王 翔

(安徽理工大學 財務(wù)處，安徽 淮南 232001)

煤炭行業(yè)是我國國民經(jīng)濟的重要支柱之一，我國煤炭年產(chǎn)量占全世界煤炭生產(chǎn)的45.6%，煤炭行業(yè)的重要地位毋庸置疑。而隨著我國經(jīng)濟由“高速增長”轉(zhuǎn)向“高質(zhì)量發(fā)展”的戰(zhàn)略調(diào)整，“去產(chǎn)能、去庫存”的供給側(cè)結(jié)構(gòu)性改革對我國煤炭行業(yè)發(fā)展產(chǎn)生了重大影響，面對經(jīng)濟增長趨緩、供給能力過剩、環(huán)境污染治理等重重壓力，煤炭行業(yè)企業(yè)在“去產(chǎn)能”政策背景下的財務(wù)風險狀況預警研究具有較為重要的現(xiàn)實意義。

一、文獻綜述

財務(wù)風險產(chǎn)生的原因復雜多樣，稍不注意財務(wù)風險即可轉(zhuǎn)變?yōu)樨攧?wù)危機，嚴重影響企業(yè)的經(jīng)營效益乃至行業(yè)的發(fā)展質(zhì)量，因此財務(wù)預警研究一直被學者們關(guān)注。孫艷春等運用多級模糊綜合評價法對房地產(chǎn)企業(yè)的非財務(wù)指標進行研究，建立分層財務(wù)預警模型，找出了企業(yè)經(jīng)營中的風險因素[1]；郭紅等對選取的指標數(shù)據(jù)進行降維處理，建立動態(tài)財務(wù)預警模型，保證了模型的有效性[2]；楊利紅等綜合運用層次分析法、德爾菲法和功效系數(shù)法以LD集團為例建立財務(wù)風險評價模型，為房地產(chǎn)企業(yè)財務(wù)風險預警研究提供了新的思路[3]；張金貴等運用粒子群算法PSO篩選出最優(yōu)的支持向量機參數(shù)，建立PSO-LIBSVM人工智能算法的改進財務(wù)預警模型，提高了財務(wù)預警的準確度[4]；李凱風等采用功效系數(shù)法構(gòu)建評價模型，以W企業(yè)為例進行了財務(wù)風險評估，提出了改良方案[5]；李燕運用因子分析賦權(quán)法找出指標數(shù)據(jù)系數(shù)，建立商業(yè)銀行財務(wù)風險評價預警模型，與財務(wù)風險安全值對比得出該商業(yè)銀行的財務(wù)風險程度[6]；王妹禧利用雙正交混合函數(shù)解構(gòu)建修正的SVM財務(wù)預警模型，得到了很好的預測效果[7]；毛天棋以制造業(yè)企業(yè)為例，從經(jīng)營、投資、籌資三個維度出發(fā)，找出預警指標，構(gòu)建三維財務(wù)預警指數(shù)，提出了風險防控對策[8]；樊林堉建立了改進的二元Logistic財務(wù)預警模型，提高了預測精度，得到了較好的預警結(jié)果[9]。

綜上可見，學者們對于財務(wù)預警研究多集中在房地產(chǎn)、金融等熱門行業(yè)，對于處在特殊困難時期的傳統(tǒng)煤炭行業(yè)關(guān)注較少，且選取指標數(shù)據(jù)有的復雜難以獲取，有的包含定性指標使得評價帶有一定程度的主觀性，缺乏直觀便捷的方法進行財務(wù)預警分析。美國Edward Altman教授建立的著名Z-score模型，通過分析企業(yè)財務(wù)報表抓取財報數(shù)據(jù)建立線性方程進行預警研究，數(shù)據(jù)真實客觀且容易獲取，方法科學嚴謹具有廣泛的實際應用意義。因此，采用Z-score模型研究我國煤炭行業(yè)上市公司財務(wù)評價預警，可以直觀便捷地反映出現(xiàn)階段去產(chǎn)能政策背景下煤炭行業(yè)上市公司的真實財務(wù)狀況。

