资源描述
精选优质文档-倾情为你奉上Logit模型对新材料领域上市公司的信用风险评估 摘要：文章选取了几家新材料领域中的上市公司，通过对其年报各种财务指标的处理，建立了上市公司信用情况的Logit模型，利用该模型可以对上市公司一年后的信用情况进行预测和评估。文章拓展了logit模型在新材料领域中预测信用风险方面的应用，结论表明新材料领域上市公司的盈利能力是信用风险的最关键因素。 关键词：信用风险；Logit模型；主成分分析；新材料 一、引言 信用风险广泛存在于经济个体之间交往中，对借款人、证券发行人或银行等从事金融业务的企业来说非常重要。在商业交易中，资本市场的投资者以及监管部门都需要面对上市公司的信用风险，银行需要额外资本储备来应对个人及企业的信用风险。各大商业银行和金融机构纷纷推出了度量企业信用风险的金融模型，以降低违约行为所造成的交易成本。我国银行业目前并不具备自行建立风险模型的条件，因而需要结合风险管理现状，构建以定性分析为主的信用风险评估模型，以提高我国银行金融业风险管理水平。 信用风险分析方法比较重要的有要素分析法、财务比率分析法及多变量信用风险判别模型等。要素分析法以5c要素分析法为代表。5C要素分析法主要分析借款人的道德品质（Character）、还款能力（Capacity）、资本实力（Capital）、担保（Collateral）和经营环境条件（Condition）五个方面。财务比率分析法使用同一期财务报表上的各个项目计算财务比率，用以综合分析和评价公司的经营活动以及公司目前和历史状况，广泛适用于财务分析和信用风险评估。多变量信用风险判别模型是以特征财务比率为解释变量，运用数量统计方法推导而建立的标准模型。主要包括线性概率模型、Logistic（Logit）模型、Probit模型和判别分析模型。这些方法由于处理数据方面的优势，有着较好的预测效果。其中，由于Logit模型不需要假设变量间存在正态分布，且能对样本外的数据进行预测。故本文选用Logit模型对新材料公司的财务比率指标进行分析和信用风险预测。 二、Logit模型构造 （一）Logit模型 本文选择Logit模型来研究我国上市公司的信用风险。Logit模型是一种非线性统计方法，用于解决因变量为定性指标的问题。在二值选择模型中，因变量Y代表一个个体或者一个实验单元，它的取值有两种可能，通常一种结果记为1，另一种结果记为0。X=（x1，x2，xn）n表示自变量向量，用来预测Y=1的概率，在本文中表示企业守信这一事件。P=prob（Y=1|X），P可以由Logit（p）=lnp/（1-p）=+1x1+2x2+nxn=+X得到，P表示企业违约的概率，（1，2，n）是一组与X对应的回归系数，和都是待估参数。在得到和的参数估计后，事件发生的概率就可以通过P=exp（+X）/1+exp（+X）得到。P（1-P）为发生比。P越大，发生比越大；反之亦然。本文将选择新材料领域部分上市公司的近3年年报数据，得出一些重要的财务比率和变化率，先对之进行主成分分析，而后构建适合评估我国新材料领域上市公司信用风险的Logit模型。 新材料是指正在研发、性能卓越的一些材料，它比传统材料有着更为优异的物理性能和更为广阔的应用前景，或者通过新技术、新工艺能够大幅降低生产成本。我国地大物博，但资源浪费情况十分严峻，大力发展新型材料是我国目前最热门的话题之一。现今复合材料、电子信息材料、纳米材料、新型功能材料（如高温超导材料、功能高分子材料等）、新型建筑及化工材料等无一不是我国应用领域重点关注的热点问题。基于此，本文使用新材料板块的89支股票上市公司财务情况进行建模分析，以是否被特别处理（股票名称被冠以ST或*ST）来近似模拟公司的金融风险情况。并且，对于ST公司使用被特别处理前两年的财务报表来进行分析。其他普通股票均使用2010年、2009年的财务数据。 （二）主成分分析 由于上市公司的信用风险影响因素很多，为了全面反映公司的财务状况和经营盈利状况，本文选取31个财务指标作为原始数据。并在此基础上，将这些财务指标重新线性组合成一组新的互相无关的综合指标，即进行主成分分析。这个过程将用SPSS 17.0软件实现。 三、实证分析 （一）样本采集及指标选取 企业财务指标主要分为5类：每股指标、盈利能力指标、营运能力指标、偿债能力指标和成长能力指标。本文从这5类指标中共挑选了有代表性的31个指标。原始数据摘自2010年和2009年“新材料”概念板块中的全部上市公司年报（*ST宝硕因为在2007年2月即遭遇停市警告，至今仍无好转。故将此股去掉），财务指标使用EXCEL软件进行计算。 （二）实证分析过程 为了减小多重共线性进而提高模型的准确度，采用SPSS 17.0进行因子分析。在提取主成分时，采用了方差最大化正交旋转法，以便于为主成分找到合理的经济解释。 由主成分负荷矩阵和碎石图可见，从特征根和累积概率的判别方式共得到8个重要的因子，它们的可解释度为87.54%，基本上符合要求。从因子得分系数矩阵得出这8个因子分别定义为盈利因子、现金流量因子、营运因子、现金偿债因子、综合因子、逆向因子、债务利润因子、盈利偿债因子。 将这8个因子代入Logit模型进行运算，由SPSS 17.0计算得到模型的拟合优度Nagelkerke R2=0.79，-2 Log likelihood值为9.60，拟合结果较好。模型回归参数如表1所示。由表1可得，Logit回归函数为：Prob（上市公司高信用风险）=，其中： z=-11.611-3.236F1-0.180F2-3.133F3-0.913F4+1.057F5-2.912F6-1.759F7+4.140F8 故企业的负债指数越低，盈利能力越强，各种资产和先进流量周转速度越快，企业的信用风险越低。 （三）模型准确性 模型对于训练样本风险预测的平均准确率为87.8%，准确率很高。但模型对高风险企业的预测精度不足，仅有80%，需要我们进一步选取测试样本进行预测。 另外选择20只新材料股票和15只ST板块中的股票作为测试样本，得到模型准确率为79.4%，对高风险企业预测准确率为69.3%，可以作为预测公司信用风险的参考方法。 四、结论 由Logit模型回归结果可知，盈利因子对模型贡献度最大，这说明新材料这种高新领域中公司是否违规主要取决于它的盈利能力，这与我们的常识符合。使用了众多的财务数据，能够全面反映公司的财务状况和经营情况，模型可以应用到对公司价值的估计方面，实用性强，是较好的定量研究方法。 本文的缺陷主要是高风险样本容量不够多，这是因为选择的主要是新材料行业的上市公司，故ST和*ST类的公司比较少。比较好的改进办法是使用其他违约判断标准，比如公告中出现的债务违约事件，但这会使数据的采集难度加大。另外由于模型需要使用很多财务数据，而我国上市公司中普遍存在财务数据失真和人为操控利润的情况，因而在判断企业的风险情况时最好综合考虑其他方法。 参考文献： 1、卢纹岱.SPSS统计分析M.电子工业出版社,2010. 2、傅强,李永涛.Logistic模型在上市公司信用风险评价中的应用J.重庆建筑大学学报,2005(5). 3、张佳倩.基于非完全信息模型和Logistic模型的中国上市公司信用风险研究D.吉林大学,2010. 4、李萌.Logit模型在商业银行信用风险评估中的应用研究J.管理科学,2005(2). （作者单位：安徽大学经济学院）专心-专注-专业
展开阅读全文