（青海大學(xué)青海西寧810016）

一、引言

自2014年以來，我國(guó)低端制造業(yè)陸續(xù)轉(zhuǎn)移到東南亞、印度等其他低成本國(guó)家，高端制造業(yè)又向發(fā)達(dá)國(guó)家回流，與此同時(shí)，成本增加、產(chǎn)能過剩以及全球經(jīng)濟(jì)疲軟等原因均制約著我國(guó)制造業(yè)的發(fā)展。在這一背景下，我國(guó)于2015年5月印發(fā)以智能制造為主攻方向的《中國(guó)制造2025》，全面部署制造強(qiáng)國(guó)戰(zhàn)略，力圖實(shí)現(xiàn)我國(guó)制造業(yè)轉(zhuǎn)型升級(jí)。而作為此次改革先鋒的高新技術(shù)制造業(yè)上市公司，在迎接改革和發(fā)展機(jī)遇的同時(shí)引進(jìn)高新技術(shù)，也將面臨比其他行業(yè)更加激烈的競(jìng)爭(zhēng)和更大的風(fēng)險(xiǎn)、危機(jī)。如何保障其持續(xù)健康發(fā)展成為目前研究的重點(diǎn)。本文針對(duì)這一問題，提出以高新技術(shù)制造業(yè)上市公司為研究對(duì)象，重建新環(huán)境下高新技術(shù)制造業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系，幫助此類公司發(fā)現(xiàn)異常的財(cái)務(wù)狀況，并根據(jù)高新技術(shù)所處環(huán)境的特殊性及時(shí)調(diào)整經(jīng)營(yíng)策略，扭轉(zhuǎn)財(cái)務(wù)狀況惡化的勢(shì)頭，促進(jìn)其持續(xù)健康發(fā)展。

國(guó)外對(duì)財(cái)務(wù)預(yù)警指標(biāo)的研究較早，早在1966年，Beaver就得出資產(chǎn)負(fù)債率能夠有效地預(yù)測(cè)企業(yè)財(cái)務(wù)危機(jī)的發(fā)生。Podobnik B.（2010）以合并公司為研究對(duì)象，得出資產(chǎn)負(fù)債率、托賓 Q 值有較好的預(yù)測(cè)效果。Ma Y.，Chen Y.（2014）以我國(guó)宏觀經(jīng)濟(jì)環(huán)境為背景，探討誘發(fā)我國(guó)公司發(fā)生財(cái)務(wù)危機(jī)的主導(dǎo)指標(biāo)，最后得出相較于傳統(tǒng)財(cái)務(wù)指標(biāo)，宏觀因素（如金融不平衡指數(shù)）能更為準(zhǔn)確地預(yù)測(cè)公司財(cái)務(wù)危機(jī)發(fā)生的結(jié)論。Billio M.（2016）運(yùn)用基于系統(tǒng)風(fēng)險(xiǎn)度量的橫截面熵的新方法進(jìn)行財(cái)務(wù)預(yù)警研究，最后得出投入資本回報(bào)率預(yù)警效果較好。我國(guó)學(xué)者主要從償債、盈利、營(yíng)運(yùn)、成長(zhǎng)能力四個(gè)方面選取財(cái)務(wù)預(yù)警指標(biāo)，李先位（1993）從償債能力角度指出當(dāng)企業(yè)負(fù)債比率大于1時(shí)，企業(yè)發(fā)生財(cái)務(wù)危機(jī)。陶亞文（1998）從杜邦分析出發(fā)，指出凈資產(chǎn)收益率應(yīng)作為企業(yè)財(cái)務(wù)危機(jī)的斷點(diǎn)指標(biāo)，但并沒有確定財(cái)務(wù)危機(jī)的臨界點(diǎn)或臨界區(qū)間。張友堂、陳君寧（2002）運(yùn)用資產(chǎn)負(fù)債率、凈資產(chǎn)收益率等主要財(cái)務(wù)指標(biāo)識(shí)別企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)。王敏（2006）根據(jù)中小企業(yè)的實(shí)際情況，從傳統(tǒng)財(cái)務(wù)指標(biāo)的四個(gè)方面構(gòu)建財(cái)務(wù)預(yù)警系統(tǒng)，但并沒有對(duì)構(gòu)建的財(cái)務(wù)預(yù)警系統(tǒng)進(jìn)行檢驗(yàn)分析。張?jiān)彙听R（2012）在綜合分析商業(yè)銀行所面臨風(fēng)險(xiǎn)的基礎(chǔ)上，從償債性、盈利性、成長(zhǎng)性等角度構(gòu)建商業(yè)銀行財(cái)務(wù)預(yù)警指標(biāo)體系，并運(yùn)用主成分分析法進(jìn)行檢驗(yàn)分析。陳芳、吳杰（2017）在對(duì)中小企業(yè)財(cái)務(wù)預(yù)警進(jìn)行研究時(shí)，創(chuàng)新性選取了銷售凈現(xiàn)率，并建立Logistic預(yù)警模型檢驗(yàn)。

