我国农业上市公司财务风险的识别

姚雯

【摘 要】 近年来，农业上市公司由于自身的盲目非农扩张和经营不善，面临着巨大的财务风险。本文在参考国内外相关研究的基础上，运用Z计分模型进行试探，文章选取10家ST企业被ST前三年的数据和10家非ST企业2012～2014三年的数据，结果发现无论是ST企业还是非ST企业，准确率都不是很高。于是，在综合我国农业上市公司的具体情况，考虑对判别临界值的调整并尝试引入现金流量指标和企业偿债指标对Z计分模型进行调整和完善，提高了判别的准确性。

【关键词】 农业上市公司 财务风险 Z计分模型

一、选题背景及研究意义

无论是从历史上看还是在现代社会，农业在我国的重要地位都毋庸置疑。2017年中央一号文件聚焦农业供给侧改革，首次将“农业供给侧改革写进文件名”，凸显政策变化。这对于农业上市公司无疑是一个可以大施拳脚的机会。但是，在外部资本市场大波动的背景下，以及农业上市公司自身盲目的非农扩张和经营不善，我国农业上市公司的表现不尽如人意。因此密切关注公司的财务报告，防范财务危机，构建恰当的风险识别模型对农业上市公司的可持续健康发展是十分必要的。

二、国内外文献综述

（一）国外文献综述

奥斯本和盖布勒非常形象的描述了危机管理的重要意义：使用少量的钱预防，而不是花大量的钱治疗”。Fitzpatrick（1932）最早利用单变量模型进行财务破产预警。Edward.Altman则将其发展为更为科学的多变量预测模型，如线性判定分析：具有代表性的模型有1968年提出的Z计分模型和1977年提出跨行业的Zeta模型；线性概率模型（Deakin，1972）；Logit和Probit条件概率模型等。20世纪90年代初期，人工神经网络模型被相关学者引入了财务危机预警，使用BP神经网络进行预测，得到了良好的预测效果。

（二）国内文献综述

周首华、杨济华、王平（1996）对Z模型进行的修正，建立了F分数模型。杨淑娥、徐伟刚（2003）在借鉴Altman的Z计分模型的基础上建立了一种更为实用的财务危机预测模型-Y分数模型。近年来，我国学者比较普遍的研究方法是借助Logistic分析工具构建BP神经网络模型和运用多元逻辑回归分析来对上市公司进行财务预估，具有较好的稳定性和连续性。比如李品芳、周兆明、陈帅（2006）基于多元回归法建立财务预警模型，并对模型的创新和不足都给予了进一步的探讨。杨淑娥、王乐平（2007）通过构建BP神经模型进而建立中长期预警模型，使模型具有更广泛的应用价值。

通过以上对文献的整理，我们可以很明显的发现一个特点：无论是国内的学者还是国外的学者，大部分都是对整个上市公司展开研究，而很少针对某一个具体行业进行研究，更少有对农业上市公司进行财务分析，因此本文将针对农业上市公司展开研究，主要采用的是Z计分模型。

三、实证研究

（一）Z计分模型简介

1.Z计分模型

Edward.I.Altman在1968年设计出了著名的破产预测模型—Z计分模型。Z计分模型通过对银行以往贷款案例的统计分析，选择最能反映借款人的财务状况以及对贷款质量影响最大、最具预测和分析价值的比率，从而形成对贷款人比较准确的信用风险和咨信评价。Altman教授在研究后确定了5个指标作为此模型的自变量。Altman的Z计分模型的判别公式及各变量的含义如下所示：

Z=1.2X1+1.4X2+3.3X3+0.6X4+0.999X5（1）

其中，X1=营运资金（期末流动资产-期末流动负债）/期末总资产，X2=期末留存收益（净利润-全部股利）/期末总资产，X3=息税前利润/期末总资产，X4=权益市价（期末股东的市场价值）/负债面值，X5=本期销售收入/总资产。Altman教授在结合美国股票市场的实际情况，确定了Z值的实际节点。

一般来说，当1.81

（二）样本的选取

本文选取2000年到2016年的深沪两市的共20家农业上市公司为研究对象，其中非ST农业上市公司和ST农业上市公司各10家。非ST农业上市公司的时间区间均选在2012-2014年，ST（*ST）农业上市公司时间区间选择在亏损的前三年（比如*ST（獐岛）退市时间是2016年，那么选取的时间就是2013—2015年的数据，即表格后面的值就是2013—2015年的数据，依此类推）。

