農(nóng)業(yè)上市公司的信用風(fēng)險(xiǎn)實(shí)證研究
——基于因子分析與 Logistic模型

任君，李廣

（天津農(nóng)學(xué)院 經(jīng)濟(jì)管理學(xué)院，天津 300392）

農(nóng)業(yè)企業(yè)是我國國民經(jīng)濟(jì)的重要組成部分，不斷推動(dòng)著我國農(nóng)業(yè)產(chǎn)業(yè)化和規(guī)模化發(fā)展。但由于農(nóng)業(yè)企業(yè)的風(fēng)險(xiǎn)受自然災(zāi)害和市場價(jià)格波動(dòng)等多種因素的影響，尤其是上市的農(nóng)業(yè)公司，資金相對(duì)活躍，資金以間接融資為主，往往引起信用風(fēng)險(xiǎn)。本研究利用銳思（RESSET）金融研究數(shù)據(jù)庫獲取的45家農(nóng)業(yè)上市公司2019年年度財(cái)務(wù)數(shù)據(jù)，確定農(nóng)業(yè)企業(yè)的信用風(fēng)險(xiǎn)測度指標(biāo)，建立Logistic模型來度量其信用風(fēng)險(xiǎn)，進(jìn)而分析農(nóng)業(yè) 類上市公司的違約情況。

目前，學(xué)者對(duì)企業(yè)信用風(fēng)險(xiǎn)的研究大多集中在中小微企業(yè)。田美玉等[1]構(gòu)建了供應(yīng)鏈金融融資模式下中小企業(yè)信用風(fēng)險(xiǎn)指標(biāo)體系，并以汽車行業(yè)為例，運(yùn)用熵值法進(jìn)行了實(shí)證檢驗(yàn)；劉艷春等[2]建立了一套中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)的指標(biāo)體系，利用探索因子分析法和SEM驗(yàn)證性分析法建立了信用風(fēng)險(xiǎn)評(píng)價(jià)模型，并以汽車企業(yè)為例，對(duì)該模型進(jìn)行了有效驗(yàn)證，證明了該模型的可靠性和有效性；胡賢德等[3]借助群智能螢火蟲（GSO）算法，提出了一種基于改進(jìn)離散型螢火蟲（IDGSO）算法的BP神經(jīng)網(wǎng)絡(luò)集成學(xué)習(xí)算法的小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估IDGSO-BP模型，認(rèn)為IDGSO-BP模型可以有效提高小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估的準(zhǔn)確性；張高勝[4]對(duì)現(xiàn)有的企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)方法進(jìn)行總結(jié)評(píng)價(jià)，得出該方法并不適用于小微企業(yè)，以現(xiàn)金流量為基礎(chǔ)，利用CFaR技術(shù)構(gòu)建了小微企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型；范方志等[5]結(jié)合互聯(lián)網(wǎng)金融大數(shù)據(jù)的思維建立了供應(yīng)鏈金融模式下中小企業(yè)信用風(fēng)險(xiǎn)的評(píng)價(jià)體系和評(píng)價(jià)模型，采用定性與定量分析方法評(píng)價(jià)中小企業(yè)信用風(fēng)險(xiǎn)，發(fā)現(xiàn)中小企業(yè)的風(fēng)險(xiǎn)主要來自于自身，并建立了銀行、核心企業(yè)和中小企業(yè)三方博弈模型，提出了推動(dòng)中小企業(yè)創(chuàng)新發(fā)展、建立健全社會(huì)信用體系、加強(qiáng)銀行風(fēng)險(xiǎn)管理水平等政策建議；孟杰等[6]將逐級(jí)優(yōu)化遞減欠采樣方法（ODR）和邊界自適應(yīng)合成抽樣方法（BADASYN）與SVM相結(jié)合，構(gòu)建了ODR- BADASYN-SVM模型評(píng)估中小企業(yè)信用風(fēng)險(xiǎn)，并證明改進(jìn)后的SVM模型在中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估中有較高的穩(wěn)定性及預(yù)測能力；韋云等[7]應(yīng)用聚類分析和因子分析相結(jié)合的方法構(gòu)建了中小企業(yè)信用風(fēng)險(xiǎn)綜合評(píng)價(jià)模型，并提出了政策建議來降低信用風(fēng)險(xiǎn)；滿向昱等[8]根據(jù)所獲取的某商業(yè)銀行496家非上市中小微企業(yè)的詳細(xì)數(shù)據(jù)，采用Lasso- Logistic模型識(shí)別影響中小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵指標(biāo)，并進(jìn)行模型估計(jì)、預(yù)測及對(duì)比，得出了Lasso-Logistic模型無論在因素識(shí)別還是在模型擬合及預(yù)測上均較為有效，且具有較好的外推性；朱宗元等[9]以新三板中小企業(yè)為例，建立了Lasso- Logistic評(píng)估模型，證明該模型能夠甄別風(fēng)險(xiǎn)因素的重要性和方向，具有優(yōu)良的評(píng)估性能；王少英等[10]以科技型中小企業(yè)為例，將SCAD SVM模型與Lasso SVM和SVM進(jìn)行對(duì)比，結(jié)果表明，SCAD SVM方法比Lasso SVM和SVM的預(yù)測精度更高；夏晗[11]利用具有小樣本學(xué)習(xí)優(yōu)勢的模糊積分支持向量機(jī)回歸集成方法，構(gòu)建了小微企業(yè)信用風(fēng)險(xiǎn)度評(píng)估模型，并將此模型與支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等模型對(duì)比，結(jié)果表明該方法具有較高的精度和效率，為小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估系統(tǒng)的構(gòu)建提供了依據(jù)；余得生等[12]對(duì)電子制造業(yè)上市公司進(jìn)行實(shí)證分析，并結(jié)合該行業(yè)上市公司的數(shù)據(jù)選取了14個(gè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，再利用向后逐步法建立Logistic模型，準(zhǔn)確率達(dá)到了81.0%；劉兢軼 等[13]通過因子分析和Logistic模型建立了供應(yīng)鏈金融模式下中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，驗(yàn)證了中小企業(yè)的盈利能力、償債能力及核心企業(yè)的信用水平顯著影響了中小企業(yè)信用風(fēng)險(xiǎn)評(píng)級(jí)；付瑋瓊[14]通過分析3種典型的農(nóng)業(yè)供應(yīng)鏈融資模式的運(yùn)作機(jī)理，形成了信用風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并利用Logistic回歸分析構(gòu)建了基于違約概率的中小農(nóng)業(yè)企業(yè)信用風(fēng)險(xiǎn)預(yù)警模型，證明該模型可作為中小農(nóng)業(yè)企業(yè)信用風(fēng)險(xiǎn)預(yù)警的理想工具。

