彭佑元 尉聰聰

摘要：以東部地區(qū)35家創(chuàng)業(yè)板軟件和信息技術(shù)服務(wù)業(yè)上市公司為樣本，采用因子分析法對(duì)樣本公司2018年關(guān)鍵性財(cái)務(wù)指標(biāo)進(jìn)行分析，識(shí)別影響軟件和信息技術(shù)服務(wù)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)的主要因素，構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)模型，對(duì)其財(cái)務(wù)風(fēng)險(xiǎn)程度進(jìn)行打分、排序。依據(jù)綜合得分，采用聚類分析法將公司財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)劃分為安全、低風(fēng)險(xiǎn)、一般和高風(fēng)險(xiǎn)4類。結(jié)果表明，公司財(cái)務(wù)高風(fēng)險(xiǎn)成因主要有3個(gè)，①部分公司凈利潤(rùn)下跌;②企業(yè)償債能力普遍較弱;③部分高風(fēng)險(xiǎn)企業(yè)產(chǎn)品處于初創(chuàng)階段，面臨較大資金壓力。

關(guān)鍵詞：信息技術(shù)服務(wù)業(yè);財(cái)務(wù)風(fēng)險(xiǎn);因子分析;聚類分析

Abstract： Taking 35 listed companies in the GEM software and information technology service industry in the eastern region as samples， the key financial indicators of the sample companies in 2018 were analyzed by use of factor analysis， identifying the main factors affecting the financial risk of listed companies in the software and information technology service industry， Building a financial risk evaluation model for listed companies，scoreing and ranking the degree of financial risk. Based on the comprehensive score， the cluster analysis method was used to divide the company‘s financial risk into four categories： Safety， low risk， general and high risk. The results showed that there are three main reasons for the companys high financial risk. ①Some companies ‘net profit has fallen; ②Enterprises solvency was generally weak; ③Some high-risk enterprise products were in the initial stage and face greater financial pressure.

Key words： software information technology service industry; financial risk; factor analysis; cluster analysis

軟件和信息技術(shù)服務(wù)業(yè)是國家信息化戰(zhàn)略的關(guān)鍵組成部分，對(duì)經(jīng)濟(jì)發(fā)展和社會(huì)進(jìn)步有著重要的支撐和引領(lǐng)作用。2017年1月17日，中國工業(yè)和信息化部印發(fā)《軟件和信息技術(shù)服務(wù)業(yè)發(fā)展規(guī)劃（2016—2020）》，為該行業(yè)企業(yè)的發(fā)展提供了路線指導(dǎo)。但是，中國的軟件和信息技術(shù)服務(wù)業(yè)目前還處于不成熟階段，大部分都是中小企業(yè)，面臨著創(chuàng)新能力不足、融資困難、風(fēng)險(xiǎn)管理能力低等一系列問題?；趧?chuàng)業(yè)板寬松的上市要求，多數(shù)以技術(shù)為支撐，具有較大成長(zhǎng)空間的信息技術(shù)企業(yè)紛紛上市，截至2018年12月31日，在創(chuàng)業(yè)板上市的軟件和信息技術(shù)服務(wù)業(yè)企業(yè)有114家，占比達(dá)15%。

軟件和信息技術(shù)服務(wù)業(yè)具有研發(fā)投入高、技術(shù)更新快、收益高的特征，因此，與傳統(tǒng)行業(yè)相比較，面臨更高的財(cái)務(wù)風(fēng)險(xiǎn)。目前，關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)的研究較多，但分地區(qū)、分行業(yè)細(xì)化研究公司財(cái)務(wù)風(fēng)險(xiǎn)的并不多見。本研究以中國東部地區(qū)創(chuàng)業(yè)板上市的35家軟件和信息技術(shù)服務(wù)業(yè)企業(yè)為研究對(duì)象，剔除行業(yè)差異、地域經(jīng)濟(jì)發(fā)展差異和板塊市場(chǎng)差異，深入探究影響該行業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的主要因素，建立財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估系統(tǒng)，幫助企業(yè)及早識(shí)別財(cái)務(wù)風(fēng)險(xiǎn)因素，及時(shí)采取必要措施，將財(cái)務(wù)風(fēng)險(xiǎn)控制在合理范圍之內(nèi)，實(shí)現(xiàn)企業(yè)優(yōu)質(zhì)快速發(fā)展。

