随着中国经济持续高速增长，饲料行业逐渐迈入高质量发展阶段[1]。据国家统计局统计数据显示，2021年上半年，中国饲料总产量达1.4亿t，同比增长21.1%。在此过程中，饲料上市公司一直发挥重要引领作用，其投资和经营活动显著增加，营业收入大幅增长。《农财宝典》新牧网公布数据显示，2021年上半年，新希望集团营业收入达615.19亿元，同比增长约38%；正邦科技收入266.79亿元，同比增长60%；傲农生物营业收入达82.2亿元，同比上涨101%。但是，随着投资和经营活动的持续增加，饲料上市公司现金流控制难度必然会不断提升，加大现金流断裂、筹资不足、投资项目失败等财务风险，影响公司稳步发展[2-3]。因此，预警与识别财务风险成为饲料上市公司财务风险管理的核心，对增强投资吸引力、核心竞争力，促进饲料行业稳定健康发展具有重要意义[4-5]。目前，学界针对上市公司财务风险的预警研究主要运用单变量预测模型[6-8]和多变量预测模型[9-14]。单变量预测模型仅可以从单一指标层面预测财务风险，无法全面衡量上市公司财务风险，但多变量预测模型更为全面。在多变量预测模型中，Z-SCORE预警模型具有较强代表性。Z-SCORE模型又称阿特曼Z得分公式，是由纽约大学斯特恩商学院教授Edward Altman提出的一种多变量统计分析法。Edward Altman基于对破产和非破产公司的观察，将判断分析和财务比率相结合，选取5种基本财务比率指标，用于建立预测财务危机的Z-SCORE模型[15]。该模型借助大量试验分析与实证考察，从上市公司公布的财务报告中计算出企业财务比率以及对应的财务危机权重，通过加权得到企业财务风险的综合得分。张晶等[16]借助Z-SCORE模型系统比较蒙牛乳业与伊利股份之间的财务风险差异，发现二者短期出现破产的概率极低，且伊利股份破产风险更低。任冰玉[17]运用Z-SCORE模型对上汽集团2016—2018年的年报数据进行分析，预测其财务风险。就财务风险预警效果而言，张蔚虹等[18]分别对20家科技型ST公司和20家非ST公司的财务数据进行计算，发现Z-SCORE模型对中国科技型上市公司财务风险的预警有效。李静[19]发现，Z-SCORE模型适用于中国股票市场ST上市公司的财务风险预警，且预警效果显著。但传统Z-SCORE模型的财务预警能力不足，无法精准判定上市公司的财务风险状况[20]，因此，需要对Z-SCORE模型进行改进，探讨改进后模型的财务风险预警效果。孟小璐等[21]建立了一个新Z-SCORE财务预警模型，通过样本回判与交互等检验，Z-SCORE模型对财务风险的判别和预警有效。康彩红等[22]提出了一种改进FOA算法优化Z-SCORE模型，发现改进FOA算法优化Z-SCORE模型的预警效果良好，预测能力大幅提高。因此，Z-SCORE模型在国内上市公司财务风险预警方面适应性良好，应用率较高，且在不断完善与改进。而饲料上市企业既是饲料行业的领航者，又是中国上市企业群体的重要组成部分，故Z-SCORE模型可以天然适用于饲料上市公司财务风险预警。但考虑饲料上市公司的发展状况和趋势，为了提高财务风险预警水平，需对Z-SCORE模型进行一定改进。SOA算法寻优能力良好，可以模拟人的随机智能搜索行为，在较宽泛领域内直接搜索到问题的更优解。因此，本文将SOA算法与Z-SCORE多变量预测模型相结合，建立一种改进的Z-SCORE模型，运用改进的Z-SCORE模型对中国20家主要饲料上市公司财务风险展开调研，进而针对财务风险预警内容及财务信息披露相关事宜展开实证分析，旨在预防并控制饲料上市公司财务危机，保证其资金有序运转，为推进饲料产业整体发展提供参考。1饲料上市公司财务风险预警模型构建1.1饲料上市公司样本选取与数据来源为确保本次研究结果真实有效，选取自2018—2020年持续经营的饲料上市公司；剔除2017—2019年间被标记ST或*ST的饲料上市公司；本研究中，样本公司财务数据来自东方财富网，其余部分数据来源于饲料上市公司年报，每股股价选取每年第四季度最后一个交易日的收盘价。