電力行業上市公司財務危機預警研究
——基于Logistic回歸模型

張鑫垚

（貴州大學經濟學院，貴陽 550025）

碳中和碳達峰戰略目標，對我國能源系統提出了向低碳清潔發展的新要求，從而給高碳企業發展帶來了諸多挑戰。電力行業作為碳排放量最大的國家支柱性產業之一，近年來行業的經營和發展受到社會廣泛關注，是低碳轉型的重點實施領域。由于其獨特的政府主導特性，在新目標的要求下，必然要走向低碳轉型發展的變革道路。而轉型最直接的影響是給企業帶來更大的成本支出，使企業財務風險發生概率增大，甚至使企業面臨破產倒閉的風險。因此，為了盡可能規避企業財務風險的發生，將損失控制在最低，電力企業在發展管理中須建立科學有效的財務風險預警模型。本文結合電力行業上市企業財務指標，建立電力行業財務危機預警模型來防范潛在危機，對企業財務狀況進行預估，在扭轉財務危機方面為企業提供了充裕的空間，減小了企業破產的概率。

一、文獻回顧

國外研究方面，Beaver提出了一元判別分析模型，發現預測財務危機最好的指標是現金流量/負債總額，為財務預警模型建立提供了參考[1]。Altman建立了Z-score模型，把體現公司償債、獲利和營運能力的指標加權計算綜合得分Z值。該模型準確率高，被企業廣泛使用[2]。Martain將Logistic模型首次運用于銀行破產情況研究，研究發現，Logistic模型能有效檢測出銀行破產風險，財務危機發生前一年誤判率僅為11.41%[3]。國內學者也對企業財務危機預警問題進行了廣泛研究。許柯、盧海等運用非參數檢驗法篩選出能夠顯著區分企業是否發生財務危機的指標，利用Logistic回歸分析方法建立房地產行業財務預警模型[4]。劉旻利用Logistic分析法構建財務預警模型，對上市公司財務狀況不佳的前3年進行有效的預測，整體預測準確率達到86.7%[5]。楊瀟運用主成分分析方法對財務指標進行降維，通過改進Logistic回歸模型使模型預測的精度有所提高，從而提高了預測準確率[6]。肖潔、趙慧等采用聚類分析方法判別上市公司財務狀況，運用主成分邏輯回歸和Logistic模型結合對林業企業財務危機進行預警[7]。

二、電力企業財務預警指標體系構建

（一）財務危機判定標準

由于模型應用于判定企業是否發生財務危機，如果危機預警在一個營業周期內就判定企業陷入財務困境則略顯武斷，若通過其他方式緩解短期資金周轉困難則不能判定為陷入財務危機，但是企業連續兩年都出現財務困境邊界值報警情況時，就可以判定企業陷入了財務危機。結合以往研究，由于“資產的內在價值是其未來現金流量的現值”的觀點被廣泛接受與應用[8，9]，因此，將經營活動現金流量凈額與流動負債的比值作為界定財務困境的標準[10]。本文選取2016—2020年經營活動現金流量凈額與流動負債的比值的均值作為企業陷入財務危機的警戒值，計算得出該警戒值為0.31，劃分企業財務狀況的標準為比值＜0.31（連續兩年）。其余情況劃為財務健康組。

（二）研究樣本與指標選取

本文根據2012年行業標準，查詢2021年電力行業上市公司的情況，剔除存在殘缺值的樣本后，選取57家滬深A股上市公司的2019年財務數據進行建模。參考以往財務預警模型中較高頻使用和預警效果較好的指標，增加了企業規模指標、每股EVA和總資產EVA率三個非財務指標。具體財務指標包括，X1流動比率、X2速動比率、X3現金比率、X4營運資金借款比、X5利息保障倍數、X6資產負債率、X7產權比率、X8權益對負債比率、X9應收賬款周轉率、X10存貨周轉率、X11應付賬款周轉率、X12流動資產周轉率、X13固定資產周轉率、X14總資產周轉率、X15企業規模、X16每股EVA、X17總資產EVA率、X18總資產凈利潤率、X19凈資產收益率、X20營業凈利率、X21資本積累率、X22總資產增長率、X23凈利潤增長率、X24現金資產比率X25營運資金比率、X26非流動資產比率、X27凈利潤現金凈含量、X28營業收入現金凈含量。

