喻勝華,陳 珊

(湖南大學(xué) 經(jīng)濟(jì)與貿(mào)易學(xué)院，湖南 長沙 410079)

1 引言及文獻(xiàn)綜述

對于上市公司來說，信用風(fēng)險是指上市公司在與個人或者其他法人企業(yè)交易時，為維持或擴(kuò)大經(jīng)營而向金融機(jī)構(gòu)貸款、在資本市場進(jìn)行股權(quán)或債券融資或向其他企業(yè)借款的過程中存在的拖欠本金或利息甚至不能償還債務(wù)等行為的可能性.隨著我國上市公司隊伍不斷發(fā)展壯大，上市公司作為資金融入的主要對象，其交易的規(guī)模也逐漸増加，相伴而來的信用風(fēng)險毫無疑問也在加劇，信用風(fēng)險事件時有發(fā)生.僅2018年一年，我國受到特殊處理的上市公司就有54家，原因涉及重大虧損、經(jīng)營受損、財務(wù)破產(chǎn)、審計否定和重大訴訟等.共有31家企業(yè)因連續(xù)兩年虧損受到特殊處理，占全部受到特殊處理上市公司的57.41%，說明經(jīng)營不善和虧損是我國上市公司產(chǎn)生信用問題的最重要原因.

要評價上市公司的信用風(fēng)險，首先要構(gòu)建指標(biāo)體系.對于指標(biāo)的選取一般集中于代表公司營運(yùn)、償債、發(fā)展、現(xiàn)金流能力的各種財務(wù)指標(biāo).比如：陳靜選取了凈資產(chǎn)收益率、資產(chǎn)負(fù)債率、流動比率和總資產(chǎn)報酬率這4個指標(biāo)[1].陳曉等人選用營運(yùn)資本/總資產(chǎn)、權(quán)益乘數(shù)、主營利潤/總資產(chǎn)、應(yīng)收賬款周轉(zhuǎn)率、留存收益/總資產(chǎn)等6個指標(biāo)[2].吳世農(nóng)和盧賢義選取主要反映公司營運(yùn)能力、盈利能力、償債能力和發(fā)展能力等方面的22個財務(wù)指標(biāo)進(jìn)行預(yù)測分析[3].章之旺等認(rèn)為前一期的經(jīng)營現(xiàn)金流量水平對于信用風(fēng)險有非常好的預(yù)測效果[4].已有研究對于公司的治理因素、公司規(guī)模等非財務(wù)指標(biāo)考慮較少，而非財務(wù)因素通常是信用風(fēng)險的深層次原因，對于信用風(fēng)險的評價與預(yù)警也非常重要，需要在模型中加入這些指標(biāo).其次是模型研究樣本配對比例與實際情況不符.目前較多研究還是采用違約公司與非違約公司1∶1配對的方法選擇樣本.實際上，我國每年信用正常的企業(yè)數(shù)量遠(yuǎn)遠(yuǎn)高于信用違約企業(yè)的數(shù)量.絕大多數(shù)上市公司的信用還是良好，因此采用1∶1的比例進(jìn)行違約公司與非違約公司的配對高估了違約出現(xiàn)的可能性.

關(guān)于信用風(fēng)險的評價主要有定性分析方法、傳統(tǒng)定量分析方法、現(xiàn)代信用風(fēng)險評價方法和人工智能方法.定性分析方法容易出現(xiàn)因人而異的信用風(fēng)險評價結(jié)論，在穩(wěn)定性、一致性和客觀性上較弱.為此，學(xué)者們嘗試將數(shù)學(xué)和統(tǒng)計等方法引入信用風(fēng)險的評價之中，信用風(fēng)險評價開始轉(zhuǎn)入更為客觀和科學(xué)的數(shù)理研究和應(yīng)用階段，其中基于Logistic回歸模型的評價方法是最主要的評價方法之一.Logistic模型具有限制條件少、對數(shù)據(jù)和變量的適應(yīng)性強(qiáng)等優(yōu)勢.

