Logistic模型在中小企業(yè)信用風(fēng)險度量中的應(yīng)用分析①

華東交通大學(xué)軌道交通學(xué)院 田秋麗

隨著全球金融危機的爆發(fā)，對企業(yè)信用的評價成為銀行信貸管理中日益重要的課題。作為融資弱勢群體的中小企業(yè)的信用評價和度量，更加成為銀行一個讓人頭疼的問題。中小企業(yè)信用風(fēng)險的度量成為一個重要課題。

1 幾種信用風(fēng)險度量模型的比較分析

信用風(fēng)險的度量，在國際上尚未形成成熟的模型。國際上主流信用風(fēng)險度量方法和模型也都有各自的優(yōu)缺點。

一般認為，傳統(tǒng)信用分析方法和信用評級方法簡便易行，對數(shù)據(jù)的要求不是很嚴格。但是這兩種方法主觀性較強，不同評級機構(gòu)或者不同專家對同一對象的分析可能得出不同的結(jié)論，評級結(jié)果的公正性也受到多種因素的影響。

多元判別分析法可以找到具有判別能力的財務(wù)比率、能夠衡量企業(yè)的整體績效。但是，這種方法要求變量符合正態(tài)分布、變量和信用風(fēng)險之間呈現(xiàn)線性關(guān)系的假設(shè)，使得多元判別分析模型僅適用于有準確財務(wù)數(shù)據(jù)的公司，即公司有一定的規(guī)模，發(fā)展相對比較成熟，對中小企業(yè)的適用性則較差。

KMV模型適用于對上市公司的信用風(fēng)險評估；另外，該模型基本上屬于一種靜態(tài)模型，但實際情況絕非如此，尤其是中小企業(yè)，由于發(fā)展不成熟，企業(yè)的資本結(jié)構(gòu)在不斷發(fā)生變化。因此將KMV模型運用到國內(nèi)中小企業(yè)信用風(fēng)險管理工作仍不適合。

神經(jīng)網(wǎng)絡(luò)模型的運行模型對于弱化權(quán)重確定重的人為因素十分有益、具有很強的容錯能力、還能處理復(fù)雜的非線性關(guān)系問題。但是，要得到一個較好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)非常耗費人力和時間。一般認為，神經(jīng)網(wǎng)絡(luò)模型適用于授信后評價過程，較少用于信用評價前期。

Credit Metric模型度量對同經(jīng)濟環(huán)境、不同宏觀條件下信用等級轉(zhuǎn)移概率是固定的假設(shè)會引起評估結(jié)果偏差。1997年麥肯錫公司提出信用組合觀點(Credit Portfolio View)對信用等級轉(zhuǎn)移概率矩陣進行修正，但該模型的操作比較復(fù)雜，穩(wěn)定性較差，仍需繼續(xù)完善。

傳統(tǒng)的線性統(tǒng)計模型以信用風(fēng)險與相關(guān)財務(wù)信息的線性關(guān)系假設(shè)為前提，Logistic模型則擺脫了這一約束，并且可以直接計算出企業(yè)下一時期的違約概率預(yù)測值。與多元判別分析法相比，Logistic回歸模型更為靈活，而與其他信用風(fēng)險模型相比，Logisitic回歸模型相對簡單且具有較好的經(jīng)濟含義，因此Logistic回歸模型實用性較強，適用于各類具有一定數(shù)據(jù)基礎(chǔ)的客戶違約概率的計算。在此，本文擬采用中小企業(yè)的數(shù)據(jù)對Logistic模型的度量效果進行實證分析。

2 樣本的選取和財務(wù)指標的確定

2.1 中小企業(yè)的確定

我國的中小企業(yè)劃分最新標準是2003年2月19日公布的《關(guān)于印發(fā)中小企業(yè)標準暫行規(guī)定的通知》中的規(guī)定，規(guī)定適用于工業(yè)、建筑業(yè)、交通運輸和郵政業(yè)、批發(fā)和零售業(yè)、住宿和餐飲業(yè)。本文在數(shù)據(jù)搜集過程中根據(jù)《中小企業(yè)標準暫行規(guī)定》確認中小企業(yè)。

