我国上市公司信用风险管理模型的构建与实证研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇我国上市公司信用风险管理模型的构建与实证研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要:本文以我国A股上市公司为研究样本,在对各财务指标变量进行因子分析的基础上,建立了两个我国上市公司的信用风险判别分析模型。并进一步根据模型的预测概率值确定了上市公司财务状况的评价准则和区域,对所构建的模型的预测效果进行了检验,表明了两个模型的预测效果都比较理想,都可以用来对我国A股上市公司的信用风险状况或发生财务危机的概率进行计算和判别。

关键词:因子分析;线性概率模型;Logit模型;信用风险管理分析模型

中图分类号:F832.4 文献标识码:A

文章编号:1000-176X(2009)12-0082-05

一、文献综述

对企业信用风险的评估最早是从分析其财务状况开始的,因为信用危机往往是由财务危机引致,财务困境往往预示着企业具有企业状况较大的信用风险。所以及早发现和找出一些预警财务趋向恶化的特征财务指标,无疑可判断企业人的财务状况,从而确定其信用等级,为信贷和投资提供依据。基于这一动机,金融机构通常将信用风险的测度转化为对企业财务状况的衡量问题。率先运用线性判别分析方法对企业信用风险进行度量和评级研究的开拓者是美国学者Edward I.Altman。Altman以美国1946―1965年间破产的、资产规模相近的33家财务困境公司和33家非困境公司作为样本,采用了22个财务比率经过数理统计筛选,建立了著名的5变量的Z-Score模型,并在1977年经过改进开发了现在常用的7变量的ZETA判别模型[1-2]。Z评分模型一经推出便引起各界的广泛关注,由于模型具有较强的判别能力而很快成为一种度量企业风险的主流方法,许多金融机构采用它来预测信用风险,目前已经广泛应用于美国、意大利等国的商业银行,取得了巨大的经济效益,其已成为西方国家信用风险度量的重要模型之一。Mester认为世界上70%的银行运用该评分模型进行小笔商业贷款分析。在Altman(1968)的研究基础上,西班牙的Fernandez(1988)、意大利Altman,Marco,和Varetto(1994)、澳大利亚的Izan(1984)、希腊的Gloubos和Grammatikos(1988)、新加坡的Ta和Seah(1981)、加拿大Altman和Lavallee(1981)、日本的Ko(1982)、德国的Baetge,Huss和Niehaus(1988)等学者在线性判别分析、二次判别分析和线性回归分析的架构下运用不同数量与不同形式的财务比率对不同国家企业的信用风险进行了研究。然而,在实践中人们发现,无论是Z评分模型还是ZETA模型都存在着一些不足,限制了模型功效的发挥,其中最关键的就是两个模型都具有较为严格的假定条件。由于两个模型都属于多元线性判别模型,从多元统计分析的原理我们知道,保证线性判别模型有效的两个前提,一是总体服从多元正态分布,二是协方差矩阵相等,而这两点在现实经济中都很难满足。而线性概率模型和Logit模型则可以很好地解决评分模型存在较为严格的假定条件的问题。

Meryer和Pifer最早将线性概率模型运用于银行业财务困境预测,Grammatikos和Gloubos,Laitinen和Vranas也都曾做过相似的研究,将该模型运用于企业财务困境的预测。

为了改进线性概率模型的预测值落在区间(O,1)之外的缺陷,后续学者便假设事件发生的概率服从某种累积概率分布,使模型产生的预测值落在0与1之间。若假设事件发生的概率服从累积Logistic分布,则称为Logit模型。Logit模型采用一系列财务比率变量来预测公司破产或违约的概率;然后根据银行、投资者的风险偏好程度设定风险警界线,以此对分析对象进行信用风险度量和管理。20世纪80年代以来,logistic回归分析方法逐渐取代传统的判别分析方法。Logit模型最早由Martin在1977年用以预测公司的破产及违约概率。他将Logit模型与Z-Score模型、ZETA模型的预测能力进行了比较,结果发现Logit模型要优于Z-Score模型和ZETA模型。Ohlson(1980)首先将该模型应用于商业银行信用风险评估领域。Madalla(1983)采用该模型区别违约与非违约贷款申请人的信用状况,他认为当P>0.551时,该笔贷款为高风险贷款;当P

