周經(jīng)緯

（東莞職業(yè)技術(shù)學(xué)院財(cái)經(jīng)系，廣東 東莞，523808）

基于財(cái)務(wù)指標(biāo)的我國(guó)上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)研究

周經(jīng)緯

（東莞職業(yè)技術(shù)學(xué)院財(cái)經(jīng)系，廣東 東莞，523808）

上市公司的信用風(fēng)險(xiǎn)評(píng)價(jià)是當(dāng)前我國(guó)學(xué)術(shù)研究的熱點(diǎn)問(wèn)題。以我國(guó)上市公司為研究對(duì)象，選取了2011年末期118家上市公司作為研究樣本，其中ST企業(yè)44家和非ST企業(yè)74家，分別建立了線性判別模型和邏輯回歸模型兩種信用風(fēng)險(xiǎn)評(píng)價(jià)模型。通過(guò)模型比較發(fā)現(xiàn)，兩種模型均能對(duì)企業(yè)的信用風(fēng)險(xiǎn)做出較為準(zhǔn)確的判斷，但邏輯回歸模型的效果更優(yōu)，具有更高的判別準(zhǔn)確率。

上市公司；信用風(fēng)險(xiǎn)；評(píng)價(jià)；實(shí)證研究

一、引言

信用風(fēng)險(xiǎn)又被稱(chēng)為違約風(fēng)險(xiǎn)，是指?jìng)鶆?wù)人在債務(wù)期限結(jié)束時(shí)不能按時(shí)履行債務(wù)合約，最后導(dǎo)致債權(quán)人損失的可能性[1]。信用風(fēng)險(xiǎn)廣泛存在于經(jīng)濟(jì)個(gè)體交往之中，是現(xiàn)代經(jīng)濟(jì)體系面臨的主要風(fēng)險(xiǎn)。當(dāng)前我國(guó)上市公司違規(guī)失信事件屢見(jiàn)不鮮、層出不窮，上市公司的信用風(fēng)險(xiǎn)問(wèn)題已受到越來(lái)越多的投資者及政府部門(mén)的重視。上市公司的信用風(fēng)險(xiǎn)評(píng)價(jià)和控制已成為當(dāng)前我國(guó)學(xué)術(shù)研究的熱點(diǎn)問(wèn)題?，F(xiàn)有的研究多局限于利用性判別模型、邏輯回歸模型、KMV模型等單一方法判斷上市公司信用風(fēng)險(xiǎn)，由于沒(méi)有考慮模型自身缺陷，得出的結(jié)論具有片面性。

二、文獻(xiàn)回顧

國(guó)外對(duì)公司信用風(fēng)險(xiǎn)的研究較早。1936年，F(xiàn)isher第一次提出了判別分析法，這給信用風(fēng)險(xiǎn)測(cè)度研究帶來(lái)了新的思路。1968年，美國(guó)財(cái)務(wù)專(zhuān)家Altman借鑒Fisher的思想利用多元判別分析技術(shù)建立了Z評(píng)分模型[2]。該方法在一定程度上彌補(bǔ)了單變量分析方法的不足。1977年Altman、Haldeman和Narayanan修正并擴(kuò)展了該模型，建立了Zeta判別模型，經(jīng)過(guò)實(shí)證檢驗(yàn)，該模型的預(yù)測(cè)能力非常強(qiáng)，對(duì)破產(chǎn)前一年的預(yù)測(cè)準(zhǔn)確度達(dá)到96%[3]。由于Zeta判別模型較簡(jiǎn)便、成本低、效果好，德國(guó)、法國(guó)、日本等國(guó)家都先后依據(jù)該模型發(fā)展出與之相適應(yīng)的信用風(fēng)險(xiǎn)度量模型。Zeta判別模型雖然能有效識(shí)別公司的信用級(jí)別，但它要求數(shù)據(jù)服從多元正態(tài)分布、等協(xié)方差，前提條件過(guò)于苛刻?，F(xiàn)實(shí)中大量數(shù)據(jù)嚴(yán)重違背了這些假定。

