多重冲击下大型房企财务风险评价

王雪峰

【摘要】近年房企财务风险问题凸显。本文以万科、 碧桂园和恒大等不同经营模式下的大型房企为样本， 提出并运用熵值CRITIC合成赋权的TOPSIS分析， 对其2017 ～ 2021年财务风险演变进行评价和分析。结果显示： 熵值CRITIC合成赋权的TOPSIS分析克服了现有客观赋权方法的高估或低估弱点， 提高了评价的有效性；期间三大房企财务风险持续加大， 其中万科最为稳健， 恒大最为凶险；高杠杆、 高周转及重资产的行业开发模式是导致其财务脆弱的内在根源， 市场下行及融资紧缩政策等外部冲击是其财务风险积聚的外在原因， 经营模式差异导致三大房企抵御外来冲击的能力分化。转变经营模式， 前瞻、 适时和弹性调控是防范房企财务危机的有效举措。

【关键词】多重冲击；大型房企；熵值CRITIC合成法；TOPSIS法；财务风险

【中图分类号】 F275     【文献标识码】A      【文章编号】1004-0994（2023）12-0094-6

一、 引言

为抑制房价增长过快， 从2011年至今房地产市场一直受到限购、 限贷、 限价和限售等一系列政策的调控。近年房地产行业进一步遭受多重冲击， 如宏观经济和房地产市场下行， 以及“三道红线”“二道红线”等融资紧缩政策调控①等。2021年下半年至2022年底， 已有数十家房企出现流动性危机， 其中不乏恒大、 融创、 世茂等头部房企。这是自住房市场化改革以来从未有过的现象， 房企财务风险问题日益受到社会的关注。

企业财务风险一直是学界重要的研究領域之一， 已有研究主要从三个角度展开分析。一是探查企业财务风险的影响因素， 如研究宏观调控和公司治理（彭中文等，2014）、 金融资产配置（谭小玉和陈裕鑫，2022）、 关联并购（韩沚清和王惠，2021）及政府规制（吕雪晶等，2020）等宏微观因素对企业财务风险的影响； 二是探讨企业财务风险预警方法及其优化（杨贵军等，2019；Canbas等，2005；肖毅等，2020）； 三是研究如何有效度量企业的财务风险， 已有文献或采取层次分析法等主观经验赋权的方法（孙晨辉和李富有，2014）， 或采取熵值法、 CRITIC法及聚类或因子分析等客观赋权的方法（侯旭华和彭娟，2019；Lahmiri和Bekiros，2019）， 或采取主观与客观相结合的赋权方法（刘国城和王会金，2016；徐临等，2017；Lahmiri和Bekiros，2019）， 对企业财务风险进行度量。显然， 第三类研究即对企业财务风险的有效度量是前两类研究的基础。但是， 这类研究尚存在一些不足和盲点： 一是主观赋权法的依据来源于经验， 缺乏客观基准； 二是因子分析、 熵值法和CRITIC法等客观赋权法要么只关注评价指标的相关性信息， 要么只关注评价指标的波动信息， 从而导致对指标重要程度的评价出现或高或低的偏差； 三是缺少在当前宏观经济下行及融资紧缩政策调控背景下对房企财务风险进行评价及原因分析的相关研究。

有鉴于此， 本文以万科、 碧桂园和恒大三个经营模式相异且具有代表性的房企为样本， 创新性地提出并运用熵值CRITIC合成赋权的TOPSIS分析， 对其2017 ～2021年的财务风险演变及背后的原因进行度量、 比较和分析。

二、 方法、 样本和数据

1. 方法。运用指标体系来刻画一个事物或系统状态的方法主要有层次分析法、 模糊综合评价、 数据包络分析、 耦合协调度和优劣解距离（TOPSIS）法等方法②。其中， TOPSIS法是一种可最大限度利用原始数据信息进行组内综合评估的方法， 其通过测算各评价对象距组内理想值的远近并进行大小排序， 精确反映各评价对象之间的优劣， 特别适合缺乏最优客观标准的事物评价问题。本文正是充分运用多财务指标数据寻找其最优最劣值， 并以此为基准对三个大型房企财务状况的跨期变化及其间的优劣进行客观评价和比较， 所以TOPSIS法非常适合。TOPSIS法的基本逻辑如下：

