張友棠　曹耀威

【摘要】企業(yè)融資結(jié)構(gòu)錯(cuò)配和經(jīng)營(yíng)內(nèi)外部環(huán)境的變化， 會(huì)提高企業(yè)發(fā)生融資風(fēng)險(xiǎn)的概率。 在供給側(cè)結(jié)構(gòu)性改革的背景下， 對(duì)企業(yè)的融資風(fēng)險(xiǎn)進(jìn)行有效監(jiān)控已成為“去杠桿”的核心目標(biāo)。 以2009 ～ 2018年A股信息設(shè)備制造業(yè)上市公司為樣本， 以梯度提升算法構(gòu)建融資風(fēng)險(xiǎn)預(yù)警模型， 通過(guò)融資期限、融資結(jié)構(gòu)、營(yíng)運(yùn)能力、市場(chǎng)因素、公司治理和審計(jì)師特征維度對(duì)融資風(fēng)險(xiǎn)進(jìn)行預(yù)警監(jiān)控研究。 研究運(yùn)用梯度提升算法加入財(cái)務(wù)和非財(cái)務(wù)指標(biāo)， 提升了融資風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性; 得出融資風(fēng)險(xiǎn)預(yù)警指標(biāo)影響融資風(fēng)險(xiǎn)的相對(duì)重要性程度得分， 為針對(duì)性地制定化解融資風(fēng)險(xiǎn)的對(duì)策提供了依據(jù)。

【關(guān)鍵詞】融資風(fēng)險(xiǎn);梯度提升算法;預(yù)警監(jiān)控; 非財(cái)務(wù)指標(biāo)

【中圖分類號(hào)】F273.4? ? ? 【文獻(xiàn)標(biāo)識(shí)碼】A? ? ? 【文章編號(hào)】1004-0994（2020）14-0050-8

一、 引言

2019年10月， 黨的十九屆四中全會(huì)提出， 現(xiàn)階段要全面實(shí)現(xiàn)新發(fā)展理念， 以供給側(cè)結(jié)構(gòu)性改革為主線， 加快建設(shè)現(xiàn)代化的經(jīng)濟(jì)發(fā)展體系。 而“去桿杠”作為實(shí)現(xiàn)供給側(cè)結(jié)構(gòu)性改革的核心任務(wù)之一， 對(duì)于國(guó)家實(shí)現(xiàn)可持續(xù)發(fā)展的目標(biāo)具有重大意義。 但由于前期融資活動(dòng)管理不善， 諸多企業(yè)都存在融資結(jié)構(gòu)和期限不合理、融資成本過(guò)高的現(xiàn)象。 2019年， 我國(guó)規(guī)模以上企業(yè)的平均資產(chǎn)負(fù)債率為56.9%， 過(guò)大的負(fù)債規(guī)模提高了企業(yè)發(fā)生融資風(fēng)險(xiǎn)的概率。 企業(yè)通過(guò)融資活動(dòng)所獲得的資金主要用于滿足自身經(jīng)營(yíng)需求和對(duì)外投資需求， 由于經(jīng)營(yíng)收益和投資回報(bào)是償還融資負(fù)債的主要來(lái)源， 因此在進(jìn)行融資決策時(shí)， 企業(yè)應(yīng)當(dāng)充分考慮自身經(jīng)營(yíng)和投資的資金需求與回報(bào)， 有針對(duì)性地調(diào)整融資結(jié)構(gòu)與期限。 但在現(xiàn)實(shí)情況中， 企業(yè)很難達(dá)到一種完美的資本結(jié)構(gòu)， 以同時(shí)實(shí)現(xiàn)融資活動(dòng)與經(jīng)營(yíng)和投資活動(dòng)完美匹配的目標(biāo)及融資成本最低的目標(biāo)， 加上公司內(nèi)部治理和外部市場(chǎng)環(huán)境的影響， 企業(yè)很容易發(fā)生融資風(fēng)險(xiǎn)。 而鑒于融資風(fēng)險(xiǎn)的發(fā)生存在一定的演化過(guò)程， 在風(fēng)險(xiǎn)發(fā)生前對(duì)其進(jìn)行預(yù)警監(jiān)控， 是企業(yè)控制融資風(fēng)險(xiǎn)， 實(shí)現(xiàn)“去杠桿”供給側(cè)結(jié)構(gòu)性改革目標(biāo)的重要保障。

信息設(shè)備制造業(yè)作為高新技術(shù)的核心產(chǎn)業(yè)， 已經(jīng)成為我國(guó)推進(jìn)制造強(qiáng)國(guó)和網(wǎng)絡(luò)強(qiáng)國(guó)建設(shè)、實(shí)現(xiàn)經(jīng)濟(jì)高質(zhì)量發(fā)展的重要保障。 而以芯片、5G為代表的核心產(chǎn)品和技術(shù)更是維護(hù)國(guó)家安全、事關(guān)國(guó)家興衰的國(guó)之重器。 近年來(lái)， 我國(guó)信息設(shè)備制造業(yè)上市公司的數(shù)量和規(guī)模不斷提升， 2009 ～ 2018年間在A股上市的信息設(shè)備制造業(yè)公司由131家增加為345家， 資產(chǎn)合計(jì)達(dá)35706.5億元。 但對(duì)信息設(shè)備制造業(yè)的融資結(jié)構(gòu)進(jìn)行分析發(fā)現(xiàn)， 除個(gè)別年份外， 其資產(chǎn)負(fù)債率均超過(guò)50%。 而對(duì)于融資期限， 流動(dòng)負(fù)債比率更是高達(dá)70%以上， 個(gè)別年份甚至達(dá)到了80%。 在中美貿(mào)易摩擦對(duì)我國(guó)信息技術(shù)產(chǎn)品進(jìn)出口造成嚴(yán)重影響的背景下， 負(fù)債規(guī)模的擴(kuò)大和流動(dòng)負(fù)債比率的提高會(huì)使得信息設(shè)備制造企業(yè)普遍面臨一定的融資風(fēng)險(xiǎn)。 因此， 對(duì)其融資風(fēng)險(xiǎn)進(jìn)行預(yù)警監(jiān)控， 防止融資風(fēng)險(xiǎn)的發(fā)生， 是實(shí)現(xiàn)信息設(shè)備制造業(yè)穩(wěn)健發(fā)展的重要保障。