為此，Press and Wilson、Ohlson采用了Logistic Function建立了Logit信用評(píng)分模型。Logit模型沒(méi)有嚴(yán)格的前提條件，它不需假定任何概率分布，也不要求等協(xié)方差。Smith和Lawerence用Logit模型得出預(yù)測(cè)貸款違約最理想的變量；Westgaard根據(jù)1995—1999年間挪威所有有限責(zé)任公司的資料，建立了違約Logit模型，發(fā)現(xiàn)資產(chǎn)報(bào)酬率、短期流動(dòng)性、企業(yè)資產(chǎn)規(guī)模、資本結(jié)構(gòu)4個(gè)指標(biāo)對(duì)評(píng)估企業(yè)破產(chǎn)具有統(tǒng)計(jì)顯著性。國(guó)外學(xué)者采用大樣本來(lái)研究問(wèn)題，變量選取比較全面，效果也比較好，具有一定的借鑒意義。

國(guó)內(nèi)的相關(guān)研究起步較晚。1999年陳靜以1995—1997年A股市場(chǎng)27家ST公司和27家非ST公司為總體樣本建立了兩個(gè)線性判別模型首次對(duì)我國(guó)上市公司信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，總體判別正確率為92.6%[4]。然而其用來(lái)檢驗(yàn)?zāi)Ｐ团袆e正確率的樣本就是用于估計(jì)參數(shù)的樣本，因此判別正確率有高估的傾向。2000年陳曉等以1998—1999年37家ST公司為樣本，建立Logistic回歸模型并得到了86%的預(yù)測(cè)準(zhǔn)確度。2003年，梁琪通過(guò)對(duì)142家上市公司的財(cái)務(wù)失敗進(jìn)行實(shí)證研究，提出了預(yù)測(cè)我國(guó)上市公司經(jīng)營(yíng)失敗的主成分判別模型，指出企業(yè)的景氣指標(biāo)、盈利指標(biāo)、增長(zhǎng)指標(biāo)和資本市場(chǎng)指標(biāo)4個(gè)主成分最能解釋上市公司的經(jīng)營(yíng)失敗情況[5]。2007年張立軍等以A股市場(chǎng)164家上市公司為研究對(duì)象，選取了9個(gè)財(cái)務(wù)指標(biāo)先進(jìn)行因子分析，得出相對(duì)應(yīng)的主成分指標(biāo)，再進(jìn)行Logistic回歸分析，結(jié)果表明回歸預(yù)測(cè)的效果較好[6]。國(guó)內(nèi)研究成果大多是利用單一的方法去研究信息風(fēng)險(xiǎn)問(wèn)題，較少考慮模型本身的缺陷，也沒(méi)有進(jìn)行模型之間的對(duì)比分析，因而得出的結(jié)論具有一定的片面性。本文在前人研究的基礎(chǔ)上，以我國(guó)上市公司為研究對(duì)象，分別建立了線性判別模型和邏輯回歸模型，并進(jìn)行兩種模型的比較分析，通過(guò)模型之間的交互驗(yàn)證，得出更為一般和合理的結(jié)論。

三、樣本與指標(biāo)的選取

（一）模型樣本的選擇

本文的樣本來(lái)自于在滬深市場(chǎng)上市公司。由于ST公司比一般正常的上市公司具有較高的信用風(fēng)險(xiǎn)（違約風(fēng)險(xiǎn)），為了便于說(shuō)明問(wèn)題和對(duì)比，本文選取了有代表意義的ST公司和正常的上市公司這兩類(lèi)樣本進(jìn)行研究。鑒于金融機(jī)構(gòu)的財(cái)務(wù)比率的特殊性，本文只選擇非金融機(jī)構(gòu)作為研究樣本。模型總樣本由2011年末期118家上市公司組成，其中經(jīng)營(yíng)失敗組（ST企業(yè)）44家和經(jīng)營(yíng)正常組（非ST企業(yè)）74家。所有數(shù)據(jù)均取自雅虎網(wǎng)和中投證券數(shù)據(jù)庫(kù)。

