基于Logistic模型的高新企業(yè)信貸風(fēng)險(xiǎn)研究

【摘要】中國(guó)的高新技術(shù)企業(yè)10年來高速發(fā)展，為中國(guó)宏觀經(jīng)濟(jì)做出巨大貢獻(xiàn)。加強(qiáng)對(duì)其風(fēng)險(xiǎn)的管理，可以有效增強(qiáng)資本對(duì)高新技術(shù)企業(yè)的信息，對(duì)于維持高新技術(shù)企業(yè)穩(wěn)定發(fā)展具有重要意義。本文以高新技術(shù)企業(yè)信貸風(fēng)險(xiǎn)為研究對(duì)象，以探索有效判斷高新技術(shù)企業(yè)信貸風(fēng)險(xiǎn)的方法為目的，基于前人的相關(guān)理論方法研究基礎(chǔ)上，選出Logistic模型來評(píng)估高新技術(shù)企業(yè)的風(fēng)險(xiǎn)。

【關(guān)鍵詞】高新技術(shù)企業(yè) 風(fēng)險(xiǎn) Logistic模型

一、引言

《國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要（2006-2020年）》做出提高自主創(chuàng)新能力、建設(shè)創(chuàng)新型國(guó)家的重大戰(zhàn)略決策。黨的十八大則進(jìn)一步指出要把科技創(chuàng)新擺在國(guó)家發(fā)展全局的核心位置，實(shí)施創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略，走中國(guó)特色自主創(chuàng)新道路，標(biāo)志著科技事業(yè)進(jìn)入了全面建設(shè)國(guó)家創(chuàng)新體系的新階段。

當(dāng)前，我國(guó)高新技術(shù)企業(yè)面臨挑戰(zhàn)，融資難已成為最大問題。創(chuàng)新技術(shù)不確定性導(dǎo)致的流動(dòng)性風(fēng)險(xiǎn)，以及高新技術(shù)企業(yè)與資本市場(chǎng)之間信息不對(duì)稱導(dǎo)致的信用風(fēng)險(xiǎn)，使得資本在其面前望而卻步。風(fēng)險(xiǎn)投資在科技創(chuàng)新發(fā)展初期將起著重要作用，而資金的缺乏將阻礙高新技術(shù)企業(yè)的健康發(fā)展。所以對(duì)高新技術(shù)企業(yè)風(fēng)險(xiǎn)預(yù)估成為一項(xiàng)亟須解決的問題。

二、文獻(xiàn)綜述

銀行在信息收集與處理方面具有比較優(yōu)勢(shì)，可以掌握一般渠道難以獲得的重要信息，因此銀行對(duì)高技術(shù)企業(yè)的貸款會(huì)進(jìn)行嚴(yán)格篩選，而這將在一定成都上打擊高技術(shù)企業(yè)開發(fā)科技項(xiàng)目的動(dòng)力，阻礙了科技創(chuàng)新的發(fā)展（Rajan，1992）。與此同時(shí)，Nakamura、Morck（1999）通過數(shù)據(jù)實(shí)證分析了在金融部門不發(fā)達(dá)時(shí)，以銀行為導(dǎo)向的既然弄體系中，銀行對(duì)技術(shù)進(jìn)步起促進(jìn)的作用要大于資本市場(chǎng)，而由于銀行的穩(wěn)健經(jīng)營(yíng)的風(fēng)格以及預(yù)計(jì)規(guī)避風(fēng)險(xiǎn)的本質(zhì)，創(chuàng)新性強(qiáng)、收益高、風(fēng)險(xiǎn)高的企業(yè)往往無法獲得貸款，因此銀行為主導(dǎo)的金融市場(chǎng)不利于高新技術(shù)產(chǎn)業(yè)的發(fā)展。

而國(guó)內(nèi)的研究主要起步于90年代后，張玲（2000）在《財(cái)務(wù)危機(jī)預(yù)警分析判別模型及其應(yīng)用》中選取上市公司的公開資料，通過判別分析模型分析上市公司的Z判別分。遲國(guó)泰、馮雪、趙志宏（2008）的《商業(yè)銀行經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警模型及其實(shí)證研究》，該文運(yùn)用聚類分析、主成分分析單因素評(píng)價(jià)等實(shí)證研究方法，建立了商業(yè)銀行經(jīng)營(yíng)風(fēng)險(xiǎn)預(yù)警模式。

