（二）现金流量指标的显著性检验

　　在无法确定样本是否服从正态分布，并且两个配对样本相互独立的情况下，采用非参数检验的两独立样本的曼-惠特尼U检验（Mann-whitney U）方法。运用SPSS统计软件得出，在显著性水平为0.05的条件下，T-1年有17个指标通过了显著性检验，说明财务危机公司和财务正常公司在这17个指标上存在显著性差异，是建立财务危机预警模型的有效指标。同理可以得出，T-2年有17个指标通过了显著性检验，T-3年有13个指标通过了显著性检验。本文对这些通过显著性检验的指标通过因子分析进行进一步的筛选，然后运用Logistic回归方法建立财务危机预警模型。

　　（三）因子分析

　　因子分析是用少数几个因子综合反映原始数据的大部分信息的统计方法，在进行科学研究时，较多的变量会一定程度的增加研究的复杂程度。因子分析可以用少数几个因子来描述多个指标或因素之间的联系，通过寻找众多变量之间的公共因素来简化变量中存在的复杂关系。原有变量之间具有较强的相关性是利用因子分析的前提条件，本文通过KMO检验和Bartlett球度检验，判断样本数据是否适合进行因子分析。KMO检验取值在0和1之间，所有变量间相关系数的平方和大于偏相关系数的平方和时，KMO越接近1，说明变量间的相关性越强，原有变量越适合进行因子分析。Bartlett球度检验是根据相关系数矩阵的行列式得出的结果，该值越大且对应的相伴概率小于设定的显著性水平，则拒绝原假设，说明原始变量之间存在相关性，适合进行因子分析。运用主成分分析法，对搜集的177对训练样本公司ST前三年的经过显著性检验的指标数据进行分析，判断样本是否适合做因子分析。得出样本公司被ST前三年的KMO值分别为0.744、0.732、0.647，均大于0.6，而且被ST前三年的相伴概率值均为0.000，小于显著性水平0.05。因此， T-1年、T-2年和T-3年的原始变量之间均存在相关性，适合进行因子分析。

　　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

　　本文在分析和总结传统财务指标的基础上，选取了18个现金流量指标，建立了一个以现金流量指标为主的财务危机预警指标体系。运用因子分析法和Logistic逻辑回归方法对财务危机发生前三年的样本数据进行分析和研究，建立了三年的基于现金流量的财务危机预警模型，并对模型的预测能力进行了检验。研究发现，首先，现金流量指标可以用于预测公司财务危机的发生，并且具有较高的预测性。选取现金流量指标为预警指标，相比传统的财务指标能更好地反映企业财务信息的真实性。其次，不同的年份存在不同的显著性指标，因此在公司被ST的前3年分别建立预警模型是合理的。最后，离危机发生的年份越近，现金流量指标的差异性越明显，根据较大差异的指标建立的模型判别准确率就越高，这也说明了公司的财务状况恶化是一个逐步累积的过程。X

　　参考文献：

　　1.马红，糜仲春.从现金流的角度预测上市公司的财务困境[J].价值工程，2004，（8）.

　　2.梁飞媛.基于现金流的财务危机预警系统实证研究[J].财贸经济，2005，（2）.

　　3.章之旺.现金流量在财务困境预测中的信息含量实证研究[J].中国管理科学，2004，（6）.

 

---

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

---

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。