基于Probit模型的中國制造業(yè)企業(yè)信貸風(fēng)險(xiǎn)測(cè)度研究

(1.陜西師范大學(xué) 國際商學(xué)院，陜西 西安 710119； 2.陜西師范大學(xué) 數(shù)學(xué)與信息科學(xué)學(xué)院，陜西 西安 710119; 3.西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院,陜西 西安 710061)

1 引言

制造業(yè)是我國國民經(jīng)濟(jì)的重要組成部分，在“中國制造2025”強(qiáng)國戰(zhàn)略實(shí)施背景下，關(guān)注制造企業(yè)發(fā)展及其資金借貸狀況更顯得尤為必要。我國制造業(yè)產(chǎn)值約占國內(nèi)生產(chǎn)總值的40%，長期以來，這類企業(yè)依賴廉價(jià)的勞動(dòng)力成本和規(guī)?；a(chǎn)維持其長期利潤的增加，并成為推動(dòng)我國經(jīng)濟(jì)高速增長的重要原因之一。而在經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型時(shí)期，制造企業(yè)呈現(xiàn)出勞動(dòng)力密集型向技術(shù)密集型、資本密集型轉(zhuǎn)變的特征，在著力完善產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化調(diào)整的同時(shí)，需要繼續(xù)維持該行業(yè)較高的投資與信貸規(guī)模，才能逐步實(shí)現(xiàn)制造業(yè)強(qiáng)國的發(fā)展目標(biāo)[1]。值得注意的是，制造業(yè)企業(yè)大都處于產(chǎn)業(yè)鏈中上游，生產(chǎn)交易關(guān)聯(lián)性較強(qiáng)，在經(jīng)濟(jì)下行周期壓力下，企業(yè)經(jīng)營狀況不容樂觀，交易一方的違約可能導(dǎo)致另一方或多方面臨資金短缺，并觸及商品流通領(lǐng)域的各個(gè)環(huán)節(jié)，因此，制造業(yè)企業(yè)具有廣泛的風(fēng)險(xiǎn)傳導(dǎo)特征。另根據(jù)我國多家商業(yè)銀行2017年半年業(yè)績報(bào)告，工商銀行、農(nóng)業(yè)銀行、招商銀行2017年上半年制造業(yè)不良貸款余額分別為648.38億元、788.79億元和2919.21億元，不良貸款率分別為4.41%、5.99%和8.25%。由此可見，制造業(yè)企業(yè)整體信用風(fēng)險(xiǎn)偏高，是商業(yè)銀行不良貸款的主要來源，因此有必要針對(duì)制造業(yè)企業(yè)特點(diǎn)，合理構(gòu)建企業(yè)信貸的風(fēng)險(xiǎn)評(píng)估方法，有針對(duì)性地對(duì)制造業(yè)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行專門測(cè)度與分析，完善企業(yè)風(fēng)險(xiǎn)預(yù)警機(jī)制，健全產(chǎn)業(yè)風(fēng)險(xiǎn)防范體系。

