[摘 要] 本文从学习曲线的视角,将多变量学习曲线引入财务风险分析中,并利用SPSS 12.0软件,对沪深两市179家ST公司的相关数据加以分析,通过主成分分析与回归分析,研究新会计准则下上市公司财务风险的触发因素,得出学习曲线方程,并提出学习曲线在财务预警中的具体应用途径。
　　[关键词] 学习曲线;新会计准则;财务风险;主成分分析;回归分析
　　[中图分类号]F253.2[文献标识码]A[文章编号]1673-0194(2008)10-0041-04
　　
　　财务风险是指由于多种因素的作用,使企业不能实现预期财务收益,从而产生损失的可能性。财务风险贯穿于企业财务管理工作的各个环节,客观存在,且种类各异。按照财务环节的主要活动,财务风险可以分为:筹资风险、投资风险、资金回收风险和股利分配风险。对于上市公司而言,一般认为受到特别处理(ST)的公司处于较严重的财务风险中。
　　在旧准则下,财务风险的影响因素主要包括:企业财务管理的宏观环境复杂多变;企业财务管理人员对财务风险的客观性认识不足;财务决策缺乏科学性导致决策失误;企业内部财务关系混乱等。在新会计准则下,财务风险的触发因素又有新的变化。以下基于学习曲线,加以阐释。
　　
　　1 学习曲线与财务风险
　　
　　1936年,美国康奈尔大学赖特(T. P. Wright)博士[1]在研究飞机人工装配时,发现飞机生产数量递增与平均直接人工成本之间的关系,即每单位产品的直接工时与生产数量的递增成反比,后经演进,发展成为学习曲线(Learning Curve),并被广泛应用于航空工业及其他行业中。学习曲线又称为进步曲线、经验曲线(Experience Curve)、改善曲线,是一种动态的生产函数。结合财务周期理论[2],并从时间序列分析,财务风险或者财务危机的出现,必然经历一个发展过程,包括:第一阶段的潜伏期,第二阶段的发作期,以及第三阶段的恶化期[3]。由此,可以将财务风险划分为三阶段。
　　三阶段财务风险的界定如下:在潜伏期学习阶段,要求在财务风险“发作”之前就对其进行识别、分析和监测。此阶段的学习具有前瞻性。在发作期学习阶段,要求对短期内发生的财务风险加以弱化,努力将风险造成的损失降至最低,并力求消除可分散风险。在恶化期学习阶段,要求积极应对已经发生的财务危机,力求通过重组、退市或者其他有效措施,解决公司的生存问题。
　　
　　2 新会计准则下财务风险的触发因素
　　
　　新会计准则(2006)下,财务风险的触发因素呈现多样性。结合上述三阶段财务风险学习曲线的分析,可按照三阶段分别对财务风险的触发因素加以阐释。以下每阶段的阐释分别从宏观行业方面、微观企业方面、主观人为方面加以分析。
　　2. 1潜伏期学习
　　在潜伏期学习阶段,主要发挥先导作用,恰当把握宏观环境的变化趋势,结合企业实际,合理预期财务风险。
　　在宏观行业方面,新会计准则的颁布令五大行业直接受益[5]。新会计准则建立了完整的会计确认和计量体系,尤其是公允价值计量属性的引入,对拥有生物资产的行业、电力行业、拥有投资性房地产的行业的财务状况和经营成果带来相当大的影响。根据新会计准则,不再单独确认“股权投资差额”,也不再对其进行摊销,由此将会在一定程度上增加机器制造业等相关行业的投资收益。新会计准则允许将开发支出进行资本化处理,有助于信息技术行业较快地提高盈利水平,为其进行融资与再融资提供基础条件。那么,对于这些行业而言,对其潜伏期财务风险的识别,可以将着重点置于非宏观行业因素。反之,对于其他行业而言,随着公允价值的不断变动,可能带来行业性的资产和损益的波动。比如商业银行,金融资产和金融负债的公允价值波动,极易加剧资产负债率的波动,从而令公允价值的引入成为财务风险的触发因素。