綜上所述，國(guó)內(nèi)外學(xué)者注重財(cái)務(wù)預(yù)警指標(biāo)體系的構(gòu)建，在早期的財(cái)務(wù)預(yù)警研究中，學(xué)者們選取的預(yù)警指標(biāo)多為傳統(tǒng)的財(cái)務(wù)指標(biāo)，隨著研究的不斷深入與完善，在后期才陸續(xù)引入了非財(cái)務(wù)指標(biāo)和定性指標(biāo)。雖然，學(xué)者們?cè)趯?duì)企業(yè)財(cái)務(wù)預(yù)警的研究上不斷發(fā)展，但鮮有學(xué)者在對(duì)企業(yè)財(cái)務(wù)預(yù)警的研究上將國(guó)家宏觀調(diào)控政策考慮在內(nèi)，政府通過制定有利于當(dāng)前重點(diǎn)扶植企業(yè)的相關(guān)政策，直接影響和改善其生存和成長(zhǎng)環(huán)境，也可以通過制定稅收政策來改善重點(diǎn)扶植企業(yè)的財(cái)務(wù)狀況。其次，符合行業(yè)特色的預(yù)警指標(biāo)體系不完善，大多數(shù)學(xué)者僅僅是在現(xiàn)有財(cái)務(wù)預(yù)警指標(biāo)體系的基礎(chǔ)上，創(chuàng)新性選擇幾個(gè)甚至一兩個(gè)符合行業(yè)特征的財(cái)務(wù)預(yù)警指標(biāo)，并沒有較為全面反映行業(yè)特色及時(shí)代背景。基于此，本文詳細(xì)分析了《中國(guó)制造2025》背景下，高新技術(shù)制造業(yè)行業(yè)新特征，并以此為基礎(chǔ)，重建符合其行業(yè)特色的財(cái)務(wù)預(yù)警指標(biāo)體系。

二、研究設(shè)計(jì)

（一）《中國(guó)制造2025》背景下，高新技術(shù)制造業(yè)新特點(diǎn)

