农业上市公司的信用风险实证研究——基于因子分析与 Logistic模型

任君，李广

（天津农学院 经济管理学院，天津 300392）

农业企业是我国国民经济的重要组成部分，不断推动着我国农业产业化和规模化发展。但由于农业企业的风险受自然灾害和市场价格波动等多种因素的影响，尤其是上市的农业公司，资金相对活跃，资金以间接融资为主，往往引起信用风险。本研究利用锐思（RESSET）金融研究数据库获取的45家农业上市公司2019年年度财务数据，确定农业企业的信用风险测度指标，建立Logistic模型来度量其信用风险，进而分析农业 类上市公司的违约情况。

目前，学者对企业信用风险的研究大多集中在中小微企业。田美玉等[1]构建了供应链金融融资模式下中小企业信用风险指标体系，并以汽车行业为例，运用熵值法进行了实证检验；刘艳春等[2]建立了一套中小企业信用风险评价的指标体系，利用探索因子分析法和SEM验证性分析法建立了信用风险评价模型，并以汽车企业为例，对该模型进行了有效验证，证明了该模型的可靠性和有效性；胡贤德等[3]借助群智能萤火虫（GSO）算法，提出了一种基于改进离散型萤火虫（IDGSO）算法的BP神经网络集成学习算法的小微企业信用风险评估IDGSO-BP模型，认为IDGSO-BP模型可以有效提高小微企业信用风险评估的准确性；张高胜[4]对现有的企业信用风险评价方法进行总结评价，得出该方法并不适用于小微企业，以现金流量为基础，利用CFaR技术构建了小微企业信用风险评价模型；范方志等[5]结合互联网金融大数据的思维建立了供应链金融模式下中小企业信用风险的评价体系和评价模型，采用定性与定量分析方法评价中小企业信用风险，发现中小企业的风险主要来自于自身，并建立了银行、核心企业和中小企业三方博弈模型，提出了推动中小企业创新发展、建立健全社会信用体系、加强银行风险管理水平等政策建议；孟杰等[6]将逐级优化递减欠采样方法（ODR）和边界自适应合成抽样方法（BADASYN）与SVM相结合，构建了ODR- BADASYN-SVM模型评估中小企业信用风险，并证明改进后的SVM模型在中小企业信用风险评估中有较高的稳定性及预测能力；韦云等[7]应用聚类分析和因子分析相结合的方法构建了中小企业信用风险综合评价模型，并提出了政策建议来降低信用风险；满向昱等[8]根据所获取的某商业银行496家非上市中小微企业的详细数据，采用Lasso- Logistic模型识别影响中小微企业信用风险的关键指标，并进行模型估计、预测及对比，得出了Lasso-Logistic模型无论在因素识别还是在模型拟合及预测上均较为有效，且具有较好的外推性；朱宗元等[9]以新三板中小企业为例，建立了Lasso- Logistic评估模型，证明该模型能够甄别风险因素的重要性和方向，具有优良的评估性能；王少英等[10]以科技型中小企业为例，将SCAD SVM模型与Lasso SVM和SVM进行对比，结果表明，SCAD SVM方法比Lasso SVM和SVM的预测精度更高；夏晗[11]利用具有小样本学习优势的模糊积分支持向量机回归集成方法，构建了小微企业信用风险度评估模型，并将此模型与支持向量机、神经网络等模型对比，结果表明该方法具有较高的精度和效率，为小微企业信用风险评估系统的构建提供了依据；余得生等[12]对电子制造业上市公司进行实证分析，并结合该行业上市公司的数据选取了14个信用风险评价指标，再利用向后逐步法建立Logistic模型，准确率达到了81.0%；刘兢轶 等[13]通过因子分析和Logistic模型建立了供应链金融模式下中小企业信用风险评价指标体系，验证了中小企业的盈利能力、偿债能力及核心企业的信用水平显著影响了中小企业信用风险评级；付玮琼[14]通过分析3种典型的农业供应链融资模式的运作机理，形成了信用风险预警指标体系，并利用Logistic回归分析构建了基于违约概率的中小农业企业信用风险预警模型，证明该模型可作为中小农业企业信用风险预警的理想工具。