2. 样本和数据。大型房企特别是头部房企是我国房地产市场的中坚力量， 其经营状况能从一定程度反映我国房地产市场状况。作为行业领导者， 它们被众多中小房企追随和模仿， 行业的经营模式很大程度上也因此由它们主导。万科、 碧桂园和恒大无疑是其中的翘楚。尽管房地产行业属资本密集型行业， 高杠杆、 高周转和重资产是目前房企共有的特点， 但这三个企业分别代表了房企三种不同的经营模式。万科围绕住宅主业采取轻资产、 重营运、 低成本和“现金为王”的水平多角化战略， 属于稳健派； 碧桂园以低成本、 高效营销为特征， 通过高周转撬动高杠杆进行经营， 是高周转运营的代表； 恒大则采取重资产、 集团多角化战略， 除地产外还涉及新能源汽车、 健康和文体等多个行业， 通过大规模融资、 储地、 开发等方式实现企业发展， 是高杠杆房企的代表。因此， 本文选择万科、 碧桂园和恒大为样本， 考虑到2017 ～ 2021年房地产行业经历了“房住不炒”国策以及“三道红线”等政策的冲击， 以三大房企这一时期的中期和年度财务状况各10期共30期为评价对象⑤， 通过对其财务状况演变的测算、 比较， 探究我国房企存在的财务风险及其背后的原因。本文所用财务指标数据均来源于Wind数据库。

三、 财务风险演变的度量和评价

1. 财务风险评价指标体系的构建。对企业财务状况或风险进行综合评价， 除了要选择科学的评价方法， 还必须依据全面性、 重要性、 可得性等原则及行业特性建立合理有效的指标体系。在已有的研究中， 大多主张从盈利能力、 运营能力、 成长能力、 偿债能力和现金流量五个方面对财务风险进行全面测度， 并在每个方面选择若干具体财务指标进行刻画（Canbas 等，2005；王秀丽等，2017；杨贵军等，2019）。因此， 本文依据全面性原则， 遵循多数研究的共识， 从盈利能力、 偿债能力、 营运能力、 成长能力和现金流量五个维度， 选择14个二级指标对样本房企的财务风险进行评估。依据重要性原则和行业特性， 针对房地产企业资本密集、 高杠杆、 高周转的行业特点以及存货、 应收账款等资产占比较高的事实， 将应收账款周转率、 存货周转率和总资产周转率作为营运能力的二级指标； 用现金经营回报率、 现金流量比率等二级指标来刻画现金流风险。其他维度的二级指标参考了已有研究的成果（王秀丽等，2017；杨贵军等，2019）。具体的指标体系如表1所示。

2. 财务风险评价及分析。

（1）数据预处理。营运能力指标包含3个二级指标， 即应收账款周转率、 存货周转率和总资产周转率。Wind数据库中提供的这3个指标的年报和中期财报数据的计算口径不同， 分别为一年和半年， 因此将这三个指标的中期财报数据按一年期进行调整， 使年报和中期财报数据具有可比性。此外， 房企的资金筹集和投入、 土地购置、 房屋开发及销售回款等经营行为在一年中的不同阶段实施， 而且这些活动在不同企业间也存在差异， 因此表1中反映企业经营行为的这些指标存在较强的季节性波动， 为消除季节性因素对评价结果的干扰， 本文在评价前分别对三大房企的所有原始数据进行了季节调整处理。

（2）指标正向化和标准化。运用熵值CRITIC合成赋权的TOPSIS分析进行综合评价， 首先要对二级指标进行正向化处理， 使所有指标的取值都符合“值大者优”原则， 这是找出最优解、 最劣解及对评价对象进行优劣排序的前提。在表1中， 盈利能力、 营运能力、 成长能力及现金流量四类的二级指标都是极大型指标， 无需正向化。但偿债能力中的流动比率、 速动比率和现金比率属于中间型指标， 已有理论认为其最优值分别为2、 1和0.2。对这些指标采取公式aij'=1-|aij-aj?|/M进行正向化转换， 其中aj?为指标j的最优值， M=max{|aij-aj?|}。资产负债率指标则属于极小型指标， 采取公式aij'=1/aij（aij>0）进行转换， 其中aij为指标j第i个对象的取值， aij'为正向化后的转换值。

