衛(wèi)建國,溫婷婷

(中山大學(xué) 管理學(xué)院 南方學(xué)院，廣東 廣州 510275)

?

電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建與應(yīng)用

衛(wèi)建國1,溫婷婷2

(中山大學(xué) 管理學(xué)院 南方學(xué)院，廣東 廣州 510275)

摘要：委托貸款財(cái)務(wù)風(fēng)險(xiǎn)控制是電網(wǎng)公司面臨的一項(xiàng)重要課題。文章以縣級(jí)電網(wǎng)子公司為貸款對(duì)象，通過改進(jìn)傳統(tǒng)的Z分?jǐn)?shù)模型，運(yùn)用因子分析等方法構(gòu)建電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警模型，并試圖通過一個(gè)示范性案例說明模型的具體應(yīng)用并驗(yàn)證模型的可行性。研究表明：電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型是可構(gòu)建的，且所構(gòu)建的模型具有可操作性，對(duì)提升電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)管理水平具有實(shí)用價(jià)值。

關(guān)鍵詞：電網(wǎng)公司；委托貸款；財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警；模型

一、引言

隨著中國經(jīng)濟(jì)的穩(wěn)步發(fā)展，對(duì)電力的依賴逐步擴(kuò)大，電網(wǎng)公司的基礎(chǔ)建設(shè)不斷增加，從而帶來巨大的資金需求，僅靠公司內(nèi)部積累遠(yuǎn)遠(yuǎn)解決不了問題，大量的銀行貸款成為電網(wǎng)公司重要的資金來源。在目前我國電網(wǎng)公司管理體制下，省級(jí)電網(wǎng)公司管理著地市(或縣)級(jí)分公司和子公司等兩種不同性質(zhì)的供電企業(yè)。對(duì)于分公司，電網(wǎng)公司可以通過撥款和預(yù)算的方式，進(jìn)行統(tǒng)一的資金管理；但是受限于產(chǎn)權(quán)關(guān)系，省公司或市公司均無法直接對(duì)具有獨(dú)立法人身份的縣級(jí)供電子公司通過撥款的方式進(jìn)行日常資金運(yùn)轉(zhuǎn)。所以，縣級(jí)供電子公司所需的發(fā)展資金則主要通過向外部銀行借款與向母公司申請(qǐng)委托貸款的方式進(jìn)行融資。

在縣級(jí)子公司向省網(wǎng)公司申請(qǐng)的委托貸款業(yè)務(wù)中，由于各地發(fā)展不均衡，一些縣級(jí)供電子公司經(jīng)營壓力大，還款能力有限，存在不能按時(shí)償還債務(wù)的風(fēng)險(xiǎn)，這種情況給省級(jí)電網(wǎng)公司和整個(gè)電網(wǎng)集團(tuán)帶來極大的負(fù)面影響。所以，如何有效預(yù)防由于委托貸款給電網(wǎng)公司帶來的財(cái)務(wù)風(fēng)險(xiǎn)是電網(wǎng)公司迫切需要解決的問題。本文以縣級(jí)供電子公司為委托貸款的需求方試圖構(gòu)建電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，以期為電網(wǎng)公司有效地控制財(cái)務(wù)風(fēng)險(xiǎn)、提高委托貸款的效益提供理論支持。

二、模型構(gòu)建的基礎(chǔ)

(一)相關(guān)文獻(xiàn)及其評(píng)述

筆者在文獻(xiàn)檢索中，尚未發(fā)現(xiàn)委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究，而財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究的文獻(xiàn)比較多。財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的文獻(xiàn)對(duì)研究委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警具有重要參考價(jià)值。國內(nèi)外學(xué)者對(duì)于財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行了大量的研究，根據(jù)模型種類的不同，大體可以分為單變量模型、多變量模型和智能模型等。

單變量預(yù)警模型是指運(yùn)用單個(gè)變量來對(duì)企業(yè)進(jìn)行相關(guān)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測(cè)的模型。Fitzpatrick(1932)首先提出了單個(gè)財(cái)務(wù)比率模型，而且研究發(fā)現(xiàn)凈利潤與股東權(quán)益的比率和股東權(quán)益與負(fù)債的比率兩個(gè)比率對(duì)于正常企業(yè)與陷入財(cái)務(wù)困境的企業(yè)的判別能力最高[1]。而Beaver(1966)選擇擴(kuò)大樣本容量與增加指標(biāo)地選取，運(yùn)用統(tǒng)計(jì)方法構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，結(jié)果顯示債務(wù)保障率、資產(chǎn)收益率與資產(chǎn)負(fù)債率這三個(gè)指標(biāo)對(duì)于企業(yè)危機(jī)的預(yù)測(cè)最為準(zhǔn)確，而且越接近企業(yè)破產(chǎn)日，其預(yù)測(cè)得準(zhǔn)確性越高[2]。