三、研究對(duì)象與樣本選取

（一）研究對(duì)象的選取

目前，我國(guó)高新技術(shù)企業(yè)融資的主要途徑是依靠風(fēng)險(xiǎn)投資以及銀行貸款。高新企業(yè)經(jīng)營(yíng)狀況的好壞直接影響了資本市場(chǎng)資金的流動(dòng)性，所以對(duì)高新企業(yè)的信用風(fēng)險(xiǎn)評(píng)估已變得十分重要。所以本文主要運(yùn)用Logistic模型研究高新企業(yè)違約概率值，通過模型中P值的大小判定高新技術(shù)企業(yè)是否處于高風(fēng)險(xiǎn)狀態(tài)。本文將選取50家已上市的高新技術(shù)企業(yè)的2010～2012年的數(shù)據(jù)，根據(jù)我國(guó)證券市場(chǎng)的實(shí)際情況，將“ST”企業(yè)分為非正常組，將非“ST”企業(yè)劃分為正常組。

在樣本選取過程中，考慮到企業(yè)本身運(yùn)營(yíng)狀況，以及部分?jǐn)?shù)據(jù)丟失的企業(yè)，對(duì)數(shù)據(jù)進(jìn)行篩選。最后本文選取數(shù)據(jù)109組。其中，正常樣本為84組，非正常樣本為25組

（二）Logistic模型變量的選擇與解釋

1.財(cái)務(wù)指標(biāo)選擇，通過篩選，在上市公司披露的財(cái)務(wù)報(bào)告中選取19個(gè)指標(biāo)作為分析對(duì)象，指標(biāo)反映了每家公司的償債能力、經(jīng)營(yíng)能力和盈利能力等方面，通過因子分析和主成分分析，篩選出作為解釋變量的指標(biāo)，即建立計(jì)量分析模型進(jìn)行實(shí)證分析。模型最初選取的財(cái)務(wù)指標(biāo)如下：

表1 模型初選指標(biāo)

2.主成分分析，第一，相關(guān)性判定，根據(jù)最終得出的109組數(shù)據(jù)，利用R軟件對(duì)各指標(biāo)之間進(jìn)行相關(guān)性檢驗(yàn)，因?yàn)橹挥卸鄠€(gè)指標(biāo)間有一定的相關(guān)性，才能說明他們具有重疊消息，從而才可以提取共同因子，這里運(yùn)用主成分分析的思想將多個(gè)互相關(guān)聯(lián)的指標(biāo)轉(zhuǎn)化為幾個(gè)互不關(guān)聯(lián)的綜合指標(biāo)。相關(guān)系數(shù)矩陣如下：

上表中的數(shù)據(jù)顯現(xiàn)出各數(shù)據(jù)間有一定的相關(guān)性，并且可以看出有的相關(guān)性很高，說明各財(cái)務(wù)指標(biāo)之間有潛在的、共同的信息，我們可以提取幾個(gè)主成分，以此來代替那幾個(gè)指標(biāo)。主成分的個(gè)數(shù)要用累計(jì)貢獻(xiàn)率和特征值來確定，累計(jì)貢獻(xiàn)率要達(dá)到80%，特征值要大于1。

第二，KMO和Bartlett檢驗(yàn)，在進(jìn)行主成分分析之前，需要進(jìn)行KMO和Bartlett球形檢驗(yàn)，因?yàn)橹鞒煞址治龅膽?yīng)用條件是KMO大于0.6。Bartlett球形檢驗(yàn)是為了檢驗(yàn)各變量之間的相關(guān)性是否顯著，相關(guān)矩陣被看為單位矩陣的零假設(shè)是否成立，由此來判定是否可以用主成分分析法來研究原始數(shù)據(jù)。當(dāng)Bartlett球形檢驗(yàn)統(tǒng)計(jì)量的Sig.值大于0.01時(shí)，說明可以接受。得到結(jié)果如下：

圖1 KMO和Bartlett檢驗(yàn)

檢驗(yàn)數(shù)據(jù)中可以看出，KMO值為0.728，所以原始財(cái)務(wù)指標(biāo)間的簡(jiǎn)單相關(guān)系數(shù)平方和要遠(yuǎn)大于偏相關(guān)系數(shù)平方和，那么可以采用主成分分析法提取公共因子。Bartlett球形檢驗(yàn)統(tǒng)計(jì)量的Sig.值為0.000，否定了原假設(shè)，所以可以運(yùn)用主成分分析法對(duì)數(shù)據(jù)進(jìn)行整合。

第三，主成分的提取。

圖2 主成分分析的特征值和累計(jì)貢獻(xiàn)率

可以看出前六個(gè)主成分的特征值大于1，并且第一主成分的貢獻(xiàn)率為35.4%，第二主成分的貢獻(xiàn)率為19.1%，第三主成分的貢獻(xiàn)率為14.7%，第四主成分的貢獻(xiàn)率為7.7%，第五主成分的貢獻(xiàn)率為7.4%，第六主成分貢獻(xiàn)率為5.4%。前六個(gè)主成分的累計(jì)貢獻(xiàn)率為89.7%，這說明前六個(gè)主成分包含了原始數(shù)據(jù)84.3%的信息。

