“雙碳”戰(zhàn)略背景下火電企業(yè)財(cái)務(wù)預(yù)警研究

摘要：隨著“雙碳”戰(zhàn)略的實(shí)施，高碳排放的火電企業(yè)向低碳生產(chǎn)轉(zhuǎn)型已是大勢(shì)所趨，而在轉(zhuǎn)型過程中，傳統(tǒng)的財(cái)務(wù)預(yù)警模型難以對(duì)新出現(xiàn)的碳財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)警。在傳統(tǒng)財(cái)務(wù)指標(biāo)的基礎(chǔ)上引入碳指標(biāo)，構(gòu)建碳財(cái)務(wù)指標(biāo)體系，以識(shí)別火電企業(yè)的碳財(cái)務(wù)風(fēng)險(xiǎn)；使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建適用于火電企業(yè)低碳轉(zhuǎn)型過程的財(cái)務(wù)預(yù)警模型，并引入遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，以提高模型的預(yù)測(cè)準(zhǔn)確率。研究結(jié)果表明，碳指標(biāo)在模型的預(yù)警過程中有著較高的貢獻(xiàn)度，其在碳財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警中具有重要意義；基于碳財(cái)務(wù)指標(biāo)體系所構(gòu)建的預(yù)警模型能夠較為準(zhǔn)確地識(shí)別高碳排放企業(yè)轉(zhuǎn)型過程中的碳財(cái)務(wù)風(fēng)險(xiǎn)，同時(shí)遺傳算法的優(yōu)化可以進(jìn)一步提高模型的預(yù)警準(zhǔn)確度。

關(guān)鍵詞：財(cái)務(wù)預(yù)警；碳指標(biāo)；神經(jīng)網(wǎng)絡(luò)；遺傳算法；火電企業(yè)

0引言

國(guó)內(nèi)火電、化工、鋼鐵等高碳排放行業(yè)在國(guó)家“雙碳”戰(zhàn)略的驅(qū)動(dòng)之下，已經(jīng)陸續(xù)進(jìn)入低碳轉(zhuǎn)型軌道。其中，碳排放量位居首位的火電企業(yè)在“雙碳”戰(zhàn)略目標(biāo)的實(shí)現(xiàn)過程中首當(dāng)其沖，其面臨的財(cái)務(wù)風(fēng)險(xiǎn)是一個(gè)值得關(guān)注的問題。

目前關(guān)于高碳財(cái)務(wù)風(fēng)險(xiǎn)的研究，一般認(rèn)為高碳排放企業(yè)需要考慮在財(cái)務(wù)預(yù)警體系中引進(jìn)碳特色指標(biāo)，構(gòu)建適用于高碳排放企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的預(yù)警體系[1]。有的研究則選取特定高碳排放企業(yè)作為研究對(duì)象，通過功效系數(shù)法構(gòu)建傳統(tǒng)財(cái)務(wù)預(yù)警模型，進(jìn)行定量分析，取得了一定的效果[2]。總體來看，高碳財(cái)務(wù)風(fēng)險(xiǎn)研究主要集中于定性分析高碳行業(yè)存在的財(cái)務(wù)風(fēng)險(xiǎn)類型與風(fēng)險(xiǎn)特點(diǎn)，以及選取特定對(duì)象使用傳統(tǒng)指標(biāo)體系進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)定量分析這2個(gè)方面，鮮見既將“碳指標(biāo)”納入風(fēng)險(xiǎn)指標(biāo)體系又進(jìn)行定量分析的文獻(xiàn)研究。

在神經(jīng)網(wǎng)絡(luò)財(cái)務(wù)預(yù)警模型的應(yīng)用方面，已有研究表明，神經(jīng)網(wǎng)絡(luò)可以較好地應(yīng)用于企業(yè)的財(cái)務(wù)狀況評(píng)估[3]，且針對(duì)特定類型企業(yè)，如城投公司[4]、物流公司[5]、電力公司[6]等，神經(jīng)網(wǎng)絡(luò)預(yù)警模型也有較高的預(yù)警準(zhǔn)確率。但已有研究的指標(biāo)體系較為同質(zhì)化，少有從“雙碳”戰(zhàn)略角度出發(fā)，選取能夠反映行業(yè)特點(diǎn)的特色指標(biāo)并針對(duì)高碳行業(yè)進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的相關(guān)研究。

