我国高新技术企业的财务预警综述

我国高新技术企业的财务预警综述

彭红贞

广西大学工商管理学院 广西南宁市 530004

摘要：高新技术企业作为我国创新发展的主力军，对其进行财务危机预警具有重大意义。本文首先回顾了现有关于财务预警研究的国内外文献，其次对国内学者所构建的基于我国高新技术企业的财务预警模型进行回顾，最后就如何完善我国高新技术企业的财务预警研究提出建议。

关键词：财务预警；预警模型；高新技术企业

一、引言

当前日益激烈的市场竞争让我国各类型公司承受了很大的压力与风险。其中作为国家科技发展的主体力量，高新技术企业往往存在投资收回周期长、产业生命周期短、对外投资环境不确定等特点，在产生高额利润的同时又必须承担相应的高风险，这些特点导致此类公司的利益相关者格外重视其财务状况。怎样建立一种合理的财务预警模式，以帮助其及时地发现和有效处理财务风险，便成为了当前亟待解决的实际问题。正基于此，本文首先总结了目前有关财务预警研究方面的国内外文献，其次对国内学者所构建的基于我国高新技术企业的财务预警模型进行回顾，最后就如何完善我国高新技术企业的财务预警研究提出相应的建议。

二、财务预警的国内外研究现状

相比国内，国外针对财务预警的研究开始得较早。并且国内相关研究在起初主要是引入国外已有财务预警模型并将其应用于中国资本市场情境，而后才逐步进入到创新和规范阶段。现有关于财务预警模型的研究大体经历了从单变量模型、多元判别分析、逻辑回归到机器学习算法的这一漫长过程。

（一）单变量模型

首次将统计方法应用于财务预警领域的是Fitzpatrick，他提出的单变量预警模型通过多个财务指标的对比结果，最终发现预警效果较好的两个财务指标分别是净资产收益率、股东权益对负债比率。随后Smith 等（1935）和Neter（1966）也开展了相关研究，结果分别显示营运资本与总资产之比、债务保障率能够更好地预测企业财务状况。国内学者陈静（1999）、吴世农等人（2001）使用单变量模型用于我国企业的财务预警领域，研究结果表明流动比率和净资产报酬率的预警效果较好。

虽然单变量预警模型较为简单，但是单一的财务指标并不能覆盖企业的全部经营情况，当将此模型应用于其他企业时，选取不同的预测财务指标可能会得出不同的预测效果。

（二）多变量模型

为改善进一步单变量模型的预警性能，多元判别分析方法随着被Altman（1968）提出，并且在相关财务预警研究领域中被具体应用。他所提出的Z分数模型，主要是通过选取5个重要财务指标作为自变量来计算Z值，并根据Z值来判断企业的财务风险。但国内学者周剑涛和庞文凤（2009）认为，当时在我国资本市场并未发展成熟的这一具体情境下，上市公司不能够照搬国外的Z分数模型直接应用于财务困境预警。为了解决这一问题，周首华等人（1996）在Z分数模型的原有财务指标选取方面进行补充，增加了一系列有关现金流量变化情况的变量，由此提出F分数模式。杨霖（2013年）则是在方法上对Z分数模型进行优化，通过主成分分析法和多元判别分析方法的结合，为该领域研究提出了新的财务预警模型即Y 分数模型。

多元判别分析方法虽然相较于单变量预警而言在预警精度上得到提升，但此类模型所选取的变量需满足正态分布且受行业差异影响较大，因而在使用范围上有所受限。

（三）Logistic回归模型

随着数理统计的发展和应用，Martin（1977）将Logistic回归模型具体应用于银行业的财务报表分析中，使用统计预警功能进行有效监督。Zhang等（2010）运用主成分分析法提取主要财务指标，然后构建出基于Logistic模型的企业财务预警模型。在与多元判别分析方法的比较上，国内学者刘国常和阮先桃（2004）通过研究发现Logistic回归模型预测的准确性要更高一些。杨贵军等人（2021）为促进Logistic模型在财务风险预测方面得到优化，引入了修正Benford因子来降低会计信息失真程度，以此来提高所输入财务数据的质量。

国内外大量相关研究表明，Logistic模型在财务危机预测方面确实拥有着较强的预警性能，但是该模型在预测准确率和完成动态财务预警方面仍旧与当前流行的机器学习算法存在着一定的差距。

