基于主成分分析法的我国钢铁行业财务预警模型构建研

　　王小鹏赵帅强
　　【摘要】当前，我国钢铁行业受产能过剩、铁矿价格波动、国家环保政策趋紧以及近期中美贸易摩擦等因素影响，经营面临诸多不确定性，引发了潜在的财务风险。因此，探索建立适应国家政策、符合行业特色的财务预警模型对于钢铁行业来说具有重大的理论及现实意义。文章基于主成分分析法，以多因素模型作为基本框架，通过KS检验、T检验和MannWhitneyU检验，从42个重要财务指标和1个非财务指标中筛选出13个变量进行主成分分析，构建F计分模型，并通过24家上市鋼企近年来的数据对所建立的财务预警模型进行测试，结果显示模型具有良好的可靠性。
　　【关键词】主成分分析法；钢铁行业；财务风险；预警模型
　　【中图分类号】F275【文献标识码】A【文章编号】10025812（2019）06010904
　　一、引言
　　钢铁行业在我国国民经济中占据着十分重要的地位。自2011年以来，我国钢铁行业产能过剩问题逐渐突出，低效、低价、低利形势日益严峻。2017年，虽然钢价缓慢回升，但钢铁行业的效益仍然处于工业制造业、冶炼业的较低水平，主营业务利润率仅为4。70，不及当年全国规模以上工业企业主营业务利润率的6。35。在国家供给侧结构性改革的持续推进下，2018年15月，我国钢铁行业有所回暖，如螺纹钢与上年同期相比利润增幅达49，热轧钢增幅高达350。在结构转型、国企改革、提质增效等政策引导下，管理创新成为钢铁行业高质量可持续发展的重要手段。企业财务通则规定，企业应当建立财务风险管理制度和财务预警机制。因此，为了促进我国钢铁行业的健康发展，防范财务风险，在充分结合我国经济运行特点和钢铁行业经营特征的基础上，本文建立了科学有效的财务预警模型，以促进企业管理创新，实现稳健经营和可持续发展的目标。
　　二、文献综述
　　有关财务预警理论的基本研究，在国外，自上世纪30年代开始，Fitzpatrick（1932）最早采用单一的财务比率分析法，将19家企业分为破产组和非破产组进行对比研究，构建了预测企业财务危机的一元判定模型。Altman（1968）以33家破产企业和33家经营正常企业的财务数据作为研究支撑，依据误判率孰小的标准得出5个变量作为判别指标，构建了应用最为广泛的ZScore模型〔1〕。Ohlson（1980）选择了105家经营恶化企业和2058家经营正常企业组成配对样本进行了探索，将逻辑回归方法纳入财务危机预警体系。Zmijewski（1984）选取了3956家企业的财务数据（其中76家为破产企业），利用Probit模型进行了全面财务预警分析。进入上世纪90年代后，Odom（1990）首次将人工神经网络引入企业财务预警研究，结果表明人工神经网络能够很好地进行财务危机预测。
　　在国内，由于我国市场经济及证券市场发展起步较晚，有关财务预警管理的研究较为滞后。吴世农、黄世忠（1986）首次介绍了如何有效识别和筛选企业破产重组预警指标以及相应的财务预警模型〔2〕。以Altman的Z计分模型为基础，周守华、杨济华（1996）第一次将现金流量并入财务预警指标体系，并构建了F计分模型，检验表明模型预测准确度达73。7。吴世农、卢贤义（2001）将70家被特殊处理的上市公司和70家经营正常的上市公司作为研究对象，综合运用费舍尔等线性判别及逻辑回归方法建立财务预警模型。戴小园、马迅（2010）将GDP指数作为重要指标与传统的考察因素相结合，将10家经营恶化企业和69家经营正常企业作为研究对象，构建逻辑回归预警模型，检验表明预测准确度在93以上〔3〕。孙静、王纯杰（2018）对企业财务预警模型构建中的指标选择和研究方法等进行了探讨〔4〕。
