基于逻辑回归模型的企业财务风险预警
项目课题：重庆市社科联社科规划青年项目，大国博弈冲击下基于大数据智能的企业信用风险动态预警机制研究（2022NDQN32）；重庆理工大学研究生教育高质量发展项目（gzlcx20223391）

高　倩

作者简介：高倩（1996—），女，江西景德镇人，汉族，硕士研究生，重庆理工大学，研究方向：企业财务风险管理

    【摘要】通过财务风险预测模型的研究，可以帮助管理层、债权人、股东等利益相关者根据上市公司财务报表、事务所等相关数据推定公司财务风险值，这对于监督企业正常运行以及维护各相关者利益有重要作用。本文以我国 2019—2021 年间科创板软件与信息技术服务业的上市公司为研究对象，利用企业财务指标和非财务指标，建立了财务风险预警体系，运用因子分析法进行预测变量降低维度，并进行了数据标准化处理，最后基于逻辑回归方法构建了预测模型并检验模型的精度。结果显示模型预测准确率为 93.5%，达到了令人满意的预测效果。
    【关键词】财务风险；非财务指标；逻辑回归模型
一、引言
    软件与信息技术服务业（包括信息软件和新兴技术软件等）是新一代信息技术的灵魂，是数字经济发展的基础，是制造强国、网络强国、数字中国建设的关键支撑。发展软件与信息技术服务业，对于加快建设现代化产业体系具有重要意义。工业和信息化部印发了“十四五”软件与信息技术服务业发展规划，规划中显示软件与信息技术服务业规模效应显著增长，业务收入年均增长率达 13.8%，全国软件著作权较 5 年前翻了 5 倍，收入超千亿企业超过 10 家，工业互联网平台近 100 个，连接设备数量超 7000 万台。与此同时，我国软件与信息技术服务业高质量发展仍面临诸多挑战。少数上市企业因为管理或操作的问题，遭遇了财务困境，甚至因为财务风险而变成 ST 公司或 PT 公司，严重影响了这些企业的信誉和流通值，同时也给投资者带来了巨大的恐慌和经济损失。
二、财务风险预警概述
    企业的财务危机是一个从量变到质变、循序渐进的过程，起初某个经营指标出现异常，逐步走向更大的危机。全面系统地观察企业财务特点，在源头采取防控措施，才能有效避免企业进入无法挽回的境地。因此，建立系统全面的财务预警机制尤为重要。
    综合过往的财务风险预警研究发现，对财务风险预警的研究主要包括 2 个方面：财务风险预警方法的研究和财务风险指标的研究。
    财务风险预警方法又包括定性和定量的分析方法。定性的方法主要包括专家调查法、四阶段症状分析法、三个月资金周转表分析法、流程图分析法和管理评分法。定量的方法主要借助传统的统计方法和最新的人工智能技术。最早有 Beaver,Altman 使用定量的方法分析企业的财务风险，使用的变量是单一变量。Z分数模型是建立在单变量模型比率指标上的多变量模型，用于辨别公司是否处于财务困境状态。LPM，Logit 以及Probit 等更为复杂的统计模型也渐渐被应用在财务风险预警领域，用于分析财务风险发生的拐点、成因，以及对未
来趋势的预测。20 世纪 50 年代，电脑程序开始用于模拟人的决策行为，最为典型的是近几年的人工神经网络技术。
    财务预警指标的研究主要包括：财务指标和非财务指标。早期的财务指标主要用于衡量企业的四个能力：偿债能力、盈利能力、营运能力、发展能力。杜邦公司提出净资产收益率。威廉·比弗 (1966) 探索出 3 个拥有较好预测能力的财务比率指标：净收入 / 总资产、总负债 / 总资产和现金流。2001 年《中国证券报》与清华大学公司研究中心研制的上市公司绩效评价模型，主要从盈利能力、偿债能力和成长性三个方面选取了 15 项财务指标对上市公司的绩效进行综合评价。证星—若山风向标上市公司财务测评系统选取 20 个财务指标，评价偿债能力、资产负债管理能力、盈利能力、成长能力与现金流量五大类，以此构成上市公司财务测评系统的指标体系。因财务指标的面向过去、易操作等局限性，一些学者开始探索新的指标来衡量财务风险。比如互联网行业内的用户增长速度、访问量、客户黏性等指标。邓晓岚运用 logistic 回归分别检验股权结构、公司治理、市场信息等方面的 10 个非财务变量对财务困境的解释力，并应用 jack knife method 检验模型的分类预测能力。结果显示，年度累积超额收益率与审计师意见的预警效果较好。曾繁荣和刘小淇选择了 35 个财务变量和 25 个非财务变量进行研究发现，引入非财务变量提高了模型的预测准确率，且 Logit 回归模型的预测准确率优于 Fisher 判定模型。
    综上所述，无论是理论界还是实际企业的运营，财务风险预警都很受重视。财务风险预警理论与时俱进，但对某个具体行业的财务预警的研究还比较欠缺，尤其是信息技术行业，尚未找到类似研究。因此，本文结合最新的逻辑回归技术，从上市公司的财务方面、非财务方面构建财务风险预警模型，并对模型进行检验，这种分析，可为信息企业财务预警提供理论基础。
三、模型构建
    1. 样本选择与数据来源
    本文按照中国证券监督管理委员会发布的《上市公司行业分类指引》（2012），选取了 2019—2021 年信息和软件技术服务业 A 股上市公司为研究样本，剔除 2019—2021 年中任何一年未披露年度报告的公司和任何一项指标数据缺失的公司后获得 229 个最终样本。事务所规模变量的数据来源为中国注册会计师协会官方网站，其他变量的数据来源为 CSMAR 数据库。
    2. 变量定义
    （1）构建预测变量体系
    预测模型的精准性和前瞻性取决于指标的选取。本文选取指标依据系统性、全面性、科学性、预测性、可操作性、易获取性、动态性等原则，并结合前期对文献的多方参考，选取对财务风险有重大影响的指标，最终构建了包括上市公司财务和非财务指标的预测变量体系。
预测变量体系如表 1 所示。

