科技型企業財務危機預警研究

潘雅瓊 劉艷

【摘 要】 從2000—2018年在滬深兩市主板上市的科技型企業中選取樣本，并從財務狀況、公司治理、科技創新能力三個方面選擇預警指標，運用生存分析法構建Cox比例風險模型進行實證研究，結果顯示：國有股比率、產權比率是危險因子，指標值越大，企業發生財務風險的可能性會相應增加;而研發投入金額、流通股比率、董事會議次數、營業利潤增長率、現金流動負債比是保護因子，指標值越大，可以降低企業發生財務危機的概率。進而繪制了生存函數曲線，發現企業生存率變化波動最大的時刻為上市70個月和150個月，此時發生財務危機的概率較大。最后對模型的判別能力進行檢驗。

【關鍵詞】 財務預警; 生存分析; Cox比例風險模型; 科技型企業

【中圖分類號】 F275? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）08-0064-07

一、引言

隨著經濟全球化進程的深化，企業間的競爭愈加激烈，遭遇財務危機的可能性也不斷增加，財務預警多年來都是國內外研究的熱點問題。所謂財務預警，即運用風險管理的相關理論和方法，分析企業面臨的宏觀環境、微觀治理、經營狀況、財務管理等，對企業的財務風險狀況進行識別、評估、預測并發出警示信號，以便企業防范規避風險?？萍夹推髽I由于產品更新換代的周期短，必須不斷創新以保持其在技術上的優勢，因此具有高投入、高風險、高回報并存的特點。這些特點決定了科技型企業的財務風險遠高于其他企業。在此情形下，科技型企業迫切需要一套財務預警機制來防范風險。生存分析法（Survival Analysis）作為一種動態的統計分析方法，研究特定事件發生的概率、時間及其影響因素的規律，最初在生物醫學領域應用較多，因其具有動態分析發生財務危機的概率隨時間變化的規律、處理刪失數據等優越性，而被學者們引入金融、財務等領域。鑒于此，本文順應科技型企業加強財務預警的內在訴求，基于生存分析法構建預警模型，以期為科技型企業的持續健康發展提供指導和借鑒。

二、文獻綜述

（一）財務預警方面的研究

在財務預警體系的構建中，學者們選擇的指標主要包括：傳統的財務比率指標，如選取償債能力、盈利能力、營運能力、發展能力[1-2]等預警指標，考察企業的基本財務能力;現金流量指標，學者們分別從經營現金流量負債比率[3]、銷售收入現金量[4]、凈資產獲現率[5]等方面選取指標，考察企業的現金充裕程度和流入流出變動狀況;公司治理指標，通過前十大股東持股比例之和、Z指數[6]、獨立董事比例[7]等指標，考察公司的董事會規模、股權結構等內部治理環境的合理程度。

財務預警研究方法主要包括兩大類：一是經典的統計方法，如單變量分析、多元判別分析、Z-score模型[8]、logistic回歸[9]、probit回歸等;二是人工智能方法，如神經網絡、決策樹、支持向量機等方法。李揚等[10]應用加權L1正則化支持向量機（w-L1SVM）對SVM進行了改進，解決了由于財務危機企業遠少于正常企業帶來的數據不平衡問題，提高了預測的準確率。王昱等[11]采取人工神經網絡、決策樹技術，考慮經營、財務、融資、人力資本多維效率，運用數據包絡研究上市公司的財務困境預警。

（二）生存分析方面的研究

20世紀60、70年代，在生物醫學、藥學領域人們開始應用生存分析法，研究病人的術后存活率、康復時間以及藥物的臨床試驗效果，后來被引入經濟學領域，研究出口貿易關系[12]、股市漲跌預測[13]、違約概率測算[14]等。少數學者在研究企業財務預警時嘗試采用生存分析法，測算企業發生危機的概率，預測其生存時間。Gemar et al.[15]用該方法發現住宿行業企業的生存概率取決于企業的地理位置、財務狀況、公司特征。Matsuno et al.[16]在測度日本信息服務企業的生存概率時，發現軟件開發、系統集成和委托加工這三種銷售比率具有顯著的正向影響。Lagares et al.[17]運用生存分析法研究西班牙水產養殖業，發現具有良好的長期償債和盈利能力、較好履行環境承諾、經營年限較短的企業，其生存概率較大。還有學者則運用生存分析法研究公司治理結構[18]等指標在企業財務預警中的作用。

