我國上市公司信用風險管理模型的構建與實證研究
2009-04-29 00:00:00劉鑫李竹薇
財經問題研究 2009年12期
摘 要:本文以我國A股上市公司為研究樣本，在對各財務指標變量進行因子分析的基礎上，建立了兩個我國上市公司的信用風險判別分析模型。并進一步根據模型的預測概率值確定了上市公司財務狀況的評價準則和區域，對所構建的模型的預測效果進行了檢驗，表明了兩個模型的預測效果都比較理想，都可以用來對我國A股上市公司的信用風險狀況或發生財務危機的概率進行計算和判別。
關鍵詞:因子分析;線性概率模型;Logit模型;信用風險管理分析模型
中圖分類號:F832.4 文獻標識碼:A
文章編號:1000-176X(2009)12-0082-05
一、文獻綜述
對企業信用風險的評估最早是從分析其財務狀況開始的，因為信用危機往往是由財務危機引致，財務困境往往預示著企業具有企業狀況較大的信用風險。所以及早發現和找出一些預警財務趨向惡化的特征財務指標，無疑可判斷企業人的財務狀況，從而確定其信用等級，為信貸和投資提供依據?；谶@一動機，金融機構通常將信用風險的測度轉化為對企業財務狀況的衡量問題。率先運用線性判別分析方法對企業信用風險進行度量和評級研究的開拓者是美國學者Edward I.Altman。Altman以美國1946—1965年間破產的、資產規模相近的33家財務困境公司和33家非困境公司作為樣本，采用了22個財務比率經過數理統計篩選，建立了著名的5變量的Z-Score模型，并在1977年經過改進開發了現在常用的7變量的ZETA判別模型[1-2]。Z評分模型一經推出便引起各界的廣泛關注，由于模型具有較強的判別能力而很快成為一種度量企業風險的主流方法，許多金融機構采用它來預測信用風險，目前已經廣泛應用于美國、意大利等國的商業銀行，取得了巨大的經濟效益，其已成為西方國家信用風險度量的重要模型之一。Mester認為世界上70%的銀行運用該評分模型進行小筆商業貸款分析。在Altman(1968)的研究基礎上，西班牙的Fernandez(1988)、意大利Altman，Marco，和Varetto(1994)、澳大利亞的Izan(1984)、希臘的Gloubos和Grammatikos(1988)、新加坡的Ta和Seah(1981)、加拿大Altman和Lavallee(1981)、日本的Ko(1982)、德國的Baetge，Huss和Niehaus(1988)等學者在線性判別分析、二次判別分析和線性回歸分析的架構下運用不同數量與不同形式的財務比率對不同國家企業的信用風險進行了研究。然而，在實踐中人們發現，無論是Z評分模型還是ZETA模型都存在著一些不足，限制了模型功效的發揮，其中最關鍵的就是兩個模型都具有較為嚴格的假定條件。由于兩個模型都屬于多元線性判別模型，從多元統計分析的原理我們知道，保證線性判別模型有效的兩個前提，一是總體服從多元正態分布，二是協方差矩陣相等，而這兩點在現實經濟中都很難滿足。而線性概率模型和Logit模型則可以很好地解決評分模型存在較為嚴格的假定條件的問題。
Meryer和Pifer最早將線性概率模型運用于銀行業財務困境預測，Grammatikos和Gloubos，Laitinen和Vranas也都曾做過相似的研究，將該模型運用于企業財務困境的預測。
為了改進線性概率模型的預測值落在區間(O，1)之外的缺陷，后續學者便假設事件發生的概率服從某種累積概率分布，使模型產生的預測值落在0與1之間。若假設事件發生的概率服從累積Logistic分布，則稱為Logit模型。Logit模型采用一系列財務比率變量來預測公司破產或違約的概率;然后根據銀行、投資者的風險偏好程度設定風險警界線，以此對分析對象進行信用風險度量和管理。20世紀80年代以來，logistic回歸分析方法逐漸取代傳統的判別分析方法。Logit模型最早由Martin在1977年用以預測公司的破產及違約概率。