    （2）因变量定义
    审计意见作为财务风险变量。
    财务报表审计的审计意见可分为标准无保留意见、无保留意见、 保留意见、否定意见和无法表示意见。本文将审计意见变量设计为五个取值——标准无保留意见为１，无保留意见取值为２，保留意见取值为３，否定意见取值为 4，无法表示意见取值为 5。
    3. 数据处理
    （1）标准化处理
    在本文选取的 28 个自变量中，各个变量的含义、计量单位均有差异，较大量纲变量会在一定程度上降低小量纲变量在模型处理中的信息量，对模型的预警效果产生消极作用。为了处理前述问题，本研究拟采用 Z-score 标准化方法对变量数据进行处理，将原始数据按照既定的原则进行伸缩，消除各个变量的量纲，使得具有不同含义和单位的变量在模型分析中各自独立。标准化后的数据呈现正态分布，均值为 0，标准差为 1。
    （2）预测变量降维
    无论是在选取指标还是在收集数据研究财务风险问题时，为了尽可能呈现问题的全部特征，往往会将更加全面性的变量纳入模型。但如果将前述表 1 中所有的 28 个预测变量数据都输入财务预警模型，会造成模型输入的数据冗余，使得模型的计算和学习效率降低，增加其不稳定性。为解决上述问题，本研究使用 spss 对预测变量进行因子分析，以达到变量降维的目的。在尽可能不损失或者少损失原始数据信息的情况下，将错综复杂的众多变量聚合成少数几个独立的公共因子，这几个公共因子可以反映原来众多变量的主要信息，在减少变量个数的同时，又反映了变量之间的内在联系。
    首先，进行 KMO 和 Bartlett 球形检验，以分析是否适宜进行因子分析。检验结果为：KMO 检验值为
0.662；Bartlett 球形度检验的近似卡方为 5788.909,Sig 值为0.000<0.05，因此拒绝 Bartlett 球形度检验的零假设，说明各个指标是相关的。综上，本研究的样本数据适合进行因子分析。其次，进行因子提取，即对预测变量组中特征值大于 1 的因子进行提取。本研究从 28 个预测指标中共提取了 15 个因子，其累计方差贡献率为 79.251%，说明这15 个因子保留了 79.251% 的原始数据信息，具有良好的代表性，因子分析的结果较为理想，为预测模型的构建打下了牢固的基础。最后，根据因子载荷计算出各样本的因子变量数值，在模型分析中，用因子变量数值代替原有的预测变量数值作为输入值。
    （3）逻辑回归
    逻辑回归模型用的 python 处理，将第二部降维后的数据输入逻辑回归模型中，并反复检验，最后将预测值和真实值进行对比，预测准确率高达 93.5%。
四、结语
    研究逻辑回归预测模型，可以帮助利益相关者根据上市公司相关数据推定公司财务风险值，这对于优化证券市场资源配置和维护市场经济秩序具有重要意义。本文以我国 2019—2021 年间科创板上市公司为研究样本，建立了财务风险预测体系，运用因子分析法进行预测变量降维，并进行了 Z-score 数据标准化处理，最后基于逻辑回归方法构建了预测模型并进行检验。结果显示模型总体的平均预测准确率高达 93.5%。
    我国信息与技术服务行业高速发展的同时，也存在很多亟待解决的问题，如人才结构不合理。信息技术服务业属于国家战略信息产业，也是高财务风险产业。针对该行业，笔者提出以下建议：第一，积极构建财务风险预警模型，提升风险管理的意识及水平；第二，优化债务结构，降低资金链断裂风险；第三，提升内部管理资产效率。
参考文献
[1]Edward I Altman. Financial ratios, discriminant analysis andthe prediction of bankruptcy[J]. Journal of Finance, 1968,23:589-609.
[2]Beaver W H. Financial ratios as predictors of failure[J].Journal of Accounting research (Supplement),1966.
[3]Altman E, Haldeman R, Narayann P. Zeta analysis—a newmodel to identify bankruptcy risk of corporations[J]. Journal ofbanking & Finance, 1977.
[4]邓晓岚，王宗军，李红侠，等.非财务视角下的财务困境预警——对中国上市公司的实证研究 [J]. 管理科学，2006(3):71-80.
[5] 曾繁荣 , 刘小淇 . 引入非财务变量的上市公司财务困境预警 [J].财会月刊，2014(8):25-30.