摘要：在“碳达峰、碳中和”的背景下，新能源产业初期投入高、技术壁垒多、融资风险大，而且其市场机制不完全成熟，公司会面临较多的财务风险。拟选取5年间（2019—2023年）沪深A股新能源上市公司为研究对象，构建适用于我国新能源产业的主成分分析法和支持向量机相结合的财务危机预警模型。该模型可以精确地对新能源上市公司进行财务风险预测，提高公司人员对于风险的防范意识，促使企业改善不合理的财务结构，为利益相关者识别和预防企业的财务危机提供参考意见。

　　关键词：新能源上市公司；财务危机预警；支持向量机；主成分分析法

　　引言

　　随着全球能源结构的转变和环保意识的提高，新能源产业在经济发展中的地位日益凸显。然而，新能源产业的发展也面临着诸多风险和挑战，为了更好地应对这些风险，建立有效的财务预警模型显得尤为重要。Fitzpatrick是最早开始探索财务风险预警体系的学者之一，之后学者们采用的主要方法是判别分析，包括单变量判别分析、多变量判别分析。随着社会经济的急速发展和计算技术的不断完善，学者们将以人工智能技术为主的方法引入到财务困境预测领域中来。Fan首次将SVM模型运用到财务危机预警研究中，后来国内也相继将支持向量机模型应用在财务预警研究中，综合主成分分析法与支持向量机的优势构建具有适用性的财务危机预警模型，石先兵分析出其适用于制造业上市企业。陈远东等将支持向量机算法用于建立变压器碳排放的预测模型中，对环境保护和电力行业具有重要意义。可以发现财务预警模型趋向于成熟，其中支持向量机这种经典算法得到了广泛应用，但对新能源上市公司的财务风险预警方面的研究还未得到广泛关注，也缺乏全面且深入的执行，而且很少有学者将主成分分析法与支持向量机相结合构建的财务危机预警模型应用在新能源产业研究上。

　　一、研究设计

　　（一）数据收集

　　本文的研究对象为新能源产业，其产业范围参考了国家统计局2018年下发的《战略性新兴产业分类》，新能源产业包含核电、风能、太阳能、生物质能及其他新能源、智能电网五个细分产业，新能源产业是指利用可再生能源或清洁能源进行能源生产、利用和转换的产业领域。根据新能源产业的界定，本文选取了中国沪深A股548家新能源产业上市公司，以企业被ST与否作为判断企业是否发生财务危机的标准，将企业连续两年净利润小于零而被实施ST的企业认定为财务危机企业，将没有被实施ST的企业认定为财务健全的企业。本研究将ST发生前一年作为r年，以企业ST发生前两年的数据作为r-1的财务数据样本，对企业是否在第r年会被ST进行预测。样本具体包括2012—2022年间被ST的50家企业，并按照接近1:10的比率，选取了498家资产规模与ST企业相似并且同产业的非ST企业作为财务健全的对比样本，共计548家企业数据作为样本。（数据来源于CSMAR数据库）

　　（二）指标选取

　　1.财务指标的选择

　　财务指标的选取要具有全面性，在财务预警指标体系的选择上，经历了从单变量指标到多变量指标的构建。本文遵循全面性原则从盈利能力、发展能力、营运能力、现金流能力、偿债能力五个方面选取财务指标。盈利能力包括流动资产净利润率A、固定资产净利润率A、净资产收益率（ROE）A、息税前利润与资产总额比、长期资本收益率、营业成本率、研发费用率、销售期间费用率、息税前营业利润率、投资收益率，依次命名为F1、F2……F10；发展能力包括资本保值增值率A、固定资产增长率A、总资产增长率A、利润总额增长率B、营业利润增长率B、营业总成本增长率、销售费用增长率、管理费用增长率、可持续增长率、所有者权益增长率A、每股净资产增长率B、净资产收益率增长率C，依次命名为F11、F12……F22；营运能力包括现金及现金等价物周转率A、流动资产与收入比、流动资产周转率A、资本密集度、总资产周转率A、股东权益周转率A，依次命名为F23、F24……F28；现金流能力包括全部现金回收率、现金适合比率、现金再投资比率、现金满足投资比率，依次命名为F29、F30……F32；偿债能力包括流动比率、现金比率、有形资产负债率、产权比率、经营活动产生的现金流量净额／负债合计，依次命名为F33、F34……F37。

