论文部分内容阅读
摘 要：本文数据集选取了A股上市公司里面78家ST公司和145家非ST公司，通过对企业财务数据的挖掘和分析，选取了29个财务指标来构建基于上市公司的信用风险指标体系，通过数据的处理，关键特征的提取，建立了PCA-Logistic回归模型来预测上市公司的信用风险状态，实证结果表明该模型对上市公司信用风险评估的总预测率达到91%，模型能够提前两年预测出企业的信用风险状况。
关键词：上市公司 PCA-Logistic模型 信用风险
一、前言
当前，上市公司可以在股票市场、债券市场等资本市场上通过发行股票、债券等进行融资，从而实现公司的可持续发展。在上市公司融资的过程中，有效解决债权人和债务人双方的信任问题，保障债权人的资金安全是十分重要的。信用风险评估则是一种有效的衡量企业信用风险状况的方法，信用风险评估会影响融资的资金成本和效率，信用风险评估方法的完善有利于推动金融环境的稳定发展和日益完善，关系到整个国家的金融和经济安全。在当前经济增速下滑和去杠杆的背景下，一些上市公司由于杠杆率过高，运营决策失误，导致资金链出现问题，上市公司违约情况频繁出现，信用风险问题突出。而当前我国征信系统还在建设当中，信用风险评估体系不是很完善，给准确的评估上市公司信用风险带来了困难。因此，需要對上市公司的信用风险指标体系和评估方法进行深入的进一步研究。
二、模型构建
（一）指标体系
本文在对已有文献提到的上市公司信用评估指标进行了统计分析基础上，选取了一些出现频率较高的指标，同时通过对上市公司的分析，构建了包括偿债能力、盈利能力、发展能力、经营能力在内的上市公司信用风险评估指标体系。该指标体系具体包括流动比率、速动比率、利息保障倍数、经营活动产生的现金流量净额/流动负债、资产负债率、应收账款周转率、存货周转率、应收账款与收入比、存货与收入比、营运资金（资本）周转率、流动资产与收入比 、流动资产周转率、固定资产与收入比、固定资产周转率、总资产周转率、资产报酬率、净资产收益率、总资产净利润率、流动资产净利润率、固定资产净利润率、营业净利率、营业毛利率、总资产增长率、固定资产增长率、净资产收益率增长率、每股净资产增长率、基本每股收益增长率、净利润增长率、营业收入增长率等29个指标。
（二）PCA-Logistic回归模型
主成分分析是假设信用风险评估研究涉及P个指标，并将其作为P个随机变量，记为X1，X2，…Xp。这P个指标所构成的P维的向量是X=（X1，X2，…Xp）T。对原始变量X进行线性变换，用Y来表示所得的主成分变量，我们称为第p个主成分。即满足下式：
Yp=up1X1+up2X2+…+uppXp
Logistic 回归是分类效果比较好的方法，判断准确率高，其一般形式如下：
本文构建的模型首先是利用主成分分析方法对所建立的指标体系进行指标特征提取，通过对数据进行降维处理，可以有效解决数据之间的相关性，同时通过提取的主成分可以保留指标的原始信息，能够更好的反映企业的信用风险特征，进一步的将提取的多个主成分特征作为Logistic回归的输入，进行预测研究，提前两年预测企业的信用风险状况，并输出得到相应的实证结果。
（三）数据来源
本文是基于企业的财务数据做信用风险预测研究，选取的数据是上市公司2015年披露的数据，来预测企业2017年是否会出现信用风险。本文数据来自于国泰安数据库，通过对数据的预处理，删除了金融类数据和缺失值较多的数据，最终本文选取了在2017年被ST处理的78家上市公司，并按行业和企业规模选取了相应的145家非ST公司作为对比样本。
三、实证分析
（一）显著性检验
本文利用SPSS进行单样本的t检验，从而对总体样本指标进行筛选。通过检验可发现，在29个指标中，18个指标变量的显著性P值都小于0.05，只有流动比率、速动比率、经营活动产生的现金流量净额/流动负债、资产负债率等11个指标服从t分布，通过了显著性检验，所以本文删除不显著的18个指标，保留通过t检验的指标来进行实证研究。