1 文獻(xiàn)回顧

1.1 財(cái)務(wù)風(fēng)險(xiǎn)的界定

財(cái)務(wù)風(fēng)險(xiǎn)是任何行業(yè)任何企業(yè)都會(huì)面臨的問題。財(cái)務(wù)風(fēng)險(xiǎn)的高低對(duì)不同行業(yè)企業(yè)的影響不同。企業(yè)得以持續(xù)發(fā)展的前提是充分而深刻地認(rèn)知財(cái)務(wù)風(fēng)險(xiǎn)。財(cái)務(wù)風(fēng)險(xiǎn)是指企業(yè)的實(shí)際經(jīng)營(yíng)成果與預(yù)期既定財(cái)務(wù)目標(biāo)相偏離的不確定性。一般含義的財(cái)務(wù)風(fēng)險(xiǎn)是指企業(yè)在生產(chǎn)經(jīng)營(yíng)活動(dòng)的不同環(huán)節(jié)中，由于內(nèi)部或外部確定或不確定性因素的影響，使得實(shí)際財(cái)務(wù)收益與目標(biāo)財(cái)務(wù)收益產(chǎn)生差異的可能性。特殊意義上的財(cái)務(wù)風(fēng)險(xiǎn)指企業(yè)因?yàn)闆]有按照約定期限償還債務(wù)，導(dǎo)致企業(yè)無法正常運(yùn)轉(zhuǎn)甚至破產(chǎn)的可能性。信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)上市公司對(duì)知識(shí)、技術(shù)以及人才都有較高的要求，研發(fā)經(jīng)費(fèi)支出大，產(chǎn)品更新?lián)Q代速度快。這些特點(diǎn)決定了企業(yè)面臨著較大的財(cái)務(wù)風(fēng)險(xiǎn)。本研究基于一般含義上的財(cái)務(wù)風(fēng)險(xiǎn)。

1.2 關(guān)于財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)方法的研究

目前，關(guān)于公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)的研究方法多種多樣，對(duì)其進(jìn)行分類分析，發(fā)現(xiàn)經(jīng)常用的評(píng)價(jià)方法主要有單一變量分析法、多變量分析法和神經(jīng)網(wǎng)絡(luò)分析法。

1.2.1 單一變量分析法 Fitzpatrick[1]于1932年通過對(duì)19家公司的單一財(cái)務(wù)比率進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究，得出權(quán)益凈利率和產(chǎn)權(quán)比率可突出反映企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)。其后幾十年中，基本沒有專家學(xué)者采用單一變量分析法進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)評(píng)估。Beaver[2]對(duì)158家企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)估，結(jié)果發(fā)現(xiàn)長(zhǎng)期償債能力比率這一指標(biāo)可以反映企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的大小。之后的研究者開始采用長(zhǎng)期償債能力比率這一指標(biāo)來評(píng)價(jià)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)大小。評(píng)價(jià)和預(yù)測(cè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)時(shí)采用單變量模型是企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)研究歷程上的巨大進(jìn)步。該方法較簡(jiǎn)單，便于操作，但是也有不可忽略的缺陷，無法綜合全面地對(duì)企業(yè)財(cái)務(wù)狀況做出評(píng)判，結(jié)果具有片面性。如何才能較為全面地將影響公司財(cái)務(wù)風(fēng)險(xiǎn)的眾多因素整合起來，多變量分析法應(yīng)運(yùn)而生。