我国的学者也对线性概率模型和Logit模型在我国的应用做了大量的实证研究:王春峰、万海晖[3]采用对我国55个企业样本贷款违约风险的分析表明,Logit模型优于线性判别法。吴世农、卢贤义[4]运用线性判定分析、多元线性回归分析和Logistic回归分析三种方法分别建立了三种财务困境预测模型,结果显示在财务困境发生前4年的误判率在28%以内,具有较好的预测能力。郑茂用线性概率模型和logit模型,构建中国上市公司财务预警评判指标体系及相应的财务预警数学模型。实证结果显示:(1)我国上市公司的财务数据是有效的,并具有较强的预测能力。(2)线性概率模型和logit模型对上市公司的财务失败有很好的预测力,可直接作为商业银行等金融机构、投资者、基金经理们进行财务危机、信用风险定量分析的有效工具。于立勇、詹捷辉(2004)利用Logistic模型,应用商业银行贷款数据对企业违约概率进行研究,达到了较好的预测效果。李志辉、李萌[5]选取了195家上市公司作为样本,分别建立了线性判别模型、Logit模型以及神经网络模型,Logit模型的准确率最高。

本文将借鉴前人的研究思路,运用SPSS13.0统计软件,使用我国A股上市公司的财务数据(所有样本上市公司的财务数据均来源于沪深交易所网站和Wind资讯),将因子分析分别与多元线性回归和Logistic回归分析相结合,构建出适用于我国A股上市公司的信用风险管理模型――线性概率模型和Logit模型,并将两个模型的预测效果加以比较分析。

二、研究样本的选取与描述

国外研究者一般都是从借贷和公司债券市场入手,通常是选取破产企业与存续企业,违约贷款(债券)与非违约贷款(债券)作为样本来分析和发现那些预兆财务趋向恶化的特征指标从而建立预警模型,应用于信用风险评估。我国由于历史原因,借贷和公司债券市场起步晚,不够发达,借贷市场资料及破产企业财务信息的获得非常困难;更没有建立历史违约数据库,因此无法按照国外研究者的思路来进行研究。鉴于此,本文运用股票市场信息,从财务危机预警视角选择我国A股上市公司中的ST和非ST公司即正常公司作为研究样本。

我们从2008年全部109家ST类A股上市公司中筛选出75家公司作为ST类公司的样本(剔除了指标不全的和金融保险行业的公司由于金融、保险业这个行业的会计制度性质特殊与一般行业不同,财务数据不具有比较的基础,故文中剔除了金融和保险业的上市公司。);并按照同一会计年度、财务状况良好、同行业和接近行业平均规模的原则,按1∶1的配比方式筛选出75家公司作为正常类公司的样本。这150家上市公司涵盖了市场上全部22个行业中的17个行业领域,具有广泛的代表性。选择这150家样本企业在沪深证券交易所网站公开披露的2007年的年报作为数据来源。

三、研究变量的选取

通过综合考虑企业信用风险的各财务影响因素,借鉴我国财政部统计评价司的企业效绩评价指标体系和国有商业银行企业资信评估指标体系以及国内外有关文献的相关指标,在分类、汇总、整理的基础上,同时兼顾数据的可获取性原则和可量化原则,选取了4类共21个财务指标。

1. 选取的财务指标能够体现公司的偿债能力

一个公司的偿债能力与是否发生财务危机直接相关。因为不能偿还到期债务而发生财务危机的公司占到很大的比例。据此选取了与公司偿债能力和资本结构有关的6个财务变量:资产负债率X1,流动比率X2,速动比率X3,现金债务总额比X4,现金流量比率X5,已获利息倍数(利息保障倍数)X6。