　　微观企业方面,主要是提前关注企业主要财务指标值,并对非财务因素加以理性考虑,力求在风险发作之前就敏锐地预知,并做出有效反应。新会计准则实施后的政策变更可能导致一些企业净利润明显波动[6]。比如,高科技企业利润大幅下降可能是因为取消了后进先出法;财务状况恶化的公司利润大幅增加的原因可能是债务豁免产生的大额营业外收入。此外,新会计准则对企业财务信息披露的要求进一步提高[7],在信息自愿披露方面,客观上的强制性要求更为明确,在一定程度上限制了具体企业报喜不报忧的粉饰报表行为。由此,新会计准则下,会计计量方法的变更、信息披露的严格要求等,都可能引发财务状况的潜在风险。
　　在主观人为方面,主要是营造符合自身行业与企业特点的文化氛围,并积极培养新准则实施后的职工胜任力,从而为风险预警与防范提供人力基础。
　　可见,在新会计准则下,财务风险潜伏期阶段的学习,主要在于将会计准则的具体变动与企业自身所处的宏观行业环境、微观企业实际以及一些人为因素相衔接,力求未雨绸缪,遏制财务风险的发作。
　　2. 2发作期学习
　　在发作期学习阶段,着重于发掘行业新亮点,着力培养企业抗击风险与摆脱困境的能力,进一步积累并发挥团队凝聚力,规避风险,将损失降至最低。发作期的学习,应结合潜伏期的风险分析成果。如果潜伏期学习欠缺或者失败,则将发作期学习作为学习起点。以下讨论以发作期学习为起点的情况。
　　在宏观行业方面,主要还是关注政策层面等宏观问题。如果国家的相关政策法规对相关行业是限制态度,且在新会计准则背景下,要求上市公司信息披露程度较高,那么,二者将成为财务风险的重要触发因素。
　在微观企业方面,主要还是加强对相关财务指标和非财务指标的有效监测。企业的负债(尤其是短期负债)过度,主营业务收入明显下降,大额未付利润、现金流量异常等报表层面信息及其披露,都可能直接影响上市公司股价,进而影响企业价值,阻碍企业长期发展,成为财务风险的触发因素。
　　在主观人为方面,情况与潜伏期相似,但仍应着重提升财务人员的职业道德水平,并尽力保持较低的人员流动水平。否则,主观方面的因素也可能成为财务风险的重要触发因素。
　　可见,在新会计准则下,财务风险发作期的学习,主要在于遵纪守法,趋利避害,既要保障财务报表等相关信息披露符合规范,还要继续朝着股东利益最大化的目标迈进。
　　2. 3恶化期学习
　　在恶化期学习阶段,应首先解决企业的生存问题。综观宏观行业方面、微观企业方面以及主观人为方面,财务风险恶化很可能源于三方面的合力,并在三方面逆向合力的进一步作用下,形成恶性循环,将企业推向失败的边缘。此时,行业发展疲软、企业资不抵债、人心涣散等诸多方面,都将成为财务风险的触发因素。
　　
　　3 实证分析
　　
　　本文依据Wright学习曲线,并引入E. W. Waller and T. J. Dwyer (1981) [8] 阐述的多变量学习曲线,并结合相关研究内容对变量重新定义,探讨财务风险控制,分析如下:
　　Wright学习曲线:y=axm(1)
　　式中,y是第x年的单位成本,此处定义为上市第x年的累计ST年数占累计上市总年数的比率;x是累计产量,此处定义为累计上市年数;m是学习系数,m≤0,a是变量x的系数。通常以学习率C表示学习曲线,C=10m ·lg2。学习率小,说明随累计产量增加,工时(成本)下降迅速;学习率大,则相反。
　　此处,引入多变量学习曲线1:
　　　式中,Cx为单位成本;K为内在常数;xn(n=1,2,3,…)表示第n个独立变量;Cn(n=1,2,3,…)为第n个变量的系数;bn(n=1,2,3,…)为第n个变量的次数。此处第n个独立变量对C的作用是第n个独立因素对C的作用,没有工序的先后顺序。
　　公式(3)可以转化为回归方程:
　　lgCx=lgK+lgC1C2…Cn+…+b1lgx1+b2lgx2+…+bnlgxn
　　即:Y= a+b1X1+b2X2+b3X3+…bnXn(4)
