房地产企业财务风险监控研究

　　［摘要］

我国房地产行业于上世纪90年代开始进入蓬勃发展的阶段，如今已成为我国国民经济的命脉行业。由于房地产同时具有实体经济和虚拟经济的特点，其发展的健康状况也从消费与投资两个方面同时影响到整个经济的发展趋势。而作为房地产行业的微观主体，房地产公司的经营、财务状况对于整个行业的走势有着不容小视的影响。由于房地产企业金融风险的高传导特性，部分房地产企业出现的财务危机如果没有得到行之有效的预防、控制与缓解，则可能很快蔓延到整个行业乃至整个国民经济，造成影响巨大的经济与金融危机。基于上文，文章首先从企业房地产风险监控理论出发，阐述了普遍意义上的企业财务风险特征，并将房地产企业与其他类型企业比较后总结出其财务风险本身及其导致因素的特点。通过规模相近原则和提前设定的可能或已经出现财务风险企业的界定标准，筛选出了68家房地产企业，划分为样本组与对照组，即运用了企业财务风险模型构建的一般方法。通过多次降维，筛选出对能较显著影响房地产企业财务安全的能力指标，并运用二元Logistic回归，构建出直观、准确的房地产企业财务风险监控模型。房地产企业可以根据该模型来考量企业整体财务状况，及时、有效地做出有利于长期发展的财务策略。

　　［关键词］房地产企业；财务风险监控；主成分分析；Logistic回归

　　一、绪论

　　（一）研究背景

2019年以来，我国房地产企业发行债务数量迅速攀升，截至1月26日，除计划外，中国房地产相关企业已经成功地在国内外债券市场发行了高达1200亿元人民币的债券，其中，国内债券市场共发行110只债券，规模高达700.7亿元，相较于去年同期的35只290.9亿元，发行只数同比上涨214.3%，发行规模同比增长140.9%。而在海外方面，2019年来中资房地产企业出海发债21单，总规模高达68.7亿美元，而有的美元债利率已超过10%。而该现象表明，对于资金运作主要依托信贷的中小型房地产企业，其负债问题尤为突出。

事实上，房地产公司如今正普遍地采用用借新贷换旧账的方式来实现再融资和旧债的偿还，因此融资的环境的紧张形势并没有得到有效缓解。今年，房地产公司面临更大的债务到期压力，如果不能采取合理的风险监控措施和更加平缓的融资策略，其可能因为高杠杆的特点在未来面临非常严重的财务风险。

　　（二）研究意义

理论意义：本文系统地总结了房地产企业财务风险的特点和成因，并结合不同的量化方法对这些风险进行了评价，例如泡沫测度法和VaR方法等，其所能评估的风险包括房地产市场泡沫大小的测量和房地产企业所面临的金融风险的测度。其次，本文建立了有效的房地产企业财务风险监控模型，并得出了一些有价值的结论。

实践意义：针对房地产企业资本密集的性质，其资金流动量相比其他资产流动性强的行业较大，资金周转率明显偏低，因此其遭遇财务危机的可能相对较高，因此需要具备一定的风险监控能力，以使不确定性的财务风险变得可预测、可控制。在财务风险的理论基础上，本文借助SPSS软件，为房地产企业建立了一套有效、可靠的财务风险监控模型，以提高上市房地产企业对财务危机的抵御能力，这对房地产企业长期、健康的发展有较大的实践意义。

　　（三）国内外文献综述

基于房地产行业在国民经济中举足轻重的地位，房地产财务风险研究一直是我国许多学者重视的主题。李启明（1998）提出，房地产风险定量分析和基本评价方法可以有效分析房地产企业财务风险。识别企业财务风险，可以通过灵活运用回避风险法、分散风险法、转移风险法、降低风险法和缓冲风险法，在财务风险的不同阶段采取不同的应对措施（刘平2007）。陈桦（2012）指出，AHP层次分析法是用来分析影响房地产企业财务风险的各种因素的实用方法。王淑慧等（2014）提出使用混沌理论来设计中小企业财务危机预警模型，即外部环境因素经过企业内外环境的信息交换，间接影响到企业内部财务状况的稳定性，并转化为企业内部因素，实现有序性降低，无序性增加的熵增过程，从而总结出我国中小型企业财务危机系统的非线性开放特征。

