信息設備制造業上市公司融資風險預警監控研究

張友棠　曹耀威

【摘要】企業融資結構錯配和經營內外部環境的變化， 會提高企業發生融資風險的概率。 在供給側結構性改革的背景下， 對企業的融資風險進行有效監控已成為“去杠桿”的核心目標。 以2009 ～ 2018年A股信息設備制造業上市公司為樣本， 以梯度提升算法構建融資風險預警模型， 通過融資期限、融資結構、營運能力、市場因素、公司治理和審計師特征維度對融資風險進行預警監控研究。 研究運用梯度提升算法加入財務和非財務指標， 提升了融資風險預警的準確性; 得出融資風險預警指標影響融資風險的相對重要性程度得分， 為針對性地制定化解融資風險的對策提供了依據。

【關鍵詞】融資風險;梯度提升算法;預警監控; 非財務指標

【中圖分類號】F273.4? ? ? 【文獻標識碼】A? ? ? 【文章編號】1004-0994（2020）14-0050-8

一、 引言

2019年10月， 黨的十九屆四中全會提出， 現階段要全面實現新發展理念， 以供給側結構性改革為主線， 加快建設現代化的經濟發展體系。 而“去桿杠”作為實現供給側結構性改革的核心任務之一， 對于國家實現可持續發展的目標具有重大意義。 但由于前期融資活動管理不善， 諸多企業都存在融資結構和期限不合理、融資成本過高的現象。 2019年， 我國規模以上企業的平均資產負債率為56.9%， 過大的負債規模提高了企業發生融資風險的概率。 企業通過融資活動所獲得的資金主要用于滿足自身經營需求和對外投資需求， 由于經營收益和投資回報是償還融資負債的主要來源， 因此在進行融資決策時， 企業應當充分考慮自身經營和投資的資金需求與回報， 有針對性地調整融資結構與期限。 但在現實情況中， 企業很難達到一種完美的資本結構， 以同時實現融資活動與經營和投資活動完美匹配的目標及融資成本最低的目標， 加上公司內部治理和外部市場環境的影響， 企業很容易發生融資風險。 而鑒于融資風險的發生存在一定的演化過程， 在風險發生前對其進行預警監控， 是企業控制融資風險， 實現“去杠桿”供給側結構性改革目標的重要保障。

信息設備制造業作為高新技術的核心產業， 已經成為我國推進制造強國和網絡強國建設、實現經濟高質量發展的重要保障。 而以芯片、5G為代表的核心產品和技術更是維護國家安全、事關國家興衰的國之重器。 近年來， 我國信息設備制造業上市公司的數量和規模不斷提升， 2009 ～ 2018年間在A股上市的信息設備制造業公司由131家增加為345家， 資產合計達35706.5億元。 但對信息設備制造業的融資結構進行分析發現， 除個別年份外， 其資產負債率均超過50%。 而對于融資期限， 流動負債比率更是高達70%以上， 個別年份甚至達到了80%。 在中美貿易摩擦對我國信息技術產品進出口造成嚴重影響的背景下， 負債規模的擴大和流動負債比率的提高會使得信息設備制造企業普遍面臨一定的融資風險。 因此， 對其融資風險進行預警監控， 防止融資風險的發生， 是實現信息設備制造業穩健發展的重要保障。

二、 文獻回顧

（一）融資風險的形成原因

融資風險是指， 在融資決策中， 由于企業自身融資規劃不合理與外部市場環境變化的影響所導致的收益變動風險。 融資風險從廣義上來講可以分為兩類：第一類是由于資金供求雙方信息和市場地位的不對稱而導致的融資失敗風險; 第二類是由于企業自身的融資結構不合理和經營管理不善而導致的支付違約風險。 就這兩類風險的比較而言， 第二類風險對企業帶來的影響更大。 傳統意義上的融資風險是以KMV理論為基礎界定的， 是短期負債和長期負債的時間錯配及負債和資產的結構錯配所導致的企業融資風險， 具體可將其分為融資期限風險和融資結構風險。