（三）預警指標篩選

財務危機預警模型所選定的指標必須對企業是否陷入財務困境能夠顯著區分。顯著性不高的指標無法作為預警指標來區分企業財務狀況，它會干擾模型預測效果，影響模型預測精度。本文對樣本進行K-S正態性檢驗和Mann-WhitneyU檢驗。由K-S檢驗結果可知，X4、X6、X15、X18、X25這5項沒有呈現顯著性（p＞0.05），其余23個指標不具有正態性。因此，對通過K-S檢驗的5個指標進行獨立樣本T檢驗。其中，X4、X6、X15、X18這4項指標都不具有顯著性差異，予以剔除；X25呈現出0.05水平顯著性差異。并對其余23個未通過檢驗的指標進行Mann-Whitney U檢驗。其中，X7、X8、X13、X17、X19、X20、X22、X28這8個指標的顯著性均小于0.05，這8項財務指標對企業財務困境的判別存在顯著性差異，納入指標。綜合上述檢驗結果，選取X7、X8、X13、X17、X19、X20、X22、X25、X28共9個候選指標作為電力行業財務危機預警指標。

三、財務預警模型構建

根據以往使用Logistic模型對上市公司進行財務預警的研究，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指標進行降維，再構建Logistic模型能極大提高模型的精確度。

（一）主成分分析

在進行主成分分析之前進行因子適合度檢驗，KMO的檢驗系數為0.693，此值大于0.6，顯著水平為0＜0.05，說明各指標變量之間的相關性比較強，可以進行主成分分析。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，公共因子的貢獻率分別為32.126%、26.120%、15.839%，累積貢獻率達到74.085%。因此，所提取的主成分對這9個財務指標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的得分系數模型：

（二）構建Logistic模型

本文設企業是否發生財務危機為因變量Y，Y=0表示陷入財務困境企業，Y=1表示財務健康企業，將通過2019年財務數據計算得到的F1、F2、F3這3個得分系數作為自變量代入Logistic模型，并計算模型預測的準確率和誤差率，用主成分代替指標有效消除了指標間的多重共線性。Cox&Snell R2為0.616，說明F1、F2、F3這3個得分系數對企業是否發生財務危機的解釋力度強。

表1 二元Logistic回歸分析結果匯總

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

其中，p代表財務健康時發生的概率，1-p代表財務危機時發生的概率。

結合對樣本企業進行二元Logistic回歸時得出的預測概率情況和電力行業的特點，選擇閾值為0.7。當P大于0.7時，表示公司財務狀況健康；當P小于0.7時，表示公司存在財務危機。

（三）模型檢驗

首先選取和模型指標選取以及建立模型均沒有關系的2018年的財務數據，計算出主成分因子指標；然后計算出2018年和2019年樣本數據的財務困境判別值，即經營活動現金流量與流動負債比值，與臨界值0.31比較，劃分31家財務健康企業和41家財務困境企業。Logistic模型預警的結果如下：正常企業判斷為財務健康的有28家，判斷準確率為90.32%；財務危機組中有33家企業被預判為陷入財務困境，判斷準確率為80.49%，模型整體判別準確率84.72%。該模型對電力行業財務危機判別總體準確率較高，能夠幫助企業在初期察覺財務狀況變化從而加強管理控制，是一種較為可靠的財務危機預警手段。

表2 二元Logistic回歸預測準確率匯總

結語

本文選取57家電力行業上市公司的財務數據作為研究樣本，以近5年經營活動現金流量/流動負債的均值作為警戒值界定企業財務狀況，連續2年低于警戒值即判定企業陷入財務困境。本文從28個候選財務指標中選取9個指標，涵蓋企業的償債、經營、盈利和發展能力以及企業比率結構和現金流狀況，新增的評價企業經營績效的總資產EVA率能夠起到有效預警的作用。在模型構造中綜合運用主成分分析法和Logistic回歸分析法，建立了電力行業的財務預警模型，最后用指標篩選和模型建立過程中未涉及的2018年財務數據對72家電力企業進行模型檢驗，證實模型整體判斷準確率達到84.72%，能夠使電力行業在財務狀況改變的初期自查并加以控制，使財務狀況不再惡化，從而提高對財務危機的防范能力，促進電力行業長期健康發展。該模型是為我國電力行業量身定做的一套財務預警模型。但是本文在模型建立的過程中沒有考慮宏觀因素，而宏觀經濟因素對企業經營與發展產生重要影響，所以如果能夠將宏觀因素對企業財務狀況的影響納入模型構建，則可以使得模型預測的準確率更高。