而在房地产企业财务风险模型的设计、构建方面，也出现了基于不同模型或研究模式的许多成果。1996年，周首华等在Altman所提出的用于预测企业破产概率的Z-Score模型基础上，对其进行改造，首次提出了F分数模型。实际上，在之前有关企业财务危机的研究中，许多学者都没有将企业的现金流量指标纳入变量考虑范围内。而该模型弥补了以往研究的缺陷，加入了现金流量比率，取得了一定的效果。郭炜、乐欢（2008）分别使用Logistic模型和BP神经网络模型对我国银行房地产企业信贷风险进行了评估与比对。结果表明，BP神经网络模型在房地产信贷风险的预测方面相比传统的多元线性回归模型具有更高的精度。喻晓艳和王松江（2008）使用RBS与AHP方法构建了动态风险管理模型，其可以被用于房地产项目的风险管理，也可以被用来监控房地产企业的财务风险。单令彬等（2010）基于F分数模式，分析了深圳交易所第一家高新上市企业，并结合F分数得出的结果，从财务管理及多方位的公司战略角度提出了具有建设性的风险应对策略。

综上所述，针对房地产企业的财务风险管理方面的研究一直都在不断地推进并革新，许多研究都对往年提出的一些对企业财务风险管理具有重要意义的模型、方法进行检验、修正，同时一些跨学科的分析范式也得到了一定的重视，如神经网络模型等等。但在一些房地产企业财务风险预警构建的研究文献中，其选择研究样本的方式多以ST、非ST方法进行，而ST公司即连续两年出现亏损状况的财务异常上市公司。事实上，许多公司在亏损前或刚刚亏损时，就已经出现内部的财务风险了，如果不对之实施有效的策略，财务风险很可能会转化为较为严重的财务危机，影响整个企业的发展。

　　二、房地产企业财务风险监控理论基础

　　（一）企业财务风险简述及其分析

1.企业财务风险特征

不确定性。风险是事件的不确定性引起的，即事件的结果无法实现预期期望，导致期望的可能性偏离。房地产相比其他企业而言，所面临的不确定性更为突出。房地产企业在投资一个项目后，与项目相关的许多影响企业财务状况的因素都不能很好地被评估。例如，项目实施的地点不同，会面临针对不同地区不同的地产政策如限购令等，导致企业承担的风险难以测度。

关联性。财务风险与许多宏观经济指标都有关联，如利率、汇率。利率波动会导致房地产企业资金成本波动，从而增加了不稳定性；而汇率波动会导致一些经营跨国房地产业务的企业遭受损失。同时，企业财务风险与经营风险具有较大的正相关关系。若企业经营模式、经营效益出现问题，企业会面临经营收益下降甚至低于经营成本的情况，出现净负现金流从而招致财务风险。房地产企业财务风险还与金融风险有关联。对于房地产企业而言，其主要面临的金融市场风险是其股票价格波动带来的外部市场风险。当企业股票价格出现较大幅度下降时，市场对企业的期望降低，进而出现市场购买力萎缩，企业净现金流减少，出现较为严重的财务风险。因此，引入金融风险度量指标对于房地产企业财务风险的分析是尤为关键的。

可规划性。房地产企业的产品生产过程具有连续性的特点，因此在项目投资之前结合较为现代化的风险管理策略，可进行较为科学、合理的预测，并制定较为全面的企业未来发展规划。

2.房地产企业财务风险的特点

房地产企业所面临的风险比其他行业类别更为复杂，其所面临的内部财务风险的产生主要有一下三个特点：

投资周期较长。由于房地产投资是一项周期较长的投资，少则几个月，大则几年，从土地获得、市场调研、投资决策、建设施工，到销售推广、物业管理等开发过程，由于周期较长，那么有些账款可能无法及时收回，产生坏账，使资金周转不灵，造成财务风险。

房地产投资额巨大。房地产企业的投资不仅投资周期长，而且投资额较大，房地产企业的大量资金都会被占用，且资金收回期较长，一旦企业面临长期的资金短缺状况，则企业将无力调用资金来进行内部资源配置，导致许多业务无法运转，进一步则会造成财务危机，这同时也是投资企业所面临的财务风险。

房地产投资追求高效益。房地产企业由于投资高，投资报酬率也较高，风险也会相对较高，例如通货膨胀风险也称为购买力风险，是指投资完成后所收回的资金与投入的资金相比购买力降低给企业带来的风险。由于房地产的投资追求高收益，因此只要通货膨胀的因素存在，企业就要面临通货膨胀的风险。