目前，研究農(nóng)業(yè)企業(yè)信用風(fēng)險(xiǎn)的相關(guān)文獻(xiàn)較少。張雪蓮[15]認(rèn)為農(nóng)業(yè)的弱質(zhì)性導(dǎo)致了農(nóng)業(yè)上市企業(yè)的信用高于其他企業(yè)，農(nóng)業(yè)企業(yè)可以通過設(shè)置風(fēng)險(xiǎn)基金、靈活運(yùn)用融資、加入農(nóng)業(yè)保險(xiǎn)補(bǔ)償損失等方式防范信用風(fēng)險(xiǎn)；李延敏等[16]基于金融聯(lián)結(jié)視角，證明KMV模型能夠識(shí)別參與農(nóng)村金融聯(lián)結(jié)的農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)信用風(fēng)險(xiǎn)，但農(nóng)業(yè)產(chǎn)業(yè)化龍頭企業(yè)參與農(nóng)村金融聯(lián)結(jié)程度對(duì)違約風(fēng)險(xiǎn)影響較??；鄭文[17]利用KMV 模型對(duì)長江中游地區(qū)的江西、湖北、湖南、安徽4個(gè)省份的若干家農(nóng)業(yè)類上市公司進(jìn)行了信用風(fēng)險(xiǎn)度量實(shí)證分析，認(rèn)為這一地區(qū)農(nóng)業(yè)類上市公司應(yīng)該完善披露制度、擴(kuò)大經(jīng)營范圍、建立完善的企業(yè)財(cái)務(wù)數(shù)據(jù)庫等。

