我國上市公司信用風(fēng)險評估研究——基于Logit模型的分析

胡 勝 朱新蓉

(1.九江學(xué)院會計學(xué)院江西九江332005;2.中南財經(jīng)政法大學(xué)新華金融保險學(xué)院,湖北武漢430073)

信用風(fēng)險度量與管理的探索過程大致可分為三個階段：第一個階段是1970年以前,主要分析工具有5C分析法、LAPP法、五級分類法,大多數(shù)金融機(jī)構(gòu)基本上是依據(jù)銀行專家的經(jīng)驗和主觀分析來評估信用風(fēng)險。第二個階段是建立于基于財務(wù)指標(biāo)的信用評分模型,主要有線性比率模型、Logit模型、Probity模型、判別分析模型等。第三個階段是進(jìn)入20世紀(jì)90年代以來,西方若干商業(yè)銀行以風(fēng)險價值為基礎(chǔ),開始運用數(shù)學(xué)工具、現(xiàn)代金融理論來定量研究信用風(fēng)險,建立了以違約概率、預(yù)期損失率為核心指標(biāo)的度量模型,如 Credit、Metrics、KMV模型、Credit Risk+,Po rtfolio View模型等[1](P35—46)。

我國商業(yè)銀行內(nèi)部的信用評級水平比較落后,信用風(fēng)險度量管理體系非常不健全,對信用風(fēng)險的分析仍處于傳統(tǒng)的定性分析階段,遠(yuǎn)不能有效滿足商業(yè)銀行對信用風(fēng)險控制與管理的要求。國外的信用風(fēng)險度量模型也有很多缺陷,如沒有一個模型能夠準(zhǔn)確地度量每筆信用產(chǎn)品的違約率、違約下的損失等。本文擬對Logit模型在上市公司信用風(fēng)險評估應(yīng)用方面進(jìn)行研究,以期對商業(yè)銀行內(nèi)部的信用評級風(fēng)險有所借鑒。

一、文獻(xiàn)綜述

在國外的研究中,Logit模型最早由Martin用來預(yù)測公司的破產(chǎn)及違約概率。他選取5 700家樣本和25個財務(wù)指標(biāo)進(jìn)行分析,建立了8個財務(wù)指標(biāo)的Logit模型來分析公司的破產(chǎn)及違約概率。Ohlson也將Logit模型應(yīng)用于信用風(fēng)險分析[2],W ilson借用Logistic函數(shù)建立了Logit信用評分模型[3](P12—35)。

在國內(nèi)研究中,建立的模型的準(zhǔn)確率因選取樣本數(shù)據(jù)的個數(shù)不同大致有兩類,一類是準(zhǔn)確率平均達(dá)到70%左右;一類是準(zhǔn)確率高達(dá)90.0%以上。王春峰、萬海暉選取129家樣本建立Logit模型的第一類錯誤為33.33%,第二類錯誤為25.00%[4];方洪全、曾勇選取1 332個樣本數(shù)據(jù)自己建立5參數(shù)指標(biāo)Logit判別模型的第一類錯誤為46.56%,第二類錯誤為19.1%,對王春峰等所建立的6參數(shù)Logit模型驗證時的第一類錯誤達(dá)38.55%,第二類錯誤為27.39%;李萌選取195家上市公司客戶建模的第一類錯誤超過30%,第二類錯誤是9.1%[5];顧乾屏、孫曉昆通過2.5萬樣本建立一個兩階段非線性變量邊界Logit模型的第一類錯誤高達(dá)21.52%,第二類錯誤達(dá)12.47%[6]。上面的研究文獻(xiàn)中Logit模型犯第一類錯誤平均達(dá)到30%左右。