　　在我国钢铁行业财务预警研究方面，张晶、张明丽（2011）以济钢集团财务风险管理体系的建立为例，从财务风险的防范和控制、财务预警系统、财务风险管理反馈等三个方面探讨了钢铁企业财务风险预警体系〔5〕。孟星涵（2012）综合利用因子分析法、相关性分析法、聚类分析法、判别分析法等进行企业的分类与指标的选择，以我国37家钢铁行业上市公司财务与非财务数据作为研究对象，探讨了我国上市钢铁公司财务风险评价体系。龚健（2016）以钢铁行业去产能为背景，采用了10余种不同的方法建立了钢铁企业的财务危机预警模型，对40家上市钢铁企业进行了财务危机预警模拟，并以各个模型的准确度进行了可靠性排序。综上，我国钢铁行业的财务预警模型众多，观点不一，值得进一步探讨研究。
　　三、模型构建
　　（一）建模准备
　　1。财务危机的衡量标准。由于企业每年的财务状况受宏观政策、自身经营、战略调整等多种因素的共同影响，故为真实反映企业创造利润的能力，本文认为企业的营业利润连续两年负增长相较于企业净利润负增长更适合作为判定企业是否潜在财务危机的标准。
　　2。建模方法。本文选用主成分分析法来构建F计分模型。
　　3。建模思路。（1）确定研究对象主体，即钢铁行业具体企业，并归纳初始变量指标。（2）检验初始变量显著性，筛选出存在显著性差异的指标，即为构建模型的基础指标。（3）根据对照组和样本组的检验结果，以主成分分析法作为技术基础，在按照以上步骤筛选出来的指标中进一步提取主成分，进而开展模型构建。（4）依据描述统计量表，规范所得模型的临界区间。（5）检验模型准确度，判别模型的可靠性。
　　4。数据选取。样本组数据主要来源于CSMAR数据库、新浪财经、网易财经、东方财富网等，数据处理使用SPSSStatistics19。0。为进行指标选择、检验及模型构建，数据选取依据为：
　　（1）选择CSMAR数据库中以铁矿冶炼、钢铁产品制造及销售等为主营业务的企业作为研究对象总体，主要范围为证券市场上财务数据合规、公开的企业，如表1所示。
　　（2）根据钢铁行业的财务特点，通过营业利润、资产负债率、利息保障倍数等财务指标筛选出24家钢铁企业，按照11的比例，依据企业财务状况是否健康，分为实验组（否）和对照组（是），选取两组数据的原则如下：实验组、对照组资产规模相当；所统计的两组企业财务数据的会计期间一致。财务危机企业、非财务危机企业分别为：2013年华菱钢铁、重庆钢铁和新钢股份、山东钢铁；2014年韶钢松山、鞍钢股份、首钢股份、安泰集团、南钢股份和柳钢股份、西宁特钢、大冶特钢、三钢閩光、武钢股份；2015年凌钢股份、马钢股份、抚顺特钢和鄂尔多斯、龙建股份、方大特钢；2016年酒钢宏兴、上海科技和本钢板材、杭钢股份。
　　（3）在会计期间的确定方面，为尽量弱化供给侧结构性改革及中美贸易摩擦的影响，突出企业自身经营和财务管理方面的主要因素，本文选择企业20112016年的财务数据与非财务数据作为模型建立所使用的指标。另外，由于企业的财务危机并不完全是在当年突然爆发的，而是经过之前几年财务状况的恶化逐渐积累发生的，因此，危机企业选取20112014年的财务数据，非危机企业选取20132016年的财务数据，并相互对照。如新钢股份选取2013年的财务数据，与之相互对照的华菱钢铁则选取2011年的财务数据（用以表示华菱钢铁2013年的财务状况）。
　　5。模型指标选取。如表2所示，本文以能够反映企业财务状况的几大指标作为财务数据，以所在会计期间会计估计是否发生重大变更作为非财务数据，共筛选出43个初始变量，分别用X1X43表示（表2中从上向下、从左向右分别对应X1X43；本会计期间企业的会计政策若发生重大变更取1，否则取2）。
