“雙碳”目標下企業財務風險識別研究

【中圖分類號】F275；TP18【文獻標志碼】A

【文章編號】1673-1069（2025）04-0143-03

1引言

當前，氣候變化是人類面臨的重大全球性挑戰之一。為積極響應我國碳達峰、碳中和的重大戰略決策，構建人類命運共同體，近年來生態環境部提出：鼓勵電力、鋼鐵行業開展溫室氣體集中排放監測先行先試；在河北、吉林、浙江、山東等七地開展電力、鋼鐵、建材、有色、石化和化工等重點行業建設項目碳排放環境影響評價試點工作，其中四地涉及鋼鐵行業。公開數據表明，全球鋼鐵行業碳排放量占全球能源系統排放量的 7% 左右，其中中國占比超過 60% 。中國鋼鐵行業碳排放量占全國碳排放總量的 15% 左右，是制造業31個門類中碳排放量最大的行業。因此，無論是從國際還是國內來看，鋼鐵行業都是重點碳排放攻堅目標之一。

作為國民經濟的基礎產業，鋼鐵行業是衡量一個國家綜合國力和工業化程度的重要標志。長期以來，我國鋼鐵行業具有能源資源稟賦良好、粗鋼產量大、企業數量多、碳排放機理復雜等特點。在碳達峰、碳中和背景下，對我國鋼鐵企業的財務風險進行有效識別頗具意義。現有研究中，對于鋼鐵企業財務風險識別模型構建的研究較少，模型的準確率及適用性均不高。作為我國重點碳排放攻堅目標之一，如果能夠有效識別鋼鐵企業的財務風險，特別是中小鋼鐵企業的財務風險，將為積極穩妥推進“雙碳”工作提供重要支持。

2文獻回顧

在我國已有研究中，學者們對碳達峰、碳中和背景下鋼鐵企業的發展做了大量研究。鑒于本文的研究范圍，重點關注鋼鐵企業相關會計研究成果。當前，鋼鐵企業碳排放會計體系構建已初見成效。從研究方法來看，理論性研究較多，實證研究較少；從研究內容來看，涉及碳減排措施、國內外政策影響等，碳會計拓展應用方面的研究亟待豐富。基于此，本文嘗試構建鋼鐵企業財務風險識別模型。

一般來說，早期財務風險識別往往被視為一個二元分類問題，即以公司是否被特殊處理（ST作為分類標準，重點關注如何建立有效的預測分類模型。本文將繼續沿用這一研究范式。自1932年財務風險識別模型建立以來，經歷了從單一財務指標變量的預警模型到多財務指標變量的線性預警模型，再到廣泛使用的Logistic預警模型，以及基于機器學習和集成學習的現代預警模型的轉變。目前，具有代表性的模型主要包括Z-Score模型、Logistic模型、支持向量機算法、粒子群算法、遺傳算法和神經網絡算法等。

本文采用HHO-SVM算法，結合全國A股上市鋼鐵企業的相關數據，構建鋼鐵企業財務風險識別模型，進而探索推動鋼鐵企業適應“雙碳\"環境變化的路徑，以期為鋼鐵企業綠色發展、轉型升級提供參考。本文的邊際貢獻在于：構建“雙碳”目標下的鋼鐵企業財務風險識別模型，豐富碳會計領域研究成果，為我國鋼鐵企業發展提供新的思路。

3鋼鐵企業財務風險識別模型的構建

3.1樣本選擇與數據來源

本研究選取滬深A股上市公司中從事黑色金屬礦采選業、黑色金屬冶煉和壓延加工業、非金屬礦物制品業、金屬制品業的企業作為實證樣本。以上市公司存續期內是否被特殊處理（ST）作為標準，將實證樣本分為正常公司和ST公司兩類，并按照7：3的比例將每一類公司進一步劃分為訓練集和測試集。對于正常公司，獲取其2019-2023年的連續性財務數據；對于ST公司，以ST公司主體被特殊處理的當年為基期，獲取其前3年的連續性財務數據。在剔除數據嚴重缺失的公司后，初步獲得66家正常公司的5016個有效樣本觀測值和14家ST公司的1064個有效樣本觀測值。數據取自CSMAR數據庫。考慮到正常公司和ST公司樣本量差距較大，采用SMOTE算法對ST公司的樣本量進行擴充，最終使正常公司和ST公司的樣本量達到5：2的比例，同時，為解決不必要的誤差問題，對所有數據進行標準化處理。