1. 融資期限風險。 Cai等[1] 研究發現， 企業的成長性對融資期限的選擇會產生較為重要的影響， 因為成長性越好的企業抵御風險的能力越強， 所以更傾向于選擇長期負債進行融資。 Custodio等[2] 發現， 短期融資成本低于長期融資成本， 但過度使用短期債務融資會擴大企業的風險敞口， 使得企業面臨比較大的短期償債壓力， 增大企業違約風險。 鐘凱等[3] 指出， 企業過度運用“短貸長投”的融資策略會提升短期償債壓力， 在降低自由現金流量的情況下影響企業的投資效率。 胡啟明等[4] 基于流動性風險的影響來研究債務期限結構， 得出債務融資期限的縮短會加大企業的流動性風險， 但兩者呈倒U型而非簡單的負相關關系。 鐘凱等[5] 聚焦于家族控制權、債權人與企業資金結構之間的關系， 研究發現家族控制權越強的企業， 其資金期限結構不合理問題越嚴重。

2. 融資結構風險。 根據權衡理論的相關解釋， 負債作為企業主要的融資方式之一， 可以在一定程度上提升企業價值， 降低資本成本。 但過度使用債務融資， 會增加企業的融資成本， 導致經營風險和融資風險的發生。 王貞潔等[6] 研究發現， 企業由于經營活動而形成的自發性融資難以作為銀行借款的替代性融資來源， 但由于外部經營風險的不斷積累， 企業應控制外部金融性負債規模， 來防止由于收益的波動所造成的融資風險。 Sun等[7] 研究管理層持股和機構持股比例與企業負債規模之間的關系發現， 企業減少債務杠桿而增加發行股票債券的規模， 能夠實現擴大市場份額和提升企業績效的目標， 進而降低發生融資風險的概率。 Ramana Nanda等[8] 認為， 現金的充裕度可以用于反映企業融資風險， 不同的投資方式會對企業未來的現金流量產生不同程度的影響， 投資者對現金流的預期可以衡量企業的融資風險水平。 李九妮[9] 認為， 企業的過度負債行為會受到代理沖突和市場環境波動的影響， 進而提高其發生融資風險的概率。 朱波等[10] 基于我國滬深A股上市公司數據， 研究債務融資對行業金融風險溢出效應的作用， 發現公開債務融資與行業金融風險溢出效應呈顯著的負向相關關系。

但現實中， 隨著對融資風險研究的不斷深入， 人們發現企業面臨的融資風險不僅受到融資期限和融資結構的影響， 而且受到其他財務與非財務因素的影響。 Cecchini等[11] 認為， 由于資本市場能夠快速地對大量信息做出反應， 市場價格的波動會影響企業發生融資風險的概率。 Wilbanks等[12] 發現， 審計委員會的成員特征會影響企業治理水平， 通過觀察審計師對公司出具的審計報告是否延遲、是否為非標準意見和審計師是否更換可以推斷企業發生融資風險的概率。 Joe等[13] 以韓國企業為研究樣本， 發現公司的股權集中度與公司價值正相關， 而與公司發生融資風險的概率負相關。 當企業的股權過于分散時， 會使企業沒有真正的實際控制人而影響其內部管理水平， 進而提高其發生融資風險的概率。 羅兆希[14] 以樂視網為例， 研究了互聯網企業的融資風險， 認為企業的經營管理不善是促使企業發生融資風險的主要原因。 張修普[15] 研究發現， 融資風險的發生會受到企業內外部因素的影響， 內部因素包括過度融資、債務融資利息率過高及結構不合理， 外部因素包括市場經濟環境與國家貨幣政策。

