煤炭业上市公司财务预警研究
【摘 要】立足中国经济整体转型的背景，资源型企业要实现企业转型，可持续性发展已成为当前十分紧迫的课题。煤炭行业是国民支柱性行业，对居民生产生活有着举足轻重的作用。然而过度开采，产能过剩，资源配置效率低下等问题使煤炭企业财务状况进一步恶化。故而本文以煤炭上市公司为例，使用z-score模型和logistic模型对煤炭上市公司进行财务风险进行研究，比较两种模型的预警效果，发现logistic模型在煤炭业预警效果更佳，希望以此达到预警作用，以帮助企业做好预防措施。
【关键词】Z-score；logistic回归模型；财务预警
一、引言
中国经济的发展一定程度上是以牺牲资源为代价的，我国煤炭行业一直存在着过度进入、过度开采的问题。一方面导致产能过剩，资源配置状况不佳，从而影响到企业的经营状况；另一方面，环境的破环，巨大的负外部性使企业的治理成本大幅攀升，对企业的经营管理又产生了巨大的挑战。财务风险一直是企业、投资者乃至政府管理部门重点关注的问题。煤炭行业作为国家经济的重要支柱之一，其财务问题不仅威胁到企业自身的生存与发展，而且会使投资者蒙受损失，甚至对国民经济的稳定发展产生较大影响。因此，只有对企业的财务风险进行预警研究，才能提前识别风险，从而采取防范措施，有效地控制风险，最终降低甚至消除其对企业的影响。
对于财务风险的预警研究，国内外学者都做了大量的研究。总体来说，可概括为单变量预警和多变量预警研究。其中，Fitzpatrick（1932）提出的1元判定模型是最早的关于企业财务危机预警的研究。以 19 家公司为研究样本，运用单一财务指标将样本公司分为“破产”和“非破产”两类。而Altman教授（1968）则提出了著名的 Z-score 模型，是多元线性判定模型的典型代表，是用于评价各类企业的财务风险。之后，财务危机预警的研究人员引入 Logistic 回归方法。1980年Ohlson首次在财务危机预警领域中运用Logistic方法，张紫娟等人就采用Logistic模型构架煤炭上市公司财务预警模型， Logistic模型的预测成功率达到70.82%， 其对于煤炭上市企业财务预警具有较强的预测性。随着技术进步，BP神经网络模型也逐渐应用到财务预警领域。郭毅夫等就采用了20 个指标，应用神经网络方法，对创新型上市企业的财务危机进行预警研究。总的来说，财务预警模型多种多样，都有其优缺点，本文首先应用z-score模型对煤炭业上市公司财务风险进行研究，了解整个行业状况的同时，对Z-score模型效果进行检验。其次，应用logistic模型与Z-score模型做对比，以此确定哪种模型在煤炭行业的预警效果更佳。
二、Z-score模型的构建
Z-score 模型由Altman 教授提出，通過选取 5 个重要的财务指标，赋予各个指标不同权重加权计算出 Z 值，进而根据标准临界值判断企业的财务风险状况。具体指标如下表一所示：
总体来说，Z-score 模型从企业多个方面选取财务指标，包括企业的资产规模、流动性、获利能力、资本结构、偿债能力和资产利用效率等多个方面，一定程度上可以综合反映一个企业的财务状况。具有一定的可行性，Z 值与企业财务危机可能性呈负相关，Z 值越小，企业越有可能产生财务危机，也就越容易破产。
1.数据选择及模型的建立
本文选取沪深两市A股煤炭行业上市公司，剔除数据不全的公司，共15家上市公司，其中3家ST公司，分为为ST大有、ST山煤及ST云维。由于财务风险是一个长期的影响过程，故选取危机发生前3年即t-3年的各项衡量Z的财务指标，赋予各个指标不同权重加权计算出 Z 值。具体数据来自于锐思数据库。Z值计算结果具体如下表二：
2.描述性统计
运用spss软件对这15个样本企业进行描述性统计，可以看出煤炭行业在2014年至2016年的Z值变动情况。其Z值普遍偏低。从上表二也可以看出，2014年处在破产区的共12家，2015年11家，2016年11家。表明整个煤炭行业近几年财务状况并不理想，煤炭行业不景气持续加剧。2016年云维和金瑞矿业Z值偏高，主要是由于x4指标导致，公司总市值及负债合计数变动较大。
3.Z-score模型检验
对于3家ST的企业，在用Z值模型进行检验时，山煤国际、河南大有可以得到很好的预警，山煤国际t-3年Z值均处于破产区水平。而河南大有2014-2016年Z值持续降低，而云南云维2016年Z值得突然攀升，一方面可能是由于会计数据失真，企业存在违规操作导致。另一方面，可能是模型本身存在的局限性。综上，Z值模型在预测企业财务危机准确率达66.7%，存在一定的可行性。但Z值模型并不具有普适性，尤其对于不同的行业，每个行业都有其行业特色，煤炭行业前期投入资金多，周期长，资产负债率普遍偏高。在应用Z-score模型时有一定局限性。
三、logistic模型的应用