（二）KMO和Bartlett球形检验
进一步的，对经过显著性检验的指标进行主成分分析，采用主成分分析前，首先需要利用KMO和Bartlett球形检验这两种检验对指标之间的相关性进行检验。KMO的值是介于0和1之间的，KMO越大，说明指标之间的相关性就越强，可进行主成分分析。运用SPSS分析发现，KMO的值为0.664，大于0.5，说明这些变量适合于主成分分析。
（三）特征提取
本文利用主成分分析来提取企业的信用风险特征。本文选取累积贡献率超过70%的因子作为主成分特征，经过实证研究得到了4个主成分，它们累积的特征值贡献率为74.883%，因此，我们提取了4个因子做主成分分析。确定了主成分之后，即可将4个特征作为新的变量输入到模型中，并进行预测。
（四）PCA-Logistic回归
本文将4个主成分作为模型的输入，将其输入到Logistic回归模型，并进一步的进行预测分析，本文将二分类变量Y作为上市公司信用风险评估的分组变量，当Y 为0 时，表示为低信用风险企业组，Y为1时，表示高信用风险企业组。并运用SPSS进行回归分析，整理得到 Logistic 模型的预测函数。
本文将预测函数计算得出的概率值等于0.5设定为信用风险的分界点，当概率值大于0.5 时，则Y为1，表明该上市公司信用风险较高；反之，当概率值小于0.5时，则Y为0，表明该上市公司信用风险较低，最终所构建的 PCA-Logistic 模型对样本企业的分类预测结果如表1所示。
表1 分类表 从表1可以看出，该模型对信用风险较低企业的分类准确率为 95.9%，而对信用风险较高企业的分类准确率为 82.1%，总分类准确率为91%；第一类错误率仅为4.1%，第二类错误率为17.9%。因此，本文提出的PCA-Logistic 模型能够对上市公司信用风险状况进行有效的预测，该模型的预测能力比较理想，能够提前两年预测出我国上市公司的信用风险状况。另一方面，本文模型在第二类错误率降低方面还有进一步改进的空间，即对信用风险高的企业的识别准确率需要进一步提高。
四、对策和建议
通过实证分析可以发现，PCA-Logistic回归模型能够提前两年预测出上市企业的信用风险状况。本文通过实证检验结果分析，特提出以下建议。一是要重视历史信用数据库的建设。当前我国的上市公司信用相关的资料大多是一些机构单独收集的，各机构部门之间没有相应的信息共享机制，还没有形成统一的共享的企业信用违约数据库，这给企业的信用风险评估带来了一定的困难，因此应该建立相关的共享机制来对历史的信用数据进行整合并建立相应的征信平台，不断扩大信用数据的数量以及质量。二是当前信用风险评估的数据来源于企业披露的数据，数据的真实性和有效性是需要重点关注的方面，因此监管部门加大监管力度，进一步要求上市公司提高信息披露的质量，保证上市公司提供的相关信息的真实可靠性。三是现有的信用风险评估模型在评估指标体系和评估方法上仍有进一步改进的空间。当前的企业信用风险评估指标体系还没有形成，评估方法在应用机器学习模型方面使用的不多，在模型預测的准确率上仍然有进一步的提高空间，尤其是降低第二类错误率，即在预测高信用风险企业的预测准确率方面需要进一步提高。
参考文献
[1]唐亮，张北阳，陈守东.我国上市公司信用风险评价和度量——基于面板数据Logit模型的实证分析[J].工业技术经济，2011，30（02）：140-147.
[2]邓晶，秦涛，黄珊.基于Logistic模型的我国上市公司信用风险预警研究[J].金融理论与实践，2013（02）：22-26.
[3]刘霞. 上市公司信用风险评估指标体系的综合构建方法[J]. 洛阳师范学院学报， 2016（5）：71-74.
[4]甯懿楠， 杨爽， 李云飞. 上市公司信用风险评估指标体系的构建[J]. 内江师范学院学报， 2017（12）：65-69.