二、財務(wù)風險預警模型指標體系構(gòu)建與篩選

(一)指標體系構(gòu)建

為保證數(shù)據(jù)完整性，結(jié)合煤炭行業(yè)實際，將中信行業(yè)分類中劃分為煤炭行業(yè)類別的上市公司共計29家全部納入研究范圍作為研究樣本，再基于大量文獻成果，根據(jù)通用性、可比性、直觀性原則選出能夠準確反映煤炭行業(yè)上市公司“去產(chǎn)能”背景下盈利水平、庫存壓力、發(fā)展空間、運行情況的12個代表性財務(wù)指標，按照盈利能力、償債能力、成長能力、營運能力四個方面歸集分類，建立煤炭行業(yè)上市公司財務(wù)風險預警模型的指標體系，如表1所示，X1至X5反映盈利能力，X6和X7反映償債能力，X8至X10反映成長能力，X11和X12反映營運能力。

表1 指標體系

(二)指標篩選

篩選可用指標是保證預警模型準確性的基礎(chǔ)，使用SPSS 19.0統(tǒng)計軟件綜合運用KS檢驗和PP檢驗方法將采集于RESSET(銳思數(shù)據(jù)庫)的財務(wù)指標數(shù)據(jù)進行顯著性檢驗，將不具備突出解釋說明力、符合正態(tài)性分布的財務(wù)指標剔除，篩選出能夠反映煤炭行業(yè)上市公司財務(wù)風險程度且不符合正態(tài)分布的指標進行深入分析。KS檢驗結(jié)果如表2所示，該非參數(shù)檢驗的漸進顯著性水平P值大于0.05則表示為符合正態(tài)性分布的指標，重要性水平低于0.05則表示為不符合正態(tài)性分布的指標，表2中X6、X9、X10、X11四個指標的顯著性水平P值均大于0.05，符合正態(tài)性分布，不具備突出的解釋說明力，應當予以剔除。

表2 單樣本 Kolmogorov-Smirnov 檢驗

(三)主成分分析

篩選后的指標數(shù)據(jù)都帶有很好的解釋說明力，數(shù)據(jù)特征突出，但仍需根據(jù)數(shù)據(jù)本身的特性進行有針對性的整理。運用SPSS軟件對各指標進行相關(guān)性分析，發(fā)現(xiàn)各指標之間的相關(guān)系數(shù)均較大，尤其是指標分類為反映煤炭企業(yè)同一財務(wù)能力的指標相關(guān)系數(shù)較大，其中，同被劃分為代表煤炭行業(yè)上市公司盈利能力的指標X1、X2的相關(guān)系數(shù)達到了0.901的高值，說明各指標之間均存在較強的相關(guān)性，信息交互重疊現(xiàn)象突出。為避免各指標的解釋說明力受到相互影響，提高預警模型擬合信度，需采用主成分分析法將分散的解釋信息重新組合，找出新的線性組合作為主成分，使新的綜合指標最大限度地裝載原指標中的有效解釋信息。KMO 和 Bartlett球形檢驗是主成分分析的前提和基礎(chǔ)，借此來檢驗指標數(shù)據(jù)的信息分布情況及各變量間的獨立性特征，KMO統(tǒng)計量的變化范圍是從0到1，數(shù)值越大則表示變量間的相關(guān)性特征越強，也就越適合進行主成分分析；反之，KMO統(tǒng)計值越小則表示變量間相互獨立，越不適用主成分分析法。而Bartlett球形檢驗法則是重要性水平低于0.05表示變量間呈現(xiàn)相互獨立分布特征，適合使用主成分分析法。根據(jù)檢驗結(jié)果，煤炭行業(yè)上市公司財務(wù)指標的KMO統(tǒng)計值為0.827，大于臨界值0.5，Bartlett球形檢驗的重要性水平為0.000，小于臨界比率0.05，可見適合使用主成分分析法。