因此，本文從“雙碳”戰(zhàn)略的角度出發(fā)，使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建財(cái)務(wù)預(yù)警模型，以更加有效地識(shí)別火電企業(yè)在低碳轉(zhuǎn)型過程中的財(cái)務(wù)風(fēng)險(xiǎn)。

1指標(biāo)體系構(gòu)建與數(shù)據(jù)處理

1.1火電企業(yè)低碳轉(zhuǎn)型中的財(cái)務(wù)風(fēng)險(xiǎn)分析

在低碳經(jīng)濟(jì)的發(fā)展過程中，高碳排放企業(yè)面臨特有的碳財(cái)務(wù)風(fēng)險(xiǎn)，主要包括碳投資風(fēng)險(xiǎn)、碳籌資風(fēng)險(xiǎn)、碳運(yùn)營(yíng)風(fēng)險(xiǎn)3類[1]。

1.1.1碳投資風(fēng)險(xiǎn)

高碳排放企業(yè)在向低碳生產(chǎn)轉(zhuǎn)型的過程中，會(huì)增加低碳排放資產(chǎn)的投資，并不斷淘汰高碳排放資產(chǎn)，使其面臨低碳投資未來收益的不確定性及高碳資產(chǎn)淘汰對(duì)當(dāng)前收益的不利影響，從而形成了碳投資風(fēng)險(xiǎn)。

火電企業(yè)低碳轉(zhuǎn)型路徑主要有2條：一是對(duì)當(dāng)前火力發(fā)電機(jī)組進(jìn)行減排優(yōu)化；二是提升火力發(fā)電裝機(jī)以外的可再生能源發(fā)電裝機(jī)比例。這2條轉(zhuǎn)型路徑都會(huì)增加企業(yè)的投資支出，占用更多運(yùn)營(yíng)資金，影響企業(yè)日常經(jīng)營(yíng)，加大生產(chǎn)環(huán)節(jié)的波動(dòng)性，進(jìn)而使企業(yè)面臨較大的碳投資風(fēng)險(xiǎn)。

1.1.2碳籌資風(fēng)險(xiǎn)

高碳排放企業(yè)購置低碳資產(chǎn)、加大低碳研發(fā)投入，導(dǎo)致籌資需求上升。而轉(zhuǎn)型中的不確定性會(huì)加大企業(yè)的信用風(fēng)險(xiǎn)，降低金融機(jī)構(gòu)的信貸提供意愿，使高碳排放企業(yè)面臨較大的碳籌資風(fēng)險(xiǎn)。

對(duì)轉(zhuǎn)型中的火電企業(yè)而言，一方面，其生產(chǎn)經(jīng)營(yíng)將受到影響；另一方面，其高碳資產(chǎn)面臨價(jià)值重估。這都將增加火電企業(yè)的信用風(fēng)險(xiǎn)，使信貸機(jī)構(gòu)加速退出高碳項(xiàng)目，增加對(duì)火電企業(yè)的抽貸、斷貸和不續(xù)貸，從而加大火電企業(yè)的碳籌資風(fēng)險(xiǎn)。

1.1.3碳運(yùn)營(yíng)風(fēng)險(xiǎn)

碳交易、碳稅等相關(guān)政策的陸續(xù)實(shí)施將增加高碳排放企業(yè)的生產(chǎn)運(yùn)營(yíng)成本，并加速同類低碳產(chǎn)品對(duì)高碳產(chǎn)品的替代進(jìn)程，壓縮利潤(rùn)空間，使高碳企業(yè)面臨較大的碳運(yùn)營(yíng)風(fēng)險(xiǎn)。

對(duì)于火電企業(yè)而言，碳運(yùn)營(yíng)風(fēng)險(xiǎn)主要源自兩部分：一是落后產(chǎn)能的淘汰影響企業(yè)正常生產(chǎn)經(jīng)營(yíng)；二是各項(xiàng)低碳政策的實(shí)施放大企業(yè)日常運(yùn)營(yíng)的不確定性。

