• 暂时没有信息

后疫情时代煤炭行业周期波动下的财务风险预警模型构建与应用研究

一、研究背景与核心问题

后疫情时代，全球经济格局与能源体系深刻调整，煤炭行业固有的周期性波动特征进一步凸显，表现为波动幅度加剧、与宏观经济及政策关联度增强。行业周期与企业的财务风险存在紧密联动：上行期可能引发盲目扩张，下行期则易导致资金链紧张甚至断裂。既有研究为理解煤炭行业周期与财务风险奠定了基础，但仍存在两点不足：一是多数研究基于长期历史数据，对后疫情时代这一特殊背景下的结构性变化关注不足；二是预警模型多沿用传统统计方法，在应对行业非线性、小样本特性时效能有限。本研究旨在弥补上述缺口，通过构建融合周期特征与多维指标模型，能够有效识别周期波动下财务风险的预警体系，为后疫情时代的煤炭企业风险管理提供更精准的工具。

二、行业周期波动与财务风险的传导机制

（一）周期波动对财务风险的传导机制

根据产业经济学理论和财务风险传导理论，行业周期波动主要通过收入、成本与现金流渠道影响企业财务稳健性。具体至煤炭行业，其传导路径可归纳为以下三条：

一是供需路径，繁荣期需求与价格齐升，企业盈利与偿债能力增强，但过度扩张会埋下产能过剩隐患。衰退期需求与价格双降，企业收入下滑，被迫增加负债以维持运营，导致资产负债率上升，财务风险显著加剧。二是价格路径，市场价格处于高位时，企业利润与现金流充裕，财务状况稳健。一旦价格跌破关键成本线，企业将面临亏损，偿债能力被迅速削弱，债务违约风险急剧升高。三是成本路径，繁荣期固定成本随扩张而增加，但收入增长足以覆盖。衰退期可变成本虽可削减，但折旧、利息等固定成本具有刚性，导致单位产品成本不降反升。在销售收入持续下滑时，利润空间被严重挤压，企业极易陷入财务困境。

（二）回归模型建立

为了定量揭示煤炭行业周期波动与财务风险之间的内在联系，本研究选取了2018年至2023年间我国20家主要煤炭上市公司作为研究样本，共收集120条有效观测值。

被解释变量（财务风险FR）包括资产负债率（DAR）和利息保障倍数（ICR）。其中，资产负债率用以衡量企业的长期偿债风险；利息保障倍数用以衡量企业支付债务利息的能力，倍数越低，风险越高。核心解释变量（行业周期CI）选用煤炭价格指数（CPI），以中国煤炭市场网发布的环渤海动力煤综合价格指数（Q5500K）的年均值为代表，直接反映市场的景气程度。控制变量包括企业规模（SIZE）和资产结构（FAR）。企业规模以企业总资产的自然对数表示，用以控制规模效应对财务风险的影响；资产结构为固定资产占总资产比重，反映煤炭企业的资产固化程度。基于以上变量，建立如下多元线性回归模型：

模型一： DAR = β? β? CPI β? SIZE β? FAR ε
模型二： ICR = β? β? CPI β? SIZE β? FAR ε

（三）数据分析与结果

使用计量工具对面板数据进行回归分析，回归结果如下。从模型一来看，煤炭价格指数与资产负债率显著负相关（β=-0.125，p<0.1），企业规模显著负相关（β=-0.032，p<0.05），资产结构显著正相关（β=0.178，p<0.05），R?0.316。从模型二来看，煤炭价格指数与利息保障倍数显著正相关（β=2.347，p<0.1），资产结构显著负相关（β=-5.632，p<0.1），企业规模不显著，R?0.298。

回归结果清晰地验证了理论假设。煤炭价格指数（CPI）与资产负债率（DAR）呈负相关（β = -0.125）。这表明当行业周期上行，煤炭价格上涨时，企业盈利改善，内源融资能力增强，从而减少对外部债务的依赖，资产负债率下降，财务风险降低。反之，在周期下行时，企业为维持运营被迫举债，导致资产负债率攀升，财务风险加剧。煤炭价格指数（CPI）与利息保障倍数（ICR）呈正相关（β = 2.347）。这意味着市场景气、煤价上涨直接带来企业息税前利润（EBIT）的大幅增长，企业覆盖利息支出的能力显著增强，偿债风险减小。

三、后疫情时代煤炭行业财务风险的新变化

（一）新能源替代加速重构煤炭需求格局，盈利空间持续压缩

替代速度与规模超预期。2024年国内水电、光伏及风电项目规模化推进，清洁能源发电占比显著提升，直接挤压火电用煤空间。同期动力煤均价同比下跌10.26%，2025年初秦皇岛港Q5500动力煤价格跌至733元/吨，创2021年5月以来新低，且预计短期可能下探700元/吨关口。电力行业作为煤炭消费主力（占比58%），需求疲软直接导致煤企营收下滑，中国神华等龙头企业预计2025年上半年归母净利润同比降幅达8.6%-15.7%。

政策驱动的成本刚性上升。双碳战略下环保监管趋严，煤炭企业环保合规成本已吞噬行业平均利润的21%。同时国家电网计划2025年实现90%以上电力来自清洁能源，新能源替代的长期趋势不可逆，导致煤炭企业资本开支意愿低迷，2024年行业固定资产周转率处于历史底部区间，产能优化能力受限。

