摘 要：煤炭行業(yè)肩負(fù)著保障國家能源供給的重要任務(wù)，生產(chǎn)我國重要的基礎(chǔ)能源和工業(yè)原料，“去產(chǎn)能”政策對煤炭企業(yè)財(cái)務(wù)狀況的影響受到廣泛關(guān)注。文章綜合運(yùn)用非參數(shù)檢驗(yàn)和主成分分析法建立了改進(jìn)的Z-score預(yù)警模型，獲取了財(cái)務(wù)風(fēng)險(xiǎn)影響指標(biāo)，構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，實(shí)證評價(jià)煤炭行業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)，結(jié)合模型本身和預(yù)警結(jié)果，對我國煤炭行業(yè)上市公司提出了防控財(cái)務(wù)風(fēng)險(xiǎn)的建議。

關(guān)鍵詞：煤炭上市公司;主成分分析;Z-score預(yù)警模型

中圖分類號：F275.5文獻(xiàn)標(biāo)識碼：A文章編號：

1672-1101（2019）05-0032-06

收稿日期：2019-03-19

基金項(xiàng)目：安徽理工大學(xué)青年教師科學(xué)研究基金資助項(xiàng)目（QNSK201810）

作者簡介：王翔（1988-），男，安徽淮南人，助理會計(jì)師，碩士，研究方向：高級財(cái)務(wù)管理，風(fēng)險(xiǎn)管理。

Research on Financial Risk Warning Model of Listed Companies in Coal Industry under the Background of “De-capacity”

WANG Xiang

（Finance department， Anhui University of Science and Technology， Huainan， Anhui?? 232001， China）

Abstract： The coal industry shoulders the important task of safeguarding the national energy supply and produces China's important basic energy and industrial raw materials. The impact of the “de-capacity” policy on the financial status of coal enterprises has received extensive attention. The article comprehensively uses the non-parametric test and principal component analysis method to establish an improved Z-score early warning model， obtains financial risk impact indicators， constructs a financial risk early warning model， empirically evaluates the financial risks of coal industry enterprises， and put forward proposals to prevent and control financial risks for the listed companies in China's coal industry on the basis of the model and warnings.

Key words：Coal listed company; Principal component analysis; Z-score early warning model

煤炭行業(yè)是我國國民經(jīng)濟(jì)的重要支柱之一，我國煤炭年產(chǎn)量占全世界煤炭生產(chǎn)的456%，煤炭行業(yè)的重要地位毋庸置疑。而隨著我國經(jīng)濟(jì)由“高速增長”轉(zhuǎn)向“高質(zhì)量發(fā)展”的戰(zhàn)略調(diào)整，“去產(chǎn)能、去庫存”的供給側(cè)結(jié)構(gòu)性改革對我國煤炭行業(yè)發(fā)展產(chǎn)生了重大影響，面對經(jīng)濟(jì)增長趨緩、供給能力過剩、環(huán)境污染治理等重重壓力，煤炭行業(yè)企業(yè)在“去產(chǎn)能”政策背景下的財(cái)務(wù)風(fēng)險(xiǎn)狀況預(yù)警研究具有較為重要的現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

