上市民营企业财务困境影响因素及其组态

高太光 王有建

[摘 要：识别影响上市民营企业财务困境关键因素，并剖析成因组态，为其摆脱财务困境提供理论参考。文章以2019—2021年沪深A股上市民营企业为研究对象，构建基于XGBoost算法的财务困境预测模型，从特征变量重要性角度识别影响企业财务困境关键因素，采用fsQCA方法对关键因素间联动交互效应进行组态分析。研究发现：上市民营企业财务困境是财务指标和治理结构因素共同影响的结果，且资产负债率、流动比率、资产报酬率等核心条件会存在并发性特征，上市民营企业在应对财务困境问题时应进行综合考虑。

关键词：上市民营企业；财务困境；特征变量；组态

中图分类号：F275；F276.5；F832.51  文献标识码：A文章编号：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

財务困境又称财务危机，是困扰企业可持续发展的焦点问题。当前，我国经济下行压力较大，企业财务危机不仅给企业正常运转带来威胁，也给投资者带来巨大风险。探究上市公司财务困境影响因素将有助于企业规避经营风险、保护投资者等利益相关者权益，对我国金融市场稳定和经济高质量发展具有重要理论意义。民营经济作为我国国民经济重要组成部分，在吸纳就业、创造税收和促进经济发展等方面发挥举足轻重的作用，其能否健康发展将会对我国经济高质量发展水平产生直接影响。然而，民营企业却因信贷资金配置中的“规模歧视”，面临“融资难、融资贵”难题［1-2］，企业资金链断裂状况时有发生，严重阻碍其发展。党的二十大报告指出：“优化民营企业发展环境，依法保护民营企业产权和企业家权益，促进民营经济发展壮大。”为缓解民营企业发展压力，有效甄别影响民营企业财务困境关键因素并剖析其成因，对上市民营企业摆脱财务困境和实现高质量发展具有重要理论意义。

二、文献述评

企业财务困境是财务风险管理领域研究热点之一，学者们对财务困境度量及影响因素识别进行了广泛探究。对于企业财务困境度量，学者们多采用企业是否被ST作为衡量财务困境代理变量［3-5］，但由于上市企业中被ST样本较少，加之被ST和未被ST样本间存在严重不平衡性，会对模型预测准确性和可解释性产生不利影响。为解决上述问题，学者们通常会通过剔除非ST样本使两者达到相对均衡［5］，但剔除非ST样本时不可避免会存在主观性，容易导致原始数据丢失，进而造成分析结果失真，故很多学者选择Z-score作为衡量企业财务困境代理变量［6-7］，一定程度上缓解因主观剔除样本数据造成的不利影响。在对企业财务困境影响因素分析中，学者们多采用逻辑回归对企业财务困境进行预测并剖析其关键影响因素［8-9］，为有效过滤数据噪声，揭示特征变量与企业财务困境之间非线性关系，部分学者借助SVM等机器学习算法对企业财务困境影响因素进行探究［10-14］。同时，学者们通常从财务指标［10，12-14］或治理结构［3］探寻影响企业财务困境的关键因素，但从财务指标或治理结构单个因素很难全面地揭示企业财务困境形成原因，故通过综合考虑财务指标和治理结构来研究影响企业财务困境关键因素成为学者关注的焦点［15］。综上，学者们对企业财务困境问题进行探究发现，财务指标和治理结构的好坏在很大程度上反映企业自身经营绩效优劣，故多从财务指标或治理结构，抑或综合财务指标和治理结构两方面选取特征变量来考察企业财务困境问题，这为探究上市民营企业财务困境影响因素提供了直接理论依据。但现有研究多关注特征变量对企业财务困境影响，对关键特征变量之间联动交互效应和上市民营企业财务困境影响因素问题关注不足，无法为其摆脱财务困境提供直接理论支撑。为解决上述问题，本文从财务指标和治理结构两方面建构原始特征变量，在采用SMOTE过采样方法和相关性分析、套索回归对上市民营企业财务困境和非财务困境样本进行均衡处理及特征筛选情况下，将XGBoost与逻辑回归、其他主流集成算法进行对比，验证XGBoost对上市民营企业财务困境预测具备可行性，从特征变量重要性角度识别影响企业财务困境关键因素，并采用模糊集定性比较分析（fsQCA）方法［16-18］对关键影响因素进行组态分析，从整体上剖析上市民营企业财务困境关键影响因素之间的联动交互效应。