（二）融資風險預警研究

國內外學者均對于如何有效地對融資風險進行預警監控進行了深入研究。 劉長奎[16] 以108家ST企業和配對的108家非ST企業為研究樣本， 運用主成分分析法和因子分析法構建了融資風險預警模型， 為對融資風險的定量研究提供了新的研究思路。 孔寧寧、魏韶巍[17] 采用主成分分析法和logit回歸法對制造業上市公司的融資風險進行了預警研究。 趙吉紅等[18] 基于現代信用風險度量KMV模型， 運用財務指標對具體參數和計算方式進行修正， 構建了制造行業的KMV模型， 從定量的角度預測了企業發生融資風險的概率。 Abdssaleh等[19] 通過logit回歸模型研究了宏觀經濟風險對企業外部融資決策的影響， 發現當企業異質性及宏觀經濟風險較高時， 企業發生融資風險的概率會提高。 企業應調整融資結構， 縮小外部融資規模來抵御融資風險。 李思呈等[20] 基于區間矩陣定位模型， 通過融資來源結構和融資期限結構對企業的融資結構錯配風險進行可視化顯示。

總體而言， 國內外對企業融資風險監控的研究已經比較深入， 但總結起來還存在以下問題：①現有文獻大多采用財務指標對融資風險進行預警， 而對于非財務指標對融資風險的影響關注不足。 ②基于對中國背景企業的研究， 在樣本選擇上大都采用ST和非ST的配對樣本選擇， 雖然該方法在一定程度上減少了因遺漏變量所帶來的研究誤差， 但也存在著兩個較為嚴重的缺點：其一， 采用樣本配對的方式減少了融資風險研究的樣本量， 對研究的普適性會造成一定影響; 其二， 樣本配對研究的結果只能說明ST與非ST配對樣本之間的融資風險大小， 這是一種條件期望， 但企業的利益相關者及其監管部門更關心的是無條件期望， 即各個樣本公司本身爆發融資風險的可能性。 ③傳統的融資風險預警模型容易受到遺漏變量的影響， 難以納入大量指標， 因而會降低融資風險預警的準確性。 ④目前融資風險研究所運用的機器算法在預警過程中存在“黑箱”問題， 無法為企業改善財務狀況、化解融資風險提供具體的依據。

（三）基于梯度提升算法模型的融資風險預警

梯度提升（Gradient Boosting）模型屬于一種集成學習算法， 可視作Adaboost算法的改進。 由于Adaboost算法中的損失函數難以優化， 針對這一問題， 梯度提升模型運用一種損失函數逼近法， 其原理是在模型梯度下降最快的方向以損失函數逼近法通過逐步迭代來使損失函數最快達到收斂。 相比其他預警模型， 梯度提升算法具有以下優勢：①可以適用多維度指標的預警， 能夠處理變量之間的非線性關系; ②能夠處理極端值、缺漏值和指標之間的多重共線性問題; ③通過評定預警指標的相對重要性水平來解決傳統機器學習方法預警過程中的“黑箱”問題。

鑒于此， 本研究將梯度提升算法模型引入企業融資風險預警監控領域， 通過構建影響企業融資風險的財務和非財務指標體系， 對信息設備制造業上市公司融資風險進行監控研究。 同時， 借助梯度提升算法提供的融資風險預警指標相對重要性程度得分， 為企業制定融資風險預防策略提供依據。

三、 模型構建

具體到融資風險預警監控而言， 全部上市公司可以被分為兩類：發生融資風險的公司和未發生融資風險的公司。 鑒于對我國上市公司融資風險預警的大量研究都采用公司被特別處理（ST）作為公司陷入融資風險的標志， 所以本文將企業是否被ST作為其發生融資風險的特征。 梯度提升算法模型將一系列弱分類器（Weak Classifiers）組合成一個強分類器（Strong Classifiers）。 所有的財務與非財務指標都可以用來對上市公司是否發生融資風險進行分類。 當單個財務與非財務指標對融資風險分類的效果好于隨機選擇（錯誤率小于0.5）， 則這個指標就可以被當成一個弱分類器。 經過一系列的前次迭代后， 許多弱分類器就會合成一個較強預測功能的強分類器。 在前次迭代形成的強分類器中， 按照弱分類器分類效果的高低賦予相應的權重。 而在進行后次迭代時， 降低前次迭代中判斷正確樣本的權重， 重點關注前次迭代中判斷錯誤的樣本， 實現將前次迭代的錯誤予以糾正。 經過若干次的迭代， 就形成最終具有最強分類功能的強分類器。 通過對樣本進行融資風險預警， 得出融資風險預警指標的相對重要性程度得分。 梯度提升算法模型的融資風險預警監控流程如圖1所示。