二、 文獻(xiàn)回顧

（一）融資風(fēng)險(xiǎn)的形成原因

融資風(fēng)險(xiǎn)是指， 在融資決策中， 由于企業(yè)自身融資規(guī)劃不合理與外部市場(chǎng)環(huán)境變化的影響所導(dǎo)致的收益變動(dòng)風(fēng)險(xiǎn)。 融資風(fēng)險(xiǎn)從廣義上來(lái)講可以分為兩類：第一類是由于資金供求雙方信息和市場(chǎng)地位的不對(duì)稱而導(dǎo)致的融資失敗風(fēng)險(xiǎn); 第二類是由于企業(yè)自身的融資結(jié)構(gòu)不合理和經(jīng)營(yíng)管理不善而導(dǎo)致的支付違約風(fēng)險(xiǎn)。 就這兩類風(fēng)險(xiǎn)的比較而言， 第二類風(fēng)險(xiǎn)對(duì)企業(yè)帶來(lái)的影響更大。 傳統(tǒng)意義上的融資風(fēng)險(xiǎn)是以KMV理論為基礎(chǔ)界定的， 是短期負(fù)債和長(zhǎng)期負(fù)債的時(shí)間錯(cuò)配及負(fù)債和資產(chǎn)的結(jié)構(gòu)錯(cuò)配所導(dǎo)致的企業(yè)融資風(fēng)險(xiǎn)， 具體可將其分為融資期限風(fēng)險(xiǎn)和融資結(jié)構(gòu)風(fēng)險(xiǎn)。

1. 融資期限風(fēng)險(xiǎn)。 Cai等[1] 研究發(fā)現(xiàn)， 企業(yè)的成長(zhǎng)性對(duì)融資期限的選擇會(huì)產(chǎn)生較為重要的影響， 因?yàn)槌砷L(zhǎng)性越好的企業(yè)抵御風(fēng)險(xiǎn)的能力越強(qiáng)， 所以更傾向于選擇長(zhǎng)期負(fù)債進(jìn)行融資。 Custodio等[2] 發(fā)現(xiàn)， 短期融資成本低于長(zhǎng)期融資成本， 但過(guò)度使用短期債務(wù)融資會(huì)擴(kuò)大企業(yè)的風(fēng)險(xiǎn)敞口， 使得企業(yè)面臨比較大的短期償債壓力， 增大企業(yè)違約風(fēng)險(xiǎn)。 鐘凱等[3] 指出， 企業(yè)過(guò)度運(yùn)用“短貸長(zhǎng)投”的融資策略會(huì)提升短期償債壓力， 在降低自由現(xiàn)金流量的情況下影響企業(yè)的投資效率。 胡啟明等[4] 基于流動(dòng)性風(fēng)險(xiǎn)的影響來(lái)研究債務(wù)期限結(jié)構(gòu)， 得出債務(wù)融資期限的縮短會(huì)加大企業(yè)的流動(dòng)性風(fēng)險(xiǎn)， 但兩者呈倒U型而非簡(jiǎn)單的負(fù)相關(guān)關(guān)系。 鐘凱等[5] 聚焦于家族控制權(quán)、債權(quán)人與企業(yè)資金結(jié)構(gòu)之間的關(guān)系， 研究發(fā)現(xiàn)家族控制權(quán)越強(qiáng)的企業(yè)， 其資金期限結(jié)構(gòu)不合理問題越嚴(yán)重。

2. 融資結(jié)構(gòu)風(fēng)險(xiǎn)。 根據(jù)權(quán)衡理論的相關(guān)解釋， 負(fù)債作為企業(yè)主要的融資方式之一， 可以在一定程度上提升企業(yè)價(jià)值， 降低資本成本。 但過(guò)度使用債務(wù)融資， 會(huì)增加企業(yè)的融資成本， 導(dǎo)致經(jīng)營(yíng)風(fēng)險(xiǎn)和融資風(fēng)險(xiǎn)的發(fā)生。 王貞潔等[6] 研究發(fā)現(xiàn)， 企業(yè)由于經(jīng)營(yíng)活動(dòng)而形成的自發(fā)性融資難以作為銀行借款的替代性融資來(lái)源， 但由于外部經(jīng)營(yíng)風(fēng)險(xiǎn)的不斷積累， 企業(yè)應(yīng)控制外部金融性負(fù)債規(guī)模， 來(lái)防止由于收益的波動(dòng)所造成的融資風(fēng)險(xiǎn)。 Sun等[7] 研究管理層持股和機(jī)構(gòu)持股比例與企業(yè)負(fù)債規(guī)模之間的關(guān)系發(fā)現(xiàn)， 企業(yè)減少債務(wù)杠桿而增加發(fā)行股票債券的規(guī)模， 能夠?qū)崿F(xiàn)擴(kuò)大市場(chǎng)份額和提升企業(yè)績(jī)效的目標(biāo)， 進(jìn)而降低發(fā)生融資風(fēng)險(xiǎn)的概率。 Ramana Nanda等[8] 認(rèn)為， 現(xiàn)金的充裕度可以用于反映企業(yè)融資風(fēng)險(xiǎn)， 不同的投資方式會(huì)對(duì)企業(yè)未來(lái)的現(xiàn)金流量產(chǎn)生不同程度的影響， 投資者對(duì)現(xiàn)金流的預(yù)期可以衡量企業(yè)的融資風(fēng)險(xiǎn)水平。 李九妮[9] 認(rèn)為， 企業(yè)的過(guò)度負(fù)債行為會(huì)受到代理沖突和市場(chǎng)環(huán)境波動(dòng)的影響， 進(jìn)而提高其發(fā)生融資風(fēng)險(xiǎn)的概率。 朱波等[10] 基于我國(guó)滬深A(yù)股上市公司數(shù)據(jù)， 研究債務(wù)融資對(duì)行業(yè)金融風(fēng)險(xiǎn)溢出效應(yīng)的作用， 發(fā)現(xiàn)公開債務(wù)融資與行業(yè)金融風(fēng)險(xiǎn)溢出效應(yīng)呈顯著的負(fù)向相關(guān)關(guān)系。

