制造業上市公司信用風險實證研究
——基于邏輯回歸方法分析

劉新文

(陜西省公路局渭南路政執法支隊，陜西　渭南　714000)

?

制造業上市公司信用風險實證研究
——基于邏輯回歸方法分析

劉新文

(陜西省公路局渭南路政執法支隊，陜西渭南714000)

摘要：通過搜集占比例大的制造業公司樣本，以制造業為例，選取其各行業在2006年被ST企業作為研究樣本；以凈資產收益率作為配對樣本選取依據，借助于SPSS10.0對2004年樣本和配對數據進行了邏輯回歸模型構建和實證研究，得出了行業邏輯回歸模型較高的信用風險預測判別能力。

關鍵詞：信用風險；上市公司；回歸分析；制造業

一、文獻述評

關于信用風險的定義，不同學者有不同的觀點。第一種觀點認為，它是交易對手無力履約的風險，也即債務人未能如期償還其債務造成違約而給經濟主體經營帶來的風險。第二種觀點認為，信用風險特指借款方由于種種原因，無力或不愿償還貸款本息，導致放貸方損失的可能性。信用風險是伴隨著信用的出現的，是金融風險之一，也是企業所有者、經理人、投資者、商業銀行等金融機構和政府面臨的最重要的金融風險。特別是對于銀行等金融機構來說，其面臨的信用風險是非常巨大和前所未有的。因此，信用風險的度量一直都是金融機構及企業所面臨的核心問題。

關于信用風險的研究最早可以追溯到上個世紀的30年代，研究對象大部分是企業破產和經營失敗。菲茨.帕特里克(Fitz Patrick， 1932)運用單個財務比率，比弗(Beaver， W.H，1966)提出了并運用單變量判定模型，奧特曼(Altman， 1968)提出并運用多元Z值判定模型。我國的信用風險相關研究是從20世紀80年代末，吳世農和黃世忠(1986)曾介紹過企業的破產分析指標和預測模型。陳靜(1999)運用單變量判別分析和多變是判別分析。吳世農、盧賢義(2001)應用Fisher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析。楊淑娥(2003)采用統計方法中的主成分分析法，建立了上市公司財務預警Y分數模型。

對于企業來說，陷入信用風險是一個逐步的過程，出現個別違約現象不足以認定其面臨很大的信用風險，而出現大量的違約行為時，就足以確定其一個企業陷入財務困境時。因此，本文界定信用風險企業即為財務危機企業。

二、模型構建與樣本選取

(一)模型構建

對于處理定性變量方法較多，主要有判別分析、邏輯回歸分析、對數線性模型。本文在前人研究的基礎上，以2006年我國制造業被ST的企業為研究對象，采用邏輯回歸分析法進行判別分析。

假設因變量Y為兩個值的定性變量，用0、1分別表示企業財務危機和財務正常兩種不同的狀態，Y=0的概率P是我們研究的對象。

設x1,x2,…,xk是與y相關的確定性變量，n組觀測數據為(xi1,xi2,…,xik,yi)(i=1,2,…,n)，其中，y1,y2,…,yn是取值為或1(財務危機或非財務危機)的隨機變量，yi與xi1,xi2，…,xik的關系為：

E(yi)=pi=β0+β1xi1+β2xi2+…+βkxik

(1)

對于邏輯回歸：

(2)

其中，β0是回歸方程的常數，β1,β2，…βk分別為xi1,xi2,…，xik的回歸系數，f(pi)為第i個企業被判別為財務危機企業的概率。

(二)樣本選取

從上市公司行業數量來看，農、林、牧、漁業45家，采掘業29家，制造業943家，電力、煤氣及水的生產和供應業67家，建筑業30家，交通運輸、倉儲業72家，信息技術業114家，批發和零售貿易90家，金融、保險業17家，房地產業88家，社會服務業88家，傳播與文化產業11家，綜合類108，總計1702家，制造業所占數量最多，占55%，所以本文選取制造業為研究對象。