我國(guó)對(duì)高新技術(shù)企業(yè)的認(rèn)定和管理以《高新技術(shù)企業(yè)認(rèn)定管理辦法》（國(guó)科發(fā)火［2016］32號(hào)）為依據(jù)，該辦法將我國(guó)重點(diǎn)支持的高新技術(shù)企業(yè)領(lǐng)域修改為：電子信息、生物與新醫(yī)藥、航空航天、新材料、高技術(shù)服務(wù)、新能源與節(jié)能、資源與環(huán)境、先進(jìn)制造與自動(dòng)化八大領(lǐng)域。辦法的制定、實(shí)施與《中國(guó)制造2025》的提出等都有力推動(dòng)了培育創(chuàng)新技術(shù)、提供新供給的發(fā)展方向，為我國(guó)高新技術(shù)制造業(yè)營(yíng)造了萬眾創(chuàng)新、智能制造的新氛圍。在積極的宏觀環(huán)境下，高新技術(shù)制造業(yè)上市公司區(qū)別于其他公司有以下新特點(diǎn)：資金投入量大；無形資產(chǎn)占比高；高收益、高風(fēng)險(xiǎn)；融資難。根據(jù)高新技術(shù)制造業(yè)行業(yè)的新特征，可知科技創(chuàng)新、充裕的資金需求是該類行業(yè)最為顯著的特征。在對(duì)其進(jìn)行財(cái)務(wù)預(yù)警指標(biāo)體系重建時(shí)，應(yīng)著重選取反映科技創(chuàng)新、資金流的預(yù)警指標(biāo)。

（二）確定樣本

《中國(guó)制造2025》的主攻方向?yàn)橹悄苤圃欤袊?guó)工程院院士盧秉恒（2016）指出智能制造主要由工業(yè)互聯(lián)網(wǎng)和底層智能化兩部分構(gòu)成，工業(yè)互聯(lián)網(wǎng)將人、大數(shù)據(jù)和機(jī)器連接起來，實(shí)現(xiàn)機(jī)器和ICT技術(shù)的融合；底層智能主要指機(jī)器人、智能制造裝備和3D打印。因工業(yè)互聯(lián)網(wǎng)范圍較大，且不易篩選符合條件的樣本公司，所以本文通過巨潮資訊網(wǎng)從滬、深交易所A股篩選了“3D打印”“機(jī)器人”“智能制造”概念的60家高新技術(shù)制造業(yè)上市公司作為研究對(duì)象，并參考國(guó)內(nèi)外財(cái)務(wù)預(yù)警對(duì)象的界定方法，結(jié)合我國(guó)的實(shí)際情況，沿用國(guó)內(nèi)大多數(shù)學(xué)者的做法，選取因財(cái)務(wù)狀況異常而被特別處理的30家財(cái)務(wù)危機(jī)公司（以下簡(jiǎn)稱ST公司）進(jìn)行實(shí)證研究，并按照以下條件篩選了財(cái)務(wù)正常公司（以下簡(jiǎn)稱非ST公司）：資產(chǎn)規(guī)模以上下浮動(dòng)30%為界限；排除了數(shù)據(jù)不全公司；按照1∶1配對(duì)原則。

（三）重建財(cái)務(wù)預(yù)警指標(biāo)體系

重建財(cái)務(wù)預(yù)警指標(biāo)體系時(shí)，本文嚴(yán)格遵循系統(tǒng)性、針對(duì)性、特殊性原則，充分考慮其行業(yè)新特征，重點(diǎn)選取了能夠反映科技創(chuàng)新和現(xiàn)金流的預(yù)警指標(biāo)。因研發(fā)能力能夠直接反映企業(yè)科技創(chuàng)新并呈正相關(guān)關(guān)系，本文首先從研發(fā)投入、研發(fā)環(huán)境、研發(fā)轉(zhuǎn)化、研發(fā)產(chǎn)出四方面反映研發(fā)能力。其次，我國(guó)學(xué)者認(rèn)為股權(quán)集中度、董事會(huì)結(jié)構(gòu)、審計(jì)意見類型、股東獲利能力間接影響科技創(chuàng)新，如胡德朝（2011）、張蕾（2013）等提出股權(quán)集中度與科技創(chuàng)新呈正相關(guān)關(guān)系；趙旭峰、溫軍（2011）等認(rèn)為董事會(huì)規(guī)模是技術(shù)創(chuàng)新的抑制因素；唐躍軍、左晶晶（2014）等則從投資角度分析了股東獲利能力有利于技術(shù)創(chuàng)新。