　　（二）模型建立过程
　　1。确定指标值。从数据库中导出并计算X1X43的值。
　　2。变量筛选。此步骤需要确定拟选取的43个指标是否符合建立模型的数据分布要求、是否具有代表性、是否存在共线性等问题。通过对数据的统计检验，剔除不显著的（代表性不强）、存在较强共线性和相关性的指标，具体筛选过程为：
　　（1）KS检验。KS检验基于累计分布函数，用以检验两个经验分布是否不同或一个经验分布与另一个理想分布是否不同，显著性水平通常设定为5（能承担失误水平的大小）。假定研究对象企业的财务指标呈正态分布，将上述各个指标导入SPSS19。0运行KS检验，得出：X1、X2、X4、X6、X7、X8、X9、X11、X12、X13、X15、X16、X19、X23、X24、X25、X27、X28、X29、X30、X31、X32、X33、X34、X35、X37、X38、X39、X40、X41、X42、X43共32个财务指标的Sig值（相伴概率）大于5，表示假设正确，即所选财务指标呈正态分布，将通过T检验做进一步筛选；其中11个财务指标的Sig值小于5，不服从正态分布，不能进行T检验，将进行非参数检验予以筛选。
　　（2）T检验。利用两个独立样本T检验来确定两个研究组的财务数据总体均值是否具有显著性差异，显著性水平设定为5，不存在显著性差异为零假设H0。上述32个财务指标的T检验结果显示，X6、X31、X32、X33、X35、X37、X38和X42这8个指标的Sig值小于0。05，零假设H0不成立，两组样本数据具有显著性差异，且这些指标能够有效区别两组样本，可作为模型建立指标，其他的指标予以剔除。
　　（3）非参数检验。对于X3、X5、X10、X14、X17、X18、X20、X21、X22、X26和X36这11个指标，通过两个独立样本的曼惠特尼U非参数检验（MannWhitneyU检验）作进一步筛选。与T检验类似，显著性水平定为5，不存在显著性差异为零假设H0。结果显示，X3、X14、X20和X36共4个指标的Sig值小于0。05，作为模型建立指标，其他的指标予以剔除。
　　（4）经过KS检验、T检验、非参数检验等一系列步骤后，本文从表2的原始变量中共确定了13个指标来建立模型：X3（利息保障倍数）、X6（现金流量比率）、X14（可持续增长率）、X20（净资产增长率）、X31（资产报酬率EBIT总资产）、X32（营业利润率）、X33（成本费用利润率）、X35（资产净利润率）、X36（净资产收益率）、X37（主营业务利润率）、X38（每股收益）、X42（每股自由现金流量）、X43（会计政策变更）。
　　（5）KMO和Bartlett检验。KMO和Bartlett检验用于观测原有变量是否适合做因子分析。在相关系数矩阵符合单位矩阵（零假设H0）前提下，对上述13个指标进行检验，若Sig值小于显著性水平，则表明指标满足做因子分析的要求，结果显示Sig的值为0，如表3所示。
　　3。抽取主成分。通过主成分分析法计算所抽取主成分的特征值、贡献率，根据最大方差法旋转后的主成分矩阵如表4所示。
　　为了更科学地展示财务数据所蕴含的信息，从而使抽取的主成分更能反映企业的财务状况，将筛选出的13个指标进行旋转，得出主成分矩阵：主成分Z1主要由成本费用利润率解释，所以Z1反映了企业的盈利能力：主成分Z2主要由可持续增长率和净资产收益率组成，反映了企业的发展能力：主成分Z3主要由每股企业自由现金流量解释，所以Z3反映了企业的经营能力；主成分Z4主要由利息保障倍数解释，所以Z4反映了企业的偿债能力；主成分Z5主要由会计估计变更解释。
