北京工业职业技术学院 杨海涛

控制财务危机视域下财务预警分析监管指标体系的构建

北京工业职业技术学院 杨海涛

随着全球经济化步伐不断加快，使得各大企业所面临的竞争不断加剧，不少企业面临着财务危机情况，为实现企业的生存和发展，必须构建一个科学有效的财务预警分析监管系统，随时跟进和监控企业的财务状况，以便于及时采取有效措施，避免因财务危机所带来的损害。鉴于此，本文从控制财务危机的视角下，构建了一套财务预警分析监管指标体系，旨在为我国企业有效地控制财务危机状况提供理论依据。

财务危机 财务预警分析 监管指标 体系构建

一、引言

财务危机，即所谓的财务困境，主要是指企业由于缺乏经营现金，因而无法及时偿还到期的债务，以至于无法履行合约相关条款的情况。通常情况下，如果企业发生了如下情况，则被认为是出现了财务危机：企业在清算之后仍无法对债权人的债务进行支付；企业及其债权人申请了企业破产；企业无法在规定日期内针对债务合约的相关要求清还债务并支付利息；企业资产无法抵还债务，账面净资产呈负数。

财务预警分析主要是针对企业财务危机的可能性因素进行持续的跟踪、监测和管理，一旦某相关指标的值超出了允许值时，就会有危机警报发出，并及时采取一系列措施予以解决。其可对财务危机的风险程度进行综合判断，并及时进行报警，可以对同财务相关的所有环节内出现的问题进行研究和分析。因此，财务预警分析其实就是一种规避风险机制，它集预测、报警、应警于一体，不仅可以预测财务危机的可能性因素，还可以通过独特方式对企业利益相关人员进行提醒，并为其提供详细的解决方案以便于及时控制风险。

由此可见，为了更好地应对财务危机，有必要建立一套科学合理的财务预警分析监管体系，以确保企业资金流的顺利进行，为企业的进一步发展奠定基础。

二、财务预警分析的主要监管指标

根据现代财务管理理论可知，企业的盈利、营运、偿债及其成长能力决定了企业的财务情况。为实现对企业财务情况科学全面地反映，在基于国内外相关研究成果之上，结合信息技术行业的特征，以及选取财务指标的相关原则，笔者重点选取了财务类及现金流量类两方面的指标。其中，前者主要包括有偿债、营运、盈利及成长能力这四方面。而后者选取过程中不仅需要考虑到企业现金流信息对判别企业财务危机的重要意义，还要尽量避免因主观偏好所导致的信息失真或扭曲情况的出现。为确保数据真实有效，本文主要选择了如下几类指标。盈利能力：销售净利润、销售毛利润、营业利润率、净资产收益率。营运能力：存货周转率、应收账款周转率、总资产周转率。债偿能力：流动比率、速动比率、资产负债率。成长能力：主营业务收入增长率、总资产增长率、净资产增长率。现金流量指标：销售现金比率、主营业务比率、每股现金流量净额。

经过显著性检验后可知，上述合计16个变量中除了销售现金比率、资产负债率、净资产收益率和主营业务比率等指标之外，剩余12个指标都较为敏感，因而可以作为企业财务危机的预警分析监管指标，对企业的财务危机风险情况进行预测。

三、基于控制财务危机视域下财务预警分析监管指标体系的构建

财务预警分析监管指标体系构建时应基于整个体系构建的目标、环境、功能、结构及其监测、预警系统的关系之上，选用较为敏感的作为指标。为确保整个评价结构的合理性和客观性，进行财务预警分析监管指标体系的初步构建时，应尽量选择可全面反映公司各方面财务情况的指标，为体系指标的最终确定留有余地。企业的主体财务比率必须能够对企业的偿债、盈利、营运、资本增长及其资产管理能力五方面的财务情况。分析可知，销售毛利率、流动比率、总资产增长率及长期负债资本比这几方面差异显著，表明这些指标的敏感性较强，可以作为反映财务预警分析监管指标体系模型构造的基本变量。

目前，关于财务预警分析监管模型的构建方法有很多，如判别分析法、因子分析法等，实践表明，Logistic回归模型法的预警结果最为准确科学。因此，本文选用此方法进行财务预警分析监管指标体系的构建。