（二）模型指標(biāo)的確定

一般而言，企業(yè)信用評(píng)價(jià)及違約風(fēng)險(xiǎn)大小與企業(yè)財(cái)務(wù)狀況密切相關(guān)。企業(yè)財(cái)務(wù)狀況良好時(shí)，資本運(yùn)營(yíng)順暢、現(xiàn)金流量管理能力較好，企業(yè)就可能守信、有能力且可及時(shí)還款。反之，當(dāng)一個(gè)企業(yè)財(cái)務(wù)出現(xiàn)危機(jī)時(shí)，企業(yè)的經(jīng)營(yíng)、運(yùn)作和盈利均處于不利狀態(tài)，就可能出現(xiàn)拖欠貨款、喪失信譽(yù)等行為，導(dǎo)致企業(yè)信用危機(jī)，更加劇了財(cái)務(wù)困境。因此，對(duì)企業(yè)信用風(fēng)險(xiǎn)的測(cè)度可以轉(zhuǎn)化為衡量企業(yè)財(cái)務(wù)狀況的問(wèn)題。按照指標(biāo)的選取原則并結(jié)合我國(guó)上市公司的實(shí)際情況，本文從反映公司盈利能力、營(yíng)運(yùn)能力、償債能力和現(xiàn)金流量能力等方面選取財(cái)務(wù)指標(biāo)來(lái)構(gòu)建模型。指標(biāo)具體如表1所示：

表1 選取的財(cái)務(wù)指標(biāo)

其中X1表示凈資產(chǎn)收益率，該指標(biāo)越高，說(shuō)明企業(yè)自有資本獲取收益的能力越強(qiáng)，運(yùn)營(yíng)效益越好，對(duì)企業(yè)投資人和債權(quán)人權(quán)益的保證程度越高，企業(yè)的預(yù)期違約率就越低；X2表示存貨周轉(zhuǎn)率，該指標(biāo)越高，表明存貨變現(xiàn)的速度越快，存貨占用的資金越少，利用效率越高，企業(yè)的資產(chǎn)管理水平就會(huì)越高。X3表示流動(dòng)比率，該指標(biāo)越高，反映企業(yè)短期償債能力越強(qiáng)，債權(quán)人的權(quán)益越有保障。X4表示主營(yíng)業(yè)務(wù)現(xiàn)金比，該指標(biāo)越高，說(shuō)明企業(yè)取得的收入大部分都是現(xiàn)金，利潤(rùn)質(zhì)量高，企業(yè)償還債務(wù)的能力越強(qiáng)，違約風(fēng)險(xiǎn)越低。

（三）模型指標(biāo)的自相關(guān)性檢驗(yàn)

為判斷模型指標(biāo)是否存在自相關(guān)性，需要對(duì)這些變量作Pearson相關(guān)性分析。表2列示了Pearson檢驗(yàn)結(jié)果。從表2中可以看出4個(gè)財(cái)務(wù)指標(biāo)比率變量?jī)蓛芍g的相關(guān)性并不強(qiáng)，除了流動(dòng)比率與存貨周轉(zhuǎn)率的相關(guān)性0.289稍微大一點(diǎn)，其余各個(gè)財(cái)務(wù)比率變量之間的相關(guān)系數(shù)基本都小于0.05。這樣一個(gè)相關(guān)系數(shù)矩陣完全符合建立判別分析模型和邏輯回歸模型的要求。

表2 解釋變量Pearson相關(guān)系數(shù)（N=116）

四、模型的建立

（一）基于線性判別模型的實(shí)證分析

以樣本企業(yè)2011年年報(bào)數(shù)據(jù)為基礎(chǔ)，經(jīng)運(yùn)行SPSS軟件，進(jìn)行單變量組間均值相等檢驗(yàn)（如表3所示）。由表3知，變量X2和X4的顯著水平均大于0.05，沒(méi)有通過(guò)顯著性檢驗(yàn)，判斷作用不顯著；而變量X1和X3的顯著水平均小于0.05，說(shuō)明在0.05的顯著水平下變量X1和X3通過(guò)了顯著性檢驗(yàn)，可進(jìn)行判別分析。Wilks’Lambda統(tǒng)計(jì)量是測(cè)度判別量作用大小的統(tǒng)計(jì)量，如果某變量的Wilks’Lambda值較小，那么該變量判別分析的作用就越大。表3中變量X1的Wilks’Lambda值小于變量X3，說(shuō)明變量X1在判別模型中的作用大于變量X3。

表4顯示標(biāo)準(zhǔn)化的典型判別函數(shù)系數(shù)，于是可得到如下兩個(gè)標(biāo)準(zhǔn)化的典型判別分析模型：

非ST公司Fisher判別函數(shù)：

表4 標(biāo)準(zhǔn)化的典型判別函數(shù)系數(shù)

