我國能源上市公司財務風險評價

王君萍++王娜

【摘 要】 能源行業是我國的支柱性行業，對能源行業進行財務風險評價非常有必要。文章在對國內外風險評價理論進行系統梳理的基礎上，運用主成分分析法對我國能源上市公司進行財務風險評價，選取13個財務指標來評價財務風險是否發生，建立了主成分模型，準確率達95%，驗證了該模型可以準確地對能源行業的財務狀況作出判斷，是能源行業進行財務風險評價的有效手段。這可以很好地檢測能源行業財務風險，使得公司可以提前采取風險防范措施。

【關鍵詞】 能源上市公司； 財務風險； 主成分分析法

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

一、引言

財務風險是指由于融資方式不當、財務結構不合理、資本資產管理不善及投資方式不科學等諸多因素引起的，可能使公司喪失償債能力，進而導致投資者預期收益下降的風險。財務風險是否發生，可以通過分析敏感性財務指標來確定。

隨著經濟全球化的進一步加深，中國市場經濟的日益發展，企業經營環境的復雜性增強，企業面臨更多、更難預知的風險。而企業的財務風險是客觀存在的，不同行業，影響財務風險發生的指標也會不同。

能源行業是國民經濟發展的基礎性行業，是我國的支柱性行業，其他行業的發展離不開能源。對能源行業的財務風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數據，采用主成分分析法來評價企業財務風險是否發生。

二、文獻綜述

（一）國外財務風險評價綜述

國外學者對財務風險評價的研究最早開始于Fitzpatrick（1932）[ 1 ]提出的單變量模型，他利用財務比率進行分析，發現出現財務危機的企業和正常經營企業相比較，其財務比率有顯著不同，并得出凈利潤/股東權益、股東權益/負債這兩個財務比率指標對財務風險影響最大。

此后，William Beaver第一次運用統計方法來建立單一變量財務預警模型，為后來的實證研究奠定了理論基礎。美國紐約大學教授Edward I.Altman（1968）[ 2 ]首次將差異分析方法運用到財務風險的評價中，創建了Z值模型，這標志著多元變量模型的建立。1977年Altman等人又提出了跨行業的ZETA模型。但是，多元線性模型需要財務指標數據呈現正態分布，這使得模型的實用性很低。

1980年美國學者Ohlson將邏輯回歸方法（logistic）引入財務風險研究中，分析了樣本公司在破產概率區間上的分布以及兩類錯誤和分割點之間的關系[ 3 ]，發現公司規模、資本結構、業績和當前的融資能力對財務風險有很大影響，進行財務危機的預測準確率達到96.12%。

1990年，Odom和Sharda運用人工神經網絡模型對樣本公司進行財務風險分析，發現ANNA模型的準確率很高[ 4 ]。隨后Coats和Fant（1993）[ 5 ]證明了人工神經網絡方法用于測試公司財務風險是可行的，同時其準確率高于多元判別分析法。

（二）國內財務風險評價綜述

國內關于財務風險的研究起步較晚，主要是以上市公司為主，這是因為上市公司的數據獲取比較容易。

吳世農和黃世忠（1987）[ 6 ]介紹了我國企業的破產指標和單變量、多變量預測模型。周首華等（1996）[ 7 ]加入現金流量信息，對Z分數模型加以改造，建立了F分數模型。此外，用此模型分析財務風險的還有李丹（2007）[ 8 ]、梁杰（2011）[ 9 ]等。

李秉祥（2005）[ 10 ]提出了一種基于模糊神經網絡的企業財務危機非線性組合建模與預測方法，為財務風險評價的研究找到了一種新的方法。用人工神經網絡模型來研究財務風險的還有喻勝華（2005）、王新利（2011）、龔小鳳（2012）。

評價財務風險是否發生的方法發展到今天已經經歷了三代模型的驗證，“模型涉及的指標選擇上前期幾乎都是財務指標，近年來多有涉及非財務指標，與此同時在財務指標的選擇上也出現了現金流量指標、經濟附加值指標”。

本文涉及的主成分分析法在財務風險評價中的應用也經歷了一定程度的發展。

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

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風險評價進行研究。

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，用于構建主成分分析模型，其中包括21家ST企業（剔除兩次被ST的企業，被ST企業截止到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模的21家非ST企業。本文將ST企業定義為財務風險發生的公司，這是因為上市公司被ST說明該公司財務異常，這就意味著陷入了財務危機，財務風險已經發生。本文選取被ST公司前一年的數據是由于ST前一年的指標變量離被ST時間最近，所以反映ST企業財務狀況的作用最顯著。樣本數據來源于上海證券交易所、深圳證券交易所、金融界等網站以及國泰安數據庫。