圖3 主成分碎石圖

我們做出19個(gè)變量的因子碎石圖，在第6個(gè)主成分之前，每個(gè)主成分的特征根都較高，連接成一個(gè)陡峭的曲線，碎石圖進(jìn)一步的說明了前6個(gè)主成分中包含了原始數(shù)據(jù)中的大量信息。

我們認(rèn)為他們可以有效的代替原始數(shù)據(jù)。因此，本文將采用6個(gè)財(cái)務(wù)指標(biāo)來代替原有的19個(gè)財(cái)務(wù)指標(biāo)。

第四，確定主成分的載荷系數(shù)，上述通過分析數(shù)據(jù)的累計(jì)貢獻(xiàn)率和特征根，我們知道可以提取出6個(gè)主成分。下面我們要通過R軟件對(duì)6個(gè)主成分具體包含的各項(xiàng)指標(biāo)進(jìn)行確定。初始數(shù)據(jù)的成分矩陣可以反映各財(cái)務(wù)指標(biāo)對(duì)各主成分的載荷程度，若一個(gè)主成分對(duì)某個(gè)指標(biāo)的信息反映程度大于0.6，則說明該主成分能夠基本反映此項(xiàng)指標(biāo)包含的信息。載荷矩陣如下圖：

圖4 主成分載荷矩陣

通過載荷矩陣，我們可以得出，第一個(gè)公因子在指標(biāo)X6、X7、X9上有較大載荷，說明這3個(gè)指標(biāo)之間的相關(guān)性很明顯，可劃分為第一個(gè)主成分；同理，第二個(gè)公因子在X1、X2、X3、X4上有較大載荷，劃分為第二個(gè)主成分；第三個(gè)公因子在X8、X10、X14、X19上有較大載荷，劃分為第三個(gè)主成分；第四個(gè)公因子在X5、X15上有較大載荷，劃分為第四個(gè)主成分；第五個(gè)公因子在X11、X12、X16、X17、X18上有較大載荷，劃分為第五個(gè)主成分，第六個(gè)公因子在X13上有較大載荷，劃分為第六主成分。

綜上所述，本章節(jié)已為要構(gòu)建的Logistic模型的自變量選出，即為提取的6個(gè)主成分，每個(gè)主成分有獨(dú)特的經(jīng)濟(jì)含義，包含若干財(cái)務(wù)指標(biāo)。

3.因變量的選取。本文從上市公司中選取50家高新技術(shù)企業(yè)，均是穩(wěn)定運(yùn)行的企業(yè)，將其2010年到2012年的財(cái)務(wù)數(shù)據(jù)作為研究對(duì)象，考慮到中行總因素，150組數(shù)據(jù)最后確定為109組數(shù)據(jù)，其中非正常企業(yè)（ST企業(yè)）有25組數(shù)據(jù)，正常有84組數(shù)據(jù)。假設(shè)因變量P代表違約概率，P是二分類變量，ST企業(yè)記作1，正常企業(yè)記作0，因此本文將采用Logistic模型對(duì)數(shù)據(jù)進(jìn)行分析。

由于上市企業(yè)違約風(fēng)險(xiǎn)的資料無法獲得，我們可以將正常企業(yè)認(rèn)為是經(jīng)營(yíng)狀況良好，且具有很好的信用評(píng)級(jí)，將其記為P=0；而非正常企業(yè)可以認(rèn)為是有不好的經(jīng)營(yíng)狀況，存在較大的信用風(fēng)險(xiǎn)，將其記為P=1。

四、Logistic模型在高新企業(yè)信貸風(fēng)險(xiǎn)度量中的研究

（一）Logistic模型的構(gòu)建

Logistic回歸模型是對(duì)數(shù)線性模型的一種特殊形式，它能夠克服線性回歸模型的缺點(diǎn)，表述如下：

P=■、s=α+Σ■■β■X■

其中α是常數(shù)項(xiàng)，為信用風(fēng)險(xiǎn)評(píng)定中的影響變量，為待估計(jì)系數(shù)，通過回歸或極大似然估計(jì)求的，P為公司的違約概率，取值在（0，1）之間。對(duì)某個(gè)企業(yè)來說，若回歸值P越接近于1，則被認(rèn)定為信用較差的企業(yè)，公司發(fā)生違約事件的可能性大，反之則被認(rèn)為是信用狀況好的企業(yè)。假設(shè)P代表違約與否，根據(jù)以上的假設(shè)條件，建立Logistic回歸模型，Y的取值可以為1或0兩個(gè)變量，則Y與的關(guān)系可以表示為：

Ln（Y）=ln（■）=α+β1X1+β2X2+…+βnXn

將公式變形可得：

P=■

理論上通常將P的臨界值定位0.5，也就是說當(dāng)P<0.5，可被認(rèn)為低風(fēng)險(xiǎn)企業(yè)，反之則被認(rèn)為是高風(fēng)險(xiǎn)企業(yè)。

