本站原创
【摘要】对上市公司进行信用风险评估，应注重企业财务信息与非财务信息的结合，并合理考虑到宏观经济环境对上市公司的信用状况可能造成的系统性影响。本文选取2007年至2011年我国A股制造业上市公司96家样本数据进行实证分析，结果表明：加入企业非财务指标和宏观经济指标能够提高模型的预测精度和拟合优度，独立董事的比例和公司是否因违规被相关监管部门处理与信用风险显著相关。
【关键词】信用风险 非财务因素logistic模型 上市公司
引言
据中国银监会发布的主要监管指标显示，2012年一季度末全国商业银行不良贷款环比增加103亿元，不良贷款总额达到4382亿元，随着地方融资平台贷款将于下半年开始逐步到期，超过5000亿元的房地产信托贷款也将迎来还贷高峰期，加上长三角、珠三角地区民间借贷危机所暴露出来的信用风险，二季度银行贷款违约风险的概率大增。作为中国资本市场的主体，上市公司因融资规模巨大，信用风险显得尤为重要。因此，如何合理地分析与度量上市公司的信用风险，寻求有效降低商业银行的经营风险的途径显得日益重要。
早期国外对信用风险的研究模型主要采用财务指标，以企业会计信息为解释变量。如Altman的Z值模型和Ohlson的Logistic模型，后来的学者逐渐意识到非财务因素的重要性，Rose、Andrews和Giroux（1982）将总体经济变量纳入财务危机预警模型，增加了模型的解释能力；Keasey和Watson（1987）在模型中加入一些非财务变量，如会计报表延迟发布时间、内部人持股比例等，结果表明此模型比仅用财务比率建立的模型更能准确预测公司的破产；Hoon（2011）利用美国市场数据实证研究表明，国家税收政策显著影响商业抵押贷款违约率。
国内学者对信用风险的研究主要集中在对国外先进模型在中国的适用性改进上，大部分仍以财务指标为主，如周首华（1996）、陈静（1999）、宋冬梅（2009）等。本文将公司治理结构因素和宏观经济因素引入模型，构建新的信用风险评估Logistic回归模型，然后
我们把模型被解释变量，即企业的信用状况分别记为“违约=1”和“不违约=0”。为模型的解释向量，用以表示企业的某一种信用状况发生的概率p，
其中，为模型截距项，表示各指标变量的回归系数，由最大似然法估计得到。本文将0.5作为模型分割点，如果通过逻辑回归模型计算出来的企业发生信用风险的概率p>0.5，那么该上市公司归入信用违约（ST）公司；反之，则归入正常公司。
企业的信用危机往往由财务危机引起，因此对表征企业财务状况恶化的财务指标进行探索，可以提前发现企业潜在的信用风险。本文参考前人研究经验预选18个财务变量，分别是速动比率、资产负债率、比率、企业自由流、债务保障率、流量比率、利息保障倍数、总资产增长率、主营业务收入增长率、营业收入比率、销售净利率、全部资产回收率、资产报酬率、净资产收益率、应收账款周转率、存货周转率、流动资产周转率、总资产周转率。
然而，财务指标真实可靠，利用这些指标评估企业信用风险才有意义。企业所有权与经营权的分离可能导致管理者为追求自身利益而粉饰财务报表，夸大利润，掩饰损失。从写作技巧成本理论出发设立的独立董事制度一定程度上能规避管理者单纯追求盈利性而带来的道德风险。董事会中独立董事的比例越大，对公司管理者的监管越强，企业发生信用违约的可能性越低。 独立董事与上市公司工作地点一致性哑变量区分了两种状况：一致或者不一致。若独立董事与上市公司工作地点不一致，独立董事不能经常参与公司的决策，其独立监管职能很有可能失去实际意义。
我们还设置了企业以往信用记录哑变量，以区分不良信用记录和无不良信用记录。企业的不良信用记录可能意味着该企业信用文化淡薄，偿债意愿较弱，信用风险比无不良信用记录的企业大。
由于企业都是在市场环境中发展的，必然受到宏观经济环境的影响。当GDP增速放缓、居民消费指数（CPI）骤升、广义货币供应量（M2）收缩时，商业银行的不良贷款率会有不同程度的上升（汤婷婷等，2011）。宏观经济环境还将通过影响企业家经营态度进而影响企业的还款意愿。若企业家对未来宏观经济环境或企业发展前景持乐观态度，对企业长期利益的追求将激发他们及时足额偿还贷款的意愿，反之企业家则会尽力追求最大的眼前利益，产生逆向选择与道德风险。
表1 KMO和Bartlett
KMO检验Bartlett检验 卡方值P值
0.749509.708.000
根据Kaiser准则，保留特征值大于1的因子，提取4个公因子，累计解释方差为7
