電網(wǎng)公司委托貸款財務風險預警模型的構建與應用

衛(wèi)建國,溫婷婷

(中山大學 管理學院 南方學院，廣東 廣州 510275)

?

電網(wǎng)公司委托貸款財務風險預警模型的構建與應用

衛(wèi)建國1,溫婷婷2

(中山大學 管理學院 南方學院，廣東 廣州 510275)

摘要：委托貸款財務風險控制是電網(wǎng)公司面臨的一項重要課題。文章以縣級電網(wǎng)子公司為貸款對象，通過改進傳統(tǒng)的Z分數(shù)模型，運用因子分析等方法構建電網(wǎng)公司委托貸款財務風險的預警模型，并試圖通過一個示范性案例說明模型的具體應用并驗證模型的可行性。研究表明：電網(wǎng)公司委托貸款財務風險預警模型是可構建的，且所構建的模型具有可操作性，對提升電網(wǎng)公司委托貸款財務風險管理水平具有實用價值。

關鍵詞：電網(wǎng)公司；委托貸款；財務風險預警；模型

一、引言

隨著中國經(jīng)濟的穩(wěn)步發(fā)展，對電力的依賴逐步擴大，電網(wǎng)公司的基礎建設不斷增加，從而帶來巨大的資金需求，僅靠公司內(nèi)部積累遠遠解決不了問題，大量的銀行貸款成為電網(wǎng)公司重要的資金來源。在目前我國電網(wǎng)公司管理體制下，省級電網(wǎng)公司管理著地市(或縣)級分公司和子公司等兩種不同性質的供電企業(yè)。對于分公司，電網(wǎng)公司可以通過撥款和預算的方式，進行統(tǒng)一的資金管理；但是受限于產(chǎn)權關系，省公司或市公司均無法直接對具有獨立法人身份的縣級供電子公司通過撥款的方式進行日常資金運轉。所以，縣級供電子公司所需的發(fā)展資金則主要通過向外部銀行借款與向母公司申請委托貸款的方式進行融資。

在縣級子公司向省網(wǎng)公司申請的委托貸款業(yè)務中，由于各地發(fā)展不均衡，一些縣級供電子公司經(jīng)營壓力大，還款能力有限，存在不能按時償還債務的風險，這種情況給省級電網(wǎng)公司和整個電網(wǎng)集團帶來極大的負面影響。所以，如何有效預防由于委托貸款給電網(wǎng)公司帶來的財務風險是電網(wǎng)公司迫切需要解決的問題。本文以縣級供電子公司為委托貸款的需求方試圖構建電網(wǎng)公司委托貸款財務風險預警模型，以期為電網(wǎng)公司有效地控制財務風險、提高委托貸款的效益提供理論支持。

二、模型構建的基礎

(一)相關文獻及其評述

筆者在文獻檢索中，尚未發(fā)現(xiàn)委托貸款財務風險預警的研究，而財務風險預警研究的文獻比較多。財務風險預警的文獻對研究委托貸款財務風險預警具有重要參考價值。國內(nèi)外學者對于財務風險預警模型進行了大量的研究，根據(jù)模型種類的不同，大體可以分為單變量模型、多變量模型和智能模型等。

單變量預警模型是指運用單個變量來對企業(yè)進行相關財務風險預測的模型。Fitzpatrick(1932)首先提出了單個財務比率模型，而且研究發(fā)現(xiàn)凈利潤與股東權益的比率和股東權益與負債的比率兩個比率對于正常企業(yè)與陷入財務困境的企業(yè)的判別能力最高[1]。而Beaver(1966)選擇擴大樣本容量與增加指標地選取，運用統(tǒng)計方法構建財務風險預警模型，結果顯示債務保障率、資產(chǎn)收益率與資產(chǎn)負債率這三個指標對于企業(yè)危機的預測最為準確，而且越接近企業(yè)破產(chǎn)日，其預測得準確性越高[2]。