本文可能的贡献有：①针对现有文献对上市民营企业财务困境问题关注不足情况，本文从财务指标和治理结构两方面选取特征变量来探究上市民营企业财务困境影响因素问题，识别导致其陷入财务困境关键因素，拓宽企业财务困境问题研究视角；②现有文献在探究企业财务困境问题时多关注特征变量是否引发企业陷入财务困境［3-5，8-15］，对变量间联动交互效应探讨关注不足，本文采用fsQCA方法对影响上市民营企业陷入财务困境的关键因素进行组态分析，从整体性视角阐明企业陷入财务困境影响因素之间联动交互效应，为事先防备财务困境提供参考；③学者们在采用fsQCA方法对多变量间联动交互效应进行剖析时，指标选取不可避免会存在主观性［17］，本文采用XGBoost算法在对影响上市民营企业财务困境关键因素进行甄别的基础上，对关键因素间联动交互效应进行组态分析，一定程度上避免变量选取主观性。

三、实验设计

（一）研究框架

为挖掘上市民营企业陷入财务困境关键因素并剖析其成因，本文构建基于XGBoost和fsQCA的实证研究模型，运用XGBoost算法挖掘企业财务困境与特征变量之间关系模式，并以组态视角基于fsQCA方法实现对企业财务困境成因探索性分析。

XGBoost又称极度梯度提升树，是基于Boosting思想的CART决策树集成提升算法［19］。XGBoost核心思想在于通过生成多个简单弱分类器，之后加权累加到总预测模型中，从而构建出准确率更高的分类器。其中，每个弱分类器都是根据加入正则项处理后的损失函数梯度方向来进行预测，防止过拟合现象产生，经过生成若干分类器后，可达到损失函数局部最小。具体计算过程如下：

假設上市民营企业财务困境预测数据集为：

[S=（Xij，Y）] （1）

其中：i = 1，2，…，n；j = 1，2，…，m；Xij表示第i个上市民营企业第j个特征变量；Y表示上市民营企业是否陷入财务困境。则XGBoost初始预测模型可表示为：

其中： [ft（Xij）]为XGBoost生成的第t个弱分类器；T为生成弱分类器总数。通过不断生成多个简单弱分类器，加权累加最终得到XGBoost目标函数：

其中：l表示损失函数；[yi]表示上市民营企业财务困境真实值；[y（t-1）i+ft（Xij）]为新生成的弱分类器预测值；constant为常数项；[Ω（ft）]为正则项，可表述为：

其中：[η]为控制弱分类器中叶子数量权重参数，其值越低，模型泛化能力越强［20］；[β]为弱分类器叶子结点数目；[ω]为弱分类器叶子权重。通过多次循环迭代，最终使得XGBoost目标函数值误差最小。本文利用Python编程语言，通过调用XGBoost包中XGBClassifier类对上市民营企业是否陷入财务困境进行预测。

本文采用fsQCA对上市民营企业陷入财务困境组态进行探究，主要基于以下三个原因：首先，上市民营企业陷入财务困境是多个前因变量联动交互下共同影响的结果，fsQCA可较好解释多变量间联动交互效应；其次，fsQCA可剖析典型案例，从而直观阐明上市民营企业陷入财务困境的复杂因果机制；最后，fsQCA样本选取只关注其是否具有代表性，对具体样本量要求较为灵活，本文随机选取上市民营企业财务困境组态分析数据集，适合用fsQCA进行分析。但采用该方法也存在不足之处：选取前因变量时，虽以现有理论为根基，但变量选取不可避免存在主观性。为解决上述问题，本文先基于XGBoost算法从特征变量重要性角度甄别导致企业陷入财务困境关键因素，再采用fsQCA方法对关键因素进行组态探究，对企业财务困境成因进行剖析。