2 文獻(xiàn)綜述

企業(yè)信用風(fēng)險(xiǎn)的發(fā)生主要來自于違約事件的發(fā)生，因此對(duì)企業(yè)違約概率的準(zhǔn)確測(cè)度是評(píng)估企業(yè)信用風(fēng)險(xiǎn)的核心環(huán)節(jié)。目前學(xué)術(shù)界對(duì)企業(yè)違約概率的測(cè)度過程可以概括為：探尋影響違約概率的關(guān)鍵變量，利用企業(yè)歷史數(shù)據(jù)樣本建立企業(yè)違約率分類判別模型，對(duì)企業(yè)違約的可能性做出預(yù)測(cè)。這類方法主要可以分為單變量分析法和多變量分析法。Beaver[2]最早提出了違約概率評(píng)估的單變量方法，并通過單個(gè)財(cái)務(wù)比率預(yù)測(cè)可能出現(xiàn)財(cái)務(wù)困難的企業(yè)。顯然，單變量模型無法全面概括企業(yè)復(fù)雜的經(jīng)營狀況，因此在此前的研究基礎(chǔ)上擴(kuò)展出了企業(yè)違約概率評(píng)估的多變量模型。典型的多變量模型主要包括多元判別分析模型和多元回歸分析模型。其中多元判別分析模型以Altman[3]提出的Z-score模型為典型代表，該模型對(duì)財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行篩選加權(quán)設(shè)定為解釋變量，將企業(yè)是否違約設(shè)定為被解釋變量，從而形成信用風(fēng)險(xiǎn)評(píng)估模型，因解釋變量的不同亦會(huì)導(dǎo)致模型的預(yù)測(cè)能力也有所差異。之后，Altman等[4]又結(jié)合企業(yè)的現(xiàn)金流指標(biāo)對(duì)Z-score模型進(jìn)行改進(jìn)，建立了ZETA評(píng)分模型。這兩個(gè)模型都是以企業(yè)財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的多變量判別分析模型，可以通過Z值直觀判斷企業(yè)在一定時(shí)期內(nèi)的風(fēng)險(xiǎn)情況，這一方法已成為當(dāng)代企業(yè)違約預(yù)測(cè)的核心技術(shù)。但是，多元判別分析法容易忽視資本市場所帶來的非財(cái)務(wù)因素，且常要求指標(biāo)服從正態(tài)分布，并獲得協(xié)方差矩陣，限制了模型的適用性，為了滿足變量之間非線性關(guān)系的現(xiàn)實(shí)要求，多元非線性回歸分析得到了發(fā)展。根據(jù)事件發(fā)生概率服從分布的不同，非線性模型以Logit模型和Probit模型為主。這類模型采用一系列財(cái)務(wù)比率預(yù)測(cè)公司破產(chǎn)或違約的概率，依據(jù)風(fēng)險(xiǎn)偏好程度設(shè)定風(fēng)險(xiǎn)預(yù)警界線，并以此進(jìn)行信用風(fēng)險(xiǎn)定位和決策[5,6]。Martin[7]對(duì)銀行信用風(fēng)險(xiǎn)建立了Logit模型，并運(yùn)用判別分析法進(jìn)行評(píng)價(jià)，發(fā)現(xiàn)二者對(duì)信用風(fēng)險(xiǎn)評(píng)估的有效性非常相似。West[8]使用Logit模型分析金融機(jī)構(gòu)信用風(fēng)險(xiǎn)狀況，并得出每一個(gè)機(jī)構(gòu)有效的違約概率。Samad[9]通過Probit模型分析了美國商業(yè)銀行經(jīng)營失敗的原因，并對(duì)可能影響信用風(fēng)險(xiǎn)的因素進(jìn)行判別分析，實(shí)證結(jié)果表明其所建立的模型達(dá)到80.17%的準(zhǔn)確預(yù)測(cè)程度。Apergis和Payne[10]利用歐盟91家商業(yè)銀行數(shù)據(jù)，通過Probit模型分析了商業(yè)銀行信用風(fēng)險(xiǎn)的決定因素，并認(rèn)為這些因素會(huì)對(duì)商業(yè)銀行經(jīng)營監(jiān)管方式產(chǎn)生影響。

