張遠(yuǎn)
摘要:從現(xiàn)金流的角度出發(fā)重新審視財(cái)務(wù)預(yù)警研究的樣本選擇方法和風(fēng)險(xiǎn)界定標(biāo)準(zhǔn),發(fā)現(xiàn)對(duì)傳統(tǒng)的以企業(yè)是否被ST作為財(cái)務(wù)危機(jī)的界定標(biāo)準(zhǔn)有足夠的替代作用,以此突破我國(guó)細(xì)分行業(yè)上市公司ST企業(yè)數(shù)量不足所帶來(lái)的研究局限性。選用BP神經(jīng)網(wǎng)絡(luò)作為驗(yàn)證模型對(duì)半導(dǎo)體行業(yè)上市公司進(jìn)行財(cái)務(wù)預(yù)警研究,得出較為可靠的預(yù)警信號(hào),并有針對(duì)性地提出產(chǎn)業(yè)發(fā)展建議,為研究者以及企業(yè)管理層提供了相關(guān)的理論基礎(chǔ)與踐行模式。
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.
關(guān)鍵詞:半導(dǎo)體;現(xiàn)金流;財(cái)務(wù)預(yù)警;BP神經(jīng)網(wǎng)絡(luò)
Key words: semiconductor;cash flow;financial warning;BP neural network
中圖分類號(hào):F275 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼:A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào):1006-4311(2019)30-0285-05
0 ?引言
半導(dǎo)體產(chǎn)業(yè)作為我國(guó)新一代信息科技領(lǐng)域的核心產(chǎn)業(yè),是推動(dòng)國(guó)民經(jīng)濟(jì)高質(zhì)量發(fā)展,保障國(guó)防安全的戰(zhàn)略性、基礎(chǔ)性和先導(dǎo)性的重要基石?!?018年政府工作報(bào)告》對(duì)2018年政府工作的建議中,“推動(dòng)集成電路產(chǎn)業(yè)發(fā)展”位于加快制造業(yè)強(qiáng)國(guó)建設(shè)需要推動(dòng)的5大產(chǎn)業(yè)的關(guān)鍵詞首位,也體現(xiàn)了政府對(duì)半導(dǎo)體集成電路產(chǎn)業(yè)發(fā)展的高度重視。隨著近年《國(guó)家集成電路產(chǎn)業(yè)發(fā)展推進(jìn)綱要》、《國(guó)家信息化發(fā)展戰(zhàn)略綱要》、《信息產(chǎn)業(yè)發(fā)展指南》等相關(guān)產(chǎn)業(yè)政策性文件的陸續(xù)出臺(tái),以及超千億級(jí)規(guī)模的國(guó)家半導(dǎo)體產(chǎn)業(yè)投資基金的推動(dòng)助力,我國(guó)半導(dǎo)體產(chǎn)業(yè)將進(jìn)入中國(guó)制造2025計(jì)劃中的黃金發(fā)展期。然而,隨著中興通訊被美國(guó)政府制裁事件的不斷發(fā)酵,一度將我國(guó)半導(dǎo)體產(chǎn)業(yè)處處受制于人的發(fā)展現(xiàn)狀推向社會(huì)輿論的風(fēng)口浪尖,其未來(lái)的發(fā)展之路也需要更多的披荊斬棘。