利用模型（1）和模型（2）對(duì)數(shù)據(jù)樣本進(jìn)行判別分析，匯總計(jì)算結(jié)果為74家非ST公司中，使用判別分析后全部劃分到非ST公司，誤判個(gè)數(shù)為0；而44家ST公司，有30家被劃分為ST公司，14家被劃分為非ST公司，誤判個(gè)數(shù)為14，因而總的誤判率為11.9%，這表明判別分析模型的總體判別準(zhǔn)確率達(dá)到88.1%。

（二）基于邏輯回歸模型的實(shí)證分析

為了保持邏輯回歸模型與線性判別模型的數(shù)據(jù)一致性，邏輯回歸模型選用的參數(shù)數(shù)據(jù)與線性判別模型都是凈資產(chǎn)收益率、存貨周轉(zhuǎn)率、流動(dòng)比率和主營(yíng)業(yè)務(wù)現(xiàn)金比。把樣本數(shù)據(jù)輸入SPSS統(tǒng)計(jì)軟件，調(diào)用Logistic回歸過(guò)程，得到運(yùn)行結(jié)果（見(jiàn)表5）。

表5 模型摘要

-2對(duì)數(shù)似然值用于檢驗(yàn)全部自變量的作用是否顯著，適用于含連續(xù)性變量的情況。-2對(duì)數(shù)似然值越小，模型的擬合效果越差；該值越大，模型的擬合效果越好。從上表看，模型擬合的較好。Cox&Snell R2和Nagelkerke R2與線性模型的R2相似，是對(duì)回歸模型變異中可解釋部分的量化，這兩個(gè)擬合系數(shù)的數(shù)值越大，模型的擬合效果越好，由上表可知模型擬合的較好。

利用同樣的數(shù)據(jù)，對(duì)上述4個(gè)財(cái)務(wù)比率運(yùn)用SPSS13分析軟件的Logistic回歸分析功能中的多種自動(dòng)篩選最佳自動(dòng)變量功能進(jìn)行篩選，通過(guò)SPSS分析軟件運(yùn)算，我們從上述4個(gè)財(cái)務(wù)指標(biāo)中選擇“凈資產(chǎn)收益率”作為最佳自變量?；貧w結(jié)果參數(shù)估計(jì)如表6所示：

表6 Logistic回歸結(jié)果

由上表，可得估計(jì)的Logistic回歸方程如下：

其中X1為凈資產(chǎn)收益率。

運(yùn)用上述模型（3）對(duì)118個(gè)訓(xùn)練樣本進(jìn)行判定，計(jì)算出相應(yīng)的P值，若P值＜0.5就判斷企業(yè)為守信較差的企業(yè)（信用較差）；若P值≥0.5就判斷企業(yè)為守信較好的企業(yè)（信用較好）。將樣本具體數(shù)據(jù)代入模型（3），得到的回判精度見(jiàn)表7所示：

表7 Logistic模型 識(shí)別結(jié)果

從表6的回判結(jié)果可以看出，而44家ST公司，有43家被劃分為ST公司，1家被劃分為非ST公司，預(yù)測(cè)準(zhǔn)確率達(dá)97.7%；74家非ST公司中，判斷正確的達(dá)73家公司，預(yù)測(cè)準(zhǔn)確率達(dá)到98.6%，模型總的預(yù)測(cè)準(zhǔn)確率為98.3%，與判別分析模型的分類(lèi)表相比，預(yù)測(cè)準(zhǔn)確率提高了10.2%。