我國學(xué)者關(guān)于信用風(fēng)險(xiǎn)評(píng)估方法的研究大都以實(shí)證分析為主。在違約計(jì)量模型的實(shí)證研究方面，蔡玉蘭和崔毅[11]，蔣彧和高瑜[12]大都基于上市公司財(cái)務(wù)數(shù)據(jù)，通過測(cè)度違約距離(DD)進(jìn)行違約概率的預(yù)測(cè)，而更多學(xué)者傾向于通過離散選擇模型作為違約預(yù)測(cè)分析的基本模型，其中吳世農(nóng)和盧賢義[13]，于立勇和詹捷輝[14]，均是通過Logistic回歸模型構(gòu)建了違約概率測(cè)算模型，并對(duì)公司違約概率進(jìn)行了預(yù)測(cè)。程建和朱曉明[15]采用 ROC曲線對(duì)各模型進(jìn)行全截?cái)帱c(diǎn)預(yù)測(cè)力分析，利用Probit模型對(duì)上市公司違約事件進(jìn)行預(yù)測(cè)，并運(yùn)用自抽樣法隨機(jī)抽取子樣本進(jìn)行模型預(yù)測(cè)力檢驗(yàn)，以消除可能存在的樣本依賴問題。同時(shí)，多元非線性回歸分析因其可以較好地判別違約發(fā)生時(shí)的主體財(cái)務(wù)特征，因此常被用于財(cái)務(wù)預(yù)警模型中，王穎等[16]，梁琪等[17]分別從客戶評(píng)級(jí)和中小企業(yè)實(shí)施ST處理的角度，通過違約概率模型進(jìn)行了相應(yīng)的實(shí)證分析。以上關(guān)于企業(yè)信用風(fēng)險(xiǎn)的分析主要是基于分類方法的違約率評(píng)估，模型把違約率測(cè)度看成是模式識(shí)別的分類問題，根據(jù)借款人的財(cái)務(wù)與非財(cái)務(wù)狀況分為正常和違約兩類，從歷史財(cái)務(wù)指標(biāo)數(shù)據(jù)中總結(jié)出分類規(guī)則，建立評(píng)估模型判別新樣本。這種企業(yè)信用風(fēng)險(xiǎn)分析方法在目前可能是最有效的方法，也是國際金融界和學(xué)術(shù)界視為主流的方法[18]。

因此，本文也將借鑒上述思想，通過Probit模型建立制造業(yè)企業(yè)信用評(píng)估方法，同時(shí)考慮解釋變量的邊際效應(yīng)，分析影響制造業(yè)企業(yè)違約發(fā)生時(shí)的財(cái)務(wù)數(shù)據(jù)變量特征，為企業(yè)風(fēng)險(xiǎn)預(yù)警提供直觀依據(jù)，以此提高企業(yè)風(fēng)險(xiǎn)管理能力。

3 研究設(shè)計(jì)

3.1 模型設(shè)定

由于本文選取企業(yè)的財(cái)務(wù)數(shù)據(jù)對(duì)企業(yè)違約風(fēng)險(xiǎn)進(jìn)行評(píng)估，可能會(huì)存在財(cái)務(wù)比率非正態(tài)分布的現(xiàn)象，因此下文采用基于Probit模型的非線性回歸方法對(duì)制造業(yè)上市企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行度量，不僅回避了財(cái)務(wù)數(shù)據(jù)非正態(tài)分布問題，同時(shí)改進(jìn)了線性模型對(duì)企業(yè)違約率估值超出(0,1)區(qū)間的缺陷，使得預(yù)測(cè)結(jié)果具有概率意義。Probit模型基本形式可表述為：

其中F(·)表示標(biāo)準(zhǔn)正態(tài)分布的累積分布函數(shù)

(1)

其中f(z)為z的密度函數(shù)，且z～N(0,1)。

3.2 數(shù)據(jù)選取

本文選取我國深圳證券交易所和上海證券交易所制造業(yè)上市企業(yè)作為研究樣本。根據(jù)滬深證券交易所的規(guī)定，ST股是指經(jīng)營連續(xù)兩年虧損給予特別處理的企業(yè)股票，*ST股是指經(jīng)營連續(xù)三年虧損給予退市警告的企業(yè)股票，這類企業(yè)往往是財(cái)務(wù)狀況異?；蛘咭呀?jīng)出現(xiàn)了危機(jī)，資金周轉(zhuǎn)困難、債務(wù)無法償還，導(dǎo)致出現(xiàn)違約狀況的企業(yè)，因此本文以ST或*ST企業(yè)替代違約企業(yè)樣本。本文通過國泰安數(shù)據(jù)庫，遴選了2015年3月31日至2016年3月31日34家被執(zhí)行ST或*ST的制造業(yè)企業(yè)，其中24家作為違約企業(yè)樣本，另外10家作為違約企業(yè)預(yù)測(cè)樣本，并根據(jù)行業(yè)相同和規(guī)模相近的原則，配比24家非ST(*ST)的制造業(yè)企業(yè)作為正常企業(yè)樣本進(jìn)行實(shí)證檢驗(yàn)與分析。

