华东交通大学轨道交通学院 田秋丽

随着全球金融危机的爆发，对企业信用的评价成为银行信贷管理中日益重要的课题。作为融资弱势群体的中小企业的信用评价和度量，更加成为银行一个让人头疼的问题。中小企业信用风险的度量成为一个重要课题。

1 几种信用风险度量模型的比较分析

信用风险的度量，在国际上尚未形成成熟的模型。国际上主流信用风险度量方法和模型也都有各自的优缺点。

一般认为，传统信用分析方法和信用评级方法简便易行，对数据的要求不是很严格。但是这两种方法主观性较强，不同评级机构或者不同专家对同一对象的分析可能得出不同的结论，评级结果的公正性也受到多种因素的影响。

多元判别分析法可以找到具有判别能力的财务比率、能够衡量企业的整体绩效。但是，这种方法要求变量符合正态分布、变量和信用风险之间呈现线性关系的假设，使得多元判别分析模型仅适用于有准确财务数据的公司，即公司有一定的规模，发展相对比较成熟，对中小企业的适用性则较差。

KMV模型适用于对上市公司的信用风险评估；另外，该模型基本上属于一种静态模型，但实际情况绝非如此，尤其是中小企业，由于发展不成熟，企业的资本结构在不断发生变化。因此将KMV模型运用到国内中小企业信用风险管理工作仍不适合。

神经网络模型的运行模型对于弱化权重确定重的人为因素十分有益、具有很强的容错能力、还能处理复杂的非线性关系问题。但是，要得到一个较好的神经网络结构非常耗费人力和时间。一般认为，神经网络模型适用于授信后评价过程，较少用于信用评价前期。

Credit Metric模型度量对同经济环境、不同宏观条件下信用等级转移概率是固定的假设会引起评估结果偏差。1997年麦肯锡公司提出信用组合观点(Credit Portfolio View)对信用等级转移概率矩阵进行修正，但该模型的操作比较复杂，稳定性较差，仍需继续完善。

传统的线性统计模型以信用风险与相关财务信息的线性关系假设为前提，Logistic模型则摆脱了这一约束，并且可以直接计算出企业下一时期的违约概率预测值。与多元判别分析法相比，Logistic回归模型更为灵活，而与其他信用风险模型相比，Logisitic回归模型相对简单且具有较好的经济含义，因此Logistic回归模型实用性较强，适用于各类具有一定数据基础的客户违约概率的计算。在此，本文拟采用中小企业的数据对Logistic模型的度量效果进行实证分析。

2 样本的选取和财务指标的确定

2.1 中小企业的确定

我国的中小企业划分最新标准是2003年2月19日公布的《关于印发中小企业标准暂行规定的通知》中的规定，规定适用于工业、建筑业、交通运输和邮政业、批发和零售业、住宿和餐饮业。本文在数据搜集过程中根据《中小企业标准暂行规定》确认中小企业。

2.2 样本的确定

本文采用上市公司数据作为研究样本，认为ST股为违约公司，非ST股为正常公司。选取深沪两市所有中小企业公司为学习样本来建立模型，同时选取了这些样本公司2005年、2006年和2007年的财务数据，共选取133家违约样本和254家正常样本。

2.3 财务指标的选择和筛选

参照以往的研究文献，本文从反映企业盈利能力、偿债能力、营运能力、增长能力和资本结构五个方面选择了33个指标，然后按照“严格管制下线性Logit评分模型中信用因子的最优选择”的思路来筛选指标。最后，本文选定16个指标：净资产收益率、总资产增长率、主营业务收入增长率、流动比率、速动比率、现金流动负债比率、现金负债比率、资产周转率、总资产报酬率、成本费用利润率、利息收益倍数、收入与负债的比率、长期债务比率、有形净值债务率、现金资产比率、营业利润率。

财务指标的因子分析

本文首先对16个指标进行因子分析，以剔除指标之间的相关性，减少变量维度。对16个指标相关性的检验发现，KMO样本测度值为0.741， Bartlett球体检验中，统计值的显著性概率是0.000，样本数据适宜作因子分析的。

小学低段是学生培养识字能力能力的重要阶段，不过因为大部分学生识字教学的习惯还没有完全养成，加之教师教学理念更新不及时或教学方法不科学，致使在新课改重要时期，小学低段学生的识字兴趣与能力没有达到预期效果，识字教学还有很多问题存在。尽管新课程要求下的识字教学能够培养学生学习的兴趣，提升学习能力，不过应用于实践中时，就会发现小学生在很多方面都存在问题。笔者将以编部版教材为例，针对小学低段学生的识字教学展开讨论。