在将原数据矩阵A正向化处理转换为A'后， 为消除各指标量纲不同的影响， 还要进行标准化处理。由于所有指标都进行了正向化处理， 采取公式xij=［aij'-min（aj'）］/［max（aj'）-min（aj'）］进行转换， 其中max（aj'）和min（aj'）分别为正向化后指标j的最大和最小取值。

（3）基于熵值CRITIC合成赋权的TOPSIS分析确定权重。运用公式（3） ～ （5）， 可以计算出采取熵值CRITIC合成赋权的TOPSIS分析确定的各二级指标和一级指标的权重， 见表2。

表2显示， 一级指标营运能力、 偿债能力和成长能力的权重分别为31.7%、 31.7%和17.0%， 合计超过80%， 说明其是影响三大房企财务状况的决定性因素。二级指标中应收账款周转率和流动比率的影响都超过10%， 存货周转率和资产负债率的影响接近10%， 同时总资产周转率和总资产增长率对财务风险的影响也较大。这深刻揭示了应收账款、 存货和总资产等周转速度、 长短期偿债能力是決定房企能否正常运转的关键， 是房企高杠杆、 高周转特征的内在原因。

从图1可以进一步发现， 由于熵值法没有考虑指标之间的相关性， CRITIC法没有考虑取值的离散程度， 对所有财务指标的重要性均出现了不同程度的高估或低估。比如， 这两种方法均低估了流动比率的作用， 分别高估和低估了应收账款周转率和存货周转率的重要性。熵值CRITIC合成法则将指标的相关性和取值的变异性均予以充分考虑， 从而提高了对指标赋权的科学性和有效性。

（4）得分计算及分析。运用公式（1）、 公式（2）及公式（6） ～ （8）， 得到三大房企2017 ～ 2021年间每年中期和年度各期财务风险评价结果（见表3）。显然， 综合得分指数Gi越接近1则评价对象的财务状况越好、 财务风险越小， 越接近0则财务状况越差、 财务风险越大。

从表3和图2可以发现： 三大房企从2018年底开始财务状况逐渐下滑， 财务风险逐渐上升。比较而言， 在整个考察期， 万科的财务状况均显著优于碧桂园和恒大， 虽然呈下降趋势， 但非常平缓； 碧桂园的财务风险增加速度较快， 2021年后稍有改善； 恒大财务状况持续下降趋势明显， 特别是“三道红线”等融资紧缩政策出台后， 其财务状况明显恶化， 以致2022年初出现违约、 停牌及债务重组。

进一步， 将财务状况指数进行如下分级： 若0.8

四、 财务风险变化的原因

造成考察期内三大房企财务风险加大且变化相异的原因在于： 高周转、 高杠杆和重资产的行业经营模式， 行业下行和融资紧缩政策等外部环境冲击， 以及三大企业内部经营模式的差异。具体而言：

1. 高周转、 高杠杆和重资产的行业经营模式是导致我国房企财务脆弱的根源。高储地、 多盘同时开发和连续滚动开发是我国房企开发的共性。三大房企2017年后每年新增土地储备均超过1000万平米， 开发项目均超过1000个。这要求三大房企的持续经营必须以强大、 及时和稳定的主营业务收入及外源性资金供给为前提， 一旦外部融资及销售收入不能持续提供支持， 财务风险必然上升。

2. 近年宏观经济下行、 政策持续加力调控等导致三大房企财务风险显现并上升。从企业收入端来看， 一方面， 长期的限购限贷等政策以及近年房地产行业下行， 使得市场需求减少、 房价下滑或有价无市， 导致企业去存货的规模和速度下降、 预收账款能力下降、 应收账款规模增加和周转速度下降、 资产变现能力下降、 资金回收规模和速度下降， 高周转不可持续。另一方面， 2020年发布的“三道红线”等信贷紧缩政策， 使得房企外源性融资渠道变窄， 负债收入下降， 企业原有的“借新还旧”策略不再有效。 从企业支出端来看， 高土地储备、 多项目滚动开发以及高开发成本等使得企业负债率过高， 高额利息等成本支出不可避免。因此， 收入下降与成本支出的刚性矛盾不断加剧必然会导致三大房企财务风险增加， 甚至财务危机爆发。