半導(dǎo)體行業(yè)作為一個(gè)高技術(shù)密集型和資本密集型的科技產(chǎn)業(yè),其本身就具有高研發(fā)投入以及高兼并率的產(chǎn)業(yè)特征。尤其是在今天印制電路板、集成電路、被動(dòng)元器件以及半導(dǎo)體材料等細(xì)分領(lǐng)域的高速發(fā)展趨勢(shì)下,其產(chǎn)業(yè)分工的不斷細(xì)化和業(yè)務(wù)模式的不斷變革無(wú)疑放大了其產(chǎn)業(yè)成長(zhǎng)的不確定性。同時(shí),半導(dǎo)體行業(yè)高技術(shù)成本、高研發(fā)投入的技術(shù)資本密集型特征也放大了其高風(fēng)險(xiǎn)、高回報(bào)的特性。由于目前國(guó)內(nèi)芯片半導(dǎo)體企業(yè)科研實(shí)力、生產(chǎn)規(guī)模參差不齊,所以其各自的經(jīng)營(yíng)業(yè)績(jī)也有著較大差別。每一款研制成功的芯片從研發(fā)到上市,都必定伴隨著前期巨額的研發(fā)投入和后期廣闊的市場(chǎng)和豐厚的利潤(rùn)。由于芯片研發(fā)所要求的技術(shù)含量較高,研發(fā)成本和難度巨大,其風(fēng)險(xiǎn)可想而知。
依據(jù)上述半導(dǎo)體行業(yè)的整體現(xiàn)狀,較之其他行業(yè)來(lái)看,雖然成長(zhǎng)空間巨大,但其行業(yè)特性也注定了其發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的可能性較高。因此,選擇半導(dǎo)體行業(yè)上市公司作為研究對(duì)象來(lái)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究,并構(gòu)建出適配半導(dǎo)體行業(yè)特征的財(cái)務(wù)危機(jī)預(yù)警模型,對(duì)于行業(yè)的長(zhǎng)遠(yuǎn)發(fā)展有著重大的指導(dǎo)意義。
1 ?文獻(xiàn)回顧與問(wèn)題提出
財(cái)務(wù)危機(jī)的預(yù)警研究經(jīng)歷了單指標(biāo)變量、多指標(biāo)變量、Logistic回歸等理論及模型的不斷檢驗(yàn)和完善。近年來(lái),隨著數(shù)據(jù)科學(xué)與人工智能技術(shù)的不斷發(fā)展,一些以隨機(jī)森林、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等具有非線性、分布式計(jì)算能力的機(jī)器學(xué)習(xí)算法也被引入到財(cái)務(wù)預(yù)警領(lǐng)域的研究中來(lái),且都表現(xiàn)出了較為可靠的預(yù)警效果,其強(qiáng)大的數(shù)據(jù)挖掘、分析和預(yù)測(cè)能力也為后續(xù)的研究打下了堅(jiān)實(shí)的基礎(chǔ)。
然而,綜合前人在財(cái)務(wù)預(yù)警研究領(lǐng)域的相關(guān)成果來(lái)看,研究者大多以對(duì)于財(cái)務(wù)預(yù)警模型的不斷探索和改良作為研究主線,以追求更為精準(zhǔn)的預(yù)測(cè)準(zhǔn)確率。在具體的實(shí)證建模當(dāng)中,國(guó)內(nèi)多數(shù)研究者在對(duì)于樣本企業(yè)的選擇上大多選取因財(cái)務(wù)狀況惡化而被特別處理(即ST)的企業(yè)和非ST企業(yè)進(jìn)行配對(duì)研究(如陳靜,1999[1];張玲,2000[2];陳曉和陳治鴻,2000[3];吳世農(nóng)和盧賢義,2001[4];宋彪、朱建明和李煦,2015[5])。而由于我國(guó)目前對(duì)于ST制度的設(shè)計(jì)主要是基于上市公司資產(chǎn)負(fù)債表和利潤(rùn)表中的靜態(tài)數(shù)據(jù),來(lái)將連續(xù)2年虧損或者每股凈資產(chǎn)低于票面價(jià)值的上市公司予以“特別處理”。這種研究思路雖然也能對(duì)企業(yè)是否處于財(cái)務(wù)危機(jī)做出判別,但卻無(wú)法真實(shí)反映企業(yè)的現(xiàn)金流,在一定程度上忽視了一個(gè)預(yù)測(cè)研究本該具有的動(dòng)態(tài)性和前瞻性。
