制造业上市公司信用风险评估.docVIP

制造业上市公司信用风险评估 　　【摘要】随着经济全球化的到来，金融市场内的波动相关性不断加剧，信用风险越来越成为企业经营状况的重要影响因素。我国制造业当下面临着前所未有的危机，大量的制造业上市公司纷纷破产，其中最主要的因素就是信用危机。所以对制造业上市公司来说，信用风险评估至关重要。本文以我国2005年之前上市的制造业上市公司为样本，以是否ST作用信用状况的评价指标，应用主成分分析和logit模型对我国制造业上市公司的信用风险进行分析 【关键词】制造业上市公司 信用评估 主成分分析 logit 一、序言 “中国制造”曾一度风靡全球，成本低廉。而现在，“中国制造”正遭遇着空前的危机，越来越多的人对中国制造业的前景表示不乐观。中国制造产业目前大多数仍停留在产业链的最低端，产品技术差，利润小，基于这种情况，市场一旦出现问题，企业就会难以为继。另外，中国虽然被称为制造大国，但是真正拿得出手的品牌却很少。制造业上市公司的信用风险，严重地影响到了社会上广大投资者和金融机构经营收益，信用风险已经成为市场环境中上市公司所面临的最重要的金融风险，识别和防范上市公司信用风险极为重要 二、国内外研究现状 WilliamBeaver（1966）在1968年提出了单变量预测模型。他将79家失败企业和与其相对应的79家成功企业作为样本进行研究，结果表明，债务保障率的准确率最高，并且离被ST的时间越近，准确率越高。Ohlson在1980年将1970到1976年间的105家破产公司和2058家非破产公司作为非配对样本，首次采用逻辑回归方法建立预警模型 陈静（1999）将1998年之前的27对上市公司作为样本，用总资产收益率，流动比率，净资产收益率和资产负债率这四个财务指标进行研究，发现这种方法虽然有局限，但具有一定的实践意义。张爱民、祝春山（2001）在Z评分模型的基础之上，选取80家公司，采用主成分分析方法来建立主成分预测模型，并证明主成分预测模型在上市公司?务状况预测方面能够取得较好的预测能力。陈晓兰和任萍（2011）将AHP与Logit相结合，构建了混合模型，其预测正确率达到了93.3% 三、我国制造业上市公司信用风险评估实证研究 本文采用logit的方法来对我国制造业上市公司信用风险的评估进行实证研究，在使用logit的方法研究之前，先对数据进行预处理，对数据进行标准化，并进行主成分分析。使用主成分分析之后的指标与数据带入logit中，得到最终的结果 （一）样本选取 本文采用我国深市制造业上市公司中的非ST公司和ST公司作为样本。选择2009～2015年间首次被ST或*ST的上市公司作为ST样本，选择2005年前上市并且从未被ST的上市公司作为非ST的样本。这是因为刚上市的公司可能因为经营不稳定等原因，各种数据可能与早上市的公司有所差距，导致模型的不准确 （二）数据来源 本文从锐思（RESSET）金融研究数据库中获取数据，选择2005～2015的所有深市制造业上市公司的ST与非ST情况，从中选出2009～2015年间首次被ST或*ST的上市公司的14家作为ST样本，并从中挑出所有2005～2015年间从未被ST的公司作为备选非ST组。搜索每一个ST样本所属的二级分类，并从备选非ST组中选择与之同行业的，资产总额最接近的一家非ST公司作为该ST公司的配对样本，这样获得了14个非ST样本。由于上市公司某一年的财务报表在下一年的四月份才会发布，所以企业在某一年被ST表明该企业在T-1年已经连续亏损两年，所以我们选择ST前两年（即T-2年）的数据样本数据。我们选择如下指标：每股净资产（元/股）_NAPS、资产负债率（%）_Dbastrt、每股息税前利润（元/股）_EBITPS、每股未分配利润（元/股）_UndivprfPS等指标 （三）数据分析 主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。本文的研究所选用的变量相互之间都存在着很大的多重共线性，所以我们首先使用主成分分析来消除相关性 由结果可知，第一个主成分的特征根为4.84235，占总特征根的比例（方差贡献率）为0.4842，这表示第一个成分解释了原来10个变量的48.42%。可见第一个成分对原来10个变量的解释不够。加上的二个主成分之后，方差贡献率变为0.7097，前两个成分可以在很大程度上解释原来10个变量。其中，成分1主要代表的变量为x2，x4，x5，x6，x7，x8，而成