摘 要：文章以2009年到2011年在沪深两市上市的汽车整车企业为研究对象，通过回归分析，探讨政府的产业政策对汽车行业财务风险的影响程度。研究表明，积极的政府产业政策对汽车行业的发展有着显著的促进作用，能够减少汽车行业的财务风险，提高汽车产业抵御风险的能力。
关键词：政府政策 汽车行业 财务风险 回归分析
中图分类号：f407 文献标识码：a
文章编号：1004-4914（2013）03-021-02
一、引言
汽车行业作为国民经济的支柱产业，在国民经济发展中起着举足轻重的作用，同样，国家宏观经济形式和宏观经济政策的变化，也会对汽车产业的发展产生重要影响。为了应付全球金融危机对我国汽车产业的影响，国家发改委和工信部出台了一系列的鼓励政策，其中最主要的市场
调控政策是对汽车购置税的优惠，从2009年1月1日到2011年12月31日，政府对汽车购置税作了三次重要调整：2009年汽车购置税率优惠50%，即汽车购置税率从10%优惠至5%；2010年优惠75%，即从10%优惠至7.5%；2011年随着经济形势的好转，汽车购置税率恢复至10%。
虽然车辆购置税优惠只是针对1.6l排量及其以下排量的小汽车，但是，由于我国1.6l及其以下排量的小汽车的消费在汽车行业中占有重要地位，政府宏观政策的变化必然会对汽车企业的管理决策和汽车行业的发展产生重要的影响。
基于上述研究背景，本文从政府产业政策视角出发，选取政府产业政策为典型变量，采用spss统计软件进行统计分析，研究其对汽车行业财务风险的影响。本文的研究意义在于：为深入分析汽车行业财务风险的产生根源提供进一步的理论支持，通过实证研究来探讨政府宏观经济政策与汽车企业财务风险的关系。此外，通过本文的实证研究，期望为实务界提供新的参考依据，以提高汽车行业应对政策变化的能力，降低财务风险。
二、研究假设
（一）变量设计
1.被解释变量。国内外对公司财务风险衡量指标的研究主要基于以下三类：（1）以某个具体财务指标的波动来衡量；（2）构建财务预警模型；（3）市场风险测度方法（var）。鉴于我国证券市场发展时间短，还有待完善，国内学者大多采用第二种方法，即通过构建各种财务预警模型来测度公司财务风险。其中，altman建立的z指数模型是目前较为流行的用于预测企业破产的一个多变量财务风险预警模型。该模型使用22个财务比率，经过统计筛选，建立了著名的z-score模型。该模型通过加权汇总，计算财务风险总判别值，从而判断公司财务风险的大小，是评价公司财务风险的经典模型。
因此，本文采用altman的z-score模型来衡量公司财务风险，其具体计算公式为：
z=1.2×（营运资金/资产总额）+1.4×（留存收益/资产总额）+3.3×（息税前利润/资产总额）+0.6×（股票市价总额/负债账面价值总额）+0.999×（销售收入/资产总额）……（公式1）
z值越小，表示公司的财务风险越大，破产可能性也越大，财务危机也就越严重；反之，则表明公司财务风险越小。altman教授的研究结果显示：如果z值大于2.99，表明公司的财务状况良好，出现破产的概率非常小；如果z值小于1.81，表明公司存在很大的破产危险，财务危机很严重；如果z值位于1.81～2.99之间，则公司财务状况处于“灰地带”，财务状况不
明晰，应引起足够重视。
2.解释变量。本文的解释变量用政府产业政策对汽车行业的鼓励程度（gp）来表示。gp的取值区间为0～1。当政府产业政策对汽车行业不具有鼓励效用时，gp=0；当政府产业政策对汽车行业具有明显的鼓励效用时，gp=1。
引言中2009年1月1日到2011年12月31日政府对汽车购置税的三次重要调整表明，汽车购置税优惠程度集中体现了政府产业政策对汽车行业的鼓励程度。因此，下文以汽车购置税的优惠程度来衡量gp值的大小，2009年gp=1，2010年gp=0.5，2011年gp=0。
3.控制变量。本文在借鉴前人研究的基础上，选择以下变量作为研究公司财务风险的控制变量。（1）公司规模（s）。用公司期末总资产的自然对数来表示，即ln（期末总资产）。（2）资产负债率（l）。资产负债率反映公司的负债比例，l=负债/资产。（3）资产期限结构（a）。用公司固定资产占总资产的比例来衡量，a=期末固定资产/期末总资产。（4）盈利能力（roa）。盈利能力在一定程度上反映了公司抵御财务风险的能力，roa=2*净利润/（期初总资产+期末总资产）。（5）成长性（g）。用主营业务收入的增长率来表示公司成长性，g=（本期主营业务收入-上期主营业务收入）/上期主营业务收入。将变量设计中的各
变量汇总如表1所示。
汽车购置税计算方法（二）研究假设
根据altman的z-score模型，本文假设，政府产业政策与汽车企业财务风险存在某种线性相关性，用以下公式表示：zi =β0+β1*gpi+β2*si+β3*li+β4*ai+β5*roai+β6*gi+δi……（公式2）
其中，β0为常量，β1、β2、β3、β4、β5、β6为各变量的系数，δi是残差项，反映了除各变量之外的其他因素对z值的影响。
在计算各zi值时，本文采用了z-score模型即公式1。
三、变量的相关性分析
为了检验本文对于变量的选取是否合理，首先采用spss统计软件对各变量进行相关性分析。各变量的相关性分析如表2所示。
相关性分析结果显示，政府政策（gp）值与财务风险（z）值呈正相关关系，说明政府政策与公司财务风险负相关。其它控制变量与公司财务风险均呈显著的相关关系，说明本文对于
控制变量的选取是合理的。
公式2中所涉及到的各自变量之间的相关系数，绝对值最大的是s（公司规模）与a（资产期限结构），其绝对值为0.486，小于0.6，说明自变量之间的相关性一般。因此，公式2中各自变量之间呈现一种弱相关关系。
因此，公式2中基本不会存在多重共线性问题，可以放入同一个公式中进行回归分析。
四、多元回归分析
为了进一步研究政府产业政策对汽车行业财务风险的影响，在以上相关性分析的基础上，本文采用spss统计软件对各变量进行回归分析。
残差项δ的回归分析结果如表3所示。从表3可以看出公式2中的d.w值在2附近，即残差项δ服从正态分布，不存在自相关关系。
为了检验公式2是否具有显著性，采用方差分析（analysis of variance，简称anova）。方差分析的结果如表4所示。从检验结果的f值来看，各模型均在5%的显著性水平上显著，且模型
对因变量的解释能力在60%以上，说明公式2的总体拟合程度比较高。从表4可以看出f值为6.388，大于a=0.05下的临界值2.70，回归方程（公式2）显著性明显。
发布评论