鮑新中和何思婧(2012)認(rèn)為,不同行業(yè)中的企業(yè),其財(cái)務(wù)能力也存在著差異,且每個(gè)行業(yè)中的ST企業(yè)數(shù)量?jī)H占該行業(yè)企業(yè)總數(shù)的10%左右[6]。這也就意味著,若針對(duì)某一細(xì)分行業(yè)領(lǐng)域展開(kāi)財(cái)務(wù)預(yù)警研究,則較大可能會(huì)面臨行業(yè)內(nèi)ST樣本企業(yè)數(shù)量過(guò)少所帶來(lái)的局限性。因此,大多數(shù)研究者選擇在企業(yè)容量較大、涉及細(xì)分行業(yè)較多的制造業(yè)、創(chuàng)業(yè)板等領(lǐng)域?qū)ふ液线m的ST企業(yè)和非ST企業(yè)樣本組進(jìn)行配對(duì)研究,以此突破ST企業(yè)樣本過(guò)少所帶來(lái)的局限性,從而很少針對(duì)某一細(xì)分行業(yè)領(lǐng)域做出適配性較高的財(cái)務(wù)預(yù)警研究。
綜上所述,本文在現(xiàn)金流的視角下重新審視了財(cái)務(wù)危機(jī)的界定標(biāo)準(zhǔn)以及預(yù)警樣本的選擇方法,并在此基礎(chǔ)上建立適配于A股半導(dǎo)體行業(yè)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)警研究,以提升財(cái)務(wù)預(yù)警的行業(yè)適配性與精準(zhǔn)度。
2 ?現(xiàn)金流視角下的財(cái)務(wù)危機(jī)界定標(biāo)準(zhǔn)
現(xiàn)有的文獻(xiàn)顯示,關(guān)于財(cái)務(wù)危機(jī)的界定標(biāo)準(zhǔn),至今仍沒(méi)有統(tǒng)一的答案。國(guó)外的界定標(biāo)準(zhǔn)大體上分為兩類:一類是將企業(yè)提出破產(chǎn)申請(qǐng)定義為進(jìn)入財(cái)務(wù)危機(jī)的標(biāo)志,這也是國(guó)外大多數(shù)財(cái)務(wù)預(yù)警研究開(kāi)展的前提;另一類是以Beaver(1966)為代表的對(duì)于企業(yè)危機(jī)程度做出區(qū)分的觀點(diǎn),認(rèn)為企業(yè)破產(chǎn)是由銀行透支、拖欠優(yōu)先股股利、無(wú)法償付到期債券等輕度危機(jī)惡化所產(chǎn)生的極端情況[7]。從國(guó)內(nèi)學(xué)者的觀點(diǎn)來(lái)看,趙愛(ài)玲(2000)、郭麗紅(2001)等人認(rèn)為企業(yè)財(cái)務(wù)危機(jī)的發(fā)生表現(xiàn)為企業(yè)無(wú)法清償?shù)狡趥鶆?wù)或費(fèi)用[8][9];曹裕(2010)將企業(yè)籌資、投資和經(jīng)營(yíng)活動(dòng)中所產(chǎn)生的現(xiàn)金流無(wú)法補(bǔ)償現(xiàn)有到期債務(wù)作為企業(yè)陷入財(cái)務(wù)困境的標(biāo)志[10];呂峻(2014)將企業(yè)息后經(jīng)營(yíng)活動(dòng)所產(chǎn)生的現(xiàn)金流為負(fù)視作財(cái)務(wù)危機(jī)的標(biāo)志[11];夏秀芳和遲健心(2018)認(rèn)為企業(yè)財(cái)務(wù)危機(jī)的根源在于資金鏈的斷裂,在預(yù)警研究中應(yīng)充分考慮資金供給對(duì)資金需求的保障程度[12]。
企業(yè)現(xiàn)金流不足則會(huì)面臨極高的流動(dòng)性風(fēng)險(xiǎn),而流動(dòng)性風(fēng)險(xiǎn)往往是企業(yè)破產(chǎn)或者被ST的重要前兆。借鑒以上學(xué)者的研究思路,本文考慮將企業(yè)當(dāng)期經(jīng)營(yíng)活動(dòng)所產(chǎn)生的現(xiàn)金流量?jī)纛~加上期初的貨幣資金,仍不足以償付一年內(nèi)到期的長(zhǎng)期債務(wù)和短期借款的本金和利息這一經(jīng)濟(jì)現(xiàn)象,作為企業(yè)發(fā)生財(cái)務(wù)危機(jī)的界定標(biāo)準(zhǔn),來(lái)替代ST企業(yè)樣本進(jìn)行研究。