表3 解釋的總方差

主成分分析法提取有效成分的參考指標是特征根的取值，當特征根大于1時，代表提取出的該成分信息解釋力度強于原有指標變量；反之，特征根小于1，則新提取出的成分有效信息解釋力度弱于原有指標變量，即該新成分提取沒有起到優(yōu)化原指標作用。將煤炭行業(yè)上市公司財務(wù)指標進行主成分分析(結(jié)果如表3所示)，可見有兩個提取出的主成分特征根大于1，第一個主成分特征根為4.864，解釋貢獻率達到60.799%；第二個主成分特征根為1.691，解釋貢獻率達到21.136%。兩個主成分累計貢獻了81.934%的信息解釋效果，原有指標變量的信息丟失較少，主成分提取效果比較理想。

表4 成份矩陣

從表4的成分矩陣結(jié)果可見，主成分一按指標的載荷高低，主要反映X1、X2、X3、X4、X5和X7指標的信息，而主成分二則綜合反映了X8、X12指標的信息，所以提取的兩個主成分涵蓋了原來所有指標的絕大部分信息，可以用兩個新主成分代替所有原指標數(shù)據(jù)。根據(jù)表5成分得分系數(shù)矩陣結(jié)果，可以將兩個主成分Y1、Y2表示成為以原指標為自變量組合而成的方程組。

表5 成份得分系數(shù)矩陣

Y1=0.201 X1+0.197 X2+0.2 X3+0.202 X4+0.192 X5+0.062 X7+0.066 X8+0.005 X12

Y2=-0.06 X1+0.067 X2-0.101X3-0.026 X4+0.111 X5-0.508 X7+0.503X8+0.222X12

三、實證分析

(一)改進的Z-score預警模型構(gòu)建

在提取兩個主成分的基礎(chǔ)上，根據(jù)主成分Y1、Y2所對應的特征根與兩個主成分特征根累計之和的比例關(guān)系進行調(diào)整，就可以得到改進后的Z-score財務(wù)風險預警模型。將單個主成分的特征根占兩個主成分特征根和的比重作為該主成分的系數(shù)，調(diào)整后的Z-score預警模型為

Z=4.864/(4.864+1.691) Y1+1.691/(4.864+1.691) Y2=0.742 Y1+0.258 Y2

(二)財務(wù)風險預警分析

改進的Z-score預警模型與美國Edward Altman教授建立的傳統(tǒng)模型存在很多不同，傳統(tǒng)模型數(shù)據(jù)來源于美國制造業(yè)，而改進的Z-score預警模型選取了我國煤炭行業(yè)上市公司的財務(wù)指標數(shù)據(jù)，且改進后的模型綜合運用非參數(shù)檢驗和主成分分析法，篩選優(yōu)化了指標體系并用提取的主成分代替了原始財務(wù)指標，使得預警模型更加科學合理。煤炭行業(yè)上市公司Z值計算結(jié)果如表6所示，將Z值的均值0.74作為臨界低值，低于0.74則劃分為財務(wù)風險大的煤炭上市公司；將Z值的中位數(shù)4.35作為臨界中值，Z值介于0.74和4.35之間的公司劃分為灰色不穩(wěn)定區(qū)域，這個區(qū)間內(nèi)的煤炭行業(yè)上市公司財務(wù)狀況不穩(wěn)定，處于不穩(wěn)定的風險評級；Z值高于中位數(shù)4.35的公司則劃分為優(yōu)質(zhì)低財務(wù)風險企業(yè)。