綜上所述，研究者們對(duì)中小微企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行了相對(duì)充分的研究，但對(duì)農(nóng)業(yè)企業(yè)信用風(fēng)險(xiǎn)方面的研究較少。本文通過分析農(nóng)業(yè)上市公司的信用風(fēng)險(xiǎn)情況，一方面可以為商業(yè)銀行等金融機(jī)構(gòu)提供有針對(duì)性的信用評(píng)價(jià)方法，提高商業(yè)銀行開展農(nóng)業(yè)上市公司融資業(yè)務(wù)的積極性，增加農(nóng)業(yè)上市公司成功融資的可能性，為從事農(nóng)業(yè)生產(chǎn)的企業(yè)、商業(yè)銀行等提供參考；另一方面農(nóng)業(yè)生產(chǎn)企業(yè)也能夠根據(jù)指標(biāo)體系有針對(duì)性地調(diào)整經(jīng)營戰(zhàn)略，做出正確的經(jīng)營決策，進(jìn)一步加強(qiáng)對(duì)信用風(fēng)險(xiǎn)的管理。

1 研究方法與指標(biāo)體系構(gòu)建

Logistic 模型使用最大似然估計(jì)法對(duì)參數(shù)進(jìn)行估計(jì)，它對(duì)樣本數(shù)據(jù)是否存在正態(tài)分布要求不高，所需參數(shù)也較少。Logistic模型表達(dá)式見公式（1）。

其中，Z＝β0＋β1x1＋β2x2＋…＋βnxn，β0表示常數(shù)項(xiàng)，β1，2…n表示回歸系數(shù)，x1，2…n表示財(cái)務(wù)指標(biāo)自變量，因變量P表示企業(yè)違約概率，當(dāng)Z趨于-∞時(shí)，P趨近于0，定義為企業(yè)不存在信用風(fēng)險(xiǎn)；當(dāng)Z趨近于＋∞時(shí)，P趨近于1，定義為企業(yè)存在信用風(fēng)險(xiǎn)[18]。

本文選取43家在滬深上市的農(nóng)業(yè)企業(yè)和2家在新三板上市的農(nóng)業(yè)企業(yè)，將這些農(nóng)業(yè)企業(yè)2019年年度財(cái)務(wù)數(shù)據(jù)作為研究樣本。在傳統(tǒng)信貸模式信用評(píng)級(jí)方式的基礎(chǔ)上，構(gòu)建了農(nóng)業(yè)上市企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，其中包括企業(yè)價(jià)值指標(biāo)、償債能力指標(biāo)、獲利能力指標(biāo)、營運(yùn)能力指標(biāo)、發(fā)展能力指標(biāo)等5個(gè)方面共18個(gè)指標(biāo)，分別為X1每股收益（元/股）、X2每股凈資產(chǎn)（元/股）、X3每股營業(yè)利潤（元/股）、X4凈資產(chǎn)收益率（平均）（%）、X5資產(chǎn)報(bào)酬率（%）、X6資產(chǎn)凈利率（%）、X7銷售凈利率（%）、X8銷售毛利率（%）、X9流動(dòng)比率（%）、X10速動(dòng)比率（%）、X11資產(chǎn)負(fù)債率（%）、X12權(quán)益乘數(shù)（%）、X13營業(yè)利潤增長率（%）、X14經(jīng)營活動(dòng)現(xiàn)金流量凈額增長率（%）、X15總資產(chǎn)增長率（%）、X16存貨周轉(zhuǎn)率（次）、X17應(yīng)收賬款周轉(zhuǎn)率（次）、X18流動(dòng)資產(chǎn)周轉(zhuǎn)率（次）。

2 農(nóng)業(yè)上市公司信用風(fēng)險(xiǎn)度量實(shí)證分析

2.1 主成分分析

2.1.1 KMO和Bartlett檢驗(yàn)

為避免數(shù)據(jù)自變量的多重共線性，首先將樣本中的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使數(shù)據(jù)具有標(biāo)準(zhǔn)性和可加性。將所收集數(shù)據(jù)整理好之后，利用 SPSS19.0 軟件導(dǎo)入數(shù)據(jù)，進(jìn)行描述性統(tǒng)計(jì)分析，得出變量的描述性統(tǒng)計(jì)結(jié)果。

在對(duì)指標(biāo)進(jìn)行因子分析之前，需要進(jìn)行 KMO 和 Bartlett 檢驗(yàn)，檢查數(shù)據(jù)是否適合進(jìn)行因子分析。一般認(rèn)為，KMO值越接近1越適合作因子分析。本研究中得出的KMO值為0.711，同時(shí)Sig值小于0. 05，變量顯著，說明可以對(duì)數(shù)據(jù)進(jìn)行因子分析。