作者简介：陈文兵（1995- ），男，籍贯：湖北省武汉市，学位：硕士研究生，单位：中南财经政法大学，研究方向：风险管理、数据挖掘。
关键词：上市公司 PCA-Logistic模型 信用风险
一、前言
当前，上市公司可以在股票市场、债券市场等资本市场上通过发行股票、债券等进行融资，从而实现公司的可持续发展。在上市公司融资的过程中，有效解决债权人和债务人双方的信任问题，保障债权人的资金安全是十分重要的。信用风险评估则是一种有效的衡量企业信用风险状况的方法，信用风险评估会影响融资的资金成本和效率，信用风险评估方法的完善有利于推动金融环境的稳定发展和日益完善，关系到整个国家的金融和经济安全。在当前经济增速下滑和去杠杆的背景下，一些上市公司由于杠杆率过高，运营决策失误，导致资金链出现问题，上市公司违约情况频繁出现，信用风险问题突出。而当前我国征信系统还在建设当中，信用风险评估体系不是很完善，给准确的评估上市公司信用风险带来了困难。因此，需要對上市公司的信用风险指标体系和评估方法进行深入的进一步研究。
二、模型构建
（一）指标体系
本文在对已有文献提到的上市公司信用评估指标进行了统计分析基础上，选取了一些出现频率较高的指标，同时通过对上市公司的分析，构建了包括偿债能力、盈利能力、发展能力、经营能力在内的上市公司信用风险评估指标体系。该指标体系具体包括流动比率、速动比率、利息保障倍数、经营活动产生的现金流量净额/流动负债、资产负债率、应收账款周转率、存货周转率、应收账款与收入比、存货与收入比、营运资金（资本）周转率、流动资产与收入比 、流动资产周转率、固定资产与收入比、固定资产周转率、总资产周转率、资产报酬率、净资产收益率、总资产净利润率、流动资产净利润率、固定资产净利润率、营业净利率、营业毛利率、总资产增长率、固定资产增长率、净资产收益率增长率、每股净资产增长率、基本每股收益增长率、净利润增长率、营业收入增长率等29个指标。
（二）PCA-Logistic回归模型
主成分分析是假设信用风险评估研究涉及P个指标，并将其作为P个随机变量，记为X1，X2，…Xp。这P个指标所构成的P维的向量是X=（X1，X2，…Xp）T。对原始变量X进行线性变换，用Y来表示所得的主成分变量，我们称为第p个主成分。即满足下式：
Yp=up1X1+up2X2+…+uppXp
Logistic 回归是分类效果比较好的方法，判断准确率高，其一般形式如下：
本文构建的模型首先是利用主成分分析方法对所建立的指标体系进行指标特征提取，通过对数据进行降维处理，可以有效解决数据之间的相关性，同时通过提取的主成分可以保留指标的原始信息，能够更好的反映企业的信用风险特征，进一步的将提取的多个主成分特征作为Logistic回归的输入，进行预测研究，提前两年预测企业的信用风险状况，并输出得到相应的实证结果。
（三）数据来源
本文是基于企业的财务数据做信用风险预测研究，选取的数据是上市公司2015年披露的数据，来预测企业2017年是否会出现信用风险。本文数据来自于国泰安数据库，通过对数据的预处理，删除了金融类数据和缺失值较多的数据，最终本文选取了在2017年被ST处理的78家上市公司，并按行业和企业规模选取了相应的145家非ST公司作为对比样本。
三、实证分析
（一）显著性检验
本文利用SPSS进行单样本的t检验，从而对总体样本指标进行筛选。通过检验可发现，在29个指标中，18个指标变量的显著性P值都小于0.05，只有流动比率、速动比率、经营活动产生的现金流量净额/流动负债、资产负债率等11个指标服从t分布，通过了显著性检验，所以本文删除不显著的18个指标，保留通过t检验的指标来进行实证研究。
（二）KMO和Bartlett球形检验