3.房地产企业财务风险产生的原因

在房地产企业经营的过程中，宏观经济因素和企业内部环境的变化都可能导致其面临较大的财务风险。在房地产的外部环境下，新政策和法律的制定，宏观经济指标如利率、汇率的波动以及房地产行业的发展情况都可能造成对房地产企业外部压力适应性的考验。为了遏制房价飞涨，我国XX制定了一系列抑制房价的政策，为房地产企业的发展带来较大压力。近三年来，房地产市场发展较前几年处于低迷状态，一线城市的成交规模逐渐进入低位波动阶段，虽然2018年9月供应力度提升增加了商品住宅的同比规模，但较2016年的高点仍处于低位。同时，越来越多的城市出现商品房供过于求的现象，一些城市的房屋供求比甚至达到20%，如厦门、合肥等。2018年9月一线城市商品房供应量为310万平方米，较2016年降低了21%，而该年商品房成交量仅为258万平方米，较2016年下降了近41%。房地产行业的低迷给房地产企业的发展造成了较大压力。

而就房地产企业内部环境而言，无论是地产项目初期的融资规划，还是中后期现金流的管理，都会很大程度上影响企业的财务状况。部分房地产企业缺乏有效规划财务计划的团队，导致企业没有足够的能力支撑当前房地产市场多变的环境，使企业面临较大的财务危机；同时，对于现金流的管理不够妥善会导致企业出现资金断裂、融资困难等境况，不利于企业未来的持续发展。同时，当前房地产企业的风险管理机制还不够健全，许多房地产企业仅注重高利润与高销售量，盲目制定决策而忽视了房地产企业的高风险特性。而一旦出现决策失误，企业可能面临销售困难、客户流失、潜在消费者信任度降低等严重影响企业未来发展的情况，导致企业面临严重的财务危机甚至破产。

　　（二）企业财务风险评价方法

1.在险价值方法

在险价值方法法又称VaR方法，其因量化风险的自身优点以及对于风险描述的直观性、间接性为国际各大金融机构所重视。其采用标准化数理统计和现代工程方法对资产进行风险度量，比以往基于定性和主观经验的风险度量方法更为客观。其最初主要被应用于金融机构对于金融风险的度量，后来被广泛发展至信用风险、现金流风险、乃至经营风险等领域。在房地产企业发展过程中，由于现金流量大、发展环境复杂的特点，其可能面临财务上的重大损失。而VaR方法正可以被运用于度量房地产企业在面临由股票价格波动风险而产生的损失，为房地产企业未来发展规划、投资决策的制定具有量化的指导意义。

（1）在险价值的定义及原理

在险价值(VaR)是衡量资产组合损失风险的指标，在市场处于正常波动，持有期给定的前提下，资产组合在一定概率水平下可能损失的量。其计算公式为：

公式字母含义：为在一定持有期内资产价值损失小于可能最大损失的概率，VaR为置信度为c时的在险价值，c为置信水平。由在险价值的定义描述可知，在险价值的影响因素有：资产持有期、置信水平和未来资产组合价值的分布状况。

（2）在险价值的参数设定

①资产持有期设定。持有期设定即确定计算在哪一段时间内的处于风险状态下的资产的价值。一般而言，资产的持有期越大，其面临的风险程度就越高。因此，对于持有期的有效设定是计算在险价值的重要因素之一。决定资产持有期的要素主要为两个：资产组合的收益率分布方式和资产组合在市场上的流动性。例如，对于头寸交易频繁的资产如股票组合、OTC衍生工具等应以每日为周期来计算VaR，而对于养老金和一些投资基金等流动性不高、头寸交易不频繁的应选取以周或月为周期来计算VaR。

②置信水平设定。通常置信水平的选择即映射出金融机构及其他金融资产持有者对于风险的厌恶水平。风险厌恶程度较高的投资者通常更倾向于选择较大的置信度水平，以得到更有把握的的预测结果；而风险中性或风险偏好的投资者则倾向于选择较小的置信度水平，即能够容忍牺牲部分准确率而确保VaR计算结果的有效性。