基于此標(biāo)準(zhǔn),本文選取半導(dǎo)體及元件板塊中全部的72家上市公司作為研究樣本,并將所選樣本企業(yè)按照以上確立的界定標(biāo)準(zhǔn)全部進(jìn)行手動(dòng)判別分類。分類結(jié)果顯示:危機(jī)企業(yè)為17家,安全企業(yè)為55家。(數(shù)據(jù)來(lái)源:同花順財(cái)經(jīng))
3 ?模型構(gòu)建實(shí)證分析
3.1 模型介紹與構(gòu)建流程
BP神經(jīng)網(wǎng)絡(luò)作為目前的研究階段中發(fā)展較快、應(yīng)用場(chǎng)景較多的一種梯度下降算法,能將一組樣本數(shù)據(jù)從輸入到輸出的信號(hào)傳遞通過(guò)迭代運(yùn)算的方式變成一個(gè)非線性優(yōu)化的過(guò)程,其數(shù)據(jù)信號(hào)的傳遞過(guò)程包括輸入數(shù)據(jù)的正向傳遞和誤差反饋的反向傳遞,然后不斷地進(jìn)行誤差修正,以此達(dá)到自學(xué)習(xí)和自適應(yīng)的效果。
本文所構(gòu)建的基于BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警系統(tǒng),應(yīng)首先根據(jù)半導(dǎo)體行業(yè)的財(cái)務(wù)特征、非財(cái)務(wù)特征及行業(yè)共性審慎建立風(fēng)險(xiǎn)預(yù)警指標(biāo)體系,其次對(duì)采集的指標(biāo)數(shù)據(jù)進(jìn)行降維處理,將降維后的指標(biāo)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入層變量,并依據(jù)前文中基于現(xiàn)金流視角下的財(cái)務(wù)危機(jī)分類結(jié)果進(jìn)一步設(shè)置安全和危機(jī)兩類輸出類型作為輸出判定類別。接下來(lái),通過(guò)反復(fù)調(diào)節(jié)參數(shù)對(duì)經(jīng)過(guò)前期降維處理的樣本指標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練和檢驗(yàn),以確定最佳的隱含層數(shù),進(jìn)而得出較為可靠的預(yù)警識(shí)別率。
3.2 預(yù)警指標(biāo)體系的構(gòu)建
基于芯片半導(dǎo)體行業(yè)特征適配性角度考慮,文章選取了A股滬深兩市半導(dǎo)體及元件板塊全部72家上市公司作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測(cè)試樣本,所涉及的細(xì)分行業(yè)領(lǐng)域有印制電路板、集成電路、被動(dòng)元器件以及半導(dǎo)體材料。模型所需的財(cái)務(wù)指標(biāo)數(shù)據(jù)均來(lái)源于該72家上市公司的2018年年報(bào),每家公司均選取相同的14個(gè)常規(guī)財(cái)務(wù)指標(biāo)和3個(gè)研發(fā)水平指標(biāo),共計(jì)1224條預(yù)警指標(biāo)數(shù)據(jù)。
對(duì)于財(cái)務(wù)預(yù)警模型而言,預(yù)警指標(biāo)的篩選會(huì)對(duì)后續(xù)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的精確度起到很重要的影響,又因?yàn)槠髽I(yè)年報(bào)中所披露的財(cái)務(wù)數(shù)據(jù)及指標(biāo)涉及面較廣,數(shù)據(jù)量較大,因此如何科學(xué)地把握財(cái)務(wù)指標(biāo)的篩選就顯得尤為關(guān)鍵。本文在財(cái)務(wù)指標(biāo)的選取過(guò)程中遵循了以下幾點(diǎn)原則:
