基于Ｌｏｇｉｔ的商業銀行信用風險識別模型

摘 要：信用風險是目前我國金融市場的主要風險之一，如何提高信用風險管理水平是我 國銀行業所面臨的重大課題，因此，從量化分析的角度對其展開研究十分必要。量化研究的 方法之一是采用主成分分析方法對上市公司的財務指標進行提取，并在此基礎上應用Logit 模型對上市公司的財務狀況進行預測，判斷該企業的違約概率。實證結果證明Logit模型具 有較強的信用風險預測能力。

關鍵詞： 財務失敗 主成分分析 Logit 模型

中圖分類號:F830 文獻標識碼:A

文章編號:1004-4914(2007)11-238-02

一、 研究背景及意義

隨著我國證券市場的日益規范化，根據在客觀、公允基礎上披露的上市公司的財務報告 ，通過構造合理的預測模型，獲得對那些財務狀況出現嚴重惡化的上市公司的預警信號，對于 有關方面毋庸置疑具有現實意義，通過這樣的預警，借貸者(銀行)可以避免貸款的高風險;投 資者可以在股票價格下跌前獲得財務風險的警示，為了避免財務數據之間高度的線性相關， 我們采取主成分分析法對樣本數據進行處理，我們采用前m個主成分的累積貢獻率不低于85% 的標準確定主成分個數。

二、 樣本采集和數據預處理

１．樣本采集：選取一定數量的“財務失敗”企業和與之相對應的同樣數量的”非財務 失敗”企業作為研究總樣本，將總樣本隨機分為兩組，一組為估計樣本組，另一組為測試樣本 組。估計樣本組的數據用于構建預測模型，而測試樣本組的數據則用于檢驗預測模型的有效 程度。在本文研究中，我們把上市公司ＳＴ企業作為財務失敗企業。我們隨機選取了深滬兩 市28家ST公司及與之相對應的28家非ST公司共56家企業作為研究樣本（注１），其中隨即選 取１４家ＳＴ企業和１４家非ＳＴ企業作為估計樣本組，用于建立模型，測試樣本組亦為２ ８家(１４家ST公司和１４家非ST公司)，用于檢驗模型。研究樣本見表1：

樣本選自上海證券交易所（ｗｗｗ．ｓｓｅ．ｃｏｍ．ｃｎ）深圳證券 交易所（ｗｗｗ．ｓｓｅ．ｏｒｇ．ｃｎ）．本文所選取的ＳＴ公司均為２００６年被特別 處理的公司，其所選取的財務數據年份為20０５、20０４、20０３年。

２．財務比率的選擇：現代財務管理理論認為:企業的財務狀況主要取決于企業的盈利 能力、償債能力、營運能力和成長能力。因而，我們選取了上述4個方面的財務指標：

（１）盈利性指標：ｘ１、每股收益，ｘ２、主營業務利潤率，ｘ３、凈資產收益率，ｘ ４、資產收益率，ｘ５、凈利潤率；

（２）成長性指標：ｘ６、凈資產增長率，ｘ７、總資產增長率，ｘ８、主營業務收入增 長率，ｘ９、營業利潤增長率；

（３）流動性與償債能力指標：ｘ１０、流動性比率，ｘ１１、速動比率，ｘ１２、現金 流動負債比率，ｘ１３、股東權益比率，ｘ１４、現金負債比率，ｘ１５、產權比率， ｘ１６、資產負債率；

（４）營運能力指標：ｘ１７、存貨周轉率，ｘ１８、應收賬款，ｘ１９、資產周轉率， ｘ２０、固定資產周轉率。

為了分析上述財務比率能否有效區別ST公司與非ST公司，下面筆者就２８家樣本企業分 別對上述２０個財務比率運用ＳＰＳＳ軟件進行單變量T檢驗(檢驗結果略)。

三、主成分分析

結果如下：

Extraction Method: Principal Component Analysis.