3.2指標選取

通過閱讀以往文獻，本文共選取與鋼鐵企業財務風險識別相關的19個財務指標，用于構建預警模型。選擇的指標分別為：經營性凈現金流比率（X1），計算公式為經營活動產生的現金流量凈額/資產總計；總資產凈利潤率（X2）；資產負債率（X3）；金融負債率（X4），計算公式為（短期借款 + 一年內到期的非流動負債 + 長期借款 + 應付債券）/總負債；經營負債率（X5），計算公式為（總負債-短期借款-一年內到期的非流動負債-長期借款-應付債券）/總負債；賬面市值比（X6），計算公式為股東權益/公司市值；管理費用率（X7）；有形資產比率（X8）；流動比率（X9）；存貨周轉率（X10）；現金及現金等價物周轉率（X11）；營業收人增長率（X12）；非債務稅盾（X13），計算公式為（固定資產折舊 + 油氣資產折耗 + 生產性生物資產折舊）/總資產；所得稅率（X14）；盈利波動性（X15），計算公式為（息稅前利潤/總資產）x三年波動率；現金流波動性（X16），計算公式為（現金流/總資產） × 三年波動率；銀行借款比例（X17）；短期借款依賴度（X18），計算公式為（短期借款 ⁺ 一年內到期的長期借款）/總資產；大股東占款（X19）。

3.3模型構建

3.3.1支持向量機原理

支持向量機（SupportVectorMachine，SVM）是一種旨在解決二進制分類問題的機器學習算法。設輸入數據集 D= 代表樣本空間中第 i 個特征向量， y_i 代表類別標簽， n 代表樣本個數。SVM通過非線性的映射函數 φ（x） 及核函數 k（Φ_xi，xj）=φ（Φ_xi）?φ（Φ_xj） 將ST和非ST公司樣本數據映射到高維特征空間中，轉為凸二次規劃問題求解：

式中， M 為訓練數據集中的樣本數量； C 為懲罰因子； α_i 和 α_j 為拉格朗日乘子，且 α_i∈[0，C];y_i 和 y_j 為在二分類問題中的ST公司類和非ST公司類，通常取值 ⁺¹ 或 為核函數。用拉格朗日乘子法可得分類決策函數 f（x） ：

式中， α^* 為滿足KKT條件的拉格朗日乘子的特解； k（x，x_i） 為核函數； b^* 為偏置項。

本文以徑向基函數作為核函數，公式為：

式中， k（x，x_i） 為核函數； g 為核函數參數。

將式（3）代人式（2），可得最終的最優決策函數 f（x） 為：

由于SVM分類模型結果的好壞與懲罰因子 c 和核函數參數 g 密切相關，本文采用哈里斯鷹算法對懲罰因子 c 和核函數參數 g 進行優化，使其達到最佳，構建HHO-SVM財務風險識別模型。

3.3.2哈里斯鷹算法原理

哈里斯鷹算法（HarrisHawksOptimizer，HHO）是一種基于HarrisHawks覓食行為的元啟發式算法，包括探索、轉化及開發階段。在本文研究中，以SVM模型識別ST與非ST公司數據的識別錯誤率為適應度函數，種群大小為30，迭代次數為 50 經計算得出，懲罰因子 c 為0.97204802，核函數參數 g 為 0.04476057 。

3.3.3SHAP值分析

SHAP值源自博弈論中的Shapley值，可量化每個特征對模型預測結果的貢獻，以此可實現對上述19個財務指標在模型中的重要性分析。SHAP值服從：

式中， s_yi 為模型對第 i 個樣本的預測輸出值； s_base 為模型的基線； s_xik 為第 i 個樣本的第 k 個輸人特征 為 s_xa 的SHAP值。

4基于HHO-SVM的財務風險識別模型結果分析

4.1評價指標選擇

本文通過HHO-SVM算法建立面向鋼鐵企業的財務風險識別模型，根據機器學習分類問題和相關文獻中常用的度量指標，本文針對鋼鐵企業的HHO-SVM財務風險識別模型確定的評價指標依次為：精準率、召回率、F1值、整體準確率。

4.2HHO-SVM模型識別結果

為方便描述，本文假定正常公司為正例（NOST），ST公司為反例（ST），被正確預測的數據為真正例（TP）和真反例（TN），被錯誤預測的數據為假正例（FP）和假反例（FN），得到模型精度如表1所示。結果表明，模型的整體準確率為 94% ，且在類別不平衡場景下保持均衡。對正常公司而言，僅有 1% 的正常公司被誤判為ST公司（FP極低），符合金融機構謹慎風控的需求；對ST公司而言，僅 3% 的ST公司未被識別（FN極低），幾乎覆蓋所有高風險企業，能夠顯著降低資金風險。