1.2.2 多變量分析法 趙騰等[3]以酒鬼企業(yè)為例，選取反映企業(yè)四大能力的相關(guān)財(cái)務(wù)指標(biāo)，應(yīng)用商權(quán)TOPSIS法進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究，結(jié)果表明影響財(cái)務(wù)風(fēng)險(xiǎn)最重要的因素是企業(yè)營(yíng)運(yùn)能力。陳茜等[4]以33家林業(yè)上市公司為樣本，選取企業(yè)五大方面關(guān)鍵性財(cái)務(wù)指標(biāo)，采用因子分析法和聚類分析法對(duì)該行業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，結(jié)果表明企業(yè)資本結(jié)構(gòu)和資產(chǎn)變現(xiàn)能力強(qiáng)弱是影響企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的重要因素。李霞等[5]采用因子分析法和主成分分析法對(duì)非盈利組織的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)研究，結(jié)果發(fā)現(xiàn)影響財(cái)務(wù)風(fēng)險(xiǎn)的主要因素是組織規(guī)模、資本結(jié)構(gòu)以及資金運(yùn)營(yíng)。沈友娣等[6]結(jié)合創(chuàng)業(yè)板的特征，采用逐步回歸分析法，構(gòu)建出一套適用于創(chuàng)業(yè)板上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)的指標(biāo)體系，發(fā)現(xiàn)凈資產(chǎn)收益率、凈利潤(rùn)增長(zhǎng)率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率可以作為財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)的優(yōu)質(zhì)指標(biāo)。馬莉[7]采用因子分析法對(duì)商業(yè)銀行的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)，并從優(yōu)化風(fēng)險(xiǎn)內(nèi)控環(huán)境等方面提出針對(duì)性建議，實(shí)證研究結(jié)果與銀行的實(shí)際情況十分切合。

1.2.3 神經(jīng)網(wǎng)絡(luò)分析法 劉飛虎等[8]將PCA-RBF神經(jīng)網(wǎng)絡(luò)和主成分分析法相結(jié)合，對(duì)中國商業(yè)銀行的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行評(píng)價(jià)研究，為銀行的財(cái)務(wù)風(fēng)險(xiǎn)防范和財(cái)務(wù)風(fēng)險(xiǎn)控制提供了新思路。

國內(nèi)也有關(guān)于軟件和信息技術(shù)服務(wù)業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的研究。楊柳等[9]基于信息技術(shù)業(yè)，采用商權(quán)法構(gòu)建行業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警指數(shù)。結(jié)果表明企業(yè)所處的行業(yè)環(huán)境與企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)密切相關(guān)。王冬梅等[10]以暴風(fēng)集團(tuán)為典型案例，結(jié)合互聯(lián)網(wǎng)企業(yè)輕資產(chǎn)特征，從異動(dòng)項(xiàng)目入手發(fā)現(xiàn)問題，以獨(dú)特的整體視角和企業(yè)戰(zhàn)略高度對(duì)暴風(fēng)集團(tuán)財(cái)務(wù)狀況進(jìn)行了針對(duì)性的評(píng)估。

2 樣本選取及評(píng)價(jià)指標(biāo)體系構(gòu)建

2.1 樣本選取與數(shù)據(jù)來源

按照證監(jiān)會(huì)出臺(tái)的行業(yè)分類標(biāo)準(zhǔn)，選取在創(chuàng)業(yè)板上市的東部地區(qū)軟件和信息技術(shù)服務(wù)業(yè)公司，公司的主營(yíng)業(yè)務(wù)類別分別為軟件產(chǎn)品的開發(fā)、銷售與服務(wù)，大數(shù)據(jù)接入、挖掘與分析，提供智慧視頻、智慧物聯(lián)產(chǎn)品及方案，芯片設(shè)計(jì)、能源互聯(lián)網(wǎng)與智能化應(yīng)用等。剔除個(gè)別數(shù)據(jù)嚴(yán)重缺失的樣本公司，最終獲得35個(gè)樣本公司的數(shù)據(jù)。樣本公司見表1。

本研究所使用的研究數(shù)據(jù)主要來源于巨潮資訊數(shù)據(jù)庫和國泰安金融數(shù)據(jù)庫（CSMAR）。依據(jù)取樣要求，從中篩選出中國東部地區(qū)軟件和信息技術(shù)服務(wù)業(yè)上市公司數(shù)據(jù)，部分缺失的數(shù)據(jù)從上市公司年度財(cái)務(wù)報(bào)告中整理得來。數(shù)據(jù)的處理主要運(yùn)用軟件Excel和 SPSS 19.0。