為防止Ohlson[19]提出的財(cái)務(wù)報(bào)表時(shí)間點(diǎn)問題發(fā)生，樣本采用違約發(fā)生前一年或更長時(shí)期的財(cái)務(wù)數(shù)據(jù)資料，而避免使用違約事件發(fā)生同年的財(cái)務(wù)報(bào)表資料，因此，本文采用企業(yè)被執(zhí)行ST或*ST處理時(shí)前5年作為數(shù)據(jù)搜集區(qū)間。同時(shí)，由于企業(yè)的財(cái)務(wù)狀況是動(dòng)態(tài)變化的過程，隨著距ST或*ST年份時(shí)間的推近，不同財(cái)務(wù)指標(biāo)對(duì)企業(yè)信用風(fēng)險(xiǎn)的影響程度也逐漸變化，因而本文對(duì)樣本企業(yè)ST或*ST年份前的第一年至第五年(t-1～t-5)分別建立Probit模型評(píng)估企業(yè)信用風(fēng)險(xiǎn)，以提高預(yù)測(cè)精度。

3.3 指標(biāo)選取

3.3.1 原始指標(biāo)選取

企業(yè)的財(cái)務(wù)狀況和經(jīng)營狀況體現(xiàn)在企業(yè)對(duì)債務(wù)的償付能力、資產(chǎn)運(yùn)營管理能力以及企業(yè)的盈利水平、企業(yè)發(fā)展?jié)摿Φ榷鄠€(gè)方面，因此，本文選取樣本企業(yè)的財(cái)務(wù)報(bào)表比率結(jié)構(gòu)、償債能力、發(fā)展能力、風(fēng)險(xiǎn)水平、經(jīng)營能力、現(xiàn)金流、盈利能力以及企業(yè)規(guī)模等8個(gè)方面的25個(gè)變量作為制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型的原始指標(biāo)。

3.3.2 指標(biāo)檢驗(yàn)

(1)顯著性檢驗(yàn)。為了篩選出能夠顯著區(qū)分違約企業(yè)和非違約企業(yè)的指標(biāo)，下文首先對(duì)原始指標(biāo)進(jìn)行非參數(shù)Kruskal-Wallis檢驗(yàn)。其結(jié)果顯示營運(yùn)資金比率、有形資產(chǎn)比率、經(jīng)營負(fù)債比率、營業(yè)收入增長率、應(yīng)收賬款周轉(zhuǎn)率、經(jīng)營杠桿、總資產(chǎn)周轉(zhuǎn)率、企業(yè)自由現(xiàn)金流等8個(gè)變量未能通過Kruskal-Wallis顯著性檢驗(yàn)。而能夠在5%的置信水平下顯著區(qū)分ST(*ST)企業(yè)和非ST(*ST)企業(yè)的17個(gè)變量分別為：流動(dòng)資產(chǎn)比率、流動(dòng)負(fù)債比率、流動(dòng)比率、速動(dòng)比率、資產(chǎn)負(fù)債率、利息保障倍數(shù)、總資產(chǎn)增長率、凈利潤增長率、所有者權(quán)益增長率、財(cái)務(wù)杠桿、存貨周轉(zhuǎn)率、綜合杠桿、凈利潤現(xiàn)金凈含量、總資產(chǎn)凈利潤率、資產(chǎn)報(bào)酬率、總資產(chǎn)及營業(yè)收入。