③资产收益分布设定。资产收益分布是指投资组合在特定持有期内回报的概率分布情况。由于正态分布具有良好的统计学特性，因此常被作为资产组合的收益分布假设形式。但在实际情况中，金融资产的回报率分布呈现leptokurtic特征，即相对正态分布峰度更高而尾部更厚的分布形式。直观地说，这些数据中出现极值的概率高于正态分布的概率。因此，正态分布假设往往造成对极端情况的低估。因此，面对金融资产的厚尾特性，研究者还可以使用非参数模型对VaR进行估计，它不需要对资产组合的分布有任何的假设，只需要分析已有的历史数据来对VaR进行估计。

（3）在险价值的计算方法

①历史模拟法。历史模拟法假设投资组合回报的过去的市场表现是其未来表现的基础，其假设市场因子的未来波动率与历史波动率相同。其使用过去的资产组合回报来估计当前的资产组合收益情况，并将出现的可能由小至大进行排列，根据所需的分位值来找到相应的数值，得出VaR。它具有简洁、直观、计算过程容易的特点，它不需要估计风险因素风险因素的实际分布情况，从而降低了分布假设可能造成的估算误差问题。但事实上，历史数据并非能够精确的被用于预测未来资产收益的变化情况；同时，不经常发生的事件往往不会被包含在模拟之中，与资产收益的实际分布并不相符。

②方差—协方差方法。方差—协方差方法又称为参数估计法，它假定资产组合收益率和波动性服从正态分布，通过计算出资产组合收益的均值、标准差和协方差，同时利用回顾期内资产组合收益的价值变化运动来计算出在给定置信水平下资产组合所面临的可能最大损失。它也具有直观性、易理解的特点，但由于其对于资产组合回报正态分布的假设，它忽视了金融资产收益率所具有的尖峰厚尾的特性，从而无法估计极端事件的风险造成对资产组合在险价值的低估。

③蒙特卡洛模拟方法。该方法与历史模拟法相似，但其是应用计算机生成的随机数来对风险因素的分布进行建模分析。蒙特卡洛方法创建一个基于计算机的模型，该模型包含所有可能影响金融项目绩效的随机变量，包括他们之间的任何相互关系、相关性与序列相关性等。该模型被计算机运行数百或数千次，以提供可以记录和命令的输出结果，以估计可能结果的概率分布。蒙特卡洛方法可以被用于处理非线性、非正态的厚尾和波动剧烈的金融资产。但由于其随机变量关系模型的估计较为依赖历史数据，因而容易存在模型风险和参数估计误差。

2.泡沫测度法

房地产泡沫从本质上解释为：房地产实际价格相对于经济基础条件决定的基础价格的非平均性偏移，泡沫的大小往往较大程度上影响着房地产市场未来的发展趋势以及国家宏观政策的制定方向，因此必须选用合适的方法对地方或整个国家房地产市场泡沫进行合理、准确的度量。房地产泡沫的度量方法主要有四种——统计检验法、空置率修正法、边际收益法与指标指示法，而由于前两者分别存在受羊群效应和空置率获取困难的缺陷，往往不被使用。

在使用指标体系法测度房地产泡沫时，必须首先选取较为恰当的指标，即指标的选取必须具备相匹配的经济意义，同时要考虑所选择指标之间的相关性，不可盲目选取。在指标指示体系中，主要有以下两个衡量泡沫大小的变量：

①房价收入比。该指标等于房价与平均收入的比率，是衡量住房负担能力的一个重要指标。房价收入比越高，说明市场比较活跃，房地产泡沫相比房价收入比低时更大。一般而言，发达国家该指标数值为1.8-5.5；而发展中国家房地产业往往在其国民经济中占据很大比例，通过房地产行业带动钢铁行业和服务业的发展，并提供大量就业人口，因此该指标值的正常波动范围被认为在4到6之间。

②施工面积和竣工面积之比。其体现了地产市场在今后的供需关系。通常该指标值超过3.2时，认为房地产存在泡沫；超过4.2时说明泡沫较为严重。由于商品房的建设工期往往在1至两年，该指标可以用于判断一至两年后现房供应量的大小——指标越高，供应量越大，存在的泡沫可能就越大。

　　（三）企业财务风险预警模型理论

1.企业经营的周期波动

最早的经济预警是针对整个宏观经济的预警，即以凯恩斯经济学所衍生出的经济周期理论为基础，对经济中存在的规律性变化进行总结以预测宏观经济的未来走势。经济周期是经济在扩张(增长)和收缩(衰退)之间的自然波动。这种模式有规律地重复，但它并没有固定的波动时间段，周期的长度也往往很难预测，通常可以用几个月或几年来衡量。这种上下波动的模式影响着经济生活的各个方面，其中包括金融市场。例如，在周期的某一蓬勃发展阶段的某些投资或投资类别可能会在另一阶段失去价值。

