孟巧 范國(guó)帥 王勝男 牟必燕 張靖 周凱朋

【摘要】? 合理的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型對(duì)中小型創(chuàng)新企業(yè)管理預(yù)測(cè)并發(fā)現(xiàn)企業(yè)經(jīng)營(yíng)情況和財(cái)務(wù)狀況的變化具有重要意義。文章基于國(guó)內(nèi)外現(xiàn)有的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，選取2013—2017年度我國(guó)ST和非ST中小型創(chuàng)新企業(yè)各10家作為研究樣本，借助SPSS軟件進(jìn)行單因子樣本T檢驗(yàn)，剔除差異不顯著的指標(biāo)，通過(guò)檢驗(yàn)主成分指標(biāo)，構(gòu)建預(yù)警模型，分別選取ST和非ST企業(yè)各4家進(jìn)行預(yù)測(cè)，根據(jù)準(zhǔn)確率情況，以所選取的20家ST和非ST企業(yè)的共有指標(biāo)作為變量，構(gòu)建綜合Logistic回歸預(yù)警模型，經(jīng)過(guò)Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)，反映ST和非ST企業(yè)的財(cái)務(wù)危機(jī)狀況，從而較為準(zhǔn)確地預(yù)警企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，幫助企業(yè)準(zhǔn)確把控投資方向，進(jìn)一步進(jìn)行市場(chǎng)投資預(yù)測(cè)，為中小型創(chuàng)新企業(yè)的發(fā)展提供具有可行性的依據(jù)方案。

【關(guān)鍵詞】? Logistic回歸;財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警;主成分分析法

【中圖分類號(hào)】? F234? 【文獻(xiàn)標(biāo)識(shí)碼】? A? 【文章編號(hào)】? 1002-5812（2019）17-0077-05

一、引言

在我國(guó)，中小型創(chuàng)新企業(yè)對(duì)經(jīng)濟(jì)發(fā)展發(fā)揮著重要作用。目前，我國(guó)中小型創(chuàng)新企業(yè)具有數(shù)量多、分布廣的特點(diǎn)，生產(chǎn)線規(guī)模小，創(chuàng)新技術(shù)有限，但經(jīng)營(yíng)方式多樣化，負(fù)債水平較高?，F(xiàn)如今全球經(jīng)濟(jì)逐步走向一體化，對(duì)風(fēng)險(xiǎn)抵御能力較弱的中小型創(chuàng)新企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制的有效性和可行性提出了更高標(biāo)準(zhǔn)，中小型創(chuàng)新企業(yè)在激烈的市場(chǎng)競(jìng)爭(zhēng)中壓力劇增。此外，企業(yè)內(nèi)部財(cái)務(wù)風(fēng)險(xiǎn)管控能力不足、管理層治理結(jié)構(gòu)不完善、資本運(yùn)營(yíng)結(jié)構(gòu)不健全、資金投融方式不恰當(dāng)和創(chuàng)新技術(shù)不獨(dú)特等問(wèn)題進(jìn)一步加劇了中小型創(chuàng)新企業(yè)在市場(chǎng)上生存并發(fā)展下去的難度，需要企業(yè)及時(shí)實(shí)施相應(yīng)的防治措施。

國(guó)外研究表明，早在20世紀(jì)30年代西方學(xué)者就已經(jīng)開始對(duì)企業(yè)如何有效管理并控制財(cái)務(wù)風(fēng)險(xiǎn)危機(jī)進(jìn)行了相應(yīng)研究，并提出了多種多樣的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警方法和模型，一般可分為定性分析和定量分析兩種。Argenti（1977）采用管理評(píng)分法建立的財(cái)務(wù)危機(jī)成因模型得到了廣泛應(yīng)用，并提出企業(yè)如何有效管理并發(fā)揮管理層的作用。Ohison（1980）采用Logistic回歸方法建立了財(cái)務(wù)危機(jī)預(yù)警模型，揭示了所研究企業(yè)的財(cái)務(wù)狀況面臨破產(chǎn)的概率分布情況。

