王君萍++王娜

【摘 要】 能源行業(yè)是我國的支柱性行業(yè)，對能源行業(yè)進行財務(wù)風(fēng)險評價非常有必要。文章在對國內(nèi)外風(fēng)險評價理論進行系統(tǒng)梳理的基礎(chǔ)上，運用主成分分析法對我國能源上市公司進行財務(wù)風(fēng)險評價，選取13個財務(wù)指標(biāo)來評價財務(wù)風(fēng)險是否發(fā)生，建立了主成分模型，準(zhǔn)確率達(dá)95%，驗證了該模型可以準(zhǔn)確地對能源行業(yè)的財務(wù)狀況作出判斷，是能源行業(yè)進行財務(wù)風(fēng)險評價的有效手段。這可以很好地檢測能源行業(yè)財務(wù)風(fēng)險，使得公司可以提前采取風(fēng)險防范措施。

【關(guān)鍵詞】 能源上市公司； 財務(wù)風(fēng)險； 主成分分析法

中圖分類號：F275 文獻(xiàn)標(biāo)識碼：A 文章編號：1004-5937（2016）11-0060-07

一、引言

財務(wù)風(fēng)險是指由于融資方式不當(dāng)、財務(wù)結(jié)構(gòu)不合理、資本資產(chǎn)管理不善及投資方式不科學(xué)等諸多因素引起的，可能使公司喪失償債能力，進而導(dǎo)致投資者預(yù)期收益下降的風(fēng)險。財務(wù)風(fēng)險是否發(fā)生，可以通過分析敏感性財務(wù)指標(biāo)來確定。

隨著經(jīng)濟全球化的進一步加深，中國市場經(jīng)濟的日益發(fā)展，企業(yè)經(jīng)營環(huán)境的復(fù)雜性增強，企業(yè)面臨更多、更難預(yù)知的風(fēng)險。而企業(yè)的財務(wù)風(fēng)險是客觀存在的，不同行業(yè)，影響財務(wù)風(fēng)險發(fā)生的指標(biāo)也會不同。

能源行業(yè)是國民經(jīng)濟發(fā)展的基礎(chǔ)性行業(yè)，是我國的支柱性行業(yè)，其他行業(yè)的發(fā)展離不開能源。對能源行業(yè)的財務(wù)風(fēng)險進行評價是非常重要的。本文通過分析能源上市公司的財務(wù)數(shù)據(jù)，采用主成分分析法來評價企業(yè)財務(wù)風(fēng)險是否發(fā)生。

二、文獻(xiàn)綜述

（一）國外財務(wù)風(fēng)險評價綜述

國外學(xué)者對財務(wù)風(fēng)險評價的研究最早開始于Fitzpatrick（1932）[ 1 ]提出的單變量模型，他利用財務(wù)比率進行分析，發(fā)現(xiàn)出現(xiàn)財務(wù)危機的企業(yè)和正常經(jīng)營企業(yè)相比較，其財務(wù)比率有顯著不同，并得出凈利潤/股東權(quán)益、股東權(quán)益/負(fù)債這兩個財務(wù)比率指標(biāo)對財務(wù)風(fēng)險影響最大。

此后，William Beaver第一次運用統(tǒng)計方法來建立單一變量財務(wù)預(yù)警模型，為后來的實證研究奠定了理論基礎(chǔ)。美國紐約大學(xué)教授Edward I.Altman（1968）[ 2 ]首次將差異分析方法運用到財務(wù)風(fēng)險的評價中，創(chuàng)建了Z值模型，這標(biāo)志著多元變量模型的建立。1977年Altman等人又提出了跨行業(yè)的ZETA模型。但是，多元線性模型需要財務(wù)指標(biāo)數(shù)據(jù)呈現(xiàn)正態(tài)分布，這使得模型的實用性很低。

1980年美國學(xué)者Ohlson將邏輯回歸方法（logistic）引入財務(wù)風(fēng)險研究中，分析了樣本公司在破產(chǎn)概率區(qū)間上的分布以及兩類錯誤和分割點之間的關(guān)系[ 3 ]，發(fā)現(xiàn)公司規(guī)模、資本結(jié)構(gòu)、業(yè)績和當(dāng)前的融資能力對財務(wù)風(fēng)險有很大影響，進行財務(wù)危機的預(yù)測準(zhǔn)確率達(dá)到96.12%。

1990年，Odom和Sharda運用人工神經(jīng)網(wǎng)絡(luò)模型對樣本公司進行財務(wù)風(fēng)險分析，發(fā)現(xiàn)ANNA模型的準(zhǔn)確率很高[ 4 ]。隨后Coats和Fant（1993）[ 5 ]證明了人工神經(jīng)網(wǎng)絡(luò)方法用于測試公司財務(wù)風(fēng)險是可行的，同時其準(zhǔn)確率高于多元判別分析法。

