基于Logistic模型高新企业信贷风险研究.docVIP

基于Logistic模型高新企业信贷风险研究 　　【摘要】中国的高新技术企业10年来高速发展，为中国宏观经济做出巨大贡献。加强对其风险的管理，可以有效增强资本对高新技术企业的信息，对于维持高新技术企业稳定发展具有重要意义。本文以高新技术企业信贷风险为研究对象，以探索有效判断高新技术企业信贷风险的方法为目的，基于前人的相关理论方法研究基础上，选出Logistic模型来评估高新技术企业的风险。 　　【关键词】高新技术企业 风险 Logistic模型 　　一、引言 　　《国家中长期科学和技术发展规划纲要（2006-2020年）》做出提高自主创新能力、建设创新型国家的重大战略决策。党的十八大则进一步指出要把科技创新摆在国家发展全局的核心位置，实施创新驱动发展战略，走中国特色自主创新道路，标志着科技事业进入了全面建设国家创新体系的新阶段。 　　当前，我国高新技术企业面临挑战，融资难已成为最大问题。创新技术不确定性导致的流动性风险，以及高新技术企业与资本市场之间信息不对称导致的信用风险，使得资本在其面前望而却步。风险投资在科技创新发展初期将起着重要作用，而资金的缺乏将阻碍高新技术企业的健康发展。所以对高新技术企业风险预估成为一项亟须解决的问题。 　　二、文献综述 　　银行在信息收集与处理方面具有比较优势，可以掌握一般渠道难以获得的重要信息，因此银行对高技术企业的贷款会进行严格筛选，而这将在一定成都上打击高技术企业开发科技项目的动力，阻碍了科技创新的发展（Rajan，1992）。与此同时，Nakamura、Morck（1999）通过数据实证分析了在金融部门不发达时，以银行为导向的既然弄体系中，银行对技术进步起促进的作用要大于资本市场，而由于银行的稳健经营的风格以及预计规避风险的本质，创新性强、收益高、风险高的企业往往无法获得贷款，因此银行为主导的金融市场不利于高新技术产业的发展。 　　而国内的研究主要起步于90年代后，张玲（2000）在《财务危机预警分析判别模型及其应用》中选取上市公司的公开资料，通过判别分析模型分析上市公司的Z判别分。迟国泰、冯雪、赵志宏（2008）的《商业银行经营风险预警模型及其实证研究》，该文运用聚类分析、主成分分析单因素评价等实证研究方法，建立了商业银行经营风险预警模式。 　　三、研究对象与样本选取 　　（一）研究对象的选取 　　目前，我国高新技术企业融资的主要途径是依靠风险投资以及银行贷款。高新企业经营状况的好坏直接影响了资本市场资金的流动性，所以对高新企业的信用风险评估已变得十分重要。所以本文主要运用Logistic模型研究高新企业违约概率值，通过模型中P值的大小判定高新技术企业是否处于高风险状态。本文将选取50家已上市的高新技术企业的2010～2012年的数据，根据我国证券市场的实际情况，将“ST”企业分为非正常组，将非“ST”企业划分为正常组。 　　在样本选取过程中，考虑到企业本身运营状况，以及部分数据丢失的企业，对数据进行筛选。最后本文选取数据109组。其中，正常样本为84组，非正常样本为25组 　　（二）Logistic模型变量的选择与解释 　　1.财务指标选择，通过筛选，在上市公司披露的财务报告中选取19个指标作为分析对象，指标反映了每家公司的偿债能力、经营能力和盈利能力等方面，通过因子分析和主成分分析，筛选出作为解释变量的指标，即建立计量分析模型进行实证分析。模型最初选取的财务指标如下： 　　表1 模型初选指标 　　2.主成分分析，第一，相关性判定，根据最终得出的109组数据，利用R软件对各指标之间进行相关性检验，因为只有多个指标间有一定的相关性，才能说明他们具有重叠消息，从而才可以提取共同因子，这里运用主成分分析的思想将多个互相关联的指标转化为几个互不关联的综合指标。相关系数矩阵如下： 　　上表中的数据显现出各数据间有一定的相关性，并且可以看出有的相关性很高，说明各财务指标之间有潜在的、共同的信息，我们可以提取几个主成分，以此来代替那几个指标。主成分的个数要用累计贡献率和特征值来确定，累计贡献率要达到80%，特征值要大于1。 　　第二，KMO和Bartlett检验，在进行主成分分析之前，需要进行KMO和Bartlett球形检验，因为主成分分析的应用条件是KMO大于0.6。Bartlett球形检验是为了检验各变量之间的相关性是否显著，相关矩阵被看为单位矩阵的零假设是否成立，由此来判定是否可以用主成分分析法来研究原始数据。当Bartlett球形检验统计量的Sig.值大于0.01时，说明可以接受。得到结果如下： 　　图1 KMO和Bartlett检验 　　检验数据中可以看出，KMO值为0.728，所以原始财务指标间的简单相关系数平方和要远大于偏相关系数平方和，那么