在微观的层面，企业实际上也会在经营过程中出现周期性波动的情况，因为企业在发展过程中不仅收到公司内部财务因素的影响，还受到来自整个市场、行业甚至宏观经济等因素的外部刺激，但这种企业内部的周期性规律相对宏观经济周期而言幅度更大而周期更短。企业在发展过程中，可能面临扩张、下滑、复苏三个阶段。在外部经济、金融因素良好，对企业发展产生顺推动作用时，企业结合自身在业务、管理与风控方面的优势，可以实现可持续良性发展，进入扩张阶段。而在企业扩张到一定规模后，由于业务的不断扩展，其可控性则将有所下降，企业对市场把握的难度也会加大，风险暴露增加，从而增加财务危机发生的可能。在发生财务危机时，即使企业通过一些必要的手段尽可能地降低损失，股东等企业相关利益主体仍会遭受较大程度损失，从而打击企业的经营发展状况，导致其进入下滑阶段。而正是由于企业存在着这样的周期性经营状况，财务预警模型才有了出现的必要。

2.企业财务危机预警的目的

财务预警系统的目的，是为了在企业财务危机即将或刚刚出现恶化时，能被及时有效地监控到，从而让企业有较为充足的时间来采取有效的措施，降低企业遭受更大损失的可能。企业财务预警系统主要通过其提前设定的敏感性预警指标，结合企业财务会计信息，对其面临的或即将面临的财务危机实现实时的监控和预测警报。

3.企业财务危机预警模型的构建

财务危机预警模型的建模方式为：分别选出一组按照一定的准则判别为即将出现或已经出现的财务危机类型企业作为样本组，同时选择一组与对照组数目与研究时间一致的没有财务危机或财务危机迹象出现的企业作为对比组，通过选取样本组与对比组间具有显著差异的财务指标为模型中的解释变量，根据合适的方法来建立企业的财务危机预警模型。设计一个具有较好实践作用、准确的财务预警模型应该进行以下三个步骤：企业财务状况划分（危机界定）；作为模型中解释变量的指标的选取；模型的设计与构建。对于企业财务危机的范围界定，由于我国资本市场不成熟、破产重组相关法律不够健全，学者多以ST方法对面临或即将面临财务危机的公司进行界定。然而，界定企业财务危机的方法应该主要是对公司现金流能力的判断，而ST公司主要是盈利能力方面出现问题，这并不代表其现金流不足以履行偿还义务或违约。因此在实际财务危机预警分析中，应结合其他因素或方法来对出现经济危机的企业进行范围界定。

　　三、房地产企业财务风险监控模型研究假设

　　（一）研究样本选取

为了合理构建房地产企业的财务风险监控模型，本文按照1：1配比分别选择沪深股市中规模相近的68家房地产企业，包括样本组和对照组各34家。由于我国现行的资本市场监管体制在很多方面都是以三年为周期的，因此本文将研究的房地产企业样本设定为三年周期，具体筛选出如下为样本组：连续三年中，第三年净利润为负的房地产上市企业。同时，按照1：1的比率，选择出相同三年中，第三年具有相似规模的、连续三年净利润为正（即盈利）的房地产上市企业作为对照组。具体筛选结果见表3-1。

表3-1

　　（二）财务指标选取

根据往年研究文献中较为广泛采用的财务指标，本文主要选取了涉及公司长短期偿债能力、营运能力、盈利能力、成长能力和现金流量六个方面，具体如表3-2：

表3-2

研究样本的财务指标均来自万德数据库（Wind），对于个别指标缺失的公司，通过新浪财经网站查找相关数据并补充，对于个别数据无法找回的样本予以删除处理，同时对于样本出现普遍缺失的指标数据，对该指标予以删除处理。

　　四、房地产财务风险监控模型的构建

　　（一）非参数检验降维过程

我们可以看到，初步选择出的财务指标一共六大类，共23个指标，而由于数据条件限制，样本数量只有68个，样本与变量的比值较小，这会影响之后进行的因子分析的效果，降低模型的有效度，因此在进行模型处理之前，我们需要对数据进行初步降维，这就需要采取差异性检验的方法。根据往年研究验证，大多数公司财务指标往往都并不服从于正态分布，因此本文采用非参数检验——Mann-Whitney方法对样本组与对照组进行差异性分析。其结果如表4-1所示：

