电力行业上市公司财务危机预警研究——基于Logistic回归模型

张鑫垚

（贵州大学经济学院，贵阳 550025）

碳中和碳达峰战略目标，对我国能源系统提出了向低碳清洁发展的新要求，从而给高碳企业发展带来了诸多挑战。电力行业作为碳排放量最大的国家支柱性产业之一，近年来行业的经营和发展受到社会广泛关注，是低碳转型的重点实施领域。由于其独特的政府主导特性，在新目标的要求下，必然要走向低碳转型发展的变革道路。而转型最直接的影响是给企业带来更大的成本支出，使企业财务风险发生概率增大，甚至使企业面临破产倒闭的风险。因此，为了尽可能规避企业财务风险的发生，将损失控制在最低，电力企业在发展管理中须建立科学有效的财务风险预警模型。本文结合电力行业上市企业财务指标，建立电力行业财务危机预警模型来防范潜在危机，对企业财务状况进行预估，在扭转财务危机方面为企业提供了充裕的空间，减小了企业破产的概率。

一、文献回顾

国外研究方面，Beaver提出了一元判别分析模型，发现预测财务危机最好的指标是现金流量/负债总额，为财务预警模型建立提供了参考[1]。Altman建立了Z-score模型，把体现公司偿债、获利和营运能力的指标加权计算综合得分Z值。该模型准确率高，被企业广泛使用[2]。Martain将Logistic模型首次运用于银行破产情况研究，研究发现，Logistic模型能有效检测出银行破产风险，财务危机发生前一年误判率仅为11.41%[3]。国内学者也对企业财务危机预警问题进行了广泛研究。许柯、卢海等运用非参数检验法筛选出能够显著区分企业是否发生财务危机的指标，利用Logistic回归分析方法建立房地产行业财务预警模型[4]。刘旻利用Logistic分析法构建财务预警模型，对上市公司财务状况不佳的前3年进行有效的预测，整体预测准确率达到86.7%[5]。杨潇运用主成分分析方法对财务指标进行降维，通过改进Logistic回归模型使模型预测的精度有所提高，从而提高了预测准确率[6]。肖洁、赵慧等采用聚类分析方法判别上市公司财务状况，运用主成分逻辑回归和Logistic模型结合对林业企业财务危机进行预警[7]。

二、电力企业财务预警指标体系构建

（一）财务危机判定标准

由于模型应用于判定企业是否发生财务危机，如果危机预警在一个营业周期内就判定企业陷入财务困境则略显武断，若通过其他方式缓解短期资金周转困难则不能判定为陷入财务危机，但是企业连续两年都出现财务困境边界值报警情况时，就可以判定企业陷入了财务危机。结合以往研究，由于“资产的内在价值是其未来现金流量的现值”的观点被广泛接受与应用[8，9]，因此，将经营活动现金流量净额与流动负债的比值作为界定财务困境的标准[10]。本文选取2016—2020年经营活动现金流量净额与流动负债的比值的均值作为企业陷入财务危机的警戒值，计算得出该警戒值为0.31，划分企业财务状况的标准为比值＜0.31（连续两年）。其余情况划为财务健康组。

（二）研究样本与指标选取

本文根据2012年行业标准，查询2021年电力行业上市公司的情况，剔除存在残缺值的样本后，选取57家沪深A股上市公司的2019年财务数据进行建模。参考以往财务预警模型中较高频使用和预警效果较好的指标，增加了企业规模指标、每股EVA和总资产EVA率三个非财务指标。具体财务指标包括，X1流动比率、X2速动比率、X3现金比率、X4营运资金借款比、X5利息保障倍数、X6资产负债率、X7产权比率、X8权益对负债比率、X9应收账款周转率、X10存货周转率、X11应付账款周转率、X12流动资产周转率、X13固定资产周转率、X14总资产周转率、X15企业规模、X16每股EVA、X17总资产EVA率、X18总资产净利润率、X19净资产收益率、X20营业净利率、X21资本积累率、X22总资产增长率、X23净利润增长率、X24现金资产比率X25营运资金比率、X26非流动资产比率、X27净利润现金净含量、X28营业收入现金净含量。

