物流上市公司財務風險預警探究范文

本站小編為你精心準備了物流上市公司財務風險預警探究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

【摘要】文中針對物流上市公司的現狀，引入了SPC中的控制圖工具來分析財務狀況。首先構建了物流上市公司財務風險預警指標體系，運用統計的方法對選取的36個指標做出一系列的篩選，在此基礎上合成一個財務指標的單期值，用以反映現公司的財務情況，運用統計質量過程控制中經典理論構建VARMA－EWMA預測模型，實證表明此模型預測效果良好。

【關鍵詞】物流業;財務風險;風險預警;VARMA－EWMA控制圖

20世紀30年代人們開始了財務風險預警的研究，近年來國內外學者采用各種回歸模型、神經網絡模型進行預測［1］。從技術上對數據進行定量的分析，但數據的獲取相對靜止，即截取某時點的數據。因此，財務風險預警模型大部分使用的數據是當期的，未考慮歷史累計值對本期的影響，因此屬于靜態預測模型，范圍和效果仍舊存在很大的局限性。通用模型實用性和準確度遠不如單個行業專用預警模型高，尤其物流業具有復雜性，因此根據物流行業的本身特點建立財務風險預警模型很有必要［2］。控制圖是質量管理常用的控制工具和方法，通過對過去情況的研究為當前和以后的管理做決策參考。EWMA(ExponentiallyWeightedMovingAverage指數加權移動平均控制圖)的主要原理是通過對質量變異進行加權累計用來判斷是否有異常情況發生。自從國外學者Theodossiou［3，4］在1993年將EWMA模型用來研究財務狀況后，國內學者［5－7］在此基礎上進行進一步研討，發現如果將VARMA(vectorautoregressivemodel向量自回歸模型)型結合EWMA模型形成一個VARMA－EWMA復合模型，能動態反映公司財務狀態的變化情況，從而彌補了靜態預測模型的不足。

1風險預警指標的選擇過程

1．1數據來源

由于樣本要求的范圍為與物流相關的上市企業，并且該企業上市至少5年以上，而符合兩個條件的樣本較少，將限制樣本選擇的數量。在借鑒國內外相關文獻的前提下，設置“零”、“低”、“中”和“高”4種不同程度的風險水平。并且，不采用特別處理的公司(ST和PT公司)作為風險的標志，而是將財務風險定義為一個動態過程。我們以湖南華夏標準信用管理有限公司2010－1012年對外公布的華夏標準財信榜榜單作為參考，隨機從中選取4個安全樣本、4個關注樣本、3個異常樣本(由于異常樣本有限)和4個困境物流企業，分別作為“零”、“低”、“中”、“高”的樣本。研究的時間范圍是從2011年1季度到2014年4季度。15個樣本分為四組:零風險組選取600004白云機場、600350山東高速、600717天津港、600221海南航空;低風險組選取600119長江投資、000886海南高速、600026中海發展、300013新寧物流;中風險選取600115東方航空、600751S天海、600794保稅科技;高風險選取600692亞通股份、600798寧波海運、600896中海海盛、601866中海集運。

1．2預警指標體系

本文采用基于權責發生原則下的傳統績效指標，將物流行業財務指標體系劃分為3級:第1級體現物流行業的財務表現。由于物流行業具有復雜性，物流設備等固定資產周轉期長，運營過程中需要一定量的現金流量作為保障，因此將現金流量指標納入體系范疇，以此削弱物流運營過程中非現金資產的影響;第2級指標任務在于闡述指標內容。

