节能企业信用风险识别

尚天成， 王 惠， 刘培红， 李欣欣， 高俊卿

(天津大学管理与经济学部， 天津 300072； 2. 天津中医大学公共课教学部， 天津 300193)

节能企业信用风险识别

尚天成1， 王 惠1， 刘培红2， 李欣欣1， 高俊卿1

(天津大学管理与经济学部， 天津 300072； 2. 天津中医大学公共课教学部， 天津 300193)

信用障碍是影响我国合同能源管理项目健康发展的主要因素之一。对节能企业信用风险的识别是信用风险管理的首要步骤。为准确反映节能企业真实的信用状况，运用粗糙集理论构建了节能企业信用风险识别指标体系，信息决策表来自于120组上市公司的财务数据。通过预处理和属性约简，最终筛选出流动比率、应收账款周转率、资产负债率、综合杠杆、存货周转率、净利润增长率6个影响信用风险识别的主要因素，并确定决策规则。经检验，指标与决策规则准确性较高，可用于节能企业信用风险的识别。

合同能源管理； 节能企业； 信用风险识别； 粗糙集

合同能源管理模式在中国的发展取得了一定的成效，但在发展过程中面临一些问题[1]。蓝毓俊[2]认为，我国合同能源管理面临的主要问题是诚信保障、资金以及财务等；王树茂[3]认为，当前企业信誉环境不利于我国节能服务公司的发展；杨振宇等[4]认为，合同能源管理的困境主要表现在信用、信息、融资等方面；张春雷[5]、袁海臻等[6]认为，应该通过制定信用评价等级等方式促进我国合同能源管理的发展。上述研究结果表明，信用风险已经成为我国合同能源管理模式健康发展的主要障碍之一。信用风险度量与控制的首要条件是信用风险识别。虽然我国学者对信用风险识别模型进行了初步研究，但其风险识别的准确度和可信度有限[7]，不能满足我国合同能源管理模式发展的需要。

在信用风险识别过程中，对企业相关信用指标的分析通常依据的是客观规则，其中的关键环节是信用指标筛选与决策规则确定。在合同能源管理领域，由于信用缺失问题主要发生在节能企业，而粗糙集理论可以处理不完备信息，通过知识约简挖掘出最简洁的指标体系，得到客观的分类规则集，使风险识别过程简便易行，弥补了其他分析方法存在的主观性缺陷[8-9]，因此，本文运用粗糙集理论研究节能企业的信用风险识别问题。

一、节能企业信用风险识别指标体系及步骤

1. 指标体系

由于上市公司公布的财务指标涉及发展能力、营运能力、偿债能力、盈利水平、风险水平等诸多方面，数据公开且相对完整和公正，同时，鉴于我国对节能企业的信用研究处于起步阶段，因此，本文根据商业银行信用评价指标、《中国企业信用评价指南》以及相关信用风险的研究成果[7-10]，构建节能企业信用风险识别的指标体系(见表1)。

2. 步骤

在保证分类质量的前提下使用粗糙集中属性约简规则筛选指标，可以弥补节能企业信用风险识别指标体系中存在的指标冗余和关联的不足。

选取我国钢铁、建筑、交通等行业的120家上市公司2010年12月31日公布的财务报表中的数据作为基础决策信息，研究数据主要来自上海证券交易所和国泰安数据库。决策属性依据企业股票是否处于特别处理状态(ST)，即决策属性为0，表示企业股票处于ST状态，企业信用水平较低或风险较大；决策属性为1，表示企业股票处于正常状态，企业信用信用水平较高或风险较小。

(一)初始决策表

为根据120组上市公司相关信息确定决策规则，依据与信用风险识别有关的条件属性值和决策属性值的描述，将其汇总到一张表格中，得到初始决策表。Utrain表示由这120组信息组成的训练子集，Utest表示由 5组上市公司信息组成测试子集。Utrain中120组样本的数据预处理、属性约简以及决策规则的确定使用的是粗糙集理论体系中的Rosetta软件。为检验规则的准确率，用确定的决策规则检验Utest中的5组样本信息。

表1 节能企业信用风险识别指标

注：表中指标选用财务报告中合并报表中数据。

(二)数据补全与属性离散化

选取的120组数据中多数信息完整，少数信息不完整。为了保证结果的准确性，补全不完整信息使用的是Mean/Mode fill。将Utrain中120个样本的属性值和决策值输入Excel中，对不同算法的离散化结果进行比较。为使结果简洁方便，离散化使用粗糙集理论结合布尔逻辑的算法，求得6个属性的6个断点(见表2)。依据属性赋值与断点可以确定新的决策表。

表2 条件属性量化参数

(三)决策表属性约简

将决策表输入Rosetta软件进行属性约简。由于算法Manual Reducer和Holte’s包含30个属性，算法Johnson’s Algorithm与Genetic Algorithm的约简数量分别是17个、11个，为体现属性约简的便利性，选择Genetic Algorithm的约简结果(见表3)。