单纯财务变量模型调整后的伪R方为0.722，总体卡方值为74.804（a=0.000），模型整体判断正确率达到89.6%，表征企业获利能力和短期偿债能力的因子解释能力最强。从理论上说，因为本文选取的样本分类标准即上市公司是否被ST，而目前“一会两所”对上市公司是否被ST的判断标准即连续两个会计年度财务状况异常，是根据企业财务状况进行的事后分析，因此在本文的实验中，财务变量具有良好的风险识别能力。
检验结果与单纯财务变量分析基本一致，结果十分显著。加入非财务变量后，统计量Cox & SnellR2=0.630，Nagelkerke R2=0.840，模型总体卡方值为95.480（a=0.000），模型正确识别率达到9
X21表示企业以往的信用记录，包括是否因违规被证监会处理，是否被环保、税务等部门调查或企业高管涉及道德问题等。企业违反证监会股票上市规则，未按要求及时充分进行信息披露，高管未能
在方程中，各宏观经济变量不够显著，原因在于GDP、M2和CPI存在显著相关关系。
参考文献
Cho H, Ciochetti B A, Shilling J D. Are commercial mortgage defaults affected by tax considerations?[J]. Real Estate Financial Economy, 2011( 5).
Keasey K, Watson R. Non-Financial symptoms and the prediction of all company failure: A Test of ARGENTIs Hypotheses[J]. Journal of Business Finance & Accounting, 1987(14): 335-354.
[3] 汤婷婷，方兆本. 商业银行信用风险与宏观经济——基于压力测试的研究[J]. 当代经济科学，2011（4）：66-71.
[4] 石晓军，任若恩，肖远文. 边界Logistic违约率模型及实证研究[J]. 管理科学学报，2007 (3 ) : 44- 51.
[5] 周首华，杨济华，王平. 论财务危机的预警分析——F分数模式[J]. 会计研究，1996（8）：10-13.
[6] Altman E I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance, 1968( 23): 589～609.
[7] Ohlson J A. Financial ratios and probabilistic prediction of bankruptcy [J]. Journal of Accounting Research, 1980, 18(1): 109- 131.
作者简介：崔天媛（1988- ），女，安徽宿州人，合肥工业大学管理学院研究生，研究方向：会计学。
（责任编辑：刘晶晶）
【关键词】信用风险 非财务因素logistic模型 上市公司
引言
据中国银监会发布的主要监管指标显示，2012年一季度末全国商业银行不良贷款环比增加103亿元，不良贷款总额达到4382亿元，随着地方融资平台贷款将于下半年开始逐步到期，超过5000亿元的房地产信托贷款也将迎来还贷高峰期，加上长三角、珠三角地区民间借贷危机所暴露出来的信用风险，二季度银行贷款违约风险的概率大增。作为中国资本市场的主体，上市公司因融资规模巨大，信用风险显得尤为重要。因此，如何合理地分析与度量上市公司的信用风险，寻求有效降低商业银行的经营风险的途径显得日益重要。
早期国外对信用风险的研究模型主要采用财务指标，以企业会计信息为解释变量。如Altman的Z值模型和Ohlson的Logistic模型，后来的学者逐渐意识到非财务因素的重要性，Rose、Andrews和Giroux（1982）将总体经济变量纳入财务危机预警模型，增加了模型的解释能力；Keasey和Watson（1987）在模型中加入一些非财务变量，如会计报表延迟发布时间、内部人持股比例等，结果表明此模型比仅用财务比率建立的模型更能准确预测公司的破产；Hoon（2011）利用美国市场数据实证研究表明，国家税收政策显著影响商业抵押贷款违约率。
国内学者对信用风险的研究主要集中在对国外先进模型在中国的适用性改进上，大部分仍以财务指标为主，如周首华（1996）、陈静（1999）、宋冬梅（2009）等。本文将公司治理结构因素和宏观经济因素引入模型，构建新的信用风险评估Logistic回归模型，然后
中专生毕业论文www.udooo.com
