高太光 王有建

[摘 要：識別影響上市民營企業(yè)財務(wù)困境關(guān)鍵因素，并剖析成因組態(tài)，為其擺脫財務(wù)困境提供理論參考。文章以2019—2021年滬深A(yù)股上市民營企業(yè)為研究對象，構(gòu)建基于XGBoost算法的財務(wù)困境預(yù)測模型，從特征變量重要性角度識別影響企業(yè)財務(wù)困境關(guān)鍵因素，采用fsQCA方法對關(guān)鍵因素間聯(lián)動交互效應(yīng)進行組態(tài)分析。研究發(fā)現(xiàn)：上市民營企業(yè)財務(wù)困境是財務(wù)指標和治理結(jié)構(gòu)因素共同影響的結(jié)果，且資產(chǎn)負債率、流動比率、資產(chǎn)報酬率等核心條件會存在并發(fā)性特征，上市民營企業(yè)在應(yīng)對財務(wù)困境問題時應(yīng)進行綜合考慮。

關(guān)鍵詞：上市民營企業(yè)；財務(wù)困境；特征變量；組態(tài)

中圖分類號：F275；F276.5；F832.51??文獻標識碼：A文章編號：1007-5097（2024）01-0110-10 ]

Influencing Factors and Configurations of Financial Distress in Listed Private Enterprises

GAO Taiguang，WANG Youjian

（School of Management，Heilongjiang University of Science and Technology，Harbin 150022，China）

Abstract：The paper identifies the key factors affecting financial distress of listed private enterprises and analyzes its cause configurations so as to provide theoretical reference for them to get rid of the financial distress. This paper takes listed private enterprises in Shanghai and Shenzhen A-shares from 2019 to 2021 as research objects，constructs a financial distress prediction model based on XGBoost algorithm，identifies the key factors affecting enterprises′ financial distress from the perspective of the importance of characteristic variables，and analyzes the configurations about the interactions of the linkage among key factors by the method of fsQCA. The research finds that the financial distress of listed private enterprises is mainly caused by financial indicators and the governance structure，and the core conditions of debt asset ratio，current ratio，and return on assets have concurrent characteristics. Listed private enterprises should take comprehensive consideration when dealing with the financial distress.

Key words：listed private enterprises；financial distress；characteristic variables；configurations

一、引 言

財務(wù)困境又稱財務(wù)危機，是困擾企業(yè)可持續(xù)發(fā)展的焦點問題。當前，我國經(jīng)濟下行壓力較大，企業(yè)財務(wù)危機不僅給企業(yè)正常運轉(zhuǎn)帶來威脅，也給投資者帶來巨大風險。探究上市公司財務(wù)困境影響因素將有助于企業(yè)規(guī)避經(jīng)營風險、保護投資者等利益相關(guān)者權(quán)益，對我國金融市場穩(wěn)定和經(jīng)濟高質(zhì)量發(fā)展具有重要理論意義。民營經(jīng)濟作為我國國民經(jīng)濟重要組成部分，在吸納就業(yè)、創(chuàng)造稅收和促進經(jīng)濟發(fā)展等方面發(fā)揮舉足輕重的作用，其能否健康發(fā)展將會對我國經(jīng)濟高質(zhì)量發(fā)展水平產(chǎn)生直接影響。然而，民營企業(yè)卻因信貸資金配置中的“規(guī)模歧視”，面臨“融資難、融資貴”難題［1-2］，企業(yè)資金鏈斷裂狀況時有發(fā)生，嚴重阻礙其發(fā)展。黨的二十大報告指出：“優(yōu)化民營企業(yè)發(fā)展環(huán)境，依法保護民營企業(yè)產(chǎn)權(quán)和企業(yè)家權(quán)益，促進民營經(jīng)濟發(fā)展壯大。”為緩解民營企業(yè)發(fā)展壓力，有效甄別影響民營企業(yè)財務(wù)困境關(guān)鍵因素并剖析其成因，對上市民營企業(yè)擺脫財務(wù)困境和實現(xiàn)高質(zhì)量發(fā)展具有重要理論意義。