但現(xiàn)實(shí)中， 隨著對(duì)融資風(fēng)險(xiǎn)研究的不斷深入， 人們發(fā)現(xiàn)企業(yè)面臨的融資風(fēng)險(xiǎn)不僅受到融資期限和融資結(jié)構(gòu)的影響， 而且受到其他財(cái)務(wù)與非財(cái)務(wù)因素的影響。 Cecchini等[11] 認(rèn)為， 由于資本市場(chǎng)能夠快速地對(duì)大量信息做出反應(yīng)， 市場(chǎng)價(jià)格的波動(dòng)會(huì)影響企業(yè)發(fā)生融資風(fēng)險(xiǎn)的概率。 Wilbanks等[12] 發(fā)現(xiàn)， 審計(jì)委員會(huì)的成員特征會(huì)影響企業(yè)治理水平， 通過(guò)觀察審計(jì)師對(duì)公司出具的審計(jì)報(bào)告是否延遲、是否為非標(biāo)準(zhǔn)意見和審計(jì)師是否更換可以推斷企業(yè)發(fā)生融資風(fēng)險(xiǎn)的概率。 Joe等[13] 以韓國(guó)企業(yè)為研究樣本， 發(fā)現(xiàn)公司的股權(quán)集中度與公司價(jià)值正相關(guān)， 而與公司發(fā)生融資風(fēng)險(xiǎn)的概率負(fù)相關(guān)。 當(dāng)企業(yè)的股權(quán)過(guò)于分散時(shí)， 會(huì)使企業(yè)沒有真正的實(shí)際控制人而影響其內(nèi)部管理水平， 進(jìn)而提高其發(fā)生融資風(fēng)險(xiǎn)的概率。 羅兆希[14] 以樂視網(wǎng)為例， 研究了互聯(lián)網(wǎng)企業(yè)的融資風(fēng)險(xiǎn)， 認(rèn)為企業(yè)的經(jīng)營(yíng)管理不善是促使企業(yè)發(fā)生融資風(fēng)險(xiǎn)的主要原因。 張修普[15] 研究發(fā)現(xiàn)， 融資風(fēng)險(xiǎn)的發(fā)生會(huì)受到企業(yè)內(nèi)外部因素的影響， 內(nèi)部因素包括過(guò)度融資、債務(wù)融資利息率過(guò)高及結(jié)構(gòu)不合理， 外部因素包括市場(chǎng)經(jīng)濟(jì)環(huán)境與國(guó)家貨幣政策。

（二）融資風(fēng)險(xiǎn)預(yù)警研究

國(guó)內(nèi)外學(xué)者均對(duì)于如何有效地對(duì)融資風(fēng)險(xiǎn)進(jìn)行預(yù)警監(jiān)控進(jìn)行了深入研究。 劉長(zhǎng)奎[16] 以108家ST企業(yè)和配對(duì)的108家非ST企業(yè)為研究樣本， 運(yùn)用主成分分析法和因子分析法構(gòu)建了融資風(fēng)險(xiǎn)預(yù)警模型， 為對(duì)融資風(fēng)險(xiǎn)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(duì)制造業(yè)上市公司的融資風(fēng)險(xiǎn)進(jìn)行了預(yù)警研究。 趙吉紅等[18] 基于現(xiàn)代信用風(fēng)險(xiǎn)度量KMV模型， 運(yùn)用財(cái)務(wù)指標(biāo)對(duì)具體參數(shù)和計(jì)算方式進(jìn)行修正， 構(gòu)建了制造行業(yè)的KMV模型， 從定量的角度預(yù)測(cè)了企業(yè)發(fā)生融資風(fēng)險(xiǎn)的概率。 Abdssaleh等[19] 通過(guò)logit回歸模型研究了宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)對(duì)企業(yè)外部融資決策的影響， 發(fā)現(xiàn)當(dāng)企業(yè)異質(zhì)性及宏觀經(jīng)濟(jì)風(fēng)險(xiǎn)較高時(shí)， 企業(yè)發(fā)生融資風(fēng)險(xiǎn)的概率會(huì)提高。 企業(yè)應(yīng)調(diào)整融資結(jié)構(gòu)， 縮小外部融資規(guī)模來(lái)抵御融資風(fēng)險(xiǎn)。 李思呈等[20] 基于區(qū)間矩陣定位模型， 通過(guò)融資來(lái)源結(jié)構(gòu)和融資期限結(jié)構(gòu)對(duì)企業(yè)的融資結(jié)構(gòu)錯(cuò)配風(fēng)險(xiǎn)進(jìn)行可視化顯示。