梯度提升算法模型的訓練過程可以用數學公式表示如下：

第七步， 計算融資風險預警指標的相對重要性水平（Relative Variable Importances， RVI）：

式（7）中：L為損失函數， 模型訓練的目的是使損失函數最小化; yi為結果變量， 即為訓練樣本是否被ST; xi是一個向量， 表示融資風險預警指標; αm為融資風險預警指標（自變量）的系數; βm為弱分類器的權重， 若增加某個弱分類器后， 模型的整體預測效果大幅提升， 則該分類器的β值較大。 每一輪訓練中， 一個弱分類器被加到損失函數的殘差之中， 經過若干次迭代， 若損失函數的殘差不再明顯減小， 則訓練過程終止。 最終經過m輪訓練得到的Fm（x）[式（8）]即為一個強分類器， 它是若干個弱分類器的線性組合。? ? ?（I）[式（9）]即為指標Xδ的相對重要性程度。 式（9）中：J-1為決策樹中的節點個數;? ? T[V（i）=?]為在節點t采用指標Xδ將企業按照是否會發生融資風險進行分類所產生的分類誤差。 對于每一個融資風險預警指標， 相對重要性水平的分數為大于等于0的整數， RVI越大表示該指標對模型整體的預警效果的貢獻越大; 若RVI等于0， 則表示該指標對模型的整體預警效果沒有貢獻。 以上全部訓練過程都通過R語言來實現。

四、 指標選取與數據來源

（一）指標選取

本文選取的融資風險預警指標主要分為財務指標和非財務指標。 根據信息設備制造業的產品特性， 信息設備的全生命周期分為規劃設計、設備部署、設備測試、設備運行和設備處理。 因此， 為使信息設備能夠達到最終的產出要求， 信息設備制造企業要保持良好的運營能力和較高的內部管理水平來實現對產品全生命周期的有效控制。 考慮到在目前強調企業可持續發展能力的背景下， 市場環境因素也會對企業的融資風險產生重要影響， 因此在財務指標中， 選取了融資期限指標、融資結構指標、營運能力指標和市場因素指標。 在非財務指標中， 選取了公司治理指標和審計師特征指標。 具體的融資風險預警指標及計算方式如表1所示。

（二）數據來源

根據證監會2012年發布的《上市公司行業分類指引》， 本文將二級行業中的計算機、通信和其他電子設備制造業定義為“信息設備制造業”， 選取2010 ～ 2018年A股信息設備制造業上市公司為訓練樣本， 選取2019年A股信息設備制造業上市公司為檢驗樣本， 以2009 ～ 2018年為樣本數據來源期間。 本文收集整理的樣本數據均來自CSMAR、巨浪數據庫和樣本企業披露的財務報告信息。 將公司被ST作為其陷入融資風險的標志主要是基于融資風險的特性， 即融資風險的爆發是一個漸進式的過程， ST作為公司退市或者破產的前兆， 一個主要的原因就是連續兩年凈利潤為負， 而企業的凈利潤收益作為支付到期債務的主要資金來源， 其出現負值將導致企業無法支付到期債務， 進而發生融資風險。 因此， 本研究選擇信息設備制造業上市公司被ST作為其陷入融資風險的主要標志。 2009 ～ 2018年信息設備制造業上市公司中共有33家上市公司被ST處理， 其中有13家上市公司被多次ST處理， 因此被ST處理的企業共20家， 加上未被ST處理的上市公司和剔除財務和公司治理數據缺失的樣本， 最終收集得到326家信息設備制造業樣本企業的融資風險預警指標數據。

五、 實證研究

（一）預警結果分類

在對梯度提升算法模型的預警效果進行評價時， 其預警結果可能出現如表2所示的幾種情況。

本文分別采用真陽性率（True Positive Rate）、偽陽性率（False Positive Rate）、精準率（Precision）、召回率（Recall）、準確率（Accuracy）和ROC曲線作為融資風險預警模型的評價標準。 各標準的定義如下：