五、兩種模型的比較分析

通過(guò)以上分析可知，線性判別模型和邏輯回歸模型對(duì)企業(yè)進(jìn)行信用風(fēng)險(xiǎn)分析都能得到很高的判別準(zhǔn)確度（大于82%），因而兩種模型對(duì)于判別企業(yè)的信用風(fēng)險(xiǎn)具有重要的參考價(jià)值。兩種模型相比較而言，邏輯回歸模型則要比線性判別模型有著更高的準(zhǔn)確性。具體分析，判別分析模型對(duì)非ST公司的判別準(zhǔn)確性非常高，本案例分析中沒(méi)有誤判，但對(duì)ST公司的判別正確率偏低。邏輯回歸模型對(duì)兩類(lèi)企業(yè)的判別準(zhǔn)確率都相當(dāng)高，與線性判別模型相比突出表現(xiàn)在對(duì)ST公司的判別上，本案例分析中僅存在一個(gè)誤判。邏輯回歸模型對(duì)企業(yè)信用風(fēng)險(xiǎn)的判別準(zhǔn)確率高于線性判別模型是有原因的。線性判別模型的基本思想是假設(shè)財(cái)務(wù)指標(biāo)可以反映企業(yè)的信用狀況，通過(guò)對(duì)企業(yè)主要財(cái)務(wù)指標(biāo)的分析和模擬，測(cè)度企業(yè)的信用水平。因而該模型對(duì)數(shù)據(jù)質(zhì)量具有較高的依賴(lài)性，例如要求變量的多元正態(tài)分布、獨(dú)立性及等協(xié)方差矩陣等，而一旦財(cái)務(wù)數(shù)據(jù)指標(biāo)不能完全滿(mǎn)足這些條件，其在信用分析評(píng)價(jià)與預(yù)測(cè)中的準(zhǔn)確性就會(huì)打折扣。邏輯回歸模型是一種非線性的概率模型，它對(duì)于自變量的分布沒(méi)有具體的要求，也不需要假設(shè)自變量之間存在多元正態(tài)分布，因而參數(shù)估計(jì)更加穩(wěn)健，預(yù)測(cè)中的準(zhǔn)確性更高。邏輯回歸模型并非完美，也具有一定的缺陷，如該模型對(duì)異常數(shù)據(jù)的分析很容易產(chǎn)生誤判。因而，在實(shí)際信用風(fēng)險(xiǎn)評(píng)價(jià)中應(yīng)多種模型結(jié)合使用，綜合評(píng)價(jià)，減少誤判。

六、加強(qiáng)我國(guó)上市公司信用風(fēng)險(xiǎn)監(jiān)管政策建議

（一）加快培育權(quán)威的專(zhuān)業(yè)商業(yè)信用評(píng)級(jí)機(jī)構(gòu)

專(zhuān)業(yè)的商業(yè)信用評(píng)級(jí)機(jī)構(gòu)是企業(yè)與金融機(jī)構(gòu)和投資者之間相互了解和信任的中介與橋梁，能夠較好的解決證券市場(chǎng)信息不對(duì)稱(chēng)問(wèn)題。因此，培育專(zhuān)業(yè)的商業(yè)信用評(píng)級(jí)機(jī)構(gòu)是完善上市公司信用風(fēng)險(xiǎn)評(píng)估體系的基礎(chǔ)。然而當(dāng)前我國(guó)商業(yè)信用評(píng)級(jí)行業(yè)還處于群雄并起的發(fā)展階段，評(píng)級(jí)機(jī)構(gòu)數(shù)量眾多，但普遍規(guī)模不大，競(jìng)爭(zhēng)激烈，評(píng)級(jí)結(jié)果的市場(chǎng)認(rèn)同度不高，嚴(yán)重缺乏像美國(guó)標(biāo)普、穆迪和惠譽(yù)這樣權(quán)威的專(zhuān)業(yè)商業(yè)信用評(píng)級(jí)機(jī)構(gòu)。因此，我國(guó)政府主管部門(mén)應(yīng)該參照和借鑒美國(guó)信用評(píng)級(jí)機(jī)構(gòu)培育和管理經(jīng)驗(yàn)，加快建立和培育本土相對(duì)權(quán)威的商業(yè)信用評(píng)價(jià)機(jī)構(gòu)，為社會(huì)信用體系的發(fā)展創(chuàng)造良好的宏觀環(huán)境。

