现金流视角下的半导体行业财务预警研究

张远

摘要：从现金流的角度出发重新审视财务预警研究的样本选择方法和风险界定标准，发现对传统的以企业是否被ST作为财务危机的界定标准有足够的替代作用，以此突破我国细分行业上市公司ST企业数量不足所带来的研究局限性。选用BP神经网络作为验证模型对半导体行业上市公司进行财务预警研究，得出较为可靠的预警信号，并有针对性地提出产业发展建议，为研究者以及企业管理层提供了相关的理论基础与践行模式。

Abstract： From the perspective of cash flow， this paper re-examines the sample selection method and risk definition criteria of financial early warning research， and finds that it has a sufficient substitution effect on the traditional definition of whether the enterprise is ST as the financial crisis， so as to break through research limitations caused by insufficient number of ST companies in listed companies in the sub-sector of China. BP neural network is selected as the verification model to conduct financial early warning research on listed companies in the semiconductor industry， and a more reliable early warning signal is obtained. The industrial development proposal is proposed in a targeted manner， which provides relevant theoretical basis and practice for researchers and enterprise management level.

关键词：半导体;现金流;财务预警;BP神经网络

Key words： semiconductor;cash flow;financial warning;BP neural network

中图分类号：F275                                        文献标识码：A                                  文章编号：1006-4311（2019）30-0285-05

0  引言

半导体产业作为我国新一代信息科技领域的核心产业，是推动国民经济高质量发展，保障国防安全的战略性、基础性和先导性的重要基石。《2018年政府工作报告》对2018年政府工作的建议中，“推动集成电路产业发展”位于加快制造业强国建设需要推动的5大产业的关键词首位，也体现了政府对半导体集成电路产业发展的高度重视。随着近年《国家集成电路产业发展推进纲要》、《国家信息化发展战略纲要》、《信息产业发展指南》等相关产业政策性文件的陆续出台，以及超千亿级规模的国家半导体产业投资基金的推动助力，我国半导体产业将进入中国制造2025计划中的黄金发展期。然而，随着中兴通讯被美国政府制裁事件的不断发酵，一度将我国半导体产业处处受制于人的发展现状推向社会舆论的风口浪尖，其未来的发展之路也需要更多的披荆斩棘。

半导体行业作为一个高技术密集型和资本密集型的科技产业，其本身就具有高研发投入以及高兼并率的产业特征。尤其是在今天印制电路板、集成电路、被动元器件以及半导体材料等细分领域的高速发展趋势下，其产业分工的不断细化和业务模式的不断变革无疑放大了其产业成长的不确定性。同时，半导体行业高技术成本、高研发投入的技术资本密集型特征也放大了其高风险、高回报的特性。由于目前国内芯片半导体企业科研实力、生产规模参差不齐，所以其各自的经营业绩也有着较大差别。每一款研制成功的芯片从研发到上市，都必定伴随着前期巨额的研发投入和后期广阔的市场和丰厚的利润。由于芯片研发所要求的技術含量较高，研发成本和难度巨大，其风险可想而知。

依据上述半导体行业的整体现状，较之其他行业来看，虽然成长空间巨大，但其行业特性也注定了其发生财务风险的可能性较高。因此，选择半导体行业上市公司作为研究对象来进行财务风险预警研究，并构建出适配半导体行业特征的财务危机预警模型，对于行业的长远发展有着重大的指导意义。

1  文献回顾与问题提出

财务危机的预警研究经历了单指标变量、多指标变量、Logistic回归等理论及模型的不断检验和完善。近年来，随着数据科学与人工智能技术的不断发展，一些以随机森林、支持向量机、神经网络等具有非线性、分布式计算能力的机器学习算法也被引入到财务预警领域的研究中来，且都表现出了较为可靠的预警效果，其强大的数据挖掘、分析和预测能力也为后续的研究打下了坚实的基础。

然而，综合前人在财务预警研究领域的相关成果来看，研究者大多以对于财务预警模型的不断探索和改良作为研究主线，以追求更为精准的预测准确率。在具体的实证建模当中，国内多数研究者在对于样本企业的选择上大多选取因财务状况恶化而被特别处理（即ST）的企业和非ST企业进行配对研究（如陈静，1999[1];张玲，2000[2];陈晓和陈治鸿，2000[3];吴世农和卢贤义，2001[4];宋彪、朱建明和李煦，2015[5]）。而由于我国目前对于ST制度的设计主要是基于上市公司资产负债表和利润表中的静态数据，来将连续2年亏损或者每股净资产低于票面价值的上市公司予以“特别处理”。这种研究思路虽然也能对企业是否处于财务危机做出判别，但却无法真实反映企业的现金流，在一定程度上忽视了一个预测研究本该具有的动态性和前瞻性。