①指標(biāo)全面性。優(yōu)先考慮所選指標(biāo)是否足以在不同維度、不同角度來(lái)反應(yīng)樣本企業(yè)的整體財(cái)務(wù)特征。
②指標(biāo)相關(guān)性。即考慮所選指標(biāo)是否與可能導(dǎo)致企業(yè)發(fā)生財(cái)務(wù)風(fēng)險(xiǎn)的原因密切相關(guān),從而提高預(yù)警指標(biāo)的科學(xué)性和可靠性。
③指標(biāo)可比性。即每個(gè)樣本企業(yè)中所選取的預(yù)警指標(biāo)都是同期可比的,在對(duì)應(yīng)的計(jì)算方法上都是相同的,從而保證后期模型訓(xùn)練的科學(xué)性和可靠性。
④指標(biāo)可量化性。對(duì)于所選取的部分非財(cái)務(wù)數(shù)據(jù),應(yīng)通過(guò)數(shù)學(xué)計(jì)算的方式將其量化成具有可操作性的數(shù)據(jù),為后期的模型訓(xùn)練提供數(shù)據(jù)支撐。
參考半導(dǎo)體行業(yè)上市公司的共性和特征,最后篩選出財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系(如表1所示)。
3.3 變量降維
在預(yù)警指標(biāo)選取的過(guò)程中,因所選取的財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)難免會(huì)產(chǎn)生一定的關(guān)聯(lián)性和重疊性,因此在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中,難免會(huì)由于輸入層變量過(guò)多而增大數(shù)據(jù)信號(hào)傳遞的復(fù)雜性和傳遞時(shí)間,同時(shí)也會(huì)降低網(wǎng)絡(luò)模型的穩(wěn)定性,更容易造成數(shù)據(jù)集過(guò)度擬合的現(xiàn)象,從而影響模型訓(xùn)練的精準(zhǔn)度??紤]到過(guò)多冗余指標(biāo)為模型訓(xùn)練所帶來(lái)的諸多不利因素,本文在此引入多元統(tǒng)計(jì)分析中的主成分分析法。
KMO和Bartlett球度檢驗(yàn)結(jié)果顯示,KMO檢驗(yàn)結(jié)果為0.625,近似卡方顯著性水平為0.000,說(shuō)明球形假設(shè)被拒絕,預(yù)選指標(biāo)之間具有相關(guān)性,比較適合做主成分分析。檢驗(yàn)結(jié)果如表2所示。
在19個(gè)解釋總方差表中,特征值大于1的成分有6個(gè),其累計(jì)貢獻(xiàn)率達(dá)到80.989%,指標(biāo)變量信息的囊括度較高(見(jiàn)表3)。用初始的17個(gè)變量的特征值與其對(duì)應(yīng)的旋轉(zhuǎn)后的成分系數(shù)相乘并累加,可以得出6個(gè)公因子F1、F2、F3、F4、F5、F6,用以作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層變量(成分系數(shù)矩陣見(jiàn)表4)。
3.4 參數(shù)調(diào)試
①輸入層節(jié)點(diǎn)的確定。根據(jù)前文中財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)降維后得到的6個(gè)主成分因子F1、F2、F3、F4、F5、F6作為輸入層的6個(gè)初始變量,在此將輸入層節(jié)點(diǎn)設(shè)置為6。
②輸出層節(jié)點(diǎn)的確定。依據(jù)前文中基于現(xiàn)金流的視角下,將所選樣本企業(yè)判定為安全和危機(jī)兩大類。因此,根據(jù)模型輸出類別的需求,本文將輸出層節(jié)點(diǎn)設(shè)定為2個(gè),分別對(duì)應(yīng)綠色信號(hào)(輸出結(jié)果為1)和紅色信號(hào)(輸出結(jié)果為2)。