（一）Logistic回归模型的主要步骤。先进行数据样本及其指标的选取，并对自变量及因变量进行确定；将各指标之间的多重共线性进行消除；对模型的参数进行估计，并对其拟合状况进行评估；以模型的参数为基础，对其显著性、大小、符号等方面对于因变量的意义进行解释；针对检验样本情况，对模型的预警精确度进行验证。

（二）建模之的准备。虽然通过非参数检验，得到了12个差异显著的指标，将16个指标简化到了12个，但是，由于财务指标都是比率指标，且多数是根据联系紧密的财务报表数据进行计算所得，因此，各项指标间的相关性较强。应当注意的是，Logistic回归模型本身就对多重共线性相当敏感，因此，变量间相关性稍微高一点儿，就会导致系数误差出现大幅度增加的情况，为避免这种情况的发生，本文先通过因子分析法进行公因子的提取，并将公因子作为最后进入财务预警分析模型的解释变量，以最大程度地防止多重共线性所带来的影响。经过因子分析法，提取了5个公因子作为解释变量带入预警模型中，5个公因子如下：

（三）Logistic回归模型的构建。通过SPSS软件分析，根据所选取的5个变量以及发生财务危机的企业样本数据，进行Logistic回归命令的选择，根据Backwald逐步向后剔除变量法，进行Logistic回归分析，5次迭代之后得到的结果见表1。

表1 Logistic回归模型结果

（四）模型预警效果分析与检验。在使用此模型进行企业财务危机情况的预测时，还有一个问题需要注意，即临界点的选取问题，若选取的不好，将会对模型的预警效果带来不利影响，所以应当给予足够的重视。由于理论上来说，此模型并无最优化分割点的存在，因而其选择主要同企业的具体目的有关。在本文的研究中，企业财务危机的预警设置范围在0到1之间，所以，选取0.5作为判别临界值，即若通过此回归模型计算所得的不发生财务危机的概率P大于0.5时，那么，就将该企业归入健康企业类型中，相反的，若计算所得不发生财务危机的概率P小于0.5时，则该企业就被归入财务危机类型中。

1．模型预警识别效果的检验。本文以52家企业为样本，将这52组样本的数据代入上文最终得到的回归公式中，再经 SPSS16.0的统计分析得到了模型样本组的判断概率，具体情况见下表2：

表2 回归模型样本预测的分类结果

通过对这52家企业样本的相关数据进行模型预测，其中，在26家发生财务危机的企业中有21家企业被正确地归为财务危机企业，而剩余的26家正常企业仅有1家被错误地归入财务危机企业中，所得到的准确率分别是88.5%和96.2%，这表明Logistic回归模型的预测精确度相当高，最终的综合判定准确率可达92.35%。

2．回归模型拟合效果的分析与检验。为了进一步对此回归模型的预测效果进行检验，可采取Hosmer and Lemeshow Test拟合度检验方法对其进行进一步地验证。从Hosmer and Lemeshow Test拟合度的检验结果可知，拟合度检验所得到的显著性概率是0.119，同显著水平0.05相比要大。因此，原假设成立，表明Logistic回归模型的预测值同观测值并没有显著性差异存在，也说明可允许的范围内，Logistic回归模型的估计值拟合了样本的数据。对估计样本数据也进行Logistic回归模型分析，可得到52家企业前3年的财政危机情况的分析效果汇总。

表3 Logistic回归模型预警效果汇总表

使用Logistic回归法进行财务预警的优点是适用性强、可直接进行统计检验，很适合分为两组的判断，结果同两组的判别分析相同。此方法的缺点是对样本数据要求较高，要求指标不能具有多重共线性，对企业各财务指标数据来说很难实现，必须事先消除共线性；此方法所选取的指标主要是通过回归剔除所得，因而代表性还不够全面，可能在此类指标并不突出的健康公司方出现误判结果。

但是本文所构建的模型预警判别率较高，应该是由于建模前先使用因子分析法将指标变量的多重共线性进行了消除，并将5大公因子作为指标纳入模型中去，因此，判别式中的指标公因子代表性更强，涵盖性也更大，因而对于各企业财务危机情况的判断相对更加准确。因此，构建的财务预警分析监管体系可以较好地对企业的财务情况进行判断和预测，可以为企业采取下一步措施提供有力依据。

郭宪英、王清杰.2009.财务危机的预警研究.山东审计，7。