摘要：本文以2017—2019年食品制造业上市公司为研究对象，选取包括了企业偿债能力、盈利能力、营运能力、成长能力和现金流指标5个方面17个指标，逐步进行K-S检验、非参数检验和因子分析筛选指标，最后进行Logistic回归分析，得出2017—2019年的预测结果分别为90.91%、93.18%和93.18%，可以为食品制造类企业的财务预警工作提供思路。

关键词：财务预警模型；Logistic回归；因子分析

一、引言

食品行业的发展与人民生活息息相关,尤其在经济发展迅速的新时代，人民生活日益美好，对食品的要求也日益精致，如今企业的竞争模式逐渐转化为个性化、多样化和差异化。企业要想在新时代实现高质量的发展，必须在企业内部建立财务预警体系。通过对以往的文献进行梳理后发现，财务风险预警的模型主要有F值模型、logistic回归模型、神经网络分析模型等，各有特色，指标选取也延伸至非财务指标。但是纵观所有研究，研究对象大多是房地产企业和汽车产业，对食品制造业的研究较少，因此本文为食品制造业建立财务预警模型，运用SPSS软件对指标进行回归分析。

二、指标选取

1.样本选取。本文从国泰安经济金融库中选取了食品制造业的44家企业，其中包含40家正常企业和4家被ST的公司。由我国上市公司的信息披露制度可知，ST公司发生财务危机的下一年会被冠上ST的名称，因此发生财务危机的实际年份应为其被ST的前一年。所以在搜集数据时，选取上述公司2017—2019年的财务数据进行分析。

2.指标初步筛选。通过阅读相关文献，重点参考中国食品类上市公司的已有文献，结合食品制造类企业的具体情况和特征，依照新准则的规定，从四大能力指标和现金流指标中，选取了17个指标构建食品制造业上市公司的财务预警指标体系，如表1。

3.指标检验。为了验证指标是否具有显著性，需要对指标进行显著性检验。首先，对样本进行正态性检验分析。当样本服从正态分布时，用T检验来验证指标是否具有显著性。剩余的样本采用KruskalWallis检验来判断。（1）正态性检验。运用SPSS26.0软件将指标进行标准化处理后，对数据进行K-S参数检验。K-S参数检验用来检验指标区分ST与非ST公司的显著性。在α=0.05的显著性水平下，结果表明X4样本总体的P值大于0.05，服从正态性分布，可以进行T检验。其余指标不服从正态性分布，采用非参数检验进一步检验其显著性。（2）显著性检验。首先对符合正态分布的X4进行T检验，结果显示其显著性水平为0.00，小于0.05，具有显著性。其他指标采用K-W非参数检验方法，检验出X1、X2、X6、X8、X9、X11、X13、X14和X16指标具有显著性。

三、因子分析

1.KMO和Bartlett球形检验。在对原始数据进行相关性分析后，发现上述数据彼此之间存在一定的相关性，部分指标相关性很高。因此可以更好地利用因子分析进行降维，再进行KMO和Bartlett球形检验。KMO统计量的取值在0~1，KMO值越接近于1，意味着变量间的相关性越强，原有变量越适合进行因子分析。SPSS检验结果显示：Sig.<0.05（即P值<0.05）时，说明符合标准，数据呈球形分布，各个变量在一定程度上相互独立。从表2可以看出，KMO取值为0.626，大于0.05，因此该组数据适合做因子分析。显著性检验结果为0.000，说明各变量间具有相关性，适合进行因子分析。

2.主成分提取。运用SPSS23.0对所选取的2017—2019年44家食品制造业上市公司的财务指标进行主成分分析。运行结果显示10个指标共有3个特征值大于1，即用3个因子来代替10个指标，共累计解释了原始变量方差的83.21%。

3.主成分的解释。由表3可以看出，在主成分F1中，资产报酬率、息税前营业利润率、每股收益指标的负荷量最为明显，代表企业的盈利能力。其次流动比率、速动比率、资产负债率在主成分F2上负荷量大于其他指标，代表了企业的偿债能力。在主成分F3中，存货周转率、总资产增长率、净利润增长率和每股经营活动产生的现金流量净额这些指指标上负荷量较高，代表了企业的成长能力。由系统得分矩阵表可以得知三个因子的方程式，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回归分析

1.模型建立。首先将回归的自变量设为非ST公司和ST公司，分别设定为0和1。其次根据因子分析选出的三个变量作为因变量，进行Logistic回归分析。在回归检验中，P值越大，企业发生财务危机的可能性就越大。结合对样本得出的预测结果，选择临界P值为0.5，凡是P值大于0.5，则被界定为财务危机公司。反之则为经营正常的公司。在建立Logistic模型中，原理如下：不会发生财务风险的概率P与Xi存在一种回归关系。Xi假设为第i个预警指标变量矩阵。P是一个介于0与1之间的函数。分析结果如表4所示。根据表4可以得出食品制造业财务预警模型为：P=e1.877+1.305F1+1.134F2+0.533F31+e1.877+1.305F1+1.134F2+0.533F3（P＞0.5，发生财务危机；P≤0.5，经营正常）

2.模型的回判检验。为了验证Logistic回归预警模型的准确性，将44家食品制造业上市公司2017—2019年的P值分别带回模型中进行检验，临界P值为0.5，借助模型对各年的财务风险进行预测，再将预测情况与实际进行比较，2017—2019年回归准确度分别为90.91%、93.18%、93.18%，预测准确度均在90%以上，并且逐年递增。

五、结论

本文以食品制造业2017—2019年的数据为研究对象，采取17个财务指标，对该行业44家公司的财务风险预警进行实证研究。通过指标筛选，建立了Logistic回归模型，得出了如下结论：

1.与企业被警告退市的年份越近，预测概率越高，预测结果越准确。在实证结果中，2019年的预测概率比2017年的预测概率要高。因此预警模型的短期成效较长期成效强。

2.在预警模型中，资产负债率和每股收益有着重要作用，因此食品制造业在日常经营中要引起重视。

3.模型存在一定的局限性，食品制造业是制造业的一小分类，相对于房地产行业、汽车产业来说，公司数量少，且食品制造业大多数经营稳定，无太大变化，获得的样本数据有限制，模型预测的准确性会受到一定的影响。

作者:何敏 单位:青海民族大学经济与管理学院