多變量預(yù)警模型則是運(yùn)用多個(gè)變量對(duì)企業(yè)危機(jī)進(jìn)行預(yù)測(cè)的模型。在多變量預(yù)警模型中，影響力最大的是Edward Altman(1968)提出得Z分?jǐn)?shù)模型。他通過對(duì)1964年至1965年之間33家破產(chǎn)公司與33家正常公司進(jìn)行分析，以22個(gè)財(cái)務(wù)比率作為自變量進(jìn)行研究，最后得出Z分?jǐn)?shù)模型：

Z=1.2x1+1.4x2+3.3x3+0.6x4+1.0x5

其中：x1=營運(yùn)資本/資產(chǎn)總額；x2=留存收益/資產(chǎn)總額；x3=息稅前利潤/資產(chǎn)總額；x4=股東權(quán)益市值/負(fù)債總額；x5=銷售收入/資產(chǎn)總額。

一般認(rèn)為，計(jì)算所得的Z值越小，企業(yè)涉及的財(cái)務(wù)風(fēng)險(xiǎn)越高。當(dāng)Z值小于1.81時(shí)，認(rèn)為企業(yè)面臨破產(chǎn)的風(fēng)險(xiǎn)較大，而當(dāng)Z值大于2.675時(shí)，則認(rèn)為企業(yè)處于財(cái)務(wù)良好的狀態(tài)，破產(chǎn)的概率較低[3]。為了提高預(yù)警模型的精準(zhǔn)性，Blum.M(1974)改進(jìn)了Z分?jǐn)?shù)模型，其在Z分?jǐn)?shù)模型的基礎(chǔ)上充分考慮了現(xiàn)金流量的有關(guān)因素并提出了F分?jǐn)?shù)模型[4]。但是，因?yàn)樯鲜龆嘧兞款A(yù)警模型普遍存在線性模型的假設(shè)，該局限性將對(duì)模型帶來一定影響，Ohlson(1980)構(gòu)建了條件概率模型。Ohlson利用Logistci及Probit兩種統(tǒng)計(jì)方法對(duì)105家破產(chǎn)企業(yè)與2058家正常經(jīng)營企業(yè)進(jìn)行研究，得出公司規(guī)模、資本結(jié)構(gòu)、公司業(yè)績與當(dāng)前融資能力是影響企業(yè)是否正常經(jīng)營的顯著變量[5]。

我國學(xué)者周首華、楊濟(jì)華與王平(1996)選擇了31家破產(chǎn)公司與31家正常經(jīng)營的公司進(jìn)行研究，并對(duì)Z分?jǐn)?shù)模型進(jìn)行了改進(jìn)，得出F分?jǐn)?shù)模型[6]。陳靜(1999)[7]、吳世農(nóng)等(2001)[8]、姜秀華等(2002)[9]、陳曉(2003)[10]等許多學(xué)者均采用多變量方法對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行了研究，取得了有價(jià)值的研究成果。

計(jì)算機(jī)人工智能技術(shù)的發(fā)展，大大促進(jìn)了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究。Odom(1990)利用神經(jīng)網(wǎng)絡(luò)模型分析了1975年到1982年之間64家破產(chǎn)公司與64家正常經(jīng)營公司。研究表明，倒傳遞網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果比Z分?jǐn)?shù)模型的預(yù)測(cè)結(jié)果更為準(zhǔn)確[11]。由于BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性反映能力，楊保安與季海(2001)運(yùn)用該分析方法對(duì)商業(yè)銀行的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行了研究，建立了一個(gè)可正向或者逆向?qū)W習(xí)得非線性財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)模型比其他預(yù)警模型的預(yù)測(cè)效果更佳[12]。

就國內(nèi)外研究文獻(xiàn)來看，建立了多種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，對(duì)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)控制具有重要指導(dǎo)意義。但是，學(xué)者們過多地強(qiáng)調(diào)模型的構(gòu)建、敏感性分析等方法，而對(duì)企業(yè)的實(shí)際應(yīng)用情況研究較少；國內(nèi)的研究樣本多為上市公司，而對(duì)于非上市公司的研究很少；尤其是現(xiàn)有的研究缺乏對(duì)特殊行業(yè)和特殊業(yè)務(wù)的分析，筆者在文獻(xiàn)檢索中尚未發(fā)現(xiàn)委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的研究。事實(shí)上，委托貸款財(cái)務(wù)風(fēng)險(xiǎn)有其特殊性，一般意義上的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警并不足以反映委托貸款的情況。我國電網(wǎng)企業(yè)委托貸款更是有其特殊的制度背景與運(yùn)作方式，對(duì)電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警進(jìn)行專門研究很有必要。