（二）國內(nèi)財務(wù)風(fēng)險評價綜述

國內(nèi)關(guān)于財務(wù)風(fēng)險的研究起步較晚，主要是以上市公司為主，這是因為上市公司的數(shù)據(jù)獲取比較容易。

吳世農(nóng)和黃世忠（1987）[ 6 ]介紹了我國企業(yè)的破產(chǎn)指標(biāo)和單變量、多變量預(yù)測模型。周首華等（1996）[ 7 ]加入現(xiàn)金流量信息，對Z分?jǐn)?shù)模型加以改造，建立了F分?jǐn)?shù)模型。此外，用此模型分析財務(wù)風(fēng)險的還有李丹（2007）[ 8 ]、梁杰（2011）[ 9 ]等。

李秉祥（2005）[ 10 ]提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機非線性組合建模與預(yù)測方法，為財務(wù)風(fēng)險評價的研究找到了一種新的方法。用人工神經(jīng)網(wǎng)絡(luò)模型來研究財務(wù)風(fēng)險的還有喻勝華（2005）、王新利（2011）、龔小鳳（2012）。

評價財務(wù)風(fēng)險是否發(fā)生的方法發(fā)展到今天已經(jīng)經(jīng)歷了三代模型的驗證，“模型涉及的指標(biāo)選擇上前期幾乎都是財務(wù)指標(biāo)，近年來多有涉及非財務(wù)指標(biāo)，與此同時在財務(wù)指標(biāo)的選擇上也出現(xiàn)了現(xiàn)金流量指標(biāo)、經(jīng)濟附加值指標(biāo)”。

本文涉及的主成分分析法在財務(wù)風(fēng)險評價中的應(yīng)用也經(jīng)歷了一定程度的發(fā)展。

潘琰、程小可等（2000）[ 11 ]通過選取企業(yè)盈利能力等四個方面的指標(biāo)，把統(tǒng)計學(xué)中的主成分分析法引入了財務(wù)風(fēng)險分析中。楊淑娥、徐偉剛（2003）[ 12 ]也采用了統(tǒng)計方法中的主成分分析法，通過對我國上市公司財務(wù)危機狀況的實證研究，建立了上市公司財務(wù)控制模型——Y分?jǐn)?shù)模型。徐鳳菊、王鳳（2008）[ 13 ]在進行財務(wù)風(fēng)險分析時引入了主成分分析法的基本原理，構(gòu)建了主成分分析模型并進行了相關(guān)實證研究，驗證了模型的科學(xué)性和合理性。采用主成分方法分行業(yè)研究財務(wù)風(fēng)險評價的有賈煒瑩（2013）等[ 14 ]。通過閱讀大量文獻(xiàn)不難發(fā)現(xiàn)，運用主成分分析法來評價財務(wù)風(fēng)險時，主要是構(gòu)建企業(yè)盈利能力等四個方面的財務(wù)指標(biāo)體系，通過顯著性篩選出適合本行業(yè)的指標(biāo)，進而運用主成分分析法建立適合本行業(yè)的財務(wù)風(fēng)險評價模型。

本文選取中國能源上市公司作為研究樣本，采用主成分分析法對財務(wù)風(fēng)險評價進行研究。

三、實證研究

（一）樣本的選取

本文選取我國滬深兩市A股中2007—2015年42家能源上市公司，用于構(gòu)建主成分分析模型，其中包括21家ST企業(yè)（剔除兩次被ST的企業(yè)，被ST企業(yè)截止到2015年5月份），并按照1：1的抽樣比例，遵循可比性的原則，選取相同期間相同規(guī)模的21家非ST企業(yè)。本文將ST企業(yè)定義為財務(wù)風(fēng)險發(fā)生的公司，這是因為上市公司被ST說明該公司財務(wù)異常，這就意味著陷入了財務(wù)危機，財務(wù)風(fēng)險已經(jīng)發(fā)生。本文選取被ST公司前一年的數(shù)據(jù)是由于ST前一年的指標(biāo)變量離被ST時間最近，所以反映ST企業(yè)財務(wù)狀況的作用最顯著。樣本數(shù)據(jù)來源于上海證券交易所、深圳證券交易所、金融界等網(wǎng)站以及國泰安數(shù)據(jù)庫。