（四）机器学习算法

Odom 和 Sharda（1990）的研究构建出一种用于破产预测的神经网络模型，其最终结果显示神经网络模型在预测性能上是要优于多元判别分析方法的。Kim等（2010）在对于银行信用风险的预测上也引入神经网络模型，并且所得到的预测效果较好。国内学者庞大莲等人（2014）认为BP神经网络在经过遗传算法优化之后，抑或与主成分分析法进行有效结合，结果都会使得BP神经网络的预测能力显著改善。李晓青等（2008）、孙新宪等（2019）基于 BP 神经网络构建出的预警模型，在对航空公司财务风险和企业物流外包风险的评估上均被证实具有突出的预警效果。但是神经网络也有结构不固定、过度拟合，样本需求量大以及黑盒效应等问题。而由Vapnik等人（1999）提出的支持向量机算法一经应用，便被证实其在预警领域发挥着良好的预测性能。其中Shin等（2005）和Min等（2005）的研究选用韩国的公司数据对SVM进行了企业破产预测的尝试，最终均得到了满意的结果。国内学者刘益平等人（2007）发现SVM的整体性能较之常见的线性模型要更强，并且就建模过程而言，SVM与 BP 神经网络模型相比显得更加简单。林红华（2006）所建立的最小二乘支持向量机新预警模型，也得出了类似的结论。同时在对决策树技术的引入上，姚靠华等人（2005）、Wei（2021）分别以我国全体上市公司、制造业债券发行企业为研究样本，均采用决策树技术构建了相关的财务预警系统，两者得出的结论基本一致，即决策树技术在财务危机预警上表现出良好的预测性。

三、我国高新技术企业的财务预警模型综述

由前文所述可发现，有关财务预警的相关研究大多是选取上市公司这一整体作为研究样本，也有部分学者将其研究范围聚焦在某一个特定的行业或区域。就总体而言，上述财务危机预警模型将所有行业内上市公司的风险特征视作相等，然而企业数据、行业之间的差异和特殊性要求企业财务风险预警不能一概而论。而高新技术企业的经营发展方式使得该类企业较之其他企业通常面临着更高的财务风险，加之高新技术企业作为推动我国创新迅速发展并优化传统产业结构的重要力量，针对这类企业展开财务预警研究具有重要的现实意义，因此我国学者在上述已有模型的基础上构建了基于我国高新技术企业的财务危机预警模型。

（一）基于多元判别分析方法的模型改进

邱佳园（2006）在含高科技企业数量较多的6个行业中根据相关标准和1:1配比原则，选取20家被特别处理的高科技企业和20家健康的高科技企业作为研究对象，并且通过多元判别分析方法来建立起财务预警模型以展开相关研究，最终结果显示该方法具有较高的准确度。但是该研究并未对所选用财务数据的年份区间进行披露。并且，所采用的较小样本量也可能会导致模型的适用性受负面影响。俄召娣等人(2009)的主要研究成果则是在Z分数模型的基础上增加了因子模糊评估，同时还结合了专家打分法，最后形成了一种比较综合的模糊预警模型。该研究使用了Z分数模型来对所选择的定量指标加以管理，而在管理定性指标时则是把专家打分法与因子模糊评估方法综合起来，以从定量与定性两方面来对高新技术公司所存在的财务风险，做出了比较全面精确的评估。

（二）基于Logistic回归方法的模型改进

徐静等人（2008）提出，Logistic 回归方法虽然具有较好的财务风险检验效果，但是该模型在使用之前要求转换所输入的财务数据，同时其计算过程也较为繁杂，因而认为该模型仍需要加以改善。为此肖培耻（2008）提出在应用Logistic回归模型的基础上，采用主成分分析法与之相互结合起来，从而有效避免财务指标选取的主观性以及各自变量之间的多重共线性，以此来规范Logistic回归方法在财务预警领域的应用。而后刘克涛（2010）、闫书静等（2018）、姚慧慧等（2020）和荆雅格（2020）的研究均证实了上述结论。Lai（2022）则基于当前大数据背景，选取情绪值指标和信息热度指标用于补充当前的预警指标体系，以此反映出社会公众对于企业的整体评价，这同时也可以从侧面反映企业的经营财务状况。Xu等人（2019）在考虑财务指标和外部评价指标的同时，还将我国信息技术上市公司的创新能力、治理结构纳入指标体系当中，上述两者的研究进一步丰富了财务预警研究领域的指标体系构建。

