張鑫垚

（貴州大學(xué)經(jīng)濟(jì)學(xué)院，貴陽 550025）

碳中和碳達(dá)峰戰(zhàn)略目標(biāo)，對我國能源系統(tǒng)提出了向低碳清潔發(fā)展的新要求，從而給高碳企業(yè)發(fā)展帶來了諸多挑戰(zhàn)。電力行業(yè)作為碳排放量最大的國家支柱性產(chǎn)業(yè)之一，近年來行業(yè)的經(jīng)營和發(fā)展受到社會廣泛關(guān)注，是低碳轉(zhuǎn)型的重點實施領(lǐng)域。由于其獨(dú)特的政府主導(dǎo)特性，在新目標(biāo)的要求下，必然要走向低碳轉(zhuǎn)型發(fā)展的變革道路。而轉(zhuǎn)型最直接的影響是給企業(yè)帶來更大的成本支出，使企業(yè)財務(wù)風(fēng)險發(fā)生概率增大，甚至使企業(yè)面臨破產(chǎn)倒閉的風(fēng)險。因此，為了盡可能規(guī)避企業(yè)財務(wù)風(fēng)險的發(fā)生，將損失控制在最低，電力企業(yè)在發(fā)展管理中須建立科學(xué)有效的財務(wù)風(fēng)險預(yù)警模型。本文結(jié)合電力行業(yè)上市企業(yè)財務(wù)指標(biāo)，建立電力行業(yè)財務(wù)危機(jī)預(yù)警模型來防范潛在危機(jī)，對企業(yè)財務(wù)狀況進(jìn)行預(yù)估，在扭轉(zhuǎn)財務(wù)危機(jī)方面為企業(yè)提供了充裕的空間，減小了企業(yè)破產(chǎn)的概率。

一、文獻(xiàn)回顧

國外研究方面，Beaver提出了一元判別分析模型，發(fā)現(xiàn)預(yù)測財務(wù)危機(jī)最好的指標(biāo)是現(xiàn)金流量/負(fù)債總額，為財務(wù)預(yù)警模型建立提供了參考[1]。Altman建立了Z-score模型，把體現(xiàn)公司償債、獲利和營運(yùn)能力的指標(biāo)加權(quán)計算綜合得分Z值。該模型準(zhǔn)確率高，被企業(yè)廣泛使用[2]。Martain將Logistic模型首次運(yùn)用于銀行破產(chǎn)情況研究，研究發(fā)現(xiàn)，Logistic模型能有效檢測出銀行破產(chǎn)風(fēng)險，財務(wù)危機(jī)發(fā)生前一年誤判率僅為11.41%[3]。國內(nèi)學(xué)者也對企業(yè)財務(wù)危機(jī)預(yù)警問題進(jìn)行了廣泛研究。許柯、盧海等運(yùn)用非參數(shù)檢驗法篩選出能夠顯著區(qū)分企業(yè)是否發(fā)生財務(wù)危機(jī)的指標(biāo)，利用Logistic回歸分析方法建立房地產(chǎn)行業(yè)財務(wù)預(yù)警模型[4]。劉旻利用Logistic分析法構(gòu)建財務(wù)預(yù)警模型，對上市公司財務(wù)狀況不佳的前3年進(jìn)行有效的預(yù)測，整體預(yù)測準(zhǔn)確率達(dá)到86.7%[5]。楊瀟運(yùn)用主成分分析方法對財務(wù)指標(biāo)進(jìn)行降維，通過改進(jìn)Logistic回歸模型使模型預(yù)測的精度有所提高，從而提高了預(yù)測準(zhǔn)確率[6]。肖潔、趙慧等采用聚類分析方法判別上市公司財務(wù)狀況，運(yùn)用主成分邏輯回歸和Logistic模型結(jié)合對林業(yè)企業(yè)財務(wù)危機(jī)進(jìn)行預(yù)警[7]。

二、電力企業(yè)財務(wù)預(yù)警指標(biāo)體系構(gòu)建

（一）財務(wù)危機(jī)判定標(biāo)準(zhǔn)

由于模型應(yīng)用于判定企業(yè)是否發(fā)生財務(wù)危機(jī)，如果危機(jī)預(yù)警在一個營業(yè)周期內(nèi)就判定企業(yè)陷入財務(wù)困境則略顯武斷，若通過其他方式緩解短期資金周轉(zhuǎn)困難則不能判定為陷入財務(wù)危機(jī)，但是企業(yè)連續(xù)兩年都出現(xiàn)財務(wù)困境邊界值報警情況時，就可以判定企業(yè)陷入了財務(wù)危機(jī)。結(jié)合以往研究，由于“資產(chǎn)的內(nèi)在價值是其未來現(xiàn)金流量的現(xiàn)值”的觀點被廣泛接受與應(yīng)用[8，9]，因此，將經(jīng)營活動現(xiàn)金流量凈額與流動負(fù)債的比值作為界定財務(wù)困境的標(biāo)準(zhǔn)[10]。本文選取2016—2020年經(jīng)營活動現(xiàn)金流量凈額與流動負(fù)債的比值的均值作為企業(yè)陷入財務(wù)危機(jī)的警戒值，計算得出該警戒值為0.31，劃分企業(yè)財務(wù)狀況的標(biāo)準(zhǔn)為比值＜0.31（連續(xù)兩年）。其余情況劃為財務(wù)健康組。