二、文獻述評

企業(yè)財務(wù)困境是財務(wù)風險管理領(lǐng)域研究熱點之一，學者們對財務(wù)困境度量及影響因素識別進行了廣泛探究。對于企業(yè)財務(wù)困境度量，學者們多采用企業(yè)是否被ST作為衡量財務(wù)困境代理變量［3-5］，但由于上市企業(yè)中被ST樣本較少，加之被ST和未被ST樣本間存在嚴重不平衡性，會對模型預(yù)測準確性和可解釋性產(chǎn)生不利影響。為解決上述問題，學者們通常會通過剔除非ST樣本使兩者達到相對均衡［5］，但剔除非ST樣本時不可避免會存在主觀性，容易導(dǎo)致原始數(shù)據(jù)丟失，進而造成分析結(jié)果失真，故很多學者選擇Z-score作為衡量企業(yè)財務(wù)困境代理變量［6-7］，一定程度上緩解因主觀剔除樣本數(shù)據(jù)造成的不利影響。在對企業(yè)財務(wù)困境影響因素分析中，學者們多采用邏輯回歸對企業(yè)財務(wù)困境進行預(yù)測并剖析其關(guān)鍵影響因素［8-9］，為有效過濾數(shù)據(jù)噪聲，揭示特征變量與企業(yè)財務(wù)困境之間非線性關(guān)系，部分學者借助SVM等機器學習算法對企業(yè)財務(wù)困境影響因素進行探究［10-14］。同時，學者們通常從財務(wù)指標［10，12-14］或治理結(jié)構(gòu)［3］探尋影響企業(yè)財務(wù)困境的關(guān)鍵因素，但從財務(wù)指標或治理結(jié)構(gòu)單個因素很難全面地揭示企業(yè)財務(wù)困境形成原因，故通過綜合考慮財務(wù)指標和治理結(jié)構(gòu)來研究影響企業(yè)財務(wù)困境關(guān)鍵因素成為學者關(guān)注的焦點［15］。綜上，學者們對企業(yè)財務(wù)困境問題進行探究發(fā)現(xiàn)，財務(wù)指標和治理結(jié)構(gòu)的好壞在很大程度上反映企業(yè)自身經(jīng)營績效優(yōu)劣，故多從財務(wù)指標或治理結(jié)構(gòu)，抑或綜合財務(wù)指標和治理結(jié)構(gòu)兩方面選取特征變量來考察企業(yè)財務(wù)困境問題，這為探究上市民營企業(yè)財務(wù)困境影響因素提供了直接理論依據(jù)。但現(xiàn)有研究多關(guān)注特征變量對企業(yè)財務(wù)困境影響，對關(guān)鍵特征變量之間聯(lián)動交互效應(yīng)和上市民營企業(yè)財務(wù)困境影響因素問題關(guān)注不足，無法為其擺脫財務(wù)困境提供直接理論支撐。為解決上述問題，本文從財務(wù)指標和治理結(jié)構(gòu)兩方面建構(gòu)原始特征變量，在采用SMOTE過采樣方法和相關(guān)性分析、套索回歸對上市民營企業(yè)財務(wù)困境和非財務(wù)困境樣本進行均衡處理及特征篩選情況下，將XGBoost與邏輯回歸、其他主流集成算法進行對比，驗證XGBoost對上市民營企業(yè)財務(wù)困境預(yù)測具備可行性，從特征變量重要性角度識別影響企業(yè)財務(wù)困境關(guān)鍵因素，并采用模糊集定性比較分析（fsQCA）方法［16-18］對關(guān)鍵影響因素進行組態(tài)分析，從整體上剖析上市民營企業(yè)財務(wù)困境關(guān)鍵影響因素之間的聯(lián)動交互效應(yīng)。

本文可能的貢獻有：①針對現(xiàn)有文獻對上市民營企業(yè)財務(wù)困境問題關(guān)注不足情況，本文從財務(wù)指標和治理結(jié)構(gòu)兩方面選取特征變量來探究上市民營企業(yè)財務(wù)困境影響因素問題，識別導(dǎo)致其陷入財務(wù)困境關(guān)鍵因素，拓寬企業(yè)財務(wù)困境問題研究視角；②現(xiàn)有文獻在探究企業(yè)財務(wù)困境問題時多關(guān)注特征變量是否引發(fā)企業(yè)陷入財務(wù)困境［3-5，8-15］，對變量間聯(lián)動交互效應(yīng)探討關(guān)注不足，本文采用fsQCA方法對影響上市民營企業(yè)陷入財務(wù)困境的關(guān)鍵因素進行組態(tài)分析，從整體性視角闡明企業(yè)陷入財務(wù)困境影響因素之間聯(lián)動交互效應(yīng)，為事先防備財務(wù)困境提供參考；③學者們在采用fsQCA方法對多變量間聯(lián)動交互效應(yīng)進行剖析時，指標選取不可避免會存在主觀性［17］，本文采用XGBoost算法在對影響上市民營企業(yè)財務(wù)困境關(guān)鍵因素進行甄別的基礎(chǔ)上，對關(guān)鍵因素間聯(lián)動交互效應(yīng)進行組態(tài)分析，一定程度上避免變量選取主觀性。

三、實驗設(shè)計

（一）研究框架

為挖掘上市民營企業(yè)陷入財務(wù)困境關(guān)鍵因素并剖析其成因，本文構(gòu)建基于XGBoost和fsQCA的實證研究模型，運用XGBoost算法挖掘企業(yè)財務(wù)困境與特征變量之間關(guān)系模式，并以組態(tài)視角基于fsQCA方法實現(xiàn)對企業(yè)財務(wù)困境成因探索性分析。

XGBoost又稱極度梯度提升樹，是基于Boosting思想的CART決策樹集成提升算法［19］。XGBoost核心思想在于通過生成多個簡單弱分類器，之后加權(quán)累加到總預(yù)測模型中，從而構(gòu)建出準確率更高的分類器。其中，每個弱分類器都是根據(jù)加入正則項處理后的損失函數(shù)梯度方向來進行預(yù)測，防止過擬合現(xiàn)象產(chǎn)生，經(jīng)過生成若干分類器后，可達到損失函數(shù)局部最小。具體計算過程如下：

假設(shè)上市民營企業(yè)財務(wù)困境預(yù)測數(shù)據(jù)集為：

[S=（Xij，Y）] （1）

其中：i = 1，2，…，n；j = 1，2，…，m；Xij表示第i個上市民營企業(yè)第j個特征變量；Y表示上市民營企業(yè)是否陷入財務(wù)困境。則XGBoost初始預(yù)測模型可表示為：

其中： [ft（Xij）]為XGBoost生成的第t個弱分類器；T為生成弱分類器總數(shù)。通過不斷生成多個簡單弱分類器，加權(quán)累加最終得到XGBoost目標函數(shù)：

其中：l表示損失函數(shù)；[yi]表示上市民營企業(yè)財務(wù)困境真實值；[y（t-1）i+ft（Xij）]為新生成的弱分類器預(yù)測值；constant為常數(shù)項；[Ω（ft）]為正則項，可表述為：

其中：[η]為控制弱分類器中葉子數(shù)量權(quán)重參數(shù)，其值越低，模型泛化能力越強［20］；[β]為弱分類器葉子結(jié)點數(shù)目；[ω]為弱分類器葉子權(quán)重。通過多次循環(huán)迭代，最終使得XGBoost目標函數(shù)值誤差最小。本文利用Python編程語言，通過調(diào)用XGBoost包中XGBClassifier類對上市民營企業(yè)是否陷入財務(wù)困境進行預(yù)測。