表4-1

由结果可知：样本组与对照组在“现金比率”、“资产负债率”、“有形资产负债率”、“产权比率”、“应收账款周转率”、“总资产周转率”、“固定资产周转率”、“留存收益与总资产比”、“每股净资产”、“净利润增长率”、“净资产增长率”、“总资产增长率”、“销售净利率”、“净资产收益率”、“总资产收益率”和“每股收益”（）这16个财务指标上差异性较为显著，进入后续建模数据分析，其余指标由于差异不明显而被剔除，从而提高模型区分度，同时降维也能提高因子分析的效果

　　（二）数据标准化处理

Z-Score方法是一种数值测量，用于统计一个值与一组值的平均值之间的关系，而这个关系是用与平均值的标准差来进行衡量的。本文为了保持财务比率之间量纲一致，采用该方法对数据进行标准化处理，以消除量纲对分析结果的干扰。

　　（三）因子分析

1.因子分析原理概述

因子分析是一种统计方法，用来描述观察到的、相关的变量之间的差异，即从众多原始指标群中提取出潜在的较低数量的未观测变量，称为因子。例如，六个观测变量的变化可能主要反映两个未观测基本变量的变化。因子分析就是同过寻找这样的联合变化，以响应未观察到的潜在变量。观察到的变量在因子分析中可以被理解为潜在因素的线性组合再加上“误差”项。因子分析的目的是寻找独立的潜在变量，以用较少的能够很好解释原始指标群所包含的信息的新变量来构建模型。如果我们引入的解释变量过多，会导致模型非常复杂，甚至出现不出结果的情况。同时，由于模型的构建是基于二元Logistic回归，其对解释变量的多重共线性非常敏感，而我们所提取的各种财务比率之间存在着很强的相关关系，因此不能直接将之引入模型，所以我们需要通过因子分析法来实现指标的降维，将最终引入模型的变量数降低。进行因子分析首先需要满足以下条件：（1）公共因子个数不能超过原变量个数。（2）每个公共因子的方差为1，即公共因子的协方差矩阵为单位矩阵。（3）公共因子间不具有相关性。在不同标准下，求得因子的方式主要分为两类：一是主成分分析法；二是公因子分析法。本文使用主成分分析法进行指标降维。

2.主成分分析过程

（1）KMO—巴特利特检验

本文使用KMO和Bartlett’s球形检验来判断经初步降维后的16个变量是否适合进行主成分分析。Kaiser-Meyer-Olkin(KMO)检验统计量是用于衡量由潜在因素所引起的变量方差的比例，它的最终取值范围在0到1之间。一般而言，高值KMO统计量（大于0.6）表示数据较为适合使用因子分析方法；而低值KMO（小于0.6）则说明个变量之间的相关性较弱，不适合进行因子分析。

Bartlett’s球形检验的原假设为：各变量的相关矩阵为单位矩阵。它被用于检验各个变量之间的独立性。当结果表明拒绝原假设时，说明各变量之间存在一定的相关性，可以进行因子分析降维过程；反之，如果不能拒绝原假设，则说明变量之间的相关矩阵接近或等于单位矩阵，即变量之间的相关关系非常微弱，不适合进行因子分析。

经计算，结果如表4-2所示，财务危机年财务比率的KMO测度为0.653，大于0.6，同时巴特利特球形检验结果显示统计量不存在显著性，拒绝原假设，各变量间具有相关性。两个统计结果都表明适合进行因子分析。

表4-2

（2）对变量进行主成分分析

首先，对我们所提取出的16个财务指标进行主成分分析。如下表所示，主成分分析过程一共会提取与进入分析前指标数目相同的主成分，同时生成如表4-3所示的方差解释矩阵。在降维时，我们在减少主成分个数的同时，还需要使最终选定的主成分能够很好的解释原来的指标信息。

表4-3

该表左侧显示，主成分分析过程一共产生了16个主成分，第16个主成分的累积方差贡献率达到了100%，即说明每个变量变异被解释的程度为1，即完全被解释。这是因为在提取过程中我们没有去掉任何指标，因此数据的所有变异情况都能被解释。提取载荷平方和一栏中的总计表示的是各主成分对数据变异的解释程度，以第一主成分为例，其特征值为4.917，占总体变异的4.917/1630.730%，即方差百分比一栏所显示内容，以此类推。