總體而言， 國(guó)內(nèi)外對(duì)企業(yè)融資風(fēng)險(xiǎn)監(jiān)控的研究已經(jīng)比較深入， 但總結(jié)起來(lái)還存在以下問題：①現(xiàn)有文獻(xiàn)大多采用財(cái)務(wù)指標(biāo)對(duì)融資風(fēng)險(xiǎn)進(jìn)行預(yù)警， 而對(duì)于非財(cái)務(wù)指標(biāo)對(duì)融資風(fēng)險(xiǎn)的影響關(guān)注不足。 ②基于對(duì)中國(guó)背景企業(yè)的研究， 在樣本選擇上大都采用ST和非ST的配對(duì)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(lái)的研究誤差， 但也存在著兩個(gè)較為嚴(yán)重的缺點(diǎn)：其一， 采用樣本配對(duì)的方式減少了融資風(fēng)險(xiǎn)研究的樣本量， 對(duì)研究的普適性會(huì)造成一定影響; 其二， 樣本配對(duì)研究的結(jié)果只能說(shuō)明ST與非ST配對(duì)樣本之間的融資風(fēng)險(xiǎn)大小， 這是一種條件期望， 但企業(yè)的利益相關(guān)者及其監(jiān)管部門更關(guān)心的是無(wú)條件期望， 即各個(gè)樣本公司本身爆發(fā)融資風(fēng)險(xiǎn)的可能性。 ③傳統(tǒng)的融資風(fēng)險(xiǎn)預(yù)警模型容易受到遺漏變量的影響， 難以納入大量指標(biāo)， 因而會(huì)降低融資風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性。 ④目前融資風(fēng)險(xiǎn)研究所運(yùn)用的機(jī)器算法在預(yù)警過(guò)程中存在“黑箱”問題， 無(wú)法為企業(yè)改善財(cái)務(wù)狀況、化解融資風(fēng)險(xiǎn)提供具體的依據(jù)。

（三）基于梯度提升算法模型的融資風(fēng)險(xiǎn)預(yù)警

梯度提升（Gradient Boosting）模型屬于一種集成學(xué)習(xí)算法， 可視作Adaboost算法的改進(jìn)。 由于Adaboost算法中的損失函數(shù)難以優(yōu)化， 針對(duì)這一問題， 梯度提升模型運(yùn)用一種損失函數(shù)逼近法， 其原理是在模型梯度下降最快的方向以損失函數(shù)逼近法通過(guò)逐步迭代來(lái)使損失函數(shù)最快達(dá)到收斂。 相比其他預(yù)警模型， 梯度提升算法具有以下優(yōu)勢(shì)：①可以適用多維度指標(biāo)的預(yù)警， 能夠處理變量之間的非線性關(guān)系; ②能夠處理極端值、缺漏值和指標(biāo)之間的多重共線性問題; ③通過(guò)評(píng)定預(yù)警指標(biāo)的相對(duì)重要性水平來(lái)解決傳統(tǒng)機(jī)器學(xué)習(xí)方法預(yù)警過(guò)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(yè)融資風(fēng)險(xiǎn)預(yù)警監(jiān)控領(lǐng)域， 通過(guò)構(gòu)建影響企業(yè)融資風(fēng)險(xiǎn)的財(cái)務(wù)和非財(cái)務(wù)指標(biāo)體系， 對(duì)信息設(shè)備制造業(yè)上市公司融資風(fēng)險(xiǎn)進(jìn)行監(jiān)控研究。 同時(shí)， 借助梯度提升算法提供的融資風(fēng)險(xiǎn)預(yù)警指標(biāo)相對(duì)重要性程度得分， 為企業(yè)制定融資風(fēng)險(xiǎn)預(yù)防策略提供依據(jù)。

三、 模型構(gòu)建

具體到融資風(fēng)險(xiǎn)預(yù)警監(jiān)控而言， 全部上市公司可以被分為兩類：發(fā)生融資風(fēng)險(xiǎn)的公司和未發(fā)生融資風(fēng)險(xiǎn)的公司。 鑒于對(duì)我國(guó)上市公司融資風(fēng)險(xiǎn)預(yù)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(fēng)險(xiǎn)的標(biāo)志， 所以本文將企業(yè)是否被ST作為其發(fā)生融資風(fēng)險(xiǎn)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(gè)強(qiáng)分類器（Strong Classifiers）。 所有的財(cái)務(wù)與非財(cái)務(wù)指標(biāo)都可以用來(lái)對(duì)上市公司是否發(fā)生融資風(fēng)險(xiǎn)進(jìn)行分類。 當(dāng)單個(gè)財(cái)務(wù)與非財(cái)務(wù)指標(biāo)對(duì)融資風(fēng)險(xiǎn)分類的效果好于隨機(jī)選擇（錯(cuò)誤率小于0.5）， 則這個(gè)指標(biāo)就可以被當(dāng)成一個(gè)弱分類器。 經(jīng)過(guò)一系列的前次迭代后， 許多弱分類器就會(huì)合成一個(gè)較強(qiáng)預(yù)測(cè)功能的強(qiáng)分類器。 在前次迭代形成的強(qiáng)分類器中， 按照弱分類器分類效果的高低賦予相應(yīng)的權(quán)重。 而在進(jìn)行后次迭代時(shí)， 降低前次迭代中判斷正確樣本的權(quán)重， 重點(diǎn)關(guān)注前次迭代中判斷錯(cuò)誤的樣本， 實(shí)現(xiàn)將前次迭代的錯(cuò)誤予以糾正。 經(jīng)過(guò)若干次的迭代， 就形成最終具有最強(qiáng)分類功能的強(qiáng)分類器。 通過(guò)對(duì)樣本進(jìn)行融資風(fēng)險(xiǎn)預(yù)警， 得出融資風(fēng)險(xiǎn)預(yù)警指標(biāo)的相對(duì)重要性程度得分。 梯度提升算法模型的融資風(fēng)險(xiǎn)預(yù)警監(jiān)控流程如圖1所示。

梯度提升算法模型的訓(xùn)練過(guò)程可以用數(shù)學(xué)公式表示如下：

第七步， 計(jì)算融資風(fēng)險(xiǎn)預(yù)警指標(biāo)的相對(duì)重要性水平（Relative Variable Importances， RVI）：