　　式中,a =lgKC1C2C3…Cn,Xn=lgxn(n=1,2,3,…)
　　下面的分析应用回归方程(4)。
　　主成分分析(Principal Components Analysis,PCA)[9]是一种通过降维来简化数据结构的方法,这种方法由Pearson(1901)首先使用,后经过Hotelling (1933)、Gnanadesikan (1977)、Kshirsagar (1972)、Morrison(1976)等人不断发展而成熟起来。由于财务风险影响因素的多样性,变量的选择也必然是多样的。应用主成分分析,可有效降维,提高对变量的分析力度,再结合回归方程的求解,可以得出学习曲线,达到研究目的。
　　以下借助SPSS软件,应用主成分分析和回归分析,对1999-2006年沪深两市A股179家ST公司的数据(原始数据来源于证券之星网站、金融界网站)进行实证分析。相关数据分析见表1、表2。
　　表1 公共因子方差
　　提取方法:主成分分析
　　表2 公因子的特征值与贡献率
　　提取方法:主成分分析
　　可见,前5个因子贡献占总方差的比例为86.877 8%,与80%左右的一般水平相符。所以,确定主成分数目为5,取前5个主成分。主成分载荷矩阵 见表3。
　　由主成分分析得出5个新变量,分别命名为FAC1_1,FAC1_2,FAC1_3,FAC1_4,FAC1_5。用新变量与因变量ST年数比(ST年数比=ST年数/上市年数)进行回归分析,见表4。
　　表4模型摘要
　　a变量Predictors: (Constant),FAC1_1,FAC1_2,FAC1_3,FAC1_4,FAC1_5
　　拟合结果显示,线性回归模型中,相关系数R为
　　0.946 2,决定系数R 为0.895 4,调整决定系数为0.892 4,可见,模型拟合效果理想。
　　表5方差分析b
　　a变量Predictors: (Constant),FAC1_1,FAC1_2,FAC1_3,FAC1_4,FAC1_5;b因变量Dependent Variable: ST年数比STNSB
　　由方差分析表(见表5)可知,离差平方和为2.435 1,残差平方和为0.254 8,回归平方和为2.180 3。回归模型的显著性检验中,统计量F为296.117 9,对应的置信水平为0.000,远比常用的置信水平0.05要小,因此可以认为方程显著。
　由回归方程系数及其检验结果可知,未标准化回归方程的常数项A为-0.099 5,自变量系数为-0.004 9,0.044 1,
　　-0.049 6,-0.039 8以及-0.079 0,系数显著。
　　由此,可以得出学习曲线方程:
　　Y= -0.099 5-0.004 9X1+0.044 1X2-0.049 6X3-0.039 8X4 -0.079X5(5)
　　即:y=0.795 2x1-0.004 9x20.044 1x3-0.049 6x4-0.039 8x4-0.079(6)
　　其中,Xn=lgxn,lg(0.795 2)=-0.099 5
　　4 结果分析及结论
　　变量x1,x2,x3,x4,x5对应于主成分分析中的FAC1_1,FAC1_2,FAC1_3,FAC1_4,FAC1_5,根据主成分载荷矩阵可以看出,公司价值评测总分(GSJZPCZF)对应于第一主成分FAC1_1,可命名为价值成分;静态业绩可靠性得分(JTYJKKXDF)、成长性得分(CZXDF)与管理能力得分(GLNLDF)对应于第二主成分FAC1_2,可命名为主观成分,资产状况得分(ZCZKDF)与主营业务能力得分(ZYYWNLDF)对应于FAC1_3,可命名为业绩成分;筹资能力得分(CZNLDF)与盈利能力得分(YLNLDF)对应于FAC1_4,可命名为运营成分;上市年数(SSNS)对应于FAC1_5,可命名为上市经验成分。