（二）加快信用風(fēng)險(xiǎn)基礎(chǔ)數(shù)據(jù)庫(kù)的建設(shè)進(jìn)程

大量的數(shù)據(jù)信息是進(jìn)行準(zhǔn)確的信用風(fēng)險(xiǎn)度量的基礎(chǔ)，也是建立信用風(fēng)險(xiǎn)管理體系的基礎(chǔ)，只有在信用數(shù)據(jù)庫(kù)建立起來(lái)后，才能更好地管理信用風(fēng)險(xiǎn)。當(dāng)前我國(guó)企業(yè)信息風(fēng)險(xiǎn)基礎(chǔ)數(shù)據(jù)庫(kù)建設(shè)已取得一定的成績(jī)，2006年實(shí)現(xiàn)全國(guó)聯(lián)網(wǎng)運(yùn)行，截止2012年12月底，企業(yè)征信系統(tǒng)為1859萬(wàn)戶(hù)企業(yè)和其他組織建立了信用檔案，但與發(fā)達(dá)國(guó)家相比我國(guó)信用風(fēng)險(xiǎn)數(shù)據(jù)庫(kù)建設(shè)仍處于初級(jí)階段，還存在信息采集不及時(shí)、信息質(zhì)量不高、更新不及時(shí)等問(wèn)題，導(dǎo)致資信評(píng)估質(zhì)量不高，準(zhǔn)確性較差，進(jìn)而抑制其有效地發(fā)揮作用。因此，要提高我國(guó)企業(yè)信用風(fēng)險(xiǎn)評(píng)估水平，需要進(jìn)一步加快信用風(fēng)險(xiǎn)基礎(chǔ)數(shù)據(jù)庫(kù)的建設(shè)進(jìn)程。

（三）規(guī)范上市公司財(cái)務(wù)信息披露，增強(qiáng)會(huì)計(jì)信息真實(shí)性

在企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)模型計(jì)算過(guò)程中的大量數(shù)據(jù)都來(lái)源于公司披露的財(cái)務(wù)數(shù)據(jù)，信用風(fēng)險(xiǎn)評(píng)價(jià)模型直接應(yīng)用上市公司的數(shù)據(jù)對(duì)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，這就要求證券市場(chǎng)必須是有效的。我國(guó)與國(guó)外成熟的資本市場(chǎng)相比還存在著一定的差距，會(huì)計(jì)舞弊現(xiàn)象時(shí)有發(fā)生，會(huì)計(jì)信息失真較為嚴(yán)重，這給信用風(fēng)險(xiǎn)評(píng)價(jià)模型的建立和有效測(cè)量帶來(lái)了一定的風(fēng)險(xiǎn)。為了保證財(cái)務(wù)困境預(yù)測(cè)模型在實(shí)際應(yīng)用中的有效性，針對(duì)目前我國(guó)上市公司會(huì)計(jì)信息失真較嚴(yán)重的現(xiàn)狀，我國(guó)政府主管部門(mén)需要加大對(duì)上市公司信息及注冊(cè)會(huì)計(jì)師行為的監(jiān)管力度，規(guī)范上市公司財(cái)務(wù)信息的披露行為。

[1]郭富霞，路蘭，高齊圣.基于主成分的logistic模型的上市公司信用風(fēng)險(xiǎn)評(píng)價(jià)分析[J]，青島大學(xué)學(xué)報(bào)：自然科學(xué)版，2012（2）：106

[2]E.I.Altman.Financial ratios，discriminate analysis and the prediction of corporate bankruptcy[J].Journal of Finance，1968（9）：589-609.

[3]Altman，Haldeman，Narayanan.ZETAAnalysis：Anew model to identify bankruptcy risk of corporations[J]. Journal of Banking and Finance，1977（1）：29-54.

[4]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究, 1999,（4）：31-38

[5]梁琪.企業(yè)信用風(fēng)險(xiǎn)的主成分判別模型及其實(shí)證研究[J].財(cái)經(jīng)研究，2003（5）：52-58

[6]張立軍,劉菊紅,劉月.Logistic模型在上市公司財(cái)務(wù)狀況評(píng)價(jià)中的運(yùn)用[J].東北財(cái)經(jīng)大學(xué)學(xué)報(bào)，2002（1）：61-63.

（編輯：馬慧 徐永生）

An Empirical Research on Credit Risk of Listed Companies in China Based on Financial Indicators

ZHOU Jing-wei
（Finance Department,Dongguan Polytechnic,Dongguan 523808,China）

Credit risk evaluation of listed companies has become a focus of academic research in China.Taking listed companies in China as research object,this paper selects 118 listed companies at the end of 2011 as samples,including 44 ST companies and 74 non-ST companies,respectively establishes linear discriminating model and logical regression model,two kinds of credit risk evaluation modes.The results of comparing the two models show that both models can make accurate judgment of credit risks of enterprises,however,the logical regression model is better and has the higher accuracy of the linear discriminating model.

listed company；credit risk；evaluation；empirical research

F 272.5

A

1671-4806（2014）03-0020-04

2014-02-28

周經(jīng)緯（1977—），男，湖南衡陽(yáng)人，講師，碩士，研究方向?yàn)樨?cái)務(wù)與會(huì)計(jì)。