生存分析法中的模型具有普適性，在行業的選擇上沒有太多限制要求，其適用性與行業無關。一些學者已將該方法運用于高科技行業的相關問題研究中，如：張春香等[19]聚焦于新創高科技企業，建立生存分析模型研究聲譽對其風險投資獲得時間的影響;劉瀚龍等[20]也著眼于高技術企業，基于生存分析研究政府規制負擔與企業生存概率的關系。本文試圖用生存分析法研究科技型企業的財務預警問題，考慮到這類企業具有資金投入大、知識和技術密集、創新能力強、高風險等與傳統行業迥然不同的特點，在構建生存分析模型時除了傳統的財務及公司治理指標，需要引入更符合科技型企業特點的創新能力指標，對經典模型進行擴展以使此類企業的風險預警更加精準，這也是本文可能的創新之處。

綜上，雖然在財務預警領域已經有不少的研究，但其著眼的指標大多是傳統的財務比率、現金流量或公司治理指標，科技創新等因素較少涉及;采用的研究方法多局限于靜態分析，或是修正經典模型，或是對比多種研究模型的預測精度。因此，本文借鑒前人的研究成果，引入生物醫學領域的動態分析方法——生存分析法，它彌補了傳統靜態研究方法的不足，能全面展示企業歷年來財務狀況的變化規律，測算企業可能發生風險的時點和概率，及時預警。此外，本文選擇科技型企業這一前人較少關注的行業進行生存分析，基于企業的經營特點，加入了創新能力指標，考察科技型企業的創新資金和創新人才投入力度以及產出創新成果的效率。從創新能力、公司治理和財務狀況三個方面綜合構建預警指標體系，指標考量更加全面，為科技型企業規避財務風險、擺脫財務困境提供針對性指導，具有一定的現實參考價值。

三、生存分析方法論

（一）生存分析概念

生存分析是研究相關因素對特定事件是否發生（如死亡、違約、破產等）及發生時間的影響及其統計規律的一種動態分析方法。生存分析常用的估計方法主要有三種：非參數法、參數法和半參數法。其中Cox比例風險模型為半參數法，應用最為廣泛，是由Cox D. R（1972）提出的一種對生存時間的分布無限制、可以處理含有截尾數據樣本的模型，用來分析多種因素對研究對象生存時間的影響。其中的生存數據包括兩種：一種是完全數據，指的是可以完整觀測到其生存時間的起點和終點的樣本數據;另一種是截尾數據，即在觀測期內因各種原因（失訪、中途退出、觀測期截止等）導致所要研究的特定事件的開始時刻或終止時刻的數據出現缺失的樣本數據。

（二）生存分析基本函數

生存分析中包含生存函數、累積分布函數、風險函數、累積風險函數四種基本函數，它們之間可以相互推導轉化。其中，生存函數反映的是研究對象在經過時點t后仍存在的概率。其基本形式為：

研究中采用最多的生存分析模型是Cox比例風險模型，基本函數形式是：

公式2中，S（t，x）為生存函數，即生存率。S0（t）的影響因素僅包括研究對象的生存時間t，其余外界因素對其無任何影響，為基準生存函數。Xi為協變量，表示可能給研究對象的生存帶來某些不確定影響的因素，即財務預警指標。βi為計算出的協變量的系數，顯示了每個可能的因素Xi對其生存率影響程度的大小。其中，對參數βi的估計需要用到Cox提出的偏似然函數，即：

