论文部分内容阅读
摘 要：信用风险是目前我国金融市场的主要风险之一，如何提高信用风险管理水平是我 国银行业所面临的重大课题，因此，从量化分析的角度对其展开研究十分必要。量化研究的 方法之一是采用主成分分析方法对上市公司的财务指标进行提取，并在此基础上应用Logit 模型对上市公司的财务状况进行预测，判断该企业的违约概率。实证结果证明Logit模型具 有较强的信用风险预测能力。
关键词： 财务失败 主成分分析 Logit 模型
中图分类号:F830 文献标识码:A
文章编号:1004-4914(2007)11-238-02
一、 研究背景及意义
随着我国证券市场的日益规范化,根据在客观、公允基础上披露的上市公司的财务报告 ,通过构造合理的预测模型,获得对那些财务状况出现严重恶化的上市公司的预警信号,对于 有关方面毋庸置疑具有现实意义，通过这样的预警,借贷者(银行)可以避免贷款的高风险;投 资者可以在股票价格下跌前获得财务风险的警示，为了避免财务数据之间高度的线性相关， 我们采取主成分分析法对样本数据进行处理，我们采用前m个主成分的累积贡献率不低于85% 的标准确定主成分个数。
二、 样本采集和数据预处理
１．样本采集：选取一定数量的“财务失败”企业和与之相对应的同样数量的”非财务 失败”企业作为研究总样本,将总样本随机分为两组,一组为估计样本组,另一组为测试样本 组。估计样本组的数据用于构建预测模型,而测试样本组的数据则用于检验预测模型的有效 程度。在本文研究中，我们把上市公司ＳＴ企业作为财务失败企业。我们随机选取了深沪两 市28家ST公司及与之相对应的28家非ST公司共56家企业作为研究样本（注１），其中随即选 取１４家ＳＴ企业和１４家非ＳＴ企业作为估计样本组，用于建立模型，测试样本组亦为２ ８家(１４家ST公司和１４家非ST公司)，用于检验模型。研究样本见表1：
样本选自上海证券交易所（ｗｗｗ．ｓｓｅ．ｃｏｍ．ｃｎ）深圳证券 交易所（ｗｗｗ．ｓｓｅ．ｏｒｇ．ｃｎ）．本文所选取的ＳＴ公司均为２００６年被特别 处理的公司，其所选取的财务数据年份为20０５、20０４、20０３年。
２．财务比率的选择：现代财务管理理论认为:企业的财务状况主要取决于企业的盈利 能力、偿债能力、营运能力和成长能力。因而，我们选取了上述4个方面的财务指标：
（１）盈利性指标：ｘ１、每股收益，ｘ２、主营业务利润率，ｘ３、净资产收益率，ｘ ４、资产收益率，ｘ５、净利润率；
（２）成长性指标：ｘ６、净资产增长率，ｘ７、总资产增长率，ｘ８、主营业务收入增 长率，ｘ９、营业利润增长率；
（３）流动性与偿债能力指标：ｘ１０、流动性比率，ｘ１１、速动比率，ｘ１２、现金 流动负债比率，ｘ１３、股东权益比率，ｘ１４、现金负债比率，ｘ１５、产权比率， ｘ１６、资产负债率；
（４）营运能力指标：ｘ１７、存货周转率，ｘ１８、应收账款，ｘ１９、资产周转率， ｘ２０、固定资产周转率。
为了分析上述财务比率能否有效区别ST公司与非ST公司,下面笔者就２８家样本企业分 别对上述２０个财务比率运用ＳＰＳＳ软件进行单变量T检验(检验结果略)。
三、主成分分析
结果如下：
Extraction Method: Principal Component Analysis.