也有部分研究者的總體準(zhǔn)確率高達(dá)90.0%。龐素琳選取63家上市公司建立Logit判別模型判別準(zhǔn)確率達(dá)到99.06%[7];賀剛選取由2001～2004年深滬兩市106家上市公司建立Logit模型總體正確預(yù)測率達(dá)到98.1%;李關(guān)政、彭建剛從經(jīng)濟(jì)周期和經(jīng)濟(jì)轉(zhuǎn)型兩個方面引入系統(tǒng)性風(fēng)險因子分14個行業(yè)建立14個擬合Logit模型,總體準(zhǔn)確率均在90%以上,其中有10個總體準(zhǔn)確率為100%[8]。我國2010年滬深主板上市公司1 500家左右,故筆者分析其每個行業(yè)方程建模樣本應(yīng)當(dāng)不會超過120個。這些研究如此高的準(zhǔn)確率從建模的樣本看應(yīng)不符合Logit模型建立的樣本要求,他們建模的樣本有100個左右,Logit模型樣本數(shù)量不宜少于200個,故90.0%以上準(zhǔn)確率可靠性值得進(jìn)一步分析。

二、模型構(gòu)建以及實證研究

(一)Logit模型基本原理

Logit模型是解釋變量為二分變量,即違約與非違約,采用極大似然估計的選代方法找到“系數(shù)”的“最可能”估計。設(shè)P表示貸款發(fā)生的概率,xi是能夠影響貸款是否違約的解釋變量,假設(shè)ε服從Logistic分布,其分布函數(shù)為：F(x)=1/(1+e-x),則有：

Logit回歸模型則可表示為：Logit(P)=?+β1x1+…+βkxk

通過最大似然法可以得到參數(shù)列β0,β1…βk的估計值,將參數(shù)估計代入Logit模型中可以測出各貸款的違約概率：

Logit模型主要優(yōu)點是可以無需像判別分析那樣假設(shè)多元正態(tài)性并具有相同的協(xié)方差矩陣。但其在估計上也存在缺陷,如模型本質(zhì)假設(shè)不合理,不具可加性;樣本數(shù)量不宜少于200個,否則參數(shù)估計是有偏的;中間領(lǐng)域的判別敏感性較強(qiáng),導(dǎo)致判別結(jié)果不穩(wěn)定性等,需要運用時加以注意。在統(tǒng)計學(xué)中,誤判分為兩類,第一類錯誤(type Ierro r)稱為“拒真”,在信用風(fēng)險評估中,第一類錯誤是指將高信用風(fēng)險企業(yè)誤判為低信用風(fēng)險企業(yè)的錯誤。第二類錯誤(type IIerror)稱為“納偽”,是指將低風(fēng)險企業(yè)誤判為高信用風(fēng)險企業(yè)的錯誤。

(二)樣本的選取

本文選取的數(shù)據(jù)來源是巨靈金融終端數(shù)據(jù)庫。選取2007年滬深主板1 280家上市公司股票。樣本的選取分為兩類模式,即選取正常公司和非正常公司。正常公司由非ST公司構(gòu)成,代表財務(wù)正常、低信用風(fēng)險公司。非正常樣本組成ST公司來構(gòu)建,代表陷入財務(wù)困境、高信用風(fēng)險公司。ST公司是我國從1998年4月22日起實行的表示出現(xiàn)財務(wù)狀況或其他狀況異常的上市公司。ST公司表示經(jīng)營連續(xù)2年虧損,特別處理;＊ST公司表示經(jīng)營連續(xù)3年虧損,退市預(yù)警。數(shù)據(jù)樣本分為兩部分：訓(xùn)練樣本集和測試樣本集。訓(xùn)練樣本集由874家正常公司和116家ST公司組成。測試樣本集由250家正常公司和40家ST公司組成。

(三)指標(biāo)的選擇

本文在借鑒國有商業(yè)銀行資信評比指標(biāo)體系及國內(nèi)外有關(guān)文獻(xiàn)的有關(guān)指標(biāo),選取了28個財務(wù)指標(biāo)。其選擇依據(jù)主要從以下3個方面考慮：(1)數(shù)據(jù)有效性,選擇那些能夠?qū)︻A(yù)測公司信用風(fēng)險具有重要指示作用的財務(wù)比率。(2)數(shù)據(jù)全面性,即能夠全面反映上市公司的經(jīng)營狀況與發(fā)展能力。(3)數(shù)據(jù)可獲得性。具體指標(biāo)見表1。