公式3中，設ti（t1<…ti…

四、實證分析

（一）指標選取與模型構建

根據上述Cox比例風險模型的基本形式，本文將X設為代表財務能力指標的向量，Y設為代表公司治理指標的向量，Z設為代表創新能力的向量。λ、ε、η則為代表三個維度變量系數的向量，顯示三個不同維度的影響因素指標對企業生存率的作用程度大小。最終建立如公式4所示的生存分析模型：

企業財務危機形成的原因復雜多變，需要多方考慮。本文著眼于財務能力、公司治理、創新能力三個維度，變量X1，…，X27的選擇綜合考慮了企業的償債、盈利、營運、發展能力和現金流量等對企業財務能力的影響，變量Y1，…，Y11的選擇則是考慮到管理層和股權結構等對公司治理的影響。此外，在創新能力指標方面，已有許多的研究文獻做過系統的闡述。企業的創新能力一方面取決于企業的創新資源投入，如企業科研人員占比、R&D經費投入等人力和財力的投入。另一方面取決于企業的創新績效，如企業申請發明專利數、科技成果獲獎數等體現企業創新產出效率的指標。因此，本文借鑒支軍等[21]、徐立平等[22]提出的企業創新能力評價與測度指標體系，選取了Z1，…，Z5這5個反映企業創新資金和人員投入、成果產出的變量。最終初步構建的財務預警指標體系及對每個指標的假設如表1所示。

（二）樣本數據來源

本文中作為樣本的企業均是被政府有關部門資質審核認定為“高新技術企業”或“軟件企業”的科技型企業，并且在滬深兩市主板上市。最終篩選出來的樣本企業總共有260家，其中被特殊處理（ST）的樣本70家，在觀測期間始終正常且未被ST的企業樣本190家。為進行樣本外檢驗，驗證模型的準確性，隨機選擇保留了60家企業樣本，剩余的200家企業樣本數據（正常樣本145家，ST樣本55家，）則作為建模樣本。本文中企業樣本的相關數據全部來自于政府網站、上市公司財務年報、CSMAR、RESSET經濟金融數據庫。

（三）生存時間界定

本文的觀測時間設置為2000—2018年。生存時間以月為尺度進行計算，生存時間的起點均為企業首次掛牌上市之時，對于生存時間終點T的設置，截尾數據（非ST企業）的生存終點為2018年12月31日，即觀測期末，完全數據（ST企業）則以企業第一次被特殊處理（ST）的時刻為生存終點。鑒于國內證券交易所決定企業是否應被“ST”的直接依據是企業前兩年的經營財務情況，為了確保最終模型預測結果的科學性，本文搜集整理數據時摒棄了T-1和T-2年的數據，而選擇T-3年的數據納入模型進行研究，因此，最終篩選出的樣本中企業首次上市時間最晚不超過2015年。

（四）數據處理及實證過程

1.顯著性檢驗

在對原始數據進行缺失值及標準化處理的基礎之上，本文采用Mann-Whitney U檢驗對所有的變量進行顯著性檢驗，初步判斷在ST企業和非ST企業中這些指標是否表現出明顯的差異。最終的檢驗結果表明，X12（P=0.143）、X14（P=0.481）、X17（P=0.997）、X18（P=0.729）、X19（P=0.927）、X20（P=0.225）、X26（P=0.947）、Y2（P=0.473）、Y3（P=0.061）、Y8（P=0.124）、Y9（P=0.554）、Z3（P=0.170）、Z4（P=0.597）這13個指標的P值全都大于0.05，沒有通過顯著性檢驗，因此這些變量不能納入研究模型，將其剔除。

2.多重共線性檢驗

通過Spearman相關分析，發現X2、X5、X27這三個指標的相關系數高于0.7，因此將其去除。接著對余下的27個指標的多重共線性進行檢驗，最終的診斷結果中每個變量的容忍度（TOL）和方差膨脹因子（VIF）這兩個指標的大小都符合“TOL>0.1，VIF<10”這一判斷標準，因此，可以基本上判定這27個變量間不存在多重共線性。