（二）結果分析

本研究利用訓練樣本企業被ST前1 ～ 3年的數據對梯度提升算法模型進行訓練， 并將2018、2017和2016年的數據代入模型中來預測2019年信息設備制造業企業的融資風險。 為了驗證指標的多樣性提升了梯度提升算法模型融資風險預警的準確性， 本文構建了三組模型。 模型（1）包含傳統的融資風險預警指標， 分別為融資期限指標和融資結構指標; 模型（2）在模型（1）的基礎上添加了營運能力指標和市場因素指標; 模型（3）在模型（2）的基礎上添加了公司治理指標和審計師特征指標。 為了提升對融資風險預警效果顯示的直觀性， 模型預警的準確度用AUC值來度量。 AUC是一種用來度量分類模型好壞的標準， 是ROC曲線下方的面積。 圖2從右下到左上， 分別為模型（1） ～ 模型（3）的ROC曲線。

將模型（1） ～ 模型（3）的預警結果轉化成AUC值， 如表3所示。

從圖2和表3可以看出， 通過依次代入2018年、2017年、2016年的數據不斷進行迭代訓練， 梯度提升算法模型預警結果的AUC值不斷提升。 而隨著在傳統的融資預警指標中加入營運能力、市場因素等財務指標和公司治理、審計師特征等非財務指標， ROC曲線不斷向左上方移動， AUC的綜合值進一步提升， 表明模型的預警精度逐漸提高。

本研究構建的企業融資風險預警指標體系共包括25個財務指標和10個非財務指標。 利用梯度提升算法報告的預警指標相對重要性程度得分， 可以對指標的重要性程度加以排序， 融資風險預警指標的重要性程度得分排序統計結果如表4所示。

從表4所示的指標重要性得分可以看出， 審計師特征和市場因素指標的相對重要性得分最低， 公司治理指標總得分高于市場因素和審計師特征， 融資期限、融資結構和營運能力指標的相對重要性得分最高， 說明其在融資風險預警模型中發揮了重要作用。 因此， 從融資風險預警指標的重要性得分排序結果看， 若企業需要降低融資風險發生的概率， 首先要控制融資期限， 并調整融資結構。 其次要提升企業營運能力和內部治理水平， 通過充分履行社會責任來創造良好的市場環境， 進而達到化解企業融資風險的目標。

六、 融資風險預警案例分析

在驗證了梯度提升算法對融資風險具有較好預警效果的基礎上， 以2019年信息設備制造業上市公司為檢驗樣本， 對其融資風險進行預警。 利用梯度提升模型對2018年、2017年、2016年的樣本數據進行融資風險預警檢驗， 在333家非ST信息設備制造業樣本企業中， 預測有16家將會在2019年發生融資風險， 具體如表5所示。

受篇幅所限， 本文僅對同州電子（002052）、麥達數字（002137）、長電科技（600584）這三家信息設備制造企業進行融資風險預警分析。

（一）同州電子（002052）

同州電子是我國專業從事數字通訊的首家上市公司， 其專注于提供領先的智慧家庭產品與服務。 2016 ～ 2018年同州電子的負債總額雖然呈現震蕩下降的趨勢， 但流動負債比重不斷提升。 公司的負債總額與所有者權益之間的比重呈現不斷擴大的趨勢， 表明企業的融資結構問題不斷惡化。 在營運和市場因素方面， 企業營業成本的增長比例高于營業收入， 營業利潤總體出現虧損， 應收賬款保持較大規模。 美國對我國信息設備制造業的制裁也對公司產品出口造成嚴重的影響， 加之國內多家企業涉足“智慧家庭”市場， 使其公司面臨較大的盈利壓力。 公司的董事結構也在此期間發生較大規模的變動。

通過以上對同州電子的分析可以得出， 企業的融資期限和融資結構存在嚴重問題， 2019年企業面臨較大的償債壓力， 而欠佳的營運能力和市場因素的影響， 加之董事結構的變動， 使得企業未來無法獲得足夠的利潤來支付到期債務， 進而導致融資風險的發生。