財(cái)務(wù)風(fēng)險(xiǎn)產(chǎn)生的原因復(fù)雜多樣，稍不注意財(cái)務(wù)風(fēng)險(xiǎn)即可轉(zhuǎn)變?yōu)樨?cái)務(wù)危機(jī)，嚴(yán)重影響企業(yè)的經(jīng)營效益乃至行業(yè)的發(fā)展質(zhì)量，因此財(cái)務(wù)預(yù)警研究一直被學(xué)者們關(guān)注。孫艷春等運(yùn)用多級模糊綜合評價(jià)法對房地產(chǎn)企業(yè)的非財(cái)務(wù)指標(biāo)進(jìn)行研究，建立分層財(cái)務(wù)預(yù)警模型，找出了企業(yè)經(jīng)營中的風(fēng)險(xiǎn)因素[1];郭紅等對選取的指標(biāo)數(shù)據(jù)進(jìn)行降維處理，建立動態(tài)財(cái)務(wù)預(yù)警模型，保證了模型的有效性[2];楊利紅等綜合運(yùn)用層次分析法、德爾菲法和功效系數(shù)法以LD集團(tuán)為例建立財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)模型，為房地產(chǎn)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究提供了新的思路[3];張金貴等運(yùn)用粒子群算法PSO篩選出最優(yōu)的支持向量機(jī)參數(shù)，建立PSO-LIBSVM人工智能算法的改進(jìn)財(cái)務(wù)預(yù)警模型，提高了財(cái)務(wù)預(yù)警的準(zhǔn)確度[4];李凱風(fēng)等采用功效系數(shù)法構(gòu)建評價(jià)模型，以W企業(yè)為例進(jìn)行了財(cái)務(wù)風(fēng)險(xiǎn)評估，提出了改良方案[5];李燕運(yùn)用因子分析賦權(quán)法找出指標(biāo)數(shù)據(jù)系數(shù)，建立商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)預(yù)警模型，與財(cái)務(wù)風(fēng)險(xiǎn)安全值對比得出該商業(yè)銀行的財(cái)務(wù)風(fēng)險(xiǎn)程度[6];王妹禧利用雙正交混合函數(shù)解構(gòu)建修正的SVM財(cái)務(wù)預(yù)警模型，得到了很好的預(yù)測效果[7];毛天棋以制造業(yè)企業(yè)為例，從經(jīng)營、投資、籌資三個維度出發(fā)，找出預(yù)警指標(biāo)，構(gòu)建三維財(cái)務(wù)預(yù)警指數(shù)，提出了風(fēng)險(xiǎn)防控對策[8];樊林堉建立了改進(jìn)的二元Logistic財(cái)務(wù)預(yù)警模型，提高了預(yù)測精度，得到了較好的預(yù)警結(jié)果[9]。

綜上可見，學(xué)者們對于財(cái)務(wù)預(yù)警研究多集中在房地產(chǎn)、金融等熱門行業(yè)，對于處在特殊困難時(shí)期的傳統(tǒng)煤炭行業(yè)關(guān)注較少，且選取指標(biāo)數(shù)據(jù)有的復(fù)雜難以獲取，有的包含定性指標(biāo)使得評價(jià)帶有一定程度的主觀性，缺乏直觀便捷的方法進(jìn)行財(cái)務(wù)預(yù)警分析。美國Edward Altman教授建立的著名Z-score模型，通過分析企業(yè)財(cái)務(wù)報(bào)表抓取財(cái)報(bào)數(shù)據(jù)建立線性方程進(jìn)行預(yù)警研究，數(shù)據(jù)真實(shí)客觀且容易獲取，方法科學(xué)嚴(yán)謹(jǐn)具有廣泛的實(shí)際應(yīng)用意義。因此，采用Z-score模型研究我國煤炭行業(yè)上市公司財(cái)務(wù)評價(jià)預(yù)警，可以直觀便捷地反映出現(xiàn)階段去產(chǎn)能政策背景下煤炭行業(yè)上市公司的真實(shí)財(cái)務(wù)狀況。

二、財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型指標(biāo)體系構(gòu)建與篩選

（一）指標(biāo)體系構(gòu)建

為保證數(shù)據(jù)完整性，結(jié)合煤炭行業(yè)實(shí)際，將中信行業(yè)分類中劃分為煤炭行業(yè)類別的上市公司共計(jì)29家全部納入研究范圍作為研究樣本，再基于大量文獻(xiàn)成果，根據(jù)通用性、可比性、直觀性原則選出能夠準(zhǔn)確反映煤炭行業(yè)上市公司“去產(chǎn)能”背景下盈利水平、庫存壓力、發(fā)展空間、運(yùn)行情況的12個代表性財(cái)務(wù)指標(biāo)，按照盈利能力、償債能力、成長能力、營運(yùn)能力四個方面歸集分類，建立煤炭行業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的指標(biāo)體系，如表1所示，X1至X5反映盈利能力，X6和X7反映償債能力，X8至X10反映成長能力，X11和X12反映營運(yùn)能力。

（二）指標(biāo)篩選

篩選可用指標(biāo)是保證預(yù)警模型準(zhǔn)確性的基礎(chǔ)，使用SPSS 190統(tǒng)計(jì)軟件綜合運(yùn)用KS檢驗(yàn)和PP檢驗(yàn)方法將采集于RESSET（銳思數(shù)據(jù)庫）的財(cái)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行顯著性檢驗(yàn)，將不具備突出解釋說明力、符合正態(tài)性分布的財(cái)務(wù)指標(biāo)剔除，篩選出能夠反映煤炭行業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)程度且不符合正態(tài)分布的指標(biāo)進(jìn)行深入分析。KS檢驗(yàn)結(jié)果如表2所示，該非參數(shù)檢驗(yàn)的漸進(jìn)顯著性水平P值大于005則表示為符合正態(tài)性分布的指標(biāo)，重要性水平低于005則表示為不符合正態(tài)性分布的指標(biāo)，表2中X6、X9、X10、X11四個指標(biāo)的顯著性水平P值均大于005，符合正態(tài)性分布，不具備突出的解釋說明力，應(yīng)當(dāng)予以剔除。