Martin以1970-1977年間58家面臨財務(wù)風(fēng)險的銀行為樣本，選取凈資產(chǎn)收益率等8個指標(biāo)構(gòu)建Logistic回歸模型對銀行的信用風(fēng)險情況進(jìn)行預(yù)測，認(rèn)為Logistic模型在準(zhǔn)確性和穩(wěn)定性方面都表現(xiàn)得很出色[5].Laitinen選取2799家芬蘭公司的年報數(shù)據(jù)，建立包含15個指標(biāo)的Logistic信用風(fēng)險評價模型，研究認(rèn)為公司高管數(shù)量、是否存在壞賬、延期支付等指標(biāo)都能影響公司的信用水平[6].Westgaard利用挪威數(shù)據(jù)建立包括公司地區(qū)、公司存續(xù)時間及多個財務(wù)指標(biāo)的Logistic模型，研究發(fā)現(xiàn)預(yù)測準(zhǔn)確率達(dá)到92%以上[7].Albuquerque等在研究中考慮了地區(qū)因素對信用風(fēng)險水平的潛在影響，認(rèn)為Logistic模型在準(zhǔn)確率方面高于其他模型[8].鄭享清等人將主成分分析與Logistic模型相結(jié)合，從17個原始變量中提取出7個主成分作為Logistic模型的輸入變量，取得了良好的信用風(fēng)險評價效果[9].方匡南等人把Lasso與Logistic模型相結(jié)合，用Lasso-Logistic模型進(jìn)行信用風(fēng)險評價，從而對關(guān)鍵因素的把握更準(zhǔn)確[10].

Zou等把主成分的求解轉(zhuǎn)化為Lasso懲罰回歸問題，在此基礎(chǔ)上再引入彈性網(wǎng)或其他懲罰結(jié)構(gòu)，于是得到了稀疏主成分[11].稀疏主成分方法是對傳統(tǒng)主成分方法的一個很好改進(jìn)，達(dá)到了有效降維的目的并具有更好的可解釋性.該方法已被廣泛應(yīng)用于特征提取、綜合評價和壓縮感知等領(lǐng)域.本文擬把稀疏主成分方法與Logistic模型相結(jié)合，先提取財務(wù)指標(biāo)中的稀疏主成分，再帶入Logistic模型進(jìn)行信用風(fēng)險評價.考慮到輸入變量之間往往會存在比較嚴(yán)重的多重共線性和數(shù)據(jù)冗余，嘗試使用稀疏主成分對輸入變量進(jìn)行降維，得到若干代表不同方向信息的稀疏主成分因子，作為Logistic回歸模型的輸入變量.采用Logistic模型進(jìn)行實證研究.加入公司規(guī)模和公司治理方面的指標(biāo)：基于公司規(guī)模以及公司治理對上市公司信用風(fēng)險可能存在的影響，本文在指標(biāo)的選擇時，加入了代表公司規(guī)模方面的指標(biāo)以及代表公司治理方面的指標(biāo)，以期更加全面地對上市公司信用風(fēng)險做出評價.擴(kuò)大配對樣本比例：考慮到現(xiàn)實中非ST公司與ST公司在所有上市公司所占的比例，本文在進(jìn)行樣本選取時，決定擴(kuò)大配對樣本比例進(jìn)行度量研究，即以1∶3的比例進(jìn)行配比.

2 我國上市公司信用風(fēng)險評價

2.1 樣本公司與指標(biāo)選取

本文主要關(guān)注我國滬深兩市A股中特殊處理的上市公司.根據(jù)國泰安數(shù)據(jù)庫，2018年滬深兩市被ST的A股上市公司共51家，其中被ST的有11家，被*ST的有40家.在選取配對的公司時遵循以下3個原則：①優(yōu)先考慮在證監(jiān)會行業(yè)分類中與ST公司所處二級行業(yè)一致的公司；②優(yōu)先考慮資產(chǎn)規(guī)模相近(資產(chǎn)規(guī)模差異在10%以內(nèi))的公司；③優(yōu)先考慮業(yè)務(wù)相近的公司.根據(jù)上述方法，本文共得到51家ST公司及與之對應(yīng)的153家信用正常公司，共204個研究樣本.