目前，研究农业企业信用风险的相关文献较少。张雪莲[15]认为农业的弱质性导致了农业上市企业的信用高于其他企业，农业企业可以通过设置风险基金、灵活运用融资、加入农业保险补偿损失等方式防范信用风险；李延敏等[16]基于金融联结视角，证明KMV模型能够识别参与农村金融联结的农业产业化龙头企业信用风险，但农业产业化龙头企业参与农村金融联结程度对违约风险影响较小；郑文[17]利用KMV 模型对长江中游地区的江西、湖北、湖南、安徽4个省份的若干家农业类上市公司进行了信用风险度量实证分析，认为这一地区农业类上市公司应该完善披露制度、扩大经营范围、建立完善的企业财务数据库等。

综上所述，研究者们对中小微企业的信用风险进行了相对充分的研究，但对农业企业信用风险方面的研究较少。本文通过分析农业上市公司的信用风险情况，一方面可以为商业银行等金融机构提供有针对性的信用评价方法，提高商业银行开展农业上市公司融资业务的积极性，增加农业上市公司成功融资的可能性，为从事农业生产的企业、商业银行等提供参考；另一方面农业生产企业也能够根据指标体系有针对性地调整经营战略，做出正确的经营决策，进一步加强对信用风险的管理。

1 研究方法与指标体系构建

Logistic 模型使用最大似然估计法对参数进行估计，它对样本数据是否存在正态分布要求不高，所需参数也较少。Logistic模型表达式见公式（1）。

其中，Z＝β0＋β1x1＋β2x2＋…＋βnxn，β0表示常数项，β1，2…n表示回归系数，x1，2…n表示财务指标自变量，因变量P表示企业违约概率，当Z趋于-∞时，P趋近于0，定义为企业不存在信用风险；当Z趋近于＋∞时，P趋近于1，定义为企业存在信用风险[18]。

本文选取43家在沪深上市的农业企业和2家在新三板上市的农业企业，将这些农业企业2019年年度财务数据作为研究样本。在传统信贷模式信用评级方式的基础上，构建了农业上市企业信用风险评价指标体系，其中包括企业价值指标、偿债能力指标、获利能力指标、营运能力指标、发展能力指标等5个方面共18个指标，分别为X1每股收益（元/股）、X2每股净资产（元/股）、X3每股营业利润（元/股）、X4净资产收益率（平均）（%）、X5资产报酬率（%）、X6资产净利率（%）、X7销售净利率（%）、X8销售毛利率（%）、X9流动比率（%）、X10速动比率（%）、X11资产负债率（%）、X12权益乘数（%）、X13营业利润增长率（%）、X14经营活动现金流量净额增长率（%）、X15总资产增长率（%）、X16存货周转率（次）、X17应收账款周转率（次）、X18流动资产周转率（次）。

2 农业上市公司信用风险度量实证分析

2.1 主成分分析

2.1.1 KMO和Bartlett检验

为避免数据自变量的多重共线性，首先将样本中的数据进行标准化处理，使数据具有标准性和可加性。将所收集数据整理好之后，利用 SPSS19.0 软件导入数据，进行描述性统计分析，得出变量的描述性统计结果。

在对指标进行因子分析之前，需要进行 KMO 和 Bartlett 检验，检查数据是否适合进行因子分析。一般认为，KMO值越接近1越适合作因子分析。本研究中得出的KMO值为0.711，同时Sig值小于0. 05，变量显著，说明可以对数据进行因子分析。

2.1.2 解释的总方差

利用最大方差法旋转成分矩阵，以特征值大于1为标准，利用因子分析中的主成分分析法提取公因子，根据主成分分析原理，主成分特征值大于1则为应提取的主成分变量。本文中，主成分特征值大于1的分别是7.726、2.648、1.523、1.396、1.258，累计方差贡献率达80.839%，超过75%，说明可以用这5个主成分代替样本的所有数据。

2.1.3 主成分因子提取

根据表1旋转成分矩阵，可以确定提取出的5个主成分具体包含哪些财务指标。第一个主成分F1中，X5、X6、X7、X8、X13这5个财务指标的载荷度较高，说明这5个指标的相关性较高，可以化为一类主成分，反映核心企业的盈利能力；在第二个主成分F2中，X1、X2、X3这3个财务指标的载荷度较高，虽然X15、X17也有较高的载荷，但这两个指标也在一定程度上反映了企业的价值，因此可以将这3个财务指标化为一类因子，反映核心企业的股票价值；在第3个主成分F3中，X16、X18的载荷度较高，可以化为一类主成分，反映核心企业的营运能力；在第4个主成分F4中，X9、X10这两个财务指标的载荷度较高，可以化为一类主成分，反映核心企业的偿债能力；在第5个主成分F5中，X4、X11、X12这3个财务指标显示出较强的载荷度，可以化为一类主成分，反映核心企业的成长能力。

