基于Logistic模型的航运融资租赁企业信用风险评估实证

付国宝，马婷婷

(中远海运科技股份有限公司,上海 200135)

0 引 言

融资租赁是指出租人根据承租人对出卖人和租赁物的选择，向出卖人购买租赁物并将其出租给承租人使用，由承租人支付租金的租赁方式,在本质上是出租人将与租赁物所有权有关的全部风险和报酬转移给承租人，而租赁物所有权最终可能由出租人转移给承租人，也可能不转移给承租人的一种租赁[1]。我国的融资租赁行业起步于20世纪80年代，截至2018年9月，全国的融资租赁企业约有11 565家。近年来融资租赁行业发展迅猛，2018年5月商务部发布《关于融资租赁公司、商业保理公司和典当行管理职责调整有关事宜的通知》，将融资租赁公司的业务经营和监管职责交给中国银行保险监督管理委员会，改变了以往由政府部门对融资公司进行管理的模式，逐步加强对企业的合规化监管，提升融资租赁公司的风险管控能力。

本文以某典型航运融资租赁公司为例，对其进行信用风险评估分析。该公司主要涉足船舶、港口和仓储物流等业务，业务模式以直接租赁和售后回租为主。由于国内的船舶融资租赁行业起步较晚，积累的基础数据不多，因此目前多采用信用风险(即承租人违约风险)评估，主要依靠信审人员的行业经验确定风险影响程度。为解决风险量化评估问题，本文基于案例公司现有的基础数据，提出一套适用的信用风险评估模型，用以提升航运租赁公司的风险管控水平，保障其稳健、快速发展。

1 模型的选择和原理

1.1 模型选择

信用风险度量模型包括传统风险度量模型(如专家法、线性判别法、Logistic和Probit等)和现代风险度量模型(如KMV、Credit Metrice、Credit Risk+和Credit Portfolio View等)。参考相关文献，结合我国信用风险环境和金融行业信用风险预期，找出相对适合本文所述案例公司的模型是Logistic模型和KMV模型,其中:KMV模型适合上市公司，考量承租人违约是否取决于公司资产的市场价值，风险指标主要以股票市场数据为基础;Logistic模型的曲线为S形，预测最大值趋近于1，最小值趋近于0，模型本身是以概率形式表示的，用以判断、识别非上市公司的市场价值及其变动率，具有针对性强、稳定性佳和解释性好等特点，适合本文所述案例公司采用。

1.2 Logistic模型的原理

Logistic模型为概率型非线性回归模型，是研究二分类观测结果y(即y=1或y=0)与一些影响因素(x1,x2,…,xi)之间关系的一种多量分析方法。假设有i个独立变量的向量x=(x1,x2,…,xi)，条件概率p(y=1|x)=p为观测量相对于某事件x发生的概率,则Logistic模型可表示为

(1)

式(1)中：α为常量；β为独立变量的系数；pi为第i个事件发生的概率，是由解释变量xi构成的非线性函数，该非线性函数可转变为线性函数。

在x条件下，y不发生的概率为

(2)

由此可得事件发生与不发生的概率之比为

(3)

式(3)称为事件的发生比(odds)。对odds取对数得到

(4)

由此可看出Logistic回归都是围绕Logistic函数展开的。

若有k个自变量，则式(1)和式(4)扩展为

(5)

(6)

式(5)和式(6)中:pi=p(yi=0|x1i,x2i,…,xki)为给定系列自变量x1i,x2i,…,xki的值时事件的发生概率。

采用最大似然估计法对式(5)和式(6)进行计算，Logistic回归模型的对数似然函数为

(7)

分别对式(7)中的α和β求偏导数，令其等于0，可求出α和β的估计值为

(8)

(9)

由式(8)和式(9)可求出α和β的估计值[1-4]。

2 变量选取和数据来源

2.1 变量选取

信用风险是指融资租赁合同和相关合同涉及的各方当事人不履行约定义务的风险。根据船舶租赁行业的特点，基于区分违约企业与不违约企业显著差别的几类指标，选择其中9个变量(即评估指标)并将其分为定性和定量2类。定性指标包括企业资质、管理能力、行业生命周期和行业特性;定量指标包括主营业务收入、净资产收益率、资产负债率、流动比率和金融机构信用记录。风险评估指标的量化权重如下。

