我國企業財務信用評價研究綜述

[摘 要]本文回顧和整理了我國財務信用評價研究所取得的主要成果，旨在為相關研究提供借鑒。主要從信用評價指標體系研究、信用評價的分析方法和信用評價模型的有效性研究三個方面進行綜述。

[關鍵詞]信用評價 指標 模型

信用風險一直以來都是各個經濟主體面臨的重要金融風險，信用風險評價的研究在國際上得到了高度的重視和迅速的發展。次貸危機的爆發，使得信用評價研究的重要性更加不言而喻。我國的信用風險度量方法雖然起步較晚，但隨著我國市場經濟和金融市場地發展不斷演進，越來越多的學者加入到信用評價的研究中來。

綜觀我國的信用評價研究，焦點主要集中在信用評價指標體系的建立、信用評價的分析方法和信用評價模型中的有效性研究三個方面。

一、信用評價指標體系的研究

在指標的選取上，許劍生(1997)認為現行企業信用等級評定指標體系存在著以企業資產負債表和損益表數據為主，忽略了對企業現金流量的分析和部分指標設置不科學兩大缺陷。

夏紅芳、趙麗萍(1998)則指出現行指標體系存在著與新財務管理準則的核算口徑不統一、定性分析指標太多、單項指標設置內涵過寬三個方面做得不足。認為當前的指標系統未能全面反映企業經營情況。

周佰成等(2003)認為一個指標體系應能準確地反映評估對象的特點與實際水平。

李小燕、盧闖(2004)研究了基于業績企業信用評價指標與股權所有者的利益相關性，從而提出改進和完善現有企業信用評價模型的構想。研究結果表明:企業信用評價指標體系中的業績指標較非業績指標與企業的信用等級更相關。

田俊平(2005)在其碩士論文中提出現有信用評價指標較多關注企業的短期能力，應更多地關注反映企業長期能力的指標。

曲艷梅(2006)根據平衡計分卡原理，分別設計定性指標和定量指標的四個維度。其中定性指標的四個維度指標均衡分布，各為25分。而定量指標中的償債能力指標定為50分。

綜合現有文獻中所采用的信用評價指標體系，信用評價所強調的是債權人的利益，而非股東的利益，故指標體系中最為看重的是體現償債能力的指標。現有的指標體系普遍存在著定量指標比重過大，定性指標較少的現象，評價指標中所涉及的現金流量指標也較少。

二、信用評價的分析方法研究

當前我國學者研究得更多的是各種分析方法在信用評價模型中的應用。

最早用于建立信用評價模型的線性判別法(Liner Discriminate Analysis，簡稱LDA)是一種簡單的參數統計方法。考慮到財務比率的多維性，信用評價模型中更為常用的是多元判別法(Multivariate Discriminate Analysis，簡稱MDA)。近年來，線性概率模型和Logistic回歸模型，特別是神經網絡法等也被廣泛應用于企業信用評級。

最先將多元線性判別法用于信用分析的是美國的Redward#8226;Altman于1968使用22個財務指標分析了美國破產企業和非破產企業，并從中選出5個最有代表性的關鍵指標建立了著名的五變量Z模型。該模型簡單且成本低，在美國商業銀行得到廣泛應用。我國學者陳靜(1999)使用多元判別法進行實證研究，建立了評價企業信用風險水平的現行判別模型。方洪全、曾勇(2004)以銀行實際貸款數據樣本為分析對象，使用SAS軟件在66個財務指標中選取7個財務指標運用多元統計技術建立起4水平的線性判別模型，并根據對模型的檢驗證實了該判別模型對信用風險的定量評估有較強的解釋和預測能力。

這些多元判別分析模型一般情況下只能對企業信用劃分成兩類，即還本付息和違約。這種分類不利于使用者對企業的風險進行更深層的管理。同時，由于多元判別分析法對變量數據要求較多，應用前提過于嚴格，而實際所使用的數據卻有一定的違背，使得這種模型的誤判率較高。

為了解決多元判別法應用前提的局限，美國學者Ohlson將多元邏輯回歸(Logistic regression，簡稱Logit分析法)引入了信用評價研究中。使用Logit分析法的模型采用Logistic函數，在數據不滿足正態分布情況下其判別正確率高于多元判別分析法的結果。

在國內，許多學者將Logit模型用于上市公司財務困境的預測研究，并取得了不錯的效果。陳曉、陳治鴻(2000)使用Logit模型對ST公司和非ST公司進行了預測，其判別準確率為86.5%。常麗娟、張俊瑞(2007)建立了多元因變量Logit模型對69家進行了實證分析，并使用一個樣本進行檢驗，評價結果與中介機構評價結果一致。

隨著信息技術的發展，人工智能模型被引入到企業信用評估中，最典型的是人工神經網絡(Artificial neural networks，簡稱ANN)的運用。神經網絡對數據的要求不嚴格，處理非線性關系的變量具有良好的效果。但其工作的隨機性較強，往往需要進行多重的訓練。國外學者Altman、Marco、Jenson等都使用了神經網絡分析法對公司的財務危機進行了預測研究，并取得了一定的成果。

王春峰、萬海暉、張維(1999)使用神經網絡法對100個企業樣本進行了信用分析，研究結果中使用判別分析法的誤判率為25.45%，神經網絡法的誤判率為18.18%。神經網絡的預測準確性明顯優于判別分析法。劉慶宏，劉列勵(2009)對各類方法中的代表模型使用了兩個數據集來驗證他們的在信用評級應用中的評價效果，結論認為在各種方法中人工神經網絡方法較為靈活與準確。但由于該研究數據為澳大利亞與德國企業的數據，未能代表其在中國的應用效果。