表3 Genetic Algorithm生成的可能约简

(四)确定决策规则

根据表3的约简结果和最小决策原则，使用Genetic Algorithm确定决策规则(见表4)。

表4 基于粗糙集理论的信用风险识别决策规则

(五)决策规则检验

依据信用风险识别中的检验原则检验上述决策规则。原始数据选用5个上市公司的财务指标，离散化结果赋值选用表3中数据，判断依据是上述决策规则。通过与已知信用状况的对比，显示5组指标符合预测情况(见表5)，证实对节能企业信用评价可以使用基于粗糙集理论的信用评价模型。

通过上述分析可以看出，流动比率、存货周转率、应收账款周转率、资产负债率、综合杠杆以及净利润增长率是6个主要影响节能企业信用风险识别的因素指标，反映了节能企业经营、履行合同以及企业信用等方面的信息，可以为节能服务公司提供准确的信用信息，有利于节能企业与节能服务公司的合作。

表5 信用风险识别决策规则检验

二、结 语

节能企业信用缺失是目前我国合同能源管理项目实施过程中信用风险产生的主要原因，阻碍了合同能源管理项目的顺利进行。其中，信息不对称是导致节能企业信用缺失的关键因素。现有改善信息不对称的方法中普遍存在过于依赖数据库、冗余数据较多、决策规则不明确等缺陷。粗糙集理论与我国合同能源管理项目的信用风险辨识体系之间存在较高的拟合度。以粗糙集理论为基础，利用Rosetta软件获取影响节能企业信用的主要因素，得出客观、易于判断的决策规则，可以解决对节能企业信用认知过程中存在的信息不完全和信息不对称问题，降低节能服务公司的风险，有利于合同能源管理项目的顺利实施。后续研究中，可考虑调整样本和指标的选取，以利于更真实的反映节能企业的履约能力和信用状况。同时，如何对节能企业的信用水平进行分级，并构建完整的节能企业信用风险管理体系尚需深入探索。

[1] 王李平,王敬敏,江慧慧.我国合同能源管理机制实施现状分析及对策研究[J].电力需求侧管理,2008,10(1):161-185.

[2] 蓝毓俊.当前实施“合同能源管理”的主要障碍和对策研究[J].上海节能, 2009(11): 1-7.

[3] 王树茂.合同能源管理在我国的发展和存在的问题[J].中国能源,2008,30(2):21-23.

[4] 杨振宇,赵剑锋,王书保. 合同能源管理在我国的发展及待解决的问题[J].电力需求测管理, 2004,6(6):10-12.

[5] 张春雷.我国合同能源管理机制实施的难点分析与对策研究[J].能源技术与管理,2008,9(1):113-115.

[6] 袁海臻, 高小钧，杨春权，等.我国合同能源管理的现状、存在问题和对策[J].能源技术经济, 2011，23(1):58-66.

[7] 徐春红,路正南.商业银行信用风险识别的模型构建与政策建议[J].统计与决策,2010，302(2):128-129.

[8] 顾 婧,周宗放.基于可变精度粗糙集的新兴技术企业信用风险识别[J].管理工程学报,2010,24(1):70-76.

[9] 李 萌,陈柳钦.基于BP神经网络的商业银行信用风险识别实证分析[J].经济学研究, 2007(1): 18-29.

[10] 施亚明,何建敏.基于粗糙集方法在信用评估中的应用探析[J].现代管理科学, 2005(5):13-14.

Energy-ConsumingEnterprises’ReputationRiskIdentification

Shang Tiancheng1, Wang Hui1， Liu Peihong2, Li Xinxin1, Gao Junqing1

(1. Faculty of Management and Economics, Tianjin University, Tianjin 30072, China;2. Department of Common Courses, Tianjin University of Traditional Chinese Medicine, Tianjin 300193, China)

Reputation issue has become one of the main impediments to the sound develpment of Energy Performance Contracting (EPC) in China. To identify the energy-consuming enterprises’ reputation risk is the first step in reputation risk management. Based on the Rough Set Theory, this study establishes a recognition indicator system and model for energy-consuming enterprises’ reputation risk to reflect their real reputation status accurately. According to the 120 groups of listed companies’ financial data, after data pretreatment and simplification, 6 main factors infltlening reputation risk recognition are filtered out, i.e.: flow ratio, asset-liability ratio, accounts receivable turnover, stock turnover, leverage degree and net profit growth. These 6 indicators form the identification rules. Test result shows that the indicators and identification rules has relatively high reliability and validity so they also can be used in identifying reputation risks of other energy-consuming enterprises.

energy performance contracting; energy-consuming enterprise; reputation risk identification; rough set theory

2013-09-25.

天津市哲学社会科学研究规划基金资助项目(TJGL12-061)；国家软科学研究计划基金资助项目(2013GXS4B066).

尚天成(1965— )，男，教授.

尚天成，stc65@163.com.

C93

A

1008-4339(2014)01-026-04