（二）研究樣本與指標(biāo)選取

本文根據(jù)2012年行業(yè)標(biāo)準(zhǔn)，查詢2021年電力行業(yè)上市公司的情況，剔除存在殘缺值的樣本后，選取57家滬深A(yù)股上市公司的2019年財務(wù)數(shù)據(jù)進(jìn)行建模。參考以往財務(wù)預(yù)警模型中較高頻使用和預(yù)警效果較好的指標(biāo)，增加了企業(yè)規(guī)模指標(biāo)、每股EVA和總資產(chǎn)EVA率三個非財務(wù)指標(biāo)。具體財務(wù)指標(biāo)包括，X1流動比率、X2速動比率、X3現(xiàn)金比率、X4營運(yùn)資金借款比、X5利息保障倍數(shù)、X6資產(chǎn)負(fù)債率、X7產(chǎn)權(quán)比率、X8權(quán)益對負(fù)債比率、X9應(yīng)收賬款周轉(zhuǎn)率、X10存貨周轉(zhuǎn)率、X11應(yīng)付賬款周轉(zhuǎn)率、X12流動資產(chǎn)周轉(zhuǎn)率、X13固定資產(chǎn)周轉(zhuǎn)率、X14總資產(chǎn)周轉(zhuǎn)率、X15企業(yè)規(guī)模、X16每股EVA、X17總資產(chǎn)EVA率、X18總資產(chǎn)凈利潤率、X19凈資產(chǎn)收益率、X20營業(yè)凈利率、X21資本積累率、X22總資產(chǎn)增長率、X23凈利潤增長率、X24現(xiàn)金資產(chǎn)比率X25營運(yùn)資金比率、X26非流動資產(chǎn)比率、X27凈利潤現(xiàn)金凈含量、X28營業(yè)收入現(xiàn)金凈含量。

（三）預(yù)警指標(biāo)篩選

財務(wù)危機(jī)預(yù)警模型所選定的指標(biāo)必須對企業(yè)是否陷入財務(wù)困境能夠顯著區(qū)分。顯著性不高的指標(biāo)無法作為預(yù)警指標(biāo)來區(qū)分企業(yè)財務(wù)狀況，它會干擾模型預(yù)測效果，影響模型預(yù)測精度。本文對樣本進(jìn)行K-S正態(tài)性檢驗和Mann-WhitneyU檢驗。由K-S檢驗結(jié)果可知，X4、X6、X15、X18、X25這5項沒有呈現(xiàn)顯著性（p＞0.05），其余23個指標(biāo)不具有正態(tài)性。因此，對通過K-S檢驗的5個指標(biāo)進(jìn)行獨(dú)立樣本T檢驗。其中，X4、X6、X15、X18這4項指標(biāo)都不具有顯著性差異，予以剔除；X25呈現(xiàn)出0.05水平顯著性差異。并對其余23個未通過檢驗的指標(biāo)進(jìn)行Mann-Whitney U檢驗。其中，X7、X8、X13、X17、X19、X20、X22、X28這8個指標(biāo)的顯著性均小于0.05，這8項財務(wù)指標(biāo)對企業(yè)財務(wù)困境的判別存在顯著性差異，納入指標(biāo)。綜合上述檢驗結(jié)果，選取X7、X8、X13、X17、X19、X20、X22、X25、X28共9個候選指標(biāo)作為電力行業(yè)財務(wù)危機(jī)預(yù)警指標(biāo)。

三、財務(wù)預(yù)警模型構(gòu)建

根據(jù)以往使用Logistic模型對上市公司進(jìn)行財務(wù)預(yù)警的研究，在建立模型之前用主成分分析法提取顯著性較高的公因子對財務(wù)指標(biāo)進(jìn)行降維，再構(gòu)建Logistic模型能極大提高模型的精確度。

（一）主成分分析

在進(jìn)行主成分分析之前進(jìn)行因子適合度檢驗，KMO的檢驗系數(shù)為0.693，此值大于0.6，顯著水平為0＜0.05，說明各指標(biāo)變量之間的相關(guān)性比較強(qiáng)，可以進(jìn)行主成分分析。通過主成分分析法提取綜合特征值，共有3個主成分被提取，公共因子的貢獻(xiàn)率分別為32.126%、26.120%、15.839%，累積貢獻(xiàn)率達(dá)到74.085%。因此，所提取的主成分對這9個財務(wù)指標(biāo)包含的信息有較好的解釋。將這3個主成分分別計為F1、F2、F3，公共因子F1至F3的得分系數(shù)模型：