2.2 財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系構(gòu)建

財(cái)務(wù)指標(biāo)反映公司在一個(gè)會(huì)計(jì)年度的經(jīng)營(yíng)成果以及某個(gè)時(shí)點(diǎn)的財(cái)務(wù)狀況，是對(duì)財(cái)務(wù)報(bào)表數(shù)據(jù)簡(jiǎn)潔而精煉的分析總結(jié)。借助財(cái)務(wù)指標(biāo)，公司各方面的利益相關(guān)者可以快速獲取對(duì)自己有價(jià)值的信息。反映公司盈利能力、現(xiàn)金流能力、償債能力以及營(yíng)運(yùn)能力四大能力的指標(biāo)較多，各有側(cè)重。

本研究結(jié)合樣本公司的行業(yè)特征以及主營(yíng)業(yè)務(wù)的特殊性，選取了能夠從公司的償債能力、盈利能力、現(xiàn)金流量和營(yíng)運(yùn)能力4個(gè)方面反映其所面臨的財(cái)務(wù)風(fēng)險(xiǎn)的10個(gè)代表性指標(biāo)（表2）。將財(cái)務(wù)指標(biāo)歸為兩類：第一類是正向指標(biāo)，指標(biāo)值越大，表明財(cái)務(wù)狀況和經(jīng)營(yíng)成果越好;第二類為逆向指標(biāo)，指標(biāo)值越大，公司財(cái)務(wù)狀況反而越糟糕。所選的10個(gè)財(cái)務(wù)指標(biāo)中，資產(chǎn)負(fù)債率為逆向指標(biāo)，其他9個(gè)為正向指標(biāo)。為了使研究結(jié)果更準(zhǔn)確，對(duì)資產(chǎn)負(fù)債率指標(biāo)取倒數(shù)使之正向化。

2.3 相關(guān)指標(biāo)的描述性統(tǒng)計(jì)分析

運(yùn)用軟件Excel、SPSS 19.0對(duì)樣本公司財(cái)務(wù)數(shù)據(jù)進(jìn)行運(yùn)算處理后，得到35個(gè)樣本公司財(cái)務(wù)指標(biāo)變量的描述性統(tǒng)計(jì)（表3）。表3中的數(shù)據(jù)結(jié)果未經(jīng)無量綱化處理。通過對(duì)表3的分析可以發(fā)現(xiàn)，35家樣本公司的基本每股收益最大值為1.23，最小值為-1.74，參差不齊，差異較大;而平均值為0.25，與在主板上市的軟件和信息技術(shù)服務(wù)業(yè)公司基本每股收益相比較，創(chuàng)業(yè)板上市公司的普通股獲利水平較差。營(yíng)業(yè)利潤(rùn)率的平均值為-0.19，凈資產(chǎn)收益率平均值為0.04，表明公司的盈利能力不佳。經(jīng)營(yíng)活動(dòng)凈現(xiàn)金比率（與負(fù)債總額比）和經(jīng)營(yíng)活動(dòng)凈現(xiàn)金比率（與流動(dòng)負(fù)債比）平均值均為12.69%，遠(yuǎn)低于正常水平（50%），這表明公司償還短期債務(wù)及長(zhǎng)期債務(wù)的能力弱，面臨的財(cái)務(wù)風(fēng)險(xiǎn)較高。存貨周轉(zhuǎn)率的平均值為38.65，標(biāo)準(zhǔn)差為110.44，表明部分公司的銷售情況較好。

3 信息技術(shù)服務(wù)業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)的因子分析

3.1 因子分析法適用性檢驗(yàn)

為確定所選取的財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)可以應(yīng)用因子分析法，采用了KMO（Kaiser-Meyer-Olkin）和Bartlett 檢驗(yàn)方法，檢驗(yàn)結(jié)果見表4。KMO的取值范圍為0～1，KMO值越接近于1，分析效果越好，取值大于0.5即適用因子分析法。檢驗(yàn)結(jié)果顯示KMO測(cè)度值為0.565，概率P為0，小于顯著性水平0.05。說明樣本公司財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)可以采用因子分析法。