確定了上市公司樣本后，還需選擇具體的變量指標(biāo).為了盡可能全面地反映被研究公司的信用狀況，本文從每股指標(biāo)、盈利能力、償債能力、成長能力、營運(yùn)能力、現(xiàn)金流量及資本結(jié)構(gòu)這7個方面進(jìn)行初步的指標(biāo)選取.接著對各指標(biāo)進(jìn)行顯著性檢驗，即對各指標(biāo)在ST公司與信用正常公司之間是否存在顯著性差異進(jìn)行檢驗.由于總體分布不確定，首先選擇非參數(shù)的Kolmogorov-Smirnov檢驗判斷各指標(biāo)是否服從正態(tài)分布，對服從正態(tài)分布的指標(biāo)進(jìn)行獨立樣本t檢驗，對不服從正態(tài)分布的指標(biāo)進(jìn)行Mann-Whitney檢驗.本文根據(jù)以上方法判斷兩類公司指標(biāo)之間的差異性，剔除t檢驗和Mann-Whitney檢驗中不存在顯著差異的指標(biāo)，最終保留25個指標(biāo).它們分別是：每股收益(X1)、每股凈資產(chǎn)(X2)、每股凈現(xiàn)金流(X3)、凈資產(chǎn)收益率(X4)、資產(chǎn)凈利率(X5)、成本費用利潤率(X6)、凈利潤/營業(yè)總收入(X7)、流動比率(X8)、速動比率(X9)、產(chǎn)權(quán)比率(X10)、利息保障倍數(shù)(X11)、每股收益增長率(X12)、凈利潤增長率(X13)、總資產(chǎn)增長率(X14)、存貨周轉(zhuǎn)率(X15)、應(yīng)收賬款周轉(zhuǎn)率(X16)、固定資產(chǎn)周轉(zhuǎn)率(X17)、總資產(chǎn)周轉(zhuǎn)率(X18)、凈利潤現(xiàn)金含量(X19)、營業(yè)收入現(xiàn)金含量(X20)、總資產(chǎn)現(xiàn)金回收率(X21)、資產(chǎn)負(fù)債率(X22)、長期借款/總資產(chǎn)(X23)、流動負(fù)債/負(fù)債合計(X24)、權(quán)益乘數(shù)(X25).

2.2 稀疏主成分分析

用25個財務(wù)指標(biāo)刻畫上市公司的信用風(fēng)險狀況，指標(biāo)數(shù)量較多，并且這些指標(biāo)之間存在一定的相關(guān)性，信息冗余不利于后續(xù)的建模.因此，首先考慮使用稀疏主成分方法對財務(wù)指標(biāo)進(jìn)行降維、減少數(shù)據(jù)冗余，用較少的主成分代表前述25個財務(wù)指標(biāo)中的大部分信息，有助于簡化模型與計算.

根據(jù)稀疏主成分結(jié)果，前6個稀疏主成分累計方差貢獻(xiàn)率達(dá)到75%.總體而言，前6個稀疏主成分依然保留了原有25個財務(wù)指標(biāo)的大部分信息，變量個數(shù)從25個減少至6個，有效減少變量個數(shù)、簡化模型，降維效果明顯(見表1).

表1 稀疏主成分特征值與貢獻(xiàn)率

根據(jù)載荷信息，可寫出各稀疏主成分的表達(dá)式.

SPCA1=0.023X3+0.189X5+0.324X6+0.642X7+0.014X10+0.654X12+0.126X15-

0.008X17+0.029X19+0.043X21，

SPCA2=0.059X2-0.074X3-0.030X6-0.211X10+0.107X14+0.159X18-0.058X19-

0.083X22-0.688X23+0.652X24，

SPCA3=0.355X1+0.382X2+0.723X3+0.043X8+0.153X13+0.289X14+0.171X18+

0.131X21-0.025X22-0.014X24，

SPCA4=-0.025X1+0.071X2+0.074X3+0.029X10-0.017X13-0.106X14-0.025X15-

0.045X16+0.899X20+0.285X21+0.024X24，

SPCA5=-0.111X1+0.162X3+0.027X6+0.105X14-0.792X16+0.128X17+0.405X18+

0.391X20-0.007X21+0.026X23+0.053X24+0.017X25，

SPCA6=0.038X1+0.025X2+0.043X3+0.130X6+0.218X8+0.197X9-0.020X12-

0.084X14-0.004X15+0.186X21-0.088X22-0.102X23-0.128X25.