表1 旋转成分矩阵

根据提取的5个主成分，分别被命名为F1、F2、F3、F4和F5。主成分得分根据主成分系数矩阵（表2）计算，得出线性关系式。

表2 成分得分系数矩阵

2.2 Logistic 模型建立

通过主成分分析得到的相关表达式可计算各样本企业的F1、F2、F3、F4和F5值，将其作为自变量，因变量为各企业的P值（其中当年违约企业的P值为0，不违约企业的P值为1）。具体数值见表3。各样本企业的P值由Zscore模型来得出，Z值模型是纽约大学斯特恩商学院风险管理专家Altman提出，这一模型分析了上市公司基于银行贷款的信用状况，从而估计公司违约的可能性[19]。同时，Altman经过统计分析和计算提出了判断准则，如果企业的Z值大于2.675（P＝1），表明企业财务状况良好，发生财务失败或破产的可能性较小；若Z值小于2.675（P＝0），认为该公司商业信用风险很高，违约的可能性较大。

表3 各企业的F1、F2、F3、F4和F5数值与评判指标P数值的对照

续表

利用SPSS19.0对表3进行Logistic模型回归分析，为获得F1、F2、F3、F4和F5对企业信用风险的影响程度，运用的方法是向后去除、逐步向后选择。结果如表4所示。变量P表示企业的违约概率，建立Logistic回归模型，见公式（2）。

表4 方程中的变量（步骤3）

2.3 模型检验

从Logistic模型分类表（表5）可以看出，由步骤3确定的最终模型中，对已观测的29个无违约企业中，模型预测违约企业的数量为27个，预测准确率为93.1%；在已观测的16个不违约企业中，模型预测不违约企业的数量为8个，预测准确率为50%；整个模型的综合预测率为77.8%，准确率最高。因此，步骤3确定的模型结果最优。

表5 分类表（步骤3）

由表6可知，最终模型的卡方值为11.271，大于7.814 727 903，相应的Sig值为0.010，远比步骤1与步骤2小于0.05的幅度大。因此，步骤3确定的模型解释变量与被解释变量的线性关系比步骤1与步骤2显著，说明步骤3确定的模型运用较为合理。

表6 模型系数的综合检验（步骤3）

表7中步骤3最终的Hosmer和Lemeshow检验卡方值为11.078，小于14.067 140 45，并且小于程度比步骤1和步骤2高，相应的Sig值为0.135，大于0.05，Hosmer 和 Lemeshow 检验通过，即步骤3确定的模型解释拟合效果较好。

表7 Hosmer 和 Lemeshow检验

3 信用风险管理建议

本研究运用主成分分析法筛选影响农业上市公司信用风险的主要影响因子，基于Logistic 模型原理构建我国农业上市公司信用风险度量模型，该模型总体预测准确率为77.8%。因此，该模型能够较好地预测农业上市企业的信用风险水平，为从事农业生产的企业、商业银行等提供 参考。

为防止我国农业企业信用风险的出现，结合本模型分析，提出如下政策建议。

（1）对农业上市公司而言，应适度扩大生产经营规模，提高企业盈利能力，企业就有足够利润偿还债务，企业信用风险就越小；应建立及时、诚信、规范的信息披露制度，树立良好的信誉，形成优秀企业文化，创立优质企业品牌，不断提升企业竞争力，使企业盈利能力与偿债能力不断加强；应建立完善的企业财务数据库，因为运用信用风险度量模型进行有效的信用风险度量和管理都需要完善的历史财务数据库。

（2）对银行等金融机构而言，应不断完善并建立可量化的信用评价体系，有利于银行充分了解企业的整体经营状况，通过模型定期评估企业风险，预计融资企业的潜在风险对银行造成的影响，尽早作出防范方案，以保证资金的回收。

（3）对政府而言，应建立信用风险数据库，将农业企业纳入其中，一旦发现存在失信行为，就将其纳入信用风险数据库。这一措施如果能够实现，不仅能从根本上降低农业上市企业的违约情况，而且银行可以在放款前通过查询信用风险数据库来决定是否发放贷款，如果企业存在不良记录，银行可以拒绝其融资请求。这样不仅保障了银行的利益，而且企业为了取得融资贷款必将提升自身的信用管理制度，从根本上解决了农业企业融资难的问题。