因子分析在煤炭行业上市公司财务预警分析中的应用

【摘要】本文以我国煤炭行业上市公司为研究对象，选取了30家上市公司样本，针对其偿债能力、资产管理能力、盈利能力、现金流量水平以及成长能力方面的16个指标进行因子分析，最终得出因子得分模型，这是进行其他多元统计方法的依据。

【关键词】煤炭行业 因子分析 财务预警 实证研究

一、引言

在经济全球化的今天，对于能源的消耗越来越受到关注，而作为能源龙头的煤炭行业则更是国家能源的支柱，我国是一个多煤少油的国家，对于煤炭有着很强的依赖性，这种不可替代的性质巩固了煤炭行业的地位。我国煤炭行业一般来说具有高负债、大额固定资产投资的特点，因此对煤炭上市公司进行财务预警研究具有很大的必要性，避免其遭遇财务危机。

因子分析是一种多元统计分析处理方法，其面对的是多变量问题，因而用较少的变量代替原来较多的变量成为研究的关键，因子分析正是这样一种降维、简化数据的技术。它通过研究众多变量之间的内部依赖关系，探求数据中的基本结构，用少数几个“抽象”的变量来表示基本的数据结构，这几个抽象的变量被称作“因子”，用来反映原来众多变量的主要信息。因子分析是其他多元统计方法的依据，与之结合，可以构建出财务预警模型。

二、文献回顾

（一）国外对财务预警的研究

Fitz Patrick最早开展了单变量财务危机预警研究，研究发现，发生财务危机的公司的财务比率与正常公司的显著不同，因而可以通过比较两者的财务比率，预测财务危机的发生。Beaver选取了79家财务失败公司与同等数量的财务正常公司进行比较，提出了单变量判定模型。由于运用不同的财务指标分析同一家公司会得出不同的结果，因此Altman首次将多元线性判别方法应用于财务危机的预测，提出了著名的Z计分模型。另外，Odom和Sharda还运用神经网络进行财务预警研究，开创了神经网络财务预警的先河。

（二）国内对财务预警的研究

国内对于财务危机预警的研究起步较晚，相比国外较为落后。周首华，杨济华和王平鉴于Altman模型，对Z计分模型进行改进，建立了F分数模型。陈静采用单变量分析和建立Z值模型分析方法，对1998年27家ST公司和27家非ST公司进行研究，构建出一个由6个财务指标组成的综合模型。王春峰、万海晖、张维等运用神经网络法对商业银行的财务风险进行了研究，发现其学习经验的能力较强。张玲以120家上市工作作为研究样本，从多个财务指标中筛选出4个建立财务预警模型，研究表明该模型具有提前4年的预测能力。吴世农、卢贤义选取70家财务危机公司与正常公司为样本，分别通过Fisher线性判定、Logistic回归以及多元线性回归分析方法，构建了3种不同的财务预警模型。结果表明，Logistic回归模型的预测效果最高。

三、样本选取和数据来源

（一）样本选取

本文样本来自于我国三十家煤炭行业上市公司的财务数据。另外，为构建财务预警模型选取的样本中剔除了ST公司，因为任何上市公司从财务状况正常发展到财务危机发生都会经历一个过程，财务危机具有先兆性，因此，通过构建财务预警模型可以预测上市公司的财务危机，进而可以通过观察一些敏感财务指标的变化，使财务预警发挥作用，避免财务危机的发生。

（二）财务比率的选取

本文选取了反映上市公司偿债能力、资产管理能力、盈利能力、现金流量水平、成长能力以及非财务方面的16个指标，这16项预警指标分别为：流动比率、速动比率、现金比率、股东权益比率、有形资产负债率、固定资产投资回报率、固定资产现金周转率、总资产周转率、总资产净利率、权益净利率、主营业务利润率、成本费用利润率、每股营业现金流量、主营业务现金比率、总资产增长率和净资产增长率。