1．3篩選過程

首先我們需要選擇變量，然后將具有線性關系的指標剔除。如果財務變量總體服從正態分布的情況下，采用t檢驗和Pearson相關系數分析;如果分布未知，則采用Kreskas－Wallis檢驗和spearman相關系數分析。一般大部分行業的上市公司原始財務比率都不服從正態分布［8］?？傮w分布的正態性檢驗我們采取Jarque－Bera檢驗，檢驗假設為總體服從正態分布，本研究中36個備選指標的所有樣本的相伴概率都小于0．05，表明置信概率至少在95%下拒絕原假設。隨后，選擇財務變量本文采用Kruskal－Wallis檢驗，可知在四類公司間沒有顯明顯差別有17個指標(指標分別為X1、X11、X13－X17、X20－22、X25、X27、X3－35，其相伴概率在95%的置信概率下保留原假設)應予以剔除。接著分析采用Spearman相關系數，只有三個指標X2、X18、X19分別與指標X24之間不存在較強的正相關性，但是X19與X18之間具有很強的正相關性，可任在X19與X18之間選擇一個。本文選擇X2、X19、X24即速動比率、總資產現金回收率和總資產增長率指標作為最終研究變量。15×16×3的面板數據由前面所選的15個樣本的16個季度的3個財務比率組成，將各樣本的財務比率分別減去一個平均值，該平均值為相應樣本所屬類別該季度的平均。接下來對這數據進行穩定性檢驗，由于在五個評價指標中有四個指標一致顯示滯后期的階數為二，因此可確定模型的滯后期參數為四期。而模型的滯后長度參數為二，且有三個內生變量，因而該研究模型有2*3個單位根。如果這些單位根的模都小于1，說明所估計的VAR模型是穩定的。

2模型建立

2．1VARMA－EWMA模型

首先構造Zi，t為t時點為第i家公司當期Xi，t的復合函數。

2．2參數的取值過程

選擇VARMA模型的滯后期通常根據5個統計量來確定，其中有3個評價指標顯示滯后階數為4，因此確定本模型的滯后期參數為4。

3檢驗和總結

本文使用的軟件為SPSS20、Eviews8和Minitab16，根據各公司的Yi，t值做出判斷:①零風險樣本的檢驗。2012年全年處于安全的仍然是白云機場、山東高速、天津港和海南航空。②低風險樣本的檢驗。2012年需要關注的有長江投資、粵高速、新寧物流，亞通股份在第二季度以后逐漸走出了財務困境。而中海發展在2012年第三季度出現困境預警，公司在三季度報告中對其主要會計報表項目以及財務指標大幅比變動的原因做出了說明，并做出股改承諾。2012年天海在第一季度就出現了財務困境預警。③中風險樣本的檢驗。東方航空由2011年第一季度財務異常到2012年第四季度轉為財務安全。保稅科技在2012年財務狀況也有很大的改善。而S天海卻出現了財務困難。寧波海運、中海海盛和中海集團依舊處于財務困難的狀況。我們將預測結果以湖南華夏標準信用管理有限公司2012年對外預測結果作檢驗標準，總體預警正確率88．5%，結果表明效果良好。本文建立物流上市公司財務風險預警指標體系，通過進一步篩選分析得出結論，在物流行業中我們可以更關注償債能力、營運能力和成長能力方面的指標，其中速動比率、總資產現金回收率和總資產增長率較其他同類指標更具有代表性;研究采用VARMA－EWMA運用在物流行業財務困境預警上，根據時間序列的特點，對歷史數據賦值低，對近期數據賦值高，彌補簡單移動平均法的缺陷。最后結合實證研究，得到物流上市公司EMWA控制圖，更直觀的體現公司的財務狀態，風險預警效果良好。

［參考文獻］

［1］鮑新中．何思婧．企業財務預警的研究方法及其改進－基于文獻綜述［J］．南京審計學院學報，2012，9(05):60－70．

［2］曹雯雯，章雁．財務風險預警研究綜述［J］．經營與管理，2015(12):130－132.

［5］佘元冠，劉建國．公司失敗動態預測的ARMA－EWMA模型及其應用［J］．系統工程，2006(12):84－89．

［6］陳磊，任若恩．運用累積和控制圖模型對公司財務危機的動態預測［J］．統計與決策，2008(2):28－31．

［7］杜軍，徐建．基于EWMA控制圖模型的公司財務質量判別［J］．武漢理工大學學報，2014，36(2):260－26．

［8］薛躍，韓之俊，溫素彬．上市公司財務比率正態分布特性的實證分析［J］．管理工程學報，2005(02):143－145．

［9］龍丹．基于控制圖的物流上市公司財務風險預警［D］．南昌:華東交通大學，2016．

作者：龍丹 單位：華東交通大學