姚慧慧，金 靜，朱家明

(安徽財(cái)經(jīng)大學(xué))

0 引言

隨著電子信息技術(shù)快速發(fā)展，高新技術(shù)行業(yè)競(jìng)爭(zhēng)狀態(tài)日益激烈，技術(shù)創(chuàng)新是帶動(dòng)社會(huì)經(jīng)濟(jì)發(fā)展的重要源泉.然而目前中國(guó)高新技術(shù)企業(yè)因管理人才的缺乏、風(fēng)險(xiǎn)防范意識(shí)的薄弱仍存在高風(fēng)險(xiǎn)的特點(diǎn).近年來，高新技術(shù)企業(yè)不斷發(fā)展壯大，技術(shù)創(chuàng)新成為提高國(guó)家競(jìng)爭(zhēng)力的主要力量.各國(guó)為了加快自身經(jīng)濟(jì)的發(fā)展，競(jìng)相加大對(duì)高新技術(shù)產(chǎn)業(yè)的投入，為了重點(diǎn)扶持高新技術(shù)產(chǎn)業(yè)的發(fā)展，國(guó)家對(duì)于高新技術(shù)企業(yè)可以減免15%的企業(yè)所得稅.然而，盡管高新技術(shù)企業(yè)對(duì)國(guó)家經(jīng)濟(jì)的發(fā)展與轉(zhuǎn)型有卓越的貢獻(xiàn)，但高新技術(shù)高風(fēng)險(xiǎn)、高回報(bào)的特性意味高新技術(shù)企業(yè)隱藏著不容忽視的財(cái)務(wù)風(fēng)險(xiǎn)，相比較傳統(tǒng)企業(yè)來說，大量的研發(fā)費(fèi)用投入以及技術(shù)應(yīng)用的不確定性等諸多因素都會(huì)導(dǎo)致財(cái)務(wù)風(fēng)險(xiǎn)的加大和防范難度系數(shù)提高.因此結(jié)合相關(guān)財(cái)務(wù)數(shù)據(jù)對(duì)高新技術(shù)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行研究，構(gòu)建財(cái)務(wù)預(yù)警模型，目的是提高高新技術(shù)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)防范能力，為管理者及時(shí)預(yù)測(cè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)提供參考.

1 財(cái)務(wù)預(yù)警模型國(guó)內(nèi)外研究文獻(xiàn)回顧

財(cái)務(wù)預(yù)警有助于企業(yè)防范潛在的財(cái)務(wù)危機(jī)，在企業(yè)經(jīng)營(yíng)活動(dòng)中具有重要性地位.國(guó)內(nèi)外不少學(xué)者對(duì)企業(yè)財(cái)務(wù)危機(jī)預(yù)警進(jìn)行研究，最常用的方法有主成分分析、Logistic模型、BP神經(jīng)網(wǎng)絡(luò)等.Fitzpatrick在單個(gè)財(cái)務(wù)變量的基礎(chǔ)上建立財(cái)務(wù)預(yù)警模型，通過對(duì)19家上市公司進(jìn)行分險(xiǎn)預(yù)警發(fā)現(xiàn)權(quán)益凈利率和產(chǎn)權(quán)比率能夠有效地對(duì)財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)[1].Ohlson創(chuàng)新運(yùn)用Logistic 回歸建立多變量模型應(yīng)用于非金融企業(yè)財(cái)務(wù)預(yù)警中，以1970～1976年2058家公司的數(shù)據(jù)進(jìn)行了檢驗(yàn)，預(yù)測(cè)準(zhǔn)確率達(dá)到了96.12%，模型預(yù)測(cè)效果良好[2].吳世農(nóng)等分析企業(yè)破產(chǎn)的相關(guān)指標(biāo)，分別建立平均數(shù)區(qū)間估計(jì)方法的單變量預(yù)測(cè)模型和線性判定分析方法多變量預(yù)測(cè)模型，但是沒有進(jìn)行實(shí)證研究[3].Tam等選取59家申請(qǐng)破產(chǎn)和59家正常經(jīng)營(yíng)的銀行作為研究樣本，建立三層神經(jīng)網(wǎng)絡(luò)模型，并將此模型的預(yù)測(cè)結(jié)果與多元判別分析法、Logistic回歸模型、決策樹法等多種方法相比得出此模型的預(yù)測(cè)誤判率更低[4].劉旻依據(jù)財(cái)務(wù)比率數(shù)據(jù)，利用Logistic分析方法建立預(yù)警模型，對(duì)上市公司財(cái)務(wù)異常的前3年能夠進(jìn)行有效的預(yù)測(cè)，并且整體預(yù)測(cè)概率為86.7%[5].呂長(zhǎng)江等對(duì)中國(guó)制造業(yè)上市公司1999～2002年的數(shù)據(jù)分別運(yùn)用邏輯線性回歸、多元判別法和BP神經(jīng)網(wǎng)絡(luò)對(duì)企業(yè)的財(cái)務(wù)狀況進(jìn)行分析，得出這3種方法都能在企業(yè)發(fā)生財(cái)務(wù)危機(jī)的前3年進(jìn)行很好的預(yù)測(cè)，但是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)單準(zhǔn)確率最高[6].