現(xiàn)金是高新技術(shù)企業(yè)的生命，充足的現(xiàn)金流不僅能夠加大研發(fā)投入，促進(jìn)研發(fā)轉(zhuǎn)化，還能避免企業(yè)陷入因資金鏈斷裂而引發(fā)的財(cái)務(wù)危機(jī)。本文主要從現(xiàn)金流量表角度選取了現(xiàn)金償債能力、現(xiàn)金獲現(xiàn)能力、現(xiàn)金盈利能力，通過經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金凈流量與債務(wù)、資產(chǎn)、營(yíng)業(yè)收入進(jìn)行比較，揭示企業(yè)創(chuàng)造現(xiàn)金的能力。

選取傳統(tǒng)財(cái)務(wù)指標(biāo)時(shí)，因高新技術(shù)制造業(yè)產(chǎn)品多屬于高新技術(shù)知識(shí)產(chǎn)品，本文排除了存貨周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率等傳統(tǒng)財(cái)務(wù)指標(biāo)，側(cè)重于反映現(xiàn)金流方面的指標(biāo)。如負(fù)債經(jīng)營(yíng)率、現(xiàn)金及現(xiàn)金等價(jià)物周轉(zhuǎn)率、營(yíng)運(yùn)資金周轉(zhuǎn)率、成本費(fèi)用利潤(rùn)率等。

綜上所述，契合智能制造視角，共計(jì)選擇了18類52個(gè)財(cái)務(wù)預(yù)警指標(biāo)，如表1、表2所示。

表1 財(cái)務(wù)預(yù)警指標(biāo)匯總表

三、研究檢驗(yàn)

本文共計(jì)選取了52個(gè)預(yù)警指標(biāo)，但重建的預(yù)警指標(biāo)體系是否能夠較為準(zhǔn)確地對(duì)智能制造背景下高新技術(shù)制造業(yè)上市公司進(jìn)行財(cái)務(wù)危機(jī)預(yù)警，還需構(gòu)建預(yù)警模型檢驗(yàn)。因部分財(cái)務(wù)指標(biāo)間可能存在較大的相關(guān)性，所以在構(gòu)建預(yù)警模型前，先對(duì)52個(gè)預(yù)警指標(biāo)進(jìn)行檢驗(yàn)。

（一）正態(tài)檢驗(yàn)

首先運(yùn)用 Kolmogorov-Smirnov檢驗(yàn)（即K-S檢驗(yàn)）預(yù)警指標(biāo)是否符合正態(tài)分布，對(duì)符合正態(tài)分布的預(yù)警指標(biāo)進(jìn)行獨(dú)立樣本T檢驗(yàn)，不符合正態(tài)分布的進(jìn)行Mann-whitney U檢驗(yàn)，以獲取ST組與非ST組存在顯著差異性的預(yù)警指標(biāo)。

采用K-S檢驗(yàn)對(duì)52個(gè)預(yù)警指標(biāo)進(jìn)行正態(tài)分布檢驗(yàn)時(shí)，檢驗(yàn)結(jié)果在5%的顯著性水平下為不符合正態(tài)分布。52個(gè)預(yù)警指標(biāo)中僅X41、X42顯著性水平值分別為0.157、0.844，均大于5%，服從正態(tài)分布，其余預(yù)警指標(biāo)顯著性水平值均小于5%，不符合正態(tài)分布。

（二）獨(dú)立樣本T檢驗(yàn)

對(duì)服從正態(tài)分布的預(yù)警指標(biāo)X41、X42進(jìn)行獨(dú)立樣本T檢驗(yàn)，若sig值大于0.1，則認(rèn)為兩樣本間不存在顯著差異。而根據(jù)SPSS輸出的檢驗(yàn)結(jié)果顯示，X41的Levene統(tǒng)計(jì)量為5.191，第一個(gè)sig值為0.024＜0.05，故方差不齊，方差不齊看第二個(gè)sig值，第二個(gè)sig值為0.306＞0.1，所以X41在兩樣本間不存在顯著差異；同理，X42在兩樣本間不存在顯著差異。因此，X41、X42均沒有通過獨(dú)立樣本T檢驗(yàn)，應(yīng)剔除。