本文具体研究框架如图1所示。

在进行数据样本选取与划分时，本文从国泰安（CSMAR）数据库中选取沪深A股上市民营企业为研究对象，以企业是否遭受财务困境作为结果变量，将2019—2020年数据划分为训练集样本、2021年数据划分为测试集样本，并采用SMOTE过采样方法对训练集中财务困境和非财务困境样本进行均衡处理，此外，从财务指标和治理结构两方面选取原始特征变量后，采用相关性分析和套索回归对特征变量进行特征筛选。

在进行预测模型可行性检验时，为防止模型过拟合，提高泛化能力，采用十折交叉验证（1）和网格调参（2）在训练集上获取最优参数后，在测试集上进行模型泛化能力检验。本文主要对陷入财务困境的上市民营企业进行研究，故将其定义为正类，选取准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分值（F1-score）四个指标作为衡量各模型优劣指标，通过混淆矩阵对上述评价指标进行计算，其中，TP和TN分别表示对陷入财务困境的和未陷入财务困境的上市民营企业预测正确的样本数；FN和FP分别表示对陷入财务困境和未陷入财务困境的上市民营企业预测错误的样本数。混淆矩阵见表1所列。

Accuracy表示预测正确样本占总样本比例，即预测模型准确识别上市民营企业财务困境和非财务困境能力，计算公式为：

Precision表示对上市民营企业陷入财务困境预测正确样本占被预测为财务困境样本比例，即预测模型预测准确企业财务困境能力，计算公式为：

Recall表示对上市民营企业陷入财务困境预测正确样本占实际陷入财务困境样本比例，即预测模型准确识别企业财务困境能力，计算公式为：

Precision和Recall在某些情况下会产生矛盾，为提高模型预测准确性，采用F1-score进行评估。F1-score可看作综合考虑Precision和Recall的调和值，其可对Precision和Recall更接近的模型给予更高预测得分［21］，计算公式为：

此外，借鉴刘云菁等（2022）［22］的做法，同时选取AUC（Area Under Curve）值作为评价各算法性能优劣指标之一。对于上述评价指标，其数值越大，表明算法预测和解释性能越优。

（二）数据获取及变量定义

本文以2019—2021年沪深A股上市民营企业为研究对象，对于上市民营企业界定，选取由自然人或民营企业控股直接上市的民营企业。根据以往研究设计对数据进行以下处理：①剔除统计期间被ST/*ST/PT类以及暂停上市公司样本；②考虑金融行业监管特殊性，为保证数据分析有效，剔除与一般企业会计处理准则存在差异的金融行业；③剔除研究中财务困境代理变量存在缺失的上市公司样本。最终共得到6 056个上市民营企业样本数据，所需变量均来源于CSMAR数据库。

1. 财务困境

为准确识别上市民营企业财务困境关键影响因素，借鉴王晓燕（2023）［7］和Abinzano等（2020）［23］的做法，选取Z-score作为衡量上市民营企业财务困境代理变量，该数值来源于CSMAR公司研究栏目下的经营困境数据库。

