日本光伏相关企业倒闭数量上升 帝国征信调查

2006年1月~2016年5月期间倒闭的企业中,有151家属此类企业。

2013年为17件,2014年为21件,2015年增至36件。2016年1~5月为17件,超过上年同期的13件,按年率换算相当于全年有40件,为上升趋势。

负债总额方面,2013年为47.48亿日元,2014年为44.82亿日元,2015年为91.27亿日元。

帝国征信分析称,因固定收购价格制度(FIT)的光伏发电电力收购价格降低,光伏发电相关企业的业务环境恶化,倒闭企业呈增加趋势。最近,有对部分企业出现信用危机等议论,情况已不同于市场快速扩大时。

2006年1月~2016年5月期间倒闭的151家企业中,从倒闭形态来看,破产的为143件,占整体的94.7%,适用《民事再生法》的为7家,实施特别清算的为1家。

从负债规模来看,“1000万~5000万日元”以下的为54家,占整体的35.8%;其次是“1亿~5亿日元以下”为53家(构成比:35.1%);“5000万~1亿日元以下”为23家(构成比:15.2%)。负债低于1亿日元的小规模倒闭占整体的51.0%。

负债为50亿日元以上的大规模倒闭已经很久没有发生过,但进入2016年后,日本Logitec协同组合(东京都,2016年4月决定申请破产)负债约162.8244亿日元倒闭。

负债总额方面,继日本Logitec协同组合之后,从事二手公寓收购和转售的Cs(东京都)负债114.42亿日元,制造FPD(平板显示器)和太阳能电池板制造装置的Evertec(京都府)负债48亿日元,从事电气工程和面向学校的光伏发电系统工程业务的产电工业(宫城县)负债39.8亿日元,从事光伏发电系统批发的日本能源集团(冈山县)负债18.08亿日元,从事电气设备工程和光伏发电系统销售及施工的秀和工程(埼玉县)负债17.8亿日元,从事光伏发电系统销售的Liberte(东京都)负债17.3亿日元,从事不动产租赁及光伏发电系统销售和施工的COA(奈良县)负债16.69亿日元,从事全电化等家用电器销售的河村电气(静冈县)负债16.3亿日元,从事光伏发电系统销售和施工的Global Energy Japan(福冈县)负债13.51亿日元。

以光伏为主业的企业倒闭有业历较短的倾向

从资本金来看,5000万日元以下占整体的90.8%。“1000万~5000万日元以下”为80家,占整体的53.0%。其次,“100万~1000万日元以下”为51家(构成比:33.8%),小资本企业居多。

从不同地区来看,关东为59家,占整体的39.1%。其次为九州30家(构成比:19.9%),中部25家(构成比:16.6%),东北和近畿各14家(构成比:9.3%)。关东地区东京都占21家,九州地区福冈县占13家,中部地区爱知县占12家,东北地区宫城县占12家,近畿地区大阪府占10家。

从创建到倒闭的业历方面,10年以上30年以下最多,为48家,占整体的31.8%。其次是5年以下为41家(构成比:27.2%),5年以上10年以下为39家(构成比:25.8%),业历不满10年的占整体的53.0%。

以光伏发电相关业务为主业或副业的151家倒闭企业中,单看以之为主业的89家企业,5年以下最多,为32家,构成比为36.0%。其次是5年以上10年以下为29家(构成比:32.6%),业历不到10年的企业占整体的68.6%,与整体相比,业历浅的企业偏多。

从判明倒闭时的法人代表年龄的109家企业来看,平均年龄为52.9岁。40岁以上50岁以下的人数最多,为35人,占整体的32.1%,60岁以上为32人(构成比:29.4%),“50岁以上60岁以下”为30人(构成比:27.5%),40岁以上占整体的89.0%。

同样,以光伏发电相关业务为主业的89家企业中,判明了倒闭时的法人代表年龄的61家企业,其法人代表的平均年龄为51.1岁。“50岁以上60岁以下”为22人(构成比:36.1%),“40岁以上50岁以下”为16人(构成比:26.2%)。40岁以下占整体的16.4%,法人代表的年龄有比整体年轻的倾向。
本文转自d1net(转载)

时间: 2024-10-04 10:24:32

日本光伏相关企业倒闭数量上升 帝国征信调查的相关文章

绿能宝:用大数据征信解决光伏融资难尚且待考

一种利用大数据征信解决分布式光伏融资难的全新方式开始在业内流行.不过,SPI绿能宝对此却持观望态度. 长期以来,面对潜力巨大的绿色能源市场,"融资难.融资贵"一直是困扰分布式光伏发展的沉疴.因为,光伏发电产业最大一笔资金需要在建设初期投入进去,收益却需要用十年乃至二十年来获得.过重的前期资金压力显然绊住了光伏企业的发展脚步,前期资金难题普遍出现在整个绿色能源产业的各个环节中. 深入研究,不难发现,若想解决分布式光伏融资难,还需先解决其征信难.具体来说,征信难体现为两大方面:一方面是分布