（三）基于神经网络模型的改进

创新风险作为创新过程的内在组成部分，也是导致高新技术企业陷入财务困境的重要原因之一。Yun等人（2007）提出一种基于人工神经网络的技术创新风险管理预警方法，利用位于杭州的国家高新技术产业开发区部分中小科技型企业的调查数据进行模拟，并取得了较好的测试结果。Zuo（2013）根据高新技术企业自主创新活动的过程建立了自主创新风险预警评价指标体系，将混沌分析方法引入BP神经网络模型，以此来研究高新技术企业自主创新的风险预警问题。耿东等人（2014）的研究将Logistic回归方法与BP神经网络模型两者相结合，最终构建出Logistic—BP神经网络模型以实现高新技术制造企业的动态财务危机预警。王玉冬等人（2018）则选择使用FOA-BP神经网络模型来展开研究，并将其与PSO-BP神经网络进行比较，实证结果表明PSO-BP神经网络模型能够更为准确地识别出健康的上市企业，相反PSO-BP神经网络模型却能更好地识别出被ST的上市企业。该研究所得出的综合发挥多模型预测优势的这一结论，为我国高新技术企业预测财务困境提供了一种新思路。马垠等人（2008）、张海潮等人（2017）和李静静（2021）则分别尝试使用Fisher判别法、主成分分析法和遗传算法等方式来对BP神经网络进行改善，以此来为高新技术企业建立实用的财务危机预警模型。

（四）基于支持向量机模型的改进

傅毓维（2009）引入SVM模型构建出高新技术企业的财务危机预警模型，并且该模型在学习上表现出较强的能力，其准确程度达到了90%。朱发根等人 (2009)则在该领域的财务预警研究中创新性地引入非线性SVM方法，选取50家上市公司作为研究对象，这些上市公司所处行业均为高新技术产业，并且在财务预警指标选取上进一步考虑了该类公司的高成长和高附加值这两个特性，最终结果表明在高新技术企业财务预警方面，非线性 SVM技术能够获得优秀的预测效果。但上述研究均以上市公司为研究样本，并将已上市的高新技术企业被特别处理（ST）作为输出变量，为进一步讨论SVM技术对于非上市公司的普及性，张晓琦（2010）便将研究范围聚焦在未上市的高新技术企业，与以往文献将公司被ST作为企业陷入财务困境的标志不同，该研究选取企业是否发生违约这一变量作为模型的输出。最终实证分析结果显示，若是要对非上市的高新技术企业进行财务预警，同样可以引入SVM这一算法为其构建有效的财务危机预警模型。

此外为应对数据不平衡这一特性，梁静国等（2008）使用FCM均值聚类对数据进行预处理，在高科技企业财务预警领域构建FCM-SVM模型。而谭秋言等人（2020）则在传统 SVM模型基础上创新性地引入不平衡处理技术中的 ODR和 ADASYN技术，所构建的合成模型已被证实能够显著提高SVM模型的整体预测性能，实现对高新技术企业财务危机的准确预警。另外Huang（2013）针对该类企业外部融资环境的不确定性和融资风险的模糊性，提出了模糊支持向量机这一方法来对高新技术企业的融资风险进行评估。

四、研究评述与展望

梳理现有文献可知，关于财务危机预警模型的实证研究自20世纪30年代以来已逐渐发展成熟，相关预警方法也由单变量模型发展到多元判别分析、Logistic回归，随着人工智能的兴起，学者们逐渐开始尝试将机器学习具体应用于该领域的研究。然而不管是传统统计方法还是机器学习算法，它们都是选用定性或定量指标、财务或非财务指标来构建财务预警体系，并进一步构建财务预警模型来展开财务预警研究。事实上，针对不同行业所选取的相关指标应当具备显著的差异性。已有研究表明就某一特定行业所进行的财务预警研究，其预测准确程度要高于未区分行业的同类研究，因此针对高新技术企业的财务预警研究，可根据该类企业的财务特性来进行财务预警指标体系的构建。

近年来，高新技术企业的快速发展成为我国当前新发展格局下实现科技创新的重要支撑。然而相较于其他类型企业来说，高新技术企业面临的风险可谓是越来越大。为有效规避企业在持续发展中面临的财务风险，这就需要高新技术企业做好相关财务预警工作。高新技术企业可以综合考虑多种方式以构建出适合于自身的财务预警模型，从而实现有效并且及时的预警。

参考文献

[1] Fitzpatrick P J. A comparison of the ratios of successful industrial enterprises with those of failed companies[M]. 1932.

[2] 陈静. 上市公司财务恶化预测的实证分析[J]. 会计研究. 1999(04): 32-39.

[3] Altman E I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy[J]. The journal of finance. 1968, 23(4): 589-609.

[4] Martin D. Early warning of bank failure: A logit regression approach[J]. Journal of banking & finance. 1977, 1(3): 249-276.

[5] Odom M D, Sharda R. A neural network model for bankruptcy prediction[C]. IEEE, 1990.

[6] 王玉冬，王迪，王珊珊. 基于PSO-BP和FOA-BP神经网络的财务危机预警模型比较[J]. 统计与决策. 2018, 34(15): 177-179.

[7] 马垠，曾繁荣. 科技型企业财务预警模型的建立[J]. 技术与创新管理. 2008(01): 46-48.

1