（三）实证研究

1.ST农业上市公司

注：其中默认t年为被退市风险警示年即被ST当年，那么依次类推，t-1就是被ST的前一年，t-2就是被ST的前两年，t-3就是被ST的前三年。

2.非ST農业上市公司

先看Z值，由于被ST的时间不一样，所以没办法用折线图表达出来。很容易发现一点，ST企业的Z值总体上小于非ST的企业，并且差异还比较明显，ST企业的Z值很多甚至跌至负值。非ST企业的Z值也没有达到预定所猜想的那样高。这表明Z计分模型用于我国的农业上市公司的财务风险评估的适用性较差。再看具体的准确率。

ST企业在T-3年的Z值在2.99以上的高达6家，而小于1.81的只有2家，准确率只有20%。但是随着时间的推进，大于2.99的公司个数在不断的减少，这说明公司被ST前其Z值是有一个不断恶化过程的，且对于Z计分模型的运用，时间推断的时间不宜过长。我们再来看非ST企业，2012年、2013年、2014年大于2.99的公司数分别为6、5、5，准确率分别为60%、50%、50%，准确率也很低。在此我们考虑对于非ST上市公司是否可以将判断无财务风险的标准值降低至1.81。那么准确率可以提高到80%、60%、80%。因为考虑到我国农业上市公司的财务水平普遍比较低，另一方面也符合我们模型得出的结论。

（四）模型的修正与改进

原Z模型主要从一个企业的营运能力、偿债能力、盈利能力、财务结构和经营效率五个角度进行分析，忽略了现金流量指标，因此用经营活动的现金流来代替销售收入。再考虑到对于陷入财务危机的大部分企业来说，常常无法按时偿还到期债务。因此在改进模型中还可以引入体现企业偿债能力的指标，此处引入的是资产负债率。设模型的函数形式为：

Z=C+a1*X1+a2*X2+a3*X3+a4*X4+a5*X5+a6*X6（2）

其中前四项指标和前面一样，第五项指标X5变为经营活动现金净流量/总资产，第六项指标X6等于总负债/总资产。本文用0来表示存在财务困境的ST公司，用1表示财务状况良好的的非ST公司，采用Fisher判别分析法对变量进行分析，用SPSS推导出判别方程式，在利用Fisher判别式建立起的信用风险识别模型是，得到的结果如下：

Z=-0.974+0.032X1+0.014X2-0.142X3-

0.001X4+8.339X5+1.637X6（3）

其中：Z为判别值，若Z>0表示公司财务陷入困境，有较大可能无法偿还，若Z<0，说明公司财务状况良好。

（五）实证检验

根据新模型的判别标准，我们发现ST上市公司的Z值为负的总共有8个，准确率为73.33%，非ST上市公司等额Z值为负的28个，准确率高达93.33%。相对于原先的Z计分模型，准确率有了较大的提高。

四、结论

通过以上分析，我们可以发现Z计分模型在财务风险预测中还是比较准确和实用的。最终得出的Z值可以直接推算出该上市公司面临的财务风险大小。但是任何预测性的模型都不可能达到百分之百的正确性，也不可能适用于所有的行业，但这也是Z计分模型的一大优点，因为其指标具有可调整性，所以对于Z计分模型的应用应该是十分灵活的。

【参考文献】

[1] 陈远志，罗淑贞.我国农业上市公司的财务预警实证研究[J].经济与管理研究.2008（03）.

[2] 袁康来，吴晓林.奥特曼模型在我国农业上市公司财务危机预警中应用的探讨[J].消费导刊.2008（03）.

[3] 王力申，羅华伟.基于Z值模型分析农业上市公司财务危机[J].商场现代化.2008（09）.

[4] 邱云来.Z计分模型的改进及实证检验[J].统计与决策.2009（12）.

[5] 周首华，杨济华，王平.论财务危机的预警分析—F分数模式[J].会计研究，1996（08）.

[6] 杨淑娥，王乐平.基于BP神经网络和面板数据的上市公司财务危机预警[J].系统工程理论与实践，2007（02）.endprint