(2)相關(guān)性檢驗(yàn)。為了提高模型回歸的準(zhǔn)確性，對(duì)Kruskal-Wallis檢驗(yàn)結(jié)果顯著的指標(biāo)進(jìn)行Pearson相關(guān)性分析，結(jié)果顯示流動(dòng)比率與速動(dòng)比率、凈利潤增長率與總資產(chǎn)增長率、利息保障倍數(shù)與資產(chǎn)負(fù)債率、總資產(chǎn)與營業(yè)收入、綜合杠桿與財(cái)務(wù)杠桿、凈利潤現(xiàn)金凈含量與速動(dòng)比率等多個(gè)指標(biāo)的相關(guān)性很高。為了提高模型的預(yù)測(cè)能力，本文剔除了流動(dòng)比率、凈利潤增長率、利息保障倍數(shù)、綜合杠桿、凈利潤現(xiàn)金凈含量以及總資產(chǎn)等6個(gè)與其它變量相關(guān)性較高的變量。

(3)多重共線性檢驗(yàn)。本文采取容許度(TOL)和方差膨脹因子(VIF)兩個(gè)統(tǒng)計(jì)值對(duì)變量的多重共線性進(jìn)行檢驗(yàn)。一般情況下，TOL數(shù)值過小或者VIF數(shù)值過大(TOL<0.1或者VIF>10)時(shí)表示存在多重共線性。經(jīng)檢驗(yàn)結(jié)果顯示，資產(chǎn)報(bào)酬率和總資產(chǎn)凈利潤率的VIF統(tǒng)計(jì)量均超過10，因此二者存在嚴(yán)重的多重共線性，這將使模型的準(zhǔn)確性受到影響。由于資產(chǎn)報(bào)酬率和總資產(chǎn)凈利潤率均是反映企業(yè)盈利能力的指標(biāo)，本文選擇剔除資產(chǎn)報(bào)酬率，保留總資產(chǎn)凈利潤率再次進(jìn)行多重共線性檢驗(yàn)，得到流動(dòng)資產(chǎn)比率、流動(dòng)負(fù)債比率、速動(dòng)比率、資產(chǎn)負(fù)債率、總資產(chǎn)增長率、所有者權(quán)益增長率、財(cái)務(wù)杠桿、存貨周轉(zhuǎn)率、總資產(chǎn)凈利潤率及營業(yè)收入等10個(gè)變量的TOL統(tǒng)計(jì)量和VIF統(tǒng)計(jì)量均在合理范圍，并確定作為制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型解釋變量的財(cái)務(wù)指標(biāo)。

4 實(shí)證分析及預(yù)測(cè)

4.1 Probit模型檢驗(yàn)

記企業(yè)被執(zhí)行ST的年份為第t年，以下用t-1、t-2、t-3、t-4、t-5分別表示財(cái)務(wù)危機(jī)前第一年、第二年、第三年、第四年和第五年。首先針對(duì)樣本企業(yè)8個(gè)方面的10個(gè)財(cái)務(wù)變量進(jìn)行Probit模型回歸，t-1年至t-5年企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型參數(shù)估計(jì)結(jié)果如表1所示。

表1 t-1年至t-5年制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型參數(shù)估計(jì)

注：**表示在5%水平下顯著。下同。

根據(jù)五年間制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型參數(shù)回歸結(jié)果可以得出，隨著企業(yè)財(cái)務(wù)狀況和經(jīng)營狀況的動(dòng)態(tài)變化，信用風(fēng)險(xiǎn)的大小也將隨之變動(dòng)，各年度財(cái)務(wù)變量的解釋能力也有所區(qū)別。其中反映企業(yè)資金流動(dòng)性的流動(dòng)資產(chǎn)比率(X1)從t-5年開始對(duì)企業(yè)違約概率可以很好地預(yù)測(cè)，并在5個(gè)模型中都顯著。反映企業(yè)償債能力的資產(chǎn)負(fù)債率(X4)在t-1年至t-4年的風(fēng)險(xiǎn)評(píng)估模型中顯著性較高，而反映企業(yè)發(fā)展能力的總資產(chǎn)增長率(X5)在t-2年、t-3年和t-5年的模型中顯著性較高。