最终基于时间一致性、数据可获得性等方面考量，选取新希望、海大集团、正邦科技、大北农、禾丰股份、唐人神、傲农生物、天邦股份、天康生物、京基智农、金新农、天马科技、中宠股份、正虹科技、佩蒂股份、通威股份、荣华实业、中粮科技、康达尔、百洋股份20家饲料上市公司为研究样本。计算数据基于各年第四季度最后一个交易日财务报表。1.2基于SOA算法的改进Z-SCORE模型根据Edward Altman的多变量统计分析法，将5种基本财务比率作为Z-SCORE模型的判别函数。Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 (1)衡量饲料上市公司财务体系的稳定性，不仅要考虑公司短期债偿能力、公司规模、累计获利能力等，而且需考虑上市公司可能存在的财务风险。而传统Z-SCORE模型在财务风险预测精准度方面存在一定不足，因此需对其进行改进优化。人群搜索算法（SOA）是一种基于人类社会生活习惯，模拟人类随机搜索行为的启发式搜索算法。在计算过程中，SOA算法可以借助模糊逻辑，根据搜寻者所处位置建模，从而确定个体搜索方向与搜索步长[21]。SOA算法的步骤如下：步骤1，使t=0，在可行解域随机产生s个初始位置：xi⃗(t)xi⃗(t)=(xi1, xi2,…, xiM) (2)步骤2，评价和计算各位置目标函数值。步骤3，计算每个个体i在每一维j的搜索方向dij(t)和步长aij(t)。其中，dij(t)表示人类利己、利他和预动行为决定。将三个行为方向决定进行随机加权几何平均，进而确定搜索方向，如式（3）所示：d⃗ij(t)=signωd⃗ij,pro+φ1d⃗ij,ego+φ2d⃗ij,alt (3)其中，利己方向为d⃗ij, ego；利他方向为d⃗ij, alt；预动方向为d⃗ij, pro；φ1和φ2为常数，取值范围为[0~1]；ω为惯性权值。步骤4，依据式（4）、（5）更新每个搜寻者位置：Δxij(t+1)=aij(t)dij(t) (4)xij(t+1)=xij(t)+Δxij(t+1) (5)步骤5，另t→t+1，再次重复搜索。当条件不满足时，重复步骤2~5；当条件满足时，停止搜索。aij(t)≥0dij(t)∈-1,0,1 (6)为使Z-SCORE模型系数得到进一步修正，本文借助SOA算法寻优能力对式（1）模型进行改进，以更加精确的方法预警中国饲料上市公司的财务风险。假设存在K1~K5五个未知变量，能够使Fitness(K)=Z实际-Z预测误差最小。其中，Z实际、Z预测分别为Z-SCORE实际得分和Z-SCORE预测得分，其表达式分别如下：Z实际=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5 (7)Z预测=K1X1+K2X2+K3X3+K4X4+K5X5 (8)式（7）、（8）中，X1指代营运资金与资产总额的比值，是公司是否面临营运困难的衡量指标之一，能够反映公司短期债偿能力与公司规模。X2指代留存收益与资产总额的比值，能够反映公司累计获利的能力与经营年限。X3指代息税前利润与资产总额的比值，主要是指除去税收与其他因素影响外的公司资产获利能力，比值越高说明公司盈利水平越高。X4指代股权市场价值总额与负债账面价值总额的比值，主要反映股东资本与债权人资本的相对关系，进而判断公司资本结构是否趋于稳定。X5指代营业收入与资产总额的比值，是反映公司资产营运能力的财务比率。其比值越高，说明资产利用率越高，公司获取收入的能力越好。基于上述五种财务比率，运用改进后的Z-SCORE模型综合预测饲料上市公司财务失败或破产的可能性。首先，根据研究样本财务报告中的数据，计算出一组能够反应财务危机程度的财务比率。其次，依据危机程度基于不同大小的比重，将各组结果进行加权计算得出反映一个公司综合风险分的Z值。最后，将其与临界值对比，临界值说明见表1，即可得出饲料上市公司财务危机的严重程度。