綜合以上研究，在建立財(cái)務(wù)預(yù)警模型中多元判別分析準(zhǔn)確率低于Logistic回歸模型，一般兩者結(jié)合會(huì)提高預(yù)測(cè)單準(zhǔn)確性，而神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率雖然高但是計(jì)算操作起來比較麻煩，因此Logistic回歸模型操作簡(jiǎn)單、預(yù)測(cè)率相對(duì)較高并且數(shù)據(jù)分布方面要求不高，適用于財(cái)務(wù)預(yù)警的研究.目前，國(guó)內(nèi)外財(cái)務(wù)預(yù)警研究普遍運(yùn)用Logistic模型.

2 高新技術(shù)企業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系構(gòu)建

2.1 研究樣本和指標(biāo)的選取

選取2018年40家ST公司和40家非ST公司為研究樣本，以2016年公司的財(cái)務(wù)數(shù)據(jù)為研究對(duì)象，數(shù)據(jù)來源于國(guó)泰安財(cái)經(jīng)研究數(shù)據(jù)庫(kù).選取的指標(biāo)主要分為反映企業(yè)盈利能力、償債能力、經(jīng)營(yíng)能力、現(xiàn)金流能力和發(fā)展能力5個(gè)方面的財(cái)務(wù)指標(biāo)和反映審計(jì)意見類型和股權(quán)性質(zhì)兩個(gè)方面非財(cái)務(wù)指標(biāo)[7]，非財(cái)務(wù)指標(biāo)需要后期對(duì)其進(jìn)行量化處理(標(biāo)準(zhǔn)無保留意見記為 1，其他為0)，設(shè)置變量符號(hào)從左到右依次為X1～X21，具體指標(biāo)類型如圖1所示.

圖1 高新技術(shù)企業(yè)財(cái)務(wù)預(yù)警研究指標(biāo)體系

2.2 模型指標(biāo)的篩選

財(cái)務(wù)預(yù)警模型的指標(biāo)變量需要能夠區(qū)分研究對(duì)象是否被ST，由于初始財(cái)務(wù)指標(biāo)有21個(gè)，會(huì)存在顯著性不大的指標(biāo)對(duì)模型結(jié)果產(chǎn)生干擾，從而影響準(zhǔn)確性，而且有些指標(biāo)之間還存在一定的相關(guān)性，因此有必要對(duì)指標(biāo)變量進(jìn)行篩選，最后對(duì)篩選出的指標(biāo)結(jié)合主成分分析建立Logistic財(cái)務(wù)預(yù)警模型[8].

2.2.1 單樣本K-S檢驗(yàn)

首先對(duì)指標(biāo)變量進(jìn)行K-S檢驗(yàn)，指標(biāo)變量檢驗(yàn)的顯著水平大于0.05則指標(biāo)變量呈正態(tài)分布，運(yùn)用SPSS25.0對(duì)21個(gè)指標(biāo)變量進(jìn)行K-S檢驗(yàn)，檢驗(yàn)結(jié)果見表1，在5%的顯著水平下，符合正態(tài)分布的變量有利息保障倍數(shù)X3、營(yíng)業(yè)收入現(xiàn)金含量X14、營(yíng)業(yè)收入增長(zhǎng)率X18，其余變量均不符合正態(tài)分布.