3. 经营模式的不同导致三大房企承受外来冲击的能力不同， 从而呈现不同的财务风险等级及变化趋势。尽管三大房企都采取高杠杆、 高周转和重资产的经营模式， 但万科的杠杆水平相对最低， 负债方式更多元化， 融资成本最低。而且， 其在运营中始终实施稳健的“现金为王”策略， 应收账款周转率比碧桂园和恒大高出10倍以上。另外， 盡管三大房企都采取多元化经营模式， 但万科仍是以住宅为核心向关联行业拓展， 风险更易把控。而碧桂园的轻资产转型仍处在战略规划层面， 土地储备规模和开工项目最多。恒大则是大规模地向电动汽车等风口行业转型， 投资巨大且风险极高， 当房地产主业收入不足以支撑跨界投资时， 财务状况自然会恶化。这就是三大房企财务状况出现分化的内在原因。

五、 结论和建议

1. 结论。通过运用熵值CRITIC合成赋权的TOPSIS分析对万科、 碧桂园和恒大三大标杆房企2017 ～ 2021年的财务风险进行评价、 比较和原因分析， 本文发现： （1）熵值CRITIC合成赋权的TOPSIS分析能克服熵值法和CRITIC法赋权各自存在的信息重叠或信息不全的弱点， 更为充分合理地利用财务数据本身的信息， 有效界定各类财务指标的重要程度， 真实地反映三大房企财务风险的演变。（2）影响房企财务风险的主要因素集中在偿债能力和营运能力等方面。应收账款周转率、 流动比率、 存货周转率和资产负债率等二级指标的变动是财务风险的主要来源， 这与我国房企高杠杆、 高周转和重资产的经营模式相契合， 说明资本结构匹配、 资产周转速度和现金回收能力对于稳健的财务状况至关重要。（3）考察期内三大房企的财务风险都在上升， 特别是“三道红线”等融资紧缩政策实施后的2020 ～ 2021年。其中， 万科的抗冲击能力最强， 财务状况相对稳健， 均处在财务风险一般水平， 显示出较强的韧性。尽管碧桂园的财务风险在2021年有所下降， 但出现流动性危机的不确定性仍然很高。恒大的财务状况持续下滑， 最为严峻。（4）以高杠杆、 高周转、 重资产为特征的行业经营模式是导致房企财务脆弱的根源， 市场下行及融资紧缩政策等外部冲击触发三大房企财务风险显现并上升，  三大房企经营模式的差异使其财务风险状况出现分化。

2. 建议。为提高房企财务稳健性和抵御外来冲击的能力， 本文提出如下建议： （1）在企业营运模式上， 应向“适度杠杆、 稳健周转和轻型资产”等方向转变。在这一轮市场及政策等的冲击下， 万科等秉持稳健扩张、 “现金为王”的企业， 其财务状况均展现出较强的韧性， 充分说明“适度杠杆、 稳健周转和轻型资产”的营运模式是防范房企财务风险的有效保证。更为重要的是， 近年来我国房地产市场已从增量市场向存量市场转化， “房住不炒”的定位已成社会共识， 现有“高杠杆、 高周转、 重资产”的行业开发模式所依赖的市场和政策环境已不复存在。（2）在企业发展战略上， 应朝多元化、 差异化和专业化方向转型。房地产市场容量日趋饱和， 已不足以支撑众多竞争主体的生存和发展， 这是导致房企财务脆弱的原因之一。因此， 多元化发展是房企的必然选择。要注意的是， 多元化战略转型应当以竞争差异化和服务专业化为基础， 只有这样才能实现多元互补、 风险分散和行稳致远。（3）在政府调控方面， 应强化事前管理、 弹性管理和穿透管理。房企长期高负债经营的问题由来已久， 尽管多次调控， 但由于这些政策往往都是事后的、 刚性的和“一刀切”的， 导致痼疾难愈， 甚至触发风险。通过事前管理可以防患于未然， 特别是若选择市场上升期进行调控， 可以降低调控成本和对市场的冲击； 通过弹性管理可以减少调控对象的抵触和机会主义行为， 提高管理效果； 穿透管理则通过对房企复杂的表外业务和交叉业务等的有效监管， 及时发现问题和防范风险。