(二)電網(wǎng)公司委托貸款的特征

本文所涉及的委托貸款的委托方(資金提供者)為省電網(wǎng)公司，貸款方為縣級(jí)供電子公司(資金需求者)。在目前我國電網(wǎng)公司管理體制下，省級(jí)電網(wǎng)公司的財(cái)務(wù)公司為金融中介機(jī)構(gòu)。電網(wǎng)公司委托貸款的基本關(guān)系為：應(yīng)供電子公司要求，省公司委托財(cái)務(wù)公司將款項(xiàng)貸給子公司。子公司按照貸款協(xié)議取得貸款后承擔(dān)向省公司還本付息的義務(wù)。

縣級(jí)供電子公司作為基層供電企業(yè)，其投資建設(shè)項(xiàng)目多，資金需求量大，投資資金大部分來自于自籌資金。目前在縣級(jí)供電子公司自籌資金方面，只有很少一部分來自自身的留存收益，大部分則是通過向母公司申請(qǐng)委托貸款得來的。這種委托貸款給母公司帶來沉重的壓力。因?yàn)榭h級(jí)供電子公司負(fù)債率不斷上升，財(cái)務(wù)費(fèi)用負(fù)擔(dān)越來越沉重，舊的債務(wù)剛償還，新的債務(wù)接踵而來，縣級(jí)供電子公司永遠(yuǎn)處于一個(gè)負(fù)債循環(huán)狀態(tài)。同時(shí)，因?yàn)槲覈?jīng)濟(jì)發(fā)展迅速以及國民生活水平的提高，對(duì)電網(wǎng)的基建投資的需求不斷增大，縣級(jí)供電子公司所需要的建設(shè)資金就越來越多，相應(yīng)地母公司所需要進(jìn)行的委托貸款數(shù)量也就越來越多，由此造成電網(wǎng)公司的財(cái)務(wù)風(fēng)險(xiǎn)增大。

三、模型的構(gòu)建

(一)模型構(gòu)建的原則與思路

電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建是一項(xiàng)系統(tǒng)工程，同時(shí)我們構(gòu)建模型的目的不是空談理論的束之高閣，而是著眼于實(shí)際應(yīng)用，所以模型的構(gòu)建必須堅(jiān)持系統(tǒng)性、針對(duì)性和可操作性等項(xiàng)原則。

在上述原則指導(dǎo)下，本文模型構(gòu)建的思路為：首先，從償債能力、營運(yùn)能力、盈利能力、發(fā)展能力及現(xiàn)金流量能力五個(gè)方面找出對(duì)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警具有影響的變量；其次，運(yùn)用因子分析法對(duì)其進(jìn)行分析，找出對(duì)財(cái)務(wù)風(fēng)險(xiǎn)具有顯著影響的指標(biāo)，并得出各主因子預(yù)測(cè)函數(shù)；然后，通過各主因子的預(yù)測(cè)函數(shù)可以得出整體財(cái)務(wù)風(fēng)險(xiǎn)值。最后，利用整體風(fēng)險(xiǎn)值與選取的指標(biāo)進(jìn)行逐步回歸分析，得出最終的電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

(二)模型的構(gòu)成要素

本文將根據(jù)電網(wǎng)公司的特征，從償債能力、營運(yùn)能力、盈利能力、發(fā)展能力及現(xiàn)金流量能力五個(gè)方面，選取出對(duì)風(fēng)險(xiǎn)預(yù)警模型有顯著影響的相關(guān)變量，作為模型的構(gòu)成要素，具體選擇如表1所示：

表1　模型構(gòu)成要素

(三)模型的設(shè)計(jì)與構(gòu)造

設(shè)計(jì)與構(gòu)建電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的具體流程圖如圖1所示。

1.因子分析

在電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)成要素中，變量的數(shù)量較多，而且各個(gè)變量之間可能存在較強(qiáng)的相關(guān)關(guān)系，這些因素會(huì)給模型的構(gòu)建帶來一定的障礙。所以，在建立預(yù)警模型前，需要先運(yùn)用因子分析法對(duì)各指標(biāo)進(jìn)行分析，選取出對(duì)風(fēng)險(xiǎn)具有顯著影響的變量。因子分析的步驟如下：