　　结合财务风险三阶段思想,以及宏观行业方面、微观企业方面、主观人为3个方面的论述可知,上述主成分涵盖了关于财务风险触发因素的3个方面。其中,价值成分FAC1_1,业绩成分FAC1_3,运营成分FAC1_4,上市经验成分FAC1_5对应于微观企业方面的分析,主观成分FAC1_2对应于主观人为方面的分析,宏观行业方面的分析在5个主成分分析中均有潜在体现。
　　另外,第二主成分FAC1_2的系数为正数,不符合学习曲线中随着变量值的增加,因变量值下降的学习效应原理,原因可能在于变量对应于标准化前的指标——静态业绩可靠性得分(JTYJKKXDF)和管理能力得分(GLNLDF),指标在第二主成分上的载荷较大,即其与第二主成分的相关系数较高,那么学习曲线方程系数异常的原因可能在于此两项得分受主观因素影响过大,数据计量难度较大,数据准确性不高。
　　在此模型中,若已知x1,x2,x3,x4,x5,那么就可以带入方程(4),求出对应的y。即根据目标公司的上市年数、公司价值评测总分、盈利能力得分、成长性得分、主营业务能力得分、静态业绩可靠性得分、资产状况得分、偿债能力得分和管理能力得分,就可以由方程(4)求出对应的ST年数比,再由ST年数比=ST年数/上市年数,可以求出相应的ST年数,结合自身现有的ST年数,计算出未来ST的年数和概率,从而提前督促企业防范和规避财务风险,达到预警目的。
　　通过以上分析可以发现,新会计准则下财务风险的触发因素是多方面的。结合学习曲线的相关理论以及实证分析结果可知,努力提高公司价值,培养盈利能力、主营业务能力、偿债能力、静态业绩可靠性以及管理能力,改善资产状况维持公司较高成长性水平,使各项得分保持较高水平,可以减少公司被ST的可能性。从具体途径而言,可以学习曲线为工具,将财务风险划分为潜伏期、发作期、恶化期3个阶段,从宏观行业方面、微观企业方面以及人为主观方面对财务风险的触发因素加以分析,凭借相关软件(如SPSS软件)求出学习曲线方程。将已知变量带入方程中,求出对应的ST年数,从而进行财务风险有效预警。
　　
　　主要参考文献
　　[1] E W Waller and T J Dwyer. Alternative Techniques for Use in Parametric Cost Analysis[J]. Concepts- Journal of Defense Systems Acquisition Management,1981,4(2):48-59.
　　[2] 罗福凯. 公司财务周期理论[D]. 成都:西南财经大学,2003.
　　[3] 苏利平. 财务风险“潜伏期”的分析识别与监测[J]. 财会通讯:理财版,2007(2):81-82.
　　[4] 彭娜,曾繁荣,朱佳磊. 基于学习曲线的ST上市公司财务风险控制[J]. 财会通讯:理财版,2007(12):76-77.
　　[5]桂浩明. 新会计准则让五大行业受益[J]. 理财周刊:月末版,2006(11):78-79.
　　[6] 国燕萍. 新会计准则对净利润的影响[J]. 当代经济,2007(8,上):126-127.
　　[7] 巫升柱. 中国上市公司年度报告自愿披露影响因素的实证分析[J]. 当代财经,2007(8):121-124.
　　[8] Adedeji B Badiru. Computational Survey of Univariate and Multivariate Learning Curve Models[J]. IEEE Transactions on Engineering Management,1992,39(2).
　　[9] 赵息,肖铮,何辉渝. Logistic模型在上市公司财务预警中的应用研究[J]. 西安电子科技大学学报:社会科学版,2007,17(2).