本文可能存在的贡献如下： 一是从多重冲击视角考察了房企的财务风险； 二是创新性地提出并应用将熵值法和CRITIC法相结合的TOPSIS分析， 提高了模型的可靠性。由于房企存在大量的项目公司， 未来的研究应考虑相对隐蔽的表外融资对房企财务风险的影响， 同时进一步对不同运营模式下的中小型房企进行相关研究。

【 注 释 】

①“三道红线”政策于2020年8月发布，依据资产负债水平的三个标准将房企分为四档，对处于不同档次房企的有息负债增长率进行上限约束；“二道红线”政策于2020年12月发布，依据房地产贷款集中度的两个标准对不同类型和规模的金融机构房地产贷款比重进行上限约束。

②层次分析法适合运用经验判断解决多目标决策问题；模糊综合评价适合不易定量的因素定量化的评价；数据包络分析适合多输入指标和多输出指标的系统投入产出评价；耦合协调度常用于多系统协调的评价。

③变异系数法只对取值波动大的指标赋予更高的权重；CRITIC法不仅对取值波动大的指标，而且对与其他指标相关性小的指标赋予更高的权重；熵值法则对取值离散程度大即熵值小的指标赋予更高的权重。

④指标间相关性越强，则意味着指标提供的信息重叠度越大，赋予的权重越低。

⑤中国恒大因停牌没有发布2021年年报，最后一期数据缺失。

【 主 要 参 考 文 献 】

曹向，秦凯羚，李春友.融资约束、环境不确定性与多元化战略有效性［ J］.财经科学，2019（11）：67 ～ 79.

韩沚清，王惠.关联并购影响财务风险的逻辑及路径分析［ J］.财会月刊，2021（5）：27 ～ 31.

侯旭华，彭娟.基于熵值法和功效系数法的互联网保险公司财务风险预警研究［ J］.财经理论与实践，2019（5）：40 ～ 46.

刘国城，王会金.基于AHP和熵权的信息系统审计风险评估研究与实证分析［ J］.审计研究，2016（1）：53 ～ 59.

吕雪晶，陈志斌，李东阳等.政府规制与企业财务风险——来自中国A股上市公司的经验证据［ J］.会计与经济研究，2020（5）：56 ～ 67.

彭中文，李力，文磊.宏观调控、公司治理与财务风险——基于房地产上市公司的面板数据［ J］.中央财经大学学报，2014（5）：52 ～ 59.

孙晨辉，李富有.基于AHP和模糊综合评价的民间金融风险判定与评估［ J］.经济管理，2014（2）：136 ～ 146.

谭小玉，陈裕鑫.企业金融化对财务风险影响的统计检验［ J］.统计与决策，2022（19）：158 ～ 163.

王秀麗，张龙天，贺晓霞.基于合并报表与母公司报表的财务危机预警效果比较研究［ J］.会计研究，2017（6）：38 ～ 44+96.

肖毅，熊凯伦，张希.基于TEI@I方法论的企业财务风险预警模型研究［ J］.管理评论，2020（7）：226 ～ 235.

徐临，姚晓琳，李艳辉.基于层次分析和熵值法的融资担保机构风险评价［ J］.经济与管理，2017（2）：50 ～ 55.

杨柏辰，张怡，郭炜.基于Logistic 回归模型的企业财务风险诊断研究［ J］.系统科学学报，2021（3）：84 ～ 87.

杨贵军，周亚梦，孙玲莉.基于Benford-Logistic模型的企业财务风险预警方法［ J］.数量经济技术经济研究，2019（10）：149 ～ 165.

朱卫东，吴鹏.引入TOPSIS法的风险预警模型能提高模型的预警准确度吗？——来自我国制造业上市公司的经验证据［ J］.中国管理科学，2015（11）：96 ～ 104.

Canbas S.， Cabuk A.， Kilic S. B.. Prediction of Commercial Bank Failure via Multivariate Statistical Analysis of Financial Structures： The Turkish Case［ J］. European Journal of Operational Research， 2005（2）：528 ～ 546.

Lahmiri S.， Bekiros S.. Can Machine Learning Approaches Predict Corporate Bankruptcy？ Evidence from a Qualitative Experimental Design［ J］. Quantitative Finance，2019（9）：1569 ～ 1577.