下面通過5個(gè)模型的參數(shù)回代，檢驗(yàn)基于Probit模型的信用風(fēng)險(xiǎn)評(píng)估方法對(duì)樣本制造企業(yè)違約概率估計(jì)的準(zhǔn)確性。結(jié)果如表2所示。

表2 Probit模型回代檢驗(yàn)結(jié)果

本文以違約概率0.5作為違約企業(yè)和非違約企業(yè)的分界點(diǎn)，可以看到t-1年模型整體預(yù)測(cè)準(zhǔn)確率最高(92.97%)，而其余模型整體預(yù)測(cè)準(zhǔn)確率依次降低，t-5年模型整體預(yù)測(cè)準(zhǔn)確率只能達(dá)到64.58%。表明企業(yè)信用風(fēng)險(xiǎn)度量模型的預(yù)測(cè)準(zhǔn)確率隨著時(shí)間的前推而下降，制造業(yè)企業(yè)發(fā)生違約時(shí)的前2年模型的預(yù)測(cè)能力較強(qiáng)。

4.2 邊際效應(yīng)分析

為了得知上述關(guān)鍵財(cái)務(wù)變量每變化一個(gè)單位后對(duì)企業(yè)違約風(fēng)險(xiǎn)的影響程度，須對(duì)回歸方程進(jìn)行一階微分，通過Probit模型進(jìn)行邊際效益分析。t-1年至t-5年的邊際效應(yīng)結(jié)果如表3所示。

表3 t-1年至t-5年回歸結(jié)果邊際效應(yīng)分析

注：下劃線標(biāo)記出了對(duì)制造業(yè)企業(yè)信用風(fēng)險(xiǎn)邊際效應(yīng)影響程度大于0.1的變量。

根據(jù)邊際效應(yīng)回歸結(jié)果可以看到，上述財(cái)務(wù)變量對(duì)制造業(yè)企業(yè)信用風(fēng)險(xiǎn)的影響程度隨時(shí)間變化具有明顯差別。5年間，總資產(chǎn)凈利潤率(X9)、流動(dòng)資產(chǎn)比率(X1)和流動(dòng)負(fù)債比率(X2)對(duì)企業(yè)信用風(fēng)險(xiǎn)均有較大的邊際貢獻(xiàn)效應(yīng)，說明制造業(yè)企業(yè)的盈利能力和短期償債能力的下降會(huì)對(duì)其未來5年內(nèi)違約概率的攀升起到?jīng)Q定性作用。此外，與t-1年至t-5年制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型參數(shù)的顯著性檢驗(yàn)相類似，邊際效應(yīng)回歸方程參數(shù)也在企業(yè)發(fā)生違約時(shí)前兩年的顯著較多，再次證明了通過該信用風(fēng)險(xiǎn)評(píng)估方式可以起到預(yù)判制造業(yè)企業(yè)違約事件發(fā)生的概率。

4.3 制造業(yè)企業(yè)違約預(yù)測(cè)

下面選用10家在2015年3月31日至2016年3月31日?qǐng)?zhí)行ST(*ST)處理的制造業(yè)企業(yè)作為預(yù)測(cè)樣本，并將其財(cái)務(wù)數(shù)據(jù)代入本文所設(shè)定的Probit信用風(fēng)險(xiǎn)評(píng)估模型進(jìn)行預(yù)測(cè)實(shí)證檢驗(yàn)。表4給出了這些企業(yè)發(fā)生違約的預(yù)測(cè)季度時(shí)點(diǎn)及對(duì)應(yīng)的預(yù)測(cè)值。

表4 10家企業(yè)違約概率預(yù)測(cè)值

注：企業(yè)4由于數(shù)據(jù)缺省只能從t-3年第三季度開始預(yù)測(cè)。企業(yè)10則從t-4年第三季度開始預(yù)測(cè)。下劃線標(biāo)記出的是模型預(yù)測(cè)出企業(yè)違約時(shí)點(diǎn)的違約概率。