多變量預警模型則是運用多個變量對企業(yè)危機進行預測的模型。在多變量預警模型中，影響力最大的是Edward Altman(1968)提出得Z分數(shù)模型。他通過對1964年至1965年之間33家破產(chǎn)公司與33家正常公司進行分析，以22個財務比率作為自變量進行研究，最后得出Z分數(shù)模型：

Z=1.2x1+1.4x2+3.3x3+0.6x4+1.0x5

其中：x1=營運資本/資產(chǎn)總額；x2=留存收益/資產(chǎn)總額；x3=息稅前利潤/資產(chǎn)總額；x4=股東權益市值/負債總額；x5=銷售收入/資產(chǎn)總額。

一般認為，計算所得的Z值越小，企業(yè)涉及的財務風險越高。當Z值小于1.81時，認為企業(yè)面臨破產(chǎn)的風險較大，而當Z值大于2.675時，則認為企業(yè)處于財務良好的狀態(tài)，破產(chǎn)的概率較低[3]。為了提高預警模型的精準性，Blum.M(1974)改進了Z分數(shù)模型，其在Z分數(shù)模型的基礎上充分考慮了現(xiàn)金流量的有關因素并提出了F分數(shù)模型[4]。但是，因為上述多變量預警模型普遍存在線性模型的假設，該局限性將對模型帶來一定影響，Ohlson(1980)構建了條件概率模型。Ohlson利用Logistci及Probit兩種統(tǒng)計方法對105家破產(chǎn)企業(yè)與2058家正常經(jīng)營企業(yè)進行研究，得出公司規(guī)模、資本結構、公司業(yè)績與當前融資能力是影響企業(yè)是否正常經(jīng)營的顯著變量[5]。

我國學者周首華、楊濟華與王平(1996)選擇了31家破產(chǎn)公司與31家正常經(jīng)營的公司進行研究，并對Z分數(shù)模型進行了改進，得出F分數(shù)模型[6]。陳靜(1999)[7]、吳世農(nóng)等(2001)[8]、姜秀華等(2002)[9]、陳曉(2003)[10]等許多學者均采用多變量方法對財務風險預警模型進行了研究，取得了有價值的研究成果。

計算機人工智能技術的發(fā)展，大大促進了財務風險預警模型的研究。Odom(1990)利用神經(jīng)網(wǎng)絡模型分析了1975年到1982年之間64家破產(chǎn)公司與64家正常經(jīng)營公司。研究表明，倒傳遞網(wǎng)絡模型的預測結果比Z分數(shù)模型的預測結果更為準確[11]。由于BP神經(jīng)網(wǎng)絡具有較強的非線性反映能力，楊保安與季海(2001)運用該分析方法對商業(yè)銀行的財務風險進行了研究，建立了一個可正向或者逆向學習得非線性財務風險預警模型。結果表明，神經(jīng)網(wǎng)絡模型比其他預警模型的預測效果更佳[12]。

就國內(nèi)外研究文獻來看，建立了多種財務風險預警模型，對企業(yè)財務風險控制具有重要指導意義。但是，學者們過多地強調模型的構建、敏感性分析等方法，而對企業(yè)的實際應用情況研究較少；國內(nèi)的研究樣本多為上市公司，而對于非上市公司的研究很少；尤其是現(xiàn)有的研究缺乏對特殊行業(yè)和特殊業(yè)務的分析，筆者在文獻檢索中尚未發(fā)現(xiàn)委托貸款財務風險預警的研究。事實上，委托貸款財務風險有其特殊性，一般意義上的財務風險預警并不足以反映委托貸款的情況。我國電網(wǎng)企業(yè)委托貸款更是有其特殊的制度背景與運作方式，對電網(wǎng)公司委托貸款財務風險預警進行專門研究很有必要。

(二)電網(wǎng)公司委托貸款的特征

本文所涉及的委托貸款的委托方(資金提供者)為省電網(wǎng)公司，貸款方為縣級供電子公司(資金需求者)。在目前我國電網(wǎng)公司管理體制下，省級電網(wǎng)公司的財務公司為金融中介機構。電網(wǎng)公司委托貸款的基本關系為：應供電子公司要求，省公司委托財務公司將款項貸給子公司。子公司按照貸款協(xié)議取得貸款后承擔向省公司還本付息的義務。

