基于现金流量的上市公司财务危机预警研究(2)

　　利用SPSS统计软件对训练样本T-1年的通过显著性检验的17个现金流量指标进行主成分分析，得到8个主成分的特征值和贡献率。从结果可以得出，在T-1年，前8个主成分的累计贡献率为82.143%，说明用这8个因子代替原来的17个指标，共计反映原有变量82.143%的信息。同理，可以得出T-2年和T-3年的特征值和贡献率，从结果可以发现，T-2年共提取了7个主成分因子，累计贡献率达到了81.733%，说明这7个主成分因子包含了原有变量81.733%的信息量，总体上，7个因子能够解释原有变量大部分的信息。T-3年提取了5个主成分因子，累计贡献率达到82.760%，说明这5个主成分因子包含了原有变量82.760%的信息量，也就是说5个主成分因子基本上保留了原始数据的信息量。

　　因子分析的目的不仅是提炼主因子，更重要的是表达每个主因子的意义。通过成分矩阵可以描述各个主因子与原始变量之间的关系，但是提炼的主因子的典型代表变量并不突出。旋转法使得因子负荷量更易于解释，这是由于在因子提取时通常提取初始因子后，对因子无法做出有效的解释。因此为了更好地解释因子，必须对负荷矩阵进行旋转。本文运用最大方差法进行旋转，使得每个因子具有最高载荷的变量的数目最小，以简化对因子的解释。由主成分的因子载荷矩阵，得到主成分与原始变量的相关系数即因子载荷量，因子载荷量体现了主成分因子与原始变量之间的相关程度。因子载荷量越高，表明该因子包含的该指标的信息量就越多。利用SPSS可以得到主成分的得分系数矩阵，由这些系数和相应标准化处理后的指标数据就可以得到对应的主成分的线性表达式。

　　（四）Logistic模型的建立

　　将T-1年得到的8个主成分代入Logistic回归模型中，并采用后退法作似然比概率检验，向后逐步选择最优建模变量。向后逐步回归法通过计算每一步入选变量的Wald统计量值，并删除最小Wald值对应的变量，直到所有变量都满足设定的显著性水平时结束回归。经过两步计算，模型最终保留了7个主成分，具体如下页表1所示。

　　Wald统计量的值可以用来判断自变量是否显著，如果一个变量的Wald检验结果P值小于0.05，就可以考虑将该变量入选为最优建模变量。上述7个主成分的Wald检验结果的P值均小于0.05，自变量对于因变量的解释效果显著，模型拟合效果好，可以作为最优建模变量，从而可以得到基于现金流量指标的T-1年的模型，即P=e（-0.095-0.841F1+0.62F2-0.644F4-2.728F5+0.418F6-3.209F7-0.643F8）/[1+ e（-0.095-0.841F1+0.62F2-0.644F4-2.728F5+0.418F6-3.209F7-0.643F8）]。用同样的方法，可以得到基于现金流量指标的T-2年的模型为：P=e（-0.128-0.413F1-0.508F2-0.402F3-0.54F5-1.376F6-0.751F7）/[1+ e（-0.128-0.413F1-0.508F2-0.402F3-0.54F5-1.376F6-0.751F7）]。同样可以得到基于现金流量指标的T-3年的模型如下：P=e（-0.073-0.428F1-0.339F2-0.484F3-0.85F4）/[1+ e（-0.073-0.428F1-0.339F2-0.484F3-0.85F4）]。由标准化处理后的现金流量指标数据以及得到的主成分得分系数矩阵可以计算出主成分F1，F2……F8的相应数据，带入上面建立的现金流量指标模型便可计算出对应的P值。

　　（五）模型的检验

　　为了检验模型的有效性，将随机选定的50家测试样本带入回归模型，将模型的判定结果和公司实际是否被ST进行对照。将危机发生前三年的现金流量数据进行标准化以后带入主成分的表达式中，再根据得到的Logistic回归模型计算P值。以P=0.5作为分割点，如果P<0.5，则说明公司财务状况健康；如果P≥0.5，则认为公司陷入财务危机。将T-1年的相关数据带入模型中进行回判，结果如表2所示。通过表2可以看出，本文建立的T-1年的现金流量财务危机预警模型能够准确预测ST公司的数量为44家，准确率为88%；准确预测非ST公司的数量为41家，准确率为82%。模型总体的检验准确率为85%。

　　利用已构建的模型对随机抽样的100家测试样本公司T-2年的数据进行预测检验，预测结果如表3所示。通过表3可以看出，本文建立的T-2年的现金流量财务危机预警模型能够准确预测ST公司的数量为41家，准确率为82%；准确预测非ST公司的数量为36家，准确率为72%。模型总体的检验准确率为77%。

　　将T-3年的现金流量数据带入T-3年的模型，得到的检验准确率如表4所示。通过表4可以看出，本文建立的T-3年的现金流量财务危机预警模型能够准确预测ST公司的数量为35家，准确率为70%；准确预测非ST公司的数量为33家，准确率为66%。模型总体的检验准确率为68%。

　　三、研究结论