Z-socre最早是由经济学家Altman（1968）［6］通过对美国破产和非破产企业进行数理统计分析建立的著名五变量模型，其计算公式为：

近年来，学者们采用Z-score对中国企业进行类似分析发现，Z-score对我国上市公司财务困境预警具有一定适用性。Z-score数值越大，表明企业财务经营状况越好，同等条件下越不容易陷入财务困境。学者们虽对Z-score数值评断标准存在不同意见，但一般认为陷入财务困境企业的Z-score均值均小于1.8，因此，参考王晓燕（2023）［7］的做法，将1.8作为衡量企业财务困境临界值，若Z-score数值小于1.8，将其设置为1，代表企业在经营过程中存在财务困境风险；反之，设置为0，代表企业经营财务状况良好。通过对赋值后数据进行描述性统计分析得知，上市民营企业陷入财务困境占比约为17%，样本间存在不平衡性。为提高逻辑回归、随机森林、GBDT、XGBoost算法可解释性，利用SMOTE过采样方法对训练集中陷入财务困境的上市民营企业进行人工过采样，将采样样本和旧样本合并，最终使得训练集中财务困境与非财务困境数据比例为1∶1，以便后续对企业是否陷入财务困境进行预测和对关键影响因素进行识别。

2. 财务指标

财务指标可反映企业经营成果和评估财务状况，并在某种程度上揭示企业面临财务风险现状。本文主要从CSMAR数据库财务指标分析的偿债能力、比率结构、经营能力、盈利能力、发展能力五个方面来衡量上市民营企业财务状况对自身财务困境的影响，共选取52个原始特征变量。

3. 治理结构

作为企业所有者对经营者的一种制衡和激励手段，治理结构是引导企业良性发展重要推进剂。本文主要从股权结构、股权激励、董监事会特征三个方面衡量上市民营企业治理结构对自身财务困境的影响，共选取23个原始特征变量。

（三）特征变量预处理

数据预处理关乎逻辑回归、随机森林、GBDT、XGBoost算法预测准确性，是机器学习不可或缺的环节，本文主要对特征变量进行缺失值填充、特征筛选等数据预处理操作。

1. 缺失值填充

对原始特征变量进行描述性统计分析发现其存在大量缺失值，故运用KNN算法，参考邻近企业相关特征变量数值对连续型变量缺失值进行填充，而对于类别型变量，通过在巨潮资讯网查询相关年报进行填充。在原始特征变量进行缺失值填充后，对连续型变量进行上下1%缩尾处理，并将逻辑回归模型中连续型变量进行标准化处理，使处理后数据满足均值为0、方差为1的标准正态分布。

2. 特征筛选

特征过多极易导致机器学习陷入“维度灾难”，进而降低其预测泛化能力。为有效识别影响上市民营企业财务困境关键特征变量，对上述填充后的原始特征变量进行以下处理：①对原始特征变量进行相关性分析，剔除相关系数绝对值大于0.7的变量；②采用套索回归［24］，挖掘对结果影响程度较大的特征变量，最终获得41个影响上市民营企业财务困境的特征变量。具体变量介绍见表2所列。

四、实证分析

（一）上市民营企业财务困境影响因素

1. 预测模型结果对比

本文以企业是否遭受财务困境作为被解释变量，将上述41个特征变量作为解释变量输入预测模型中，采用十折交叉验证和网格调参在训练集上寻找最优模型参数，在测试集上进行预测性能对比，通过对比各模型评估指标，证明XGBoost算法对预测和解释上市民营企业财务困境具备有效性，进而挖掘影响企业财务困境关键特征变量。网格调参后各算法最优核心参数设置见表3所列。

本文获取最优模型参数后，重新利用逻辑回归、随机森林、GBDT、XGBoost在训练集和测试集上进行预测性能对比，结果见表4所列。

由表4可知，逻辑回归、随机森林、GBDT、XGBoost均在训练集上取得良好预测性能，其中，XGBoost在训练集上预测性能最佳。对于测试集，本文重点识别上市民营企业是否陷入财务困境，与其他评价指标相比，Recall反映的是模型是否可准确预测陷入财务困境的样本。由表4可知，XGBoost在Recall上预测得分为0.893，虽低于逻辑回归、随机森林预测得分0.930、0.901，但XGBoost在Precision和F1-score中预测得分分别为0.568、0.694，高于其他三种算法预测得分，证明XGBoost可更加准确预测上市民营企业是否陷入财务困境。因此，采用XGBoost算法来预测上市民营企业财务困境具有一定可行性，后续将主要采用XGBoost中特征变量重要性数值对上市民营企业财务困境影响因素进行剖析。