(1)選取原始變量，并將相關(guān)數(shù)據(jù)標(biāo)準(zhǔn)化處理。

假設(shè)選取的原始變量為x1,…,xp，由該變量組成的樣本觀察矩陣為x，即

其中，p代表變量的個(gè)數(shù)，n代表樣本的數(shù)量。

對(duì)相關(guān)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，具體公式如下

其中：

圖1　模型建立流程圖

(2)求出標(biāo)準(zhǔn)化后的矩陣x的相關(guān)系數(shù)矩陣R。通過計(jì)算相關(guān)系數(shù)的大小，判斷所選取得變量是否適合進(jìn)行因子分析。相關(guān)系數(shù)矩陣R如下所示：

其中：

i=1,2,…,p;j=1,2,…,n

此外，檢驗(yàn)選取得變量是否適宜進(jìn)行因子分析還可以利用KMO檢驗(yàn)與巴特利特球形檢驗(yàn)。

KMO檢驗(yàn)是為了衡量變量之間的簡相關(guān)系數(shù)與偏相關(guān)系數(shù)的大小關(guān)系。計(jì)算所得的KMO值在0與1之間，越接近1，則說明變量越適合進(jìn)行因子分析。具體規(guī)則如下：當(dāng)KMO值0.9，說明變量非常適合進(jìn)行因子分析；當(dāng)0.8≦KMO值<0.9，說明變量適合進(jìn)行因子分析；當(dāng)0.7≦KMO<0.8，說明變量進(jìn)行因子分析的結(jié)果一般；當(dāng)0.6≦KMO<0.7，說明進(jìn)行因子分析比較勉強(qiáng)；當(dāng)0.5≦KMO<0.6，說明變量進(jìn)行因子分析的合適程度不佳；當(dāng)KMO值<0.5，則說明不可以進(jìn)行因子分析。

巴特利特球形檢驗(yàn)是為了驗(yàn)證變量之間是否存在相關(guān)性。如果巴特利特球形檢驗(yàn)的統(tǒng)計(jì)量很大，而且其對(duì)應(yīng)的相伴概率值小于規(guī)定的顯著性水平，那么就說明變量的相關(guān)系數(shù)矩陣不是單位矩陣，也就是說，原始變量之間存在相關(guān)性，可以進(jìn)行因子分析。

(3)計(jì)算通過檢驗(yàn)后的相關(guān)系數(shù)矩陣R的特征值λi，而且λ1,λ2,…,λp≥0。并求出相應(yīng)的特征向量li。其中，λi可以在特征方程|R-λE|=0中求出。

(4)在獲得各特征值與特征向量后，計(jì)算公共因子的方差貢獻(xiàn)率和累積方差貢獻(xiàn)率。當(dāng)λ1≥λ2,≥…≥λp≥0時(shí)，可以計(jì)算出相關(guān)系數(shù)矩陣的特征值即公共因子Fj的方差貢獻(xiàn)來計(jì)算公共因子Fj的方差貢獻(xiàn)率以及累積方差貢獻(xiàn)率。

公共因子Fj的方差貢獻(xiàn)率表示式如下。

公共因子Fj的累積方差貢獻(xiàn)率表示式如下。

(5)確定公共因子個(gè)數(shù)。對(duì)于公共因子個(gè)數(shù)的確定方法有兩種。第一種是根據(jù)特征值的大小來進(jìn)行確定。在因子分析中，通常會(huì)選取大于1的特征值所對(duì)應(yīng)的特征值數(shù)量來確定公共因子個(gè)數(shù)。第二種是利用累計(jì)方差貢獻(xiàn)率來確定公共因子個(gè)數(shù)。通常情況下，在累積貢獻(xiàn)率達(dá)到85%或者85%以上的時(shí)候，那么認(rèn)為特征值相應(yīng)的數(shù)量則為公共因子個(gè)數(shù)。

(6)構(gòu)建公共因子的載荷矩陣A。經(jīng)過上述分析，得出m個(gè)公共因子。其中：

(7)進(jìn)行因子旋轉(zhuǎn)。為了令因子負(fù)荷發(fā)生兩極分化，從而使因子可以進(jìn)行更好地解釋，所以在因子分析中需要對(duì)因子進(jìn)行旋轉(zhuǎn)。在因子旋轉(zhuǎn)中，可以劃分為正交旋轉(zhuǎn)和斜交旋轉(zhuǎn)兩種。在本文中，將運(yùn)用最大方差正交旋轉(zhuǎn)法。正交旋轉(zhuǎn)可以使公共因子的相對(duì)負(fù)荷方差之和達(dá)到最大，同時(shí)，這樣地旋轉(zhuǎn)不會(huì)影響原有公共因子的正交性，而且公共方差的總和未發(fā)生變化。