從違約預(yù)測(cè)結(jié)果可以看出，違約企業(yè)在執(zhí)行ST(*ST)處理年份之前最近一年的違約概率普遍偏高，10家樣本企業(yè)在執(zhí)行ST處理時(shí)的前五年的平均違約概率均高于0.5。同時(shí)，根據(jù)每一家企業(yè)違約概率的變化情況可知，樣本企業(yè)的違約概率在t-3年至t-5年整體情況較為平穩(wěn)，而在t-2年違約概率會(huì)出現(xiàn)較大變動(dòng)，模型的預(yù)測(cè)能力較強(qiáng)。

最后，通過本文模型預(yù)測(cè)出的10家企業(yè)違約時(shí)點(diǎn)發(fā)現(xiàn)，1個(gè)企業(yè)樣本能夠提前8個(gè)季度預(yù)測(cè)到企業(yè)發(fā)生違約事件，7個(gè)企業(yè)樣本能夠提前1個(gè)季度至4個(gè)季度預(yù)測(cè)到企業(yè)發(fā)生違約事件，2個(gè)企業(yè)樣本能夠提前5個(gè)季度預(yù)測(cè)到企業(yè)將會(huì)發(fā)生違約事件，相比于年度違約預(yù)測(cè)來講，企業(yè)違約預(yù)警時(shí)間更加精確，為企業(yè)信用風(fēng)險(xiǎn)評(píng)估的應(yīng)用提供了可靠依據(jù)。

5 結(jié)論與建議

本文基于Probit模型構(gòu)建了我國制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估方法，通過對(duì)樣本企業(yè)的信用風(fēng)險(xiǎn)分析及預(yù)測(cè)得到以下結(jié)論：

首先，制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評(píng)估方法可以較準(zhǔn)確地判別出企業(yè)可能發(fā)生違約的概率，樣本整體的判別準(zhǔn)確性可以達(dá)到92.97%；此外模型判別的準(zhǔn)確性與企業(yè)財(cái)務(wù)數(shù)據(jù)密切相關(guān)，財(cái)務(wù)數(shù)據(jù)距離預(yù)測(cè)時(shí)點(diǎn)越近，模型的預(yù)測(cè)能力也越準(zhǔn)確，距離預(yù)測(cè)時(shí)點(diǎn)較遠(yuǎn)的數(shù)據(jù)導(dǎo)致模型的預(yù)測(cè)能力減弱。因此，關(guān)注企業(yè)財(cái)務(wù)數(shù)據(jù)，尤其是反映企業(yè)盈利能力和償債能力的財(cái)務(wù)指標(biāo)能夠幫助制造業(yè)企業(yè)盡早發(fā)現(xiàn)風(fēng)險(xiǎn)隱患，及時(shí)改善企業(yè)經(jīng)營狀況，降低信用風(fēng)險(xiǎn)發(fā)生的概率。

其次，運(yùn)用模型對(duì)制造業(yè)企業(yè)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估時(shí)，可以將模型中顯著性較高的財(cái)務(wù)變量作為判斷企業(yè)可能發(fā)生違約事件的參考信息，這些財(cái)務(wù)變量的變化能夠直觀地判斷企業(yè)風(fēng)險(xiǎn)波動(dòng)狀況。當(dāng)模型預(yù)測(cè)能力不佳，各變量回歸系數(shù)顯著性較低時(shí)，可以考慮選用對(duì)違約概率邊際效應(yīng)影響較大的財(cái)務(wù)指標(biāo)跟蹤企業(yè)運(yùn)營狀況。具體來說，短期內(nèi)，制造業(yè)企業(yè)應(yīng)該關(guān)注流動(dòng)資產(chǎn)比率和流動(dòng)負(fù)債比率等流動(dòng)性指標(biāo)；長期內(nèi)，企業(yè)需要關(guān)注總資產(chǎn)凈利潤率和總資產(chǎn)增長率等反映企業(yè)盈利能力和發(fā)展能力的財(cái)務(wù)變量，并通過及時(shí)公開和披露企業(yè)財(cái)務(wù)信息以完善企業(yè)信用風(fēng)險(xiǎn)預(yù)警機(jī)制的建立。

