高新技术制造业上市公司财务预警指标体系重建

（青海大学青海西宁810016）

一、引言

自2014年以来，我国低端制造业陆续转移到东南亚、印度等其他低成本国家，高端制造业又向发达国家回流，与此同时，成本增加、产能过剩以及全球经济疲软等原因均制约着我国制造业的发展。在这一背景下，我国于2015年5月印发以智能制造为主攻方向的《中国制造2025》，全面部署制造强国战略，力图实现我国制造业转型升级。而作为此次改革先锋的高新技术制造业上市公司，在迎接改革和发展机遇的同时引进高新技术，也将面临比其他行业更加激烈的竞争和更大的风险、危机。如何保障其持续健康发展成为目前研究的重点。本文针对这一问题，提出以高新技术制造业上市公司为研究对象，重建新环境下高新技术制造业财务预警指标体系，帮助此类公司发现异常的财务状况，并根据高新技术所处环境的特殊性及时调整经营策略，扭转财务状况恶化的势头，促进其持续健康发展。

国外对财务预警指标的研究较早，早在1966年，Beaver就得出资产负债率能够有效地预测企业财务危机的发生。Podobnik B.（2010）以合并公司为研究对象，得出资产负债率、托宾 Q 值有较好的预测效果。Ma Y.，Chen Y.（2014）以我国宏观经济环境为背景，探讨诱发我国公司发生财务危机的主导指标，最后得出相较于传统财务指标，宏观因素（如金融不平衡指数）能更为准确地预测公司财务危机发生的结论。Billio M.（2016）运用基于系统风险度量的横截面熵的新方法进行财务预警研究，最后得出投入资本回报率预警效果较好。我国学者主要从偿债、盈利、营运、成长能力四个方面选取财务预警指标，李先位（1993）从偿债能力角度指出当企业负债比率大于1时，企业发生财务危机。陶亚文（1998）从杜邦分析出发，指出净资产收益率应作为企业财务危机的断点指标，但并没有确定财务危机的临界点或临界区间。张友堂、陈君宁（2002）运用资产负债率、净资产收益率等主要财务指标识别企业财务风险。王敏（2006）根据中小企业的实际情况，从传统财务指标的四个方面构建财务预警系统，但并没有对构建的财务预警系统进行检验分析。张曾莲、乔齐（2012）在综合分析商业银行所面临风险的基础上，从偿债性、盈利性、成长性等角度构建商业银行财务预警指标体系，并运用主成分分析法进行检验分析。陈芳、吴杰（2017）在对中小企业财务预警进行研究时，创新性选取了销售净现率，并建立Logistic预警模型检验。

综上所述，国内外学者注重财务预警指标体系的构建，在早期的财务预警研究中，学者们选取的预警指标多为传统的财务指标，随着研究的不断深入与完善，在后期才陆续引入了非财务指标和定性指标。虽然，学者们在对企业财务预警的研究上不断发展，但鲜有学者在对企业财务预警的研究上将国家宏观调控政策考虑在内，政府通过制定有利于当前重点扶植企业的相关政策，直接影响和改善其生存和成长环境，也可以通过制定税收政策来改善重点扶植企业的财务状况。其次，符合行业特色的预警指标体系不完善，大多数学者仅仅是在现有财务预警指标体系的基础上，创新性选择几个甚至一两个符合行业特征的财务预警指标，并没有较为全面反映行业特色及时代背景。基于此，本文详细分析了《中国制造2025》背景下，高新技术制造业行业新特征，并以此为基础，重建符合其行业特色的财务预警指标体系。

二、研究设计

（一）《中国制造2025》背景下，高新技术制造业新特点

我国对高新技术企业的认定和管理以《高新技术企业认定管理办法》（国科发火［2016］32号）为依据，该办法将我国重点支持的高新技术企业领域修改为：电子信息、生物与新医药、航空航天、新材料、高技术服务、新能源与节能、资源与环境、先进制造与自动化八大领域。办法的制定、实施与《中国制造2025》的提出等都有力推动了培育创新技术、提供新供给的发展方向，为我国高新技术制造业营造了万众创新、智能制造的新氛围。在积极的宏观环境下，高新技术制造业上市公司区别于其他公司有以下新特点：资金投入量大；无形资产占比高；高收益、高风险；融资难。根据高新技术制造业行业的新特征，可知科技创新、充裕的资金需求是该类行业最为显著的特征。在对其进行财务预警指标体系重建时，应着重选取反映科技创新、资金流的预警指标。