(8)計(jì)算各公共因子得分。計(jì)算因子得分的方法也有多種，如回歸法，Bartlette法等。本文選用回歸法對(duì)各公共因子得分進(jìn)行計(jì)算。通過回歸法，可以利用原始變量的相關(guān)矩陣和載荷矩陣求出因子得分函數(shù)的系數(shù)。因子得分函數(shù)如下：

Fj=bj1x1+bj2x2+…+bjpxpj=1,2,…,m2.計(jì)算財(cái)務(wù)風(fēng)險(xiǎn)值

在計(jì)算了各個(gè)公共因子得分后，可以通過相關(guān)特征值計(jì)算財(cái)務(wù)風(fēng)險(xiǎn)值函數(shù)的系數(shù)，從而求得財(cái)務(wù)風(fēng)險(xiǎn)值。

計(jì)算獲得財(cái)務(wù)風(fēng)險(xiǎn)值后，需要對(duì)財(cái)務(wù)風(fēng)險(xiǎn)值進(jìn)行相關(guān)分析，如判斷財(cái)務(wù)風(fēng)險(xiǎn)值的波動(dòng)區(qū)間，以及高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)所對(duì)應(yīng)的時(shí)期，并判斷財(cái)務(wù)風(fēng)險(xiǎn)的臨界值點(diǎn)。

3.模型的確定

本文計(jì)算電網(wǎng)公司委托貸款的財(cái)務(wù)風(fēng)險(xiǎn)主要是通過改進(jìn)Z分?jǐn)?shù)模型進(jìn)行的，即：根據(jù)需要貸款的縣級(jí)供電子公司的財(cái)務(wù)數(shù)據(jù)及公司的實(shí)際情況和因子分析的判斷結(jié)果，選取出適合該公司使用的變量，并計(jì)算各公共因子的得分以及綜合財(cái)務(wù)風(fēng)險(xiǎn)的風(fēng)險(xiǎn)值。為了獲得適合電網(wǎng)公司使用的風(fēng)險(xiǎn)預(yù)警模型，本文將獲得的財(cái)務(wù)風(fēng)險(xiǎn)值與各公共因子中具有代表性的指標(biāo)進(jìn)行逐步回歸，最后獲得電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型如下：

Z=w1×x1+w2×x2+…+wk×xk其中，Z為整體財(cái)務(wù)風(fēng)險(xiǎn)值，wi為各指標(biāo)的權(quán)重，xi為各公共因子中具有代表性的指標(biāo)。

四、模型的應(yīng)用：一個(gè)示范性案例

本文以A縣級(jí)供電子公司(以下簡稱“A公司”)為例，對(duì)模型的相關(guān)運(yùn)用進(jìn)行闡述。A公司為某省電網(wǎng)公司的一個(gè)控股子公司，隨著A公司所在地經(jīng)濟(jì)的發(fā)展，用電需求迅速擴(kuò)張，需要大量的電網(wǎng)投資，而A公司基礎(chǔ)較為薄弱，依靠其自身的利潤增量和折舊回收遠(yuǎn)不能滿足投資和經(jīng)營活動(dòng)對(duì)資金的需求。為了扶持A公司的發(fā)展，省電網(wǎng)公司多次委托電網(wǎng)集團(tuán)的財(cái)務(wù)公司貸款數(shù)千萬元給A公司。這種情況給A公司(貸款方)和省公司(委托方)均會(huì)帶來財(cái)務(wù)風(fēng)險(xiǎn)，我們將通過委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型來揭示這種風(fēng)險(xiǎn)，以便有針對(duì)性地進(jìn)行控制。具體流程如下。

第一， 根據(jù)A公司財(cái)務(wù)報(bào)表的相關(guān)基礎(chǔ)數(shù)據(jù)，分別計(jì)算出2010年至2014年流動(dòng)比率、資產(chǎn)負(fù)債率、已獲利息倍數(shù)等18個(gè)變量的數(shù)值。

第二，將相關(guān)數(shù)據(jù)導(dǎo)入SPSS19.0中，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。隨后計(jì)算相關(guān)系數(shù)矩陣，并進(jìn)行KMO檢驗(yàn)以及巴特利特球形檢驗(yàn)。