表6 煤炭行業(yè)上市公司Z值

從表6可以看出，五家被*ST標記的上市公司Z值均為負數(shù)，全部劃分在財務(wù)風險高的企業(yè)范圍內(nèi)，說明財務(wù)風險預警模型構(gòu)建合理，適用于煤炭行業(yè)上市公司；Z值處于臨界低值0.74以下的有7家公司，占煤炭行業(yè)上市公司的24.13%，說明相當一部分煤炭行業(yè)上市公司在“去產(chǎn)能”背景下財務(wù)風險較大；處于0.74和4.35兩臨界值之間的企業(yè)有8家，說明占煤炭行業(yè)上市公司總數(shù)27.59%的企業(yè)財務(wù)狀況不穩(wěn)定，需要調(diào)整經(jīng)營策略，防控財務(wù)風險。

四、結(jié)論與建議

選擇能夠準確反映煤炭行業(yè)上市公司“去產(chǎn)能”背景下盈利水平、庫存壓力、發(fā)展空間、運行情況的代表性財務(wù)指標建立預警指標體系，充分體現(xiàn)煤炭行業(yè)上市公司當前階段的經(jīng)營壓力和財務(wù)風險，再綜合運用非參數(shù)檢驗和主成分分析，將不合理的指標剔除，進一步優(yōu)化預警指標體系，用提取出的主成分代替原財務(wù)指標，解決了數(shù)據(jù)間多重共線性、信息相互重疊影響的問題，改進的Z-score預警模型利用Z值結(jié)果，直觀地展示了煤炭行業(yè)上市公司的財務(wù)風險情況，所有被證監(jiān)會*ST標記的上市公司全部被檢測出高財務(wù)風險，達到了預警模型建立的準確性要求。預警結(jié)果顯示煤炭行業(yè)整體財務(wù)風險較高，部分企業(yè)需及時調(diào)整運營策略，防控財務(wù)風險。結(jié)合模型本身和預警結(jié)果，對我國煤炭行業(yè)上市公司提出幾點建議。

(一)確保財務(wù)數(shù)據(jù)真實可信

指標數(shù)據(jù)是模型建立的基礎(chǔ)，只有準確可靠的財務(wù)數(shù)據(jù)才能得到預警效果好的模型，每個指標數(shù)據(jù)的變動都直接影響到Z值的計算結(jié)果。我國煤炭上市企業(yè)應重視財務(wù)基礎(chǔ)工作，規(guī)范賬務(wù)處理，避免財務(wù)報表粉飾、舞弊，維持數(shù)據(jù)統(tǒng)計口徑相對穩(wěn)定，方便指標橫向、縱向可比，確保數(shù)據(jù)真實可信。

(二)關(guān)注核心財務(wù)指標數(shù)據(jù)

盈利能力、償債能力、成長能力、營運能力是評價煤炭行業(yè)上市公司的四大核心指標，其中盈利能力最為重要，尤其在“去產(chǎn)能”政策背景下，經(jīng)濟增長趨緩、供給能力過剩、環(huán)境污染治理等重重壓力使得煤炭企業(yè)盈利能力下降，部分企業(yè)被證監(jiān)會*ST標記，面臨退市風險，預警模型中盈利能力指標的比重也較大，提升煤炭企業(yè)盈利能力是高財務(wù)風險企業(yè)提高Z值的關(guān)鍵點。四個核心指標統(tǒng)籌兼顧，是未來煤炭行業(yè)上市公司降低財務(wù)風險、實現(xiàn)企業(yè)價值的發(fā)力方向。

(三)建立健全企業(yè)內(nèi)控制度

建立與改進的Z-score預警模型相匹配的內(nèi)控制度，形成以提高盈利水平、降低庫存壓力、拓寬發(fā)展空間、提高運營效率為重點的財務(wù)風險防控機制，在籌資、投資、營運各環(huán)節(jié)防控財務(wù)風險，牢固樹立風險意識，改善我國煤炭行業(yè)企業(yè)財務(wù)風險狀況，提高我國煤炭行業(yè)上市公司的抗風險能力和財務(wù)管理能力，促進我國煤炭行業(yè)的長遠健康發(fā)展。