（二）确定样本

《中国制造2025》的主攻方向为智能制造，中国工程院院士卢秉恒（2016）指出智能制造主要由工业互联网和底层智能化两部分构成，工业互联网将人、大数据和机器连接起来，实现机器和ICT技术的融合；底层智能主要指机器人、智能制造装备和3D打印。因工业互联网范围较大，且不易筛选符合条件的样本公司，所以本文通过巨潮资讯网从沪、深交易所A股筛选了“3D打印”“机器人”“智能制造”概念的60家高新技术制造业上市公司作为研究对象，并参考国内外财务预警对象的界定方法，结合我国的实际情况，沿用国内大多数学者的做法，选取因财务状况异常而被特别处理的30家财务危机公司（以下简称ST公司）进行实证研究，并按照以下条件筛选了财务正常公司（以下简称非ST公司）：资产规模以上下浮动30%为界限；排除了数据不全公司；按照1∶1配对原则。

（三）重建财务预警指标体系

重建财务预警指标体系时，本文严格遵循系统性、针对性、特殊性原则，充分考虑其行业新特征，重点选取了能够反映科技创新和现金流的预警指标。因研发能力能够直接反映企业科技创新并呈正相关关系，本文首先从研发投入、研发环境、研发转化、研发产出四方面反映研发能力。其次，我国学者认为股权集中度、董事会结构、审计意见类型、股东获利能力间接影响科技创新，如胡德朝（2011）、张蕾（2013）等提出股权集中度与科技创新呈正相关关系；赵旭峰、温军（2011）等认为董事会规模是技术创新的抑制因素；唐跃军、左晶晶（2014）等则从投资角度分析了股东获利能力有利于技术创新。

现金是高新技术企业的生命，充足的现金流不仅能够加大研发投入，促进研发转化，还能避免企业陷入因资金链断裂而引发的财务危机。本文主要从现金流量表角度选取了现金偿债能力、现金获现能力、现金盈利能力，通过经营活动产生的现金净流量与债务、资产、营业收入进行比较，揭示企业创造现金的能力。

选取传统财务指标时，因高新技术制造业产品多属于高新技术知识产品，本文排除了存货周转率、固定资产周转率等传统财务指标，侧重于反映现金流方面的指标。如负债经营率、现金及现金等价物周转率、营运资金周转率、成本费用利润率等。

综上所述，契合智能制造视角，共计选择了18类52个财务预警指标，如表1、表2所示。

表1 财务预警指标汇总表

三、研究检验

本文共计选取了52个预警指标，但重建的预警指标体系是否能够较为准确地对智能制造背景下高新技术制造业上市公司进行财务危机预警，还需构建预警模型检验。因部分财务指标间可能存在较大的相关性，所以在构建预警模型前，先对52个预警指标进行检验。

（一）正态检验

首先运用 Kolmogorov-Smirnov检验（即K-S检验）预警指标是否符合正态分布，对符合正态分布的预警指标进行独立样本T检验，不符合正态分布的进行Mann-whitney U检验，以获取ST组与非ST组存在显著差异性的预警指标。

采用K-S检验对52个预警指标进行正态分布检验时，检验结果在5%的显著性水平下为不符合正态分布。52个预警指标中仅X41、X42显著性水平值分别为0.157、0.844，均大于5%，服从正态分布，其余预警指标显著性水平值均小于5%，不符合正态分布。

（二）独立样本T检验

对服从正态分布的预警指标X41、X42进行独立样本T检验，若sig值大于0.1，则认为两样本间不存在显著差异。而根据SPSS输出的检验结果显示，X41的Levene统计量为5.191，第一个sig值为0.024＜0.05，故方差不齐，方差不齐看第二个sig值，第二个sig值为0.306＞0.1，所以X41在两样本间不存在显著差异；同理，X42在两样本间不存在显著差异。因此，X41、X42均没有通过独立样本T检验，应剔除。

