我国能源上市公司财务风险评价

王君萍++王娜

【摘 要】 能源行业是我国的支柱性行业，对能源行业进行财务风险评价非常有必要。文章在对国内外风险评价理论进行系统梳理的基础上，运用主成分分析法对我国能源上市公司进行财务风险评价，选取13个财务指标来评价财务风险是否发生，建立了主成分模型，准确率达95%，验证了该模型可以准确地对能源行业的财务状况作出判断，是能源行业进行财务风险评价的有效手段。这可以很好地检测能源行业财务风险，使得公司可以提前采取风险防范措施。

【关键词】 能源上市公司； 财务风险； 主成分分析法

中图分类号：F275 文献标识码：A 文章编号：1004-5937（2016）11-0060-07

一、引言

财务风险是指由于融资方式不当、财务结构不合理、资本资产管理不善及投资方式不科学等诸多因素引起的，可能使公司丧失偿债能力，进而导致投资者预期收益下降的风险。财务风险是否发生，可以通过分析敏感性财务指标来确定。

随着经济全球化的进一步加深，中国市场经济的日益发展，企业经营环境的复杂性增强，企业面临更多、更难预知的风险。而企业的财务风险是客观存在的，不同行业，影响财务风险发生的指标也会不同。

能源行业是国民经济发展的基础性行业，是我国的支柱性行业，其他行业的发展离不开能源。对能源行业的财务风险进行评价是非常重要的。本文通过分析能源上市公司的财务数据，采用主成分分析法来评价企业财务风险是否发生。

二、文献综述

（一）国外财务风险评价综述

国外学者对财务风险评价的研究最早开始于Fitzpatrick（1932）[ 1 ]提出的单变量模型，他利用财务比率进行分析，发现出现财务危机的企业和正常经营企业相比较，其财务比率有显著不同，并得出净利润/股东权益、股东权益/负债这两个财务比率指标对财务风险影响最大。

此后，William Beaver第一次运用统计方法来建立单一变量财务预警模型，为后来的实证研究奠定了理论基础。美国纽约大学教授Edward I.Altman（1968）[ 2 ]首次将差异分析方法运用到财务风险的评价中，创建了Z值模型，这标志着多元变量模型的建立。1977年Altman等人又提出了跨行业的ZETA模型。但是，多元线性模型需要财务指标数据呈现正态分布，这使得模型的实用性很低。

1980年美国学者Ohlson将逻辑回归方法（logistic）引入财务风险研究中，分析了样本公司在破产概率区间上的分布以及两类错误和分割点之间的关系[ 3 ]，发现公司规模、资本结构、业绩和当前的融资能力对财务风险有很大影响，进行财务危机的预测准确率达到96.12%。

1990年，Odom和Sharda运用人工神经网络模型对样本公司进行财务风险分析，发现ANNA模型的准确率很高[ 4 ]。随后Coats和Fant（1993）[ 5 ]证明了人工神经网络方法用于测试公司财务风险是可行的，同时其准确率高于多元判别分析法。

（二）国内财务风险评价综述

国内关于财务风险的研究起步较晚，主要是以上市公司为主，这是因为上市公司的数据获取比较容易。

吴世农和黄世忠（1987）[ 6 ]介绍了我国企业的破产指标和单变量、多变量预测模型。周首华等（1996）[ 7 ]加入现金流量信息，对Z分数模型加以改造，建立了F分数模型。此外，用此模型分析财务风险的还有李丹（2007）[ 8 ]、梁杰（2011）[ 9 ]等。

李秉祥（2005）[ 10 ]提出了一种基于模糊神经网络的企业财务危机非线性组合建模与预测方法，为财务风险评价的研究找到了一种新的方法。用人工神经网络模型来研究财务风险的还有喻胜华（2005）、王新利（2011）、龚小凤（2012）。

评价财务风险是否发生的方法发展到今天已经经历了三代模型的验证，“模型涉及的指标选择上前期几乎都是财务指标，近年来多有涉及非财务指标，与此同时在财务指标的选择上也出现了现金流量指标、经济附加值指标”。