　　2.非财务指标的选择

　　财务预警指标的选取还要考虑非财务指标，这些指标的综合使用可以从不同的角度反映企业的经营状况和潜在风险，有助于更全面地评估企业的财务预警情况。本文选取了审计意见类型F45，选取了股权集中指标4、Z指数、S指数、独立董事占比、员工密集度作为公司治理结构指标，依次命名为F40、F41、F42、F43、F44。

　　财务预警指标的选取要突出新能源产业特色，基于新能源产业高度依赖政府支持、新能源技术需要大量资金进行研发投入的特点，本文选取了政府补助、研发投入、环境与可持续发展披露情况F47等非财务指标，其中研发投入选取了研发人员数量占比、研发投入占营业收入比例，命名为F38、F39；政府补助选取了政府补助金额与利润之比，命名为F46。

　　(三）指标筛选

　　正态性检验结果显示，文中选取的指标中，在显著性水平α=0.05时，所选指标体系检验结果除F35外，其余全部小于0.05，不服从正态分布。为了剔除不存在显著差异的指标，下一步进行非参数检验（Mann-Whitney U检验），这种方式可以避免因为数据不满足正态分布而使用参数检验得出的结果失真。结果显示，在显著性水平为α=0.05的情况下，F7、F23、F28、F30、F37、F38、F40、F41、F42、F46这10个指标的Sig值大于0.05，说明这些指标不存在显著性差异，可以剔除。利用SPSS软件中的因子分析得到KMO值大于0.7，且显著性小于0.05，说明可以对剩余的36个指标进行因子分析。为了方便对因子进行命名解释，本文采用最大方差法来进行因子旋转，保留特征值大于1的公共因子，将公共因子依次命名为X1、X2等，将36个指标减少到10个公共因子，原解释变量的累计贡献率达到70.719%。结果表明选取的10个公共因子可以较好地描述原始变量的数据结构和取值。通过旋转后的因子载荷矩阵可以得到，第一个公共因子对F3、F19、F5、F14、F15、F22、F4这几个因素的影响最大，反映了盈利能力和发展能力，可以命名为盈利和发展能力因子；第二个公共因子对F8、F9、F44、F39、F1这几个因素的影响最大，反映了盈利能力、研发投入和管理结构，可以命名为盈利能力、研发投入和管理结构因子；第三个因子对F20、F11、F21、F13这几个因素的影响最大，反映了发展能力，可以命名为发展能力因子；第四个因子对F16、F18、F17这几个因素的影响最大，反映了发展能力，可以命名为发展能力因子；第五个因子对F27、F26、F24、F25这几个因素的影响最大，反映了营运能力，可以命名为营运能力因子；第六个因子对F33、F34这两个因素的影响最大，反映了偿债能力，可以命名为偿债能力因子；第七个因子对F29、F32这两个因素的影响最大，反映了现金流能力，可以命名为现金流能力因子；第八个因子对F47这个因素的影响最大，反映了社会责任，可以命名为盈利能力和营运能力因子；第九个因子对F31这个因素的影响最大，反映了现金流能力，可以命名为现金流能力因子；第十个因子对F10这个因素的影响最大，反映了盈利能力，可以命名为盈利能力因子。

　　同时，通过对主成分进行正交旋转后得到了一个更简洁但仍具有代表意义的因子集，能够更好地对数据进行解释。将每个指标在各主成分表达式中的系数与其对应的贡献率相乘，再依次相加就是主成分综合模型中各指标的系数，从而计算出主成分综合模型。计算公式如下：X=λ1X1+λ2X2+λ3X3+λ4X4+λ5X5+λ6X6+λ7X7+λ8X8+λ9X9+λ10X10。其中λ1=0.181 2，λ2=0.167 4，λ3=0.122 1，λ4=0.114 2，λ5=0.109 3，λ6=0.103 3，λ7=0.061 4，λ8=0.050 2，λ9=0.046 3，λ10=0.044 6。最终表达式为X=0.027 7F1+0.027 5F2+0.021 1F3+0.038 2 F4+0.032 2F5-0.023 8F6-0.023 9F8+0.026 5F9+0.007 2 F10+0.020 5F11+0.014 6F12+0.024 4F13+0.018 3F14+0.013 7 F15+0.025 9F16+0.025 6F17+0.023 1F18+0.024 9F19+0.024 7F20+0.016 9F21-0.001 5F22-0.024 3F24+0.018 0F25-0.039 7 F26+0.032 0F27+0.029 7F29+0.054 6F31+0.018 5F32+0.028 3 F33+0.032 9F34-0.002 4F36-0.006 5F39+0.006 3F43-0.014 5 F44+0.025 5F45+0.000 7F47。