（三）主成分分析

篩選后的指標(biāo)數(shù)據(jù)都帶有很好的解釋說明力，數(shù)據(jù)特征突出，但仍需根據(jù)數(shù)據(jù)本身的特性進(jìn)行有針對性的整理。運(yùn)用SPSS軟件對各指標(biāo)進(jìn)行相關(guān)性分析，發(fā)現(xiàn)各指標(biāo)之間的相關(guān)系數(shù)均較大，尤其是指標(biāo)分類為反映煤炭企業(yè)同一財(cái)務(wù)能力的指標(biāo)相關(guān)系數(shù)較大，其中，同被劃分為代表煤炭行業(yè)上市公司盈利能力的指標(biāo)X1、X2的相關(guān)系數(shù)達(dá)到了0901的高值，說明各指標(biāo)之間均存在較強(qiáng)的相關(guān)性，信息交互重疊現(xiàn)象突出。為避免各指標(biāo)的解釋說明力受到相互影響，提高預(yù)警模型擬合信度，需采用主成分分析法將分散的解釋信息重新組合，找出新的線性組合作為主成分，使新的綜合指標(biāo)最大限度地裝載原指標(biāo)中的有效解釋信息。KMO 和 Bartlett球形檢驗(yàn)是主成分分析的前提和基礎(chǔ)，借此來檢驗(yàn)指標(biāo)數(shù)據(jù)的信息分布情況及各變量間的獨(dú)立性特征，KMO統(tǒng)計(jì)量的變化范圍是從0到1，數(shù)值越大則表示變量間的相關(guān)性特征越強(qiáng)，也就越適合進(jìn)行主成分分析;反之，KMO統(tǒng)計(jì)值越小則表示變量間相互獨(dú)立，越不適用主成分分析法。而Bartlett球形檢驗(yàn)法則是重要性水平低于005表示變量間呈現(xiàn)相互獨(dú)立分布特征，適合使用主成分分析法。根據(jù)檢驗(yàn)結(jié)果，煤炭行業(yè)上市公司財(cái)務(wù)指標(biāo)的KMO統(tǒng)計(jì)值為0827，大于臨界值05，Bartlett球形檢驗(yàn)的重要性水平為0000，小于臨界比率005，可見適合使用主成分分析法。

主成分分析法提取有效成分的參考指標(biāo)是特征根的取值，當(dāng)特征根大于1時(shí)，代表提取出的該成分信息解釋力度強(qiáng)于原有指標(biāo)變量;反之，特征根小于1，則新提取出的成分有效信息解釋力度弱于原有指標(biāo)變量，即該新成分提取沒有起到優(yōu)化原指標(biāo)作用。將煤炭行業(yè)上市公司財(cái)務(wù)指標(biāo)進(jìn)行主成分分析（結(jié)果如表3所示），可見有兩個提取出的主成分特征根大于1，第一個主成分特征根為4864，解釋貢獻(xiàn)率達(dá)到60799%;第二個主成分特征根為1691，解釋貢獻(xiàn)率達(dá)到21136%。兩個主成分累計(jì)貢獻(xiàn)了81934%的信息解釋效果，原有指標(biāo)變量的信息丟失較少，主成分提取效果比較理想。

從表4的成分矩陣結(jié)果可見，主成分一按指標(biāo)的載荷高低，主要反映X1、X2、X3、X4、X5和X7指標(biāo)的信息，而主成分二則綜合反映了X8、X12指標(biāo)的信息，所以提取的兩個主成分涵蓋了原來所有指標(biāo)的絕大部分信息，可以用兩個新主成分代替所有原指標(biāo)數(shù)據(jù)。根據(jù)表5成分得分系數(shù)矩陣結(jié)果，可以將兩個主成分Y1、Y2表示成為以原指標(biāo)為自變量組合而成的方程組。