（二）麥達數字（002137）

麥達數字是以“智能營銷+智能硬件”產投研相結合的信息設備集團化企業。 2016 ～ 2018年企業的流動負債在總負債中占據較大比重， 但其融資結構保持較為合理的狀態。 麥達數字的營運能力與通州電子相似， 營業成本相比營業收入有較大幅度的增加， 應收賬款雖有所下降， 但仍保持較大規模。 2018年企業的基本每股收益為負值。 麥達數字主要是以產業并購的形式來擴大自身的產業規模和提高產品多樣性。 但在國內外信息設備制造業市場環境不樂觀的大背景下， 過大的經營規模以及較大產品差異的經營模式， 必將使其背負沉重的債務壓力和面臨嚴峻的經營考驗。

通過上述對麥達數字的分析可以看出， 企業的流動負債規模過大使得企業面臨短期的償債壓力， 而營業成本提高且應收賬款保持較大規模反映出企業的營運能力存在一定問題。 企業每股收益為負也使得其處于不利的市場環境中， 進而在未來會加大其發生融資風險的概率。

（三）長電科技（600584）

長電科技是全球領先的集成電路系統和封裝服務的供應商， 主要從事電路的系統集成封裝設計、晶圓中測、芯片成品生產業務， 是國內著名的三極管制造商。 相比同州電子和麥達數字， 長電科技在2016 ～ 2018年間的融資期限和融資結構問題更為嚴重， 不僅流動負債在負債總額中的比例不斷提升， 而且負債規模也遠遠超過所有者權益， 企業存在巨額的營業成本和應收賬款， 表明其存在嚴重的營運和管理問題。 公司也在2017 ～ 2018年間多次出現股東權益變更和股東減持股份變動。 2018年全球半導體市場整體步入短期調整， 中美貿易摩擦也對國內外客戶的產品需求產生不同程度的影響， 對企業經營帶來較大挑戰。

通過以上對長電科技的分析可以看出， 企業在2019年擴大流動負債規模所導致的融資期限和結構的嚴重錯配， 及應收賬款的增多和營業利潤的降低， 使得企業在未來面臨巨大的融資風險。

從整體的預測結果可以看出， 同州電子、麥達數字和長電科技都存在一定的融資期限和融資結構錯配風險， 雖然錯配風險的程度不同， 但三家企業都表現出營運能力不足的現象， 加之美國對我國信息技術產業貿易政策的影響， 使其未來會處于融資風險之中。

七、 對策建議

（一）合理規劃融資期限

在進行債務融資時， 企業應根據自身的盈利能力制定合理的融資期限， 嚴控流動負債規模， 合理規劃還款計劃。 保持適當規模的現金持有量， 在不影響投資機會成本的情況下， 提升企業的償債能力。 企業可以采用諸如租賃和售后回租等方式降低固定資產對資金的長期占用， 增強資金的流動性。

（二）加強融資結構管理

制定中長期融資規劃， 確定合理的債務融資和權益融資比例。 通過增加企業的現金儲備量和減少占用商業信用來保持企業良好的財務彈性。 要提高融資渠道的多樣性， 合理選擇融資方式。 企業不僅可以利用銀行貸款、項目融資、股權和私募融資等傳統方式進行融資， 還可以通過發行債券、投資信托基金、資產證券化、眾籌等創新融資渠道進行融資。

（三）增強企業營運能力

通過優化資產配置提高企業財務穩健性水平。 統籌協調企業內部各部門在生產經營過程中的資金需求， 貫徹落實“現金為本”的資金管理模式， 提升資金的使用效率。 利用財務云對管理信息進行高效的資源共享， 使企業快速應對多變的市場環境。 要加強對應收賬款的管理， 通過制定良好的信用政策、劃分客戶的信用等級、維持合理的應收賬款比例和制定有效的收款政策， 降低壞賬的發生對企業利潤的影響。

（四）積極履行社會責任

企業要積極履行社會責任， 在兼顧利益相關者利益的基礎上， 實現企業價值最大化目標， 并通過社會責任信息披露降低信息不對稱對企業造成的負面影響。 加強利益相關者對企業認知性的反饋， 通過創造良好的外部環境來增強企業的市場競爭力。

【 主 要 參 考 文 獻 】

[ 1 ]? ?Cai K.， Fairchild R.， Guney Y.. Debt maturity structure of Chinese companies[ J].Pacific-basin Finance Journal，2008（3）：268 ～ 297.