縣級供電子公司作為基層供電企業(yè)，其投資建設項目多，資金需求量大，投資資金大部分來自于自籌資金。目前在縣級供電子公司自籌資金方面，只有很少一部分來自自身的留存收益，大部分則是通過向母公司申請委托貸款得來的。這種委托貸款給母公司帶來沉重的壓力。因為縣級供電子公司負債率不斷上升，財務費用負擔越來越沉重，舊的債務剛償還，新的債務接踵而來，縣級供電子公司永遠處于一個負債循環(huán)狀態(tài)。同時，因為我國經(jīng)濟發(fā)展迅速以及國民生活水平的提高，對電網(wǎng)的基建投資的需求不斷增大，縣級供電子公司所需要的建設資金就越來越多，相應地母公司所需要進行的委托貸款數(shù)量也就越來越多，由此造成電網(wǎng)公司的財務風險增大。

三、模型的構建

(一)模型構建的原則與思路

電網(wǎng)公司委托貸款財務風險預警模型的構建是一項系統(tǒng)工程，同時我們構建模型的目的不是空談理論的束之高閣，而是著眼于實際應用，所以模型的構建必須堅持系統(tǒng)性、針對性和可操作性等項原則。

在上述原則指導下，本文模型構建的思路為：首先，從償債能力、營運能力、盈利能力、發(fā)展能力及現(xiàn)金流量能力五個方面找出對財務風險預警具有影響的變量；其次，運用因子分析法對其進行分析，找出對財務風險具有顯著影響的指標，并得出各主因子預測函數(shù)；然后，通過各主因子的預測函數(shù)可以得出整體財務風險值。最后，利用整體風險值與選取的指標進行逐步回歸分析，得出最終的電網(wǎng)公司委托貸款財務風險預警模型。

(二)模型的構成要素

本文將根據(jù)電網(wǎng)公司的特征，從償債能力、營運能力、盈利能力、發(fā)展能力及現(xiàn)金流量能力五個方面，選取出對風險預警模型有顯著影響的相關變量，作為模型的構成要素，具體選擇如表1所示：

表1　模型構成要素

(三)模型的設計與構造

設計與構建電網(wǎng)公司委托貸款財務風險預警模型的具體流程圖如圖1所示。

1.因子分析

在電網(wǎng)公司委托貸款財務風險預警模型的構成要素中，變量的數(shù)量較多，而且各個變量之間可能存在較強的相關關系，這些因素會給模型的構建帶來一定的障礙。所以，在建立預警模型前，需要先運用因子分析法對各指標進行分析，選取出對風險具有顯著影響的變量。因子分析的步驟如下：

(1)選取原始變量，并將相關數(shù)據(jù)標準化處理。

假設選取的原始變量為x1,…,xp，由該變量組成的樣本觀察矩陣為x，即

其中，p代表變量的個數(shù)，n代表樣本的數(shù)量。

對相關數(shù)據(jù)進行標準化處理，具體公式如下

其中：

圖1　模型建立流程圖

(2)求出標準化后的矩陣x的相關系數(shù)矩陣R。通過計算相關系數(shù)的大小，判斷所選取得變量是否適合進行因子分析。相關系數(shù)矩陣R如下所示：

其中：

i=1,2,…,p;j=1,2,…,n

此外，檢驗選取得變量是否適宜進行因子分析還可以利用KMO檢驗與巴特利特球形檢驗。

KMO檢驗是為了衡量變量之間的簡相關系數(shù)與偏相關系數(shù)的大小關系。計算所得的KMO值在0與1之間，越接近1，則說明變量越適合進行因子分析。具體規(guī)則如下：當KMO值0.9，說明變量非常適合進行因子分析；當0.8≦KMO值<0.9，說明變量適合進行因子分析；當0.7≦KMO<0.8，說明變量進行因子分析的結果一般；當0.6≦KMO<0.7，說明進行因子分析比較勉強；當0.5≦KMO<0.6，說明變量進行因子分析的合適程度不佳；當KMO值<0.5，則說明不可以進行因子分析。