我國(guó)學(xué)者建立的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型主要是以傳統(tǒng)的財(cái)務(wù)指標(biāo)為基礎(chǔ)、以財(cái)務(wù)比率分析為主體的單變量預(yù)警模型，在研究過(guò)程中，多將財(cái)務(wù)比率和各種統(tǒng)計(jì)方法結(jié)合為多變量預(yù)警模型，使用非統(tǒng)計(jì)類方法建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)模型。在中國(guó)知網(wǎng)上以“財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警”為關(guān)鍵詞，共檢索到6 090余篇相關(guān)文獻(xiàn)，數(shù)據(jù)顯示我國(guó)學(xué)者從1995年開始對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警課題進(jìn)行研究，并呈遞增趨勢(shì)。2008年受企業(yè)重組改革政策的影響，關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的課題引起了學(xué)者的廣泛關(guān)注，截至2018年底，與“財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)”主題相關(guān)的文獻(xiàn)有411篇，“財(cái)務(wù)風(fēng)險(xiǎn)系統(tǒng)”有382篇，“預(yù)警系統(tǒng)”有317篇。

國(guó)內(nèi)外學(xué)者對(duì)Logistic回歸預(yù)警模型的研究都得到了有效驗(yàn)證，并在企業(yè)發(fā)展中廣泛應(yīng)用。吳笛嘉、林桂蘭（2017）通過(guò)分析新能源企業(yè)資本結(jié)構(gòu)對(duì)企業(yè)績(jī)效的影響，為新能源企業(yè)如何屹立于競(jìng)爭(zhēng)激烈的市場(chǎng)中提出了有效建議。此外，徐玉芳、邵勝華（2017）通過(guò)建立綜合Logistic回歸與純財(cái)務(wù)指標(biāo)Logistic回歸的對(duì)比模型，驗(yàn)證了綜合Logistic回歸財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的準(zhǔn)確性較高。岳彩信（2012）發(fā)現(xiàn)Logistic動(dòng)態(tài)分析模型的預(yù)測(cè)精度更加理想。陳芳、吳杰（2017）基于因子分析與Logistic回歸模型的對(duì)比，發(fā)現(xiàn)綜合Logistic回歸模型的判別效果更好。本文在上述研究成果的基礎(chǔ)上，進(jìn)一步搜集財(cái)務(wù)危機(jī)企業(yè)和非財(cái)務(wù)危機(jī)企業(yè)的財(cái)務(wù)數(shù)據(jù)，通過(guò)檢驗(yàn)主成分指標(biāo)，構(gòu)建主成分預(yù)警模型，得出該模型判別結(jié)果準(zhǔn)確率不高的結(jié)論，進(jìn)而構(gòu)建Logistic回歸財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并進(jìn)一步研究主要的影響因素。通過(guò)檢驗(yàn)預(yù)測(cè)組發(fā)現(xiàn)，本文所構(gòu)建的Logistic回歸預(yù)警模型能夠及時(shí)識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)和財(cái)務(wù)危機(jī)的征兆，可以為中小型創(chuàng)新企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警提供參考。

二、中小型創(chuàng)新企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的設(shè)計(jì)

現(xiàn)代社會(huì)對(duì)中小企業(yè)財(cái)務(wù)管理的規(guī)范性和科學(xué)性要求較高，而當(dāng)前眾多中小型創(chuàng)新企業(yè)達(dá)不到這一要求。本文選取企業(yè)規(guī)模、資產(chǎn)與負(fù)債結(jié)構(gòu)相近、經(jīng)營(yíng)業(yè)務(wù)范圍不同的20家中小型創(chuàng)新企業(yè)作為研究對(duì)象（其中ST和非ST企業(yè)各10家，ST企業(yè)為財(cái)務(wù)危機(jī)組，非ST企業(yè)為非財(cái)務(wù)危機(jī)組），利用主成分分析和Logistic回歸分析方法，對(duì)建模組樣本2013—2017年度的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析，分別建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