3.2 提取主因子及命名

采用主成分分析法提取主因子見表5，由表5可以看出，前面4個(gè)主成分的累計(jì)方差貢獻(xiàn)率達(dá)到89.612%，很好地解釋了原來變量所包含的信息，采用因子分析法進(jìn)行分析效果較好。定義提取的4個(gè)主因子分別為F1、F2、F3、F4。由成分矩陣（文中未列出）可知，在F1中，基本每股收益指標(biāo)X1、凈資產(chǎn)收益率指標(biāo)X2、資產(chǎn)報(bào)酬率指標(biāo)X3、營(yíng)業(yè)利潤(rùn)率指標(biāo)X4的載荷量分別為0.933、0.953、0.926、0.768，較其他指標(biāo)而言，載荷量居高。因此，命名F1為盈利因子。同理，分別命名F2、F3、F4為現(xiàn)金流量因子、償債能力因子和營(yíng)運(yùn)能力因子。

3.3 建立因子分析模型

由成分得分系數(shù)矩陣（表6）可以得到各主因子的得分函數(shù)。依據(jù)表5中旋轉(zhuǎn)平方和載入列方差的方差貢獻(xiàn)率可得出綜合得分函數(shù)。結(jié)合財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)原始指標(biāo)數(shù)值和因子得分函數(shù)，即可得到各個(gè)樣本公司的綜合得分。

4 結(jié)果與分析

4.1 財(cái)務(wù)風(fēng)險(xiǎn)大小排序

因子綜合得分值F的大小代表公司財(cái)務(wù)風(fēng)險(xiǎn)的高低，綜合得分F值越大，表明公司的財(cái)務(wù)狀況越好，面臨的財(cái)務(wù)風(fēng)險(xiǎn)越低;綜合得分F值越小，表明公司財(cái)務(wù)狀況越差，面臨的財(cái)務(wù)風(fēng)險(xiǎn)越大。將樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)變量帶入綜合因子評(píng)分表達(dá)式中，計(jì)算出35家軟件和信息技術(shù)服務(wù)業(yè)上市公司的主因子得分以及綜合得分，并進(jìn)行排序。結(jié)果如表7所示。

4.2 財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)劃分

基于因子分析的綜合評(píng)分，采用K-均值聚類分析法將樣本公司的財(cái)務(wù)風(fēng)險(xiǎn)等級(jí)劃分為安全、低風(fēng)險(xiǎn)、一般和高風(fēng)險(xiǎn)4類。結(jié)果表明，35家樣本公司中，財(cái)務(wù)狀況安全的公司只有1家，占比2.86%;財(cái)務(wù)風(fēng)險(xiǎn)低的公司1家;財(cái)務(wù)風(fēng)險(xiǎn)一般的公司8家;財(cái)務(wù)風(fēng)險(xiǎn)較高的公司25家，占比71.43%。由表7可以看出，23家公司的綜合得分低于5，占比65.71%。表明東部地區(qū)創(chuàng)業(yè)板軟件和信息技術(shù)服務(wù)業(yè)上市公司整體財(cái)務(wù)狀況不樂觀，財(cái)務(wù)風(fēng)險(xiǎn)較大。

4.3 財(cái)務(wù)風(fēng)險(xiǎn)原因分析

由表7可知，綜合得分排名第二位的網(wǎng)宿科技盈利因子得分較低，排名第34位，其他因子得分排名均位于前列。查閱該公司財(cái)務(wù)報(bào)告發(fā)現(xiàn)，盈利因子中的基本每股收益連續(xù)2年下跌，2018年比2017年減少2.94%，2017年比2016年減少35.85%;凈資產(chǎn)收益率持續(xù)3年下降，2018年較2017年降低1.24%，2017年較2016年降低10.61%，2016年較2015年下降19.44%。財(cái)務(wù)風(fēng)險(xiǎn)較低的公司獲利能力持續(xù)3年下降，表明該行業(yè)上市公司普遍存在較高的財(cái)務(wù)風(fēng)險(xiǎn)。