巴特利特球形檢驗是為了驗證變量之間是否存在相關性。如果巴特利特球形檢驗的統(tǒng)計量很大，而且其對應的相伴概率值小于規(guī)定的顯著性水平，那么就說明變量的相關系數(shù)矩陣不是單位矩陣，也就是說，原始變量之間存在相關性，可以進行因子分析。

(3)計算通過檢驗后的相關系數(shù)矩陣R的特征值λi，而且λ1,λ2,…,λp≥0。并求出相應的特征向量li。其中，λi可以在特征方程|R-λE|=0中求出。

(4)在獲得各特征值與特征向量后，計算公共因子的方差貢獻率和累積方差貢獻率。當λ1≥λ2,≥…≥λp≥0時，可以計算出相關系數(shù)矩陣的特征值即公共因子Fj的方差貢獻來計算公共因子Fj的方差貢獻率以及累積方差貢獻率。

公共因子Fj的方差貢獻率表示式如下。

公共因子Fj的累積方差貢獻率表示式如下。

(5)確定公共因子個數(shù)。對于公共因子個數(shù)的確定方法有兩種。第一種是根據(jù)特征值的大小來進行確定。在因子分析中，通常會選取大于1的特征值所對應的特征值數(shù)量來確定公共因子個數(shù)。第二種是利用累計方差貢獻率來確定公共因子個數(shù)。通常情況下，在累積貢獻率達到85%或者85%以上的時候，那么認為特征值相應的數(shù)量則為公共因子個數(shù)。

(6)構建公共因子的載荷矩陣A。經(jīng)過上述分析，得出m個公共因子。其中：

(7)進行因子旋轉。為了令因子負荷發(fā)生兩極分化，從而使因子可以進行更好地解釋，所以在因子分析中需要對因子進行旋轉。在因子旋轉中，可以劃分為正交旋轉和斜交旋轉兩種。在本文中，將運用最大方差正交旋轉法。正交旋轉可以使公共因子的相對負荷方差之和達到最大，同時，這樣地旋轉不會影響原有公共因子的正交性，而且公共方差的總和未發(fā)生變化。

(8)計算各公共因子得分。計算因子得分的方法也有多種，如回歸法，Bartlette法等。本文選用回歸法對各公共因子得分進行計算。通過回歸法，可以利用原始變量的相關矩陣和載荷矩陣求出因子得分函數(shù)的系數(shù)。因子得分函數(shù)如下：

Fj=bj1x1+bj2x2+…+bjpxpj=1,2,…,m2.計算財務風險值

在計算了各個公共因子得分后，可以通過相關特征值計算財務風險值函數(shù)的系數(shù)，從而求得財務風險值。

計算獲得財務風險值后，需要對財務風險值進行相關分析，如判斷財務風險值的波動區(qū)間，以及高風險和低風險所對應的時期，并判斷財務風險的臨界值點。

3.模型的確定

本文計算電網(wǎng)公司委托貸款的財務風險主要是通過改進Z分數(shù)模型進行的，即：根據(jù)需要貸款的縣級供電子公司的財務數(shù)據(jù)及公司的實際情況和因子分析的判斷結果，選取出適合該公司使用的變量，并計算各公共因子的得分以及綜合財務風險的風險值。為了獲得適合電網(wǎng)公司使用的風險預警模型，本文將獲得的財務風險值與各公共因子中具有代表性的指標進行逐步回歸，最后獲得電網(wǎng)公司委托貸款財務風險預警模型如下：