（二）指標體系的構建

為了使模型中變量的選擇范圍更加全面，本文依據國泰安數據庫中相關指標的分類，選擇了反映企業盈利能力、發展能力、償債能力、現金流量、經營能力的26個財務指標（具體見表1）作為備選變量來具體分析財務風險。

（三）模型的構建

1.變量的差異性分析

運用Stata12統計軟件，根據21家估計樣本ST企業前一年的數據，對26個指標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，判別結果如表2。假設ST公司代碼是0，正常公司代碼是1。

根據表2列出的檢驗結果，兩個P值小于0.05的指標有13個，所以本文選擇流動比率（X1）、速動比率（X2）、現金比率（X3）、產權比率（X4）、權益負債比率（X5）、資產負債率（X6）、總資產周轉率（X7）、營運資金周轉率（X11）、資本積累率（X14）、資產報酬率（X17）、總資產凈利潤率（X18）、流動資產凈利潤率（X19）、營業毛利率（X20）共13個指標作為構建主成分模型的指標。檢驗結果還表明ST企業與正常企業的償債能力、經營能力、盈利能力、發展能力存在顯著差異。

2.主成分的恰當性檢驗

為了消除變量在量綱和水平上的影響，對原來的42家13個財務指標進行標準化處理。對處理后的數據進行相關矩陣的計算，計算各主成分的特征根和方差貢獻度，如表3。利用SMC和KMO檢驗分析主成分的恰當性，檢驗結果如表4（處理后的數據分別用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%，后面特征值的貢獻度越來越小。本文選擇特征值大于1（因為當主成分小于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的相關系數絕對值最大，表明第一主成分對資產負債率的代表性最強，同理第二主成分對流動資產的代表性最強，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率的代表性最強。

根據因子在各主成分中的載荷，可以得到財務風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是資產負債率，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，資產報酬率、總資產凈利潤率、流動資產凈利潤率指標占較大載荷量，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是資本積累率，將第三主成分概括為發展主成分。

從第四主成分來看，其中占較大載荷量的指標是總資產周轉率、營運資金周轉率，可以把第四主成分概括為經營能力主成分。

在確定了各主成分的經濟意義之后，根據表3中各主成分方差的貢獻率來確定最后的財務風險評價模型：

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0.1456154115。把F值小于0.1456154115的企業作為發生財務風險的企業，F值大于0.1456154115為正常企業。通過樣本分析有一家ST企業誤判為正常企業，一家正常企業誤判為ST企業，誤判率為5%，準確率達到95%。所以，該模型在預測能源上市公司財務風險方面具有很高的可信度。

四、結論及優缺點

本文運用Stata12軟件對財務指標進行篩選，并運用主成分分析法構建了財務風險評價模型，分析能源行業的財務風險，準確率達到了95%，這對能源行業財務風險的評價提供了一定的參考價值。通過分析發現，流動比率、速動比率、現金比率、產權比率、權益負債比率、資產負債率、總資產周轉率、營運資金周轉率、資本積累率、資產報酬率、總資產凈利潤率、流動資產凈利潤率、營業毛利率這13個指標對能源行業財務風險的發生有顯著的作用。

本文的優點在于指標篩選時，將ST企業和非ST企業的財務指標對比，檢驗其是否具有顯著性，這樣選擇的指標更能反映出其對財務風險發生的影響作用；缺點在于初始指標選擇時，沒有選擇全部反映財務狀況的指標，可能會忽視其他指標對財務風險的影響，同時本文沒有選擇影響財務風險的非財務指標，這使得本文的指標具有一定的片面性。

【參考文獻】

[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，黃世忠.企業破產的分析指標和預測模型[J].中國經濟問題，1987（6）：8-15.

[7] 周首華，楊濟華，王平.論財務危機的預警分析：F分數模型[J].會計研究，1996（8）：8-11.

[8] 李丹，張長江.F分數模型在上市公司財務風險預警中的分析與應用[J].漁業經濟研究，2007（2）：38-40.

[9] 梁杰，車淑娟，張冬冬.F分數模型下遼寧省裝備制造業上市公司財務風險測評研究[J].財會通訊，2011（26）：143-145.

[10] 李秉祥.基于模糊神經網絡的企業財務危機非線性組合預測方法研究[J].管理工程學報，2005（1）：19-23.

[11] 潘琰，程小可.上市公司經營業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.上市公司財務預警模型——Y分數模型的實證研究[J].中國軟科學，2003（1）：56-60.

[13] 徐鳳菊，王鳳.基于主成分分析法的財務風險評價模型[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風險評價[J].財會通訊，2013（8）：107-110.