本文采用fsQCA對上市民營企業(yè)陷入財務(wù)困境組態(tài)進行探究，主要基于以下三個原因：首先，上市民營企業(yè)陷入財務(wù)困境是多個前因變量聯(lián)動交互下共同影響的結(jié)果，fsQCA可較好解釋多變量間聯(lián)動交互效應(yīng)；其次，fsQCA可剖析典型案例，從而直觀闡明上市民營企業(yè)陷入財務(wù)困境的復(fù)雜因果機制；最后，fsQCA樣本選取只關(guān)注其是否具有代表性，對具體樣本量要求較為靈活，本文隨機選取上市民營企業(yè)財務(wù)困境組態(tài)分析數(shù)據(jù)集，適合用fsQCA進行分析。但采用該方法也存在不足之處：選取前因變量時，雖以現(xiàn)有理論為根基，但變量選取不可避免存在主觀性。為解決上述問題，本文先基于XGBoost算法從特征變量重要性角度甄別導(dǎo)致企業(yè)陷入財務(wù)困境關(guān)鍵因素，再采用fsQCA方法對關(guān)鍵因素進行組態(tài)探究，對企業(yè)財務(wù)困境成因進行剖析。

本文具體研究框架如圖1所示。

在進行數(shù)據(jù)樣本選取與劃分時，本文從國泰安（CSMAR）數(shù)據(jù)庫中選取滬深A(yù)股上市民營企業(yè)為研究對象，以企業(yè)是否遭受財務(wù)困境作為結(jié)果變量，將2019—2020年數(shù)據(jù)劃分為訓練集樣本、2021年數(shù)據(jù)劃分為測試集樣本，并采用SMOTE過采樣方法對訓練集中財務(wù)困境和非財務(wù)困境樣本進行均衡處理，此外，從財務(wù)指標和治理結(jié)構(gòu)兩方面選取原始特征變量后，采用相關(guān)性分析和套索回歸對特征變量進行特征篩選。

在進行預(yù)測模型可行性檢驗時，為防止模型過擬合，提高泛化能力，采用十折交叉驗證（1）和網(wǎng)格調(diào)參（2）在訓練集上獲取最優(yōu)參數(shù)后，在測試集上進行模型泛化能力檢驗。本文主要對陷入財務(wù)困境的上市民營企業(yè)進行研究，故將其定義為正類，選取準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1分值（F1-score）四個指標作為衡量各模型優(yōu)劣指標，通過混淆矩陣對上述評價指標進行計算，其中，TP和TN分別表示對陷入財務(wù)困境的和未陷入財務(wù)困境的上市民營企業(yè)預(yù)測正確的樣本數(shù)；FN和FP分別表示對陷入財務(wù)困境和未陷入財務(wù)困境的上市民營企業(yè)預(yù)測錯誤的樣本數(shù)。混淆矩陣見表1所列。

Accuracy表示預(yù)測正確樣本占總樣本比例，即預(yù)測模型準確識別上市民營企業(yè)財務(wù)困境和非財務(wù)困境能力，計算公式為：

Precision表示對上市民營企業(yè)陷入財務(wù)困境預(yù)測正確樣本占被預(yù)測為財務(wù)困境樣本比例，即預(yù)測模型預(yù)測準確企業(yè)財務(wù)困境能力，計算公式為：

Recall表示對上市民營企業(yè)陷入財務(wù)困境預(yù)測正確樣本占實際陷入財務(wù)困境樣本比例，即預(yù)測模型準確識別企業(yè)財務(wù)困境能力，計算公式為：

Precision和Recall在某些情況下會產(chǎn)生矛盾，為提高模型預(yù)測準確性，采用F1-score進行評估。F1-score可看作綜合考慮Precision和Recall的調(diào)和值，其可對Precision和Recall更接近的模型給予更高預(yù)測得分［21］，計算公式為：

此外，借鑒劉云菁等（2022）［22］的做法，同時選取AUC（Area Under Curve）值作為評價各算法性能優(yōu)劣指標之一。對于上述評價指標，其數(shù)值越大，表明算法預(yù)測和解釋性能越優(yōu)。

（二）數(shù)據(jù)獲取及變量定義

本文以2019—2021年滬深A(yù)股上市民營企業(yè)為研究對象，對于上市民營企業(yè)界定，選取由自然人或民營企業(yè)控股直接上市的民營企業(yè)。根據(jù)以往研究設(shè)計對數(shù)據(jù)進行以下處理：①剔除統(tǒng)計期間被ST/*ST/PT類以及暫停上市公司樣本；②考慮金融行業(yè)監(jiān)管特殊性，為保證數(shù)據(jù)分析有效，剔除與一般企業(yè)會計處理準則存在差異的金融行業(yè)；③剔除研究中財務(wù)困境代理變量存在缺失的上市公司樣本。最終共得到6 056個上市民營企業(yè)樣本數(shù)據(jù)，所需變量均來源于CSMAR數(shù)據(jù)庫。

1. 財務(wù)困境

為準確識別上市民營企業(yè)財務(wù)困境關(guān)鍵影響因素，借鑒王曉燕（2023）［7］和Abinzano等（2020）［23］的做法，選取Z-score作為衡量上市民營企業(yè)財務(wù)困境代理變量，該數(shù)值來源于CSMAR公司研究欄目下的經(jīng)營困境數(shù)據(jù)庫。

Z-socre最早是由經(jīng)濟學家Altman（1968）［6］通過對美國破產(chǎn)和非破產(chǎn)企業(yè)進行數(shù)理統(tǒng)計分析建立的著名五變量模型，其計算公式為：