式（7）中：L為損失函數(shù)， 模型訓(xùn)練的目的是使損失函數(shù)最小化; yi為結(jié)果變量， 即為訓(xùn)練樣本是否被ST; xi是一個(gè)向量， 表示融資風(fēng)險(xiǎn)預(yù)警指標(biāo); αm為融資風(fēng)險(xiǎn)預(yù)警指標(biāo)（自變量）的系數(shù); βm為弱分類器的權(quán)重， 若增加某個(gè)弱分類器后， 模型的整體預(yù)測(cè)效果大幅提升， 則該分類器的β值較大。 每一輪訓(xùn)練中， 一個(gè)弱分類器被加到損失函數(shù)的殘差之中， 經(jīng)過(guò)若干次迭代， 若損失函數(shù)的殘差不再明顯減小， 則訓(xùn)練過(guò)程終止。 最終經(jīng)過(guò)m輪訓(xùn)練得到的Fm（x）[式（8）]即為一個(gè)強(qiáng)分類器， 它是若干個(gè)弱分類器的線性組合。? ? ?（I）[式（9）]即為指標(biāo)Xδ的相對(duì)重要性程度。 式（9）中：J-1為決策樹中的節(jié)點(diǎn)個(gè)數(shù);? ? T[V（i）=?]為在節(jié)點(diǎn)t采用指標(biāo)Xδ將企業(yè)按照是否會(huì)發(fā)生融資風(fēng)險(xiǎn)進(jìn)行分類所產(chǎn)生的分類誤差。 對(duì)于每一個(gè)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)， 相對(duì)重要性水平的分?jǐn)?shù)為大于等于0的整數(shù)， RVI越大表示該指標(biāo)對(duì)模型整體的預(yù)警效果的貢獻(xiàn)越大; 若RVI等于0， 則表示該指標(biāo)對(duì)模型的整體預(yù)警效果沒有貢獻(xiàn)。 以上全部訓(xùn)練過(guò)程都通過(guò)R語(yǔ)言來(lái)實(shí)現(xiàn)。

四、 指標(biāo)選取與數(shù)據(jù)來(lái)源

（一）指標(biāo)選取

本文選取的融資風(fēng)險(xiǎn)預(yù)警指標(biāo)主要分為財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)。 根據(jù)信息設(shè)備制造業(yè)的產(chǎn)品特性， 信息設(shè)備的全生命周期分為規(guī)劃設(shè)計(jì)、設(shè)備部署、設(shè)備測(cè)試、設(shè)備運(yùn)行和設(shè)備處理。 因此， 為使信息設(shè)備能夠達(dá)到最終的產(chǎn)出要求， 信息設(shè)備制造企業(yè)要保持良好的運(yùn)營(yíng)能力和較高的內(nèi)部管理水平來(lái)實(shí)現(xiàn)對(duì)產(chǎn)品全生命周期的有效控制。 考慮到在目前強(qiáng)調(diào)企業(yè)可持續(xù)發(fā)展能力的背景下， 市場(chǎng)環(huán)境因素也會(huì)對(duì)企業(yè)的融資風(fēng)險(xiǎn)產(chǎn)生重要影響， 因此在財(cái)務(wù)指標(biāo)中， 選取了融資期限指標(biāo)、融資結(jié)構(gòu)指標(biāo)、營(yíng)運(yùn)能力指標(biāo)和市場(chǎng)因素指標(biāo)。 在非財(cái)務(wù)指標(biāo)中， 選取了公司治理指標(biāo)和審計(jì)師特征指標(biāo)。 具體的融資風(fēng)險(xiǎn)預(yù)警指標(biāo)及計(jì)算方式如表1所示。

（二）數(shù)據(jù)來(lái)源

根據(jù)證監(jiān)會(huì)2012年發(fā)布的《上市公司行業(yè)分類指引》， 本文將二級(jí)行業(yè)中的計(jì)算機(jī)、通信和其他電子設(shè)備制造業(yè)定義為“信息設(shè)備制造業(yè)”， 選取2010 ～ 2018年A股信息設(shè)備制造業(yè)上市公司為訓(xùn)練樣本， 選取2019年A股信息設(shè)備制造業(yè)上市公司為檢驗(yàn)樣本， 以2009 ～ 2018年為樣本數(shù)據(jù)來(lái)源期間。 本文收集整理的樣本數(shù)據(jù)均來(lái)自CSMAR、巨浪數(shù)據(jù)庫(kù)和樣本企業(yè)披露的財(cái)務(wù)報(bào)告信息。 將公司被ST作為其陷入融資風(fēng)險(xiǎn)的標(biāo)志主要是基于融資風(fēng)險(xiǎn)的特性， 即融資風(fēng)險(xiǎn)的爆發(fā)是一個(gè)漸進(jìn)式的過(guò)程， ST作為公司退市或者破產(chǎn)的前兆， 一個(gè)主要的原因就是連續(xù)兩年凈利潤(rùn)為負(fù)， 而企業(yè)的凈利潤(rùn)收益作為支付到期債務(wù)的主要資金來(lái)源， 其出現(xiàn)負(fù)值將導(dǎo)致企業(yè)無(wú)法支付到期債務(wù)， 進(jìn)而發(fā)生融資風(fēng)險(xiǎn)。 因此， 本研究選擇信息設(shè)備制造業(yè)上市公司被ST作為其陷入融資風(fēng)險(xiǎn)的主要標(biāo)志。 2009 ～ 2018年信息設(shè)備制造業(yè)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(yè)共20家， 加上未被ST處理的上市公司和剔除財(cái)務(wù)和公司治理數(shù)據(jù)缺失的樣本， 最終收集得到326家信息設(shè)備制造業(yè)樣本企業(yè)的融資風(fēng)險(xiǎn)預(yù)警指標(biāo)數(shù)據(jù)。

五、 實(shí)證研究

（一）預(yù)警結(jié)果分類

在對(duì)梯度提升算法模型的預(yù)警效果進(jìn)行評(píng)價(jià)時(shí)， 其預(yù)警結(jié)果可能出現(xiàn)如表2所示的幾種情況。

本文分別采用真陽(yáng)性率（True Positive Rate）、偽陽(yáng)性率（False Positive Rate）、精準(zhǔn)率（Precision）、召回率（Recall）、準(zhǔn)確率（Accuracy）和ROC曲線作為融資風(fēng)險(xiǎn)預(yù)警模型的評(píng)價(jià)標(biāo)準(zhǔn)。 各標(biāo)準(zhǔn)的定義如下：