利用数据检验加入一系列非财务因素后检验能否改善模型识别效果，并甄别不同非财务因素的识别能力。二、研究设计
(一) 定义违约
现代信用风险理论认为债务人的资产价值随信用状况的降低而下降，损失在违约前就会发生。上市公司因财务困难被ST时，虽然并不一定违约，但其资产价值必然受到负面影响，将ST企业作为信用风险研究的违约样本会适当地提高风险警戒水平，对信用风险管理不无裨益。(二)数据选取
为排除行业因素的影响，本文选择中国A股制造业上市公司2007年至2011年首次被ST的70家企业作为违约样本，收集目标企业被处理前一年年底的财务数据和非财务数据，剔除数据不完整的个体，得到48份ST公司样本，再按照1:1的比例，选取与违约企业被ST前一年年底的总资产规模差异在10%之内的正常企业作为配对样本，共计96个企业样本。本文实证分析采用SPSS17.0软件。
(三)二元Logistic模型的建立
Logistic模型作为一种非线性分类的统计方法，不要求样本数据呈正态分布，可以解决因变量不连续回归的问题，因此我们选择Logistic模型进行企业信用风险评估研究。我们把模型被解释变量，即企业的信用状况分别记为“违约=1”和“不违约=0”。为模型的解释向量，用以表示企业的某一种信用状况发生的概率p，
其中，为模型截距项，表示各指标变量的回归系数，由最大似然法估计得到。本文将0.5作为模型分割点，如果通过逻辑回归模型计算出来的企业发生信用风险的概率p>0.5，那么该上市公司归入信用违约（ST）公司；反之，则归入正常公司。
企业的信用危机往往由财务危机引起，因此对表征企业财务状况恶化的财务指标进行探索，可以提前发现企业潜在的信用风险。本文参考前人研究经验预选18个财务变量，分别是速动比率、资产负债率、比率、企业自由流、债务保障率、流量比率、利息保障倍数、总资产增长率、主营业务收入增长率、营业收入比率、销售净利率、全部资产回收率、资产报酬率、净资产收益率、应收账款周转率、存货周转率、流动资产周转率、总资产周转率。
然而，财务指标真实可靠，利用这些指标评估企业信用风险才有意义。企业所有权与经营权的分离可能导致管理者为追求自身利益而粉饰财务报表，夸大利润，掩饰损失。从写作技巧成本理论出发设立的独立董事制度一定程度上能规避管理者单纯追求盈利性而带来的道德风险。董事会中独立董事的比例越大，对公司管理者的监管越强，企业发生信用违约的可能性越低。 独立董事与上市公司工作地点一致性哑变量区分了两种状况：一致或者不一致。若独立董事与上市公司工作地点不一致，独立董事不能经常参与公司的决策，其独立监管职能很有可能失去实际意义。
我们还设置了企业以往信用记录哑变量，以区分不良信用记录和无不良信用记录。企业的不良信用记录可能意味着该企业信用文化淡薄，偿债意愿较弱，信用风险比无不良信用记录的企业大。
由于企业都是在市场环境中发展的，必然受到宏观经济环境的影响。当GDP增速放缓、居民消费指数（CPI）骤升、广义货币供应量（M2）收缩时，商业银行的不良贷款率会有不同程度的上升（汤婷婷等，2011）。宏观经济环境还将通过影响企业家经营态度进而影响企业的还款意愿。若企业家对未来宏观经济环境或企业发展前景持乐观态度，对企业长期利益的追求将激发他们及时足额偿还贷款的意愿，反之企业家则会尽力追求最大的眼前利益，产生逆向选择与道德风险。
三、实证结果
(一)描述性分析
为保证研究的有效性，首先采用财务变量均值t检验来检测ST样本数据与非ST样本数据是否具有显著差异。检验结果表明，ST和非ST公司在债务保障率、销售净利率、资产报酬率、净资产收益率、总资产增长率、营业收入增长率、速动比率、比率、总资产周转率、资产负债率和利息保障倍数这11个财务指标上存在显著差异，显著性水平达到0.05。因此选择这11个财务指标进入下一步的因子分析。(二)因子分析
KMO和Bartlett球度检验显示财务变量之间存在显性相关关系，适合做因子分析，见表1。表1 KMO和Bartlett
KMO检验Bartlett检验 卡方值P值
0.749509.708.000
根据Kaiser准则，保留特征值大于1的因子，提取4个公因子，累计解释方差为7
6.135%. 因子得分函数如下：
因子1主要由X7和X13解释，反映企业获利能力；因子2主要由X1和X3解释，反映企业短期偿债能力；因子3主要由X18解释，反映企业营运能力；因子4主要由X5和X11，主要反映企业偿债能力。(三) 财务因子Logistic回归模型