2017年日本光伏市场展望

自2012年日本祭出"再生能源特别措施法案"高价收购太阳能发电以来,日本光伏市场发展迅猛.不过随着日本逐年调降太阳能收购价格,市场衰退趋势明显.2016年受内需萎缩影响,日本光伏市场已连续7季衰退,相关企业相继败退.破产件数更创历史新高. 2017年,日本市场中大型太阳能电站规模将稳步增长,而住宅和中等规模(小于500千瓦)市场将继续下滑.产品方面,组件出货量将达9GW左右,1500V系统逆变器有望得到发展. 面板出货量:9GW左右 实际上,截至2015年,太阳能市场规模实际值已经确定

日本光伏电池组件销量锐减 企业谋求转变发展策略

日本光伏电池组件产业销量锐减,各大企业正转换思路求发展. 京瓷2016年度光伏电池组件的生产计划下调至120万千瓦.松下也因日本住宅市场的缩小减少相关产品的销售.市场环境未见好转,京瓷将目光转向泰国市场,松下也和美国特斯拉寻求合作.此外,Looop开始推出发出的电力通过30年收购的服务,开拓新业务. 在美国住宅市场,京瓷也正为光伏电池组件的销售感到苦恼.120万千瓦的销量和上年度相差无几,维持国内首位的宝座.另一方面,该公司正加强和泰国发电运营商的合作,在当地的销售额比上一年增长三倍. 松下社长

个人征信撑起互联帝国变现体系

5日央行发文对阿里巴巴蚂蚁金服旗下的芝麻信用.腾讯旗下的腾讯征信等八家机构开放个人征信业务.个人信用提上日程,并接受互联网生态环境的大考,互联网巨头以此作为信用市场的敲门砖,彰显对用户的规范权威.借不借给一个人钱,看你对这个人的信任度,互联网银行要开张,则首先要对互联网人征信. 资金的需求空缺产生了借贷行为,信用问题则首当其冲,以信用为借贷的临界点是互联网信用人不可逾越的"三八线",透明可见而且以金钱兑现.权衡你的信誉.提升素养直至对你的价值所能辐射之处产生影响. 信用即财富,个人信用

韩国新韩银行将参与日本光伏发电业务

韩国新韩银行发布消息称,将出资1400亿韩元推广在日本的33兆瓦级光伏发电业务.11月25日,签署项目融资协议. 该银行作为金融主管,实施金融咨询等业务.此外,还参加优先融资和基金投资.据悉,也将使用新韩BNP日本太阳能基金. 通过此次签约,新韩金融集团参与的日本光伏发电业务的总费用达5200亿日元,发电规模达152兆瓦. 本文转自d1net(转载)

日本光伏发电收购制推行遇挫 制度亟待透明化

日本正在实行的光伏发电电力收购制度在推行的过程中遇到一些问题.大型电力公司收购滞后,有些运营商依赖电力OB为中介,其它运营商也日渐变得焦躁起来.业内有专家指出,手续交由大型电力公司酌情处理,没有信息公开的机构等是该项制度难以推行的原因. 日本福冈县大川市光伏发电运营商设置的光伏面板 这一制度就是电力使用者负担形成的可再生能源固定价格收购制(FIT). 九州电力公司报导称,去年,九州北部有地区的8个光伏发电运营商向九州电力公司提出参与申请.去年夏天,该公司依次预约,但因为必须要开展增强输电网工程,

大数据时代助力个人征信服务的发展

大家好,我来自于联动优势科技有限公司数据业务部的赵晓庆,感谢联盟能够提供这样的一个平台,每天大家的分享也让我受益匪浅.今天,我想粗浅地谈谈在大数据的发展对与个人征信业务发展的推动作用. 简短地介绍一下联动优势科技有限公司,联动优势由中国移动与中国银联于2003年8月联合发起成立,致力于为企业和消费者提供创新.绿色.安全.高效的金融及电子商务产品和服务,是目前国内领先的跨综合支付服务.智能金融信息服务.移动化的本地多应用服务三大领域的移动金融及移动电子商务产业链服务提供商.公司秉持诚信.专业.激情

美国征信巨头Equifax遭黑客入侵,1.43亿公民身份数据泄漏

本文讲的是美国征信巨头Equifax遭黑客入侵,1.43亿公民身份数据泄漏, Equifax公司泄漏1.43亿个人数据 近日,美国3大老牌征信企业之一的Equifax公司披露称,公司网站遭遇黑客攻击,1.43亿美国公民的个人信息泄露,危及用户的社会保障号码.出生日期.住址以及部分驾驶执照号码等. Equifax公司在一份新闻稿中表示,公司于7月29日发现了"未经授权的访问行为",之后迅速雇佣一家网络取证公司展开调查.Equifax表示,目前,调查仍在进行中,但此次数据泄漏事件可能已经危

大数据征信如何为一个人建立数据肖像?| 硬创公开课

"凡走过必留下痕迹",大数据时代,你的一举一动都在为你建立一个电子档案,从你有多少张信用卡.每个月消费多少.还款记录如何到你喜欢浏览什么网站.手机是什么型号甚至IP地址对应的位置,有一万多个词条可以刻画你的肖像,银行在不需要跟你打交道的情况下可以靠这种数据肖像决定要不要给你放款.放多少合适.这就是大数据征信. 每个人每天会产生无数的信息,征信机构如何从这里面抽丝剥茧找到有效的数据,又如何给每个数据设置合理的权重去建立模型?机器出现故障之后又如何修正?我们请到了在征信上有多年经验的嘉宾.