Z=w1×x1+w2×x2+…+wk×xk其中，Z為整體財務風險值，wi為各指標的權重，xi為各公共因子中具有代表性的指標。

四、模型的應用：一個示范性案例

本文以A縣級供電子公司(以下簡稱“A公司”)為例，對模型的相關運用進行闡述。A公司為某省電網(wǎng)公司的一個控股子公司，隨著A公司所在地經(jīng)濟的發(fā)展，用電需求迅速擴張，需要大量的電網(wǎng)投資，而A公司基礎較為薄弱，依靠其自身的利潤增量和折舊回收遠不能滿足投資和經(jīng)營活動對資金的需求。為了扶持A公司的發(fā)展，省電網(wǎng)公司多次委托電網(wǎng)集團的財務公司貸款數(shù)千萬元給A公司。這種情況給A公司(貸款方)和省公司(委托方)均會帶來財務風險，我們將通過委托貸款財務風險預警模型來揭示這種風險，以便有針對性地進行控制。具體流程如下。

第一， 根據(jù)A公司財務報表的相關基礎數(shù)據(jù)，分別計算出2010年至2014年流動比率、資產(chǎn)負債率、已獲利息倍數(shù)等18個變量的數(shù)值。

第二，將相關數(shù)據(jù)導入SPSS19.0中，對原始數(shù)據(jù)進行標準化處理。隨后計算相關系數(shù)矩陣，并進行KMO檢驗以及巴特利特球形檢驗。

由于得出的相關系數(shù)矩陣中，許多變量的相關系數(shù)都不足0.3，且未通過KMO檢驗以及巴特利特球形檢驗，所以說明原變量并不適合進行因子分析。所以，需要對不符合要求的變量進行排除，并再次進行上述檢驗，直到檢驗結果反映所選取的變量適宜進行因子分析為止。最后，通過檢驗的指標包括資產(chǎn)負債率、總資產(chǎn)周轉率、總資產(chǎn)報酬率、總資產(chǎn)利潤率、銷售凈利率、主營業(yè)務利潤率、成本費用利潤率、債務保障率、全部資產(chǎn)現(xiàn)金回收率、現(xiàn)金流量流動負債比率10個變量。其中，通過檢驗的結果見表2。

表2　KMO檢驗與巴特利特球形檢驗

由表2的檢驗結果可知，KMO值為0.606，說明變量可以進行因子分析。同時，巴特利特球形檢驗得出在自由度為45的情況下，所得的χ2值為343.980。而且相伴概率為0.00，明顯小于顯著性水平0.05，因此拒絕巴特利特球形檢驗的原假設接收其備擇假設，即選取的指標適宜進行因子分析。

第三，運用SPSS19.0對相關系數(shù)矩陣的特征值等進行有關計算，并通過累計方差貢獻率的大小來選取公共因子的個數(shù)。結果如表3所示。

表3　解釋的總方差

提取方法：主成份分析。

由表3可知，未發(fā)生旋轉時的第一主因子的特征值是4.231，其對應的方差貢獻率是42.306%。直到第三個主因子時，累計方差貢獻率為94.563%大于了85%，即在公共因子的數(shù)量為三個，而且對應的特征值分別是4.231、4.060、1.166。同時，在表3中也反映了因子旋轉后的總的解釋方差。與旋轉前的數(shù)據(jù)相比，三個主因子的特征值發(fā)生了一些變化，旋轉后的特征值相對集中，但是累積的方差貢獻率沒有發(fā)生改變，仍然是94.563%。

第四，在獲得相關特征值與特征矩陣后，可以通過SPSS19.0求得因子載荷矩陣。結果如表4與表5所示。

在表4中，其反映的成分矩陣是每個變量在未發(fā)生旋轉時的因子上的載荷量，其中省略了小于0.10的相關數(shù)據(jù)，如總資產(chǎn)利潤率=0.876×F1-0.343×F2+0.213×F3。但是由于存在部分變量同時在幾個未發(fā)生旋轉時的因子上有著較大的載荷，這就會導致因子在進行解釋時比較困難，而因子進行旋轉后的結果則可以較好地避免此問題。