（二）Logistic模型的建立

上述已經(jīng)將6個(gè)主成分提取出來，需要求取主成分的表達(dá)式，即其特征向量與集合X的乘積，這里需要將X標(biāo)準(zhǔn)化。通過R軟件，我們已經(jīng)得到主成分F的載荷矩陣，那么其與標(biāo)準(zhǔn)化的集合X乘積則為自變量的最終數(shù)據(jù)。

將P、數(shù)據(jù)代入R軟件中，得到：

圖5 Logistic模型結(jié)果

從上圖我們可以知道，有五個(gè)變量的系數(shù)對(duì)應(yīng)p值小于0.05，并且常數(shù)項(xiàng)的p值也小于0.05，說明，這6個(gè)變量的系數(shù)都通過了顯著性檢驗(yàn)，根據(jù)以上β估值可以得到：

Ln（Y）=-2.6213+2.0046X1+2.2854X2-1.9072X3+5.2106X4+

1.5749X5+0.59926X6

五、結(jié)論

此模型中，P的取值范圍為（0，1），根據(jù)二分值原理，當(dāng)P<0.5時(shí)，可以采用四舍五入，將其看為0，當(dāng)P>0.5時(shí)，可將其看為1。當(dāng)P取0時(shí)，代表企業(yè)的違約概率為0，信用風(fēng)險(xiǎn)小；當(dāng)P取1時(shí)，則代表企業(yè)的違約概率為1，信用風(fēng)險(xiǎn)大。

本文最后結(jié)果得到的式子中可以看出，第一、二、四、五、六主成分與高新技術(shù)企業(yè)違約概率成正向關(guān)系，而第三主成分成反向關(guān)系。然而可以清楚地看出，模型中的部分指標(biāo)與實(shí)際是違背的，是與經(jīng)濟(jì)學(xué)的解釋矛盾的，陸建橋（1999）在對(duì)國(guó)內(nèi)虧損的上市公司進(jìn)行實(shí)證研究的時(shí)候發(fā)現(xiàn)，那些連續(xù)兩年虧損的上市公司為了逃避被ST處理，采用各種手段偽造財(cái)務(wù)表表、進(jìn)行債務(wù)重組，以此來調(diào)增本公司收益，結(jié)果就是財(cái)務(wù)報(bào)表與實(shí)際相差甚遠(yuǎn)。

由此，銀行或者風(fēng)險(xiǎn)投資公司在判斷是否給高新技術(shù)企業(yè)發(fā)放貸款時(shí)，可以先將高新技術(shù)企業(yè)相應(yīng)的指標(biāo)帶入模型，計(jì)算出其違約概率，以此作為判定企業(yè)信貸風(fēng)險(xiǎn)的大小的一個(gè)參考。

參考文獻(xiàn)

[1]EL A.Credit risk measures：developments over the last 20 years[J].Journal of Banking & Finance，1997（11）.

[2]Colquitt，JoEtta.Credit Risk Management：How to Avoid Lending Disasters and Maximize Earnings.2007.

[3]王國(guó)明，龍超.我國(guó)資信評(píng)級(jí)發(fā)展現(xiàn)狀及問題研究[J].時(shí)代金融.2012（11）.

[3]姬建軍.中小企業(yè)融資環(huán)境與發(fā)展途徑[J].中國(guó)商貿(mào).2012（07）.

[4]梁益琳，張玉明.創(chuàng)新型中小企業(yè)與商業(yè)銀行的演化博弈及信貸穩(wěn)定策略研究[J].經(jīng)濟(jì)評(píng)論.2012（01）.

[5]張玉明，梁益琳.企業(yè)家素質(zhì)、戰(zhàn)略人力資源管理與創(chuàng)新型中小企業(yè)成長(zhǎng)[J].大連理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）.2011（04）

[3]梁益琳，張玉明.基于仿生學(xué)的創(chuàng)新型中小企業(yè)高成長(zhǎng)機(jī)制實(shí)證研究——來自中國(guó)中小上市公司的數(shù)據(jù)[J].經(jīng)濟(jì)經(jīng)緯.2011（06）.

基金項(xiàng)目：揚(yáng)州大學(xué)2014年度大學(xué)生科技創(chuàng)新基金項(xiàng)目x2014728；揚(yáng)州大學(xué)商學(xué)院2014年研究生創(chuàng)新項(xiàng)目立項(xiàng)資助課題SXYYJSKC201401。

作者簡(jiǎn)介：陳強(qiáng)（1990-），男，漢族，江蘇宿遷人，揚(yáng)州大學(xué)研究生在讀，研究方向：金融學(xué)。