1.2碳財(cái)務(wù)指標(biāo)體系構(gòu)建

由于傳統(tǒng)的財(cái)務(wù)指標(biāo)體系缺少衡量企業(yè)碳數(shù)據(jù)的指標(biāo)，難以識(shí)別火電企業(yè)的碳投資風(fēng)險(xiǎn)、碳籌資風(fēng)險(xiǎn)和碳運(yùn)營(yíng)風(fēng)險(xiǎn)，導(dǎo)致原本經(jīng)營(yíng)情況良好的企業(yè)，盡管其傳統(tǒng)指標(biāo)數(shù)據(jù)正常，也可能存在較大的碳財(cái)務(wù)風(fēng)險(xiǎn)。因此，有必要針對(duì)火電企業(yè)的實(shí)際情況引入企業(yè)相關(guān)碳數(shù)據(jù)，構(gòu)建能反映高碳排放特點(diǎn)的碳財(cái)務(wù)指標(biāo)，由此形成了“碳資產(chǎn)”“碳負(fù)債”概念[7]。碳資產(chǎn)可認(rèn)為是企業(yè)為了實(shí)現(xiàn)低碳生產(chǎn)所擁有的各項(xiàng)資產(chǎn)，對(duì)火電企業(yè)而言就是清潔、低碳發(fā)電資產(chǎn)；碳負(fù)債可認(rèn)為是企業(yè)未能實(shí)現(xiàn)低碳生產(chǎn)而發(fā)生的義務(wù)，對(duì)火電企業(yè)而言就是未進(jìn)行優(yōu)化替代、將被淘汰的傳統(tǒng)發(fā)電資產(chǎn)。

由于企業(yè)具體的資產(chǎn)結(jié)構(gòu)數(shù)據(jù)難以獲得，所以將火電企業(yè)的碳資產(chǎn)調(diào)整為企業(yè)已實(shí)現(xiàn)低碳改造的發(fā)電收入，將碳負(fù)債調(diào)整為當(dāng)前企業(yè)未進(jìn)行優(yōu)化或替代、未來將被淘汰的傳統(tǒng)發(fā)電收入。由此，將火電企業(yè)的碳數(shù)據(jù)與傳統(tǒng)財(cái)務(wù)指標(biāo)相結(jié)合，可構(gòu)建適用于火電企業(yè)的碳財(cái)務(wù)指標(biāo)體系，見表1。

1.3數(shù)據(jù)處理

1.3.1財(cái)務(wù)風(fēng)險(xiǎn)界定

在風(fēng)險(xiǎn)界定方面，國(guó)內(nèi)財(cái)務(wù)預(yù)警研究大多以企業(yè)被“特殊處理”（即股票名稱前加上“ST”）作為財(cái)務(wù)危機(jī)出現(xiàn)的標(biāo)志。但是根據(jù)滬深交易所的交易規(guī)則，遭到“特殊處理”的公司主要是因?yàn)檫B續(xù)2年虧損，這樣就會(huì)導(dǎo)致相關(guān)研究必須將企業(yè)被“特殊處理”前2年或更早的財(cái)務(wù)數(shù)據(jù)與被“特殊處理”當(dāng)年的財(cái)務(wù)數(shù)據(jù)相聯(lián)系，時(shí)間跨度過大，會(huì)影響實(shí)際預(yù)測(cè)結(jié)果的準(zhǔn)確度。

1.3.2樣本選取

選取26家A股火電行業(yè)上市公司為樣本，見表2。通過國(guó)泰安CSMAR數(shù)據(jù)庫得到公司的財(cái)務(wù)數(shù)據(jù)，根據(jù)年報(bào)披露情況獲取公司的碳資產(chǎn)、碳負(fù)債相關(guān)數(shù)據(jù)。

根據(jù)選定的上市公司2018—2020年年報(bào)中披露的財(cái)務(wù)數(shù)據(jù)計(jì)算Z值，作為財(cái)務(wù)危機(jī)的判定依據(jù)，即使用t年的Z值作為判定結(jié)果；同時(shí)選取上市公司t-1年所對(duì)應(yīng)的數(shù)據(jù)，即2017—2019年年報(bào)中所披露的財(cái)務(wù)數(shù)據(jù)計(jì)算碳財(cái)務(wù)指標(biāo)，作為輸入變量。最終獲得的Z值分布情況見表3。

考慮到數(shù)據(jù)量級(jí)差異過大，首先進(jìn)行歸一化處理。在表1所示的27個(gè)碳財(cái)務(wù)指標(biāo)中，資產(chǎn)負(fù)債率V9、碳資產(chǎn)負(fù)債比V11、碳負(fù)債比率V14為反向指標(biāo)，按照式（3）進(jìn)行處理，其他正向指標(biāo)按照式（2）進(jìn)行處理，得到無量綱化后的78組數(shù)據(jù)樣本。