2.1.2 解釋的總方差

利用最大方差法旋轉(zhuǎn)成分矩陣，以特征值大于1為標(biāo)準(zhǔn)，利用因子分析中的主成分分析法提取公因子，根據(jù)主成分分析原理，主成分特征值大于1則為應(yīng)提取的主成分變量。本文中，主成分特征值大于1的分別是7.726、2.648、1.523、1.396、1.258，累計(jì)方差貢獻(xiàn)率達(dá)80.839%，超過75%，說明可以用這5個(gè)主成分代替樣本的所有數(shù)據(jù)。

2.1.3 主成分因子提取

根據(jù)表1旋轉(zhuǎn)成分矩陣，可以確定提取出的5個(gè)主成分具體包含哪些財(cái)務(wù)指標(biāo)。第一個(gè)主成分F1中，X5、X6、X7、X8、X13這5個(gè)財(cái)務(wù)指標(biāo)的載荷度較高，說明這5個(gè)指標(biāo)的相關(guān)性較高，可以化為一類主成分，反映核心企業(yè)的盈利能力；在第二個(gè)主成分F2中，X1、X2、X3這3個(gè)財(cái)務(wù)指標(biāo)的載荷度較高，雖然X15、X17也有較高的載荷，但這兩個(gè)指標(biāo)也在一定程度上反映了企業(yè)的價(jià)值，因此可以將這3個(gè)財(cái)務(wù)指標(biāo)化為一類因子，反映核心企業(yè)的股票價(jià)值；在第3個(gè)主成分F3中，X16、X18的載荷度較高，可以化為一類主成分，反映核心企業(yè)的營運(yùn)能力；在第4個(gè)主成分F4中，X9、X10這兩個(gè)財(cái)務(wù)指標(biāo)的載荷度較高，可以化為一類主成分，反映核心企業(yè)的償債能力；在第5個(gè)主成分F5中，X4、X11、X12這3個(gè)財(cái)務(wù)指標(biāo)顯示出較強(qiáng)的載荷度，可以化為一類主成分，反映核心企業(yè)的成長能力。

表1 旋轉(zhuǎn)成分矩陣

根據(jù)提取的5個(gè)主成分，分別被命名為F1、F2、F3、F4和F5。主成分得分根據(jù)主成分系數(shù)矩陣（表2）計(jì)算，得出線性關(guān)系式。

表2 成分得分系數(shù)矩陣

2.2 Logistic 模型建立

通過主成分分析得到的相關(guān)表達(dá)式可計(jì)算各樣本企業(yè)的F1、F2、F3、F4和F5值，將其作為自變量，因變量為各企業(yè)的P值（其中當(dāng)年違約企業(yè)的P值為0，不違約企業(yè)的P值為1）。具體數(shù)值見表3。各樣本企業(yè)的P值由Zscore模型來得出，Z值模型是紐約大學(xué)斯特恩商學(xué)院風(fēng)險(xiǎn)管理專家Altman提出，這一模型分析了上市公司基于銀行貸款的信用狀況，從而估計(jì)公司違約的可能性[19]。同時(shí)，Altman經(jīng)過統(tǒng)計(jì)分析和計(jì)算提出了判斷準(zhǔn)則，如果企業(yè)的Z值大于2.675（P＝1），表明企業(yè)財(cái)務(wù)狀況良好，發(fā)生財(cái)務(wù)失敗或破產(chǎn)的可能性較??；若Z值小于2.675（P＝0），認(rèn)為該公司商業(yè)信用風(fēng)險(xiǎn)很高，違約的可能性較大。

表3 各企業(yè)的F1、F2、F3、F4和F5數(shù)值與評(píng)判指標(biāo)P數(shù)值的對(duì)照

續(xù)表

利用SPSS19.0對(duì)表3進(jìn)行Logistic模型回歸分析，為獲得F1、F2、F3、F4和F5對(duì)企業(yè)信用風(fēng)險(xiǎn)的影響程度，運(yùn)用的方法是向后去除、逐步向后選擇。結(jié)果如表4所示。變量P表示企業(yè)的違約概率，建立Logistic回歸模型，見公式（2）。

表4 方程中的變量（步驟3）

2.3 模型檢驗(yàn)

從Logistic模型分類表（表5）可以看出，由步驟3確定的最終模型中，對(duì)已觀測的29個(gè)無違約企業(yè)中，模型預(yù)測違約企業(yè)的數(shù)量為27個(gè)，預(yù)測準(zhǔn)確率為93.1%；在已觀測的16個(gè)不違約企業(yè)中，模型預(yù)測不違約企業(yè)的數(shù)量為8個(gè)，預(yù)測準(zhǔn)確率為50%；整個(gè)模型的綜合預(yù)測率為77.8%，準(zhǔn)確率最高。因此，步驟3確定的模型結(jié)果最優(yōu)。