3.Cox模型回歸

將通過上述過程篩選出的27個變量納入Cox模型進行回歸?；貧w過程通過SPSS軟件實現，采用“Forward：LR法”讓協變量進入模型，設定進出模型的概率均為0.1，在5%的顯著性水平迭代回歸多次后，得到如表2所示的模型回歸結果。從表2中可以看出，最終只有7個關鍵指標會對模型的結果產生顯著的影響，且變量的顯著性全都小于0.05，表明模型在5%的顯著性水平上具有解釋力。

4.比例風險假設PH檢驗

由于Cox模型的構建需要滿足一個重要的假設——模型中協變量對風險率的影響（即Hazard Ratio）不會隨著時間的推移而發生改變，所以需要對Cox模型回歸的結果進行比例風險假設檢驗，基于表2中的回歸結果，在Stata軟件中輸入命令“estat phtest，detail”以檢驗回歸得到的Cox模型是否符合PH假設。結果顯示其協變量X8、X11、X13、Y6、Y10、Y11、Z5的顯著性分別為0.78、0.15、0.63、0.15、0.60、0.90、0.14，全都大于0.05，同時Global test一行代表模型整體的檢驗結果，其顯著性的值為0.61，也大于0.05，不能拒絕PH假定，說明Cox回歸結果是滿足比例風險假設的。

（五）實證結果分析

回歸結果顯示，X11、X13、Y6、Y11、Z5的系數β分別為-0.997、-0.567、-0.527、-0.560、-0.817，全部都小于0，說明這些變量可以降低財務風險，是保護因子。而X8、Y10的系數β分別為0.283、0.282，都大于零，說明這些變量會增加發生財務危機的概率，是危險因子。

從保護因素的角度看，現金流動負債比的相對危險度Exp（β）值為0.369，表明指標X11值越大，企業賺取現金的能力越強，對短期債務的償付能力越強，財務風險越小。營業利潤增長率的Exp（β）值為0.567，同理，該指標值越高，表明企業營業利潤增長速度越快，反映出企業的經營業務市場前景較好，具有持續性的利潤增長點，具備長期發展的潛力，發生風險的可能性越低。董事會議次數的Exp（β）值為0.590，表明如果公司的股權所有者更多地召開董事會，則更有利于其履行對經營者的監督管理職責，經營決策科學性更強，企業的經營風險也隨之降低。流通股比例的Exp（β）值為0.571，說明如果企業可以在市場中自由交易流通的股票數占比越高，則公司的所有權更為分散，不會出現“一言堂”，經營決策風險更低。研發投入金額的Exp（β）值為0.442，表明對于科技型企業來說，研發投入總額越多，則企業產品的更新換代能力越強，在競爭中更有優勢，風險更小。

從危險因素上看，產權比率反映企業舉債經營的程度，其Exp（β）值為1.327，表明如果企業的產權比率指標越高，則企業的總資產中自有資金占比越低，過多地依賴于債權人提供的資金進行日常經營，資金結構不夠合理，導致企業償還長期債務的能力較弱，風險過大。國有股比率反映國有資本對企業的控制程度，其Exp（β）值為1.326，表明若企業的股權結構中屬于國有的股份比重過高，則企業的經營和管理就更有可能因為組織結構靈活性不夠、效率低下而缺乏市場競爭力，更容易陷入財務困境，風險更高。

（六）生存函數圖

此外，通過回歸還可以得到如圖1所示的生存函數圖，其中，橫縱坐標分別代表著企業上市后生存時間和累積生存率，它可以直觀地顯示出隨著時間的推移，企業在不同時點累計生存率的波動趨勢。通過圖1可知，企業生存的第一個高危時段存在于上市70個月（5.8年）時，在這一時點之后，企業累積生存率有一個較大幅度的下跌，說明處在這個時間段的企業有很大可能陷入財務困境。而第二個高風險的時段存在于上市150個月（12.5年）之時，企業的生存率同樣下降得十分迅速，經營風險較大。