由于得出的相關(guān)系數(shù)矩陣中，許多變量的相關(guān)系數(shù)都不足0.3，且未通過KMO檢驗(yàn)以及巴特利特球形檢驗(yàn)，所以說明原變量并不適合進(jìn)行因子分析。所以，需要對(duì)不符合要求的變量進(jìn)行排除，并再次進(jìn)行上述檢驗(yàn)，直到檢驗(yàn)結(jié)果反映所選取的變量適宜進(jìn)行因子分析為止。最后，通過檢驗(yàn)的指標(biāo)包括資產(chǎn)負(fù)債率、總資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)報(bào)酬率、總資產(chǎn)利潤率、銷售凈利率、主營業(yè)務(wù)利潤率、成本費(fèi)用利潤率、債務(wù)保障率、全部資產(chǎn)現(xiàn)金回收率、現(xiàn)金流量流動(dòng)負(fù)債比率10個(gè)變量。其中，通過檢驗(yàn)的結(jié)果見表2。

表2　KMO檢驗(yàn)與巴特利特球形檢驗(yàn)

由表2的檢驗(yàn)結(jié)果可知，KMO值為0.606，說明變量可以進(jìn)行因子分析。同時(shí)，巴特利特球形檢驗(yàn)得出在自由度為45的情況下，所得的χ2值為343.980。而且相伴概率為0.00，明顯小于顯著性水平0.05，因此拒絕巴特利特球形檢驗(yàn)的原假設(shè)接收其備擇假設(shè)，即選取的指標(biāo)適宜進(jìn)行因子分析。

第三，運(yùn)用SPSS19.0對(duì)相關(guān)系數(shù)矩陣的特征值等進(jìn)行有關(guān)計(jì)算，并通過累計(jì)方差貢獻(xiàn)率的大小來選取公共因子的個(gè)數(shù)。結(jié)果如表3所示。

表3　解釋的總方差

提取方法：主成份分析。

由表3可知，未發(fā)生旋轉(zhuǎn)時(shí)的第一主因子的特征值是4.231，其對(duì)應(yīng)的方差貢獻(xiàn)率是42.306%。直到第三個(gè)主因子時(shí)，累計(jì)方差貢獻(xiàn)率為94.563%大于了85%，即在公共因子的數(shù)量為三個(gè)，而且對(duì)應(yīng)的特征值分別是4.231、4.060、1.166。同時(shí)，在表3中也反映了因子旋轉(zhuǎn)后的總的解釋方差。與旋轉(zhuǎn)前的數(shù)據(jù)相比，三個(gè)主因子的特征值發(fā)生了一些變化，旋轉(zhuǎn)后的特征值相對(duì)集中，但是累積的方差貢獻(xiàn)率沒有發(fā)生改變，仍然是94.563%。

第四，在獲得相關(guān)特征值與特征矩陣后，可以通過SPSS19.0求得因子載荷矩陣。結(jié)果如表4與表5所示。

在表4中，其反映的成分矩陣是每個(gè)變量在未發(fā)生旋轉(zhuǎn)時(shí)的因子上的載荷量，其中省略了小于0.10的相關(guān)數(shù)據(jù)，如總資產(chǎn)利潤率=0.876×F1-0.343×F2+0.213×F3。但是由于存在部分變量同時(shí)在幾個(gè)未發(fā)生旋轉(zhuǎn)時(shí)的因子上有著較大的載荷，這就會(huì)導(dǎo)致因子在進(jìn)行解釋時(shí)比較困難，而因子進(jìn)行旋轉(zhuǎn)后的結(jié)果則可以較好地避免此問題。

表4　成份矩陣

在表5中，反映的是每個(gè)變量在經(jīng)過正交旋轉(zhuǎn)后的各因子上的載荷，而且可以看出旋轉(zhuǎn)后的載荷量明顯地向0與1進(jìn)行了兩級(jí)分化，這樣便可以更容易分辨出哪個(gè)變量應(yīng)該歸屬于哪個(gè)因子。

由表5可以得知，第一個(gè)因子主要解釋了銷售凈利率、成本費(fèi)用利潤率、總資產(chǎn)利潤率與主營業(yè)務(wù)利潤率；第二個(gè)因子主要解釋了全部資產(chǎn)現(xiàn)金回收率、總資產(chǎn)周轉(zhuǎn)率與總資產(chǎn)報(bào)酬率；第三個(gè)因子主要解釋了資產(chǎn)負(fù)債率、現(xiàn)金流量流動(dòng)負(fù)債比率與債務(wù)保障率。