鲍新中和何思婧（2012）认为，不同行业中的企业，其财务能力也存在着差异，且每个行业中的ST企业数量仅占该行业企业总数的10%左右[6]。这也就意味着，若针对某一细分行业领域展开财务预警研究，则较大可能会面临行业內ST样本企业数量过少所带来的局限性。因此，大多数研究者选择在企业容量较大、涉及细分行业较多的制造业、创业板等领域寻找合适的ST企业和非ST企业样本组进行配对研究，以此突破ST企业样本过少所带来的局限性，从而很少针对某一细分行业领域做出适配性较高的财务预警研究。

综上所述，本文在现金流的视角下重新审视了财务危机的界定标准以及预警样本的选择方法，并在此基础上建立适配于A股半导体行业的BP神经网络模型进行预警研究，以提升财务预警的行业适配性与精准度。

2  现金流视角下的财务危机界定标准

现有的文献显示，关于财务危机的界定标准，至今仍没有统一的答案。国外的界定标准大体上分为两类：一类是将企业提出破产申请定义为进入财务危机的标志，这也是国外大多数财务预警研究开展的前提;另一类是以Beaver（1966）为代表的对于企业危机程度做出区分的观点，认为企业破产是由银行透支、拖欠优先股股利、无法偿付到期债券等轻度危机恶化所产生的极端情况[7]。从国内学者的观点来看，赵爱玲（2000）、郭丽红（2001）等人认为企业财务危机的发生表现为企业无法清偿到期债务或费用[8][9];曹裕（2010）将企业筹资、投资和经营活动中所产生的现金流无法补偿现有到期债务作为企业陷入财务困境的标志[10];吕峻（2014）将企业息后经营活动所产生的现金流为负视作财务危机的标志[11];夏秀芳和迟健心（2018）认为企业财务危机的根源在于资金链的断裂，在预警研究中应充分考虑资金供给对资金需求的保障程度[12]。

企业现金流不足则会面临极高的流动性风险，而流动性风险往往是企业破产或者被ST的重要前兆。借鉴以上学者的研究思路，本文考虑将企业当期经营活动所产生的现金流量净额加上期初的货币资金，仍不足以偿付一年内到期的长期债务和短期借款的本金和利息这一经济现象，作为企业发生财务危机的界定标准，来替代ST企业样本进行研究。

基于此标准，本文选取半导体及元件板块中全部的72家上市公司作为研究样本，并将所选样本企业按照以上确立的界定标准全部进行手动判别分类。分类结果显示：危机企业为17家，安全企业为55家。（数据来源：同花顺财经）

3  模型构建实证分析

3.1 模型介绍与构建流程

BP神经网络作为目前的研究阶段中发展较快、应用场景较多的一种梯度下降算法，能将一组样本数据从输入到输出的信号传递通过迭代运算的方式变成一个非线性优化的过程，其数据信号的传递过程包括输入数据的正向传递和误差反馈的反向传递，然后不断地进行误差修正，以此达到自学习和自适应的效果。

本文所构建的基于BP神经网络的财务预警系统，应首先根据半导体行业的财务特征、非财务特征及行业共性审慎建立风险预警指标体系，其次对采集的指标数据进行降维处理，将降维后的指标数据作为神经网络的输入层变量，并依据前文中基于现金流视角下的财务危机分类结果进一步设置安全和危机两类输出类型作为输出判定类别。接下来，通过反复调节参数对经过前期降维处理的样本指标数据进行训练和检验，以确定最佳的隐含层数，进而得出较为可靠的预警识别率。

3.2 预警指标体系的构建

基于芯片半导体行业特征适配性角度考虑，文章选取了A股沪深两市半导体及元件板块全部72家上市公司作为BP神经网络的训练及测试样本，所涉及的细分行业领域有印制电路板、集成电路、被动元器件以及半导体材料。模型所需的财务指标数据均来源于该72家上市公司的2018年年报，每家公司均选取相同的14个常规财务指标和3个研发水平指标，共计1224条预警指标数据。