　　（三）确定主成分表达式
　　根据表4数据，利用回归法计算成分得分系数矩阵，也就是主成分表达式的因子系数，如下页表6所示。
　　根据表6可以得到因子表达式：
　　（四）构建财务危机预警模型
　　1。构建财务危机预警模型。
　　计算企业的Z1、Z2、Z3、Z4、Z5（略）和F值，结果如表7所示。
　　2。确定F模型的临界值。利用SPSS得出样本企业F值的描述统计量表，如表8所示。
　　综合上述分析，可以得出以下结论：当F3。776时，企业处于财务安全区域；当F1。036时，企业处于财务危机区域；当1。036f3。776时，企业出现财务恶化的迹象，此时企业需要找到危机的根源并调整相应的经营策略，以防范财务进一步恶化的风险。p
　　四、模型检验
　　上文利用24家上市钢铁企业20112016年的数据具有代表性的财务指标与具有重大影响的非财务指标，确定了钢铁行业财务危机预警模型。将上述24家上市钢企20082016年的相关数据代入模型，得到检验结果如表9所示（数字表示非财务健康企业数量）。
　　可以看出，从2008年开始，财务危机企业逐渐增多，在2015年达到最大值，这与自2008年以来钢铁行业逐渐低迷、2015年钢材价格大幅下降、钢铁行业进入寒冬期的实际情况基本相符。同时从表9也可以看出，在2016年处于财务危机的企业数量最少，这与2016年钢铁行业去产能政策的实施、钢材价格逐渐回升有关。可见，本文构建的模型能够较为可靠地预测钢铁企业的财务状况。
　　将抚顺特钢的数据代入模型可知，自2008年起，抚顺特钢的财务状况显现出恶化的迹象或开始恶化，发生财务危机的可能性比较大，这种状况持续到2015年。比较20082016年抚顺特钢的资产负债率以及其母公司东北特钢的破产重整事件，以及自2017年开始的频繁停复牌事件，2018年的长时间停牌及ST，说明该财务危机预警模型对抚顺特钢近几年的财务状况的预测较为准确。
　　五、结论
　　本文从实际出发，结合我国钢铁行业的宏观背景，针对钢铁行业的发展现状，构建了钢铁行业的财务预警模型：首先，依据一定标准选取24家样本企业，然后从偿债能力、营运能力、盈利能力、成长能力、现金流指标、每股指标和会计估计变更等方面选取了43个财务指标和1个非财务指标作为建模基础，并利用KS检验、T检验和MannWhitneyU检验等，最终推导出我国钢铁行业的财务危机预警模型：
　　在国家去产能政策初见成效、国内钢价有所上涨并助推国际钢价上行的背景下，本文构建的钢铁行业财务预警模型可以使我国钢铁企业更好地分析并管理自身的财务情况，从而在一定程度上提升我国钢铁企业在全球钢铁市场上的竞争力。S
　　【主要参考文献】
　　〔1〕Altman，EI。FinancialRatiosDiscriminantAnalysisandthePredictionofCorporateBankruptcy〔J〕。JournalofFinance，1968，23（4）：589609。
　　〔2〕吳世农，黄世忠。企业破产的分析指标和预测模型〔J〕。中国经济问题，1986，（6）：58。
　　〔3〕戴小园，马迅。房地产上市公司财务危机预警模型实证研究〔J〕。现代商业，2010，（05）：127。
　　〔4〕孙静，王纯杰。企业财务预警模型的比较研究〔J〕。商业会计，2018，（07）：112114。
　　〔5〕张晶，张明丽。浅析钢铁企业财务风险管理体系〔J〕。冶金财会，2011，（02）：3940。f3。776时，企业出现财务恶化的迹象，此时企业需要找到危机的根源并调整相应的经营策略，以防范财务进一步恶化的风险。