表4　成份矩陣

在表5中，反映的是每個變量在經(jīng)過正交旋轉后的各因子上的載荷，而且可以看出旋轉后的載荷量明顯地向0與1進行了兩級分化，這樣便可以更容易分辨出哪個變量應該歸屬于哪個因子。

由表5可以得知，第一個因子主要解釋了銷售凈利率、成本費用利潤率、總資產(chǎn)利潤率與主營業(yè)務利潤率；第二個因子主要解釋了全部資產(chǎn)現(xiàn)金回收率、總資產(chǎn)周轉率與總資產(chǎn)報酬率；第三個因子主要解釋了資產(chǎn)負債率、現(xiàn)金流量流動負債比率與債務保障率。

第五，計算因子得分。在因子旋轉后，選擇回歸法來獲取各因子得分系數(shù)，從而計算出各因子的得分。結果如表6所示。

表5　旋轉成份矩陣

表6　成份得分系數(shù)矩陣

根據(jù)表6的相關數(shù)據(jù)，可以得出各因子的有關公式，具體如下所示。

F1=-0.031X1-0.031X2+0.221X3+0.234X4+0.222X5+0.225X6+0.219X7-0.039X8-0.017X9-0.045X10

F2=0.266X1+0.263X2+0.417X3+0.162X4-0.079X5-0.019X6-0.093X7+0.079X8+0.404X9-0.056X10

F3=-0.483X1+0.051X2-0.263X3-0.048X4+0.065X5-0.105X6+0.071X7+0.256X8-0.140X9+0.377X10

又因為=4.071，2.746，2.639，可以獲得綜合風險值F的取值。

F=0.4305F1+0.2904F2+0.2791F3

表7　因子得分表

由上所示因子得分表，可以得出綜合財務風險值的變化趨勢圖，如圖2所示。其中，橫坐標表示時間，縱坐標表示風險值。從圖2可知，在2011年3月為綜合財務風險值的最低點，而2012年9月則達到了綜合財務風險值的最高點，分別反映了A縣級供電子公司的實際狀況分別為高危險與很安全的狀態(tài)。而在其余月份中，風險值大多落在0到+1的區(qū)間中。將計算所得的風險值與A縣級供電子公司的實際情況進行對比，發(fā)現(xiàn)風險值與公司實際情況相符。

圖2風險值分布圖

第六，構建模型。為了構建委托貸款財務風險預警模型，還需要對指標進行更進一步的分析，本文將相關的指標整合為表8。

由表8可以發(fā)現(xiàn)，10個變量可以根據(jù)各因子載荷量的大小劃分為3類，即銷售凈利率、成本費用利潤率、總資產(chǎn)利潤率與主營業(yè)務利潤率為第一類；全部資產(chǎn)現(xiàn)金回收率、總資產(chǎn)周轉率與總資產(chǎn)報酬率為第二類；資產(chǎn)負債率、現(xiàn)金流量流動負債比率與債務保障率為第三類。

表8　指標分析表

分完類別后，在這三個類別中選取一個最可以代表這個類別的變量，同時也表明這個指標與財務風險最為相關。在本示范性案例中，所選取的代表性變量分別是銷售凈利率、全部資產(chǎn)現(xiàn)金回收率與資產(chǎn)負債率。

獲得該變量后，將綜合風險值與所選取的變量進行逐步回歸，以期得到委托貸款財務風險預警模型，具體模型如下所示。

Z=-0.696+14.753×銷售凈利率+5.564×全部資產(chǎn)現(xiàn)金回收率-0.462×資產(chǎn)負債率

同時，將2010年至2014年的相關財務數(shù)據(jù)代入模型，得出大多數(shù)風險值都落在0與+0.5之間，所以當Z值0.5時，反映該子公司處于財務狀況比較良好的時期；當0≦Z值<0.5時，反映該子公司財務狀況良好；當-0.5≦Z值<0時，表明該子公司財務狀況不佳，若電網(wǎng)公司需要對其進行委托貸款，則需要對其進行相關投資分析，預測該筆貸款的回收期等；當Z值≦-0.5時，說明該子公司的財務風險極高，若電網(wǎng)公司需要對其進行委托貸款，則需要對其進行深度分析，以設定較為合適的貸款利率以及貸款年限等，以期使該筆貸款可以得到償還。