[ 2 ]? ?Custodio C.， Ferreira M. A.， Laureano L.. Why are US firms using more short-term debt？[ J].Journal of Financial Economics，2013（1）：182 ～ 212.

[ 3 ]? ?鐘凱，程小可，張偉華.貨幣政策適度水平與企業“短貸長投”之謎[ J].管理世界，2016（3）：87 ～ 98+114+188.

[ 4 ]? ?胡啟明，馬如飛，王國順.債務期限結構與企業投資關系——基于流動性風險視角的實證研究[ J].系統工程，2015（4）：24 ～ 31.

[ 5 ]? ?鐘凱，劉金釗，王化成.家族控制權會加劇企業資金期限結構錯配嗎？——來自中國非國有上市公司的經驗證據[ J].會計與經濟研究，2018（2）：3 ～ 20.

[ 6 ]? ?王貞潔，王竹泉.經濟危機、信用風險傳染與營運資金融資結構——基于外向型電子信息產業上市公司的實證研究[ J].中國工業經濟，2013（11）：122 ～ 134.

[ 7 ]? ?Sun J.， Li H.， Huang Q. H.， He K. Y.. Predicting financial distress and corporate failure： A review from the state-of-the-art definitions，?modeling， sampling， and featuring approaches[ J].Knowledge-based Systems，2014（57）：41 ～ 56.

[ 8 ]? ?Ramana Nanda， Matthew Rhodes-Kropf. Financing risk and innovation[ J].Management Science，2016：N/A.

[ 9 ]? ?李九妮.企業負債融資風險管理存在的問題及對策[ J].山西財經大學學報，2015（S2）：30+47.

[10]? ?朱波，馬永談，陳德然.債務融資方式對行業金融風險溢出效應的作用機制[ J].財經科學，2018（1）：15 ～ 27.

[11]? ?Cecchini M.， Aytug H.， Koehler G. J.， Pathak P.. Detecting management fraud in public companies[ J].Management Science，2010（7）：1146 ～ 1160.

[12]? ?Wilbanks R. M.， Hermanson D. R.， Sharma V. D.. Audit committee oversight of fraud risk： The role of social ties， professional ties， and?governance characteristics[ J].Accounting Horizons，2017（3）：21 ～ 38.

[13]? ?Joe D. Y.， Oh F. D.. Spillover effects within business groups： The case of Korean chaebols[ J].Management Science，2018（3）：1396 ～ 1412.

[14]? ?羅兆希.企業融資風險分析——以樂視為例[ J].商業經濟，2018（12）：92 ～ 95.

[15]? ?張修普.企業融資風險控制的應用研究[ J].中國商論，2019（1）：42 ～ 43.

[16]? ?劉長奎.我國上市公司財務危機預測的實證研究[ J].經濟縱橫，2007（24）：46 ～ 47.

[17]? ?孔寧寧，魏韶巍.基于主成分分析和Logistic回歸方法的財務預警模型比較——來自我國制造業上市公司的經驗證據[ J].經濟問題，2010（6）：112 ～ 116.

[18]? ?趙吉紅，謝守紅.我國制造業上市公司信用風險度量：基于KMV模型[ J].財會月刊，2011（30）：57 ～ 59.

[19]? ?Abdssaleh A. M.， Worthington A. C.. Small and medium-sized enterings financing： A review of literature[ J].International Journal of Business?and Management，2013（14）：10 ～ 5539.

[20]? ?李思呈，張友棠，李娜.基于貨幣政策景氣指數的行業融資風險預警定位研究[ J].管理現代化，2016（1）：1 ～ 3.