可以看出，對SPCA1貢獻(xiàn)較大的是X6(成本費用利潤率)、X7(凈利潤/營業(yè)總收入)、X12(每股收益增長率)，說明SPCA1主要反映的是公司的獲利能力.對SPCA2貢獻(xiàn)較大的是X10(產(chǎn)權(quán)比率)、X23(長期借款/總資產(chǎn))、X24(流動負(fù)債/負(fù)債合計)，說明SPCA2主要反映的是公司的資本結(jié)構(gòu)和償債能力.對SPCA3貢獻(xiàn)較大的是X1(每股收益)、X2(每股凈資產(chǎn))、X3(每股現(xiàn)金流)，說明SPCA3主要反映的是公司的每股綜合實力.對SPCA4貢獻(xiàn)較大的是X20(營業(yè)收入現(xiàn)金含量)和X21(總資產(chǎn)現(xiàn)金回收率)，說明SPCA4主要反映的是公司的現(xiàn)金流水平.對SPCA5貢獻(xiàn)較大的是X16(應(yīng)收賬款周轉(zhuǎn)率)、X18(總資產(chǎn)周轉(zhuǎn)率)、X20(營業(yè)收入現(xiàn)金含量)，說明SPCA5主要反映的是公司的營運(yùn)水平.對SPCA6貢獻(xiàn)較大的是X8(流動比率)、X9(速動比率)、X21(總資產(chǎn)現(xiàn)金回收率)，說明SPCA6主要反映的是公司的短期償債能力.

2.3 Logistic模型風(fēng)險評價與預(yù)測

首先對6個稀疏主成分進(jìn)行描述性統(tǒng)計(見表2).各公司獲利能力因子差異最大，SPCA1最大值為2.74，最小值-19.2，二者相差21.94，標(biāo)準(zhǔn)差1.42，大于其他稀疏主成分，這是由稀疏主成分的算法決定的.第一主成分方差最大，第二主成分方差次之，各稀疏主成分因子的方差及標(biāo)準(zhǔn)差呈現(xiàn)依次遞減的規(guī)律.各公司資本結(jié)構(gòu)因子的差異和每股綜合實力因子的差異僅次于獲利能力因子，前兩者標(biāo)準(zhǔn)差為1.16.短期償債能力因子的差異最小，標(biāo)準(zhǔn)差為0.96.

表2 變量描述性統(tǒng)計

表3第2列為6個稀疏主成分因子對因變量風(fēng)險大小的回歸結(jié)果.SPCA1和SPCA2在1%的顯著性水平下是顯著的，說明公司獲利能力因子和資本結(jié)構(gòu)因子對公司信用風(fēng)險大小有明顯的影響.公司獲利能力因子的系數(shù)為-2.55，說明公司獲利能力因子越大則公司信用風(fēng)險越低.公司資本結(jié)構(gòu)因子的系數(shù)為-0.34，說明公司資本結(jié)構(gòu)因子越大，公司信用風(fēng)險越低，即負(fù)債占所有者權(quán)益比重越低、長期借款占總資產(chǎn)比重越低、流動資產(chǎn)占負(fù)債比重越高，SPCA2越大，公司信用風(fēng)險隨之降低.公司的綜合實力因子和現(xiàn)金流水平因子在5%的顯著性水平下是顯著為負(fù)的，說明公司綜合實力因子越大、現(xiàn)金流水平因子越大，公司越不容易出現(xiàn)信用風(fēng)險.公司營運(yùn)水平因子在10%的顯著性水平下是顯著為負(fù)的，說明公司營運(yùn)水平越高，越不容易出現(xiàn)信用風(fēng)險.短期償債因子不顯著，說明短期償債因子對公司信用風(fēng)險水平的影響不顯著.