2.2 樣本的確定

本文采用上市公司數(shù)據(jù)作為研究樣本，認為ST股為違約公司，非ST股為正常公司。選取深滬兩市所有中小企業(yè)公司為學(xué)習(xí)樣本來建立模型，同時選取了這些樣本公司2005年、2006年和2007年的財務(wù)數(shù)據(jù)，共選取133家違約樣本和254家正常樣本。

2.3 財務(wù)指標的選擇和篩選

參照以往的研究文獻，本文從反映企業(yè)盈利能力、償債能力、營運能力、增長能力和資本結(jié)構(gòu)五個方面選擇了33個指標，然后按照“嚴格管制下線性Logit評分模型中信用因子的最優(yōu)選擇”的思路來篩選指標。最后，本文選定16個指標：凈資產(chǎn)收益率、總資產(chǎn)增長率、主營業(yè)務(wù)收入增長率、流動比率、速動比率、現(xiàn)金流動負債比率、現(xiàn)金負債比率、資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)報酬率、成本費用利潤率、利息收益倍數(shù)、收入與負債的比率、長期債務(wù)比率、有形凈值債務(wù)率、現(xiàn)金資產(chǎn)比率、營業(yè)利潤率。

財務(wù)指標的因子分析

本文首先對16個指標進行因子分析，以剔除指標之間的相關(guān)性，減少變量維度。對16個指標相關(guān)性的檢驗發(fā)現(xiàn)，KMO樣本測度值為0.741， Bartlett球體檢驗中，統(tǒng)計值的顯著性概率是0.000，樣本數(shù)據(jù)適宜作因子分析的。

小學(xué)低段是學(xué)生培養(yǎng)識字能力能力的重要階段，不過因為大部分學(xué)生識字教學(xué)的習(xí)慣還沒有完全養(yǎng)成，加之教師教學(xué)理念更新不及時或教學(xué)方法不科學(xué)，致使在新課改重要時期，小學(xué)低段學(xué)生的識字興趣與能力沒有達到預(yù)期效果，識字教學(xué)還有很多問題存在。盡管新課程要求下的識字教學(xué)能夠培養(yǎng)學(xué)生學(xué)習(xí)的興趣，提升學(xué)習(xí)能力，不過應(yīng)用于實踐中時，就會發(fā)現(xiàn)小學(xué)生在很多方面都存在問題。筆者將以編部版教材為例，針對小學(xué)低段學(xué)生的識字教學(xué)展開討論。

因子分析的結(jié)果顯示，特征根大于1的因子共有6個，這6個因子解釋了所有變差的83.261%。表1是旋轉(zhuǎn)后的6個因子的負載值表格。

根據(jù)在因子上負載值最大的三個指標的實際含義，本文用盡量簡潔、更加有概念性的名稱來對因子命名，以對因子的含義進行概括，以便于對回歸結(jié)果的解釋和說明。表1中指標在因子上的負載值顯示：

因子1對速動比率、流動比率、現(xiàn)金負債比率、收入與負債比率、有形凈值債務(wù)率、現(xiàn)金流動負債比率的影響較大，反映了企業(yè)的償債能力。命名為償債能力因子。

因子2對營業(yè)利潤/銷售收入、成本費用利潤率影響比較大，反映了企業(yè)的盈利質(zhì)量，命名為盈利質(zhì)量因子。

因子3對資產(chǎn)周轉(zhuǎn)率、現(xiàn)金/總資產(chǎn)幾個指標的影響較大，反映了企業(yè)資產(chǎn)收益狀況，命名為資產(chǎn)收益因子。

因子4對利息收益倍數(shù)、總資產(chǎn)報酬率、凈資產(chǎn)收益率影響比較大，反映了企業(yè)的總體盈利能力，命名為總體財務(wù)狀況因子。

因子5對長期債務(wù)占總債務(wù)的比率影響很大，反映了企業(yè)的負債結(jié)構(gòu)，命名為負債結(jié)構(gòu)因子。

因子6對主營業(yè)務(wù)收入增長率影響較大，另外，總資產(chǎn)增長率在此因子上的負載值為0.395，大于0.3，考慮到實際經(jīng)濟含義，本文將此指標歸屬于該因子，反映了企業(yè)的增長能力，命名為增長能力因子。