③隱含層節(jié)點(diǎn)的確定。隱含層節(jié)點(diǎn)的確定將決定著樣本數(shù)據(jù)是否能從非線性的輸入層順利地轉(zhuǎn)換到線性的輸出層。如果設(shè)定的隱含層節(jié)點(diǎn)較少,將可能會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型無(wú)法搭建成功;反之,如果設(shè)定的隱含層節(jié)點(diǎn)較多,又將會(huì)導(dǎo)致樣本數(shù)據(jù)從輸入層到輸出層的映射時(shí)間冗長(zhǎng),且容易導(dǎo)致精度的下降。因此,基于滿足模型映射關(guān)系的考慮,本文采用簡(jiǎn)化的參考公式(見(jiàn)公式(1))來(lái)對(duì)隱含層節(jié)點(diǎn)加以確定。公式(1)中,T表示隱含層節(jié)點(diǎn)個(gè)數(shù),a表示輸入層節(jié)點(diǎn)個(gè)數(shù),b為輸出層節(jié)點(diǎn)數(shù),α為1-10之間的常數(shù)。
(1)
前文中已知m=6,n=2,經(jīng)過(guò)公式推導(dǎo),可以初步將模型的隱含層節(jié)點(diǎn)數(shù)的范圍鎖定在[4,12]。本文在matlab軟件中分別假設(shè)隱含節(jié)點(diǎn)為4-12,并在該節(jié)點(diǎn)狀態(tài)下對(duì)指標(biāo)數(shù)據(jù)樣本進(jìn)行逐次反復(fù)訓(xùn)練和測(cè)試。
基于本文樣本數(shù)據(jù)量的考慮,將神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)設(shè)定如下:
目標(biāo)誤差0.001,學(xué)習(xí)速率為0.01,訓(xùn)練迭代次數(shù)20000次。
④預(yù)警模型的訓(xùn)練及檢驗(yàn)。
如果將樣本企業(yè)按照1:1的比例進(jìn)行配對(duì)抽樣,會(huì)破壞樣本的隨機(jī)性,導(dǎo)致模型效果虛高,夸大了模型的預(yù)測(cè)精度[13]。因此,對(duì)于前文中依據(jù)現(xiàn)金流的角度對(duì)于樣本企業(yè)做出的分類情況,以2:1的比例將17家危機(jī)企業(yè)和55家安全企業(yè)進(jìn)行了隨機(jī)分類,分別作為模型的訓(xùn)練樣本和檢驗(yàn)樣本。訓(xùn)練樣本中設(shè)置的安全企業(yè)為37家,危機(jī)企業(yè)為11家,合計(jì)48家;檢驗(yàn)樣本中設(shè)置的安全企業(yè)為18家,危機(jī)企業(yè)6家,合計(jì)24家。
由于在不同的隱含層節(jié)點(diǎn)狀態(tài)下,神經(jīng)網(wǎng)絡(luò)模型的收斂速度也會(huì)不同,其預(yù)測(cè)準(zhǔn)確率可能也會(huì)有所差異。本文在此通過(guò)對(duì)各節(jié)點(diǎn)數(shù)的反復(fù)測(cè)試,來(lái)確定最合適的節(jié)點(diǎn)數(shù),以保證模型的準(zhǔn)確率。表5顯示了不同隱含層節(jié)點(diǎn)下對(duì)于檢驗(yàn)樣本的識(shí)別率。
經(jīng)過(guò)多次仿真實(shí)驗(yàn)和反復(fù)比對(duì),本文最終確認(rèn)了在10個(gè)隱含層節(jié)點(diǎn)個(gè)數(shù)下,達(dá)到最優(yōu)識(shí)別效果。具體的檢驗(yàn)結(jié)果如表6所示。
