基于層次分析法煤炭上市公司財務風險綜合評價

苗 燕,欒宜童

（1.皖北煤電集團萬錦置業公司,安徽 宿州 234000;2.安徽農業大學經濟管理學院,安徽 合肥 230036）

財務風險是指公司財務結構不合理、融資不當使公司可能喪失償債能力而導致投資者預期收益下降的風險。財務風險是企業財務管理過程中必須面對的一個現實問題，是企業追求利潤最大化過程中不可避免的。財務風險管理有助于企業加速資金周轉，保證資金安全增值，增加企業決策的時效性、科學性，為企業提高效益、實現經營發展目標發揮重要作用。并且作為企業風險管理的重要部分，財務風險對企業價值評估、企業的長遠發展也有重要意義。

一、財務風險評價指標體系的構建

財務風險指標體系的構建是財務風險評價的基礎。論文參考《國有資本金績效評價指體系》，并結合煤炭上市公司自身特點，構建了反映公司營運能力、發展能力、償債能力和盈利能力的財務指標體系，并根據單項指標本身的特點分為極大型指標、穩定型指標量和區間型指標三種類型。極大型變量是數值越大越好的變量，例如銷售利潤率、凈資產收益率等；穩定型變量是指標數值在某一點最好的變量，例如速動比率；區間型變量是指標數值在某一區間內最好的指標，例如資產負債率、現金流動負債比率等。（見附表1）

二、財務風險綜合評價

（一）指標權重的確定

論文擬采用層次分析法（Analytic Hierarchy Process簡稱AHP）確定各項指標的權重。其基本步驟是：

首先，建立層次結構模型。根據問題的性質和要達到的總目標，將問題分解為不同組成因素，并按照因素間的相互關聯影響以及隸屬關系，將各個因素按不同層次聚集組合，形成一個多層次的分析結構模型。

其次，在各層元素中進行兩兩比較，構造比較判斷矩陣。判斷矩陣表示運用1-9標度方法。

再次，進行層次單排序及一致性檢驗。當隨機一致性比率 ＜0.10時，可以認為層次單排序的結構有滿意的一致性，否則需要調整判斷矩陣的元素取值。

最后，層次總排序。計算各層次元素對系統目標的合成權重，進行總排序，以確定結構模型中最底層各個元素在總目標中的重要程度。

依據該方法確定的一級指標和二級指標權重。

（二）評價指標功效系數的計算

1.極大型指標處理

極大型指標滿意值（S）的來源為2010、2011、2012年企業績效評價標準值中煤炭行業全行業良好值再平均得到，百分比指標的不允許值（F）為0，周轉率指標的不允許值（F）為三年的最低值（處理結果見附表2）。

2.穩定型指標處理

穩定型指標的滿意值（S）同樣是由2010、2011、2012年企業績效評價標準值中煤炭行業全行業的良好值計算平均值得到的，而不允許值下限（FD）和不允許值上限（FU）為這三年間的最小和最大值（處理結果見表1）。

表1 穩定性指標處理結果

3.區間型指標處理

區間型指標中，資產負債率的滿意值下限（SD）是由2010、2011、2012年企業績效評價標準值中煤炭行業全行業的平均值再計算平均值得到的，滿意值上限（SU）是由三年全行業優秀值計算平均值得到的，而現金流動負債比率的滿意值下限和上限與資產負債率的計算方法恰好相反。不允許值上限（FU）和不允許值下限（FD）則為這三年間的最大和最小值（處理結果見附表3）。

根據功效系數法，在每個評價指標的滿意值（或其上、下限）和不允許值（或其上、下限），再按照公式（1）-（3）計算各指標的單項功效系數。

（三）財務風險綜合評價

根據上述各項指標的權重及其功效系數，最終可以按以下公式計算出各公司財務風險綜合得分：

式中Wi：各指標的權重；Ri：各指標功效系數。并依據附表4判斷該公司當前財務風險狀況處理結果（見附表4）

附表1 財務風險評價指標體系

附表2 極大型指標處理結果

附表3 區間型指標處理結果

附表4 財務風險評語集劃分

附表5 上市公司財務風險評價結果

三、實例研究

論文選取安徽省某煤炭工業上市公司為研究樣本，根據其2012年度報表，結合上述方法對該上市公司2012年財務風險狀況進行綜合評價（結果如附表5所示）。

該上市公司財務風險綜合評分為85分，根據評語集劃分，當前財務風險狀況為較低風險。從附表5來看各指標的得分情況，償債能力得分最高，為96分，其中已獲利息倍數、現金流動負債比、資產負債率分別衡量企業的短期償債能力和長期償債能力，得分均為100分，說明企業有很強的償債能力；其次為營運能力，為95分，各評價指標得分普遍較高，說明企業運轉良好；再次是盈利能力，最終得分為82分，說明企業凈資產有較強的盈利能力；而企業發展能力得分較低，僅為20分，主要因為2012年企業銷售利潤有大幅度下滑，同比下降34.2814%，并且企業主營業務收入增長率和總資產增長率相對來說并不突出。

[1]吳世農,盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究,2001（6）:46-55.

[2]周輝仁等.基于粒子群優化算法的LS——SVM財務預警[J].計算機工程,2009（10）:280-282.