对于财务预警模型而言，预警指标的筛选会对后续的神经网络预测模型的精确度起到很重要的影响，又因为企业年报中所披露的财务数据及指标涉及面较广，数据量较大，因此如何科学地把握财务指标的筛选就显得尤为关键。本文在财务指标的选取过程中遵循了以下几点原则：

①指标全面性。优先考虑所选指标是否足以在不同维度、不同角度来反应样本企业的整体财务特征。

②指标相关性。即考虑所选指标是否与可能导致企业发生财务风险的原因密切相关，从而提高预警指标的科学性和可靠性。

③指标可比性。即每个样本企业中所选取的预警指标都是同期可比的，在对应的计算方法上都是相同的，从而保证后期模型训练的科学性和可靠性。

④指标可量化性。对于所选取的部分非财务数据，应通过数学计算的方式将其量化成具有可操作性的数据，为后期的模型训练提供数据支撑。

参考半导体行业上市公司的共性和特征，最后筛选出财务风险预警指标体系（如表1所示）。

3.3 变量降维

在预警指标选取的过程中，因所选取的财务指标和非财务指标难免会产生一定的关联性和重叠性，因此在神经网络的训练过程中，难免会由于输入层变量过多而增大数据信号传递的复杂性和传递时间，同时也会降低网络模型的稳定性，更容易造成数据集过度拟合的现象，从而影响模型训练的精准度。考虑到过多冗余指标为模型训练所带来的诸多不利因素，本文在此引入多元统计分析中的主成分分析法。

KMO和Bartlett球度检验结果显示，KMO检验结果为0.625，近似卡方显著性水平为0.000，说明球形假设被拒绝，预选指标之间具有相关性，比较适合做主成分分析。检验结果如表2所示。

在19个解释总方差表中，特征值大于1的成分有6个，其累计贡献率达到80.989%，指标变量信息的囊括度较高（见表3）。用初始的17个变量的特征值与其对应的旋转后的成分系数相乘并累加，可以得出6个公因子F1、F2、F3、F4、F5、F6，用以作为BP神经网络模型的输入层变量（成分系数矩阵见表4）。

3.4 参数调试

①输入层节点的确定。根据前文中财务风险预警指标降维后得到的6个主成分因子F1、F2、F3、F4、F5、F6作为输入层的6个初始变量，在此将输入层节点设置为6。

②输出层节点的确定。依据前文中基于现金流的视角下，将所选样本企业判定为安全和危机两大类。因此，根据模型输出类别的需求，本文将输出层节点设定为2个，分别对应绿色信号（输出结果为1）和红色信号（输出结果为2）。

③隐含层节点的确定。隐含层节点的确定将决定着样本数据是否能从非线性的输入层顺利地转换到线性的输出层。如果设定的隐含层节点较少，将可能会导致神经网络模型无法搭建成功;反之，如果设定的隐含层节点较多，又将会导致样本数据从输入层到输出层的映射时间冗长，且容易导致精度的下降。因此，基于满足模型映射关系的考虑，本文采用简化的参考公式（见公式（1））来对隐含层节点加以确定。公式（1）中，T表示隐含层节点个数，a表示输入层节点个数，b为输出层节点数，α为1-10之间的常数。

（1）

前文中已知m=6，n=2，经过公式推导，可以初步将模型的隐含层节点数的范围锁定在[4，12]。本文在matlab软件中分别假设隐含节点为4-12，并在该节点状态下对指标数据样本进行逐次反复训练和测试。

基于本文样本数据量的考虑，将神经网络的网络参数设定如下：

目标误差0.001，学习速率为0.01，训练迭代次数20000次。

④预警模型的训练及检验。

如果将样本企业按照1：1的比例进行配对抽样，会破坏样本的随机性，导致模型效果虚高，夸大了模型的预测精度[13]。因此，对于前文中依据现金流的角度对于样本企业做出的分类情况，以2：1的比例将17家危机企业和55家安全企业进行了随机分类，分别作为模型的训练样本和检验样本。训练样本中设置的安全企业为37家，危机企业为11家，合计48家;检验样本中设置的安全企业为18家，危机企业6家，合计24家。

由于在不同的隐含层节点状态下，神经网络模型的收敛速度也会不同，其预测准确率可能也会有所差异。本文在此通过对各节点数的反复测试，来确定最合适的节点数，以保证模型的准确率。表5显示了不同隐含层节点下对于检验样本的识别率。