最后，通過制造業(yè)企業(yè)違約概率預(yù)測(cè)值的變化趨勢(shì)可以發(fā)現(xiàn)，在最接近預(yù)警年份的兩年間，企業(yè)違約概率上升幅度較大，信用風(fēng)險(xiǎn)偏高；而在預(yù)警發(fā)生的兩年之前，危機(jī)企業(yè)的違約概率一般維持在0.5左右，違約趨勢(shì)不明顯，但相比正常企業(yè)仍然偏高。因此基于財(cái)務(wù)數(shù)據(jù)的企業(yè)信用風(fēng)險(xiǎn)評(píng)估方法可以較早地甄別具有較大違約傾向的企業(yè)，利用季度數(shù)據(jù)觀測(cè)企業(yè)信用風(fēng)險(xiǎn)發(fā)生的時(shí)點(diǎn)提高了預(yù)測(cè)的精準(zhǔn)度。

制造業(yè)企業(yè)信用風(fēng)險(xiǎn)的評(píng)估不僅關(guān)乎企業(yè)自身的生存與發(fā)展，還直接影響制造業(yè)行業(yè)的興衰及國家工業(yè)化進(jìn)程的推進(jìn)。從制造業(yè)行業(yè)部門來說，采用科學(xué)的信貸風(fēng)險(xiǎn)測(cè)度方法及適當(dāng)?shù)呢?cái)務(wù)指標(biāo)，客觀了解自身的經(jīng)營狀況，不僅能夠有效評(píng)價(jià)企業(yè)經(jīng)營決策的合理性和穩(wěn)健性，而且可以幫助企業(yè)完善發(fā)展戰(zhàn)略，避免企業(yè)一味追求短期的營業(yè)收入增長，盲目擴(kuò)大經(jīng)營杠桿，引發(fā)財(cái)務(wù)風(fēng)險(xiǎn)；對(duì)金融信貸部門而言，準(zhǔn)確獲取企業(yè)的財(cái)務(wù)信息，并通過相應(yīng)的信貸評(píng)估方式動(dòng)態(tài)評(píng)價(jià)制造業(yè)企業(yè)經(jīng)營狀況及信貸風(fēng)險(xiǎn)，合理配置信貸資金，有利于防范化解系統(tǒng)性金融風(fēng)險(xiǎn)在實(shí)體經(jīng)濟(jì)部門的發(fā)生，控制資金“脫實(shí)入虛”現(xiàn)象的出現(xiàn)，降低其僅在金融體系內(nèi)循環(huán)的發(fā)生概率，最大可能地發(fā)揮金融對(duì)實(shí)體經(jīng)濟(jì)的服務(wù)及促進(jìn)作用，有效緩解實(shí)體經(jīng)濟(jì)資源分配不均的現(xiàn)狀；從監(jiān)管部門角度來說，良好的信貸環(huán)境有利于實(shí)體經(jīng)濟(jì)部門與金融行業(yè)的良性互惠增長，在我國當(dāng)前的宏觀審慎管理背景下，監(jiān)管部門只有充分而準(zhǔn)確地了解企業(yè)的信貸風(fēng)險(xiǎn)，才能為金融部門制定有效的貨幣信貸政策，確保貨幣供給與經(jīng)濟(jì)增長的內(nèi)生需求相一致，發(fā)揮流動(dòng)性對(duì)經(jīng)濟(jì)增長的促進(jìn)作用，為我國制造業(yè)的創(chuàng)新與發(fā)展以及高質(zhì)量的經(jīng)濟(jì)增長提供有力保障。