（三）预警指标筛选

财务危机预警模型所选定的指标必须对企业是否陷入财务困境能够显著区分。显著性不高的指标无法作为预警指标来区分企业财务状况，它会干扰模型预测效果，影响模型预测精度。本文对样本进行K-S正态性检验和Mann-WhitneyU检验。由K-S检验结果可知，X4、X6、X15、X18、X25这5项没有呈现显著性（p＞0.05），其余23个指标不具有正态性。因此，对通过K-S检验的5个指标进行独立样本T检验。其中，X4、X6、X15、X18这4项指标都不具有显著性差异，予以剔除；X25呈现出0.05水平显著性差异。并对其余23个未通过检验的指标进行Mann-Whitney U检验。其中，X7、X8、X13、X17、X19、X20、X22、X28这8个指标的显著性均小于0.05，这8项财务指标对企业财务困境的判别存在显著性差异，纳入指标。综合上述检验结果，选取X7、X8、X13、X17、X19、X20、X22、X25、X28共9个候选指标作为电力行业财务危机预警指标。

三、财务预警模型构建

根据以往使用Logistic模型对上市公司进行财务预警的研究，在建立模型之前用主成分分析法提取显著性较高的公因子对财务指标进行降维，再构建Logistic模型能极大提高模型的精确度。

（一）主成分分析

在进行主成分分析之前进行因子适合度检验，KMO的检验系数为0.693，此值大于0.6，显著水平为0＜0.05，说明各指标变量之间的相关性比较强，可以进行主成分分析。通过主成分分析法提取综合特征值，共有3个主成分被提取，公共因子的贡献率分别为32.126%、26.120%、15.839%，累积贡献率达到74.085%。因此，所提取的主成分对这9个财务指标包含的信息有较好的解释。将这3个主成分分别计为F1、F2、F3，公共因子F1至F3的得分系数模型：

（二）构建Logistic模型

本文设企业是否发生财务危机为因变量Y，Y=0表示陷入财务困境企业，Y=1表示财务健康企业，将通过2019年财务数据计算得到的F1、F2、F3这3个得分系数作为自变量代入Logistic模型，并计算模型预测的准确率和误差率，用主成分代替指标有效消除了指标间的多重共线性。Cox&Snell R2为0.616，说明F1、F2、F3这3个得分系数对企业是否发生财务危机的解释力度强。

表1 二元Logistic回归分析结果汇总

计算F1、F2、F3值作为因变量进行二元Logistic回归分析，得到的F1、F2、F3的系数分别为-0.718、-6.195、-7.035，截距项系数为4.856，则模型公式为：

其中，p代表财务健康时发生的概率，1-p代表财务危机时发生的概率。

结合对样本企业进行二元Logistic回归时得出的预测概率情况和电力行业的特点，选择阈值为0.7。当P大于0.7时，表示公司财务状况健康；当P小于0.7时，表示公司存在财务危机。

（三）模型检验

首先选取和模型指标选取以及建立模型均没有关系的2018年的财务数据，计算出主成分因子指标；然后计算出2018年和2019年样本数据的财务困境判别值，即经营活动现金流量与流动负债比值，与临界值0.31比较，划分31家财务健康企业和41家财务困境企业。Logistic模型预警的结果如下：正常企业判断为财务健康的有28家，判断准确率为90.32%；财务危机组中有33家企业被预判为陷入财务困境，判断准确率为80.49%，模型整体判别准确率84.72%。该模型对电力行业财务危机判别总体准确率较高，能够帮助企业在初期察觉财务状况变化从而加强管理控制，是一种较为可靠的财务危机预警手段。

表2 二元Logistic回归预测准确率汇总

结语

本文选取57家电力行业上市公司的财务数据作为研究样本，以近5年经营活动现金流量/流动负债的均值作为警戒值界定企业财务状况，连续2年低于警戒值即判定企业陷入财务困境。本文从28个候选财务指标中选取9个指标，涵盖企业的偿债、经营、盈利和发展能力以及企业比率结构和现金流状况，新增的评价企业经营绩效的总资产EVA率能够起到有效预警的作用。在模型构造中综合运用主成分分析法和Logistic回归分析法，建立了电力行业的财务预警模型，最后用指标筛选和模型建立过程中未涉及的2018年财务数据对72家电力企业进行模型检验，证实模型整体判断准确率达到84.72%，能够使电力行业在财务状况改变的初期自查并加以控制，使财务状况不再恶化，从而提高对财务危机的防范能力，促进电力行业长期健康发展。该模型是为我国电力行业量身定做的一套财务预警模型。但是本文在模型建立的过程中没有考虑宏观因素，而宏观经济因素对企业经营与发展产生重要影响，所以如果能够将宏观因素对企业财务状况的影响纳入模型构建，则可以使得模型预测的准确率更高。