　　本文将通过主成分分析法得到筛选好的数据用于结合支持向量机构建财务预警模型。

　　（四）支持向量机模型的构建

　　本文将径向基核函数RBF核函数作为支持向量机的内积核函数，利用Matlab R2018a中的LIBSVM工具箱构建基于支持向量机的新能源上市公司财务预警模型并进行预测。加载数据集，对数据集进行预处理，将其拆分为训练集和测试集，使用“mapminmax”扩展功能避免某些算法对数据取值范围的偏好，从而提高算法的性能和稳定性，然后使用LIBSVM训练SVM模型，训练时要先通过穷举法寻找最优c参数/g参数，最后将经过训练的模型对测试集进行预测。

　　1.寻找最佳c参数/g参数

　　以RBF核函数为基础的支持向量机，其性能主要取决于参数（c，g），取不同的c、g，所得支持向量机的结果也不尽相同。其中，最简便的一种是“穷举法”，通过对各参数进行筛选，得到验证率，并将检验准确率最高的参数组合作为最佳方案。基于前人的研究，在1~100之间选取了核心参数1/g，而惩罚因子c则在1~100之间。本文选择T-1年的数据作为样本，针对5×5个（c，g）组合，利用穷举法分别对其进行训练，从中选取精确度最高的组合为最优参数。计算结果如表1所示。

　　由表1可以看出，模型的验证正确率可以达到93.75%，为了简化模型并便于计算，选取支持向量机个数较少的（75，0.5）作为参数，也就是c=75，g=0.5。选择的核函数类型的参数为0.120 575，SVM文件转换为的二次规划求解得到的最小值为-2 621.136 643，判决函数的偏置项b=-0.050 080，标准支持向量个数（0&lt;a<i>&lt;c）是52个，边界上的支持向量个数（a<i>=c）是33个。

　　2.建立模型

　　经过标准化处理的自变量X，分类变量y∈{-1，1}，惩罚因子c=75，核参数g=0.5，通过Matlab软件进行二分类问题的支持向量求解，最终得到了52个支持向量，如表2所示。

　　判决函数的偏置项b=-0.050 080，支持向量集SSV=[xi，yi]，i=1，2，3，4，6，7，8，...，335，336，337，339，341，342。将得到的各参数带入决策函数得到财务危机的预警模型如下。

　　二、结语

　　通过Matlab软件代码model=libsvmtrain（train_set_labels，train_set，cmd）；[predict_label]=libsvmpredict（test_set_ labels，test_set，model）；得到的预测结果显示：T-1年支持向量机模型的财务危机公司预测精确度为85.71%，财务健康公司的精确度为94.62%，总的预测精确度为93.75%；T-2年支持向量机模型的财务危机公司预测精确度为71.43%，财务健康公司的精确度为89.92%，总的预测精确度为87.97%；T-3年支持向量机模型的财务危机公司预测精确度为66.67%，财务健康公司的精确度为85.96%，总的预测精确度为86.03%。总的预测精确度均在85%以上，所构建的财务预警模型总体预测的精确度可以用“可以接受”来描述，能够反映实际情况，可作为新能源产业的财务危机预警工具。同时，本文所建立的财务危机预警模型的较高精确度也说明了建立财务预警体系的重要性，可以更好地对公司的财务风险进行预警。

        参考文献：

　　［1］FITZPATRICK P J.A comparison of ratios of successfuindustrial enterprises with those of failed firms［J］.Certified Public Accountant，1932，10（10）：598-605.

　　［2］BEAVER W.Financial ratios as predictors of failure，empirical research in accounting：Selected studies［J］.Journal of Accounting Research，1966（5）：1-25.

　　［3］陈静.上市公司财务恶化预测的实证分析［J］.会计研究，1999（4）：32-39.

　　［4］ALTMAN E I.Financial ratios discriminated analysis and the prediction of corporate bankruptcy［J］.The Journal of Finance，1968，23（4）：589-609.

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

　　［6］FAN A，PALANISWAMI M.Selecting bankruptcy predictors using a support vector machine approach［C］//Proceeding of the International Joint Conference on Neural Network，2000（6）：354-359.

　　［7］石先兵.基于PCA-SVM的企业财务危机预警模型构建［J］.财会通讯，2020（10）：131-134.

　　［8］陈远东，孟辉，李猛克，等.基于支持向量机的变压器碳排放预测模型［J］.包装工程，2024，45（1）：254-261.