（三）Mann-whitney U 檢驗(yàn)

采用Mann-whitney U對(duì)除了X41、X42之外的其余50個(gè)不服從正態(tài)分布指標(biāo)進(jìn)行顯著性檢驗(yàn)，在此構(gòu)建假設(shè)，當(dāng)顯著性水平大于0.05時(shí)，認(rèn)為ST組和非ST組不存在顯著性差異。根據(jù)Mann-whitney U檢驗(yàn)結(jié)果顯示，在5%顯著水平下，X3、X5、X6、X8、X12、X13、X14、X15、X18、X19、X26、X27、X31、X34、X35、X37、X39、X40、X45、X50、X52通過檢驗(yàn)， 即以上 21 個(gè)預(yù)警指標(biāo)在兩組樣本之間存在顯著差異。其余指標(biāo)沒有通過檢驗(yàn)，應(yīng)剔除。

綜上所述，在對(duì)52個(gè)預(yù)警指標(biāo)進(jìn)行K-S檢驗(yàn)、T檢驗(yàn)、U檢驗(yàn)后，最終確定了ST組與非ST組樣本間的X3、X5、X6、X8、X12、X13、X14、X15、X18、X19、X26、X27、X31、X34、X35、X37、X39、X40、X45、X50、X5221個(gè)預(yù)警指標(biāo)存在顯著差異。

表2 財(cái)務(wù)預(yù)警指標(biāo)匯總表

（四）因子分析

因子分析的目的是對(duì)因子進(jìn)行降維處理，以得到用較少的因子描述原始數(shù)據(jù)中多個(gè)變量之間的關(guān)系。在進(jìn)行因子分析前，首先要進(jìn)行KMO和Bartlett檢驗(yàn)，比較研究樣本之間的相關(guān)性程度，通常情況下，KMO度量值大于0.5，說明因子分析法適用于研究樣本。檢測(cè)結(jié)果顯示，以上存在顯著差異的21個(gè)預(yù)警指標(biāo)KMO度量值為0.723＞0.5且Bartlett測(cè)試的sig值為0.000，遠(yuǎn)低于0.05的顯著性水平，表明21個(gè)預(yù)警指標(biāo)適合進(jìn)行因子分析且指標(biāo)間具有相關(guān)性。

運(yùn)用SPSS軟件主成分的特征值和貢獻(xiàn)值計(jì)算，選擇特征值大于1的主成分，提取7個(gè)包含原來73.623%的信息量公因子，并旋轉(zhuǎn)因子載荷矩陣，得到7個(gè)公因子的得分函數(shù)：

（五）構(gòu)建Logistic財(cái)務(wù)預(yù)警模型

Logistic回歸不要求各組因變量具有相同的協(xié)方差，但概率的取值在0—1中，將該概率進(jìn)行Logit變換，簡(jiǎn)單明了。因其這一特征，本文運(yùn)用二項(xiàng)分類Logistic回歸模型構(gòu)建智能制造視角下，高新技術(shù)制造業(yè)上市公司財(cái)務(wù)預(yù)警模型。

在Logistic回歸模型中，其線性表達(dá)式為：

P是公司發(fā)生財(cái)務(wù)危機(jī)的概率，1-P為不發(fā)生財(cái)務(wù)危機(jī)的概率。

將因子分析得到的7個(gè)公因子作為輸入變量進(jìn)行Logistic回歸分析，結(jié)果見表3。

表3 Logistic回歸分析結(jié)果

根據(jù)表3的數(shù)據(jù)，構(gòu)建智能制造視角下高新技術(shù)制造業(yè)上市公司財(cái)務(wù)預(yù)警模型如下：

將樣本公司2015年預(yù)警指標(biāo)數(shù)據(jù)代入以上財(cái)務(wù)預(yù)警模型中，在檢驗(yàn)過程中，當(dāng)預(yù)測(cè)模型的P值大于等于0.5時(shí)，判定該公司極有可能陷入財(cái)務(wù)危機(jī)；當(dāng)P小于0.5時(shí)，發(fā)生財(cái)務(wù)危機(jī)概率很小。該預(yù)警模型在對(duì)60家樣本公司進(jìn)行判別時(shí)，僅將非ST組1家公司判斷為ST公司，正確率達(dá)到了98.33%，預(yù)警效果較好。