由于神經網絡工作的隨機性較大，需要人為地對網絡結構進行調試，其應用受到了一定的限制。Altman(1997)經過研究后認為“神經網絡分析方法在信用風險識別和預測中的應用，并沒有實質性低優于線性判別模型”。

也有部分學者針對如何解決各種樣本存在的問題，在模型中引入了各種處理方法進行改進。在解決小樣本問題上，王春峰(2001)、吳德勝(2004)的研究結果認為將cross-validation法引入信用風險評估建模技術，對于小樣本情況更為有效。章華、盧太平(2006)考慮到企業財務信息不確定和樣本的非典型分布特征，將灰靶模型引入對企業信用等級的評價。王慧玲等(2009)的研究表明在財務信用評價中引入熵模型，能夠更加客觀的確定評價指標的權重。

綜合相關文獻，我們可以發現隨著統計分析方法的發展，越來越多的方法被應用到信用評價模型的分析中來以解決樣本數據存在的缺陷。盡管信用風險評估方法層出不窮，但主流的方法只有多元Logistic回歸、多元判別分析和神經網絡法三大類。當前在準確性上較為認可的是神經網絡法。

三、信用評價模型有效性研究

現代信用風險度量模型主要包括Credit Metrics模型、基于精算方法的信用風險附加(Credit Risk)模型、信用證券組合(Credit Portfolio View)模型以及基于期權定價理論的KMV模型。國內對現代信用風險度量模型的涉及最初見于對信用風險模型的綜述類和比較類文獻。陳忠陽(2000)、梁世棟等(200)、王毅春等(2004)分別對各種信用風險度量模型做了比較分析。李志光(2007)在其碩士論文中對Credit Metrics模型、KMV模型、Credit Risk模型、CPV模型進行了分析比較，得出了Credit Metrics模型比其他模型在我國商業銀行更具適用性和可行性的結論。

而對于Credit Risk模型，常麗娟等(2007)認為在我國的銀行貸款業務中，行業特征和風險會對各筆貸款的獨立性產生影響，不符合Credit Risk模型將每筆貸款是為獨立的重要假設，該模型在我國的適用性令人懷疑。

國內對CPV模型進行的研究較少。靳鳳菊(2007)基于CPV模型，選取了綜合領先指標、中國房地產開發企業綜合景氣指數和企業景氣指數三個指標從宏觀層面對房地產信貸的信用風險進行了研究。楊崗、陳帥(2009)對KMV模型與CPV模型進行比較分析后認為，CPV模型能更好地把握經濟變化對信用風險的影響。謝赤等(2006)對Credit Metrics模型與CPV模型進行了比較研究，結論認為CPV模型有利于提高信用風險度量的精確性，特別適用于投機性債務人。

國內較多的研究驗證集中于KMV模型在我國的適用性。主要研究成果有:薛鋒等(2003)討論了運用KMV模型分析我國上市公司信用風險的優缺點和運用前景。常麗娟、張俊瑞(2007)使用中國上市公司數據，對KMV模型做了有效性檢驗，研究結果認為KMV模型在我國股票市場環境下具備整體有效性，但由于我國股票市場信息效率存在一定的缺陷，模型的預測效力尚顯不足。李磊寧等(2007)在KMV模型中引入了公司資產價值增長率，使得模型在我國的適用性有了提高。李博、王海生(2008)使用修正后的KMV模型進行信用風險評價并檢驗了模型識別我國房地產上市公司信用風險的能力，發現模型能較好的識別出ST與非ST公司之間信用風險的差別，但同時也認為其在我國上市公司的預測準確率同其在國外的預測準確率相比相對較低。夏紅芳、馬俊海(2008)利用KMV模型，通過對我國4家上市公司5年股票價格的違約距離實證分析表明，KMV模型的靈敏度和預測能力都相當好。

這些學者普遍認為KMV模型在我國的實用性不高，主要在于我國缺乏一個完善的違約數據庫，難以確定一個較為準確客觀的經驗EDF值。且我國資本市場上處于初步發展階段，企業信息披露存在不足。必須結合我國的實際情況，不斷地對模型進行修訂與校驗，才能提高KMV模型在我國的有效性。

四、小結

近年來我國經濟一直在保持持續增長，在增長的同時我國的社會信用體系建設卻嚴重滯后。企業缺乏一個良好的信用氛圍，對于社會保障各種信用關系的健康發展和整個金融市場的穩定有著一定的影響。目前我國政府也越來越重視這個問題，并相應出臺了一系列政策措施。如何有效地、客觀地對企業的信用進行評價，不僅有利于保障企業各相關經濟關系主體的利益，更有助于我們今后繼續推進社會的信用體系建設。

參考文獻

[1]夏紅芳，趙麗萍.企業債券信用評級指標體系及神經網絡方法[J].華東船舶工業學院學報，1998 (2).

[2]李小燕，盧闖等.企業信用評價模型、信用等級與業績相關性研究[J].中國軟科學，2003 (5).

[3]陳曉，陳治鴻.企業財務理論、方法及應用[J].投資研究，2000 (2).

[4]常麗娟，張俊瑞.企業財務信用評價與管理研究[M].大連:東北大學出版社，2007.

[5]王春峰，萬海暉，張維.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(1).

[6]李志光:Credit Metrics模型在我國商業銀行信用風險管理的應用研究——基于我國商業銀行某分機構的實證分析[D].上海財經大學，2007.

[7]靳鳳菊:基于CPV模型的房地產信貸信用風險的度量和預測[J].金融論壇，2007 (9).

[8]夏紅芳，馬俊海:基于KMV模型的上市公司信用風險預測[J].預測，2008 (6).