根据主成分分析结果，我们可以发现前六个主成分提取了原变量89%的信息，因而我们 提取前六个主成分代替１６个财务指标，为了对所取得的这６个主成分进行经济解释,需要 得到１６个原始财务比率对６个主成分的因子负荷量(即各主成分与各原始财务比率的相关 系数),因子负荷矩阵见表3：
我们可以看到主成分Z1与X4.X7.X8.X9的相关系数较高。我们将主成分Z1定义为成长性 指标。主成分Z2与X19的相关系数较高，因而被定义为营运能力指标。主成分Z3与X3的相关 系数最高，为0.642907，所以被定义为盈利能力指标。主成分Z4与X13.X16的相关系数最高 ，分别为-0.7893.0.78946，被定义为流动性与偿债能力指标。主成分Z5与X15.X16的相关 系数最高，分别为0.456229、0.35753，被定义为流动性与偿债能力指标。主成分Z6与X18的 相关系数最高，为0.73173，被定义为营运能力指标。
四、 Ｌｏｇｉｔ判别模型
下面我们 将Z1，Z2，Z3，Z4，Z5，Z6代入到Logit模型，
Z1=0.108 * X1 + 0.171 * X2 + 0.097*X3+0.458*X4+0.459*X7+0.442*X8+0.460*X9+0. 143*X10+0.150*X12+0.065*X13+0.145*X14+0.095*X15-0.066*X16+0.19*X18+0.02*X19+0.06 3*X20
Z2=0.228* X1 + 0.290 * X2 + 0.260 *X3-0.163*X4-0.163*X7-0.162*X8-0.161*X9+0.236* X10+0.336*X12+0.237*X13+0.339*X14+0.262*X15-0.238*X16+0.1*X18+0.37 * X19+0.283*X 20
Z3=0.221* X1 + 0.273 * X2 + 0.427*X3-0.01*X4-0.012*X7-0.03*X8+0.18*X9-0.418*X10- 0.394*X12-0.079*X13-0.339*X14+0.424*X15-0.076*X16-0.022*X18+0.107 * X19+0.210*X2 0
Z4=-0.069* X1 + 0.192* X2 -0.153*X3-0.022*X4-0.021*X7+0.074*X8-0.002*X9-0.054*X1 0+0.152*X12-0.562*X13+0.168*X14-0.154*X15+0.562*X16-0.006*X18+0.377 * X19+0.276* X20
Z5=.195* X1 -.325* X2 +.410*X3-0.002*X4-0.003*X7-0.070*X8-0.017*X9+0.264*X10+0.1 52*X12-0.324*X13+0.124*X14+0.413*X15+0.324*X16-0.059*X18-0.217 * X19-0.379*X20
Z6=.220* X1 -.368* X2 +.463*X3-0.002*X4-0.002*X7-0.004*X8-0.079*X9-0.020*X10+0.2 99*X12-0.324*X13+0.170*X14-0.366*X15+0.140*X16+0.067*X18-0.245* X19-0.428*X20
经SPSS运算得到：
我们将上市公司的财务数据带入到该公式，如果计算得到的结果大于50%，则该上市公 司违约风险较高，如果计算结果小于50%，则该公司是低风险企业。
模型的检验：我们挑选15家ST企业和15家非ST企业破产前一年（2005年）的财务数据作 为检测样本，对模型进行检测，结果如下：
五、研究结论