建立財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的關(guān)鍵在于指標(biāo)選取的科學(xué)性。因此在考慮企業(yè)實(shí)際經(jīng)營(yíng)情況以及參考眾多優(yōu)秀創(chuàng)新企業(yè)選取財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)的經(jīng)驗(yàn)的基礎(chǔ)上，本文認(rèn)為中小型創(chuàng)新企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)必須考慮企業(yè)的營(yíng)運(yùn)能力、盈利能力、償債能力和發(fā)展?jié)撃艿榷鄠€(gè)方面，因此，指標(biāo)應(yīng)包含能夠全面反映企業(yè)財(cái)務(wù)狀況和經(jīng)營(yíng)狀況的信息，這是指標(biāo)能否準(zhǔn)確反映企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的基礎(chǔ)。本文根據(jù)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，從一級(jí)指標(biāo)即盈利能力、營(yíng)運(yùn)能力、償債能力、成長(zhǎng)能力、現(xiàn)金流量方面，選取14個(gè)二級(jí)指標(biāo)，包括每股收益、每股凈資產(chǎn)、存貨周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率、流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率、營(yíng)業(yè)總收入同比增長(zhǎng)率、毛利潤(rùn)、總資產(chǎn)凈利率、現(xiàn)金流量與當(dāng)期債務(wù)比率、每元銷售現(xiàn)金凈流量、全部資產(chǎn)現(xiàn)金回收率。如表1所示。

三、非財(cái)務(wù)危機(jī)組企業(yè)的模型構(gòu)建與檢驗(yàn)

（一）單因子樣本T檢驗(yàn)

在選取初始指標(biāo)之后，首先對(duì)非財(cái)務(wù)危機(jī)組企業(yè)的14個(gè)二級(jí)指標(biāo)分別進(jìn)行單因子樣本T檢驗(yàn)，找出存在顯著性差異的指標(biāo)，結(jié)果如表2所示。

由檢驗(yàn)結(jié)果可知：存貨周轉(zhuǎn)率X3、速動(dòng)比率X7、每元銷售現(xiàn)金凈流量X13的Sig值均大于0.05，表明指標(biāo)之間差異不顯著，剔除這三個(gè)指標(biāo)，共得到11個(gè)參與模型構(gòu)建的指標(biāo)。

（二）主成分分析指標(biāo)檢驗(yàn)

為了減少不同指標(biāo)之間的相互影響，首先對(duì)10家非財(cái)務(wù)危機(jī)組企業(yè)14個(gè)二級(jí)指標(biāo)的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后對(duì)所得到的數(shù)據(jù)進(jìn)行KMO檢驗(yàn)及Bartlett球形檢驗(yàn)，根據(jù)KMO檢驗(yàn)系數(shù)高于0.5，Bartlett顯著性越接近于0，各指標(biāo)間的相關(guān)性越強(qiáng)的特性，來(lái)確定數(shù)據(jù)是否適合進(jìn)行主成分分析。通過(guò)對(duì)10家企業(yè)14個(gè)二級(jí)指標(biāo)的數(shù)據(jù)進(jìn)行處理和檢驗(yàn)，結(jié)果如表3所示。KMO檢驗(yàn)系數(shù)為0.793>0.5，對(duì)應(yīng)的Bartlett球形檢驗(yàn)統(tǒng)計(jì)量顯著性概率低于5%，適合采用主成分方法進(jìn)行分析。

（三）主成分預(yù)警模型的構(gòu)建

本文運(yùn)用SPSS軟件對(duì)2013—2017年度10家非財(cái)務(wù)危機(jī)組企業(yè)的數(shù)據(jù)進(jìn)行主成分分析，計(jì)算各主成分的特征值和貢獻(xiàn)率，結(jié)果如下頁(yè)表4所示。可知，前4個(gè)主成分的特征值均大于1，且累積貢獻(xiàn)率為92.357%。

運(yùn)用SPSS軟件得到旋轉(zhuǎn)成分矩陣，如表5所示。

由旋轉(zhuǎn)成分矩陣可以得出4個(gè)主成分表達(dá)式：

F1=0.075X1-0.151X2+0.217X3+0.216X4-0.147X5+0.026X6+0.120X7+0.124X8+0.145X9+0.067X10+0.218X11 （1）

F2=0.242X1+0.211X2-0.058X3+0.024X4+0.163X5-0.241X6+0.078X7+0.070X8+0.193X9+0.191X10-0.033X11? ?（2）

F3=-0.170X1+0.000X2+0.120X3+0.003X4+0.290X5+0.220X6-0.543X7+0.085X8+0.008X9+0.497X10+0.197X11 （3）

F4=0.193X1-0.154X2-0.286X3-0.307X4-0.187X5+0.250X6-0.142X7+0.634X8+0.222X9-0.073X10-0.148X11 （4）

根據(jù)各主成分貢獻(xiàn)率，得出非財(cái)務(wù)危機(jī)組企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)主成分預(yù)警模型為：