（三）Mann-whitney U 检验

采用Mann-whitney U对除了X41、X42之外的其余50个不服从正态分布指标进行显著性检验，在此构建假设，当显著性水平大于0.05时，认为ST组和非ST组不存在显著性差异。根据Mann-whitney U检验结果显示，在5%显著水平下，X3、X5、X6、X8、X12、X13、X14、X15、X18、X19、X26、X27、X31、X34、X35、X37、X39、X40、X45、X50、X52通过检验， 即以上 21 个预警指标在两组样本之间存在显著差异。其余指标没有通过检验，应剔除。

综上所述，在对52个预警指标进行K-S检验、T检验、U检验后，最终确定了ST组与非ST组样本间的X3、X5、X6、X8、X12、X13、X14、X15、X18、X19、X26、X27、X31、X34、X35、X37、X39、X40、X45、X50、X5221个预警指标存在显著差异。

表2 财务预警指标汇总表

（四）因子分析

因子分析的目的是对因子进行降维处理，以得到用较少的因子描述原始数据中多个变量之间的关系。在进行因子分析前，首先要进行KMO和Bartlett检验，比较研究样本之间的相关性程度，通常情况下，KMO度量值大于0.5，说明因子分析法适用于研究样本。检测结果显示，以上存在显著差异的21个预警指标KMO度量值为0.723＞0.5且Bartlett测试的sig值为0.000，远低于0.05的显著性水平，表明21个预警指标适合进行因子分析且指标间具有相关性。

运用SPSS软件主成分的特征值和贡献值计算，选择特征值大于1的主成分，提取7个包含原来73.623%的信息量公因子，并旋转因子载荷矩阵，得到7个公因子的得分函数：

（五）构建Logistic财务预警模型

Logistic回归不要求各组因变量具有相同的协方差，但概率的取值在0—1中，将该概率进行Logit变换，简单明了。因其这一特征，本文运用二项分类Logistic回归模型构建智能制造视角下，高新技术制造业上市公司财务预警模型。

在Logistic回归模型中，其线性表达式为：

P是公司发生财务危机的概率，1-P为不发生财务危机的概率。

将因子分析得到的7个公因子作为输入变量进行Logistic回归分析，结果见表3。

表3 Logistic回归分析结果

根据表3的数据，构建智能制造视角下高新技术制造业上市公司财务预警模型如下：

将样本公司2015年预警指标数据代入以上财务预警模型中，在检验过程中，当预测模型的P值大于等于0.5时，判定该公司极有可能陷入财务危机；当P小于0.5时，发生财务危机概率很小。该预警模型在对60家样本公司进行判别时，仅将非ST组1家公司判断为ST公司，正确率达到了98.33%，预警效果较好。

四、研究结论

本文选择沪、深两市的60家高新技术制造业上市公司为研究样本，以样本公司2013—2015年的财务报表数据和公告的生产经营状况，重建该行业财务预警指标体系，并构建Logistic财务预警模型对重建的指标体系进行检验，取得了正确率98.33%的良好预测效果，说明重建的预警指标体系能够较为准确地预测其财务状况。得到以下结论：负债经营率相较于资产负债率更具有显著性；投入资本回报率、资本积累率等5个盈利指标以及代表国家宏观调控对企业产生影响的研发环境指标对高新技术制造业财务危机影响显著，这与国外Ma Y.，Chen Y.，Billio M的最新研究结论相符；此外，重点反映高新技术制造业科技创新、现金流的13个预警指标，如研发转化、研发产出、监事会规模、现金比率等均对财务风险影响较大。为避免财务危机的发生，高新技术制造业上市公司在实际运营过程中应注重科技创新，注重研发环境对企业科技创新的影响，不能完全依赖政府补助，应增加企业自有资金的研发投入，加速研发转化，提高盈利能力。其次，监事会规模间接影响科技创新且属于ST组与非ST组存在显著差异的预警指标，ST组监事会规模大多为3人，极少数为5人，而非ST组仅两家为3人，其余均为5人，因此，监事会规模设置为5人更能发挥监督作用。

本文主要从科技创新、现金流方面重建高新技术制造业财务预警指标体系，选择了更适合行业特征的财务预警指标，在指标选取上有一定的创新但也存在以下不足：由于部分公司没有对政府补助进行细分，无法得到科技创新项目补助，因此选取了企业全年政府补助总额；此外，仅采用了60家高新技术制造业上市公司2013—2015年的财务数据，截面数据较少。