第一，本文首先对上市公司的财务数据进行了独立样本ｔ检验，剔除了缺乏显著性的指 标，用余下的１６个指标根据累计贡献率提取了６个主成分，解决多重共线性问题。其次， 用因子负荷矩阵除以特征值的平方根就得到了原始数据的系数，我们据此可计算出相应的主 成分值。然后，将主成分值代入到Ｌｏｇｉｔ模型，得到了Ｌｏｇｉｔ模型的参数值。并用 检测样本对已建立的模型进行预测。
第二，主成分分析方法可以有效解决企业财务数据多重共线性的问题，并且其累积贡献 率 达到８９％，较好的保留了原始数据信息，将其引入到模型中，使模型的判别能力加强。
第三，Ｌｏｇｉｔ模型对于上市公司的预测能力较强，对于特别处理前一年的企业的预 测准确率高达９３％，对于非ＳＴ企业的预测准确率高达８５．７２％，因而，在实践中可 以运用．
参考文献：
1．张爱民，祝春山，许丹健．上市公司财务失败的主成分预测模型及其实证研究［J］．金 融研究,2001(3)
2．李志辉，李萌．我国商业银行信用风险识别模型及其实证研究［J］．经济科学,2005(5)
（作者简介：南开大学金融系硕士研究生，研究方向：数量金融、计量金融 天津 300071 ） （责编：贾伟）
关键词： 财务失败 主成分分析 Logit 模型
中图分类号:F830 文献标识码:A
文章编号:1004-4914(2007)11-238-02
一、 研究背景及意义
随着我国证券市场的日益规范化,根据在客观、公允基础上披露的上市公司的财务报告 ,通过构造合理的预测模型,获得对那些财务状况出现严重恶化的上市公司的预警信号,对于 有关方面毋庸置疑具有现实意义，通过这样的预警,借贷者(银行)可以避免贷款的高风险;投 资者可以在股票价格下跌前获得财务风险的警示，为了避免财务数据之间高度的线性相关， 我们采取主成分分析法对样本数据进行处理，我们采用前m个主成分的累积贡献率不低于85% 的标准确定主成分个数。
二、 样本采集和数据预处理
１．样本采集：选取一定数量的“财务失败”企业和与之相对应的同样数量的”非财务 失败”企业作为研究总样本,将总样本随机分为两组,一组为估计样本组,另一组为测试样本 组。估计样本组的数据用于构建预测模型,而测试样本组的数据则用于检验预测模型的有效 程度。在本文研究中，我们把上市公司ＳＴ企业作为财务失败企业。我们随机选取了深沪两 市28家ST公司及与之相对应的28家非ST公司共56家企业作为研究样本（注１），其中随即选 取１４家ＳＴ企业和１４家非ＳＴ企业作为估计样本组，用于建立模型，测试样本组亦为２ ８家(１４家ST公司和１４家非ST公司)，用于检验模型。研究样本见表1：
样本选自上海证券交易所（ｗｗｗ．ｓｓｅ．ｃｏｍ．ｃｎ）深圳证券 交易所（ｗｗｗ．ｓｓｅ．ｏｒｇ．ｃｎ）．本文所选取的ＳＴ公司均为２００６年被特别 处理的公司，其所选取的财务数据年份为20０５、20０４、20０３年。
２．财务比率的选择：现代财务管理理论认为:企业的财务状况主要取决于企业的盈利 能力、偿债能力、营运能力和成长能力。因而，我们选取了上述4个方面的财务指标：
（１）盈利性指标：ｘ１、每股收益，ｘ２、主营业务利润率，ｘ３、净资产收益率，ｘ ４、资产收益率，ｘ５、净利润率；
（２）成长性指标：ｘ６、净资产增长率，ｘ７、总资产增长率，ｘ８、主营业务收入增 长率，ｘ９、营业利润增长率；
（３）流动性与偿债能力指标：ｘ１０、流动性比率，ｘ１１、速动比率，ｘ１２、现金 流动负债比率，ｘ１３、股东权益比率，ｘ１４、现金负债比率，ｘ１５、产权比率， ｘ１６、资产负债率；
（４）营运能力指标：ｘ１７、存货周转率，ｘ１８、应收账款，ｘ１９、资产周转率， ｘ２０、固定资产周转率。
为了分析上述财务比率能否有效区别ST公司与非ST公司,下面笔者就２８家样本企业分 别对上述２０个财务比率运用ＳＰＳＳ软件进行单变量T检验(检验结果略)。
三、主成分分析
结果如下：
Extraction Method: Principal Component Analysis.