（二）指標(biāo)體系的構(gòu)建

為了使模型中變量的選擇范圍更加全面，本文依據(jù)國泰安數(shù)據(jù)庫中相關(guān)指標(biāo)的分類，選擇了反映企業(yè)盈利能力、發(fā)展能力、償債能力、現(xiàn)金流量、經(jīng)營能力的26個財務(wù)指標(biāo)（具體見表1）作為備選變量來具體分析財務(wù)風(fēng)險。

（三）模型的構(gòu)建

1.變量的差異性分析

運用Stata12統(tǒng)計軟件，根據(jù)21家估計樣本ST企業(yè)前一年的數(shù)據(jù)，對26個指標(biāo)分別進行配對樣本均值差異的T檢驗，以此來判別它們是否具有顯著性差異，判別結(jié)果如表2。假設(shè)ST公司代碼是0，正常公司代碼是1。

根據(jù)表2列出的檢驗結(jié)果，兩個P值小于0.05的指標(biāo)有13個，所以本文選擇流動比率（X1）、速動比率（X2）、現(xiàn)金比率（X3）、產(chǎn)權(quán)比率（X4）、權(quán)益負(fù)債比率（X5）、資產(chǎn)負(fù)債率（X6）、總資產(chǎn)周轉(zhuǎn)率（X7）、營運資金周轉(zhuǎn)率（X11）、資本積累率（X14）、資產(chǎn)報酬率（X17）、總資產(chǎn)凈利潤率（X18）、流動資產(chǎn)凈利潤率（X19）、營業(yè)毛利率（X20）共13個指標(biāo)作為構(gòu)建主成分模型的指標(biāo)。檢驗結(jié)果還表明ST企業(yè)與正常企業(yè)的償債能力、經(jīng)營能力、盈利能力、發(fā)展能力存在顯著差異。

2.主成分的恰當(dāng)性檢驗

為了消除變量在量綱和水平上的影響，對原來的42家13個財務(wù)指標(biāo)進行標(biāo)準(zhǔn)化處理。對處理后的數(shù)據(jù)進行相關(guān)矩陣的計算，計算各主成分的特征根和方差貢獻(xiàn)度，如表3。利用SMC和KMO檢驗分析主成分的恰當(dāng)性，檢驗結(jié)果如表4（處理后的數(shù)據(jù)分別用y1，y2，y3，…，y20表示）。表4中大部分變量的SMC都在0.7以上，KMO的值在0.5以上，可以進行主成分分析。

3.主成分的選取

從表3中可以看出前9個成分特征值累計占了總方差的98.86%，后面特征值的貢獻(xiàn)度越來越小。本文選擇特征值大于1（因為當(dāng)主成分小于1時該主成分的解釋力度不如用原始變量解釋力度大）作為主成分的抽取條件，得到前4個主成分，其特征值分別為4.62637、2.35951、1.6264、1.32734。4個主成分的因子載荷矩陣如表5。從表5中可以看出，第一主成分中y6的相關(guān)系數(shù)絕對值最大，表明第一主成分對資產(chǎn)負(fù)債率的代表性最強，同理第二主成分對流動資產(chǎn)的代表性最強，第三主成分對資本積累率的代表性最強，第四主成分對營運資金周轉(zhuǎn)率的代表性最強。

根據(jù)因子在各主成分中的載荷，可以得到財務(wù)風(fēng)險評價的主成分模型，用Z表示。

0.0437y17 +0.0301y18+0.0547y19-0.0154y20

從第一主成分來看，其中占最大載荷量的指標(biāo)是資產(chǎn)負(fù)債率，因此將第一主成分概括為償債能力主成分。

從第二主成分來看，資產(chǎn)報酬率、總資產(chǎn)凈利潤率、流動資產(chǎn)凈利潤率指標(biāo)占較大載荷量，可以將第二主成分概括為盈利能力主成分。

從第三主成分來看，其中占最大載荷量的指標(biāo)是資本積累率，將第三主成分概括為發(fā)展主成分。

從第四主成分來看，其中占較大載荷量的指標(biāo)是總資產(chǎn)周轉(zhuǎn)率、營運資金周轉(zhuǎn)率，可以把第四主成分概括為經(jīng)營能力主成分。

在確定了各主成分的經(jīng)濟意義之后，根據(jù)表3中各主成分方差的貢獻(xiàn)率來確定最后的財務(wù)風(fēng)險評價模型：

F=0.3559Z1+0.1815Z2+0.1251Z3+0.1021Z4

（四）模型的檢驗

對樣本進行回代，計算得出各上市公司的綜合評分值F值，并由大到小進行排序，根據(jù)錯誤分類最小的原則，本文將判別分隔點定在0.136515004和0.154715819之間，取二者平均數(shù)0.1456154115。把F值小于0.1456154115的企業(yè)作為發(fā)生財務(wù)風(fēng)險的企業(yè)，F(xiàn)值大于0.1456154115為正常企業(yè)。通過樣本分析有一家ST企業(yè)誤判為正常企業(yè)，一家正常企業(yè)誤判為ST企業(yè)，誤判率為5%，準(zhǔn)確率達(dá)到95%。所以，該模型在預(yù)測能源上市公司財務(wù)風(fēng)險方面具有很高的可信度。