2. 上市民营企业财务困境影响因素

XGBoost虽然预测性能比传统逻辑回归模型高，但难以像逻辑回归等解释模型一样展示哪些特征變量对预测上市民营企业财务困境起到显著影响作用。因此，本文在对XGBoost中特征变量进行重要性分析的同时，采用逻辑回归对特征变量进行显著性分析，从而进一步揭示XGBoost和逻辑回归在特征变量解释方面的异同。考虑重要性小的特征变量对上市民营企业财务困境预测可解释性弱，分析价值较低，本文仅对XGBoost特征变量重要性排序前九的影响因素进行解释分析，具体结果见表5所列。

由表5可知，上市民营企业财务困境受财务指标和治理结构两方面共同影响，其中，资产负债率、流动比率、资本密集度、存货周转率、应付账款周转率、营业毛利率、固定资产净利润率、资产报酬率是财务指标中影响上市民营企业陷入财务困境的关键因素，治理结构中监事会主席持股比例也会对上市民营企业陷入财务困境产生影响。从XGBoost特征变量重要性数值看，资产负债率和资产报酬率对上市民营企业财务困境影响程度较大，从逻辑回归系数也可看出，资产负债率与上市民营企业财务困境在1%水平上显著正相关，表明資产负债率越大，上市民营企业越容易陷入财务困境。资产报酬率与上市民营企业财务困境在1%水平上显著负相关，表明资产报酬率越高，上市民营企业越不容易陷入财务困境。

（二）上市民营企业财务困境组态分析

XGBoost特征变量重要性数值虽可展示特征变量对预测上市民营企业财务困境重要性，却无法解释特征变量是如何联动交互才导致企业陷入财务困境。为整体把握上市民营企业陷入财务困境影响因素之间联动交互效应，本文选取未经过SMOTE过采样方法均衡处理的2019—2020年训练集样本进行探究，选择XGBoost中特征变量重要性数值相对较大的前九个前因变量进行组态分析。此外，为防止样本间不平衡性问题引起不必要误差，随机抽取636个上市民营企业非财务困境样本，共得到1 272个上市民营企业财务困境组态分析数据集。利用fsQCA3.0软件中calibrate函数（3）将前因变量进行模糊隶属处理，校准为0到1之间模糊隶属分数，同时选取样本数据上四分位数、中位数、下四分位数来对完全隶属点、交叉点、完全不隶属点进行衡量。前因变量校准过程中，参照敦帅等（2021）［25］的研究设计，对校准后数值恰为0.5的样本数据，根据其具体偏属对0.5进行±0.001操作，使其变成0.501或0.499。各前因变量校准结果见表6所列。

1. 单变量必要性分析

在对上市民营企业财务困境组态进行剖析时，需先进行单变量必要性分析（NCA）。Dul等（2020）［26］提出单变量必要性分析方法，探究单一前因变量在最低水平下是否为结果变量产生的必要性条件提供必要方法支撑。该方法检验某一前因变量在不关注覆盖率情况下一致性是否大于0.9，若大于0.9，则表明该前因变量为导致上市民营企业陷入财务困境的必要性条件。本文利用fsQCA3.0软件中Necessary Conditions函数对各前因变量进行单变量必要性分析，结果见表7所列。

由表7可知，偿债能力、经营能力、盈利能力、股权激励中各前因变量一致性数值均小于0.9，未超过一致性检验阈值，不能单独对上市民营企业陷入财务困境产生必要性影响，这也说明上市民营企业财务困境不是单一前因独立影响的结果，需从组态视角进一步剖析导致企业财务困境关键影响因素之间联动交互效应。