10.13557/j.cnki.issn1002-2813.2022.02.023.T001表1临界值说明Z值分类相关描述Z2.675安全区公司财务状况良好，有极小的破产可能1.81Z2.675波动区公司财务状况一般，有较小的破产可能Z1.81风险区公司财务状况较差，有较大的破产可能1.3财务风险预警指标的适应性设定鉴于流通股与非流通股之间的市价差异，在计算股权市价时需要计算息税前利润所需利息费用。因此，在考虑会计准则与会计制度特殊性的基础上，进一步对改进后Z-SCORE模型中的各项指标进行调整，指标调整见表2。10.13557/j.cnki.issn1002-2813.2022.02.023.T002表2指标调整X值调整前指标调整后指标X1营运资金与资产总额的比值流动资产和流动负债之差与资产总额的比值X2留存收益与资产总额的比值未分配利润和盈余公积金之和与资产总额的比值X3息税前利润与资产总额的比值税前利润和财务费用之和与资产总额的比值X4股权市场价值总额与负债账面价值总额的比值每股市价与流通股数的乘积加上每股净资产与非流通股数的乘积与负债总额的比值X5营业收入与资产总额的比值主营业务收入与资产总额的比值2饲料上市公司财务风险预警结果分析2.1模型比较分析借助MATLAB软件，设置SOA算法参数为：种群规模sizepop=100，最大迭代次数iteration=100，最大、最小隶属度值分别为Umax=0.980 0、Umin=0.001 3，最大、最小权重值分别为Wmax=0.87、Wmin=0.11。基于SOA算法优化的Z-SCORE模型寻优曲线见图1，不同迭代次数的寻优曲线见图2，不同种群规模的寻优曲线见图3。10.13557/j.cnki.issn1002-2813.2022.02.023.F001图1基于SOA算法优化的Z-SCORE模型寻优曲线图2不同迭代次数的寻优曲线10.13557/j.cnki.issn1002-2813.2022.02.023.F2a110.13557/j.cnki.issn1002-2813.2022.02.023.F2a2图3不同种群规模的寻优曲线10.13557/j.cnki.issn1002-2813.2022.02.023.F3a110.13557/j.cnki.issn1002-2813.2022.02.023.F3a2由图2、图3可知，随着种群规模增大和迭代次数的增加，基于SOA算法改进的Z-SCORE模型参数能力更优，效果更佳。2.2改进后Z-SCORE模型的财务风险预警分析运用改进后的Z-SCORE模型，对2017—2019年20家饲料上市公司样本数据展开财务风险预警计算，得出相应Z值，依据上述临界值进行分组统计，20家上市公司Z值结果分类见表3。10.13557/j.cnki.issn1002-2813.2022.02.023.T003表320家上市公司Z值结果分类2017年2018年2019年分类数量分类数量分类数量安全区16安全区17安全区19波动区4波动区3波动区1由表3可知，2017—2019年，20家饲料上市公司Z值整体趋势向好，多数饲料上市公司高于临界值2.675，仅有少数处于波动区。因此，近年来，饲料上市公司财务状况良好，整体财务风险较低。但是，因主营业务、经营规模、流动资金等因素不同，饲料上市公司在Z值上存在较大差异。在对2017—2019年20家公司Z值与临界值关系进行分组统计可知，小于临界值1.810，处于风险区的饲料上市公司数量为0；临界值在1.810~2.675，处于波动区的饲料上市公司由4家下降至1家，说明处于该区域的公司财务状况正在逐渐好转，但仍有1家饲料上市公司财务状况一般，有较小的破产可能；大于临界值2.675，处于安全区的饲料上市公司由16家增至19家，说明整体饲料上市公司财务状况良好，存在财务风险的可能性极低。研究结果与事实基本相符。2.3影响财务风险的具体因素分析通过上述分析可知，饲料上市公司Z值的均值多数都大于临界值2.675，说明该行业发展形势较好。但为进一步探究各变量X之间带来的影响以及饲料行业中影响财务风险的具体因素，选取2017—2019年Z值的5个指标相关数据进行描述性统计分析。20家上市公司Z值计算结果见表4。