近年來，學者們采用Z-score對中國企業(yè)進行類似分析發(fā)現(xiàn)，Z-score對我國上市公司財務(wù)困境預(yù)警具有一定適用性。Z-score數(shù)值越大，表明企業(yè)財務(wù)經(jīng)營狀況越好，同等條件下越不容易陷入財務(wù)困境。學者們雖對Z-score數(shù)值評斷標準存在不同意見，但一般認為陷入財務(wù)困境企業(yè)的Z-score均值均小于1.8，因此，參考王曉燕（2023）［7］的做法，將1.8作為衡量企業(yè)財務(wù)困境臨界值，若Z-score數(shù)值小于1.8，將其設(shè)置為1，代表企業(yè)在經(jīng)營過程中存在財務(wù)困境風險；反之，設(shè)置為0，代表企業(yè)經(jīng)營財務(wù)狀況良好。通過對賦值后數(shù)據(jù)進行描述性統(tǒng)計分析得知，上市民營企業(yè)陷入財務(wù)困境占比約為17%，樣本間存在不平衡性。為提高邏輯回歸、隨機森林、GBDT、XGBoost算法可解釋性，利用SMOTE過采樣方法對訓練集中陷入財務(wù)困境的上市民營企業(yè)進行人工過采樣，將采樣樣本和舊樣本合并，最終使得訓練集中財務(wù)困境與非財務(wù)困境數(shù)據(jù)比例為1∶1，以便后續(xù)對企業(yè)是否陷入財務(wù)困境進行預(yù)測和對關(guān)鍵影響因素進行識別。

2. 財務(wù)指標

財務(wù)指標可反映企業(yè)經(jīng)營成果和評估財務(wù)狀況，并在某種程度上揭示企業(yè)面臨財務(wù)風險現(xiàn)狀。本文主要從CSMAR數(shù)據(jù)庫財務(wù)指標分析的償債能力、比率結(jié)構(gòu)、經(jīng)營能力、盈利能力、發(fā)展能力五個方面來衡量上市民營企業(yè)財務(wù)狀況對自身財務(wù)困境的影響，共選取52個原始特征變量。

3. 治理結(jié)構(gòu)

作為企業(yè)所有者對經(jīng)營者的一種制衡和激勵手段，治理結(jié)構(gòu)是引導(dǎo)企業(yè)良性發(fā)展重要推進劑。本文主要從股權(quán)結(jié)構(gòu)、股權(quán)激勵、董監(jiān)事會特征三個方面衡量上市民營企業(yè)治理結(jié)構(gòu)對自身財務(wù)困境的影響，共選取23個原始特征變量。

（三）特征變量預(yù)處理

數(shù)據(jù)預(yù)處理關(guān)乎邏輯回歸、隨機森林、GBDT、XGBoost算法預(yù)測準確性，是機器學習不可或缺的環(huán)節(jié)，本文主要對特征變量進行缺失值填充、特征篩選等數(shù)據(jù)預(yù)處理操作。

1. 缺失值填充

對原始特征變量進行描述性統(tǒng)計分析發(fā)現(xiàn)其存在大量缺失值，故運用KNN算法，參考鄰近企業(yè)相關(guān)特征變量數(shù)值對連續(xù)型變量缺失值進行填充，而對于類別型變量，通過在巨潮資訊網(wǎng)查詢相關(guān)年報進行填充。在原始特征變量進行缺失值填充后，對連續(xù)型變量進行上下1%縮尾處理，并將邏輯回歸模型中連續(xù)型變量進行標準化處理，使處理后數(shù)據(jù)滿足均值為0、方差為1的標準正態(tài)分布。

2. 特征篩選

特征過多極易導(dǎo)致機器學習陷入“維度災(zāi)難”，進而降低其預(yù)測泛化能力。為有效識別影響上市民營企業(yè)財務(wù)困境關(guān)鍵特征變量，對上述填充后的原始特征變量進行以下處理：①對原始特征變量進行相關(guān)性分析，剔除相關(guān)系數(shù)絕對值大于0.7的變量；②采用套索回歸［24］，挖掘?qū)Y(jié)果影響程度較大的特征變量，最終獲得41個影響上市民營企業(yè)財務(wù)困境的特征變量。具體變量介紹見表2所列。

四、實證分析

（一）上市民營企業(yè)財務(wù)困境影響因素

1. 預(yù)測模型結(jié)果對比

本文以企業(yè)是否遭受財務(wù)困境作為被解釋變量，將上述41個特征變量作為解釋變量輸入預(yù)測模型中，采用十折交叉驗證和網(wǎng)格調(diào)參在訓練集上尋找最優(yōu)模型參數(shù)，在測試集上進行預(yù)測性能對比，通過對比各模型評估指標，證明XGBoost算法對預(yù)測和解釋上市民營企業(yè)財務(wù)困境具備有效性，進而挖掘影響企業(yè)財務(wù)困境關(guān)鍵特征變量。網(wǎng)格調(diào)參后各算法最優(yōu)核心參數(shù)設(shè)置見表3所列。

本文獲取最優(yōu)模型參數(shù)后，重新利用邏輯回歸、隨機森林、GBDT、XGBoost在訓練集和測試集上進行預(yù)測性能對比，結(jié)果見表4所列。

由表4可知，邏輯回歸、隨機森林、GBDT、XGBoost均在訓練集上取得良好預(yù)測性能，其中，XGBoost在訓練集上預(yù)測性能最佳。對于測試集，本文重點識別上市民營企業(yè)是否陷入財務(wù)困境，與其他評價指標相比，Recall反映的是模型是否可準確預(yù)測陷入財務(wù)困境的樣本。由表4可知，XGBoost在Recall上預(yù)測得分為0.893，雖低于邏輯回歸、隨機森林預(yù)測得分0.930、0.901，但XGBoost在Precision和F1-score中預(yù)測得分分別為0.568、0.694，高于其他三種算法預(yù)測得分，證明XGBoost可更加準確預(yù)測上市民營企業(yè)是否陷入財務(wù)困境。因此，采用XGBoost算法來預(yù)測上市民營企業(yè)財務(wù)困境具有一定可行性，后續(xù)將主要采用XGBoost中特征變量重要性數(shù)值對上市民營企業(yè)財務(wù)困境影響因素進行剖析。