1.数据与指标选取
与建立Z-score模型一样，同样选取这15家样本公司的t-3期数据，其中因变量采取赋值的方式，即若企业发生财务危机，则y值为1，若未发生财务危机，则为零。判断企业是否发生财务危机以企业是否被st为判断标准。即st企业赋值为1，非st则为0。为了可以综合的反映企业财务状况，主要选取反映企业的盈利能力、偿债能力、成长能力指标。具体财务指标的选取如下表四所示：其中，X1，X2反映企业的盈利能力，X3，X4反映企业的营运能力，X5，X6反映企业的成长能力，X7，X8表示企业的偿债能力指标。
2.描述性统计
对上述所选指标进行描述性统计，发现整个行业资产负债率较高，其均值达到62.54%，此外，营业收入增长率较低，其均值为负，表明企业经营状况欠佳，可持续发展所面临的风险较大。成本费用利润率均值为-2.004%，表明所耗费的成本并没有达到很好的利用效果。行业的投入资本回报率也偏低，只有0.628%，盈利能力欠佳。综上，我国煤炭行业的整体财务状况不理想，面临较大的财務风险。
3.模型构建
Logistic 回归方法以极大似然原理为基础，是通过似然函数极大化求得总体参数估计量的一种参数估计方法。在 Logistic 模型中，被解释变量只取 0 和 1 两个值。即y值只取0或1。使用spss对选取的t-3期的财务指标实证分析。回归结果如下表所示：
a. 步骤 1 上输入的变数：[%1：， 1：
其中B为变量系数：SE为标准差，df为自由度。根据上表的logistic回归结果，可以得到被研究企业的财务预警模型即：
P=1/（1+e（-y））
y=-0.187X1-0.349X2-1.963X3+53.196X4-0.466X5+0.001X6-0.173X7-0.259X8-11.153
对于预警模型一般认为0.5为分界点，P的取值范围为0到1。即当0.5 4.logistic模型检验 首先看模型的拟合优度，Cox & Snell R 平方和Nagelkerke R 平方在0与1之间，一般认为越接近1，模型的拟合效果越好。通过下表，可以看出其Cox & Snell R 平方和Nagelkerke R 平方均接近1，说明模型有较好的拟合效果。其次，对模型的预警识别效果进行检验，从下表7可以看出，在该模型中，对于3家由于财务危机而被特别处理的上市公司，其预警识别率77.8 %。而对于其他12家财务正常且未被特别处理的上市公司，其预警识别率同样高达97.2%。总的来说，整个财务预警模型的预警识别率为93.3%，这意味着本研究所建立的模型具有较高的预测准确度，达到了对于财务预警模型的要求和预期。 四、结论 通过本文的研究可以发现，我国煤炭业上市公司整体财务状况并不理想，并且在使用Z-score和logistic模型进行预警时发现，logistic模型的准确率高达93.3%，要明显高于Z-score模型的66.7%。对于我国煤炭业上市公司的财务预警效果更佳。但是文章还有很多不足之处，其一，在对logistic模型的样本选择上，由于我国煤炭上市公司被违规特殊处理企业较少，仅3家，所以未采取一对一的配比选择样本。其次，在对衡量财务风险的指标选择上，考虑到数据的方便的可获得性，未考虑企业管理水平，宏观经济环境，企业生命周期等可能会影响企业财务状况的非财务指标。最后，文章研究研究财务危机的判定以及国内的大部分研究都是以企业是否被st为判断标准，一方面，st确实可以很好的反映企业财务状况恶化；另一方面，也具有一定的片面性，很多非st企业同样面临财务危机。由于财务风险的复杂性和多样性，对于企业财务危机的预警研究仍然是个值得关注的问题。 参考文献： [1]张紫娟. 煤炭行业上市公司财务危机预警[J]，经济论坛，2015.8：67-68. [2]朱洪婷. 基于logistic模型的机械制造业上市公司财务预警应用与分析[J]，时代金融，2015.1：228-229. [3]游达明，刘亚庆. Z值财务预警模型在交通运输业的修正与应用[J]，华东经济管理，2015.7：9-10. [4]何小倩.基于Z值模型的新能源汽车上市公司财务预警分析[J]，时代金融，2016.5：196-197. [5]杨潇.基于改进 Logit 模型的电力公司财务危机预警研究[J]，会计之友，2017.2：96-97. [6]宋彪，徐沙沙.基于系统结构模型的大数据财务预警指标分析[J]， 会计之友，2017.4：95-96. [7]刘开瑞，弥莹.上市公司财务预警 Z-Score 模型应用及修正——以“香梨股份”为例[J]，技术与创新管理，2010.11：711-712. 作者简介： 宋佳怡（1996—），女，籍贯：江西省赣州市章贡区，现为江西师范大学财政金融学院会计学专业大三学生，初级会计师职称，研究方向：金融、会计、财务管理等。
下一篇：建设生态文明,推进依法治煤