进一步的，对经过显著性检验的指标进行主成分分析，采用主成分分析前，首先需要利用KMO和Bartlett球形检验这两种检验对指标之间的相关性进行检验。KMO的值是介于0和1之间的，KMO越大，说明指标之间的相关性就越强，可进行主成分分析。运用SPSS分析发现，KMO的值为0.664，大于0.5，说明这些变量适合于主成分分析。
（三）特征提取
本文利用主成分分析来提取企业的信用风险特征。本文选取累积贡献率超过70%的因子作为主成分特征，经过实证研究得到了4个主成分，它们累积的特征值贡献率为74.883%，因此，我们提取了4个因子做主成分分析。确定了主成分之后，即可将4个特征作为新的变量输入到模型中，并进行预测。
（四）PCA-Logistic回归
本文将4个主成分作为模型的输入，将其输入到Logistic回归模型，并进一步的进行预测分析，本文将二分类变量Y作为上市公司信用风险评估的分组变量，当Y 为0 时，表示为低信用风险企业组，Y为1时，表示高信用风险企业组。并运用SPSS进行回归分析，整理得到 Logistic 模型的预测函数。
本文将预测函数计算得出的概率值等于0.5设定为信用风险的分界点，当概率值大于0.5 时，则Y为1，表明该上市公司信用风险较高；反之，当概率值小于0.5时，则Y为0，表明该上市公司信用风险较低，最终所构建的 PCA-Logistic 模型对样本企业的分类预测结果如表1所示。
表1 分类表 从表1可以看出，该模型对信用风险较低企业的分类准确率为 95.9%，而对信用风险较高企业的分类准确率为 82.1%，总分类准确率为91%；第一类错误率仅为4.1%，第二类错误率为17.9%。因此，本文提出的PCA-Logistic 模型能够对上市公司信用风险状况进行有效的预测，该模型的预测能力比较理想，能够提前两年预测出我国上市公司的信用风险状况。另一方面，本文模型在第二类错误率降低方面还有进一步改进的空间，即对信用风险高的企业的识别准确率需要进一步提高。
四、对策和建议
通过实证分析可以发现，PCA-Logistic回归模型能够提前两年预测出上市企业的信用风险状况。本文通过实证检验结果分析，特提出以下建议。一是要重视历史信用数据库的建设。当前我国的上市公司信用相关的资料大多是一些机构单独收集的，各机构部门之间没有相应的信息共享机制，还没有形成统一的共享的企业信用违约数据库，这给企业的信用风险评估带来了一定的困难，因此应该建立相关的共享机制来对历史的信用数据进行整合并建立相应的征信平台，不断扩大信用数据的数量以及质量。二是当前信用风险评估的数据来源于企业披露的数据，数据的真实性和有效性是需要重点关注的方面，因此监管部门加大监管力度，进一步要求上市公司提高信息披露的质量，保证上市公司提供的相关信息的真实可靠性。三是现有的信用风险评估模型在评估指标体系和评估方法上仍有进一步改进的空间。当前的企业信用风险评估指标体系还没有形成，评估方法在应用机器学习模型方面使用的不多，在模型預测的准确率上仍然有进一步的提高空间，尤其是降低第二类错误率，即在预测高信用风险企业的预测准确率方面需要进一步提高。
参考文献
[1]唐亮，张北阳，陈守东.我国上市公司信用风险评价和度量——基于面板数据Logit模型的实证分析[J].工业技术经济，2011，30（02）：140-147.
[2]邓晶，秦涛，黄珊.基于Logistic模型的我国上市公司信用风险预警研究[J].金融理论与实践，2013（02）：22-26.
[3]刘霞. 上市公司信用风险评估指标体系的综合构建方法[J]. 洛阳师范学院学报， 2016（5）：71-74.
[4]甯懿楠， 杨爽， 李云飞. 上市公司信用风险评估指标体系的构建[J]. 内江师范学院学报， 2017（12）：65-69.
作者简介：陈文兵（1995- ），男，籍贯：湖北省武汉市，学位：硕士研究生，单位：中南财经政法大学，研究方向：风险管理、数据挖掘。