根據主成分分析結果，我們可以發現前六個主成分提取了原變量89%的信息，因而我們 提取前六個主成分代替１６個財務指標，為了對所取得的這６個主成分進行經濟解釋，需要 得到１６個原始財務比率對６個主成分的因子負荷量(即各主成分與各原始財務比率的相關 系數)，因子負荷矩陣見表3：

我們可以看到主成分Z1與X4.X7.X8.X9的相關系數較高。我們將主成分Z1定義為成長性 指標。主成分Z2與X19的相關系數較高，因而被定義為營運能力指標。主成分Z3與X3的相關 系數最高，為0.642907，所以被定義為盈利能力指標。主成分Z4與X13.X16的相關系數最高 ，分別為-0.7893.0.78946，被定義為流動性與償債能力指標。主成分Z5與X15.X16的相關 系數最高，分別為0.456229、0.35753，被定義為流動性與償債能力指標。主成分Z6與X18的 相關系數最高，為0.73173，被定義為營運能力指標。

四、 Ｌｏｇｉｔ判別模型

下面我們 將Z1，Z2，Z3，Z4，Z5，Z6代入到Logit模型，

Z1=0.108 * X1 + 0.171 * X2 + 0.097*X3+0.458*X4+0.459*X7+0.442*X8+0.460*X9+0. 143*X10+0.150*X12+0.065*X13+0.145*X14+0.095*X15-0.066*X16+0.19*X18+0.02*X19+0.06 3*X20

Z2=0.228* X1 + 0.290 * X2 + 0.260 *X3-0.163*X4-0.163*X7-0.162*X8-0.161*X9+0.236* X10+0.336*X12+0.237*X13+0.339*X14+0.262*X15-0.238*X16+0.1*X18+0.37 * X19+0.283*X 20

Z3=0.221* X1 + 0.273 * X2 + 0.427*X3-0.01*X4-0.012*X7-0.03*X8+0.18*X9-0.418*X10- 0.394*X12-0.079*X13-0.339*X14+0.424*X15-0.076*X16-0.022*X18+0.107 * X19+0.210*X2 0

Z4=-0.069* X1 + 0.192* X2 -0.153*X3-0.022*X4-0.021*X7+0.074*X8-0.002*X9-0.054*X1 0+0.152*X12-0.562*X13+0.168*X14-0.154*X15+0.562*X16-0.006*X18+0.377 * X19+0.276* X20

Z5=.195* X1 -.325* X2 +.410*X3-0.002*X4-0.003*X7-0.070*X8-0.017*X9+0.264*X10+0.1 52*X12-0.324*X13+0.124*X14+0.413*X15+0.324*X16-0.059*X18-0.217 * X19-0.379*X20

Z6=.220* X1 -.368* X2 +.463*X3-0.002*X4-0.002*X7-0.004*X8-0.079*X9-0.020*X10+0.2 99*X12-0.324*X13+0.170*X14-0.366*X15+0.140*X16+0.067*X18-0.245* X19-0.428*X20

經SPSS運算得到：

我們將上市公司的財務數據帶入到該公式，如果計算得到的結果大于50%，則該上市公 司違約風險較高，如果計算結果小于50%，則該公司是低風險企業。

模型的檢驗：我們挑選15家ST企業和15家非ST企業破產前一年（2005年）的財務數據作 為檢測樣本，對模型進行檢測，結果如下：

五、研究結論

第一，本文首先對上市公司的財務數據進行了獨立樣本ｔ檢驗，剔除了缺乏顯著性的指 標，用余下的１６個指標根據累計貢獻率提取了６個主成分，解決多重共線性問題。其次， 用因子負荷矩陣除以特征值的平方根就得到了原始數據的系數，我們據此可計算出相應的主 成分值。然后，將主成分值代入到Ｌｏｇｉｔ模型，得到了Ｌｏｇｉｔ模型的參數值。并用 檢測樣本對已建立的模型進行預測。

第二，主成分分析方法可以有效解決企業財務數據多重共線性的問題，并且其累積貢獻 率 達到８９％，較好的保留了原始數據信息，將其引入到模型中，使模型的判別能力加強。

第三，Ｌｏｇｉｔ模型對于上市公司的預測能力較強，對于特別處理前一年的企業的預 測準確率高達９３％，對于非ＳＴ企業的預測準確率高達８５．７２％，因而，在實踐中可 以運用．

參考文獻：

1．張愛民，祝春山，許丹健．上市公司財務失敗的主成分預測模型及其實證研究［J］．金 融研究，2001(3)

2．李志輝，李萌．我國商業銀行信用風險識別模型及其實證研究［J］．經濟科學，2005(5)

（作者簡介：南開大學金融系碩士研究生，研究方向：數量金融、計量金融 天津 300071 ） （責編：賈偉）