上市公司信用风险评价的研究.docVIP

上市公司信用风险评价的研究 　　[摘 要]本文构造了上市公司信用风险评价的Logit模型,并结合T检验和主成分分析法对模型进行了实证分析。结果表明Logit模型具有非常可信的识别、预测及推广能力,是上市公司信用评估的有效工具。 　　[关键词]上市公司;信用风险;评价 　　doi:10.3969/j.issn.1673-0194.2009.16.023 　　[中图分类号]F276.6[文献标识码]A[文章编号]1673-0194(2009)16-0069-05 　　 　　企业信用风险的评估一直是金融经济学理论界与实务界关注和探讨的问题。能否有效地判断上市公司信用风险程度,意味着能否依据公开披露的信息准确评价一个企业的信用状况。信用风险又称违约风险,是指借款人、证券发行人或交易对方因种种原因,不愿或无力履行合同条件而构成违约,致使银行、投资者或交易对方遭受损失的可能性[1] 。对于上市公司而言,这种违约行为经常表现为拖欠账款、资不抵债以及以发行证券或债券进行圈钱等失信行为,因此对这种违约失信的可能性的度量显得十分重要。自20世纪中期以来,国内外以计算违约率对信用风险进行评价和度量的方法及模型得到了迅速发展。对企业的信用评价主要是基于综合财务指标特征计算违约风险并用来划分信用等级。以综合财务指标为解释变量,运用计量统计方法建立模型分析信用,在金融实务界和学术界逐渐成为主流,评价效果显著。 　　 　　1 企业信用风险评估方法概述 　　 　　从统计学角度看,对企业信用风险进行分析的数学工具主要包括:主成分分析、神经网络技术、判别分析和Logit回归分析等4种类型。主成分分析可以从变量的相互影响关系中提取出主要因素,并根据各要素所含信息的多少确定变量关系和计算方法,一般不能单独使用,而是用来做数据的预处理;神经网络技术是一种对数据分布无任何要求的非线性技术,它能有效解决非正态分布、非线性的信用评估问题,但也存在着“黑箱性”问题、易形成局部极小而得不到整体最优和迭代次数多、收敛速度慢等缺陷;判别分析中的Bayes判别分析和Logit回归分析均可用来进行违约概率分析,但Bayes判别分析需要对所研究的对象已有一定的认识,即需要用到先验概率,而国内银行信用风险度量为时不长,缺乏相应的数据积累,这种先验概率缺乏充足的说服力,如果给定的先验概率获取较为困难,Bayes判别法可能会导致错误的结论[2] 。Logit回归分析是一种非线性分类的统计方法,也适用于因变量中存在定性指标的问题,而且Logit模型采用最大似然估计法进行参数估计,不要求样本数据呈正态分布,这与现实中企业财务指标的真实情况相吻合。目前,对企业信用风险的评估,研究最多的方法是根据财务比率来建立模型。其中,以Beaver(1968)的单变量模型和Altman(1968)的多元模型影响最为广泛。除了传统的判别分析,Ohlson(1980)构建了Logit识别模型,Libby(1975)首次将主成分分析方法引入判别模型以克服变量多重共线性的问题。在国内,张玲等(2004)运用KMV模型对上市公司信用风险进行了评价[3] ;李秉祥(2005)基于主成分分析利用判别分析对上市公司信用风险进行了评价[4] ;傅强等(2005)利用Logistic模型分析了上市公司的信用风险[5] ;阎庆民(2005)利用改进的KMV法研究了不良资产证券化的信用风险问题[6] ;牛东晓(2007)利用改进的GRA法对电力客户信用风险进行了评价[7] 。本文以上市公司一系列财务比率变量建立Logit回归模型,并结合T检验和主成分分析法,来研究企业的违约概率,以期对上市公司信用风险评估提供一种建模方法。 　　 　　2 主成分分析法及Logit模型的构建 　　 　　通过综合考虑信用风险的各影响因素,借鉴国有商业银行企业资信评估指标体系和国内外有关文献的相关指标,在分类、汇总、整理的基础上,同时兼顾数据的可获取性原则和可量化原则,本文引用了20项不同的财务指标,通过这些指标可以较为全面地反映企业的盈利能力、偿债能力、营运能力和成长能力等层面的信息。同时,也应该看到这些指标之间存在一定的相关性与可替代性,因此本文引入主成分分析法加以挑选。 　　2.1 主成分分析法 　　主成分分析法是一种客观赋权方法,在对各个变量之间相关关系研究的基础上,通过对原始观测数据进行降维处理,使新变量的主成分为原来多个变量的线性组合,组合系数就是原变量在该主成分中的相对权重。各个主成分是按方差大小排列的,第一主成分代表的方差信息量最多,其余依次次之。 　　主成分分析的数学模型为: 　　Y??i=a??1ix??1+a??2ix??2+…+a??pix??p。 　　式中,Y??i为主成分, x??i为原始变量