（二）構(gòu)建Logistic模型

本文設(shè)企業(yè)是否發(fā)生財務(wù)危機(jī)為因變量Y，Y=0表示陷入財務(wù)困境企業(yè)，Y=1表示財務(wù)健康企業(yè)，將通過2019年財務(wù)數(shù)據(jù)計算得到的F1、F2、F3這3個得分系數(shù)作為自變量代入Logistic模型，并計算模型預(yù)測的準(zhǔn)確率和誤差率，用主成分代替指標(biāo)有效消除了指標(biāo)間的多重共線性。Cox&Snell R2為0.616，說明F1、F2、F3這3個得分系數(shù)對企業(yè)是否發(fā)生財務(wù)危機(jī)的解釋力度強(qiáng)。

表1 二元Logistic回歸分析結(jié)果匯總

計算F1、F2、F3值作為因變量進(jìn)行二元Logistic回歸分析，得到的F1、F2、F3的系數(shù)分別為-0.718、-6.195、-7.035，截距項系數(shù)為4.856，則模型公式為：

其中，p代表財務(wù)健康時發(fā)生的概率，1-p代表財務(wù)危機(jī)時發(fā)生的概率。

結(jié)合對樣本企業(yè)進(jìn)行二元Logistic回歸時得出的預(yù)測概率情況和電力行業(yè)的特點，選擇閾值為0.7。當(dāng)P大于0.7時，表示公司財務(wù)狀況健康；當(dāng)P小于0.7時，表示公司存在財務(wù)危機(jī)。

（三）模型檢驗

首先選取和模型指標(biāo)選取以及建立模型均沒有關(guān)系的2018年的財務(wù)數(shù)據(jù)，計算出主成分因子指標(biāo)；然后計算出2018年和2019年樣本數(shù)據(jù)的財務(wù)困境判別值，即經(jīng)營活動現(xiàn)金流量與流動負(fù)債比值，與臨界值0.31比較，劃分31家財務(wù)健康企業(yè)和41家財務(wù)困境企業(yè)。Logistic模型預(yù)警的結(jié)果如下：正常企業(yè)判斷為財務(wù)健康的有28家，判斷準(zhǔn)確率為90.32%；財務(wù)危機(jī)組中有33家企業(yè)被預(yù)判為陷入財務(wù)困境，判斷準(zhǔn)確率為80.49%，模型整體判別準(zhǔn)確率84.72%。該模型對電力行業(yè)財務(wù)危機(jī)判別總體準(zhǔn)確率較高，能夠幫助企業(yè)在初期察覺財務(wù)狀況變化從而加強(qiáng)管理控制，是一種較為可靠的財務(wù)危機(jī)預(yù)警手段。

表2 二元Logistic回歸預(yù)測準(zhǔn)確率匯總

結(jié)語

本文選取57家電力行業(yè)上市公司的財務(wù)數(shù)據(jù)作為研究樣本，以近5年經(jīng)營活動現(xiàn)金流量/流動負(fù)債的均值作為警戒值界定企業(yè)財務(wù)狀況，連續(xù)2年低于警戒值即判定企業(yè)陷入財務(wù)困境。本文從28個候選財務(wù)指標(biāo)中選取9個指標(biāo)，涵蓋企業(yè)的償債、經(jīng)營、盈利和發(fā)展能力以及企業(yè)比率結(jié)構(gòu)和現(xiàn)金流狀況，新增的評價企業(yè)經(jīng)營績效的總資產(chǎn)EVA率能夠起到有效預(yù)警的作用。在模型構(gòu)造中綜合運(yùn)用主成分分析法和Logistic回歸分析法，建立了電力行業(yè)的財務(wù)預(yù)警模型，最后用指標(biāo)篩選和模型建立過程中未涉及的2018年財務(wù)數(shù)據(jù)對72家電力企業(yè)進(jìn)行模型檢驗，證實模型整體判斷準(zhǔn)確率達(dá)到84.72%，能夠使電力行業(yè)在財務(wù)狀況改變的初期自查并加以控制，使財務(wù)狀況不再惡化，從而提高對財務(wù)危機(jī)的防范能力，促進(jìn)電力行業(yè)長期健康發(fā)展。該模型是為我國電力行業(yè)量身定做的一套財務(wù)預(yù)警模型。但是本文在模型建立的過程中沒有考慮宏觀因素，而宏觀經(jīng)濟(jì)因素對企業(yè)經(jīng)營與發(fā)展產(chǎn)生重要影響，所以如果能夠?qū)⒑暧^因素對企業(yè)財務(wù)狀況的影響納入模型構(gòu)建，則可以使得模型預(yù)測的準(zhǔn)確率更高。