根據(jù)樣本公司近2年的財(cái)務(wù)報(bào)告，結(jié)合因子分析實(shí)證結(jié)果，發(fā)現(xiàn)軟件和信息技術(shù)服務(wù)業(yè)上市公司的實(shí)際財(cái)務(wù)風(fēng)險(xiǎn)狀況與實(shí)證分析結(jié)果基本一致。分析此類公司財(cái)務(wù)高風(fēng)險(xiǎn)原因主要有3點(diǎn)。

1）公司凈利潤(rùn)下降，部分企業(yè)營(yíng)業(yè)利潤(rùn)出現(xiàn)虧損。研究中選用的35家樣本公司中有14家公司2018年的凈利潤(rùn)與2017年相比呈下降趨勢(shì)。經(jīng)進(jìn)一步查閱近2年財(cái)務(wù)報(bào)告，發(fā)現(xiàn)導(dǎo)致樣本企業(yè)凈利潤(rùn)下降的主要原因是營(yíng)業(yè)利潤(rùn)下跌和營(yíng)業(yè)成本增加。2018年萬科科技的營(yíng)業(yè)利潤(rùn)出現(xiàn)大幅度下跌，虧損410.92萬元。其中凈利潤(rùn)下跌最大的是維宏股份，2018年企業(yè)凈利潤(rùn)虧損1 326.52萬元。主要原因是營(yíng)業(yè)成本和研發(fā)投入增加，資產(chǎn)減值損失計(jì)提增加以及公允價(jià)值變動(dòng)損失巨大。信息發(fā)展2018年?duì)I業(yè)利潤(rùn)出現(xiàn)虧損，凈利潤(rùn)增長(zhǎng)率為-96.0%，新晨科技凈利潤(rùn)下降34.5%，主要原因是營(yíng)業(yè)成本大幅度提高。

2）部分企業(yè)產(chǎn)品處于初創(chuàng)階段，面臨產(chǎn)品推廣失敗帶來的資金鏈斷裂風(fēng)險(xiǎn)。如易華錄在2016、2017、2018年的經(jīng)營(yíng)活動(dòng)凈現(xiàn)金流量分別為-2 042.838萬、-2 047.583萬、-2 648.225萬元，投資活動(dòng)產(chǎn)生的現(xiàn)金凈流量也連續(xù)3年為負(fù)值，籌資活動(dòng)現(xiàn)金凈流量連續(xù)3年為正值，企業(yè)通過舉債投入大量資金，不斷形成生產(chǎn)力，開發(fā)市場(chǎng)。一旦推廣失敗，企業(yè)將要償還巨額債務(wù)，面臨資金鏈斷裂的財(cái)務(wù)風(fēng)險(xiǎn)。

3）企業(yè)償還債務(wù)的能力較弱，無法償還到期債務(wù)導(dǎo)致企業(yè)破產(chǎn)的風(fēng)險(xiǎn)較高。一般情況下，企業(yè)的經(jīng)營(yíng)活動(dòng)凈現(xiàn)金比率（與流動(dòng)負(fù)債比）在50%左右被視為合理，比值越大，企業(yè)的償債能力越強(qiáng)。本研究選取的樣本公司中，經(jīng)營(yíng)活動(dòng)凈現(xiàn)金比率（與流動(dòng)負(fù)債比）小于45%的有32家公司，占比達(dá)91.42%，其中天源迪科、華平股份、高新興、迪威迅、易華錄、恒華科技、萬科科技和誠邁科技8家公司的經(jīng)營(yíng)凈現(xiàn)金比率為負(fù)值，占比22.86%。由此可見，多數(shù)軟件和信息技術(shù)服務(wù)業(yè)上市公司存在因無法償還債務(wù)導(dǎo)致企業(yè)破產(chǎn)的財(cái)務(wù)風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1]FITZPATRICK P J. A comparison of the ratios of successful industrial enterprises with those of failed companies[J].? Analise Molecular Do Gene Wwox， 1932（1）：598-605.