2. 多变量组态分析

为进一步剖析多个前因变量不同组合对上市民营企业财务困境成因组态效应，本文利用fsQCA3.0软件将校准后的前因变量通过Truth Table Algorithm函数构建真值表，将财务困境结果频数设定为10，一致性阈值设定为0.76，有偏一致性（PRI consist）设定为大于0.7［27］，标准化分析后得到导致上市民营企业财务困境成因的复杂解、简约解、中间解三种解（4），简约解和中间解构型结合即可得到导致上市民营企业陷入财务困境具体成因组态，结果见表8所列。

由表8可知，通过对偿债能力、经营能力、盈利能力、股权激励中的九个前因变量进行fsQCA分析，共得到4种组态，各组态一致性水平均大于0.8，总体解一致性为0.884，大于0.8的阈值，表明这4种组态可很好地阐明上市民营企业财务困境具体成因；总体解覆盖率为0.365，优于组织管理领域利用fsQCA开展公开数据研究中总体覆盖率0.3的数值结果［28］，表明这4种组态可看作财务指标和治理结构两方面因素共同影响下上市民营企业陷入财务困境充分条件组态。

从各组态看，资产负债率存在、流动比率和资产报酬率均缺失是导致上市民营企业陷入财务困境的核心条件，而辅助条件存在的不同则是上市民营企业陷入财务困境呈现不同组态路径的主要原因。

组态D11辅助条件为经营能力中应付账款周转率缺失、盈利能力中营业毛利率和固定资产净利润率均缺失以及股权激励中监事会主席持股比例缺失。该组态以应付账款周转率缺失作为辅助条件存在，表明该组态中企业虽然短时间内可无息占用供应商货款、提高其经营能力，但由于监事会主席持股比例小，加之企业自身偿债能力不足且盈利能力低下，无法按时偿还所欠债务，长此以往，势必引起供应商不满，反而不利于自身长期经营，容易陷入财务困境。该组态典型代表企业有兴源环境科技股份有限公司，其通过并购扩张虽短时间带来一定经营利润，但在长期运营中面临资产减值等问题，加之新冠疫情导致业务结算缓慢和新老业务衔接不及时，进一步加剧其亏损程度。

组态D12辅助条件为经营能力中资本密集度缺失但存货周转率存在、盈利能力中营业毛利率和固定资产净利润率均缺失。该组态以存货周转率作为辅助条件存在，表明企业具备短期将存货转化为现金的能力，但是其盈利能力中营业毛利率和固定资产净利润率均以辅助条件缺失存在，盈利能力低下容易导致其陷入财务困境。该组态唯一覆盖率为0.096，表示上市民营企业财务困境样本中仅有9.6%的企业能被该组态唯一解释，可唯一解释案例数最多，典型代表企业有远东智慧能源股份有限公司，这家以智能能源为主营业务的上市民营企业，受国家新能源补贴政策变化和原材料价格上涨等因素影响，2019—2020年盈利能力持续下滑，企业自身短期债务2020年高达50.75亿元，面临巨大短债压力，极易引发财务困境。

组态D13辅助条件为经营能力中资本密集度存在但存货周转率和应付账款周转率缺失、盈利能力中固定资产净利润率缺失。该组态中资本密集度以辅助条件存在，表明总资产与销售收入比值较高，企业获得单位销售收入所需资产金额也较高，从而不利于经营能力提升，导致其陷入财务困境。该组态典型代表企业有邦讯技术股份有限公司，在2020年期末净资产为负值，虽受益于国家对5G的支持，拥有更多经营机会，但资金短缺，业务开展困难，企业自身经营状况不容乐观，容易陷入财务困境。