四、結(jié)論及優(yōu)缺點

本文運用Stata12軟件對財務(wù)指標(biāo)進行篩選，并運用主成分分析法構(gòu)建了財務(wù)風(fēng)險評價模型，分析能源行業(yè)的財務(wù)風(fēng)險，準(zhǔn)確率達(dá)到了95%，這對能源行業(yè)財務(wù)風(fēng)險的評價提供了一定的參考價值。通過分析發(fā)現(xiàn)，流動比率、速動比率、現(xiàn)金比率、產(chǎn)權(quán)比率、權(quán)益負(fù)債比率、資產(chǎn)負(fù)債率、總資產(chǎn)周轉(zhuǎn)率、營運資金周轉(zhuǎn)率、資本積累率、資產(chǎn)報酬率、總資產(chǎn)凈利潤率、流動資產(chǎn)凈利潤率、營業(yè)毛利率這13個指標(biāo)對能源行業(yè)財務(wù)風(fēng)險的發(fā)生有顯著的作用。

本文的優(yōu)點在于指標(biāo)篩選時，將ST企業(yè)和非ST企業(yè)的財務(wù)指標(biāo)對比，檢驗其是否具有顯著性，這樣選擇的指標(biāo)更能反映出其對財務(wù)風(fēng)險發(fā)生的影響作用；缺點在于初始指標(biāo)選擇時，沒有選擇全部反映財務(wù)狀況的指標(biāo)，可能會忽視其他指標(biāo)對財務(wù)風(fēng)險的影響，同時本文沒有選擇影響財務(wù)風(fēng)險的非財務(wù)指標(biāo)，這使得本文的指標(biāo)具有一定的片面性。

【參考文獻(xiàn)】

[1] FITZPATRICK.A comparison of ratios of successful industrial enterprises with those of failed firms[M].New York：Certified Public Accountant，1932.

[2] EDWARD I ALTMAN. Financial ratios， discriminant analysis and the prediction of bankruptcy[J].Journal of Finance，1968，23（4）：589-609.

[3] OHLSON.Financial ratios and the probabilistic prediction of bankruptcy[J].Journal of Accounting Research，1980，18（1）：109-131.

[4] ODOM M D，SHARDA R. A neural network model for bankruptcy prediction[C].In proceeding of the international joint conference on neural network，1990（6）：136-138.

[5] COATS P K， FANT L F. Recognizing financial distress patterns using a neural network tool[J]. Financial Management，1993，22（3）：142-155.

[6] 吳世農(nóng)，黃世忠.企業(yè)破產(chǎn)的分析指標(biāo)和預(yù)測模型[J].中國經(jīng)濟問題，1987（6）：8-15.

[7] 周首華，楊濟華，王平.論財務(wù)危機的預(yù)警分析：F分?jǐn)?shù)模型[J].會計研究，1996（8）：8-11.

[8] 李丹，張長江.F分?jǐn)?shù)模型在上市公司財務(wù)風(fēng)險預(yù)警中的分析與應(yīng)用[J].漁業(yè)經(jīng)濟研究，2007（2）：38-40.

[9] 梁杰，車淑娟，張冬冬.F分?jǐn)?shù)模型下遼寧省裝備制造業(yè)上市公司財務(wù)風(fēng)險測評研究[J].財會通訊，2011（26）：143-145.

[10] 李秉祥.基于模糊神經(jīng)網(wǎng)絡(luò)的企業(yè)財務(wù)危機非線性組合預(yù)測方法研究[J].管理工程學(xué)報，2005（1）：19-23.

[11] 潘琰，程小可.上市公司經(jīng)營業(yè)績的主成分評價方法[J].會計研究，2000（1）：31-35.

[12] 楊淑娥，徐偉剛.上市公司財務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實證研究[J].中國軟科學(xué)，2003（1）：56-60.

[13] 徐鳳菊，王鳳.基于主成分分析法的財務(wù)風(fēng)險評價模型[J].財會月刊，2008（12）：48-50.

[14] 賈煒瑩.基于主成分分析法的物流上市公司財務(wù)風(fēng)險評價[J].財會通訊，2013（8）：107-110.