表3 基本回歸模型的參數(shù)估計

第3列，第4列和第5列分別在前一列的基礎(chǔ)上加入了第一大股東持股比例、市值及質(zhì)押比例這3個非財務(wù)指標(biāo)，考察非財務(wù)指標(biāo)對公司信用風(fēng)險水平的影響.其中第一大股東持股比例的系數(shù)為-0.02，系數(shù)不顯著.公司市值的系數(shù)為-0.141，顯著為負(fù)，說明公司市值對于信用風(fēng)險水平有顯著的負(fù)向影響，公司市值越大，信用風(fēng)險水平越小.一是因為公司市值大說明發(fā)展較為成熟，業(yè)務(wù)較為穩(wěn)定，收入來源渠道相對豐富，業(yè)績較穩(wěn)定；二是因為規(guī)模較大的公司有一定行業(yè)地位，資金實力強(qiáng)，融資渠道較豐富，發(fā)生信用風(fēng)險的概率低于市值較小的公司.公司質(zhì)押比例的系數(shù)為0.26，顯著為正，說明公司質(zhì)押比例對信用風(fēng)險水平有顯著的正向影響，公司的質(zhì)押比例越高，信用風(fēng)險水平越高.有研究表明當(dāng)企業(yè)面臨融資約束或財務(wù)困境的時候，大股東更傾向于股權(quán)質(zhì)押.信息不對稱理論有助于解釋這一現(xiàn)象，當(dāng)大股東愿意進(jìn)行股權(quán)質(zhì)押時，被質(zhì)押公司通常可能隱含財務(wù)問題，股權(quán)質(zhì)押成為大股東緩解資金缺口同時不暴露財務(wù)問題的一種短期融資策略.

用表3所示的第4個模型進(jìn)行預(yù)測.首先從204個樣本中隨機(jī)選擇150個樣本作為訓(xùn)練組，其余54個樣本作為測試組，其中17家為ST或*ST，37家非ST公司.預(yù)測結(jié)果見表4.

表4 稀疏主成分-Logistic模型預(yù)測結(jié)果

由表4可知，54個樣本總體預(yù)測準(zhǔn)確率92.59%.具體來看，Logistic模型將17家ST公司中的16家正確分類到信用風(fēng)險高的類別，僅1家分類錯誤，準(zhǔn)確率達(dá)到94.12%.同時，Logistic模型將37家非ST公司中的34家正確分類到信用風(fēng)險低的類別，3家分類錯誤，準(zhǔn)確率達(dá)到91.89%.

同時，用相同的訓(xùn)練組和測試組，使用主成分-Logistic模型進(jìn)行預(yù)測，對比兩個模型的預(yù)測效果，主成分-Logistic模型預(yù)測結(jié)果見表5.

表5 主成分-Logistic模型預(yù)測結(jié)果

由表5可知主成分-Logistic模型總體預(yù)測準(zhǔn)確率為87.04%.具體來看，主成分-Logistic模型將17家ST公司中的15家正確分類到信用風(fēng)險高的類別，有2家分類錯誤，準(zhǔn)確率達(dá)到88.24%.同時，Logistic模型將37家非ST公司中的32家正確分類到信用風(fēng)險低的類別，5家分類錯誤，準(zhǔn)確率達(dá)到86.49%.

對比兩個模型的預(yù)測結(jié)果，稀疏主成分模型的預(yù)測準(zhǔn)確率高于主成分模型，犯一類錯誤和二類錯誤的比率均低于主成分模型.這可能是因為使用主成分因子訓(xùn)練模型時更容易受到噪聲信息的干擾，出現(xiàn)過度擬合，導(dǎo)致對測試組進(jìn)行預(yù)測時效果不如稀疏主成分模型.

另外，本文對比加入非財務(wù)指標(biāo)的模型與未加入非財務(wù)指標(biāo)模型的預(yù)測效果.表6為模型中剔除第一大股東持股、市值及質(zhì)押比例這3個非財務(wù)指標(biāo)的預(yù)測結(jié)果.

由表6可知剔除非財務(wù)指標(biāo)模型總體預(yù)測準(zhǔn)確率為78.95%.具體來看，17家ST公司中有4家分類錯誤，13家分類正確，準(zhǔn)確率為76.47%.同時，模型將37家非ST公司中的32家正確分類到信用風(fēng)險低的類別，5家分類錯誤，準(zhǔn)確率為86.49.模型在對ST公司的預(yù)測準(zhǔn)確率上較有非財務(wù)指標(biāo)模型下降了17.65個百分點，準(zhǔn)確率降低了18.75%，下降明顯.模型在對非ST公司的預(yù)測準(zhǔn)確率上下降了5.4個百分點，降幅為6%.由此可以看出加入非財務(wù)指標(biāo)對于提高預(yù)測準(zhǔn)確率有較大幫助.