根据主成分分析结果，我们可以发现前六个主成分提取了原变量89%的信息，因而我们 提取前六个主成分代替１６个财务指标，为了对所取得的这６个主成分进行经济解释,需要 得到１６个原始财务比率对６个主成分的因子负荷量(即各主成分与各原始财务比率的相关 系数),因子负荷矩阵见表3：
我们可以看到主成分Z1与X4.X7.X8.X9的相关系数较高。我们将主成分Z1定义为成长性 指标。主成分Z2与X19的相关系数较高，因而被定义为营运能力指标。主成分Z3与X3的相关 系数最高，为0.642907，所以被定义为盈利能力指标。主成分Z4与X13.X16的相关系数最高 ，分别为-0.7893.0.78946，被定义为流动性与偿债能力指标。主成分Z5与X15.X16的相关 系数最高，分别为0.456229、0.35753，被定义为流动性与偿债能力指标。主成分Z6与X18的 相关系数最高，为0.73173，被定义为营运能力指标。
四、 Ｌｏｇｉｔ判别模型
下面我们 将Z1，Z2，Z3，Z4，Z5，Z6代入到Logit模型，
Z1=0.108 * X1 + 0.171 * X2 + 0.097*X3+0.458*X4+0.459*X7+0.442*X8+0.460*X9+0. 143*X10+0.150*X12+0.065*X13+0.145*X14+0.095*X15-0.066*X16+0.19*X18+0.02*X19+0.06 3*X20
Z2=0.228* X1 + 0.290 * X2 + 0.260 *X3-0.163*X4-0.163*X7-0.162*X8-0.161*X9+0.236* X10+0.336*X12+0.237*X13+0.339*X14+0.262*X15-0.238*X16+0.1*X18+0.37 * X19+0.283*X 20
Z3=0.221* X1 + 0.273 * X2 + 0.427*X3-0.01*X4-0.012*X7-0.03*X8+0.18*X9-0.418*X10- 0.394*X12-0.079*X13-0.339*X14+0.424*X15-0.076*X16-0.022*X18+0.107 * X19+0.210*X2 0
Z4=-0.069* X1 + 0.192* X2 -0.153*X3-0.022*X4-0.021*X7+0.074*X8-0.002*X9-0.054*X1 0+0.152*X12-0.562*X13+0.168*X14-0.154*X15+0.562*X16-0.006*X18+0.377 * X19+0.276* X20
Z5=.195* X1 -.325* X2 +.410*X3-0.002*X4-0.003*X7-0.070*X8-0.017*X9+0.264*X10+0.1 52*X12-0.324*X13+0.124*X14+0.413*X15+0.324*X16-0.059*X18-0.217 * X19-0.379*X20
Z6=.220* X1 -.368* X2 +.463*X3-0.002*X4-0.002*X7-0.004*X8-0.079*X9-0.020*X10+0.2 99*X12-0.324*X13+0.170*X14-0.366*X15+0.140*X16+0.067*X18-0.245* X19-0.428*X20
经SPSS运算得到：
我们将上市公司的财务数据带入到该公式，如果计算得到的结果大于50%，则该上市公 司违约风险较高，如果计算结果小于50%，则该公司是低风险企业。
模型的检验：我们挑选15家ST企业和15家非ST企业破产前一年（2005年）的财务数据作 为检测样本，对模型进行检测，结果如下：
五、研究结论
第一，本文首先对上市公司的财务数据进行了独立样本ｔ检验，剔除了缺乏显著性的指 标，用余下的１６个指标根据累计贡献率提取了６个主成分，解决多重共线性问题。其次， 用因子负荷矩阵除以特征值的平方根就得到了原始数据的系数，我们据此可计算出相应的主 成分值。然后，将主成分值代入到Ｌｏｇｉｔ模型，得到了Ｌｏｇｉｔ模型的参数值。并用 检测样本对已建立的模型进行预测。
第二，主成分分析方法可以有效解决企业财务数据多重共线性的问题，并且其累积贡献 率 达到８９％，较好的保留了原始数据信息，将其引入到模型中，使模型的判别能力加强。
第三，Ｌｏｇｉｔ模型对于上市公司的预测能力较强，对于特别处理前一年的企业的预 测准确率高达９３％，对于非ＳＴ企业的预测准确率高达８５．７２％，因而，在实践中可 以运用．
参考文献：
1．张爱民，祝春山，许丹健．上市公司财务失败的主成分预测模型及其实证研究［J］．金 融研究,2001(3)
2．李志辉，李萌．我国商业银行信用风险识别模型及其实证研究［J］．经济科学,2005(5)
（作者简介：南开大学金融系硕士研究生，研究方向：数量金融、计量金融 天津 300071 ） （责编：贾伟）