通常，对于特征值小于1的主成分，我们会将其剔除。这主要是因为单个变量对指标变异的解释情况比这个主成分还要好，主成分对整个原始信息群的反映程度相对较小。在SPSS软件中，我们将所有特征值大于1的主成分提取出来，一共提取了5个主成分，将原来的16个变量简化成了5个，大大减少了进入回归模型的变量个数，同时我们可以看到这5个主成分累计可解释方差的比例为72.132%，说明其能够较好地代表原先全部的变量。

在得到了上述初始因子后，我们发现很难做出一个能有效反映初始因子经济含义的解释。这是因为对于单个初始因子，每个财务指标所被分配的权重都比较接近。因此为了解决这一问题，我们利用SPSS软件，通过最大方差法对因子的载荷矩阵进行旋转，以尽可能地降低每个因子上载荷最大的变量数目，便于我们对其经济内涵进行解释。通过观察表4-4，我们可以得知，主成分1在现金比率、资产负债率、有形资产负债率和产权比率上载荷较大，由此可以将之定义为“偿债能力因子”，同理，我们可以将主成分2、3、4和5分别定义为“资本盈利实力因子”“营运盈利因子”“成长能力因子”和“营运能力因子”。

表4-4

同时，通过SPSS软件我们还可以得到各个因子因子得分系数矩阵，由该表我们可以计算每个因子的得分，我们表示为：

FAC1=0.254ZX3-0.363ZX4+0.395ZX5-0.204ZX6+0.04ZX7+0.036ZX10-0.005ZX11-0.047ZX12-0.075ZX13-0.005ZX14+0.076ZX15-0.007ZX16-0.044ZX20-0.032ZX21-0.077ZX22-0.022ZX23

FAC2=-0.075ZX3+0.074ZX4-0.194ZX5-0.156ZX6-0.124ZX7-0.186ZX10+0.045ZX11+0.467ZX12+0.361ZX13-0.020ZX14-0.118ZX15-0.177ZX16-0.103ZX20+0.249ZX21+0.160ZX22+0.076ZX23

FAC3=-0.099ZX3+0.03ZX4-0.012ZX5-0.002ZX6-0.017ZX7+0.465ZX10+0.023ZX11-0.109ZX12-0.197ZX13+0.183ZX14-0.085ZX15-0.087ZX16+0.327ZX20+0.166ZX21+0.193ZX22+0.218ZX23

FAC4=0.126ZX3+0.016ZX4+0.042ZX5+0.132ZX6+0.069ZX7-0.204ZX10-0.102ZX11-0.207ZX12+0.071ZX13+0.127ZX14+0.426ZX15+0.500ZX16-0.024ZX20-0.063ZX21+0.045ZX22+0.091ZX23

FAC5=-0.022ZX3-0.035ZX4+0.041ZX5-0.011ZX6+0.572ZX7+0.020ZX10+0.538ZX11+0.013ZX12-0.011ZX13-0.050ZX14-0.050ZX15+0.074ZX16+0.050ZX20-0.065ZX21-0.042ZX22-0.031ZX23

在得到5个因子各自的变量得分后，我们可以将对应的标准化的财务指标数据代入式子中得到每个样本企业的5个因子值，并将这些因子代入回归模型中进行建模分析。

　　（四）Logistic回归模型构建

1.模型设定与构建

我们将上述所得到的5个因子作为自变量，并将发生财务风险的企业赋值为1，未发生财务风险的企业赋值为0(如表4-5)，得到财务风险监控模型的回归模型。本文采用二元逻辑回归的方式进行建模设定0.5为临界值，其发生风险概率超过0.5则判定为财务危机公司，低于0.5判定为财务正常公司，根据5个自变量值进行因子分析，在回归中我们采用向前法逐步进行回归分析。

表4-5

由模型系数的Omnibus检验（表4-6）可知，四个逐步回归的结果的卡显著性水平都非常小，说明模型整体的性能要高于零模型的性能，即整体显著。

表4-7

从表4-7中所示的模型回归系数，我们可以看到，最终进入模型的变量为FAC1,FAC2,FAC3和FAC4，其各自的系数在5%的显著性水平上都拒绝原假设，则得到该模型的如下表达式：