因子分析的结果显示，特征根大于1的因子共有6个，这6个因子解释了所有变差的83.261%。表1是旋转后的6个因子的负载值表格。

根据在因子上负载值最大的三个指标的实际含义，本文用尽量简洁、更加有概念性的名称来对因子命名，以对因子的含义进行概括，以便于对回归结果的解释和说明。表1中指标在因子上的负载值显示：

因子1对速动比率、流动比率、现金负债比率、收入与负债比率、有形净值债务率、现金流动负债比率的影响较大，反映了企业的偿债能力。命名为偿债能力因子。

因子2对营业利润/销售收入、成本费用利润率影响比较大，反映了企业的盈利质量，命名为盈利质量因子。

因子3对资产周转率、现金/总资产几个指标的影响较大，反映了企业资产收益状况，命名为资产收益因子。

因子4对利息收益倍数、总资产报酬率、净资产收益率影响比较大，反映了企业的总体盈利能力，命名为总体财务状况因子。

因子5对长期债务占总债务的比率影响很大，反映了企业的负债结构，命名为负债结构因子。

因子6对主营业务收入增长率影响较大，另外，总资产增长率在此因子上的负载值为0.395，大于0.3，考虑到实际经济含义，本文将此指标归属于该因子，反映了企业的增长能力，命名为增长能力因子。

表1 旋转后的因子负载值表

3 Logistic回归分析

3.1 变量的设置和临界值的选择

在Logistic回归分析中，本文采用Forward Stepwise(conditional)方法逐步回归以使对样本影响显著的因子进入回归方程，影响较小的因子不能进入方程。

在因变量的设计中，需要将两状态的因变量转变为数值0和1，为了方便对回归结果的解释，我们把违约公司设为数值0，把正常公司作为数值1。这样，如果回归结果得到的不违约的概率为f(x)，那么企业违约的概率计算公式。在logistic模型中，本文选取0.647作为临界值，即，只有当f(x)大于0.647时，我们才认为该公司属于正常公司。

3.2 回归结果的分析

企业的盈利质量对企业违约影响显著。盈利质量因子对应的Exp(B)是2.355，首先进入回归方程。中小企业销售收入中有多少能够产生利润，要产生这些利润，需要的成本为多少，这一因素大大影响了中小企业的经营状况。中小企业作为小本小利企业，销售收入能否产生利润，成本是否能够得以控制，显然会对小规模企业产生巨大的影响。第三步进入方程的总体财务状况因子也同样强调了这一现象。这一因子也能对中小企业的经营特征加以解释。

债务结构因子对应的Exp(B)值为2.017，对企业违约的影响很大。也就是说，中小企业债务结构的合理与否，对其信用状况的影响也是较严重的。中小企业资产规模较小，较大的长期债务，容易引起企业道德风险，一旦不能及时还款，企业更倾向于选择破产来逃避债务。这一结果也是和以往研究结果相一致。

以上分析可以发现，采用Logistic回归模型所得到的结果与中小企业的现实经营状况相一致，回归结果可以得到很好的解释。

3.3 预测效果检验

本文采用2008年中小企业的财务数据对预测效果进行检验，共选取35个违约样本，85个正常样本。通过检验结果发现，学习样本中，模型对的总体预测正确率为84.2%。说明本论文的变量选取和模型设计效果较好，有一定的应用价值。同时可以发现，模型对测试样本的预测效果也较好，总体预测正确率为75.8%，较有力的说明了Logistic模型有着较好的判别效果。

4 结语

通过数量分析和定性分析，本文可以认为，Logistic模型在中小企业的信用风险度量中具有较好的预测效果，这一模型的适用性较好。当然，本文在分析过程中，存在有待于改进之处，如：以上市公司样本代替所有企业，可能会造成典型性不强的问题；只考虑财务因素作为影响变量，未对非财务因素(如行业因素、其他宏观因素)加以考虑。

[1]韩岗.国外信用风险度量方法及其适用性研究[J].国际金融研究,2008(3):43～47.

[2]柏艺益.Logistic模型在评价上市公司信用风险中的应用研究[J].时代经贸,2008(6)：148～149.

[3]田秋丽.判别企业违约的财务指标研究——基于行业差异的分析[D].硕士学位论文.浙江大学,2004.

[4]刘学波.现代信用风险度量模型分析及KMV模型在我国银行业的应用研究[D].硕士学位论文.中国海洋大学,2007.