2.选取的财务指标能够反映上市公司盈利能力

企业的盈利能力是企业赚取利润的能力。盈利是企业存在的根本目的,不论是投资人、债权人还是企业经理人员,都日益重视和关心企业的盈利能力。据此选出了与企业盈利能力有关的7个变量:净资产收益率X7,总资产报酬率X8,总资产净利率X9,销售净利率X10,销售毛利率X11,营业费用率X12,每股收益X13。

3.选取的财力指标能够反映上市公司的营运能力

营运能力反映上市公司在资产方面的管理效率,有较好营运能力的企业发展能力大多比较好。据此选取了与公司营运能力有关的5个财务变量:存货周转率X14,应收账款周转率X15,流动资产周转率X16,固定资产周转率X17,总资产周转率X18。

4.选取的财务指标能够反映公司的成长能力

公司的成长能力代表着一个企业发展能力,据此选出与成长能力有关的3个变量:营业利润增长率X19,总资产增长率X20和资本积累率X21。

四、配对样本的T检验与因子分析

1. 配对样本的T检验

为了明确会对企业发生财务困境产生显著影响的财务指标,我们将采用对ST类公司和与之匹配的正常公司两类样本的均值进行比较的方法,即应用T检验来进行判别。

从T检验的结果可以看出,在所有21个财务指标中,有14个财务指标的相伴概率值即显著性水平小于0.05,意味着这14个财务指标在这两组样本间存在显著性差异,可以进入模型,这14个财务指标分别为:X1、X2、X3、X4、X5、X8、X9、X11、X12、X13、X16、X17、X18和X20。

2.因子分析

通过对进入模型的自变量进行因子分析,可以降低对模型的多重共线性干扰,并可以对数据进行降维处理,浓缩数据,提取关键特征信息以提高分析效率。

我们首先对样本进行Bartlett Test of Sphericity和KMO(Kaiser-Meyer-Olkin)检验,以确定待分析变量是否适合进行因子分析。从结果中可以看出,样本KMO值大于0.5,可以做因子分析;并且Bartletts球形检验值较大,比较显著,相伴概率为0.000,小于显著性水平0.05,认为适合因子分析。综合以上两种检验结果,本文认为待分析的变量适合因子分析。

因子分子主要根据因子变量的方差贡献(特征值)来确定因子个数,特征值是衡量因子重要性程度的指标,我们取特征值大于1的因子作为初始因子。最终选取了4个因子,即因子F1、F2、F3和F4,累计方差贡献率为73.664%,即前4个因子解释了原有变量总方差的73.664%。在因子旋转后,累计方差并没有改变,没有影响原有变量的共同度。总体上,原有变量的信息丢失较少,因子分析效果较理想。

然后通过对因子载荷矩阵的值进行分析,得到因子变量与原变量之间的关系,从而对新的因子变量进行命名和解释。载荷矩阵中,因子变量可能在许多变量上都有较高的载荷,那么,因子变量的含义就比较模糊。通过使用正交旋转法(Varimax)对因子载荷矩阵进行旋转,使得每个因子上具有最高载荷的变量数目最小,从而简化对因子的解释。

通过旋转后的因子载荷矩阵可以看出,因子F1在变量X8、X9、X11和X13上有较大载荷,因此,因子F1主要由能够反映企业盈利能力的财务指标来解释,因子F1可以看作是代表企业盈利能力的因子。而企业的盈利能力越强,则企业发生财务危机的几率就越低,因此,企业的盈利能力与企业发生财务危机之间就应该呈负相关关系。就此提出如下假设:

假设1:因子F1与发生企业财务危机之间呈负相关关系,即符号为负。

因子F2在变量X1、X2和X3上有较大载荷,因此,因子F2主要由能够反映企业偿债能力的财务指标来解释,因子F2可以看作是代表企业偿债能力的因子。而企业的偿债能力越强,则企业发生财务危机的几率就越低,因此,企业的偿债能力与企业发生财务危机之间就应该呈负相关关系。就此提出如下假设:

假设2:因子F2与发生企业财务危机之间呈负相关关系,即符号为负。

因子F3在变量X16和X18上有较大载荷,因此,因子F3主要由能够反映企业营运能力的财务指标来解释,因子F3可以看作是代表企业营运能力的因子。而企业的营运能力越强,则企业发生财务危机的概率就越低,因此,企业的营运能力与企业发生财务危机之间就应该呈负相关关系。就此提出如下假设:

假设3:因子F3与发生企业财务危机之间呈负相关关系,即符号为负。

因子F4则可以看作是代表企业成长能力的因子。而企业的成长能力越强,则企业发生财务危机的几率就越低,因此,企业的成长能力与企业发生财务危机之间就应该呈负相关关系。就此提出如下假设:

假设4:因子F4与发生企业财务危机之间呈负相关关系,即符号为负。

最后根据因子得分系数矩阵的结果,我们可以写出以下因子得分函数:

F1=0.009X1-0.072X2-0.07X3+0.082X4+0.09X5+0.286X8+0.283X9+0.225X11-0.002X12+0.225X13-0.057X16+0.011X17-0.058X18+0.147X20

F2=-0.254X1+0.366X2+0.363X3+0.093X4+0.082X5-0.1X8-0.09X9+0.028X11-0.039X12+0.225X13-0.057X16+0.011X17-0.058X18+0.147X20

F3=-0.039X1-0.037X2-0.046X3+0.107X4+0.107X5-0.02X8-0.015X9-0.213X11-0.276X12+0.007X13+0.411X16+0.065X17+0.367X18-0.03X20

F4=-0.012X1+0.111X2+0.074X3-0.369X4-0.366X5-0.014X8+0.001X9+0.122X11-0.011X12+0.18X13-0.154X16+0.407X17+0.094X18+0.408X20 (1)

五、模型的建立与检验

1.线性概率模型的建立与检验

我们建立的模型是使用多元线性回归分析的方法,选用逐步选择法作为变量进入模型的方式,引入两分类随机变量Y作为因变量用以表示出现财务危机的预测概率值,Y取1表示ST公司,Y取0 表示正常公司。

通过方差分析可以看出,F分布的显著性概率均为0.000,表明F统计量检验假设“回归系数等于0”成立的概率为0.000,说明回归的效果极为显著。

由模型系数表可以看出,回归系数的显著性水平皆为0.000,表明用t统计量检验假设“回归系数等于0”成立的概率为0.000,同样说明了变量之间的线性相关关系极为显著,建立的回归方程是有效的,并且各系数的符号也与先前的假设完全一致(均为负号)。本文中各因子自变量进入模型的顺序以此为:F1、F3、F2和F4,构建出的线性概率模型如下:

Y=0.5-0.173F1-0.171F3-0.169F2-0.133F4(2)

将所有150家ST公司与正常公司样本的各项财务指标数据分别代入式(1)和该模型中,便可计算得到所有样本上市公司的Y预测概率值,根据两组企业的Y值分布情况,可得到以下判别准则,从而确定评价区域。如表1所示。

同时,本文把ST类上市公司被列入安全区域和正常类上市公司被列入预警区域均看作是判断错误。由此,可以得到如表2所示判别分类结果。

由表2可知:对于ST公司样本组来说,75家ST类上市公司中有66家判断正确,9家判断错误,正确率为88%;对于正常公司样本组来说,75家正常类上市公司中有61家判断正确,14家判断错误,正确率为81.33%;而对全部样本来说,150家上市公司中有127家判断正确,23家判断错误,正确率为84.67%,说明模型的预测效果比较理想。

2. Logit模型的建立与检验

我们建立的模型是使用多元Logistic回归分析的方法,也选用逐步选择法作为变量进入模型的方式,如果变量的相伴概率值小于0.05,变量进入模型;如果变量的相伴概率值大于0.1,则从模型中剔除该变量。引入两分类随机变量Z作为因变量,Z取1表示ST公司,Z取0 表示正常公司。