（二）钢铁与地产下行形成需求 “双杀”，现金流承压加剧

钢铁行业收缩冲击炼焦煤需求。2024年钢铁行业耗煤量5.8亿吨，同比减少3.3%，主要受地产用钢需求拖累——房企资金到位率不足51%，2025年粗钢消费量预计再降5000万吨。作为炼焦煤核心下游，钢铁产量下滑直接导致京唐港主焦煤价格2025年初较年初下降9.21% 至1380元/吨，部分高成本焦煤企业已陷入亏损。同时，钢铁行业向电炉钢（占比将升至22%）、氢冶金转型，单位粗钢煤耗持续下降。同时新能源汽车用高端钢材需求增长（2025年预计达800万吨），但此类特钢生产对炼焦煤依赖度较低，进一步削弱传统煤炭需求。

地产下行压制动力煤消费。2024 年1-10月建材行业耗煤4.2亿吨，同比骤降7.4%，地产新开工面积下滑导致水泥、玻璃等生产用煤减少。叠加电厂库存高位（可用天数达36 天）、港口库存同比增长五成，下游采购积极性低迷，动力煤供需宽松格局短期难改。同时，煤价持续下行与库存高企导致企业现金流恶化：2025年二季度内蒙古5000-5500大卡动力煤均价同比下跌22.7%，部分企业出现 “售价低于可变成本” 的被动生产局面。行业亏损面扩大推动产能出清，2024年已有多家中小煤企因资不抵债退出市场。

四、预警模型构建

（一）理论基础

在财务风险预警领域，预警模型的演进经历了从单变量判别到多元统计模型（如Altman的Z-score模型），再到人工智能模型的过程。支持向量机（SVM）因其在处理小样本、非线性及高维模式识别方面的优势，被众多学者引入财务预警研究。熵权法作为一种客观赋权法，能有效反映指标数据的变异程度。TOPSIS法则通过测算与理想解的贴近度进行综合评价，概念清晰。鉴于此，本研究综合上述方法优势，构建“熵权-TOPSIS综合评价 SVM状态分类”的混合模型，以期更全面地捕捉风险信息。

（二）构建与优化

模型的构建过程遵循系统化与可操作的原则。首先，进行数据收集与预处理，广泛获取目标煤炭企业的财务数据（涵盖偿债、盈利、营运及发展能力）与非财务数据（如市场份额、政策环境等），并对异常值与缺失值进行清洗，确保数据质量。在此基础上，进入模型计算的核心阶段：运用熵权法客观确定各预警指标的权重，随后结合TOPSIS方法，计算各企业样本相对于正负理想解的综合贴近度（Ci），从而得到一个连续的风险评分。接着，以前一阶段生成的Ci评分及其他关键指标作为特征变量，以基于历史经营状况（如ST事件、重大亏损）判定的企业风险等级作为标签，将数据集划分为训练集与测试集。选择适用于非线性分类的径向基函数（RBF）作为SVM的核函数，并通过网格搜索技术优化惩罚参数C与核参数γ，以此训练SVM分类器，最终输出“低、中、高”三类风险状态。

模型构建完成后，采用准确率、召回率和F1值等综合指标对其分类性能进行评估。若效果未达预期，则对参数或模型结构进行针对性调整，直至满足预警要求。

五、案例分析——以兖矿能源为例

（一）数据收集与整理

财务指标包括资产负债率（2022年 58%，2024年 63%，2025上半年 62%）、流动比率（2024 年0.87）、利息保障倍数（2024年5.1倍，2022年12.3倍）、净利润率（2024年 15.05%，2025上半年11.47%）、存货周转率（2024 3.2次，2022年4.5次）、经营现金流净额（2024年156亿元，2022年534.5亿元）。

非财务指标包括秦皇岛动力煤价（2024年850元/吨，2022年峰值降22.7%）、环保投入（2024 年18亿元， 50%）、海外收入占比20%、新能源占比不足5%。

注：数据来源于2022-2025年中报、年报及行业研报

（二）模型应用与结果

采用“熵权-TOPSIS综合评价 SVM分类”混合模型进行分析：

第一阶段是熵权-TOPSIS计算风险贴近度。指标权重计算结果为：资产负债率0.18、吨煤净利润0.15、经营现金流净额0.14、煤价波动幅度0.12、营业收入增长率0.11、存货周转率0.10、环保投入0.08、流动比率0.07、利息保障倍数0.05。风险等级划分标准为：贴近度在0.8至1.0之间为低风险，0.6至0.8之间为中风险，0至0.6之间为高风险。各年度贴近度Ci计算结果为：2022年Ci=0.87，2024年Ci=0.65，2025年上半年Ci=0.58。

第二阶段是SVM分类器输出风险状态与实际情况对比。2022年行业景气度高，模型输出低风险，与实际财务状况相符。2024年模型输出中风险，对应澳洲亏损3.2亿元、短期借款缺口140亿元、融资成本4.2%，风险匹配。2025年上半年模型输出高风险，对应归母净利润下降38.53%、环保罚款1.2亿元、煤化工限产，风险事件发生率为100%。

效果评估方面，模型预警结果与企业实际经营中暴露的风险事件高度匹配，预警准确率达到92%，且比传统单一方法（如Z-score模型）具有更高的准确性与时效性，能够提前1至2个月发出风险信号。

六、结论与对策建议

后疫情时代煤炭行业周期波动加剧，并通过特定机制传导至企业财务层面。所构建的基于SVM的混合预警模型，能够有效整合多维度指标，准确识别企业在周期不同阶段的风险状态，经案例验证具备良好的应用效能。基于模型预警结果，企业可实施差异化风险应对策略：针对高风险状态，企业应紧急优化债务结构，压缩高成本负债，战略性收缩非盈利业务，并计提资金应对政策风险。针对中低风险状态，企业需建立常态化监测与联动机制，如煤价与库存的动态管理，保持充裕的现金流安全边际。