表1 單樣本 K-S檢驗(yàn)結(jié)果

2.2.2 獨(dú)立樣本T檢驗(yàn)

對(duì)通過K-S檢驗(yàn)的3個(gè)變量進(jìn)行獨(dú)立樣本T檢驗(yàn)[9]，檢驗(yàn)結(jié)果見表2，研究結(jié)果表明，利息保障倍數(shù)X3、營(yíng)業(yè)收入增長(zhǎng)率X18第1個(gè)顯著性水平小于0.05，需要看平均值等同性t檢驗(yàn)第2行數(shù)據(jù)，第2個(gè)顯著性水平大于0.05，差異不顯著；而營(yíng)業(yè)收入現(xiàn)金含量X14第1個(gè)顯著性水平大于0.05，右邊T檢驗(yàn)第1行顯著性水平大于0.05，同樣不滿足顯著性差異.因此，3個(gè)指標(biāo)均未通過T檢驗(yàn)，均被剔除.

表2 獨(dú)立樣本T檢驗(yàn)結(jié)果

2.2.3 非參數(shù)指標(biāo)Mann-Whitney U檢驗(yàn)

對(duì)于未通過K-S檢驗(yàn)的剩余18個(gè)變量進(jìn)行Mann-Whitney U檢驗(yàn)，檢驗(yàn)結(jié)果見表3，通過檢驗(yàn)的變量有X4、X5、X6、X7、X9、X10、X12、X17、X19、X20，利用這10個(gè)指標(biāo)來構(gòu)建高新技術(shù)企業(yè)財(cái)務(wù)預(yù)警模型.

表3 Mann-Whitney U檢驗(yàn)結(jié)果

3 結(jié)合主成分分析構(gòu)建Logistic財(cái)務(wù)預(yù)警模型

3.1 研究思路

運(yùn)用主成分分析進(jìn)行降維，可以降低指標(biāo)之間的相關(guān)性對(duì)模型結(jié)果準(zhǔn)確性的影響[10]，提取幾個(gè)適當(dāng)?shù)闹鞒煞肿鳛槟Ｐ偷淖兞?，有效地解決了指標(biāo)變量之間相關(guān)性這一難題，因此該文首先通過主成分分析提取幾個(gè)關(guān)鍵性的指標(biāo)變量，然后根據(jù)主成分寫出對(duì)應(yīng)的因子表達(dá)式，最后在此基礎(chǔ)上建立Logistic回歸模型，對(duì)企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè).

3.2 研究方法

3.2.1 主成分分析

(1)KMO和Bartlett球形檢驗(yàn)

各指標(biāo)變量需要滿足較強(qiáng)的相關(guān)性才可以進(jìn)行主成分分析，檢驗(yàn)結(jié)果見表4，KMO的值為0.698，大于度量標(biāo)準(zhǔn)0.5，顯著水平為0，小于0.05，說明各指標(biāo)變量之間的相關(guān)性比較強(qiáng)，可以進(jìn)行主成分分析.

表4 KMO 和巴特利特檢驗(yàn)

(2)主成分提取

運(yùn)行SPSS 25.0進(jìn)行主成分分析，滿足特征值大于1的因子可以作為主成分[11]，主成分信息提取結(jié)果見表5，前4個(gè)主成分的特征值達(dá)到了1，提取前4個(gè)主成分因子的累計(jì)貢獻(xiàn)率達(dá)到了71.923%.

表5 主成分信息提取

提取的4個(gè)主成分是Logistic模型中的4個(gè)變量，由表6可知，主成分F1與資產(chǎn)報(bào)酬率X5、投資回報(bào)率X6、長(zhǎng)期資本收益率X7相關(guān)性比較高，反映的是企業(yè)的盈利能力；主成分F2與審計(jì)意見X19相關(guān)性比較高，反映的是企業(yè)的審計(jì)意見類型；主成分F3與應(yīng)收賬款周轉(zhuǎn)率X9相關(guān)性比較高，反映的是企業(yè)的經(jīng)營(yíng)能力；主成分F4與凈利潤(rùn)增長(zhǎng)率X17相關(guān)性比較高，反映的是企業(yè)的發(fā)展能力.