利用上一步得出的四个公因子进行logistic回归，变量采用一次性强制输入，得到的Logistic回归方程为：单纯财务变量模型调整后的伪R方为0.722，总体卡方值为74.804（a=0.000），模型整体判断正确率达到89.6%，表征企业获利能力和短期偿债能力的因子解释能力最强。从理论上说，因为本文选取的样本分类标准即上市公司是否被ST，而目前“一会两所”对上市公司是否被ST的判断标准即连续两个会计年度财务状况异常，是根据企业财务状况进行的事后分析，因此在本文的实验中，财务变量具有良好的风险识别能力。
(四)加入非财务变量的logistic回归模型
将财务公因子和非财务变量以及宏观经济变量作为自变量，采用似然比后向法将自变量分步纳入Logistic模型，得到如下回归方程：检验结果与单纯财务变量分析基本一致，结果十分显著。加入非财务变量后，统计量Cox & SnellR2=0.630，Nagelkerke R2=0.840，模型总体卡方值为95.480（a=0.000），模型正确识别率达到9
2.7%，比单纯财务分析提高了3.1%，说明非财务指标作用显著。
在所有非财务变量中，仅有X19和X21在0.05的水平下显著。其中X19表示企业中独立董事的比例，这说明独立董事的比例是企业信贷生态环境的重要信号。独立董事不在公司内部任职，不受股东和管理层的限制，因此能对公司决策做出独立判断。独立董事的比例越高，企业做出错误经营决策的可能性越低，从而企业丧失还款能力的可能性越低；同时由于独立董事与所在公司没有重大利益关系，因此在独立董事监督下披露的企业信息能较为准确的反映企业风险水平。X21表示企业以往的信用记录，包括是否因违规被证监会处理，是否被环保、税务等部门调查或企业高管涉及道德问题等。企业违反证监会股票上市规则，未按要求及时充分进行信息披露，高管未能
摘自：毕业论文评语www.udooo.com
恪守职责、履行诚信、勤勉义务等，预示着该企业存在还款意愿较低、信用风险较大的可能。该结果还说明相关监管部门，尤其是证监会（这是因为在本文中企业违规数据主要选取证监会发布的违规处理公告）对上市公司的监管有效而显著，权益相关者在投资前应重视这类信息。在方程中，各宏观经济变量不够显著，原因在于GDP、M2和CPI存在显著相关关系。
四、结论及启示
信用风险识别模型有助于提前发现企业信用风险，对加强信贷管理具有重要意义。财务指标比非财务指标更能显著指示风险，不过加入非财务指标能提高模型的预测准确率，因此投资者不仅应谨慎分析企业的财务状况，了解其还款能力，更应注重搜集目标企业以往的信用记录、治理结构等软信息，以考察企业的还款意愿，降低投资可能遭遇的信用风险。参考文献
Cho H, Ciochetti B A, Shilling J D. Are commercial mortgage defaults affected by tax considerations?[J]. Real Estate Financial Economy, 2011( 5).
Keasey K, Watson R. Non-Financial symptoms and the prediction of all company failure: A Test of ARGENTIs Hypotheses[J]. Journal of Business Finance & Accounting, 1987(14): 335-354.
[3] 汤婷婷，方兆本. 商业银行信用风险与宏观经济——基于压力测试的研究[J]. 当代经济科学，2011（4）：66-71.
[4] 石晓军，任若恩，肖远文. 边界Logistic违约率模型及实证研究[J]. 管理科学学报，2007 (3 ) : 44- 51.
[5] 周首华，杨济华，王平. 论财务危机的预警分析——F分数模式[J]. 会计研究，1996（8）：10-13.
[6] Altman E I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]. The Journal of Finance, 1968( 23): 589～609.
[7] Ohlson J A. Financial ratios and probabilistic prediction of bankruptcy [J]. Journal of Accounting Research, 1980, 18(1): 109- 131.
作者简介：崔天媛（1988- ），女，安徽宿州人，合肥工业大学管理学院研究生，研究方向：会计学。
（责任编辑：刘晶晶）