经过多次仿真实验和反复比对，本文最终确认了在10个隐含层节点个数下，达到最优识别效果。具体的检验结果如表6所示。

根据上表的检验结果不难发现，在24家公司的检验样本当中，仅有一家公司产生了误判，预警准确率达到了95.833%。对比其他的财务风险预警模型，其风险识别效果无疑是十分出众的。这也表明基于现金流量角度设计的财务风险界定标准，对于模型所需的训练及检验样本的优化设计，能够对于芯片半导体行业公司财务风险的识别产生较好的预警效果，从而发出较为准确可靠的风险预警信号。

4  研究结论与产业建议

4.1 研究结论

通过对于A股半導体行业上市公司财务预警模型的训练及检验结果的分析和研判，不难发现这种基于现金流视角下对于神经网络模型所需细分行业企业样本的类别界定是较为科学和可靠的，不失为一种能够有效替代ST企业和非ST企业配对样本的有效方法，且消除了由于细分行业领域中ST企业样本数量不足而造成的局限性，有利于提高财务预警研究的行业适配性和针对性，可以在其他细分行业领域的财务预警研究当中适度推广运用。

然而，基于现金流视角下的样本分类方法，也存在着诸多有待进一步商榷的地方。一方面，在当今大数据、云计算、人工智能等新兴技术高速发展的时代，进行大样本研究也在逐渐成为趋势，针对单个企业样本的考虑层面也可能更加宏观。当预警研究的样本数量较多时，基于企业现金流设计的样本类别判定方法可能会大大增加预警研究的工作量，没有选取ST与非ST企业作为样本那样简单直观。另一方面，在针对细分行业领域开展预警研究的过程中，如何进一步提高预警模型与行业财务特征及非财务特征的适配性，从而达到更精准的预警结果，也是今后所面临的一大挑战。

4.2 产业建议

4.2.1 国家层面

国家有关部门应该发挥其宏观调控的作用，出台一些产业扶持政策，以实际行动来支持半导体产业发展战略。例如，针对半导体企业研发投入的税收优惠政策，研发投入越多，税收优惠越大，以政策激励的方式引导半导体行业企业通过自主研发，不断地积淀自身的技术储备，在国际上较高技术壁垒的制约下提升自身的核心竞争力。

4.2.2 社会层面

商业银行应主动承担起分散企业经营风险、促进资金合理流动的社会责任，着重为启动资金不足的初创企业、现金流动性不足但经营状况良好的半导体企业解决融资难、融资贵等问题，以实际行动来贯彻落实国家重点支持的相关战略领域。对于一些专利技术较多、产品核心竞争力较强、产业链较为完整、成长空间较大、盈利前景可期的优质企业，商业银行可加大信贷投放力度予以重点支持。

4.2.3 企业层面

半导体行业企业由于受到研发难度较大、初创成本较高等因素的制约，行业资源的整合不可避免。因此，对于半导体行业企业来讲，除了加大自身创新研发的力度以外，还可以通过专利技术和产品资源的并购来完善自身产业链，打破技术垄断，参与到国际竞争中。

参考文献：

[1]陈静.上市公司财务恶化预测的实证分析[J].会计研究，1999（4）：42-45.

[2]张玲.财务危机预警分析判别模型[J].数量经济技术经济研究，2000（3）：49-51.

[3]陈晓，陈治鸿.中国上市公司的财务困境预测[J].中国会计与财务研究，2000，2（3）.

[4]吴世农，卢贤义.我国上市公司财务危机的预警模型研究[J].经济研究，2001（6）：46-55.

[5]宋彪，朱建明，李煦.基于大数据的企业财务预警研究[J].中央财经大学学报，2015（6）：55-64.

[6]鲍新中，何思婧.企业财务预警的研究方法及其改进——基于文献综述[J].南京审计学院学报，2012（9）：60-70.

[7]Beaver W H.Financial Rations as Predictors of Failures[J].Journal of Accounting Research （Supplement）， 1966： 71-111.

[8]赵爱玲.企业财务危机的识别与分析[J].财经理论与实践，2000（11）：69-72.

[9]郭丽红.企业财务管理中的杠杆作用与财务危机[J].经济问题，2001（9）：36-37.

[10]曹裕.复杂环境下我国企业财务困境模式及预警研究——基于企业生命周期的视角[D].中南大学，2010.

[11]吕峻.基于不同指标类型的公司财务危机征兆和预测比较研究[J].山西财经大学学报，2014（1）：103-113.

[12]夏秀芳，迟健心.企业财务困境预警研究综述[J].会计之友，2018（6）：2-6.

[13]Zmijewski M.Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research，1984，2259-82.