（七）基準生存函數的估計

Cox回歸完成后，就能通過表2的回歸結果知曉每個協變量的系數β的值，此外，還需要求解基準生存函數S0（t）的函數形式，才能確定Cox模型的最終形式。通過歸納和總結其他學者的研究，可知基準生存函數S0（t）的分布形式具有不確定性，需首先假設其滿足某一特定分布形式，因此，本文假設S0（t）滿足指數分布。同時，基于壽命表法可以計算出不同的生存時間t所一一對應的企業生存率，得出具有對應關系的基準生存率表。

基于上述假設，可知S0（t）的基本形式為：S0（t）=e-λt，將左式兩邊取對數，可將其轉化為Ln[S0（t）]=-λt，通過代數替換，即令X=t，Y=Ln[S0（t）]，將其轉化為一次函數的形式Y=-λt，最后，將前面得到的基準生存率表中數據代入，進行一元線性回歸，求得的模型的擬合優度達到了0.96，說明其滿足指數分布的假設是可行的。

線性回歸進行參數估計的結果顯示其常數項顯著性為0.114，大于0.05，不顯著，一次項X的顯著性為0.000，且系數為-0.002，則可以得到回歸出的線性函數表達式為Y=-0.002X，與之前假設的指數分布形式Y=-λt一致，因此可以得到Ln[S0（t）]=-0.002t，最終得到基準生存函數的表達式為S0（t）=e-0.002t，則Cox模型最終形式為：

（八）模型的預測能力檢驗

檢驗模型的判別能力，需要設定一個判別點，生存分析理論上不存在最優判定點，在判別分析與Logit回歸研究中，研究者通常將判別點的取值定為0.5，因此，本文遵照此判斷標準，將生存率大于0.5的企業判為正常企業，生存率小于0.5的企業判為ST企業，表3中顯示的就是最終的預測統計結果。從表中可知，以0.5為判定點，模型在原始的建模樣本中表現較好，預測精度高達86.5%，在進行樣本外檢驗時模型的預測精度（81.7%）僅有一定的降低，但相較而言降幅較小，且二者的綜合預測準確度為85.4%，波動性較小，說明模型的預測結果具有穩定性，預測能力良好。

五、結論

本文以滬深兩市主板的260個科技型上市公司的數據樣本進行實證研究，從財務狀況、公司治理、創新能力三方面選取財務預警指標，利用生存分析法中的Cox比例模型進行回歸，得出影響科技型企業生存率的7個關鍵指標，繪制生存曲線，得到企業生存率隨時間動態變化的規律，并對模型的預測能力進行檢驗，整體預測精度為85.4%。

實證結果顯示，若研發投入金額、流通股比率、董事會議次數、現金流動負債比、營業利潤增長率這5個關鍵的指標值越大，對企業的財務風險的減小可以起到積極的影響，是保護因子。產權比率、國有股比率2個指標值如果過大則會增加企業發生財務危機的概率，是危險因子。因此，對于科技型企業，從財務狀況來看，提升企業經營活動中的盈利能力，并維持企業充足的現金來源，避免過高的負債比率，對于削弱企業的財務風險有重要的作用。從公司治理的情況來看，董事會需要加強對企業事務的關注度，并對經理層進行監管，還要保證企業能自由流通的股份占有較大的份額，以使股權盡量分散，同時，可以逐漸降低和調整國有股權比例，形成多元化的股權結構，以降低管理中的風險。從企業創新的角度來看，科技型企業之間的競爭依靠的就是技術的先進性和獨特性，而要提升企業的技術創新能力，培養這種技術上的核心競爭力，就必不可少地需要大量研發資金和相關人力物力的投入，同時還要關注企業的創新轉化效率，只有創新成果的取得才能直接降低企業的經營風險。

【參考文獻】

[1] DU JARDIN P.Dynamics of firm financial evolution and bankruptcy prediction[J].Expert Systems with Applications，2017，75：25-43.