通过回归分析可知,模型卡方值的显著性水平均为0.000,说明解释变量一起对违约情况有显著性影响,模型整体检验十分显著。由最终模型的拟合优度检验可以看到,Cox&Snell R Square值和Nagelkerke R Square值较高,说明模型拟合较好。

由模型系数表可以看出,回归系数的显著性水平皆为0.000,说明回归系数是显著的,建立的回归方程是有效的,并且各系数的符号也与先前的假设完全一致(均为负号)。由于常数项的系数是不显著的(显著性水平为0.807),因此它将不会出现在模型中。本文中各因子自变量进入模型的顺序依次为:F1、F2、F3和F4,构建出的Logit模型如下:

P=11+e-z P∈(0,1)(3)

其中,Z=-1.973F1-1.573F2-2.060F3-1.007F4。

本文的Logistic回归模型选择0.5为分割点,即如果通过模型计算出的概率值P大于0.5,则将该公司归入ST公司;反之,则将该公司视为正常公司(文中的非ST公司)。在模型预测结果中, 75家ST公司中有64家公司的P值大于0.5,从而被判定成ST公司,有11家公司的P值小于0.5,从而被判定成非ST公司;75家正常公司中有62家公司的P值小于0.5,从而被判定成非ST公司,有13家公司的P值大于0.5,从而被判定成ST公司。

从模型预测结果来看,对于ST公司样本组来说,75家ST类上市公司中有64家判断正确,11家判断错误,正确率为85.3%,错误率为14.7%;对于正常公司样本组来说,75家正常类上市公司中有62家判断正确,13家判断错误,正确率为82.7%,错误率为17.3%;而对全部样本来说,150家上市公司中有126家判断正确,24家判断错误,正确率为84%,错误率为16%,说明模型的预测效果比较理想。

六、研究结论与后续研究展望

我国A股上市公司的财务指标是包含着能够预测企业信用风险或财务危机的信息的,可以运用它们来建立我国上市公司的信用风险管理模型。

本文建立的两个模型的预测效果都是比较理想的,都可以用来对我国A股上市公司的信用风险状况或发生财务危机的概率进行计算和判别。

虽然线性概率模型和Logit模型应用于上市公司信用风险判别是有效的,但由于模型本身的局限,它不可能将一切影响企业信用风险的因素都纳入模型并予以量化,比如除了财务因素之外的其他非财务因素的影响也十分重要,如公司规模、管理质量、行业分析、财务报表的可信性、技术水平、发展前景、或有负债因素、贷款担保因素以及宏观经济变量等其他指标。在今后的研究中,应尽量将一些定性指标科学地赋值并纳入模型,以期全面考量企业的信用风险状况。

本文对两个企业信用风险管理模型的研究以及目前的同类研究都是针对上市公司的,然而从总体上看,上市公司毕竟是少数的,而商业银行面临的是广大的非上市公司、中小企业,所以度量这些企业的信用风险,也是今后的重点研究方向。

由于数据收集的限制,只能选取样本上市公司一年的财务数据进行研究,如果条件允许,可以使用多年的数据来进行建模,这样可能有助于提升模型的长期预测能力。在ST企业与正常企业进行配比时,也可尝试使用1∶2、1∶3等不同的配比比例来建模,并比较其预测效果。

参考文献:

[1] Altman E. I.Financial Rations,Discriminant Analysis and the Prediction of Corporate Bankruptcy[J].Journal of Finance,1968,(9).

[2] E.I.Altman,R. G. Haldeman,P. Narayanan.Zeta Analysis: A New Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking and Financial,1977,(7).

[3] 王春峰,万海晖.商业银行信用风险评估及其实证研究[J].管理科学学报,1998,(1).

[4] 吴世农,卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究,2001,(6).

[5] 李志辉,李萌.我国商业银行信用风险识别模型及其实证研究[J].经济科学,2005,(5).

[6] 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).

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

[8] 张玲.财务危机预警分析判别模型[J].数量经济技术经济研究,2000,(3).

[9] 陈冶,陈治鸿.企业财务困境研究的理论、方法及应用[J].投资研究,2000,(2).