表1 旋轉(zhuǎn)后的因子負載值表

3 Logistic回歸分析

3.1 變量的設(shè)置和臨界值的選擇

在Logistic回歸分析中，本文采用Forward Stepwise(conditional)方法逐步回歸以使對樣本影響顯著的因子進入回歸方程，影響較小的因子不能進入方程。

在因變量的設(shè)計中，需要將兩狀態(tài)的因變量轉(zhuǎn)變?yōu)閿?shù)值0和1，為了方便對回歸結(jié)果的解釋，我們把違約公司設(shè)為數(shù)值0，把正常公司作為數(shù)值1。這樣，如果回歸結(jié)果得到的不違約的概率為f(x)，那么企業(yè)違約的概率計算公式。在logistic模型中，本文選取0.647作為臨界值，即，只有當f(x)大于0.647時，我們才認為該公司屬于正常公司。

3.2 回歸結(jié)果的分析

企業(yè)的盈利質(zhì)量對企業(yè)違約影響顯著。盈利質(zhì)量因子對應(yīng)的Exp(B)是2.355，首先進入回歸方程。中小企業(yè)銷售收入中有多少能夠產(chǎn)生利潤，要產(chǎn)生這些利潤，需要的成本為多少，這一因素大大影響了中小企業(yè)的經(jīng)營狀況。中小企業(yè)作為小本小利企業(yè)，銷售收入能否產(chǎn)生利潤，成本是否能夠得以控制，顯然會對小規(guī)模企業(yè)產(chǎn)生巨大的影響。第三步進入方程的總體財務(wù)狀況因子也同樣強調(diào)了這一現(xiàn)象。這一因子也能對中小企業(yè)的經(jīng)營特征加以解釋。

債務(wù)結(jié)構(gòu)因子對應(yīng)的Exp(B)值為2.017，對企業(yè)違約的影響很大。也就是說，中小企業(yè)債務(wù)結(jié)構(gòu)的合理與否，對其信用狀況的影響也是較嚴重的。中小企業(yè)資產(chǎn)規(guī)模較小，較大的長期債務(wù)，容易引起企業(yè)道德風(fēng)險，一旦不能及時還款，企業(yè)更傾向于選擇破產(chǎn)來逃避債務(wù)。這一結(jié)果也是和以往研究結(jié)果相一致。

以上分析可以發(fā)現(xiàn)，采用Logistic回歸模型所得到的結(jié)果與中小企業(yè)的現(xiàn)實經(jīng)營狀況相一致，回歸結(jié)果可以得到很好的解釋。

3.3 預(yù)測效果檢驗

本文采用2008年中小企業(yè)的財務(wù)數(shù)據(jù)對預(yù)測效果進行檢驗，共選取35個違約樣本，85個正常樣本。通過檢驗結(jié)果發(fā)現(xiàn)，學(xué)習(xí)樣本中，模型對的總體預(yù)測正確率為84.2%。說明本論文的變量選取和模型設(shè)計效果較好，有一定的應(yīng)用價值。同時可以發(fā)現(xiàn)，模型對測試樣本的預(yù)測效果也較好，總體預(yù)測正確率為75.8%，較有力的說明了Logistic模型有著較好的判別效果。

4 結(jié)語

通過數(shù)量分析和定性分析，本文可以認為，Logistic模型在中小企業(yè)的信用風(fēng)險度量中具有較好的預(yù)測效果，這一模型的適用性較好。當然，本文在分析過程中，存在有待于改進之處，如：以上市公司樣本代替所有企業(yè)，可能會造成典型性不強的問題；只考慮財務(wù)因素作為影響變量，未對非財務(wù)因素(如行業(yè)因素、其他宏觀因素)加以考慮。

[1]韓崗.國外信用風(fēng)險度量方法及其適用性研究[J].國際金融研究,2008(3):43～47.

[2]柏藝益.Logistic模型在評價上市公司信用風(fēng)險中的應(yīng)用研究[J].時代經(jīng)貿(mào),2008(6)：148～149.

[3]田秋麗.判別企業(yè)違約的財務(wù)指標研究——基于行業(yè)差異的分析[D].碩士學(xué)位論文.浙江大學(xué),2004.

[4]劉學(xué)波.現(xiàn)代信用風(fēng)險度量模型分析及KMV模型在我國銀行業(yè)的應(yīng)用研究[D].碩士學(xué)位論文.中國海洋大學(xué),2007.