第五，計(jì)算因子得分。在因子旋轉(zhuǎn)后，選擇回歸法來獲取各因子得分系數(shù)，從而計(jì)算出各因子的得分。結(jié)果如表6所示。

表5　旋轉(zhuǎn)成份矩陣

表6　成份得分系數(shù)矩陣

根據(jù)表6的相關(guān)數(shù)據(jù)，可以得出各因子的有關(guān)公式，具體如下所示。

F1=-0.031X1-0.031X2+0.221X3+0.234X4+0.222X5+0.225X6+0.219X7-0.039X8-0.017X9-0.045X10

F2=0.266X1+0.263X2+0.417X3+0.162X4-0.079X5-0.019X6-0.093X7+0.079X8+0.404X9-0.056X10

F3=-0.483X1+0.051X2-0.263X3-0.048X4+0.065X5-0.105X6+0.071X7+0.256X8-0.140X9+0.377X10

又因?yàn)?4.071，2.746，2.639，可以獲得綜合風(fēng)險(xiǎn)值F的取值。

F=0.4305F1+0.2904F2+0.2791F3

表7　因子得分表

由上所示因子得分表，可以得出綜合財(cái)務(wù)風(fēng)險(xiǎn)值的變化趨勢(shì)圖，如圖2所示。其中，橫坐標(biāo)表示時(shí)間，縱坐標(biāo)表示風(fēng)險(xiǎn)值。從圖2可知，在2011年3月為綜合財(cái)務(wù)風(fēng)險(xiǎn)值的最低點(diǎn)，而2012年9月則達(dá)到了綜合財(cái)務(wù)風(fēng)險(xiǎn)值的最高點(diǎn)，分別反映了A縣級(jí)供電子公司的實(shí)際狀況分別為高危險(xiǎn)與很安全的狀態(tài)。而在其余月份中，風(fēng)險(xiǎn)值大多落在0到+1的區(qū)間中。將計(jì)算所得的風(fēng)險(xiǎn)值與A縣級(jí)供電子公司的實(shí)際情況進(jìn)行對(duì)比，發(fā)現(xiàn)風(fēng)險(xiǎn)值與公司實(shí)際情況相符。

圖2風(fēng)險(xiǎn)值分布圖

第六，構(gòu)建模型。為了構(gòu)建委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，還需要對(duì)指標(biāo)進(jìn)行更進(jìn)一步的分析，本文將相關(guān)的指標(biāo)整合為表8。

由表8可以發(fā)現(xiàn)，10個(gè)變量可以根據(jù)各因子載荷量的大小劃分為3類，即銷售凈利率、成本費(fèi)用利潤率、總資產(chǎn)利潤率與主營業(yè)務(wù)利潤率為第一類；全部資產(chǎn)現(xiàn)金回收率、總資產(chǎn)周轉(zhuǎn)率與總資產(chǎn)報(bào)酬率為第二類；資產(chǎn)負(fù)債率、現(xiàn)金流量流動(dòng)負(fù)債比率與債務(wù)保障率為第三類。

表8　指標(biāo)分析表

分完類別后，在這三個(gè)類別中選取一個(gè)最可以代表這個(gè)類別的變量，同時(shí)也表明這個(gè)指標(biāo)與財(cái)務(wù)風(fēng)險(xiǎn)最為相關(guān)。在本示范性案例中，所選取的代表性變量分別是銷售凈利率、全部資產(chǎn)現(xiàn)金回收率與資產(chǎn)負(fù)債率。

獲得該變量后，將綜合風(fēng)險(xiǎn)值與所選取的變量進(jìn)行逐步回歸，以期得到委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，具體模型如下所示。

Z=-0.696+14.753×銷售凈利率+5.564×全部資產(chǎn)現(xiàn)金回收率-0.462×資產(chǎn)負(fù)債率

同時(shí)，將2010年至2014年的相關(guān)財(cái)務(wù)數(shù)據(jù)代入模型，得出大多數(shù)風(fēng)險(xiǎn)值都落在0與+0.5之間，所以當(dāng)Z值0.5時(shí)，反映該子公司處于財(cái)務(wù)狀況比較良好的時(shí)期；當(dāng)0≦Z值<0.5時(shí)，反映該子公司財(cái)務(wù)狀況良好；當(dāng)-0.5≦Z值<0時(shí)，表明該子公司財(cái)務(wù)狀況不佳，若電網(wǎng)公司需要對(duì)其進(jìn)行委托貸款，則需要對(duì)其進(jìn)行相關(guān)投資分析，預(yù)測(cè)該筆貸款的回收期等；當(dāng)Z值≦-0.5時(shí)，說明該子公司的財(cái)務(wù)風(fēng)險(xiǎn)極高，若電網(wǎng)公司需要對(duì)其進(jìn)行委托貸款，則需要對(duì)其進(jìn)行深度分析，以設(shè)定較為合適的貸款利率以及貸款年限等，以期使該筆貸款可以得到償還。