2. 上市民營企業(yè)財務(wù)困境影響因素

XGBoost雖然預(yù)測性能比傳統(tǒng)邏輯回歸模型高，但難以像邏輯回歸等解釋模型一樣展示哪些特征變量對預(yù)測上市民營企業(yè)財務(wù)困境起到顯著影響作用。因此，本文在對XGBoost中特征變量進行重要性分析的同時，采用邏輯回歸對特征變量進行顯著性分析，從而進一步揭示XGBoost和邏輯回歸在特征變量解釋方面的異同?？紤]重要性小的特征變量對上市民營企業(yè)財務(wù)困境預(yù)測可解釋性弱，分析價值較低，本文僅對XGBoost特征變量重要性排序前九的影響因素進行解釋分析，具體結(jié)果見表5所列。

由表5可知，上市民營企業(yè)財務(wù)困境受財務(wù)指標和治理結(jié)構(gòu)兩方面共同影響，其中，資產(chǎn)負債率、流動比率、資本密集度、存貨周轉(zhuǎn)率、應(yīng)付賬款周轉(zhuǎn)率、營業(yè)毛利率、固定資產(chǎn)凈利潤率、資產(chǎn)報酬率是財務(wù)指標中影響上市民營企業(yè)陷入財務(wù)困境的關(guān)鍵因素，治理結(jié)構(gòu)中監(jiān)事會主席持股比例也會對上市民營企業(yè)陷入財務(wù)困境產(chǎn)生影響。從XGBoost特征變量重要性數(shù)值看，資產(chǎn)負債率和資產(chǎn)報酬率對上市民營企業(yè)財務(wù)困境影響程度較大，從邏輯回歸系數(shù)也可看出，資產(chǎn)負債率與上市民營企業(yè)財務(wù)困境在1%水平上顯著正相關(guān)，表明資產(chǎn)負債率越大，上市民營企業(yè)越容易陷入財務(wù)困境。資產(chǎn)報酬率與上市民營企業(yè)財務(wù)困境在1%水平上顯著負相關(guān)，表明資產(chǎn)報酬率越高，上市民營企業(yè)越不容易陷入財務(wù)困境。

（二）上市民營企業(yè)財務(wù)困境組態(tài)分析

XGBoost特征變量重要性數(shù)值雖可展示特征變量對預(yù)測上市民營企業(yè)財務(wù)困境重要性，卻無法解釋特征變量是如何聯(lián)動交互才導(dǎo)致企業(yè)陷入財務(wù)困境。為整體把握上市民營企業(yè)陷入財務(wù)困境影響因素之間聯(lián)動交互效應(yīng)，本文選取未經(jīng)過SMOTE過采樣方法均衡處理的2019—2020年訓練集樣本進行探究，選擇XGBoost中特征變量重要性數(shù)值相對較大的前九個前因變量進行組態(tài)分析。此外，為防止樣本間不平衡性問題引起不必要誤差，隨機抽取636個上市民營企業(yè)非財務(wù)困境樣本，共得到1 272個上市民營企業(yè)財務(wù)困境組態(tài)分析數(shù)據(jù)集。利用fsQCA3.0軟件中calibrate函數(shù)（3）將前因變量進行模糊隸屬處理，校準為0到1之間模糊隸屬分數(shù)，同時選取樣本數(shù)據(jù)上四分位數(shù)、中位數(shù)、下四分位數(shù)來對完全隸屬點、交叉點、完全不隸屬點進行衡量。前因變量校準過程中，參照敦帥等（2021）［25］的研究設(shè)計，對校準后數(shù)值恰為0.5的樣本數(shù)據(jù)，根據(jù)其具體偏屬對0.5進行±0.001操作，使其變成0.501或0.499。各前因變量校準結(jié)果見表6所列。

1. 單變量必要性分析

在對上市民營企業(yè)財務(wù)困境組態(tài)進行剖析時，需先進行單變量必要性分析（NCA）。Dul等（2020）［26］提出單變量必要性分析方法，探究單一前因變量在最低水平下是否為結(jié)果變量產(chǎn)生的必要性條件提供必要方法支撐。該方法檢驗?zāi)骋磺耙蜃兞吭诓魂P(guān)注覆蓋率情況下一致性是否大于0.9，若大于0.9，則表明該前因變量為導(dǎo)致上市民營企業(yè)陷入財務(wù)困境的必要性條件。本文利用fsQCA3.0軟件中Necessary Conditions函數(shù)對各前因變量進行單變量必要性分析，結(jié)果見表7所列。

由表7可知，償債能力、經(jīng)營能力、盈利能力、股權(quán)激勵中各前因變量一致性數(shù)值均小于0.9，未超過一致性檢驗閾值，不能單獨對上市民營企業(yè)陷入財務(wù)困境產(chǎn)生必要性影響，這也說明上市民營企業(yè)財務(wù)困境不是單一前因獨立影響的結(jié)果，需從組態(tài)視角進一步剖析導(dǎo)致企業(yè)財務(wù)困境關(guān)鍵影響因素之間聯(lián)動交互效應(yīng)。

2. 多變量組態(tài)分析

為進一步剖析多個前因變量不同組合對上市民營企業(yè)財務(wù)困境成因組態(tài)效應(yīng)，本文利用fsQCA3.0軟件將校準后的前因變量通過Truth Table Algorithm函數(shù)構(gòu)建真值表，將財務(wù)困境結(jié)果頻數(shù)設(shè)定為10，一致性閾值設(shè)定為0.76，有偏一致性（PRI consist）設(shè)定為大于0.7［27］，標準化分析后得到導(dǎo)致上市民營企業(yè)財務(wù)困境成因的復(fù)雜解、簡約解、中間解三種解（4），簡約解和中間解構(gòu)型結(jié)合即可得到導(dǎo)致上市民營企業(yè)陷入財務(wù)困境具體成因組態(tài)，結(jié)果見表8所列。