本文涉及的主成分分析法在财务风险评价中的应用也经历了一定程度的发展。

潘琰、程小可等（2000）[ 11 ]通过选取企业盈利能力等四个方面的指标，把统计学中的主成分分析法引入了财务风险分析中。杨淑娥、徐伟刚（2003）[ 12 ]也采用了统计方法中的主成分分析法，通过对我国上市公司财务危机状况的实证研究，建立了上市公司财务控制模型——Y分数模型。徐凤菊、王凤（2008）[ 13 ]在进行财务风险分析时引入了主成分分析法的基本原理，构建了主成分分析模型并进行了相关实证研究，验证了模型的科学性和合理性。采用主成分方法分行业研究财务风险评价的有贾炜莹（2013）等[ 14 ]。通过阅读大量文献不难发现，运用主成分分析法来评价财务风险时，主要是构建企业盈利能力等四个方面的财务指标体系，通过显著性筛选出适合本行业的指标，进而运用主成分分析法建立适合本行业的财务风险评价模型。

本文选取中国能源上市公司作为研究样本，采用主成分分析法对财务风险评价进行研究。

三、实证研究

（一）样本的选取

本文选取我国沪深两市A股中2007—2015年42家能源上市公司，用于构建主成分分析模型，其中包括21家ST企业（剔除两次被ST的企业，被ST企业截止到2015年5月份），并按照1：1的抽样比例，遵循可比性的原则，选取相同期间相同规模的21家非ST企业。本文将ST企业定义为财务风险发生的公司，这是因为上市公司被ST说明该公司财务异常，这就意味着陷入了财务危机，财务风险已经发生。本文选取被ST公司前一年的数据是由于ST前一年的指标变量离被ST时间最近，所以反映ST企业财务状况的作用最显著。样本数据来源于上海证券交易所、深圳证券交易所、金融界等网站以及国泰安数据库。

（二）指标体系的构建

为了使模型中变量的选择范围更加全面，本文依据国泰安数据库中相关指标的分类，选择了反映企业盈利能力、发展能力、偿债能力、现金流量、经营能力的26个财务指标（具体见表1）作为备选变量来具体分析财务风险。

（三）模型的构建

1.变量的差异性分析

运用Stata12统计软件，根据21家估计样本ST企业前一年的数据，对26个指标分别进行配对样本均值差异的T检验，以此来判别它们是否具有显著性差异，判别结果如表2。假设ST公司代码是0，正常公司代码是1。

根据表2列出的检验结果，两个P值小于0.05的指标有13个，所以本文选择流动比率（X1）、速动比率（X2）、现金比率（X3）、产权比率（X4）、权益负债比率（X5）、资产负债率（X6）、总资产周转率（X7）、营运资金周转率（X11）、资本积累率（X14）、资产报酬率（X17）、总资产净利润率（X18）、流动资产净利润率（X19）、营业毛利率（X20）共13个指标作为构建主成分模型的指标。检验结果还表明ST企业与正常企业的偿债能力、经营能力、盈利能力、发展能力存在显著差异。

2.主成分的恰当性检验

为了消除变量在量纲和水平上的影响，对原来的42家13个财务指标进行标准化处理。对处理后的数据进行相关矩阵的计算，计算各主成分的特征根和方差贡献度，如表3。利用SMC和KMO检验分析主成分的恰当性，检验结果如表4（处理后的数据分别用y1，y2，y3，…，y20表示）。表4中大部分变量的SMC都在0.7以上，KMO的值在0.5以上，可以进行主成分分析。

3.主成分的选取

从表3中可以看出前9个成分特征值累计占了总方差的98.86%，后面特征值的贡献度越来越小。本文选择特征值大于1（因为当主成分小于1时该主成分的解释力度不如用原始变量解释力度大）作为主成分的抽取条件，得到前4个主成分，其特征值分别为4.62637、2.35951、1.6264、1.32734。4个主成分的因子载荷矩阵如表5。从表5中可以看出，第一主成分中y6的相关系数绝对值最大，表明第一主成分对资产负债率的代表性最强，同理第二主成分对流动资产的代表性最强，第三主成分对资本积累率的代表性最强，第四主成分对营运资金周转率的代表性最强。