五、結(jié)論

本文就電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行研究，得出以下結(jié)論：

(1)針對(duì)電網(wǎng)公司委托貸款業(yè)務(wù)的實(shí)際，通過改進(jìn)傳統(tǒng)的Z分?jǐn)?shù)模型，選取相關(guān)變量，運(yùn)用因子分析法得出各公共因子的函數(shù)表達(dá)式以及綜合財(cái)務(wù)風(fēng)險(xiǎn)值的函數(shù)表達(dá)式，再通過對(duì)顯著影響財(cái)務(wù)風(fēng)險(xiǎn)值的指標(biāo)與綜合財(cái)務(wù)風(fēng)險(xiǎn)值進(jìn)行逐步回歸，從而可以得出委托貸款財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警模型。

(2)通過示范性案例的闡述，說明本文所構(gòu)建的電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型具有合理性和可操作性，對(duì)提升電網(wǎng)公司委托貸款財(cái)務(wù)風(fēng)險(xiǎn)管理水平具有實(shí)用價(jià)值。

參考文獻(xiàn)：

[1] Fitzpatrick PJ. A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms [M]. Certified Public Accountant，1932， 57-65.

[2] Beaver W.H. Financial Ratios as Predictors of Failure [J]. Selected Studies Supplement to Journal of Accounting Research，1966， 70-112.

[3] Edward I Altman. Financial Ratios，Discriminate Analysis and the Prediction of Corporate Bankruptcy [J]. Journal of Finance，1968，589-609.

[4] Blum.M. Financial Company Discriminant Analysis [J]. Journal of Accounting Research，1974，12(Spring): 1-25.

[5] Ohlson J.A.Financial Ratios And The Probabilistic Prediction of Bankruptcy [J].Journal of Accounting Researeh,1980(1):109-131.

[6] 周首華,楊濟(jì)華,王平. 論財(cái)務(wù)危機(jī)的預(yù)警分析——F分?jǐn)?shù)模式[J]. 會(huì)計(jì)研究,1996,08:8-11.

[7] 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,1999,04:32-39.

[8] 吳世農(nóng),盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測(cè)模型研究[J].經(jīng)濟(jì)研究,2001,06:46-55.

[9] 姜秀華,任強(qiáng),孫錚. 上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究[J]. 預(yù)測(cè),2002,03:56-61.

[10] 陳曉.上市公司的“變臉”現(xiàn)象探析[M].北京：企業(yè)管理出版社，2003：113-202.

[11] Odom M.D, Sharda R. A neural network model for bankruptcy prediction [J], International Joint Conference, 1990(2):163-168.

[12] 楊保安,季海. 基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行貸款風(fēng)險(xiǎn)預(yù)警研究[J]. 系統(tǒng)工程理論與實(shí)踐,2001,05:70-74.

(責(zé)任編輯潘志和)

Construction and Application of Entrusted Loans’ Financial Risk Early-Warning Model of Power Grid Company

WEIJian-guo,WENTing-ting

(Sun Yat-Sen Business School, Nanfang College of Sun Yat-Sen University, Guangzhou 510275)

Abstract：Entrusted loans’ financial risk control is an important issue faced by the power grid company. ?With the loan object of county power grid subsidiary, this paper improves the conventional Z-score model to construct the entrusted loans’ financial risk early-warning model of power grid company by factor analysis and other methods. Moreover, this paper tries to illustrate the specific application of the model and to verify possibility of the model with an exemplary case. This study shows that entrusted loans’ financial risk early-warning model of power grid company can be constructed, and the model constructed is workable and has practical value in improving the level of entrusted loans’ financial risk management of power grid company.

Key words：power grid corporation; entrusted loans; financial risk early-warning; model

中圖分類號(hào)：F830.56

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1674-0408(2016)01-0059-09

作者簡介：衛(wèi)建國，男，中山大學(xué)管理學(xué)院會(huì)計(jì)學(xué)系副教授、碩士研究生導(dǎo)師；中山大學(xué)南方學(xué)院會(huì)計(jì)學(xué)系主任，主要從事公司財(cái)務(wù)理論與實(shí)務(wù)、內(nèi)部控制與內(nèi)部審計(jì)研究。

收稿日期：2016-02-20