1.3.4因子分析降維

由于本文選取的碳財(cái)務(wù)指標(biāo)體系共計(jì)有27個(gè)指標(biāo)，過多的輸入變量將大大增加神經(jīng)網(wǎng)絡(luò)的復(fù)雜程度，降低網(wǎng)絡(luò)學(xué)習(xí)效率，所以需要對(duì)數(shù)據(jù)進(jìn)行降維處理。

首先使用SPSS 22.0軟件進(jìn)行KMO和Bartlett球形檢驗(yàn)，結(jié)果見表4。其中，KMO為0.664，Bartlett球形檢驗(yàn)的顯著性為0，可以對(duì)數(shù)據(jù)進(jìn)行因子分析。

因子分析結(jié)果見表5。最終獲得8個(gè)公共因子，累計(jì)方差貢獻(xiàn)率達(dá)到76.935%，可認(rèn)為指標(biāo)體系中76.935%的信息已經(jīng)被公共因子所覆蓋。

旋轉(zhuǎn)后的成分矩陣見表6。

2預(yù)警模型構(gòu)建

2.1BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

2.1.1層數(shù)節(jié)點(diǎn)設(shè)計(jì)

由于因子分析最終提取的公共因子為8個(gè)，故將BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)設(shè)置為8。而判定結(jié)果包含正常與異常2種分類模式，所以將BP神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)設(shè)置為2。關(guān)于內(nèi)部隱藏層的設(shè)置，本文根據(jù)如下經(jīng)驗(yàn)公式[9]進(jìn)行確定

式中，q為隱藏層節(jié)點(diǎn)數(shù)；m為輸入層節(jié)點(diǎn)數(shù)；n為輸出層節(jié)點(diǎn)數(shù)；a為介于2～10之間的調(diào)節(jié)常數(shù)。

由于理論上增加隱藏層節(jié)點(diǎn)數(shù)可以提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率，因此本文調(diào)節(jié)常數(shù)a取最大值10，設(shè)定隱藏層節(jié)點(diǎn)數(shù)為13。由于最后輸出層存在2個(gè)節(jié)點(diǎn)，且最終實(shí)現(xiàn)的目標(biāo)近似于分類，因此采用Sigmoid函數(shù)作為傳遞函數(shù)與激活函數(shù)，并采用梯度下降法進(jìn)行訓(xùn)練。最終構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

2.1.2學(xué)習(xí)參數(shù)設(shè)計(jì)

為了保證一定的學(xué)習(xí)效果，并兼顧程序的運(yùn)行能力，將最大迭代次數(shù)設(shè)置為1 000次，學(xué)習(xí)速率設(shè)定為0.01，目標(biāo)誤差設(shè)定為0.001，最小性能梯度設(shè)置為10-8。

2.2遺傳算法優(yōu)化

2.2.1優(yōu)化的必要性

為了檢測(cè)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型的有效性，使用Matlab 2016a軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)，導(dǎo)入78組8因子數(shù)據(jù)，隨機(jī)將其中的52組作為訓(xùn)練組，剩余的26組作為測(cè)試組。為避免不確定性，重復(fù)訓(xùn)練與預(yù)測(cè)1 000次，以盡可能地消除偶然性，結(jié)果見表7。

從表7中的結(jié)果來看，正確率的平均值、最大值均處于可接受的范圍內(nèi)，但最小值表現(xiàn)較差，下限較低，說明僅使用BP神經(jīng)網(wǎng)絡(luò)所構(gòu)建的模型并非一定可靠，模型的訓(xùn)練與預(yù)測(cè)結(jié)果存在提升空間。因此，接下來使用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)做進(jìn)一步優(yōu)化。

遺傳算法在彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)缺陷方面具有優(yōu)勢(shì)。第一，遺傳算法有著并行性搜索的特點(diǎn)，從而能在一定程度上改善BP神經(jīng)網(wǎng)絡(luò)獲得“局部最優(yōu)解”的問題；第二，遺傳算法將初始權(quán)重值和偏置值進(jìn)行編碼，根據(jù)個(gè)體適應(yīng)度函數(shù)模仿遺傳中的選擇、交叉和變異過程進(jìn)行篩選，可以獲得相對(duì)最優(yōu)的初始權(quán)重值和偏置值，避免BP神經(jīng)網(wǎng)絡(luò)權(quán)重與偏置初始化中較大的隨機(jī)性[10]。運(yùn)用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化的思路見圖2。