Z=0.36799F1+0.32726F2+0.1191F3+0.10922F4 （5）

根據(jù)上述財(cái)務(wù)風(fēng)險(xiǎn)主成分預(yù)警模型表達(dá)式，并收集另外8家企業(yè)（ST和非ST企業(yè)各4家）的數(shù)據(jù)，進(jìn)行標(biāo)準(zhǔn)化處理后代入公式，計(jì)算Z值，進(jìn)而得出判別結(jié)果，如表7所示。

由判別結(jié)果可以看出，主成分預(yù)警模型的結(jié)果不能準(zhǔn)確反映企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)狀況。

四、財(cái)務(wù)危機(jī)組企業(yè)的模型構(gòu)建與檢驗(yàn)

（一）單因子T檢驗(yàn)

選取10家財(cái)務(wù)危機(jī)組企業(yè)的14個(gè)二級(jí)指標(biāo)，分別進(jìn)行配對(duì)樣本T檢驗(yàn)，找出存在顯著性差異的指標(biāo)。檢驗(yàn)結(jié)果如表8所示。

單因子樣本T檢驗(yàn)顯示，資產(chǎn)負(fù)債率X8、總資產(chǎn)凈利率X11、現(xiàn)金流量與當(dāng)期債務(wù)比率X12、每元銷售現(xiàn)金凈流量X13、全部資金現(xiàn)金回收率X14這五個(gè)指標(biāo)的Sig值均大于0.05，指標(biāo)之間關(guān)系不顯著，從而剔除這5個(gè)指標(biāo)，最終得到9個(gè)參與模型構(gòu)建的指標(biāo)。

（二）主成分分析指標(biāo)檢驗(yàn)

為了減少不同指標(biāo)之間的相互影響，對(duì)所選取的10家財(cái)務(wù)危機(jī)組企業(yè)的14個(gè)二級(jí)指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，通過(guò)KMO檢驗(yàn)和Bartlett球形檢驗(yàn)處理后的數(shù)據(jù)，以確定主成分分析是否適用于10家企業(yè)的數(shù)據(jù)。具體檢驗(yàn)結(jié)果如下頁(yè)表9所示。KMO>0.5，Bartlett球形檢驗(yàn)統(tǒng)計(jì)量對(duì)應(yīng)的顯著性概率小于5%，說(shuō)明主成分分析適用于標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。

（三）主成分預(yù)警模型的構(gòu)建

運(yùn)用SPSS軟件對(duì)本文選取的10家財(cái)務(wù)危機(jī)組企業(yè)2013—2017年度的數(shù)據(jù)進(jìn)行主成分分析，計(jì)算各主成分的特征值和貢獻(xiàn)率，結(jié)果如表10所示。

由表9可知，前3個(gè)主成分的特征值均大于1，且累積貢獻(xiàn)率達(dá)到74.98%，具有很好的詮釋作用。通過(guò)方差最大化得到旋轉(zhuǎn)成分矩陣，如表11所示。

根據(jù)旋轉(zhuǎn)成分矩陣得到3個(gè)主成分表達(dá)式：

F1=-0.401X1+0.178X2-0.054X3-0.50X4-0.570X5+0.245X6

-0.507X7+0.944X8+0.934X9 （6）

F2=0.656X1+0.935X2+0.825X3+0.227X4-0.306X5-0.259X6-0.400X7-0.193X8-0.182X9 （7）

F3=0.467X1+0.184X2-0.195X3+0.885X4+0.053X5+0.748X6+0.146X7+0.118X8+0.213X9 （8）

根據(jù)各主成分貢獻(xiàn)率，得出10家財(cái)務(wù)危機(jī)組企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)主成分預(yù)警模型：

Z=0.30341F1+0.26750F2+0.17888F3 （9）

根據(jù)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型和主成分表達(dá)式，收集另外8家企業(yè)（ST企業(yè)與非ST企業(yè)各4家）與之相關(guān)的數(shù)據(jù)，進(jìn)行標(biāo)準(zhǔn)化處理后代入公式，計(jì)算Z值，進(jìn)而得出判別結(jié)果，如表13所示。