（二）結(jié)果分析

本研究利用訓(xùn)練樣本企業(yè)被ST前1 ～ 3年的數(shù)據(jù)對(duì)梯度提升算法模型進(jìn)行訓(xùn)練， 并將2018、2017和2016年的數(shù)據(jù)代入模型中來(lái)預(yù)測(cè)2019年信息設(shè)備制造業(yè)企業(yè)的融資風(fēng)險(xiǎn)。 為了驗(yàn)證指標(biāo)的多樣性提升了梯度提升算法模型融資風(fēng)險(xiǎn)預(yù)警的準(zhǔn)確性， 本文構(gòu)建了三組模型。 模型（1）包含傳統(tǒng)的融資風(fēng)險(xiǎn)預(yù)警指標(biāo)， 分別為融資期限指標(biāo)和融資結(jié)構(gòu)指標(biāo); 模型（2）在模型（1）的基礎(chǔ)上添加了營(yíng)運(yùn)能力指標(biāo)和市場(chǎng)因素指標(biāo); 模型（3）在模型（2）的基礎(chǔ)上添加了公司治理指標(biāo)和審計(jì)師特征指標(biāo)。 為了提升對(duì)融資風(fēng)險(xiǎn)預(yù)警效果顯示的直觀性， 模型預(yù)警的準(zhǔn)確度用AUC值來(lái)度量。 AUC是一種用來(lái)度量分類模型好壞的標(biāo)準(zhǔn)， 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(yù)警結(jié)果轉(zhuǎn)化成AUC值， 如表3所示。

從圖2和表3可以看出， 通過(guò)依次代入2018年、2017年、2016年的數(shù)據(jù)不斷進(jìn)行迭代訓(xùn)練， 梯度提升算法模型預(yù)警結(jié)果的AUC值不斷提升。 而隨著在傳統(tǒng)的融資預(yù)警指標(biāo)中加入營(yíng)運(yùn)能力、市場(chǎng)因素等財(cái)務(wù)指標(biāo)和公司治理、審計(jì)師特征等非財(cái)務(wù)指標(biāo)， ROC曲線不斷向左上方移動(dòng)， AUC的綜合值進(jìn)一步提升， 表明模型的預(yù)警精度逐漸提高。

本研究構(gòu)建的企業(yè)融資風(fēng)險(xiǎn)預(yù)警指標(biāo)體系共包括25個(gè)財(cái)務(wù)指標(biāo)和10個(gè)非財(cái)務(wù)指標(biāo)。 利用梯度提升算法報(bào)告的預(yù)警指標(biāo)相對(duì)重要性程度得分， 可以對(duì)指標(biāo)的重要性程度加以排序， 融資風(fēng)險(xiǎn)預(yù)警指標(biāo)的重要性程度得分排序統(tǒng)計(jì)結(jié)果如表4所示。

從表4所示的指標(biāo)重要性得分可以看出， 審計(jì)師特征和市場(chǎng)因素指標(biāo)的相對(duì)重要性得分最低， 公司治理指標(biāo)總得分高于市場(chǎng)因素和審計(jì)師特征， 融資期限、融資結(jié)構(gòu)和營(yíng)運(yùn)能力指標(biāo)的相對(duì)重要性得分最高， 說(shuō)明其在融資風(fēng)險(xiǎn)預(yù)警模型中發(fā)揮了重要作用。 因此， 從融資風(fēng)險(xiǎn)預(yù)警指標(biāo)的重要性得分排序結(jié)果看， 若企業(yè)需要降低融資風(fēng)險(xiǎn)發(fā)生的概率， 首先要控制融資期限， 并調(diào)整融資結(jié)構(gòu)。 其次要提升企業(yè)營(yíng)運(yùn)能力和內(nèi)部治理水平， 通過(guò)充分履行社會(huì)責(zé)任來(lái)創(chuàng)造良好的市場(chǎng)環(huán)境， 進(jìn)而達(dá)到化解企業(yè)融資風(fēng)險(xiǎn)的目標(biāo)。

六、 融資風(fēng)險(xiǎn)預(yù)警案例分析

在驗(yàn)證了梯度提升算法對(duì)融資風(fēng)險(xiǎn)具有較好預(yù)警效果的基礎(chǔ)上， 以2019年信息設(shè)備制造業(yè)上市公司為檢驗(yàn)樣本， 對(duì)其融資風(fēng)險(xiǎn)進(jìn)行預(yù)警。 利用梯度提升模型對(duì)2018年、2017年、2016年的樣本數(shù)據(jù)進(jìn)行融資風(fēng)險(xiǎn)預(yù)警檢驗(yàn)， 在333家非ST信息設(shè)備制造業(yè)樣本企業(yè)中， 預(yù)測(cè)有16家將會(huì)在2019年發(fā)生融資風(fēng)險(xiǎn)， 具體如表5所示。

受篇幅所限， 本文僅對(duì)同州電子（002052）、麥達(dá)數(shù)字（002137）、長(zhǎng)電科技（600584）這三家信息設(shè)備制造企業(yè)進(jìn)行融資風(fēng)險(xiǎn)預(yù)警分析。

（一）同州電子（002052）

同州電子是我國(guó)專業(yè)從事數(shù)字通訊的首家上市公司， 其專注于提供領(lǐng)先的智慧家庭產(chǎn)品與服務(wù)。 2016 ～ 2018年同州電子的負(fù)債總額雖然呈現(xiàn)震蕩下降的趨勢(shì)， 但流動(dòng)負(fù)債比重不斷提升。 公司的負(fù)債總額與所有者權(quán)益之間的比重呈現(xiàn)不斷擴(kuò)大的趨勢(shì)， 表明企業(yè)的融資結(jié)構(gòu)問題不斷惡化。 在營(yíng)運(yùn)和市場(chǎng)因素方面， 企業(yè)營(yíng)業(yè)成本的增長(zhǎng)比例高于營(yíng)業(yè)收入， 營(yíng)業(yè)利潤(rùn)總體出現(xiàn)虧損， 應(yīng)收賬款保持較大規(guī)模。 美國(guó)對(duì)我國(guó)信息設(shè)備制造業(yè)的制裁也對(duì)公司產(chǎn)品出口造成嚴(yán)重的影響， 加之國(guó)內(nèi)多家企業(yè)涉足“智慧家庭”市場(chǎng)， 使其公司面臨較大的盈利壓力。 公司的董事結(jié)構(gòu)也在此期間發(fā)生較大規(guī)模的變動(dòng)。