2.2.2遺傳算法優(yōu)化設(shè)計(jì)

1.種群初始化

種群的初始化數(shù)值主要包括進(jìn)化次數(shù)與初始種群圖1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

規(guī)模。若初始值過高，會(huì)大大降低算法優(yōu)化的效率，而初始值過低又會(huì)降低優(yōu)化效果。經(jīng)過多次試驗(yàn)，將進(jìn)化代數(shù)確定為30，規(guī)模確定為50。

2.適應(yīng)度函數(shù)

適應(yīng)度函數(shù)用于確定編碼個(gè)體所代表的權(quán)重值與偏置值的適應(yīng)能力。本文將適應(yīng)度數(shù)值量化為樣本實(shí)際輸出與期望輸出差值的絕對(duì)值，公式如下

3.個(gè)體選擇

個(gè)體的適應(yīng)度越大，其被選擇的概率也應(yīng)當(dāng)越大。由于適應(yīng)度函數(shù)反映的是個(gè)體實(shí)際輸出與期望輸出的誤差，故個(gè)體被選擇概率與適應(yīng)度大小呈反比關(guān)系，公式如下

4.交叉和變異

交叉概率用來判定個(gè)體是否進(jìn)行交叉操作，變異概率用來判定個(gè)體是否進(jìn)行變異操作，2種概率相互獨(dú)立。綜合考慮優(yōu)化效果和學(xué)習(xí)效率，將交叉概率設(shè)定為0.9，遺傳概率設(shè)定為0.1。

3實(shí)證結(jié)果

3.1模型表示

3.2模型預(yù)測(cè)結(jié)果分析

分析模型的預(yù)測(cè)結(jié)果時(shí)，需要進(jìn)行多次訓(xùn)練與仿真預(yù)測(cè)，以消除神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的偶然性。但由于遺傳算法的引入會(huì)降低神經(jīng)網(wǎng)絡(luò)的運(yùn)行效率，因此將重復(fù)訓(xùn)練與仿真預(yù)測(cè)次數(shù)定為30次，統(tǒng)計(jì)結(jié)果見表8。

由表8可知，在經(jīng)過遺傳算法優(yōu)化后，預(yù)警模型的3類預(yù)測(cè)正確率的平均值及最小值顯著高于未優(yōu)化的同類結(jié)果，尤其是3類正確率的最小值在優(yōu)化后得到了顯著提升，均超過50%，而且優(yōu)化后3類預(yù)測(cè)誤差的平均值及最大值也顯著降低。因此，可以認(rèn)為遺傳算法的優(yōu)化顯著提升了模型的預(yù)測(cè)準(zhǔn)確度，有效提升了模型預(yù)測(cè)準(zhǔn)確度的下限。

最終預(yù)警模型預(yù)測(cè)的總體正確率、正常值正確率、異常值正確率的平均值分別達(dá)到了83.59%、87.55%、77.99%，三者最大值均達(dá)到了100%，可以認(rèn)為預(yù)測(cè)結(jié)果較為理想，表明經(jīng)過遺傳算法優(yōu)化后，使用BP神經(jīng)網(wǎng)絡(luò)所構(gòu)建的預(yù)警模型可以較為準(zhǔn)確地識(shí)別火電企業(yè)低碳轉(zhuǎn)型過程中的碳財(cái)務(wù)風(fēng)險(xiǎn)，并對(duì)其進(jìn)行預(yù)警。

3.3指標(biāo)貢獻(xiàn)度分析

從表9所示的指標(biāo)貢獻(xiàn)度排名來看，利用碳數(shù)據(jù)所構(gòu)建的碳指標(biāo)在預(yù)警模型中貢獻(xiàn)度較高，這說明在對(duì)火電企業(yè)低碳轉(zhuǎn)型時(shí)面臨的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行財(cái)務(wù)預(yù)警分析時(shí)，選用碳數(shù)據(jù)構(gòu)建碳指標(biāo)，進(jìn)而完善財(cái)務(wù)指標(biāo)體系是有必要的。火電企業(yè)在轉(zhuǎn)型過程中為了控制財(cái)務(wù)風(fēng)險(xiǎn)，除了需要關(guān)注一系列傳統(tǒng)財(cái)務(wù)指標(biāo)，還應(yīng)當(dāng)重視碳財(cái)務(wù)指標(biāo)的變化。