可以看出，主成分預(yù)警模型的準(zhǔn)確率不高，不能準(zhǔn)確預(yù)測(cè)中小型創(chuàng)新企業(yè)的財(cái)務(wù)危機(jī)。

五、構(gòu)建Logistic回歸預(yù)警模型

（一）模型的構(gòu)建

對(duì)樣本企業(yè)2013—2017年度的數(shù)據(jù)進(jìn)行整理，并分別對(duì)經(jīng)單樣本T檢驗(yàn)后非財(cái)務(wù)危機(jī)組和財(cái)務(wù)危機(jī)組企業(yè)的指標(biāo)進(jìn)行整合，選取二者的共有指標(biāo)作為變量，代入SPSS軟件進(jìn)行Logistic多元回歸，在分析時(shí)，賦予財(cái)務(wù)危機(jī)組企業(yè)因變量的值為1，非財(cái)務(wù)危機(jī)組企業(yè)因變量的值為0。分析結(jié)果如表14所示。

如下頁(yè)表15所示，Sig值為1.000，大于0.05，說(shuō)明Logistic回歸預(yù)警模型擬合優(yōu)度較好。

根據(jù)多元Logistic回歸分析結(jié)果得到Logistic回歸預(yù)警模型：

將建模組和檢驗(yàn)組的原始指標(biāo)數(shù)據(jù)代入財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型得到P值，因?yàn)樨?cái)務(wù)危機(jī)組和非財(cái)務(wù)危機(jī)組企業(yè)是按照1∶1的比例選取的，因此將判別分割點(diǎn)選取為0.5，即：P>0.5代表財(cái)務(wù)危機(jī)組企業(yè)，P<0.5代表非財(cái)務(wù)危機(jī)組企業(yè)。判別結(jié)果如表16所示。

可以看出，經(jīng)過(guò)Logistic回歸分析后判別結(jié)果的準(zhǔn)確率比主成分預(yù)警模型的準(zhǔn)確率要高，建模組高達(dá)84.51%，檢驗(yàn)組高達(dá)77.29%，比主成分預(yù)警模型的準(zhǔn)確率高出近20%，因此Logistic回歸預(yù)警模型可以更加準(zhǔn)確地預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。

（二）模型的有效性檢驗(yàn)

對(duì)選取的8家財(cái)務(wù)危機(jī)組企業(yè)和非財(cái)務(wù)危機(jī)組企業(yè)2017年的財(cái)務(wù)數(shù)據(jù)進(jìn)行相應(yīng)的模型檢驗(yàn)。首先對(duì)8家企業(yè)的指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，然后代入Logistic回歸預(yù)警模型中，計(jì)算出回歸P值，以0.5為分界點(diǎn)進(jìn)行判斷。樣本檢驗(yàn)中對(duì)8家企業(yè)的判斷正確，準(zhǔn)確率達(dá)到98%，預(yù)測(cè)能力較好，能夠準(zhǔn)確地對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警。通過(guò)擬合度檢驗(yàn)，-2倍的對(duì)數(shù)似然函數(shù)的值為0，Nagekerke R2為1，說(shuō)明模型擬合優(yōu)度較好，能夠準(zhǔn)確地對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警。

六、研究結(jié)論及相關(guān)建議

（一）研究結(jié)論

本文通過(guò)搜集財(cái)務(wù)危機(jī)企業(yè)和非財(cái)務(wù)危機(jī)企業(yè)的財(cái)務(wù)指標(biāo)數(shù)據(jù)，利用單因子樣本T檢驗(yàn)，剔除差異不顯著的指標(biāo)，然后檢驗(yàn)主成分指標(biāo)，構(gòu)建主成分預(yù)警模型。經(jīng)檢驗(yàn)得出該模型的判別結(jié)果，建模組為65.22%，檢驗(yàn)組為60.74%，準(zhǔn)確率并不高，不能準(zhǔn)確預(yù)測(cè)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，進(jìn)而本文構(gòu)建了Logistic回歸預(yù)警模型。構(gòu)建該模型首先要對(duì)顯著性檢驗(yàn)的指標(biāo)體系進(jìn)行主成分分析，并觀察Hosmer和Lemeshow檢驗(yàn)表得到Sig值和Logistic回歸預(yù)警模型擬合優(yōu)度情況。經(jīng)檢驗(yàn)，該模型的判別結(jié)果，建模組為84.51%，檢驗(yàn)組為77.29%，準(zhǔn)確率較高。