根據(jù)上表的檢驗(yàn)結(jié)果不難發(fā)現(xiàn),在24家公司的檢驗(yàn)樣本當(dāng)中,僅有一家公司產(chǎn)生了誤判,預(yù)警準(zhǔn)確率達(dá)到了95.833%。對(duì)比其他的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型,其風(fēng)險(xiǎn)識(shí)別效果無(wú)疑是十分出眾的。這也表明基于現(xiàn)金流量角度設(shè)計(jì)的財(cái)務(wù)風(fēng)險(xiǎn)界定標(biāo)準(zhǔn),對(duì)于模型所需的訓(xùn)練及檢驗(yàn)樣本的優(yōu)化設(shè)計(jì),能夠?qū)τ谛酒雽?dǎo)體行業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)的識(shí)別產(chǎn)生較好的預(yù)警效果,從而發(fā)出較為準(zhǔn)確可靠的風(fēng)險(xiǎn)預(yù)警信號(hào)。
4 ?研究結(jié)論與產(chǎn)業(yè)建議
4.1 研究結(jié)論
通過(guò)對(duì)于A股半導(dǎo)體行業(yè)上市公司財(cái)務(wù)預(yù)警模型的訓(xùn)練及檢驗(yàn)結(jié)果的分析和研判,不難發(fā)現(xiàn)這種基于現(xiàn)金流視角下對(duì)于神經(jīng)網(wǎng)絡(luò)模型所需細(xì)分行業(yè)企業(yè)樣本的類別界定是較為科學(xué)和可靠的,不失為一種能夠有效替代ST企業(yè)和非ST企業(yè)配對(duì)樣本的有效方法,且消除了由于細(xì)分行業(yè)領(lǐng)域中ST企業(yè)樣本數(shù)量不足而造成的局限性,有利于提高財(cái)務(wù)預(yù)警研究的行業(yè)適配性和針對(duì)性,可以在其他細(xì)分行業(yè)領(lǐng)域的財(cái)務(wù)預(yù)警研究當(dāng)中適度推廣運(yùn)用。
然而,基于現(xiàn)金流視角下的樣本分類方法,也存在著諸多有待進(jìn)一步商榷的地方。一方面,在當(dāng)今大數(shù)據(jù)、云計(jì)算、人工智能等新興技術(shù)高速發(fā)展的時(shí)代,進(jìn)行大樣本研究也在逐漸成為趨勢(shì),針對(duì)單個(gè)企業(yè)樣本的考慮層面也可能更加宏觀。當(dāng)預(yù)警研究的樣本數(shù)量較多時(shí),基于企業(yè)現(xiàn)金流設(shè)計(jì)的樣本類別判定方法可能會(huì)大大增加預(yù)警研究的工作量,沒(méi)有選取ST與非ST企業(yè)作為樣本那樣簡(jiǎn)單直觀。另一方面,在針對(duì)細(xì)分行業(yè)領(lǐng)域開(kāi)展預(yù)警研究的過(guò)程中,如何進(jìn)一步提高預(yù)警模型與行業(yè)財(cái)務(wù)特征及非財(cái)務(wù)特征的適配性,從而達(dá)到更精準(zhǔn)的預(yù)警結(jié)果,也是今后所面臨的一大挑戰(zhàn)。
4.2 產(chǎn)業(yè)建議
4.2.1 國(guó)家層面
國(guó)家有關(guān)部門(mén)應(yīng)該發(fā)揮其宏觀調(diào)控的作用,出臺(tái)一些產(chǎn)業(yè)扶持政策,以實(shí)際行動(dòng)來(lái)支持半導(dǎo)體產(chǎn)業(yè)發(fā)展戰(zhàn)略。例如,針對(duì)半導(dǎo)體企業(yè)研發(fā)投入的稅收優(yōu)惠政策,研發(fā)投入越多,稅收優(yōu)惠越大,以政策激勵(lì)的方式引導(dǎo)半導(dǎo)體行業(yè)企業(yè)通過(guò)自主研發(fā),不斷地積淀自身的技術(shù)儲(chǔ)備,在國(guó)際上較高技術(shù)壁壘的制約下提升自身的核心競(jìng)爭(zhēng)力。
4.2.2 社會(huì)層面