根据因子在各主成分中的载荷，可以得到财务风险评价的主成分模型，用Z表示。

0.0437y17 +0.0301y18+0.0547y19-0.0154y20

从第一主成分来看，其中占最大载荷量的指标是资产负债率，因此将第一主成分概括为偿债能力主成分。

从第二主成分来看，资产报酬率、总资产净利润率、流动资产净利润率指标占较大载荷量，可以将第二主成分概括为盈利能力主成分。

从第三主成分来看，其中占最大载荷量的指标是资本积累率，将第三主成分概括为发展主成分。

从第四主成分来看，其中占较大载荷量的指标是总资产周转率、营运资金周转率，可以把第四主成分概括为经营能力主成分。

在确定了各主成分的经济意义之后，根据表3中各主成分方差的贡献率来确定最后的财务风险评价模型：

F=0.3559Z1+0.1815Z2+0.1251Z3+0.1021Z4

（四）模型的检验

对样本进行回代，计算得出各上市公司的综合评分值F值，并由大到小进行排序，根据错误分类最小的原则，本文将判别分隔点定在0.136515004和0.154715819之间，取二者平均数0.1456154115。把F值小于0.1456154115的企业作为发生财务风险的企业，F值大于0.1456154115为正常企业。通过样本分析有一家ST企业误判为正常企业，一家正常企业误判为ST企业，误判率为5%，准确率达到95%。所以，该模型在预测能源上市公司财务风险方面具有很高的可信度。

四、结论及优缺点

本文运用Stata12软件对财务指标进行筛选，并运用主成分分析法构建了财务风险评价模型，分析能源行业的财务风险，准确率达到了95%，这对能源行业财务风险的评价提供了一定的参考价值。通过分析发现，流动比率、速动比率、现金比率、产权比率、权益负债比率、资产负债率、总资产周转率、营运资金周转率、资本积累率、资产报酬率、总资产净利润率、流动资产净利润率、营业毛利率这13个指标对能源行业财务风险的发生有显著的作用。

本文的优点在于指标筛选时，将ST企业和非ST企业的财务指标对比，检验其是否具有显著性，这样选择的指标更能反映出其对财务风险发生的影响作用；缺点在于初始指标选择时，没有选择全部反映财务状况的指标，可能会忽视其他指标对财务风险的影响，同时本文没有选择影响财务风险的非财务指标，这使得本文的指标具有一定的片面性。

【参考文献】

[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] 吴世农，黄世忠.企业破产的分析指标和预测模型[J].中国经济问题，1987（6）：8-15.

[7] 周首华，杨济华，王平.论财务危机的预警分析：F分数模型[J].会计研究，1996（8）：8-11.

[8] 李丹，张长江.F分数模型在上市公司财务风险预警中的分析与应用[J].渔业经济研究，2007（2）：38-40.

[9] 梁杰，车淑娟，张冬冬.F分数模型下辽宁省装备制造业上市公司财务风险测评研究[J].财会通讯，2011（26）：143-145.

[10] 李秉祥.基于模糊神经网络的企业财务危机非线性组合预测方法研究[J].管理工程学报，2005（1）：19-23.

[11] 潘琰，程小可.上市公司经营业绩的主成分评价方法[J].会计研究，2000（1）：31-35.

[12] 杨淑娥，徐伟刚.上市公司财务预警模型——Y分数模型的实证研究[J].中国软科学，2003（1）：56-60.

[13] 徐凤菊，王凤.基于主成分分析法的财务风险评价模型[J].财会月刊，2008（12）：48-50.

[14] 贾炜莹.基于主成分分析法的物流上市公司财务风险评价[J].财会通讯，2013（8）：107-110.