由表8可知，通過對償債能力、經(jīng)營能力、盈利能力、股權(quán)激勵中的九個前因變量進行fsQCA分析，共得到4種組態(tài)，各組態(tài)一致性水平均大于0.8，總體解一致性為0.884，大于0.8的閾值，表明這4種組態(tài)可很好地闡明上市民營企業(yè)財務(wù)困境具體成因；總體解覆蓋率為0.365，優(yōu)于組織管理領(lǐng)域利用fsQCA開展公開數(shù)據(jù)研究中總體覆蓋率0.3的數(shù)值結(jié)果［28］，表明這4種組態(tài)可看作財務(wù)指標和治理結(jié)構(gòu)兩方面因素共同影響下上市民營企業(yè)陷入財務(wù)困境充分條件組態(tài)。

從各組態(tài)看，資產(chǎn)負債率存在、流動比率和資產(chǎn)報酬率均缺失是導(dǎo)致上市民營企業(yè)陷入財務(wù)困境的核心條件，而輔助條件存在的不同則是上市民營企業(yè)陷入財務(wù)困境呈現(xiàn)不同組態(tài)路徑的主要原因。

組態(tài)D11輔助條件為經(jīng)營能力中應(yīng)付賬款周轉(zhuǎn)率缺失、盈利能力中營業(yè)毛利率和固定資產(chǎn)凈利潤率均缺失以及股權(quán)激勵中監(jiān)事會主席持股比例缺失。該組態(tài)以應(yīng)付賬款周轉(zhuǎn)率缺失作為輔助條件存在，表明該組態(tài)中企業(yè)雖然短時間內(nèi)可無息占用供應(yīng)商貨款、提高其經(jīng)營能力，但由于監(jiān)事會主席持股比例小，加之企業(yè)自身償債能力不足且盈利能力低下，無法按時償還所欠債務(wù)，長此以往，勢必引起供應(yīng)商不滿，反而不利于自身長期經(jīng)營，容易陷入財務(wù)困境。該組態(tài)典型代表企業(yè)有興源環(huán)境科技股份有限公司，其通過并購擴張雖短時間帶來一定經(jīng)營利潤，但在長期運營中面臨資產(chǎn)減值等問題，加之新冠疫情導(dǎo)致業(yè)務(wù)結(jié)算緩慢和新老業(yè)務(wù)銜接不及時，進一步加劇其虧損程度。

組態(tài)D12輔助條件為經(jīng)營能力中資本密集度缺失但存貨周轉(zhuǎn)率存在、盈利能力中營業(yè)毛利率和固定資產(chǎn)凈利潤率均缺失。該組態(tài)以存貨周轉(zhuǎn)率作為輔助條件存在，表明企業(yè)具備短期將存貨轉(zhuǎn)化為現(xiàn)金的能力，但是其盈利能力中營業(yè)毛利率和固定資產(chǎn)凈利潤率均以輔助條件缺失存在，盈利能力低下容易導(dǎo)致其陷入財務(wù)困境。該組態(tài)唯一覆蓋率為0.096，表示上市民營企業(yè)財務(wù)困境樣本中僅有9.6%的企業(yè)能被該組態(tài)唯一解釋，可唯一解釋案例數(shù)最多，典型代表企業(yè)有遠東智慧能源股份有限公司，這家以智能能源為主營業(yè)務(wù)的上市民營企業(yè)，受國家新能源補貼政策變化和原材料價格上漲等因素影響，2019—2020年盈利能力持續(xù)下滑，企業(yè)自身短期債務(wù)2020年高達50.75億元，面臨巨大短債壓力，極易引發(fā)財務(wù)困境。

組態(tài)D13輔助條件為經(jīng)營能力中資本密集度存在但存貨周轉(zhuǎn)率和應(yīng)付賬款周轉(zhuǎn)率缺失、盈利能力中固定資產(chǎn)凈利潤率缺失。該組態(tài)中資本密集度以輔助條件存在，表明總資產(chǎn)與銷售收入比值較高，企業(yè)獲得單位銷售收入所需資產(chǎn)金額也較高，從而不利于經(jīng)營能力提升，導(dǎo)致其陷入財務(wù)困境。該組態(tài)典型代表企業(yè)有邦訊技術(shù)股份有限公司，在2020年期末凈資產(chǎn)為負值，雖受益于國家對5G的支持，擁有更多經(jīng)營機會，但資金短缺，業(yè)務(wù)開展困難，企業(yè)自身經(jīng)營狀況不容樂觀，容易陷入財務(wù)困境。

組態(tài)D14輔助條件為經(jīng)營能力中資本密集度存在但存貨周轉(zhuǎn)率缺失、盈利能力中營業(yè)毛利率和固定資產(chǎn)凈利潤率缺失以及股權(quán)激勵中監(jiān)事會主席持股比例存在。與其他組態(tài)相比，該組態(tài)中上市民營企業(yè)盈利能力低下且經(jīng)營狀況不善，加之監(jiān)事會主席持有一定股權(quán)比例，為防止自身利益被損害，可能加重企業(yè)代理問題，從而導(dǎo)致企業(yè)陷入財務(wù)困境。該組態(tài)唯一覆蓋率為0.009，可唯一解釋案例數(shù)最少，典型代表企業(yè)有眾泰汽車股份有限公司，該公司2019年存貨周轉(zhuǎn)率遠低于樣本數(shù)據(jù)中存貨周轉(zhuǎn)率中位數(shù)3.41的數(shù)值，存貨變現(xiàn)能力存在不足，在一定程度上增加資金周轉(zhuǎn)風險，2020年度受資金短缺和新冠疫情影響曾逾期償還銀行貸款，進一步加劇其融資困境。