商業(yè)銀行應(yīng)主動(dòng)承擔(dān)起分散企業(yè)經(jīng)營(yíng)風(fēng)險(xiǎn)、促進(jìn)資金合理流動(dòng)的社會(huì)責(zé)任,著重為啟動(dòng)資金不足的初創(chuàng)企業(yè)、現(xiàn)金流動(dòng)性不足但經(jīng)營(yíng)狀況良好的半導(dǎo)體企業(yè)解決融資難、融資貴等問(wèn)題,以實(shí)際行動(dòng)來(lái)貫徹落實(shí)國(guó)家重點(diǎn)支持的相關(guān)戰(zhàn)略領(lǐng)域。對(duì)于一些專利技術(shù)較多、產(chǎn)品核心競(jìng)爭(zhēng)力較強(qiáng)、產(chǎn)業(yè)鏈較為完整、成長(zhǎng)空間較大、盈利前景可期的優(yōu)質(zhì)企業(yè),商業(yè)銀行可加大信貸投放力度予以重點(diǎn)支持。
4.2.3 企業(yè)層面
半導(dǎo)體行業(yè)企業(yè)由于受到研發(fā)難度較大、初創(chuàng)成本較高等因素的制約,行業(yè)資源的整合不可避免。因此,對(duì)于半導(dǎo)體行業(yè)企業(yè)來(lái)講,除了加大自身創(chuàng)新研發(fā)的力度以外,還可以通過(guò)專利技術(shù)和產(chǎn)品資源的并購(gòu)來(lái)完善自身產(chǎn)業(yè)鏈,打破技術(shù)壟斷,參與到國(guó)際競(jìng)爭(zhēng)中。
參考文獻(xiàn):
[1]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究,1999(4):42-45.
[2]張玲.財(cái)務(wù)危機(jī)預(yù)警分析判別模型[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究,2000(3):49-51.
[3]陳曉,陳治鴻.中國(guó)上市公司的財(cái)務(wù)困境預(yù)測(cè)[J].中國(guó)會(huì)計(jì)與財(cái)務(wù)研究,2000,2(3).
[4]吳世農(nóng),盧賢義.我國(guó)上市公司財(cái)務(wù)危機(jī)的預(yù)警模型研究[J].經(jīng)濟(jì)研究,2001(6):46-55.
[5]宋彪,朱建明,李煦.基于大數(shù)據(jù)的企業(yè)財(cái)務(wù)預(yù)警研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào),2015(6):55-64.
[6]鮑新中,何思婧.企業(yè)財(cái)務(wù)預(yù)警的研究方法及其改進(jìn)——基于文獻(xiàn)綜述[J].南京審計(jì)學(xué)院學(xué)報(bào),2012(9):60-70.
[7]Beaver W H.Financial Rations as Predictors of Failures[J].Journal of Accounting Research (Supplement), 1966: 71-111.
[8]趙愛(ài)玲.企業(yè)財(cái)務(wù)危機(jī)的識(shí)別與分析[J].財(cái)經(jīng)理論與實(shí)踐,2000(11):69-72.
[9]郭麗紅.企業(yè)財(cái)務(wù)管理中的杠桿作用與財(cái)務(wù)危機(jī)[J].經(jīng)濟(jì)問(wèn)題,2001(9):36-37.
[10]曹裕.復(fù)雜環(huán)境下我國(guó)企業(yè)財(cái)務(wù)困境模式及預(yù)警研究——基于企業(yè)生命周期的視角[D].中南大學(xué),2010.
[11]呂峻.基于不同指標(biāo)類型的公司財(cái)務(wù)危機(jī)征兆和預(yù)測(cè)比較研究[J].山西財(cái)經(jīng)大學(xué)學(xué)報(bào),2014(1):103-113.
[12]夏秀芳,遲健心.企業(yè)財(cái)務(wù)困境預(yù)警研究綜述[J].會(huì)計(jì)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.