通過(guò)以上對(duì)同州電子的分析可以得出， 企業(yè)的融資期限和融資結(jié)構(gòu)存在嚴(yán)重問題， 2019年企業(yè)面臨較大的償債壓力， 而欠佳的營(yíng)運(yùn)能力和市場(chǎng)因素的影響， 加之董事結(jié)構(gòu)的變動(dòng)， 使得企業(yè)未來(lái)無(wú)法獲得足夠的利潤(rùn)來(lái)支付到期債務(wù)， 進(jìn)而導(dǎo)致融資風(fēng)險(xiǎn)的發(fā)生。

（二）麥達(dá)數(shù)字（002137）

麥達(dá)數(shù)字是以“智能營(yíng)銷+智能硬件”產(chǎn)投研相結(jié)合的信息設(shè)備集團(tuán)化企業(yè)。 2016 ～ 2018年企業(yè)的流動(dòng)負(fù)債在總負(fù)債中占據(jù)較大比重， 但其融資結(jié)構(gòu)保持較為合理的狀態(tài)。 麥達(dá)數(shù)字的營(yíng)運(yùn)能力與通州電子相似， 營(yíng)業(yè)成本相比營(yíng)業(yè)收入有較大幅度的增加， 應(yīng)收賬款雖有所下降， 但仍保持較大規(guī)模。 2018年企業(yè)的基本每股收益為負(fù)值。 麥達(dá)數(shù)字主要是以產(chǎn)業(yè)并購(gòu)的形式來(lái)擴(kuò)大自身的產(chǎn)業(yè)規(guī)模和提高產(chǎn)品多樣性。 但在國(guó)內(nèi)外信息設(shè)備制造業(yè)市場(chǎng)環(huán)境不樂觀的大背景下， 過(guò)大的經(jīng)營(yíng)規(guī)模以及較大產(chǎn)品差異的經(jīng)營(yíng)模式， 必將使其背負(fù)沉重的債務(wù)壓力和面臨嚴(yán)峻的經(jīng)營(yíng)考驗(yàn)。

通過(guò)上述對(duì)麥達(dá)數(shù)字的分析可以看出， 企業(yè)的流動(dòng)負(fù)債規(guī)模過(guò)大使得企業(yè)面臨短期的償債壓力， 而營(yíng)業(yè)成本提高且應(yīng)收賬款保持較大規(guī)模反映出企業(yè)的營(yíng)運(yùn)能力存在一定問題。 企業(yè)每股收益為負(fù)也使得其處于不利的市場(chǎng)環(huán)境中， 進(jìn)而在未來(lái)會(huì)加大其發(fā)生融資風(fēng)險(xiǎn)的概率。

（三）長(zhǎng)電科技（600584）

長(zhǎng)電科技是全球領(lǐng)先的集成電路系統(tǒng)和封裝服務(wù)的供應(yīng)商， 主要從事電路的系統(tǒng)集成封裝設(shè)計(jì)、晶圓中測(cè)、芯片成品生產(chǎn)業(yè)務(wù)， 是國(guó)內(nèi)著名的三極管制造商。 相比同州電子和麥達(dá)數(shù)字， 長(zhǎng)電科技在2016 ～ 2018年間的融資期限和融資結(jié)構(gòu)問題更為嚴(yán)重， 不僅流動(dòng)負(fù)債在負(fù)債總額中的比例不斷提升， 而且負(fù)債規(guī)模也遠(yuǎn)遠(yuǎn)超過(guò)所有者權(quán)益， 企業(yè)存在巨額的營(yíng)業(yè)成本和應(yīng)收賬款， 表明其存在嚴(yán)重的營(yíng)運(yùn)和管理問題。 公司也在2017 ～ 2018年間多次出現(xiàn)股東權(quán)益變更和股東減持股份變動(dòng)。 2018年全球半導(dǎo)體市場(chǎng)整體步入短期調(diào)整， 中美貿(mào)易摩擦也對(duì)國(guó)內(nèi)外客戶的產(chǎn)品需求產(chǎn)生不同程度的影響， 對(duì)企業(yè)經(jīng)營(yíng)帶來(lái)較大挑戰(zhàn)。

通過(guò)以上對(duì)長(zhǎng)電科技的分析可以看出， 企業(yè)在2019年擴(kuò)大流動(dòng)負(fù)債規(guī)模所導(dǎo)致的融資期限和結(jié)構(gòu)的嚴(yán)重錯(cuò)配， 及應(yīng)收賬款的增多和營(yíng)業(yè)利潤(rùn)的降低， 使得企業(yè)在未來(lái)面臨巨大的融資風(fēng)險(xiǎn)。

從整體的預(yù)測(cè)結(jié)果可以看出， 同州電子、麥達(dá)數(shù)字和長(zhǎng)電科技都存在一定的融資期限和融資結(jié)構(gòu)錯(cuò)配風(fēng)險(xiǎn)， 雖然錯(cuò)配風(fēng)險(xiǎn)的程度不同， 但三家企業(yè)都表現(xiàn)出營(yíng)運(yùn)能力不足的現(xiàn)象， 加之美國(guó)對(duì)我國(guó)信息技術(shù)產(chǎn)業(yè)貿(mào)易政策的影響， 使其未來(lái)會(huì)處于融資風(fēng)險(xiǎn)之中。