表5 分類表（步驟3）

由表6可知，最終模型的卡方值為11.271，大于7.814 727 903，相應(yīng)的Sig值為0.010，遠(yuǎn)比步驟1與步驟2小于0.05的幅度大。因此，步驟3確定的模型解釋變量與被解釋變量的線性關(guān)系比步驟1與步驟2顯著，說明步驟3確定的模型運(yùn)用較為合理。

表6 模型系數(shù)的綜合檢驗(yàn)（步驟3）

表7中步驟3最終的Hosmer和Lemeshow檢驗(yàn)卡方值為11.078，小于14.067 140 45，并且小于程度比步驟1和步驟2高，相應(yīng)的Sig值為0.135，大于0.05，Hosmer 和 Lemeshow 檢驗(yàn)通過，即步驟3確定的模型解釋擬合效果較好。

表7 Hosmer 和 Lemeshow檢驗(yàn)

3 信用風(fēng)險(xiǎn)管理建議

本研究運(yùn)用主成分分析法篩選影響農(nóng)業(yè)上市公司信用風(fēng)險(xiǎn)的主要影響因子，基于Logistic 模型原理構(gòu)建我國農(nóng)業(yè)上市公司信用風(fēng)險(xiǎn)度量模型，該模型總體預(yù)測準(zhǔn)確率為77.8%。因此，該模型能夠較好地預(yù)測農(nóng)業(yè)上市企業(yè)的信用風(fēng)險(xiǎn)水平，為從事農(nóng)業(yè)生產(chǎn)的企業(yè)、商業(yè)銀行等提供 參考。

為防止我國農(nóng)業(yè)企業(yè)信用風(fēng)險(xiǎn)的出現(xiàn)，結(jié)合本模型分析，提出如下政策建議。

（1）對(duì)農(nóng)業(yè)上市公司而言，應(yīng)適度擴(kuò)大生產(chǎn)經(jīng)營規(guī)模，提高企業(yè)盈利能力，企業(yè)就有足夠利潤償還債務(wù)，企業(yè)信用風(fēng)險(xiǎn)就越小；應(yīng)建立及時(shí)、誠信、規(guī)范的信息披露制度，樹立良好的信譽(yù)，形成優(yōu)秀企業(yè)文化，創(chuàng)立優(yōu)質(zhì)企業(yè)品牌，不斷提升企業(yè)競爭力，使企業(yè)盈利能力與償債能力不斷加強(qiáng)；應(yīng)建立完善的企業(yè)財(cái)務(wù)數(shù)據(jù)庫，因?yàn)檫\(yùn)用信用風(fēng)險(xiǎn)度量模型進(jìn)行有效的信用風(fēng)險(xiǎn)度量和管理都需要完善的歷史財(cái)務(wù)數(shù)據(jù)庫。

（2）對(duì)銀行等金融機(jī)構(gòu)而言，應(yīng)不斷完善并建立可量化的信用評(píng)價(jià)體系，有利于銀行充分了解企業(yè)的整體經(jīng)營狀況，通過模型定期評(píng)估企業(yè)風(fēng)險(xiǎn)，預(yù)計(jì)融資企業(yè)的潛在風(fēng)險(xiǎn)對(duì)銀行造成的影響，盡早作出防范方案，以保證資金的回收。

（3）對(duì)政府而言，應(yīng)建立信用風(fēng)險(xiǎn)數(shù)據(jù)庫，將農(nóng)業(yè)企業(yè)納入其中，一旦發(fā)現(xiàn)存在失信行為，就將其納入信用風(fēng)險(xiǎn)數(shù)據(jù)庫。這一措施如果能夠?qū)崿F(xiàn)，不僅能從根本上降低農(nóng)業(yè)上市企業(yè)的違約情況，而且銀行可以在放款前通過查詢信用風(fēng)險(xiǎn)數(shù)據(jù)庫來決定是否發(fā)放貸款，如果企業(yè)存在不良記錄，銀行可以拒絕其融資請(qǐng)求。這樣不僅保障了銀行的利益，而且企業(yè)為了取得融資貸款必將提升自身的信用管理制度，從根本上解決了農(nóng)業(yè)企業(yè)融資難的問題。