他將Logit模型與Z-Score模型、ZETA模型的預測能力進行了比較，結果發現Logit模型要優于Z-Score模型和ZETA模型。Ohlson(1980)首先將該模型應用于商業銀行信用風險評估領域。Madalla(1983)采用該模型區別違約與非違約貸款申請人的信用狀況，他認為當P>0.551時，該筆貸款為高風險貸款;當P<0.551時，該筆貸款為低風險貸款。Campbell和Dietrich(1983)用logit模型對抵押貸款進行研究，結果發現在解釋抵押貸款的還款、違約與過失方面，抵押品年齡、抵押品與貸款價值比、利率與失業率變量具有較強的解釋力。Gardner and Mills(1989)用logit模型估計了當前過失貸款的違約概率，發現過失借款者并非一定以違約告終，并建議銀行運用此方法確定貸款問題的嚴重性，建立起相應的應對機制。Lawrence和Arshadi(1995)用logit模型分析了問題貸款的管理。Laitinen(2000)運用泰勒級數展開在logistic回歸分析預測企業違約破產分析中的應用，發現現金比率、股東權益比率和現金流量比率是判定違約風險高低的重要指標。Charitou，Neophytou和Charalambous(2004)實證研究發現logit模型與其他預測違約風險的方法相比具有較強的預測能力。
我國的學者也對線性概率模型和Logit模型在我國的應用做了大量的實證研究:王春峰、萬海暉[3]采用對我國55個企業樣本貸款違約風險的分析表明，Logit模型優于線性判別法。吳世農、盧賢義[4]運用線性判定分析、多元線性回歸分析和Logistic回歸分析三種方法分別建立了三種財務困境預測模型，結果顯示在財務困境發生前4年的誤判率在28%以內，具有較好的預測能力。鄭茂用線性概率模型和logit模型，構建中國上市公司財務預警評判指標體系及相應的財務預警數學模型。實證結果顯示:(1)我國上市公司的財務數據是有效的，并具有較強的預測能力。(2)線性概率模型和logit模型對上市公司的財務失敗有很好的預測力，可直接作為商業銀行等金融機構、投資者、基金經理們進行財務危機、信用風險定量分析的有效工具。于立勇、詹捷輝(2004)利用Logistic模型，應用商業銀行貸款數據對企業違約概率進行研究，達到了較好的預測效果。李志輝、李萌[5]選取了195家上市公司作為樣本，分別建立了線性判別模型、Logit模型以及神經網絡模型，Logit模型的準確率最高。
本文將借鑒前人的研究思路，運用SPSS13.0統計軟件，使用我國A股上市公司的財務數據(所有樣本上市公司的財務數據均來源于滬深交易所網站和Wind資訊)，將因子分析分別與多元線性回歸和Logistic回歸分析相結合，構建出適用于我國A股上市公司的信用風險管理模型——線性概率模型和Logit模型，并將兩個模型的預測效果加以比較分析。
二、研究樣本的選取與描述
國外研究者一般都是從借貸和公司債券市場入手，通常是選取破產企業與存續企業，違約貸款(債券)與非違約貸款(債券)作為樣本來分析和發現那些預兆財務趨向惡化的特征指標從而建立預警模型，應用于信用風險評估。我國由于歷史原因，借貸和公司債券市場起步晚，不夠發達，借貸市場資料及破產企業財務信息的獲得非常困難;更沒有建立歷史違約數據庫，因此無法按照國外研究者的思路來進行研究。鑒于此，本文運用股票市場信息，從財務危機預警視角選擇我國A股上市公司中的ST和非ST公司即正常公司作為研究樣本。
我們從2008年全部109家ST類A股上市公司中篩選出75家公司作為ST類公司的樣本(剔除了指標不全的和金融保險行業的公司由于金融、保險業這個行業的會計制度性質特殊與一般行業不同，財務數據不具有比較的基礎，故文中剔除了金融和保險業的上市公司。);并按照同一會計年度、財務狀況良好、同行業和接近行業平均規模的原則，按1∶1的配比方式篩選出75家公司作為正常類公司的樣本。這150家上市公司涵蓋了市場上全部22個行業中的17個行業領域，具有廣泛的代表性。選擇這150家樣本企業在滬深證券交易所網站公開披露的2007年的年報作為數據來源。