表1 財務(wù)指標(biāo)表

(四)模型分析

對訓(xùn)練樣本集采取向前逐步選擇法,運用SPSS13.0軟件得出如下的結(jié)果：

表2 參數(shù)估計和最終模型的統(tǒng)計量

根據(jù)上表分析,可以建立如下模型：

本模型結(jié)果表明,一個公司是否違約與公司基本面情況、現(xiàn)金流量分析、發(fā)展能力有重大聯(lián)系。其選中的指標(biāo)是扣除經(jīng)常性損失后的每股收益(x2)、每股凈資產(chǎn)(x3)、現(xiàn)金債務(wù)總額(x12)、總資產(chǎn)同比增長率(x27),這些指標(biāo)都通過參數(shù)檢驗,模型整體檢驗都比較顯著有效。將模型(3)對測試樣本數(shù)據(jù)進(jìn)行分析得到如下結(jié)果：

從表3分析中可以看出,對正常公司是識別準(zhǔn)確率為98.4%,即犯第二類錯誤僅為1.6%。該模型犯第一類錯誤較高,達(dá)到30%。將“ST公司”判為“正常公司”比例較高。筆者進(jìn)一步細(xì)查40個“ST公司”中判斷為正常公司的具體公司如下表：

表3 Logit模型對預(yù)測樣本的判別結(jié)果

表4 Logit將ST股票判為非ST股票結(jié)果

上表分析中可以看出,該模型將“ST公司”誤判“正常公司”共有12個,其中還有5個是有退市風(fēng)險的＊ST公司,同時將5個處于嚴(yán)重財務(wù)困境的公司(即很高信用風(fēng)險企業(yè))誤斷低信用風(fēng)險企業(yè)。

三、簡要結(jié)論和啟示

本文基于我國上市公司數(shù)據(jù)建立的Logit模型,研究發(fā)現(xiàn),基于該模型商業(yè)銀行對上市公司信用風(fēng)險評估時犯第一類錯誤達(dá)到30%。對于銀行來說,第一類錯誤即將高信用風(fēng)險企業(yè)誤判為低信用風(fēng)險企業(yè)是可怕的,有時對銀行是致命的。結(jié)合上述符合合理建模樣本的相關(guān)文獻(xiàn)研究犯第一類錯誤平均達(dá)到30%左右,可以得出我國商業(yè)銀行在實際運用Logit模型對有業(yè)務(wù)來往的上市公司企業(yè)乃至非上市企業(yè)進(jìn)行信用風(fēng)險要十分謹(jǐn)慎使用,或只參考使用,要結(jié)合新巴塞爾協(xié)議,綜合運用元判別線性模型、Logit模型、KMV模型,積極推進(jìn)IRB基礎(chǔ)數(shù)據(jù)庫和管理信息系統(tǒng)(M IS)建設(shè)等各方面工作,建立內(nèi)部信用評級,對企業(yè)信用風(fēng)險進(jìn)行合理評估。

[1]李志輝.現(xiàn)代信用風(fēng)險量化度量和管理研究[M].北京：中國金融出版社,2001.

[2]Ohlson,J.S.Financial Ratios and the Probabilitistic Prediction of Bankruptcy[J].Journal of Accounting Research,1980(1)：109 —131.

[3]喬埃爾.貝西斯.許世清,等,譯.商業(yè)銀行風(fēng)險管理——現(xiàn)代理論與方法[M].深圳：海天出版社,2001.

[4]王春峰,萬海暉.商業(yè)銀行信用風(fēng)險評估及其實證研究[J].管理科學(xué)學(xué)報,1998,(1)：68—72.

[5]李萌.Logit模型在商業(yè)銀行信用風(fēng)險評估中的應(yīng)用研究[J].管理科學(xué),2005,(4)：34—36.

[6]顧乾屏,孫曉昆.信用風(fēng)險的兩階段非線性變量邊界Logit模型實證研究[J].系統(tǒng)管理學(xué)報,2008,(12)：680—685.

[7]龐素琳.Logistic回歸模型在信用風(fēng)險分析中的應(yīng)用[J].數(shù)學(xué)的實踐與認(rèn)識,2006,(9)：129—137.

[8]李關(guān)政,彭建剛.經(jīng)濟(jì)周期、經(jīng)濟(jì)轉(zhuǎn)型與企業(yè)信用風(fēng)險評估——基于系統(tǒng)性風(fēng)險的Logistic模型改進(jìn)[J].經(jīng)濟(jì)經(jīng)緯 ,2010,(2)：88—90.