圖1列示了前文與鋼鐵企業財務風險識別相關的19個財務指標的SHAP值。一般來說，橫坐標SHAP值越大，代表該指標對模型而言越重要。因此，在本文的19個指標中，對財務風險識別最為關鍵的5個指標依次為：總資產凈利潤率（X2）金融負債率（X4）、資產負債率（X3）非債務稅盾（X13）、管理費用率（X7）。

其中，總資產凈利潤率（X2）表示凈利潤與平均資產總額的比率，反映了企業資產的綜合盈利能力，當X2較高時，SHAP值顯著為負，表明高盈利能力能夠降低企業的財務風險。金融負債率（X4）反映了企業的債務剛性兌付壓力，是金融負債占總負債的比例，當X4突破行業閾值（制造業通常為30% 左右）將顯著正向影響模型預測效果。資產負債率（X3）反映了企業的償債能力，一般來說，我國企業的資產負債率的合理范圍為 40%～60% 。非債務稅盾（X13）反映了企業通過非債務手段抵稅的能力。管理費用率（X7）是管理費用與營業收人的比率，反映了企業內部運營效率，其SHAP值隨費用率上升穩定增長。

4.3識別性能對比

為驗證本文方法的優越性，本文使用邏輯回歸、決策樹、K-近鄰3種方法與本文方法（HHO-SVM）進行了財務風險識別效果對比試驗，結果如表2所示。從整體準確率來看，HHO-SVM的整體準確率最高，達到 94% ；從正常公司和ST公司來看，模型F1值的差距僅為 5% ，明顯優于其他3種方法；從關鍵指標來看，基于HHO-SVM算法的ST公司召回率為 97% ，正常公司精準率為 99% ，均在同類方法中數值最優，表明其兼顧風險防控與業務實用性。因此，本文構建的HHO-SVM模型識別性能最優。

5結論與啟示

本文在總結前人研究成果的基礎上，采用HHO-SVM機器學習算法，結合經營性凈現金流比率、總資產凈利潤率、資產負債率、金融負債率、經營負債率等19個財務指標，構建“雙碳”目標下的鋼鐵企業財務風險識別模型，以期豐富我國碳會計領域的研究成果。

研究結果表明：第一，上市公司財務風險識別數據天然存在非平衡的特性，使用SMOTE算法對數據進行補充，可以有效緩解數據不平衡問題，提高模型的精度；第二，采用HHO進行參數尋優，可以得到優化后的懲罰因子 c 和核函數參數 g ，即改進后的HHO-SVM模型優于改進前的SVM模型；第三，采用SHAP值分析發現，在本文涉及的19個財務指標中，總資產凈利潤率（X2）金融負債率（X4）、資產負債率（X3）非債務稅盾（X13）這4個指標對模型影響較大，值得企業重點關注;第四，本文構建的HHO-SVM模型的整體精度高于傳統的邏輯回歸、決策樹、K-近鄰等模型，表明優化后的模型具有良好的適用性。

本文得到的啟示如下：第一，在“雙碳”目標下，綠色金融使得大量資金流人環保產業，有效降低了相關產業的融資成本，抑制了金融機構對\"兩高一剩\"企業的資金投入，以鋼鐵企業為代表的重點行業亟需轉型升級；第二，在鋼鐵行業轉型升級中，應重點關注反映企業負債構成的財務指標，如總資產凈利潤率（X2）金融負債率（X4）、資產負債率（X3）等，這些指標對于確定一家公司是否存在潛在的財務風險非常重要。

【參考文獻】

【1】任婷婷，魯統宇，崔俊.基于改進AdaBoost算法的動態不平衡財務預警模型[J].數量經濟技術經濟研究，2021，38（11）：182-197.

【2】夏秀芳，遲健心.企業財務困境預警研究綜述[J].會計之友，2018（13）：2-6.

【3】張蔚虹，朱海霞.Z-Score模型對科技型上市公司財務風險預警的適用性檢驗[J].科技管理研究，2012，32（14）：228-231.

【4】錢愛民，張淑君，程幸.基于自由現金流量的財務預警指標體系的構建與檢驗—來自中國機械制造業A股上市公司的經驗數據[J中國軟科學，2008（9）：148-155.

【5】劉玉敏，申李瑩，任廣乾.基于PCA-PSO-SVM的上市公司財務危機預警[J].管理現代化，2017，37（3）：12-14.