三、實(shí)證分析

（一）改進(jìn)的Z-score預(yù)警模型構(gòu)建

在提取兩個主成分的基礎(chǔ)上，根據(jù)主成分Y1、Y2所對應(yīng)的特征根與兩個主成分特征根累計(jì)之和的比例關(guān)系進(jìn)行調(diào)整，就可以得到改進(jìn)后的Z-score財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。將單個主成分的特征根占兩個主成分特征根和的比重作為該主成分的系數(shù)，調(diào)整后的Z-score預(yù)警模型為

Z=4864/（4864+1691） Y1+1691/（4864+1691） Y2=0742 Y1+0258 Y2

（二）財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警分析

改進(jìn)的Z-score預(yù)警模型與美國Edward Altman教授建立的傳統(tǒng)模型存在很多不同，傳統(tǒng)模型數(shù)據(jù)來源于美國制造業(yè)，而改進(jìn)的Z-score預(yù)警模型選取了我國煤炭行業(yè)上市公司的財(cái)務(wù)指標(biāo)數(shù)據(jù)，且改進(jìn)后的模型綜合運(yùn)用非參數(shù)檢驗(yàn)和主成分分析法，篩選優(yōu)化了指標(biāo)體系并用提取的主成分代替了原始財(cái)務(wù)指標(biāo)，使得預(yù)警模型更加科學(xué)合理。煤炭行業(yè)上市公司Z值計(jì)算結(jié)果如表6所示，將Z值的均值074作為臨界低值，低于074則劃分為財(cái)務(wù)風(fēng)險(xiǎn)大的煤炭上市公司;將Z值的中位數(shù)435作為臨界中值，Z值介于074和435之間的公司劃分為灰色不穩(wěn)定區(qū)域，這個區(qū)間內(nèi)的煤炭行業(yè)上市公司財(cái)務(wù)狀況不穩(wěn)定，處于不穩(wěn)定的風(fēng)險(xiǎn)評級;Z值高于中位數(shù)435的公司則劃分為優(yōu)質(zhì)低財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)。

從表6可以看出，五家被*ST標(biāo)記的上市公司Z值均為負(fù)數(shù)，全部劃分在財(cái)務(wù)風(fēng)險(xiǎn)高的企業(yè)范圍內(nèi)，說明財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建合理，適用于煤炭行業(yè)上市公司;Z值處于臨界低值074以下的有7家公司，占煤炭行業(yè)上市公司的2413%，說明相當(dāng)一部分煤炭行業(yè)上市公司在“去產(chǎn)能”背景下財(cái)務(wù)風(fēng)險(xiǎn)較大;處于074和435兩臨界值之間的企業(yè)有8家，說明占煤炭行業(yè)上市公司總數(shù)2759%的企業(yè)財(cái)務(wù)狀況不穩(wěn)定，需要調(diào)整經(jīng)營策略，防控財(cái)務(wù)風(fēng)險(xiǎn)。

四、結(jié)論與建議

選擇能夠準(zhǔn)確反映煤炭行業(yè)上市公司“去產(chǎn)能”背景下盈利水平、庫存壓力、發(fā)展空間、運(yùn)行情況的代表性財(cái)務(wù)指標(biāo)建立預(yù)警指標(biāo)體系，充分體現(xiàn)煤炭行業(yè)上市公司當(dāng)前階段的經(jīng)營壓力和財(cái)務(wù)風(fēng)險(xiǎn)，再綜合運(yùn)用非參數(shù)檢驗(yàn)和主成分分析，將不合理的指標(biāo)剔除，進(jìn)一步優(yōu)化預(yù)警指標(biāo)體系，用提取出的主成分代替原財(cái)務(wù)指標(biāo)，解決了數(shù)據(jù)間多重共線性、信息相互重疊影響的問題，改進(jìn)的Z-score預(yù)警模型利用Z值結(jié)果，直觀地展示了煤炭行業(yè)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)情況，所有被證監(jiān)會*ST標(biāo)記的上市公司全部被檢測出高財(cái)務(wù)風(fēng)險(xiǎn)，達(dá)到了預(yù)警模型建立的準(zhǔn)確性要求。預(yù)警結(jié)果顯示煤炭行業(yè)整體財(cái)務(wù)風(fēng)險(xiǎn)較高，部分企業(yè)需及時(shí)調(diào)整運(yùn)營策略，防控財(cái)務(wù)風(fēng)險(xiǎn)。結(jié)合模型本身和預(yù)警結(jié)果，對我國煤炭行業(yè)上市公司提出幾點(diǎn)建議。