七、 對(duì)策建議

（一）合理規(guī)劃融資期限

在進(jìn)行債務(wù)融資時(shí)， 企業(yè)應(yīng)根據(jù)自身的盈利能力制定合理的融資期限， 嚴(yán)控流動(dòng)負(fù)債規(guī)模， 合理規(guī)劃還款計(jì)劃。 保持適當(dāng)規(guī)模的現(xiàn)金持有量， 在不影響投資機(jī)會(huì)成本的情況下， 提升企業(yè)的償債能力。 企業(yè)可以采用諸如租賃和售后回租等方式降低固定資產(chǎn)對(duì)資金的長(zhǎng)期占用， 增強(qiáng)資金的流動(dòng)性。

（二）加強(qiáng)融資結(jié)構(gòu)管理

制定中長(zhǎng)期融資規(guī)劃， 確定合理的債務(wù)融資和權(quán)益融資比例。 通過(guò)增加企業(yè)的現(xiàn)金儲(chǔ)備量和減少占用商業(yè)信用來(lái)保持企業(yè)良好的財(cái)務(wù)彈性。 要提高融資渠道的多樣性， 合理選擇融資方式。 企業(yè)不僅可以利用銀行貸款、項(xiàng)目融資、股權(quán)和私募融資等傳統(tǒng)方式進(jìn)行融資， 還可以通過(guò)發(fā)行債券、投資信托基金、資產(chǎn)證券化、眾籌等創(chuàng)新融資渠道進(jìn)行融資。

（三）增強(qiáng)企業(yè)營(yíng)運(yùn)能力

通過(guò)優(yōu)化資產(chǎn)配置提高企業(yè)財(cái)務(wù)穩(wěn)健性水平。 統(tǒng)籌協(xié)調(diào)企業(yè)內(nèi)部各部門在生產(chǎn)經(jīng)營(yíng)過(guò)程中的資金需求， 貫徹落實(shí)“現(xiàn)金為本”的資金管理模式， 提升資金的使用效率。 利用財(cái)務(wù)云對(duì)管理信息進(jìn)行高效的資源共享， 使企業(yè)快速應(yīng)對(duì)多變的市場(chǎng)環(huán)境。 要加強(qiáng)對(duì)應(yīng)收賬款的管理， 通過(guò)制定良好的信用政策、劃分客戶的信用等級(jí)、維持合理的應(yīng)收賬款比例和制定有效的收款政策， 降低壞賬的發(fā)生對(duì)企業(yè)利潤(rùn)的影響。

（四）積極履行社會(huì)責(zé)任

企業(yè)要積極履行社會(huì)責(zé)任， 在兼顧利益相關(guān)者利益的基礎(chǔ)上， 實(shí)現(xiàn)企業(yè)價(jià)值最大化目標(biāo)， 并通過(guò)社會(huì)責(zé)任信息披露降低信息不對(duì)稱對(duì)企業(yè)造成的負(fù)面影響。 加強(qiáng)利益相關(guān)者對(duì)企業(yè)認(rèn)知性的反饋， 通過(guò)創(chuàng)造良好的外部環(huán)境來(lái)增強(qiáng)企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力。

【 主 要 參 考 文 獻(xiàn) 】

[ 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(yè)“短貸長(zhǎng)投”之謎[ J].管理世界，2016（3）：87 ～ 98+114+188.

[ 4 ]? ?胡啟明，馬如飛，王國(guó)順.債務(wù)期限結(jié)構(gòu)與企業(yè)投資關(guān)系——基于流動(dòng)性風(fēng)險(xiǎn)視角的實(shí)證研究[ J].系統(tǒng)工程，2015（4）：24 ～ 31.

[ 5 ]? ?鐘凱，劉金釗，王化成.家族控制權(quán)會(huì)加劇企業(yè)資金期限結(jié)構(gòu)錯(cuò)配嗎？——來(lái)自中國(guó)非國(guó)有上市公司的經(jīng)驗(yàn)證據(jù)[ J].會(huì)計(jì)與經(jīng)濟(jì)研究，2018（2）：3 ～ 20.

[ 6 ]? ?王貞潔，王竹泉.經(jīng)濟(jì)危機(jī)、信用風(fēng)險(xiǎn)傳染與營(yíng)運(yùn)資金融資結(jié)構(gòu)——基于外向型電子信息產(chǎn)業(yè)上市公司的實(shí)證研究[ J].中國(guó)工業(yè)經(jīng)濟(jì)，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(yè)負(fù)債融資風(fēng)險(xiǎn)管理存在的問題及對(duì)策[ J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（S2）：30+47.

[10]? ?朱波，馬永談，陳德然.債務(wù)融資方式對(duì)行業(yè)金融風(fēng)險(xiǎn)溢出效應(yīng)的作用機(jī)制[ J].財(cái)經(jīng)科學(xué)，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(yè)融資風(fēng)險(xiǎn)分析——以樂視為例[ J].商業(yè)經(jīng)濟(jì)，2018（12）：92 ～ 95.

[15]? ?張修普.企業(yè)融資風(fēng)險(xiǎn)控制的應(yīng)用研究[ J].中國(guó)商論，2019（1）：42 ～ 43.

[16]? ?劉長(zhǎng)奎.我國(guó)上市公司財(cái)務(wù)危機(jī)預(yù)測(cè)的實(shí)證研究[ J].經(jīng)濟(jì)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(cái)務(wù)預(yù)警模型比較——來(lái)自我國(guó)制造業(yè)上市公司的經(jīng)驗(yàn)證據(jù)[ J].經(jīng)濟(jì)問題，2010（6）：112 ～ 116.

[18]? ?趙吉紅，謝守紅.我國(guó)制造業(yè)上市公司信用風(fēng)險(xiǎn)度量：基于KMV模型[ J].財(cái)會(huì)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(shù)的行業(yè)融資風(fēng)險(xiǎn)預(yù)警定位研究[ J].管理現(xiàn)代化，2016（1）：1 ～ 3.