四、研究結(jié)論

本文選擇滬、深兩市的60家高新技術(shù)制造業(yè)上市公司為研究樣本，以樣本公司2013—2015年的財(cái)務(wù)報(bào)表數(shù)據(jù)和公告的生產(chǎn)經(jīng)營(yíng)狀況，重建該行業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系，并構(gòu)建Logistic財(cái)務(wù)預(yù)警模型對(duì)重建的指標(biāo)體系進(jìn)行檢驗(yàn)，取得了正確率98.33%的良好預(yù)測(cè)效果，說明重建的預(yù)警指標(biāo)體系能夠較為準(zhǔn)確地預(yù)測(cè)其財(cái)務(wù)狀況。得到以下結(jié)論：負(fù)債經(jīng)營(yíng)率相較于資產(chǎn)負(fù)債率更具有顯著性；投入資本回報(bào)率、資本積累率等5個(gè)盈利指標(biāo)以及代表國(guó)家宏觀調(diào)控對(duì)企業(yè)產(chǎn)生影響的研發(fā)環(huán)境指標(biāo)對(duì)高新技術(shù)制造業(yè)財(cái)務(wù)危機(jī)影響顯著，這與國(guó)外Ma Y.，Chen Y.，Billio M的最新研究結(jié)論相符；此外，重點(diǎn)反映高新技術(shù)制造業(yè)科技創(chuàng)新、現(xiàn)金流的13個(gè)預(yù)警指標(biāo)，如研發(fā)轉(zhuǎn)化、研發(fā)產(chǎn)出、監(jiān)事會(huì)規(guī)模、現(xiàn)金比率等均對(duì)財(cái)務(wù)風(fēng)險(xiǎn)影響較大。為避免財(cái)務(wù)危機(jī)的發(fā)生，高新技術(shù)制造業(yè)上市公司在實(shí)際運(yùn)營(yíng)過程中應(yīng)注重科技創(chuàng)新，注重研發(fā)環(huán)境對(duì)企業(yè)科技創(chuàng)新的影響，不能完全依賴政府補(bǔ)助，應(yīng)增加企業(yè)自有資金的研發(fā)投入，加速研發(fā)轉(zhuǎn)化，提高盈利能力。其次，監(jiān)事會(huì)規(guī)模間接影響科技創(chuàng)新且屬于ST組與非ST組存在顯著差異的預(yù)警指標(biāo)，ST組監(jiān)事會(huì)規(guī)模大多為3人，極少數(shù)為5人，而非ST組僅兩家為3人，其余均為5人，因此，監(jiān)事會(huì)規(guī)模設(shè)置為5人更能發(fā)揮監(jiān)督作用。

本文主要從科技創(chuàng)新、現(xiàn)金流方面重建高新技術(shù)制造業(yè)財(cái)務(wù)預(yù)警指標(biāo)體系，選擇了更適合行業(yè)特征的財(cái)務(wù)預(yù)警指標(biāo)，在指標(biāo)選取上有一定的創(chuàng)新但也存在以下不足：由于部分公司沒有對(duì)政府補(bǔ)助進(jìn)行細(xì)分，無法得到科技創(chuàng)新項(xiàng)目補(bǔ)助，因此選取了企業(yè)全年政府補(bǔ)助總額；此外，僅采用了60家高新技術(shù)制造業(yè)上市公司2013—2015年的財(cái)務(wù)數(shù)據(jù)，截面數(shù)據(jù)較少。