表6 剔除非財務(wù)指標(biāo)模型預(yù)測結(jié)果

3 結(jié)論與政策建議

本文在分析信用風(fēng)險評價模型特點與實適用性的基礎(chǔ)上選用Logistic模型對我國上市公司進(jìn)行信用風(fēng)險評價.在實證研究中通過擴(kuò)大樣本配對比例，增加上市公司的公司治理方面和公司規(guī)模方面的指標(biāo)變量，以及結(jié)合稀疏主成分分析法對財務(wù)指標(biāo)進(jìn)行處理等方式對模型進(jìn)行改進(jìn).結(jié)果表明改進(jìn)的Logistic模型對我國上市公司的信用風(fēng)險預(yù)測具有良好的穩(wěn)定性和很高的準(zhǔn)確性，其預(yù)測精度可達(dá)90%以上.在與其他模型的對比研究中可以發(fā)現(xiàn)Logistic模型具有獨特的優(yōu)勢.首先是模型能夠放寬一般線性模型中變量的假設(shè)條件，對變量分布不進(jìn)行限制，這使得模型適應(yīng)性更強(qiáng).其次，Logistic模型能夠計算出違約的概率，這使得結(jié)果更為直觀.此外，模型可以涵蓋多種指標(biāo)，可以根據(jù)實際情況靈活構(gòu)建合適的模型.為此，提出如下政策建議：

首先，引導(dǎo)上市公司加強(qiáng)公司治理、樹立誠信意識.在對上市公司進(jìn)行信用風(fēng)險評價時，采用的大部分?jǐn)?shù)據(jù)仍然是來自于公司報表的財務(wù)指標(biāo)與財務(wù)比率.可以說，財務(wù)報表的客觀性、真實性、準(zhǔn)確性對于模型評價結(jié)果的準(zhǔn)確性和穩(wěn)定性都有重要的影響.一旦出現(xiàn)財務(wù)造假現(xiàn)象，則很難對信用風(fēng)險給出準(zhǔn)確評價.因此，上市公司應(yīng)自覺樹立誠信意識和正確的經(jīng)營觀念，提高財務(wù)報表質(zhì)量，確保數(shù)據(jù)真實、客觀、準(zhǔn)確，拒絕財務(wù)造假行為，提高信用風(fēng)險評價模型的精度和穩(wěn)定性.

其次，完善相關(guān)法律、法規(guī)，對于不遵守規(guī)定、弄虛作假等行為采取嚴(yán)厲的懲戒措施.完善會計準(zhǔn)則和規(guī)范，對財務(wù)信息披露做出統(tǒng)一規(guī)定，提高違規(guī)成本和代價，減少信息披露方面的違規(guī)行為.加大金融監(jiān)管機(jī)構(gòu)對上市公司信息披露的監(jiān)督與管理.充分發(fā)揮律師事務(wù)所、會計師事務(wù)所等信息提供者和信息傳播者的監(jiān)督作用，形成全方位立體式的監(jiān)督體系，最大限度地保證上市公司的有效信息披露行為，切實保障上市公司財務(wù)報表數(shù)據(jù)的真實性和可靠性，使信用風(fēng)險評價模型結(jié)果更真實可靠.

最后，加快建立和完善信用信息數(shù)據(jù)庫.根據(jù)一些學(xué)者的研究，KMV模型等現(xiàn)代信用風(fēng)險評價模型理論基礎(chǔ)堅實且在實際應(yīng)用中也能取得良好的效果.然而由于我國微觀數(shù)據(jù)缺失、沒有建立起相關(guān)的違約數(shù)據(jù)庫，這些模型在我國的使用因為缺乏數(shù)據(jù)基礎(chǔ)而難以實施.因此，應(yīng)該加快上市公司違約數(shù)據(jù)等微觀數(shù)據(jù)的收集整理工作，建立和完善企業(yè)相關(guān)的數(shù)據(jù)庫，加強(qiáng)銀行等金融機(jī)構(gòu)之間的信息資源共享機(jī)制.