4結(jié)語

本文選取A股26家火電企業(yè)作為研究對(duì)象，建立碳財(cái)務(wù)指標(biāo)體系，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建碳財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，并使用遺傳算法對(duì)模型進(jìn)行優(yōu)化。研究發(fā)現(xiàn)，使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的碳財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型預(yù)測(cè)準(zhǔn)確度較高、誤差較小，但BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程存在不確定性和不穩(wěn)定性，需要進(jìn)行多次學(xué)習(xí)訓(xùn)練仿真，才能獲得理想的結(jié)果。而引入遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化后，預(yù)警模型的預(yù)測(cè)準(zhǔn)確度顯著提高，誤差顯著降低，結(jié)果較為理想，可以準(zhǔn)確地識(shí)別火電企業(yè)低碳轉(zhuǎn)型過程中的碳財(cái)務(wù)風(fēng)險(xiǎn)并發(fā)出預(yù)警。從模型結(jié)構(gòu)上看，相比傳統(tǒng)財(cái)務(wù)指標(biāo)，碳財(cái)務(wù)指標(biāo)對(duì)模型的貢獻(xiàn)度較高且貢獻(xiàn)度排名更為靠前，可以認(rèn)為碳財(cái)務(wù)指標(biāo)能夠有效地幫助企業(yè)識(shí)別低碳轉(zhuǎn)型過程中的碳財(cái)務(wù)風(fēng)險(xiǎn)。在我國(guó)持續(xù)推進(jìn)實(shí)施“雙碳”戰(zhàn)略的背景下，以火電企業(yè)為代表的高碳排放企業(yè)面臨碳財(cái)務(wù)風(fēng)險(xiǎn)，因此有必要通過建立碳財(cái)務(wù)指標(biāo)體系、構(gòu)建合適的預(yù)警模型對(duì)其進(jìn)行防范。使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)所構(gòu)建的預(yù)警模型，有助于管理者識(shí)別火電企業(yè)低碳轉(zhuǎn)型過程中的碳財(cái)務(wù)風(fēng)險(xiǎn)，完善經(jīng)營(yíng)決策，為火電企業(yè)平穩(wěn)完成低碳轉(zhuǎn)型提供保障。

參考文獻(xiàn)[1]聶艷紅.低碳經(jīng)濟(jì)視角下企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].財(cái)會(huì)通訊，2018（5）：106-109.

[2]李凱風(fēng)，丁寧.低碳經(jīng)濟(jì)視角下基于功效系數(shù)法的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警：以W企業(yè)為例[J].會(huì)計(jì)之友，2017（23）：53-57.

[3]楊保安，季海，徐晶，等.BP神經(jīng)網(wǎng)絡(luò)在企業(yè)財(cái)務(wù)危機(jī)預(yù)警之應(yīng)用[J].預(yù)測(cè)，2001（2）：49-54.

[4]程寅驍.BP神經(jīng)網(wǎng)絡(luò)在城投公司財(cái)務(wù)預(yù)警的應(yīng)用探討[J].現(xiàn)代商業(yè)，2021（22）：163-165.

[5]劉磊，郭巖.基于RBF神經(jīng)網(wǎng)絡(luò)的物流企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警評(píng)價(jià)[J].財(cái)會(huì)月刊，2012（9）：59-61.

[6]尤誼，張瑤.基于BP神經(jīng)網(wǎng)絡(luò)的電力上市公司財(cái)務(wù)預(yù)警實(shí)證研究[J].財(cái)會(huì)通訊，2013（4）：116-117.

[7]李艷萍.低碳經(jīng)濟(jì)背景下企業(yè)財(cái)務(wù)評(píng)價(jià)體系[J].知識(shí)經(jīng)濟(jì)，2019（25）：67，69.

[8]AlTMAN E I，HALDEMAN R G，NARAYANAN P.Zeta analysis：a new model to identify bankruptcy risk of corporations[J].Journal of Banking amp; Finance，1977，1（1）：29-54.

[9]王小川，史峰，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2013.

[10]周虹.GA-BP神經(jīng)網(wǎng)絡(luò)模型在企業(yè)績(jī)效評(píng)價(jià)中的應(yīng)用[J].財(cái)會(huì)通訊，2019（6）：31-36.

收稿日期：2022-11-26

作者簡(jiǎn)介：

張戡，男，1970年生，博士研究生，副教授，主要研究方向：公司金融、金融工程。

張萬林，男，1998年生，碩士研究生在讀，主要研究方向：公司金融、金融工程。