制造业上市公司信用风险评估

郝佳蓓　韩珂

【摘要】随着经济全球化的到来，金融市场内的波动相关性不断加剧，信用风险越来越成为企业经营状况的重要影响因素。我国制造业当下面临着前所未有的危机，大量的制造业上市公司纷纷破产，其中最主要的因素就是信用危机。所以对制造业上市公司来说，信用风险评估至关重要。本文以我国2005年之前上市的制造业上市公司为样本，以是否ST作用信用状况的评价指标，应用主成分分析和logit模型对我国制造业上市公司的信用风险进行分析。

【关键词】制造业上市公司 信用评估 主成分分析 logit

一、序言

“中国制造”曾一度风靡全球，成本低廉。而现在，“中国制造”正遭遇着空前的危机，越来越多的人对中国制造业的前景表示不乐观。中国制造产业目前大多数仍停留在产业链的最低端，产品技术差，利润小，基于这种情况，市场一旦出现问题，企业就会难以为继。另外，中国虽然被称为制造大国，但是真正拿得出手的品牌却很少。制造业上市公司的信用风险，严重地影响到了社会上广大投资者和金融机构经营收益，信用风险已经成为市场环境中上市公司所面临的最重要的金融风险，识别和防范上市公司信用风险极为重要。

二、国内外研究现状

WilliamBeaver（1966）在1968年提出了单变量预测模型。他将79家失败企业和与其相对应的79家成功企业作为样本进行研究，结果表明，债务保障率的准确率最高，并且离被ST的时间越近，准确率越高。Ohlson在1980年将1970到1976年间的105家破产公司和2058家非破产公司作为非配对样本，首次采用逻辑回归方法建立预警模型。

陈静（1999）将1998年之前的27对上市公司作为样本，用总资产收益率，流动比率，净资产收益率和资产负债率这四个财务指标进行研究，发现这种方法虽然有局限，但具有一定的实践意义。张爱民、祝春山（2001）在Z评分模型的基础之上，选取80家公司，采用主成分分析方法来建立主成分预测模型，并证明主成分预测模型在上市公司財务状况预测方面能够取得较好的预测能力。陈晓兰和任萍（2011）将AHP与Logit相结合，构建了混合模型，其预测正确率达到了93.3%。

三、我国制造业上市公司信用风险评估实证研究

本文采用logit的方法来对我国制造业上市公司信用风险的评估进行实证研究，在使用logit的方法研究之前，先对数据进行预处理，对数据进行标准化，并进行主成分分析。使用主成分分析之后的指标与数据带入logit中，得到最终的结果。

（一）样本选取

本文采用我国深市制造业上市公司中的非ST公司和ST公司作为样本。选择2009～2015年间首次被ST或*ST的上市公司作为ST样本，选择2005年前上市并且从未被ST的上市公司作为非ST的样本。这是因为刚上市的公司可能因为经营不稳定等原因，各种数据可能与早上市的公司有所差距，导致模型的不准确。

（二）数据来源

本文从锐思（RESSET）金融研究数据库中获取数据，选择2005～2015的所有深市制造业上市公司的ST与非ST情况，从中选出2009～2015年间首次被ST或*ST的上市公司的14家作为ST样本，并从中挑出所有2005～2015年间从未被ST的公司作为备选非ST组。搜索每一个ST样本所属的二级分类，并从备选非ST组中选择与之同行业的，资产总额最接近的一家非ST公司作为该ST公司的配对样本，这样获得了14个非ST样本。由于上市公司某一年的财务报表在下一年的四月份才会发布，所以企业在某一年被ST表明该企业在T-1年已经连续亏损两年，所以我们选择ST前两年（即T-2年）的数据样本数据。我们选择如下指标：每股净资产（元/股）_NAPS、资产负债率（%）_Dbastrt、每股息税前利润（元/股）_EBITPS、每股未分配利润（元/股）_UndivprfPS等指标。

（三）数据分析

主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。本文的研究所选用的变量相互之间都存在着很大的多重共线性，所以我们首先使用主成分分析来消除相关性。

由结果可知，第一个主成分的特征根为4.84235，占总特征根的比例（方差贡献率）为0.4842，这表示第一个成分解释了原来10个变量的48.42%。可见第一个成分对原来10个变量的解释不够。加上的二个主成分之后，方差贡献率变为0.7097，前两个成分可以在很大程度上解释原来10个变量。其中，成分1主要代表的变量为x2，x4，x5，x6，x7，x8，而成分2主要代表的是x1，x3，x7，x9，x10。

我们的模型中，因变量属于二值选择模型，因此，不可以使用简单的回归，而应该使用logit回归。根据主成分分析得出的数据，我们使用STATA进行logit检验。

结果显示，主成分1的p值为0.265，主成分2的p值为0.671。由此可知，两种主成分都不显著。这可能是由于选取的变量对一个企业是否被ST没有起到决定性的作用，但这不能说明企业的各种状况不影响企业是否被ST。

四、建议

基于logit信用风险评估未来研究的几点建议：

一是本文中选择的指标最初为10个，由于实证结果并不理想，所以笔者建议，未来的研究者可以加大指标的数量，并对指标进行更严格的筛选，以求最高的准确率。

二是可以尝试将logit与其他方法相结合的混合方法，以完善信用风险评估模型。

参考文献

[1]W.H.Beaver，Financial Rations as Predictors of Failure[J].Journal of Accounting Research （supplement），1966：77-111.

[2]Ohlson.J.A，Financial Ratios and the Probabilistic Prediction of corporate bankruptcy[J].Journal of Accounting Research，1980（1）：109-131.

[3]陈静.上市公司财务恶化预测的实证分析[J].会计研究.1999（4）.

[4]张爱民，祝春山.上市公司财务失败的主成分预测模型及其实证研究[J].金融研究.2001（3）.

作者简介：郝佳蓓（1994-），女，汉族，山西省临汾市，山西财经大学，硕士研究生在读，金融学；韩珂（1993-），女，汉族，山西省永济市，山西财经大学，硕士研究生在读，金融学。