如表4-9所示，模型的最终拟合优度结果—Cox&Snell为0.658，即表示模型具有良好的拟合度。

表4-8

2.房地产财务风险监控模型的检验

从以上回归中，我们还得到了该模型对于已知财务指标的公司进行的风险预测表。从表4-10中可以看出，该二元逻辑回归模型最终估计的正常房地产公司的准确率为97.1%,有风险的房地产公司的准确率为91.2%，可见该财务风险监控模型的监控效果比较好。

表4-9

　　五、研究结论

如今，城市化的快速发展和顺利进行必将产生巨大的房地产市场需求，我国房地产行业已然成为国民经济的重要支柱产业之一。与此同时，房地产企业由于自身资产负债率高、资产流动性大的特点，保持企业内部良好的财务环境，有效预测、规避可能出现的财务危机是房地产企业风险管理的核心问题。

本文在已有的财务风险理论基础上，使用定量分析的方法，对房地产企业的财务风险管理问题进行了较为细致的研究。上述研究表明：房地产企业的偿债能力、资本盈利实力、营运盈利和成长能力皆与公司财务风险呈负相关。近年来房地产行业中以中小型企业为主的公司都出现负债率不断攀升的现象，而随着国家对住房销售的管控政策以及对炒房趋势的遏制，企业商品房销售量普遍出现下降，这同时也降低了企业自身的偿债能力，因此导致出现财务风险的概率增加。同时，如果公司的盈利能力如资本盈利、营运盈利和公司成长能力出现问题，公司的不能创造出持续且稳定的利润，公司抵御风险的能力就随之大大减弱，从而出现影响整个公司发展的财务风险。

　　六、研究不足与展望

在本文的研究中，由于一些原因，一些局限性并没有被打破，还需要进一步研究或探讨。

（1）本文在构建模型时，只考虑将财务指标构成的因子作为模型的自变量，事实上，影响房地产企业财务状况的因素有很多，如市场外部风险等，因此有失全面，在未来的研究中，可以考虑引入一些衡量市场风险的因素如在险价值等。

（2）本文最初引入了几个衡量公司现金流能力的指标，但在模型的初步降维过程中就被剔除掉了。事实上，公司的财务状况与其稳定可预期的未来现金流有着密不可分的关系，因此在最终的模型构建中，应该考虑将该因素纳入自变量指标内。

　　参考文献

[1]杨昭.房地产企业财务风险分析与评估[D].天津大学,2009.

[2]李玲谭滔.企业财务危机预警模型构建的理论解析[D].科技与管理,2008.

[3]陶立.我国上市公司财务危机预警研究[D].河海大学,2007.

[4]李明宝.基于调整的CreditMetrics模型房地产银行贷款在险价值的测算[D].中国海洋大学,2014.

[5]李玲.高技术企业财务危机预警的实证研究[D].中南大学,2007.

[6]牛创民温学飞王峰.基于因子分析法的盐池县粮食生产影响因素分析[D].水土保持研究,2010.

[7]陈红.河北省农民专业合作社支持政策实施效果评价[D].河北农业大学,2011.

[8]孔小娜.基于科学发展观的我国县域经济发展评价研究[D].燕山大学,2010.

[9]刘永兵.公允价值会计职业判断质量评价指标体系研究[D].湖南大学,2017.

[10]邢精平.企业财务危机预警分析[D].西南财经大学,2003.

[11]黄辉.房地产上市公司资本结构与财务绩效关系研究[D].重庆大学,2008.

[12]王波.公司资本结构影响因素的统计分析[D].西南财经大学,2004.

[13]丰歆竹.石油石化上市公司资本结构影响因素的实证研究[D].东北石油大学,2013.

[14]李佳音.我国传媒上市公司并购绩效的实证研究[D].华南理工大学,2017.

[15]张勇.企业财务指数预警模型及其应用研究[D].武汉理工大学,2006.

[16]于泽.我国文化产业发展效益效率评价及资金配置对策研究[D].中国矿业大学,2014.

[17]王满玲.公司财务预警监控机理模型及其应用方法研究[D].大连理工大学,2006.

[18]杨宏力.山东省17地市农业现代化发展水平实证研究20092013[D].聊城大学学报(社会科学版),2015.

[19]韩胜娟.SPSS聚类分析中数据无量纲化方法比较[D].科技广场,2008.

[20]曾福生曾小溪.基本公共服务减贫实证研究——以湖南省为例[D].农业技术经济,2013.

[21]权思勇.创新型企业财务预警系统研究[D].东华大学,2012.