[2] BEAVER W H. Financial ratios as predictors of failure[J].? Journal of accounting research， 1966，4（1）：71-111.

[3] 趙 騰，楊世忠. 熵權(quán)TOPSIS法在企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用——以酒鬼酒公司為例[J]. 財(cái)會(huì)月刊，2019（3）：9-16.

[4] 陳 茜，田治威. 林業(yè)上市企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究——基于因子分析法和聚類分析法[J]. 財(cái)經(jīng)理論與實(shí)踐，2017，38（1）：103-108.

[5] 李 霞，干勝道. 基于主成分分析的非營(yíng)利組織財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究[J]. 湖北社會(huì)科學(xué)，2016（3）：104-108.

[6] 沈友娣，沈 旺. 我國創(chuàng)業(yè)板中小企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)有效性[J]. 技術(shù)經(jīng)濟(jì)，2012，31（7）：66-72.

[7] 馬 莉. 基于因子分析法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)及控制[J]. 財(cái)會(huì)通訊，2015（26）：94-96.

[8] 劉飛虎，羅曉光. 基于PCA-RBF神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)研究[J]. 投資研究，2013，32（3）：88-97.

[9] 楊 柳，張友棠. 行業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警指數(shù)構(gòu)建——基于信息技術(shù)業(yè)的實(shí)證研究[J]. 財(cái)會(huì)月刊，2017（17）：20-26.

[10] 王冬梅，胡 占，游朝陽. 暴風(fēng)集團(tuán)輕資產(chǎn)轉(zhuǎn)型的財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)[J]. 管理評(píng)論，2018，30（7）：245-259.

[11] 羅簫娜，李安蘭，唐清泉. 減少財(cái)務(wù)指標(biāo)分析判斷偏見與決策誤區(qū)的方法[J]. 財(cái)會(huì)通訊，2019（11）：94-98.

[12] 黃蘊(yùn)潔，劉建秋. 科技型中小企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)探析[J]. 財(cái)經(jīng)問題研究，2009（6）：84-87.

[13] 黃生權(quán)，黃 亞. 基于因子分析的ST、*ST上市公司財(cái)務(wù)風(fēng)險(xiǎn)研究[J]. 企業(yè)技術(shù)開發(fā)，2015，34（8）：119-121.

[14] 胡 鵬，白 雪，王志琳. AHP-DEA方法在醫(yī)院財(cái)務(wù)風(fēng)險(xiǎn)評(píng)價(jià)中的應(yīng)用研究[J]. 中國衛(wèi)生經(jīng)濟(jì)，2018，37（12）：104-107.

[15] 張明莉，姜 銘. 基于多級(jí)模糊綜合評(píng)價(jià)法的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型設(shè)計(jì)[J]. 統(tǒng)計(jì)與決策，2008（24）：64-66.

[16] DUAN J. Financial system modeling using deep neural networks （DNNs） for effective risk assessment and prediction[J].? Journal of the franklin institute，2019，356（8）：4716-4731.

[17] 吳 迪. 華崴公司初創(chuàng)期企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)控制研究[D]. 哈爾濱：哈爾濱商業(yè)大學(xué)，2017.

[18] 蔡興林，張高雅. 中國體育用品上市公司財(cái)務(wù)風(fēng)險(xiǎn)狀況評(píng)估與預(yù)警研究——基于2009-2016年財(cái)務(wù)數(shù)據(jù)[J]. 西安體育學(xué)院學(xué)報(bào)，2019，36（3）：282-289.

[19] SHRIME M G，IVERSON K R ，YORLETS R，et al. Predicted effect of regionalised delivery care on neonatal mortality， utilisation， financial risk， and patient utility in Malawi： An agent-based modelling analysis[J].? The lancet global health，2019，7（7）：e932-e939.

[20] ZHOUZ F，ZHANGT，WEN K，et al. Carbon risk， cost of debt financing and the moderation effect of media attention： Evidence from Chinese companies operating in high-carbon industries[J].? Business strategy and the environment，2018，27（8）：1131-1144.