三、研究變量的選取
通過綜合考慮企業信用風險的各財務影響因素，借鑒我國財政部統計評價司的企業效績評價指標體系和國有商業銀行企業資信評估指標體系以及國內外有關文獻的相關指標，在分類、匯總、整理的基礎上，同時兼顧數據的可獲取性原則和可量化原則，選取了4類共21個財務指標。
1. 選取的財務指標能夠體現公司的償債能力
一個公司的償債能力與是否發生財務危機直接相關。因為不能償還到期債務而發生財務危機的公司占到很大的比例。據此選取了與公司償債能力和資本結構有關的6個財務變量:資產負債率X1，流動比率X2，速動比率X3，現金債務總額比X4，現金流量比率X5，已獲利息倍數(利息保障倍數)X6。
2.選取的財務指標能夠反映上市公司盈利能力
企業的盈利能力是企業賺取利潤的能力。盈利是企業存在的根本目的，不論是投資人、債權人還是企業經理人員，都日益重視和關心企業的盈利能力。據此選出了與企業盈利能力有關的7個變量:凈資產收益率X7，總資產報酬率X8，總資產凈利率X9，銷售凈利率X10，銷售毛利率X11，營業費用率X12，每股收益X13。
3.選取的財力指標能夠反映上市公司的營運能力
營運能力反映上市公司在資產方面的管理效率，有較好營運能力的企業發展能力大多比較好。據此選取了與公司營運能力有關的5個財務變量:存貨周轉率X14，應收賬款周轉率X15，流動資產周轉率X16，固定資產周轉率X17，總資產周轉率X18。
4.選取的財務指標能夠反映公司的成長能力
公司的成長能力代表著一個企業發展能力，據此選出與成長能力有關的3個變量:營業利潤增長率X19，總資產增長率X20和資本積累率X21。
四、配對樣本的T檢驗與因子分析
1. 配對樣本的T檢驗
為了明確會對企業發生財務困境產生顯著影響的財務指標，我們將采用對ST類公司和與之匹配的正常公司兩類樣本的均值進行比較的方法，即應用T檢驗來進行判別。
從T檢驗的結果可以看出，在所有21個財務指標中，有14個財務指標的相伴概率值即顯著性水平小于0.05，意味著這14個財務指標在這兩組樣本間存在顯著性差異，可以進入模型，這14個財務指標分別為:X1、X2、X3、X4、X5、X8、X9、X11、X12、X13、X16、X17、X18和X20。
2.因子分析
通過對進入模型的自變量進行因子分析，可以降低對模型的多重共線性干擾，并可以對數據進行降維處理，濃縮數據，提取關鍵特征信息以提高分析效率。
我們首先對樣本進行Bartlett Test of Sphericity和KMO(Kaiser-Meyer-Olkin)檢驗，以確定待分析變量是否適合進行因子分析。從結果中可以看出，樣本KMO值大于0.5，可以做因子分析;并且Bartletts球形檢驗值較大，比較顯著，相伴概率為0.000，小于顯著性水平0.05，認為適合因子分析。綜合以上兩種檢驗結果，本文認為待分析的變量適合因子分析。
因子分子主要根據因子變量的方差貢獻(特征值)來確定因子個數，特征值是衡量因子重要性程度的指標，我們取特征值大于1的因子作為初始因子。最終選取了4個因子，即因子F1、F2、F3和F4，累計方差貢獻率為73.664%，即前4個因子解釋了原有變量總方差的73.664%。在因子旋轉后，累計方差并沒有改變，沒有影響原有變量的共同度?？傮w上，原有變量的信息丟失較少，因子分析效果較理想。
然后通過對因子載荷矩陣的值進行分析，得到因子變量與原變量之間的關系，從而對新的因子變量進行命名和解釋。載荷矩陣中，因子變量可能在許多變量上都有較高的載荷，那么，因子變量的含義就比較模糊。通過使用正交旋轉法(Varimax)對因子載荷矩陣進行旋轉，使得每個因子上具有最高載荷的變量數目最小，從而簡化對因子的解釋。