四、实证分析

（一）因子分析的前提假设

因子分析的目的是简化数据或者找出基本的数据结构，因此使用因子分析的前提假设是观测变量之间应该具有较强的相关关系。本文采用KMO和Bartlett检验，验证因子分析的适应性。可知KMO值为0.627，根据KMO度量可知，样本量满足要求。Bartlett球形检验的显著性水平为0.000，即原假设被拒绝，可以认为相关系数矩阵与单位矩阵有显著差别。

（二）运用因子分析法提取公因子

首先，得出解释的总方差。

可提取公因子的前提条件为初始特征值大于1，由分析可知前4个公因子的特征值大于1，所以应取前4个公因子。同时，这4个公因子的累积贡献率达到79.926%，即这4个公因子可以解释原16个变量79.926%的变异。为了对这几个因子进行解释，需要得到原始的财务指标对这几个因子的因子载荷。

（三）由旋转后的因子载荷阵命名公因子

因子旋转的目的是为了使初始因子载荷矩阵的结构简化，便于对公共因子进行解释，这里的结构简化是指使得每个变量仅在一个公共因子上具有较大的载荷，而在其余公共因子上载荷较小，使同一列上的载荷尽可能地向靠近1和靠近0的两极分离。本文采用方差最大正交旋转法。

由因子载荷矩阵可知，因子F1在X2速动比率、X1流动比率与X3现金比率上有较大的载荷，这些指标都与企业的偿债能力有关，因此称F1为偿债因子。因子F2在X9总资产净利率、X11主营业务利润率、X10权益净利率与X12成本费用利润率上载荷，这些指标反映了企业的盈利能力，所以将F2命名为盈利因子。F3在X14上有较大的载荷，与企业的现金流量水平有关，故将其命名为现金流量水平因子。F4在X15总资产增长率、X16净资产增长率上载荷，反映了成长能力，因此将F4命名为成长能力因子。

（四）确立因子得分表达式

在命名公因子之后，可根据SPSS软件输出的因子得分系数矩阵，确定每个因子的因子得分表达式。

根据因子得分系数矩阵，因子得分表达式为：

F1=0.223X1+0.227X2+0.213X3+0.107X4+0.021X5+0.178 X6+0.222X7+0.070X8+0.028X9-0.041X10-0.032X11-0.031X12

-0.005X13-0.017X14-0.034X15-0.022X16

……

上述的因子得分表达式即为我国煤炭行业上市公司的因子得分模型。因子得分是因子分析的最终体现，可以通过因子得分模型，计算出各个因子的得分数，进而在煤炭行业上市公司内排名，判断其财务状况，进而达到财务预警的目的。

五、结论

本研究参考了国内外学者研究财务预警的大量文献，结合我国煤炭行业上市公司的特点，选取了30家上市公司作为研究样本，本文运用统计软件SPSS17.0，对因子分析在煤炭行业财务预警分析中的应用进行了实证研究。

研究结论如下：

第一，本文用因子分析方法对我国煤炭行业上市公司的财务预警状况进行分析。在上市公司财务指标的选取方面，选择了反映偿债能力等五个方面的16个指标，这些指标之间都具有较强的相关关系，适合进行因子分析。在经过一系列因子分析之后，最终得出因子得分模型，进而可以计算出得分数，对煤炭行业上市公司进行排名，判断其财务状况。因此，可以看出，因子分析更多的是一种达到目的的中间手段，它往往会被作为许多模型的中间步骤，在对数据进行浓缩后继续采用其他多元统计方法来解决实际问题。

第二，本研究所选取的样本可靠，指标计算严谨，数据真实，基本上可以代表我国煤炭行业上市公司的情况。

参考文献

[1]Fitzpairick P.J.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms [J]. Certicified Public Account，1932，（2）：589-737.

[2]Beaver.WH. Financial. Ratios.as Predictors of Failures [J].Journal.of Accounting.Research，1996，（4）：71-127.

[3]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，（8）：8-10.

[4]左维.中国上市公司财务危机预警模型实证研究[D].成都：西南财经大学，2008.

[5]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999，（4）：4.

[6]张玲.财务危机预警分析判别模型[J].数量经济技术经济研究，2000，（3）：49-51.