到非财务指标的补充,并和企业的实际相联系,以进一步提高预警的精确度。本文的主要不足之处是样本数量较少,致使研究成果缺乏最佳的说服力,另外研究仅选用了一年的横截面数据进行预测,预测精度受到削弱。

参考文献:

[1]孙静,张子健.传统财务预警的指标与现金流指标的整合研究[J].中国管理信息化,2009,(9).

[2]高峰,孙春升.煤炭企业财务预警实证研究[J].煤炭经济研究,2009,(3).

[3]熊燕.财务危机预警模型评析[J].中国管理信息化,2008,(8).

[4]陈磊,任若恩.基于比例危险和主成分模型的公司财务困境预测[J].财经问题研究,2007,(7).

[5]陈艳,张海君.上市公司财务预警模型的研究[J].财经问题研究,2007,(6).

[6]贲友红,邹林全.财务预警模型中变量体系的设计[J].中国乡镇企业会计,2005,(12).

[7]张友棠.财务预警系统管理研究[M].北京:中国人民大学出版社,2004.

[8]杨淑娥,徐伟刚.上市公司财务预警模型――Y分数模型的实证研究[J].中国软科学,2003,(1).