表6 旋轉(zhuǎn)成分矩陣信息表

成分得分系數(shù)矩陣見表7，根據(jù)旋轉(zhuǎn)成分矩陣信息表可以得到主成分表達(dá)式，因此，各財(cái)務(wù)風(fēng)險(xiǎn)因子得分表達(dá)式為：

表7 成分得分系數(shù)矩陣

3.2.2 Logistic財(cái)務(wù)預(yù)警模型的建立

二分類Logistic模型不要求變量服從正態(tài)分布，被解釋變量為0/1二值變量[12]，定義概率值為0時(shí)是非ST公司，為1時(shí)是ST公司，將公司的各項(xiàng)財(cái)務(wù)指標(biāo)的數(shù)據(jù)帶入到模型當(dāng)中，若得到的值大于0.5且越接近于1則公司的財(cái)務(wù)風(fēng)險(xiǎn)越大，若得到的值小于0.5且越接近于0則公司的財(cái)務(wù)風(fēng)險(xiǎn)越小[13].運(yùn)用SPSS25.0進(jìn)行分析預(yù)測(cè)，利用樣本公司的財(cái)務(wù)指標(biāo)數(shù)據(jù)建立模型，得到含有F1、F2、F3、F4這4個(gè)主成分因子表達(dá)式，Logistic模型估計(jì)結(jié)果見表8.

表8 方程中的變量

根據(jù)表6中的數(shù)據(jù)，建立的Logistic財(cái)務(wù)預(yù)警模型表達(dá)式為：

當(dāng)P大于0.5時(shí)，表示公司存在財(cái)務(wù)風(fēng)險(xiǎn)，當(dāng)P小于0.5時(shí)，表示公司正常.

3.2.3 模型檢驗(yàn)

根據(jù)得到的財(cái)務(wù)預(yù)警模型，將分析樣本和隨機(jī)選取45家高新技術(shù)企業(yè)2017年的財(cái)務(wù)數(shù)據(jù)的檢驗(yàn)樣本對(duì)模型的有效性進(jìn)行檢驗(yàn)，檢驗(yàn)結(jié)果見表9.

表9 模型檢驗(yàn)結(jié)果

由模型的檢驗(yàn)可知，在分析樣本中對(duì)于非ST公司均判斷正確，ST公司中有3家公司被錯(cuò)判，判斷是否有財(cái)務(wù)風(fēng)險(xiǎn)的高新技術(shù)企業(yè)的準(zhǔn)確率為96.3%，在檢驗(yàn)樣本中被錯(cuò)判成ST公司的有1家，錯(cuò)判成非ST公司的有3家，判斷是否有財(cái)務(wù)風(fēng)險(xiǎn)的高新技術(shù)企業(yè)的準(zhǔn)確率為90.5%，可見該模型對(duì)高新技術(shù)企業(yè)財(cái)務(wù)預(yù)警的作用是十分有效的.

4 Logistic財(cái)務(wù)預(yù)警模型預(yù)測(cè)效果的評(píng)價(jià)

該文通過收集中國(guó)2018年40家ST公司和非ST公司的財(cái)務(wù)數(shù)據(jù)作為研究樣本，結(jié)合主成分分析建立Logistic財(cái)務(wù)預(yù)警模型，并用隨機(jī)選取的45家高新技術(shù)企業(yè)作為檢驗(yàn)樣本對(duì)模型的有效性進(jìn)行了檢驗(yàn)，結(jié)果準(zhǔn)確率分別達(dá)到了96.3%和90.5%，表明預(yù)測(cè)效果較好.構(gòu)建財(cái)務(wù)預(yù)警模型有助于提高企業(yè)對(duì)財(cái)務(wù)風(fēng)險(xiǎn)的防范能力，促進(jìn)高新技術(shù)企業(yè)未來健康的發(fā)展，模型綜合考慮了企業(yè)財(cái)務(wù)變量指標(biāo)和非財(cái)務(wù)變量指標(biāo)，提高了財(cái)務(wù)預(yù)警模型的準(zhǔn)確性，但是該模型仍然存在一些不足之處，比如數(shù)據(jù)選取方面可能會(huì)存在一些隨機(jī)性的因素干擾最后模型的結(jié)果，雖然ST公司和非ST公司具有相近的總資產(chǎn)規(guī)模，但是企業(yè)資產(chǎn)結(jié)構(gòu)可能還是會(huì)存在一些差異，還有模型只是選取了一些重要的指標(biāo)進(jìn)行度量，可能還存在一些潛在的因素影響預(yù)測(cè)的結(jié)果，而且模型只是對(duì)企業(yè)的財(cái)務(wù)危機(jī)進(jìn)行了簡(jiǎn)單的判斷，至于造成風(fēng)險(xiǎn)的源頭還需要進(jìn)一步地進(jìn)行分析，對(duì)于以上還未解決的問題需要在以后的工作中繼續(xù)研究.