從表8可知，資產(chǎn)負債率存在和流動比率缺失均以核心條件在4種組態(tài)路徑中存在，資產(chǎn)負債率高表明上市民營企業(yè)償還債務(wù)能力在下降，當現(xiàn)金流不足時，極易導(dǎo)致企業(yè)不能及時償還債務(wù)，進而使其陷入財務(wù)困境。流動比率缺失說明上市民營企業(yè)現(xiàn)有資金無法償還債務(wù)，資金鏈較為緊張，極易陷入財務(wù)困境。作為反映企業(yè)盈利能力指標，營業(yè)毛利率和固定資產(chǎn)凈利潤率在3種和4種組態(tài)路徑中均以輔助條件缺失存在，加之4種組態(tài)路徑均以資產(chǎn)報酬率缺失為核心條件，表明上市民營企業(yè)償債能力不足和盈利能力缺失是導(dǎo)致其陷入財務(wù)困境的重要成因。此外，監(jiān)事會主席持股比例在組態(tài)D11中以輔助條件缺失存在，在組態(tài)D14中以輔助條件存在，說明監(jiān)事會主席持股比例大小在一定程度上也會影響上市民營企業(yè)是否陷入財務(wù)困境，這說明企業(yè)在進行股權(quán)激勵時需適度權(quán)衡監(jiān)事會主席持股比例。

3. 穩(wěn)健性檢驗

調(diào)整頻數(shù)和一致性閾值［28］是fsQCA常用的穩(wěn)健性檢驗方法，本文通過將結(jié)果頻數(shù)設(shè)定為12、一致性閾值設(shè)定為0.78、PRI consist保持不變，重新進行標準化分析，結(jié)果見表9所列。

從表9可知，通過將頻數(shù)和一致性閾值進行調(diào)整后共得到3種組態(tài)，可看作未調(diào)整參數(shù)前組態(tài)子集，且各組態(tài)衡量指標數(shù)值并未發(fā)生明顯變化。因此，可以表明本文研究結(jié)果具有一定穩(wěn)健性。

五、結(jié)論與啟示

（一）結(jié)論

本文為探究上市民營企業(yè)財務(wù)困境影響因素及其成因組態(tài)，以滬深A(yù)股上市民營企業(yè)為研究對象，構(gòu)建基于XGBoost和fsQCA方法的實證研究模型，從整體上探討上市民營企業(yè)財務(wù)困境影響因素之間聯(lián)動交互效應(yīng)。研究發(fā)現(xiàn)：財務(wù)指標是衡量上市民營企業(yè)是否陷入財務(wù)困境的關(guān)鍵因素，主要表現(xiàn)為償債能力不足和盈利能力缺失，且治理結(jié)構(gòu)中監(jiān)事會主席持股比例也會一定程度上對上市民營企業(yè)陷入財務(wù)困境產(chǎn)生影響。從組態(tài)視角看，財務(wù)指標和治理結(jié)構(gòu)中的單一前因變量不是導(dǎo)致上市民營企業(yè)陷入財務(wù)困境的必要條件，上市民營企業(yè)財務(wù)困境是多因素聯(lián)動交互下產(chǎn)生的結(jié)果，可總體概括為多重并發(fā)型。

（二）啟示

基于上述研究結(jié)果，本文得到以下管理啟示：①在日常經(jīng)營管理中，上市民營企業(yè)應(yīng)重視和加強對財務(wù)的管理，通過制定合理的資產(chǎn)負債結(jié)構(gòu)和流動資產(chǎn)結(jié)構(gòu)，加速資金周轉(zhuǎn)速度，以提升自身償債能力。此外，上市民營企業(yè)應(yīng)根據(jù)自身情況優(yōu)化運營，盡可能進行多元化經(jīng)營，在提高自身抗風險能力的同時提升盈利能力，保證企業(yè)長期生存和發(fā)展。②上市民營企業(yè)在保持良好經(jīng)營狀況前提下，要改善自身治理結(jié)構(gòu)方面的不足，建立科學激勵機制，在對公司管理者進行股權(quán)激勵時，適度調(diào)整管理者股權(quán)激勵覆蓋度和程度，以便形成良好的股權(quán)制衡機制，防止自身代理成本增加。同時，借鑒優(yōu)秀企業(yè)治理經(jīng)驗，從強化企業(yè)治理結(jié)構(gòu)方面避免自身陷入財務(wù)困境。③在上市民營企業(yè)保持良好經(jīng)營狀況和有效完善治理機制的情況下，為有效應(yīng)對宏觀環(huán)境變化和突發(fā)公共事件對企業(yè)財務(wù)困境的影響，政府也需加大對企業(yè)幫扶力度，優(yōu)化營商環(huán)境，實行更為精準的幫扶政策，建立科學的評估方法，盡可能地鼓勵更多銀行參與到幫扶隊伍中，助力企業(yè)擺脫財務(wù)困境，從整體上促進其實現(xiàn)良性發(fā)展。

（三）不足

本文重點探討財務(wù)指標和治理結(jié)構(gòu)對上市民營企業(yè)財務(wù)困境的影響，對宏觀環(huán)境中可能引起企業(yè)陷入財務(wù)困境的特征變量缺乏關(guān)注，未來可考慮將外部環(huán)境中存在的潛在特征變量進行挖掘并對研究結(jié)論進行補充；再者，Z-score數(shù)值會隨企業(yè)經(jīng)營情況發(fā)生變化，采用fsQCA方法對上市民營企業(yè)財務(wù)困境成因進行剖析時，未能對企業(yè)動態(tài)經(jīng)營狀況特征進行刻畫，未來可考慮引入動態(tài)QCA進行探究，分析不同階段要素之間是如何演化才導(dǎo)致上市民營企業(yè)陷入財務(wù)困境的。

注 釋：

（1）十折交叉驗證是機器學習中常用的提高算法準確性的一種測試方法，其將數(shù)據(jù)集隨機劃分為十份，輪流將其中九份作為訓練集數(shù)據(jù)，一份作為測試集數(shù)據(jù)，進行試驗，最終結(jié)果取十次測試的均值。

（2）網(wǎng)格調(diào)參是機器學習中提高算法預(yù)測準確性的一種調(diào)參方法，通過循環(huán)遍歷所有候選參數(shù)，進而從中找到預(yù)測性能最優(yōu)的參數(shù)集合。

（3）calibrate函數(shù)中包含四個參數(shù)，分別為變量名、完全隸屬點、交叉點、完全不隸屬點。

（4）fsQCA簡約解中只存在核心變量條件，輔助變量條件會在中間解中出現(xiàn)，將簡約解和中間解構(gòu)型結(jié)合便可區(qū)分核心變量條件和輔助變量條件，得到復(fù)雜解。

參考文獻：

［1］費揚文.會計信息質(zhì)量與民營企業(yè)融資困境研究［J］.現(xiàn)代經(jīng)濟探討，2023（1）：84-92.