1) 企业资质：根据承租企业(包括中央企业、大型国企、市级国企、民营企业和上市公司等)的资质情况，分别设定为1～5分。

2) 管理能力:根据承租企业主要决策者能力、业务拓展能力和财务管理规范程度的高低，分别设定为1～5分。

3) 行业生命周期:根据承租企业所属行业的发展趋势，分别设定为1～5分。

4) 行业特性:根据承租企业所属行业的市场环境特性和优良情况，分别设定为1～5分。

5) 主营业务收入:根据承租企业收入规模的大小，分别设定为1～5分。

6) 净资产收益率:根据承租企业过去3 a的平均值高低，分别设定为1～5分。

7) 资产负债率:根据承租企业资产负债率的高低，分别设定为1～5分。

8) 流动比率:根据承租企业流动比率的大小，分别设定为1～5分。

9) 金融机构信用记录：根据承租企业与银行和融资租赁公司的合作及其还款行为的好坏，分别设定为1～5分[5]。

2.2 数据来源

选取的数据来源于案例公司近5 a的合同信息，抽取其中1 060个起租合同(含逾期超过7 d的合同143个)。考虑到部分逾期情况是由于客观原因造成的(如到款时间差、承租人付款审批流程复杂等)，选择逾期超过7 d的合同作为违约合同。根据存量数据和逾期合同比例，选取100个样本，其中，正常合同86个，逾期合同14个。对于样本的选择，充分考虑时间因素和行业因素，其中：时间跨度从公司开展业务初期至今(进行平均分配)；行业因素选取船舶、码头和物流等。逾期合同的风险评估指标抽取第一次违约前1 a的数据，力求评估测算的结果相对精准。表1为样本评估指标得分。

表1 样本评估指标得分

3 模型计算和实证分析

3.1 模型计算

利用SPSS工具，采用向后逐步选择算法对模型进行计算。计算分5步进行，第5步显示概率p的值为0.000(见表2)，小于显著水平0.05，若所有回归系数不同时为0，全体变量与LogitP之间的线性关系明显，说明模型选择合理。

经过5步筛选，选取5个指标建立回归模型(见表3)，结果显示行业生命周期、主营业务收入、净资产收益率、资产负债率和流动比率等指标对评估违约概率有显著效果，其他指标的评估效果一般。根据100个样本建立的Logistic模型为

(10)

3.2 实证分析

式(10)中的p值表示承租人的违约概率，p值越接近于1，承租人的信用越差；p值越接近于0，承租人的信用越好。由式(10)可知，承租人下一年度违约的概率与其行业生命周期、主营业务收入、净资产收益率、资产负债率和流动比率等相关，指标得分越低，违约概率越高，其中影响程度较大的是主营业务收入和资产负债率。Logistic模型以0.5为临界值，用案例公司非样本合同的风险指标数据来检验模型的预测效果，可看到未违约合同的p值小于0.5的占79.6%，违约合同的p值大于0.5的占73.2%，表明Logistic模型的预测效果良好。

此外，参考式(10)(表3中B列)的影响系数，按百分制设定指标的具体权重，根据权重和指标得分计算出信用风险评估的最终得分，供信审人员参考。研究结果表明，案例公司在开展租赁业务和租后资产信用评估时应重视对承租人盈利能力和短期偿债能力等指标的分析，并利用指标值和对应的权重判别承租人违约的可能性，降低违约风险。

4 结 语

本文选取案例公司量化后的违约风险数据，采用Logistic模型进行验算，得出影响信用风险的关键指标及其影响程度，最终获得信用风险评估模型。采用该模型进行信用风险评估和预测,供信审人员参考。鉴于基础数据和选取的指标有限，加上不同行业的风险预期受政策、行业和市场等因素的影响不同，需对风险指标和量化标准进行不断调整，根据更多违约企业的样本数据对模型进行持续优化。