组态D14辅助条件为经营能力中资本密集度存在但存货周转率缺失、盈利能力中营业毛利率和固定资产净利润率缺失以及股权激励中监事会主席持股比例存在。与其他组态相比，该组态中上市民营企业盈利能力低下且经营状况不善，加之监事会主席持有一定股权比例，为防止自身利益被损害，可能加重企业代理问题，从而导致企业陷入财务困境。该组态唯一覆盖率为0.009，可唯一解释案例数最少，典型代表企业有众泰汽车股份有限公司，该公司2019年存货周转率远低于样本数据中存货周转率中位数3.41的数值，存货变现能力存在不足，在一定程度上增加资金周转风险，2020年度受资金短缺和新冠疫情影响曾逾期偿还银行贷款，进一步加剧其融资困境。

从表8可知，资产负债率存在和流动比率缺失均以核心条件在4种组态路径中存在，资产负债率高表明上市民营企业偿还债务能力在下降，当现金流不足时，极易导致企业不能及时偿还债务，进而使其陷入财务困境。流动比率缺失说明上市民营企业现有资金无法偿还债务，资金链较为紧张，极易陷入财务困境。作为反映企业盈利能力指标，营业毛利率和固定资产净利润率在3种和4种组态路径中均以辅助条件缺失存在，加之4种组态路径均以资产报酬率缺失为核心条件，表明上市民营企业偿债能力不足和盈利能力缺失是导致其陷入财务困境的重要成因。此外，监事会主席持股比例在组态D11中以辅助条件缺失存在，在组态D14中以辅助条件存在，说明监事会主席持股比例大小在一定程度上也会影响上市民营企业是否陷入财务困境，这说明企业在进行股权激励时需适度权衡监事会主席持股比例。

3. 稳健性检验

调整频数和一致性阈值［28］是fsQCA常用的稳健性检验方法，本文通过将结果频数设定为12、一致性阈值设定为0.78、PRI consist保持不变，重新进行标准化分析，结果见表9所列。

从表9可知，通过将频数和一致性阈值进行调整后共得到3种组态，可看作未调整参数前组态子集，且各组态衡量指标数值并未发生明显变化。因此，可以表明本文研究结果具有一定稳健性。

五、结论与启示

（一）结论

本文为探究上市民营企业财务困境影响因素及其成因组态，以沪深A股上市民營企业为研究对象，构建基于XGBoost和fsQCA方法的实证研究模型，从整体上探讨上市民营企业财务困境影响因素之间联动交互效应。研究发现：财务指标是衡量上市民营企业是否陷入财务困境的关键因素，主要表现为偿债能力不足和盈利能力缺失，且治理结构中监事会主席持股比例也会一定程度上对上市民营企业陷入财务困境产生影响。从组态视角看，财务指标和治理结构中的单一前因变量不是导致上市民营企业陷入财务困境的必要条件，上市民营企业财务困境是多因素联动交互下产生的结果，可总体概括为多重并发型。

（二）启示

基于上述研究结果，本文得到以下管理启示：①在日常经营管理中，上市民营企业应重视和加强对财务的管理，通过制定合理的资产负债结构和流动资产结构，加速资金周转速度，以提升自身偿债能力。此外，上市民营企业应根据自身情况优化运营，尽可能进行多元化经营，在提高自身抗风险能力的同时提升盈利能力，保证企业长期生存和发展。②上市民营企业在保持良好经营状况前提下，要改善自身治理结构方面的不足，建立科学激励机制，在对公司管理者进行股权激励时，适度调整管理者股权激励覆盖度和程度，以便形成良好的股权制衡机制，防止自身代理成本增加。同时，借鉴优秀企业治理经验，从强化企业治理结构方面避免自身陷入财务困境。③在上市民营企业保持良好经营状况和有效完善治理机制的情况下，为有效应对宏观环境变化和突发公共事件对企业财务困境的影响，政府也需加大对企业帮扶力度，优化营商环境，实行更为精准的帮扶政策，建立科学的评估方法，尽可能地鼓励更多银行参与到帮扶队伍中，助力企业摆脱财务困境，从整体上促进其实现良性发展。