[2] 阿小燕，趙娟.資源型上市公司財務預警實證分析[J].財會月刊，2018（2）：79-84.

[3] ALMAMY J，ASTON J，NGWA L N.An evaluation of Altman' s Z-score using cash flow ratio to predict corporate failure amid the recent financial crisis：evidence from the UK[J].Journal of Corporate Finance，2016，36：278-285.

[4] 劉翰林，張友棠，彭穎.基于現金流的上市公司財務預警研究——以信息技術業為例[J].財會通訊，2016（31）：24-27.

[5] BEN JABEUR S.Bankruptcy prediction using partial least squares logistic regression[J].Journal of Retailing and Consumer Services，2017，36：197-202.

[6] 鮑新中，陶秋燕，傅宏宇.基于面板離散選擇模型的企業財務預警及其行業適用性[J].系統管理學報，2016，25（1）：36-44.

[7] MIGLANI S，AHMED K，HENRY D.Voluntary corporate governance structure and financial distress：Evidence from Australia[J].Journal of Contemporary Accounting & Economics，2015，11（1）：18-30.

[8] FITO M A ，PLANA-ERTA D，LLOBET J.Usefulness of Z scoring models in the early detection of financial problems in bankrupt Spanish companies[J].Intangible Capital，2018，14（1）：162-170.

[9] KRISTANTI F T，RAHAYU S，HUDA A N.The Determinant of financial distress on indonesian family firm[J].Procedia - Social and Behavioral Sciences，2016，

219：440-447.

[10] 李揚，李竟翔，馬雙鴿.不平衡數據的企業財務預警模型研究[J].數理統計與管理，2016，35（5）：893-906.

[11] 王昱，楊珊珊.考慮多維效率的上市公司財務困境預警研究[J].中國管理科學，2020（7）：1-12.

[12] 張亞斌，黎謐，李靜文.制造業出口貿易生存分析與跨國比較研究[J].國際貿易問題，2014（11）：3-13.

[13] 賀筱君，陳俊男，吳佳懋.生存分析在股市期市漲跌預測中的應用[J].數量經濟技術經濟研究，2014（12）：116-122.

[14] DIRICK L，CLAESKENS G，BAESENS B.Time to default in credit scoring using survival analysis：a benchmark study[J].Journal of the Operational Research Society，2017，68（6）：652-665.

[15] G？魪MAR G，MONICHE L，MORALES A J.Survival analysis of the Spanish hotel industry[J].Tourism Management，2016，54：428-438.

[16] MATSUNO S，UCHIDA Y，TSUTOMU ITO，et al.A survival analysis of the Japanese information service industry[J].Procedia Computer Science，2017，121：291-296.

[17] LAGARES E C，ORDAZ F G，HOYO J G.Innovation，environmental commitment，internationalization and sustainability：A survival analysis of Spanish marine aquaculture firms[J].Ocean and Coastal Management，2018，151：61-68.

[18] 孫奕馳，張藝馨.上市公司治理風險預警研究——基于時依協變量的COX 模型[J].會計之友，2011（2）：65-67.

[19] 張春香，張百舸.新創高科技企業聲譽對其風險投資獲得時間的影響——基于Cox比例風險模型的實證分析[J].技術經濟與管理研究，2018（9）：57-61.

[20] 劉瀚龍，范黎波，李德輝.政府規制負擔降低了高技術企業的生存概率嗎？——基于微觀企業的經驗分析[J].財經論叢，2018（6）：96-103.

[21] 支軍，王忠輝.自主創新能力測度理論與評估指標體系構建[J].管理世界，2007（5）：168-169.

[22] 徐立平，姜向榮，尹■.企業創新能力評價指標體系研究[J].科研管理，2015（36）：122-126.