根據證券會頒布的《上市公司狀況異常期間的股票特別處理方式的通知》，要求證券交易所對“財務狀況異常的上市公司”實行股票交易的特別處理。財務狀況異常包括兩種情況：一是最近兩個會計年度的審計報告顯示公司財務狀況的凈利潤為負；二是最近一個會計年度的審計結果顯示其股東權益低于注冊資本。本文選取制造業在2006年因財務狀況異常而被特別處理上市公司作為樣本。同時對每一個被特別處理上市公司以同行業類別，凈資產收益率最接近的作為配對企業，部分被特別處理而無法配對的企業被刪除。需要說明：本文以2006年被ST的企業作為研究對象，若以2005年或2006年的財務數據作為預測源數據會高估模型的預測能力，因此，選擇2004年的財務作為預測源數據。經過整理，確定37家為特別處理企業作為樣本數據，同時選取37家為非特別處理企業配對樣本數據)。如表1所示：

表1　特別處理企業與配對企業表

如表1所示，由于2006年制造業部分行業被ST的企業較少，不便運用模型進行計算，所以將這些行業進行合并后如表2所示。其中，造紙、印刷33家，ST企業占該行業18%，石油、化學、塑膠、塑料、金屬、非金屬319家，ST企業占該行業3%，機械、設備、儀表263家，ST企業占該行業3%，醫藥、生物制品112家，ST企業占該行業6%，食品、飲料、紡織、服裝、皮毛、電子、其他制造業216家，ST企業占該行業4%，其中以造紙、印刷行業ST企業比例最高，具體數據如表2所示。

表2　制造業ST公司與上市公司比較

(三)模型指標選取

本文根據中國上市公司資訊網提供資料，選取了獲利能力、經營能力、償債能力、資本結構、發展能力、現金流量分析6大類30個財務指標。經過T檢驗分析后認為，剔除一些判別區分能力弱、相關系數較高的財務指標，最終得到16個財務指標作為模型的備選變量。16個財務指標分別包括銷售凈利率、總資產收益率、凈資產收益率、應收賬款周轉率、總資產周轉率、股東權益與固定資產比率、資產負債比率、股東權益比率、營業利率增長率、凈利潤增長率、利潤總額增長率、凈資產增長率、全部資金現金回收率、凈收益營運指數、現金營運指數和銷售現金比率。T檢驗結果如表3所示：

表3　T檢驗結果

三、實證研究

本文以SPSS10.0作為運算工具，以2006年制造業被ST的37家上市公司和相應的配對企業作為研究對象，選取2004年的財務報表數據和上述經T檢驗的16個財務指標進行運算后得出模型和結果如下：

造紙、印刷業模型：

(3)

石油、化學、塑膠、塑料、金屬、非金屬業模型：

(4)

機械、設備、儀表業模型：

(5)

醫藥、生物制品業模型：

(6)

食品、飲料、紡織、服裝、皮毛、電子、其他制造業模型：

(7)

制造業綜合模型：

(8)

以上模型以0.5為判別分界點，f(p)值范圍為[0，1]，當值大于0.5時，判別為正常型企業，當Y值小于0.5時，判別為信用風險企業。將各行業樣本數據和配對樣本數據代入各自模型(3)、(4)、(5)、(6)、(7)、(8)模型，結果如表4：

表4　邏輯回歸模型結果

a.The cut value is .500

從表4中可以發現，造紙、印刷、醫藥、生物制品兩行業所建立的邏輯回歸模型預警識別能力較高，均達到100%，機械、設備、儀表行業預警識別能力達87.5%，石油、化學、塑膠、塑料、金屬、非金屬、食品、飲料、紡織、服裝、皮毛、電子、其他制造業行業預警識別能力達87.5%，制造業綜合預警識別能力達89.2%。分析表2和表4可以得出，行業中所占ST上市公司比重越大所構建的邏輯回歸模型識別能力越強。

四、結論

以制造業為例，分別對制造業各行業建立了邏輯回歸模型，將2006年制造業被ST企業研究對象，2004年制造業被ST企業和其配對企業作為數據源泉，通過SPSS10.0分析后得出以下結論：

1、國外研究普遍認為，企業信用風險與區域經濟有較大的關系，本文提出了以行業為研究對象也具相對較高的信用風險識別能力，因此，應針對不同行業建立符合該行業的企業信用風險判別模型。

2、研究發現，行業信用風險模型的識別能力與該行業被ST企業樣本容量有一定的關系，該行業中被ST企業所占比重越大，模型越具有判別能力。然而，我國的上市公司數量和被ST企業的數量還非常有限，隨著上市公司數量的增加，該模型將具有更高的識別能力。

3、對ST企業配對公司的選取依據本文以(T-2)年凈產收益率相近企業為依據具有針對性，能夠更好的說明在(T-2)年經營相近情況下判別其未來存在信用風險的概率。