通過(guò)對(duì)兩種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的實(shí)例檢驗(yàn)和對(duì)比發(fā)現(xiàn)，本文所構(gòu)建的Logistic回歸預(yù)警模型有助于中小型創(chuàng)新企業(yè)及時(shí)識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)和財(cái)務(wù)危機(jī)的征兆，調(diào)整財(cái)務(wù)戰(zhàn)略和經(jīng)營(yíng)戰(zhàn)略，以減少財(cái)務(wù)風(fēng)險(xiǎn)帶來(lái)的損失。此外，投資者也可以通過(guò)此模型來(lái)預(yù)測(cè)企業(yè)未來(lái)的財(cái)務(wù)狀況，對(duì)投資中產(chǎn)生的風(fēng)險(xiǎn)進(jìn)行有效控制。

（二）相關(guān)建議

作為企業(yè)管理者，要時(shí)刻關(guān)注企業(yè)的財(cái)務(wù)活動(dòng)，把握風(fēng)險(xiǎn)控制，降低企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)，可以采取如下措施：（1）提高企業(yè)的獲利能力。通過(guò)實(shí)驗(yàn)研究數(shù)據(jù)發(fā)現(xiàn)，兩組企業(yè)相比，財(cái)務(wù)危機(jī)組企業(yè)的盈利能力較差，大多為負(fù)增長(zhǎng)，并且大部分利潤(rùn)為負(fù)值。因此，企業(yè)要想實(shí)現(xiàn)持續(xù)增長(zhǎng)，必須提高獲利能力。（2）合理利用杠桿效應(yīng)。本文所搜集的財(cái)務(wù)危機(jī)企業(yè)大部分是資產(chǎn)負(fù)債率較高、營(yíng)業(yè)成本較高的中小型企業(yè)，這些企業(yè)的債務(wù)負(fù)擔(dān)過(guò)重，承受的財(cái)務(wù)風(fēng)險(xiǎn)較大。企業(yè)要想有效地控制這些風(fēng)險(xiǎn)，應(yīng)建立多樣化的融資渠道，采取正確的融資方式，合理利用財(cái)務(wù)杠桿效應(yīng)，降低企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。（3）加強(qiáng)對(duì)資金的管控。企業(yè)發(fā)展的必要前提是具備充足的資金，企業(yè)應(yīng)合理安排資金用途，提高資金使用率。S

【主要參考文獻(xiàn)】

[ 1 ] 吳笛嘉，林桂蘭，新能源龍頭企業(yè)資本結(jié)構(gòu)對(duì)企業(yè)績(jī)效的影響[J].商業(yè)會(huì)計(jì)，2017，（23）：65-66.

[ 2 ] 徐玉芳，邵勝華.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型設(shè)計(jì)及實(shí)證研究[J].會(huì)計(jì)之友，2017，（12）：31-34.

[ 3 ] 陳芳，吳杰.中小企業(yè)財(cái)務(wù)危機(jī)預(yù)警模型比較研究——基于因子分析與Logistic回歸模型的對(duì)比[J].財(cái)會(huì)通訊，2017，（05）：106-108.

[ 4 ] 黃曉波，王慧.從公司治理視角看農(nóng)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)[J].財(cái)會(huì)月刊，2017，（02）：47-54.

[ 5 ] 王藝，姚正海.制造業(yè)上市公司財(cái)務(wù)預(yù)警體系的構(gòu)建及比較——基于數(shù)據(jù)挖掘技術(shù)[J].財(cái)會(huì)月刊，2016，（21）：49-55.

[ 6 ] 王慶華，楊杏.基于多分類Logistic回歸模型的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)影響因素探析[J].財(cái)會(huì)月刊，2015，（18）：64-68.

[ 7 ] 樊林堉.基于趨勢(shì)性信息改進(jìn)Logistic財(cái)務(wù)預(yù)警模型[J].經(jīng)營(yíng)與管理，2018，（10）：140-142.

[ 8 ] 康雨舟.基于Logistic回歸的制造業(yè)上市公司財(cái)務(wù)困境預(yù)警模型[J].現(xiàn)代經(jīng)濟(jì)信息，2018，（15）：154-157.