五、結論

本文就電網(wǎng)公司委托貸款財務風險預警模型進行研究，得出以下結論：

(1)針對電網(wǎng)公司委托貸款業(yè)務的實際，通過改進傳統(tǒng)的Z分數(shù)模型，選取相關變量，運用因子分析法得出各公共因子的函數(shù)表達式以及綜合財務風險值的函數(shù)表達式，再通過對顯著影響財務風險值的指標與綜合財務風險值進行逐步回歸，從而可以得出委托貸款財務風險的預警模型。

(2)通過示范性案例的闡述，說明本文所構建的電網(wǎng)公司委托貸款財務風險預警模型具有合理性和可操作性，對提升電網(wǎng)公司委托貸款財務風險管理水平具有實用價值。

參考文獻：

[1] Fitzpatrick PJ. A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms [M]. Certified Public Accountant，1932， 57-65.

[2] Beaver W.H. Financial Ratios as Predictors of Failure [J]. Selected Studies Supplement to Journal of Accounting Research，1966， 70-112.

[3] Edward I Altman. Financial Ratios，Discriminate Analysis and the Prediction of Corporate Bankruptcy [J]. Journal of Finance，1968，589-609.

[4] Blum.M. Financial Company Discriminant Analysis [J]. Journal of Accounting Research，1974，12(Spring): 1-25.

[5] Ohlson J.A.Financial Ratios And The Probabilistic Prediction of Bankruptcy [J].Journal of Accounting Researeh,1980(1):109-131.

[6] 周首華,楊濟華,王平. 論財務危機的預警分析——F分數(shù)模式[J]. 會計研究,1996,08:8-11.

[7] 陳靜. 上市公司財務惡化預測的實證分析[J]. 會計研究,1999,04:32-39.

[8] 吳世農(nóng),盧賢義.我國上市公司財務困境的預測模型研究[J].經(jīng)濟研究,2001,06:46-55.

[9] 姜秀華,任強,孫錚. 上市公司財務危機預警模型研究[J]. 預測,2002,03:56-61.

[10] 陳曉.上市公司的“變臉”現(xiàn)象探析[M].北京：企業(yè)管理出版社，2003：113-202.

[11] Odom M.D, Sharda R. A neural network model for bankruptcy prediction [J], International Joint Conference, 1990(2):163-168.

[12] 楊保安,季海. 基于人工神經(jīng)網(wǎng)絡的商業(yè)銀行貸款風險預警研究[J]. 系統(tǒng)工程理論與實踐,2001,05:70-74.

(責任編輯潘志和)

Construction and Application of Entrusted Loans’ Financial Risk Early-Warning Model of Power Grid Company

WEIJian-guo,WENTing-ting

(Sun Yat-Sen Business School, Nanfang College of Sun Yat-Sen University, Guangzhou 510275)

Abstract：Entrusted loans’ financial risk control is an important issue faced by the power grid company. ?With the loan object of county power grid subsidiary, this paper improves the conventional Z-score model to construct the entrusted loans’ financial risk early-warning model of power grid company by factor analysis and other methods. Moreover, this paper tries to illustrate the specific application of the model and to verify possibility of the model with an exemplary case. This study shows that entrusted loans’ financial risk early-warning model of power grid company can be constructed, and the model constructed is workable and has practical value in improving the level of entrusted loans’ financial risk management of power grid company.

Key words：power grid corporation; entrusted loans; financial risk early-warning; model

中圖分類號：F830.56

文獻標識碼：A

文章編號：1674-0408(2016)01-0059-09

作者簡介：衛(wèi)建國，男，中山大學管理學院會計學系副教授、碩士研究生導師；中山大學南方學院會計學系主任，主要從事公司財務理論與實務、內(nèi)部控制與內(nèi)部審計研究。

收稿日期：2016-02-20