（一）確保財(cái)務(wù)數(shù)據(jù)真實(shí)可信

指標(biāo)數(shù)據(jù)是模型建立的基礎(chǔ)，只有準(zhǔn)確可靠的財(cái)務(wù)數(shù)據(jù)才能得到預(yù)警效果好的模型，每個指標(biāo)數(shù)據(jù)的變動都直接影響到Z值的計(jì)算結(jié)果。我國煤炭上市企業(yè)應(yīng)重視財(cái)務(wù)基礎(chǔ)工作，規(guī)范賬務(wù)處理，避免財(cái)務(wù)報(bào)表粉飾、舞弊，維持?jǐn)?shù)據(jù)統(tǒng)計(jì)口徑相對穩(wěn)定，方便指標(biāo)橫向、縱向可比，確保數(shù)據(jù)真實(shí)可信。

（二）關(guān)注核心財(cái)務(wù)指標(biāo)數(shù)據(jù)

盈利能力、償債能力、成長能力、營運(yùn)能力是評價(jià)煤炭行業(yè)上市公司的四大核心指標(biāo)，其中盈利能力最為重要，尤其在“去產(chǎn)能”政策背景下，經(jīng)濟(jì)增長趨緩、供給能力過剩、環(huán)境污染治理等重重壓力使得煤炭企業(yè)盈利能力下降，部分企業(yè)被證監(jiān)會*ST標(biāo)記，面臨退市風(fēng)險(xiǎn)，預(yù)警模型中盈利能力指標(biāo)的比重也較大，提升煤炭企業(yè)盈利能力是高財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)提高Z值的關(guān)鍵點(diǎn)。四個核心指標(biāo)統(tǒng)籌兼顧，是未來煤炭行業(yè)上市公司降低財(cái)務(wù)風(fēng)險(xiǎn)、實(shí)現(xiàn)企業(yè)價(jià)值的發(fā)力方向。

（三）建立健全企業(yè)內(nèi)控制度

建立與改進(jìn)的Z-score預(yù)警模型相匹配的內(nèi)控制度，形成以提高盈利水平、降低庫存壓力、拓寬發(fā)展空間、提高運(yùn)營效率為重點(diǎn)的財(cái)務(wù)風(fēng)險(xiǎn)防控機(jī)制，在籌資、投資、營運(yùn)各環(huán)節(jié)防控財(cái)務(wù)風(fēng)險(xiǎn)，牢固樹立風(fēng)險(xiǎn)意識，改善我國煤炭行業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)狀況，提高我國煤炭行業(yè)上市公司的抗風(fēng)險(xiǎn)能力和財(cái)務(wù)管理能力，促進(jìn)我國煤炭行業(yè)的長遠(yuǎn)健康發(fā)展。

參考文獻(xiàn)：

[1] 孫艷春，郭繼秋.基于多級模糊綜合評價(jià)法的房地產(chǎn)企業(yè)財(cái)務(wù)預(yù)警研究[J].企業(yè)經(jīng)濟(jì)，2012（8）：81-83.

[2] 郭紅，張蕾. 基于探索性因子分析的動態(tài)財(cái)務(wù)預(yù)警指標(biāo)選取實(shí)證分析[J].商業(yè)會計(jì)，2015（6）：4-7.

[3] 楊利紅，陳琦，鄧敏. LD集團(tuán)財(cái)務(wù)風(fēng)險(xiǎn)評價(jià)及其預(yù)警研究[J].財(cái)會月刊，2017（35）：72-79.

[4] 張金貴，陳凡，王斌. 基于POS優(yōu)化SVM制造業(yè)公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[J].會計(jì)之友，2017（14）：52-56.

[5] 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].會計(jì)之友，2017（23）：53-57.

[6] 李燕. 基于因子分析法的城市商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警體系研究[J].金融理論與實(shí)踐，2017（4）：31-34.

[7] 王妹禧.雙正交混合核函數(shù)在財(cái)務(wù)危機(jī)預(yù)警中的應(yīng)用[J]. 統(tǒng)計(jì)與決策，2017（12）：81-84.

[8] 毛天棋.基于行業(yè)視閾的企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)三維預(yù)警指數(shù)構(gòu)建[J].財(cái)會通訊，2018（23）：112-115.

[9] 樊林堉.基于趨勢性信息改進(jìn)logistic財(cái)務(wù)預(yù)警模型[J].經(jīng)濟(jì)與管理，2018（10）：141-142.

[責(zé)任編輯：吳曉紅]