10.13557/j.cnki.issn1002-2813.2022.02.023.T004表420家上市公司Z值计算结果指标年份中位值极小值极大值标准差X120170.173 30.151 20.355 10.086 920180.334 10.190 30.548 00.138 620190.359 30.268 40.559 60.157 4X220170.245 80.115 80.238 60.097 520180.302 50.129 70.489 70.144 620190.294 6-0.118 10.409 80.132 7X320170.096 7-0.135 00.334 60.140 320180.177 80.090 40.247 20.088 620190.152 5-0.180 60.198 70.051 2X4201726.549 51.355 472.254 327.726 0201838.108 11.487 278.647 840.579 0201939.546 41.696 785.789 936.451 0X520170.378 2-0.105 80.516 80.110 220180.259 70.290 70.430 50.160 320190.478 60.421 90.688 20.255 8因此，2017—2019年，20家饲料上市公司营运能力、获利能力、资金周转能力的X1、X2、X4、X5对Z值的影响均有不同程度上升。其中，X4对饲料上市公司财务风险预警的影响最大。X2与X5在五个变量中相对偏小，且存在负值情况，说明在留存收益与营业收入方面，部分饲料上市公司的累计获利能力与资产运营能力不是很强。X1反映了公司短期债偿能力，可以看出这20家饲料上市公司整体债偿能力较为稳定，且公司规模在稳步提高。X3在2017—2019年存在不同程度的下降，原因可能是随着饲料行业的进一步成熟，各个饲料上市公司营运能力得到不同程度提升。在此背景下，饲料上市公司竞争加剧，一定程度上降低了各公司的盈利水平。X4呈现出爆炸性的增长态势，可能是因为近年来饲料上市公司在股市的表现越来越好，在一定程度上为其财务风险的抵抗带来优势。3结论本研究采用寻优能力良好的SOA算法对传统Z-SCORE模型进行改进，运用改进后的Z-SCORE模型对中国20家主要饲料上市公司2017—2019年的财务数据进行分析，预警饲料上市公司的财务风险，最终得出以下结论：（1）20家饲料上市公司的财务状况良好，财务风险水平较低。但不同饲料上市公司的Z值存在较大差异，2019年，仅有1家饲料上市公司处于波动区，财务状况一般，有较小的破产可能，其余19家均处于安全区。（2）在5种财务比率中，饲料上市公司短期债偿能力、资本结构、资产营运能力对公司自身财务状况的影响逐渐增大，其中资本结构的影响最大；累计获利能力、资产获利能力对饲料上市公司财务状况的影响有所减小。因此，改进后的Z-SCORE模型适用于饲料上市公司，且对饲料上市公司财务风险的预警效果良好。鉴于目前仍有小部分饲料上市公司存在财务风险，有必要树立风控意识，提前采取防范和预警措施。针对上述结论提出如下优化建议：一是要优化资本结构。饲料上市公司可在内部引入多种投资体，建立合理的债权、股权结构。在纳入银行主体、公司法人以及社会公众等参与主体的同时，进一步加大公司投资者持股比例，推进股权所有者多元化。同时，还应结合公司规模及长远发展规划，适当加入公司经营者股权和股票期权份额。二是要改进财务管理模式。饲料上市公司应合理规划筹资、投资等活动，降低公司整体发展的“短板效应”。做好公司财务和会计方面的统筹安排，保证财务信息有效性和真实性。饲料上市公司可立足现有实际条件，在充分发挥自身经营水平的基础上，制定针对性发展规划，进而实现现有资源的充分再利用。三是要转变经营模式。为了进一步提高资产利用率，饲料上市公司需要在保证生产高品质饲料产品前提下转变经营模式，降低原材料消耗，节省产品成本。饲料上市公司可以多方位选择与电商合作，充分利用渠道优势降低产品储存成本与线上经营成本。此外，还应加大技术研发投入，在技术创新、产品研发等方面深度投入，最终构建出完整的饲料上市公司产品研发产业链。