通過旋轉后的因子載荷矩陣可以看出，因子F1在變量X8、X9、X11和X13上有較大載荷，因此，因子F1主要由能夠反映企業盈利能力的財務指標來解釋，因子F1可以看作是代表企業盈利能力的因子。而企業的盈利能力越強，則企業發生財務危機的幾率就越低，因此，企業的盈利能力與企業發生財務危機之間就應該呈負相關關系。就此提出如下假設:
假設1:因子F1與發生企業財務危機之間呈負相關關系，即符號為負。
因子F2在變量X1、X2和X3上有較大載荷，因此，因子F2主要由能夠反映企業償債能力的財務指標來解釋，因子F2可以看作是代表企業償債能力的因子。而企業的償債能力越強，則企業發生財務危機的幾率就越低，因此，企業的償債能力與企業發生財務危機之間就應該呈負相關關系。就此提出如下假設:
假設2:因子F2與發生企業財務危機之間呈負相關關系，即符號為負。
因子F3在變量X16和X18上有較大載荷，因此，因子F3主要由能夠反映企業營運能力的財務指標來解釋，因子F3可以看作是代表企業營運能力的因子。而企業的營運能力越強，則企業發生財務危機的概率就越低，因此，企業的營運能力與企業發生財務危機之間就應該呈負相關關系。就此提出如下假設:
假設3:因子F3與發生企業財務危機之間呈負相關關系，即符號為負。
因子F4則可以看作是代表企業成長能力的因子。而企業的成長能力越強，則企業發生財務危機的幾率就越低，因此，企業的成長能力與企業發生財務危機之間就應該呈負相關關系。就此提出如下假設:
假設4:因子F4與發生企業財務危機之間呈負相關關系，即符號為負。
最后根據因子得分系數矩陣的結果，我們可以寫出以下因子得分函數:
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、模型的建立與檢驗
1.線性概率模型的建立與檢驗
我們建立的模型是使用多元線性回歸分析的方法，選用逐步選擇法作為變量進入模型的方式，引入兩分類隨機變量Y作為因變量用以表示出現財務危機的預測概率值，Y取1表示ST公司，Y取0 表示正常公司。
通過方差分析可以看出，F分布的顯著性概率均為0.000，表明F統計量檢驗假設“回歸系數等于0”成立的概率為0.000，說明回歸的效果極為顯著。
由模型系數表可以看出，回歸系數的顯著性水平皆為0.000，表明用t統計量檢驗假設“回歸系數等于0”成立的概率為0.000，同樣說明了變量之間的線性相關關系極為顯著，建立的回歸方程是有效的，并且各系數的符號也與先前的假設完全一致(均為負號)。本文中各因子自變量進入模型的順序以此為:F1、F3、F2和F4，構建出的線性概率模型如下:
Y=0.5-0.173F1-0.171F3-0.169F2-0.133F4(2)
將所有150家ST公司與正常公司樣本的各項財務指標數據分別代入式(1)和該模型中，便可計算得到所有樣本上市公司的Y預測概率值，根據兩組企業的Y值分布情況，可得到以下判別準則，從而確定評價區域。如表1所示。
同時，本文把ST類上市公司被列入安全區域和正常類上市公司被列入預警區域均看作是判斷錯誤。由此，可以得到如表2所示判別分類結果。
由表2可知:對于ST公司樣本組來說，75家ST類上市公司中有66家判斷正確，9家判斷錯誤，正確率為88%;對于正常公司樣本組來說，75家正常類上市公司中有61家判斷正確，14家判斷錯誤，正確率為81.33%;而對全部樣本來說，150家上市公司中有127家判斷正確，23家判斷錯誤，正確率為84.67%，說明模型的預測效果比較理想。
2. Logit模型的建立與檢驗
我們建立的模型是使用多元Logistic回歸分析的方法，也選用逐步選擇法作為變量進入模型的方式，如果變量的相伴概率值小于0.05，變量進入模型;如果變量的相伴概率值大于0.1，則從模型中剔除該變量。引入兩分類隨機變量Z作為因變量，Z取1表示ST公司，Z取0 表示正常公司。