［2］劉惠好，焦文妞.國有股權(quán)參股、融資約束與民營企業(yè)金融資產(chǎn)投資［J］.現(xiàn)代經(jīng)濟探討，2022（4）：70-82.

［3］王耀. 基于公司治理變量的財務(wù)困境預(yù)測研究［J］. 華東經(jīng)濟管理，2009，23（4）：78-82.

［4］ZHONG J H，WANG Z Z. Artificial Intelligence Techniques for Financial Distress Prediction［J］. AIMS Mathematics，2022，7（12）：20891-20908.

［5］王昱，楊珊珊.考慮多維效率的上市公司財務(wù)困境預(yù)警研究［J］.中國管理科學，2021，29（2）：32-41.

［6］ALTMAN E I. Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy［J］. The Journal of Finance，1968，23（4）：589-609.

［7］王曉燕. 財務(wù)困境和掏空動機雙疊加下終極股東控制鏈變動［J］. 商業(yè)研究，2023（1）：120-130.

［8］鮮文鐸，向銳. 基于混合Logit模型的財務(wù)困境預(yù)測研究［J］. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2007（9）：68-76.

［9］PAVILICKO M，MAZANEC J. Minimalistic Logit Model as an Effective Tool for Predicting the Risk of Financial Distress in the Visegrad Group［J］. Mathematics，2022，10（8）：1302.

［10］QIAN H Y，WANG B H，YUAN M H，et al. Financial Distress Prediction Using a Corrected Feature Selection Measure and Gradient Boosted Decision Tree［J］. Expert Systems with Applications，2022，190：116202.

［11］LIANG D，TSAI C F，WU H T. The Effect of Feature Selection on Financial Distress Prediction［J］. Knowledge-Based Systems，2015，73：289-297.

［12］方匡南，楊陽. SGL-SVM方法研究及其在財務(wù)困境預(yù)測中的應(yīng)用［J］.統(tǒng)計研究，2018，35（8）：104-115.

［13］ZHANG Z J，WU C，QU S Y，et al. An Explainable Artificial Intelligence Approach for Financial Distress Prediction［J］. Information Processing & Management，2022，59（4）：102988.

［14］張向榮.基于子空間多核學習的企業(yè)財務(wù)困境預(yù)測方法［J］.運籌與管理，2021，30（1）：184-191.

［15］LIANG D，LU C C，TSAI C F，et al. Financial Ratios and Corporate Governance Indicators in Bankruptcy Prediction：A Comprehensive Study［J］. European Journal of Operational Research，2016，252（2）：561-572.

［16］杜運周，馬鴻佳.復(fù)雜性背景下的創(chuàng)新創(chuàng)業(yè)研究：基于QCA方法［J］.研究與發(fā)展管理，2022，34（3）：1-9.

［17］蔣敏，周煒，史濟川，等.基于fsQCA的上市企業(yè)債券違約影響因素研究［J］.管理學報，2021，18（7）：1076-1085.

［18］杜運周，賈良定.組態(tài)視角與定性比較分析（QCA）：管理學研究的一條新道路［J］.管理世界，2017（6）：155-167.

［19］周衛(wèi)華，翟曉風，譚皓威.基于XGBoost的上市公司財務(wù)舞弊預(yù)測模型研究［J］.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2022，39（7）：176-196.

［20］CHEN T Q，GUESTRIN C. XGBoost：A Scalable Tree Boosting System［C］. San Francisco：Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining，2016：785-794.

［21］陳成夢，黃永春，吳商碩，等.基于XGBoost算法的機會型創(chuàng)業(yè)預(yù)測研究［J］.科技進步與對策，2023，40（5）：14-22.

［22］劉云菁，伍彬，張敏.上市公司財務(wù)舞弊識別模型設(shè)計及其應(yīng)用研究——基于新興機器學習算法［J］.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究，2022，39（7）：152-175.

［23］ABINZANO I，GONZALEZ-URTEAGA A，MUGA L，et al. Performance of Default-risk Measures：The Sample Matters［J］. Journal of Banking & Finance，2020，120：105959.

［24］曹睿，廖彬，李敏，等.基于XGBoost的在線短租市場價格預(yù)測及特征分析模型［J］.數(shù)據(jù)分析與知識發(fā)現(xiàn)，2021，5（6）：51-65.

［25］敦帥，陳強，陳力，等.重大科技基礎(chǔ)設(shè)施運行效益影響機制研究——基于“投入—產(chǎn)出”視角的定性比較分析［J］.中國軟科學，2021（4）：11-21.

［26］DUL J，VAN DER LAAN E，KUIK R. A Statistical Significance Test for Necessary Condition Analysis［J］. Organizational Research Methods，2020，23（2）：385-395.

［27］諶飛龍，盧偉琪.商標侵權(quán)事件如何引發(fā)品牌資產(chǎn)損失？——基于模糊集的定性比較分析［J］.中國軟科學，2021（4）：163-172.

［28］張明，陳偉宏，藍海林.中國企業(yè)“憑什么”完全并購境外高新技術(shù)企業(yè)——基于94個案例的模糊集定性比較分析（fsQCA）［J］.中國工業(yè)經(jīng)濟，2019（4）：117-135.