（三）不足

本文重点探讨财务指标和治理结构对上市民营企业财务困境的影响，对宏观环境中可能引起企业陷入财务困境的特征变量缺乏关注，未来可考虑将外部环境中存在的潜在特征变量进行挖掘并对研究结论进行补充；再者，Z-score数值会随企业经营情况发生变化，采用fsQCA方法对上市民营企业财务困境成因进行剖析时，未能对企业动态经营状况特征进行刻画，未来可考虑引入动态QCA进行探究，分析不同阶段要素之间是如何演化才导致上市民营企业陷入财务困境的。

注 释：

（1）十折交叉验证是机器学习中常用的提高算法准确性的一种测试方法，其将数据集随机划分为十份，轮流将其中九份作为训练集数据，一份作为测试集数据，进行试验，最终结果取十次测试的均值。

（2）网格调参是机器学习中提高算法预测准确性的一种调参方法，通过循环遍历所有候选参数，进而从中找到预测性能最优的参数集合。

（3）calibrate函数中包含四个参数，分别为变量名、完全隶属点、交叉点、完全不隶属点。

（4）fsQCA简约解中只存在核心变量条件，辅助变量条件会在中间解中出现，将简约解和中间解构型结合便可区分核心变量条件和辅助变量条件，得到复杂解。

参考文献：

［1］费扬文.会计信息质量与民营企业融资困境研究［J］.现代经济探讨，2023（1）：84-92.

［2］刘惠好，焦文妞.国有股权参股、融资约束与民营企业金融资产投资［J］.现代经济探讨，2022（4）：70-82.

［3］王耀. 基于公司治理变量的财务困境预测研究［J］. 华东经济管理，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，杨珊珊.考虑多维效率的上市公司财务困境预警研究［J］.中国管理科学，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］王晓燕. 财务困境和掏空动机双叠加下终极股东控制链变动［J］. 商业研究，2023（1）：120-130.

［8］鲜文铎，向锐. 基于混合Logit模型的财务困境预测研究［J］. 数量经济技术经济研究，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，楊阳. SGL-SVM方法研究及其在财务困境预测中的应用［J］.统计研究，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］张向荣.基于子空间多核学习的企业财务困境预测方法［J］.运筹与管理，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］杜运周，马鸿佳.复杂性背景下的创新创业研究：基于QCA方法［J］.研究与发展管理，2022，34（3）：1-9.

［17］蒋敏，周炜，史济川，等.基于fsQCA的上市企业债券违约影响因素研究［J］.管理学报，2021，18（7）：1076-1085.

［18］杜运周，贾良定.组态视角与定性比较分析（QCA）：管理学研究的一条新道路［J］.管理世界，2017（6）：155-167.

［19］周卫华，翟晓风，谭皓威.基于XGBoost的上市公司财务舞弊预测模型研究［J］.数量经济技术经济研究，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］陈成梦，黄永春，吴商硕，等.基于XGBoost算法的机会型创业预测研究［J］.科技进步与对策，2023，40（5）：14-22.

［22］刘云菁，伍彬，张敏.上市公司财务舞弊识别模型设计及其应用研究——基于新兴机器学习算法［J］.数量经济技术经济研究，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的在线短租市场价格预测及特征分析模型［J］.数据分析与知识发现，2021，5（6）：51-65.

［25］敦帅，陈强，陈力，等.重大科技基础设施运行效益影响机制研究——基于“投入—产出”视角的定性比较分析［J］.中国软科学，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］谌飞龙，卢伟琪.商标侵权事件如何引发品牌资产损失？——基于模糊集的定性比较分析［J］.中国软科学，2021（4）：163-172.

［28］张明，陈伟宏，蓝海林.中国企业“凭什么”完全并购境外高新技术企业——基于94个案例的模糊集定性比较分析（fsQCA）［J］.中国工业经济，2019（4）：117-135.