通過回歸分析可知，模型卡方值的顯著性水平均為0.000，說明解釋變量一起對違約情況有顯著性影響，模型整體檢驗十分顯著。由最終模型的擬合優度檢驗可以看到，CoxSnell R Square值和Nagelkerke R Square值較高，說明模型擬合較好。
由模型系數表可以看出，回歸系數的顯著性水平皆為0.000，說明回歸系數是顯著的，建立的回歸方程是有效的，并且各系數的符號也與先前的假設完全一致(均為負號)。由于常數項的系數是不顯著的(顯著性水平為0.807)，因此它將不會出現在模型中。本文中各因子自變量進入模型的順序依次為:F1、F2、F3和F4，構建出的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回歸模型選擇0.5為分割點，即如果通過模型計算出的概率值P大于0.5，則將該公司歸入ST公司;反之，則將該公司視為正常公司(文中的非ST公司)。在模型預測結果中， 75家ST公司中有64家公司的P值大于0.5，從而被判定成ST公司，有11家公司的P值小于0.5，從而被判定成非ST公司;75家正常公司中有62家公司的P值小于0.5，從而被判定成非ST公司，有13家公司的P值大于0.5，從而被判定成ST公司。
從模型預測結果來看，對于ST公司樣本組來說，75家ST類上市公司中有64家判斷正確，11家判斷錯誤，正確率為85.3%，錯誤率為14.7%;對于正常公司樣本組來說，75家正常類上市公司中有62家判斷正確，13家判斷錯誤，正確率為82.7%，錯誤率為17.3%;而對全部樣本來說，150家上市公司中有126家判斷正確，24家判斷錯誤，正確率為84%，錯誤率為16%，說明模型的預測效果比較理想。
六、研究結論與后續研究展望
我國A股上市公司的財務指標是包含著能夠預測企業信用風險或財務危機的信息的，可以運用它們來建立我國上市公司的信用風險管理模型。
本文建立的兩個模型的預測效果都是比較理想的，都可以用來對我國A股上市公司的信用風險狀況或發生財務危機的概率進行計算和判別。
雖然線性概率模型和Logit模型應用于上市公司信用風險判別是有效的，但由于模型本身的局限，它不可能將一切影響企業信用風險的因素都納入模型并予以量化，比如除了財務因素之外的其他非財務因素的影響也十分重要，如公司規模、管理質量、行業分析、財務報表的可信性、技術水平、發展前景、或有負債因素、貸款擔保因素以及宏觀經濟變量等其他指標。在今后的研究中，應盡量將一些定性指標科學地賦值并納入模型，以期全面考量企業的信用風險狀況。
本文對兩個企業信用風險管理模型的研究以及目前的同類研究都是針對上市公司的，然而從總體上看，上市公司畢竟是少數的，而商業銀行面臨的是廣大的非上市公司、中小企業，所以度量這些企業的信用風險，也是今后的重點研究方向。
由于數據收集的限制，只能選取樣本上市公司一年的財務數據進行研究，如果條件允許，可以使用多年的數據來進行建模，這樣可能有助于提升模型的長期預測能力。在ST企業與正常企業進行配比時，也可嘗試使用1∶2、1∶3等不同的配比比例來建模，并比較其預測效果。
參考文獻:
[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，萬海暉.商業銀行信用風險評估及其實證研究[J].管理科學學報，1998，(1).
[4] 吳世農，盧賢義.我國上市公司財務困境的預測模型研究[J].經濟研究，2001，(6).
[5] 李志輝，李萌.我國商業銀行信用風險識別模型及其實證研究[J].經濟科學，2005，(5).
[6] 周首華，楊濟華，王平.論財務危機的預警分析——F分數模式[J].會計研究，1996，(8).
[7] 陳靜.上市公司財務惡化預測的實證分析[J].會計研究，1999，(4).
[8] 張玲.財務危機預警分析判別模型[J].數量經濟技術經濟研究，2000，(3).
[9] 陳冶，陳治鴻.企業財務困境研究的理論、方法及應用[J].投資研究，2000，(2).
(責任編輯:孟 耀)
