基于支持向量機(jī)的上市公司信用評(píng)價(jià)研究

南京信息工程大學(xué)經(jīng)濟(jì)管理學(xué)院張夢(mèng)男

基于支持向量機(jī)的上市公司信用評(píng)價(jià)研究

南京信息工程大學(xué)經(jīng)濟(jì)管理學(xué)院張夢(mèng)男

上市公司作為市場(chǎng)經(jīng)濟(jì)重要組成部分，其信用評(píng)價(jià)研究逐漸受到人們重視，本文利用數(shù)據(jù)挖掘中支持向量機(jī)算法提出上市公司信用綜合評(píng)價(jià)方法，并利用此方法結(jié)合上海證券交易所上市公司數(shù)據(jù)進(jìn)行實(shí)證分析，結(jié)果表明：該方法能夠很好地量化企業(yè)信用，通過(guò)實(shí)證分析發(fā)現(xiàn)上市公司信用狀況不僅與公司規(guī)模、公司性質(zhì)（國(guó)有或者民營(yíng)）、所屬行業(yè)有關(guān)，同時(shí)與產(chǎn)品及服務(wù)領(lǐng)域有著密切的關(guān)系。

支持向量機(jī) 信用評(píng)價(jià) 上市公司

一、引言

隨著市場(chǎng)經(jīng)濟(jì)的不斷發(fā)展，信用問(wèn)題日益深刻的影響市場(chǎng)經(jīng)濟(jì)的各個(gè)部分，因此如何對(duì)企業(yè)進(jìn)行客觀準(zhǔn)確的評(píng)價(jià)逐漸成為人們研究的重點(diǎn)。而上市公司因其數(shù)據(jù)的可獲得性一直是研究的熱點(diǎn)。劉淑蓮等（2008）將因子分析的方法運(yùn)用到信用評(píng)級(jí)當(dāng)中，采用十五個(gè)上市公司財(cái)務(wù)指標(biāo)，同時(shí)結(jié)合聚類分析法建立了一套上市公司信用評(píng)價(jià)模型，這套模型在實(shí)證當(dāng)中能夠很好地對(duì)上市公司的信用水平進(jìn)行分類。以上方法基本思路都是通過(guò)建立指標(biāo)體系，利用綜合評(píng)價(jià)方法對(duì)目標(biāo)企業(yè)進(jìn)行評(píng)價(jià)，雖然評(píng)價(jià)結(jié)果可以用定量的方式表示，具有一定的可信度，但仍然不能夠擺脫個(gè)人主觀判斷對(duì)評(píng)價(jià)的影響。因此讓數(shù)據(jù)自己說(shuō)話的技術(shù)及數(shù)據(jù)挖掘方法被引入這一領(lǐng)域。李菁苗（2012）等利用層次分析法建立了一套包含四大類十五項(xiàng)評(píng)價(jià)指標(biāo)的電子商務(wù)企業(yè)的信用評(píng)價(jià)體系，這些指標(biāo)概括了電子商務(wù)企業(yè)經(jīng)營(yíng)能力、盈利能力、清償能力、發(fā)展能力、網(wǎng)絡(luò)營(yíng)銷能力、網(wǎng)絡(luò)客服能力和網(wǎng)絡(luò)管理能力七個(gè)方面，較為全面的給出了能夠反映電子商務(wù)企業(yè)信用水平的指標(biāo)。黃章樹(shù)（2011）運(yùn)用數(shù)據(jù)挖掘方法中的支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和C4.5決策樹(shù)算法結(jié)合機(jī)械制造業(yè)企業(yè)上市公司數(shù)據(jù)對(duì)機(jī)械制造業(yè)企業(yè)上市公司信用進(jìn)行了研究，對(duì)比了三種方法的分類精度。閆海峰（2009）、遲晨（2010）等利用KMV模型結(jié)合上市公司財(cái)務(wù)數(shù)據(jù)建立了上市公司風(fēng)險(xiǎn)判別模型，指出該方法可以提前一到兩年預(yù)測(cè)上市公司違約風(fēng)險(xiǎn)。辛金國(guó)（2012）利用數(shù)據(jù)挖掘方法中的伸進(jìn)網(wǎng)絡(luò)模型和C4.5決策樹(shù)模型分別構(gòu)建了上市公司的績(jī)效評(píng)價(jià)體系并進(jìn)行了實(shí)證分析，并利用變量重要性對(duì)影響上市公司績(jī)效的因素進(jìn)行了分析。以上四種方法均采用的是ST（special treat）企業(yè)和非ST企業(yè)作為訓(xùn)練樣和測(cè)試樣本。Petr Hájek（2011）利用神經(jīng)網(wǎng)絡(luò)算法，穆迪信用評(píng)級(jí)結(jié)果作為輸出，選取經(jīng)濟(jì)發(fā)展水平、負(fù)債水平、財(cái)務(wù)能力和管理水平四個(gè)方面的指標(biāo)構(gòu)建城市信用評(píng)價(jià)模型。Ching-Chiang Yeh（2011）等利用混合KMV模型、隨機(jī)森林和粗糙及理論建立了一套信用評(píng)價(jià)體系，發(fā)現(xiàn)利用市場(chǎng)信息能夠?qū)ζ髽I(yè)信用做出更準(zhǔn)確的評(píng)價(jià)。Yao Ping等（2011）利用粗糙集和支持向量機(jī)的方法構(gòu)建了一套新的信用評(píng)價(jià)方法，在一定程度上提高了評(píng)價(jià)的精確度You-Shyang Chen（2013）利用基于粗糙集分類器的混合模型建立了一套銀行業(yè)信用評(píng)價(jià)模型，該模型主要解決了目前信用評(píng)價(jià)模型解釋力不足，過(guò)于依賴統(tǒng)計(jì)分析的限制性假設(shè)和大量指標(biāo)三個(gè)方面的不足。Dimitrios Niklis （2014）采用支持向量機(jī)的方法，基于希臘證券交易所上市公司的數(shù)據(jù)建立信用評(píng)價(jià)模型，并分別利用了線性和非線性支持向量機(jī)，兩種方法均得到了較高的分類精度，說(shuō)明支持向量機(jī)算法能夠?qū)ζ髽I(yè)信用進(jìn)行準(zhǔn)確的分類，SilviaAngilella（2015）利用創(chuàng)新型中小企業(yè)的信息建立了一套信用評(píng)價(jià)模型，這一模型中分別利用了線性和非線性支持向量機(jī)，兩種方法均得到了較高的分類精度，說(shuō)明支持向量機(jī)算法能夠?qū)ζ髽I(yè)信用進(jìn)行準(zhǔn)確的分類。數(shù)據(jù)挖掘方法的使用解決了評(píng)價(jià)中過(guò)多主觀因素，但由于以上方法都通過(guò)分類方式來(lái)獲得評(píng)價(jià)結(jié)果，又帶來(lái)了評(píng)價(jià)結(jié)果無(wú)法量化的問(wèn)題，因此本文引入數(shù)據(jù)挖掘中變量重要性，使得評(píng)價(jià)結(jié)果既能避免主觀因素，又能夠使評(píng)價(jià)結(jié)果得到量化。

二、評(píng)價(jià)方法

本文將采用數(shù)據(jù)挖掘算法當(dāng)中目前使用較多的支持向量機(jī)算法，該算法在進(jìn)行分類時(shí)可根據(jù)指標(biāo)在分類中對(duì)分類結(jié)果影響的重要程度確定指標(biāo)變量重要性，也就是指標(biāo)重要性。得到變量重要性后既可作為權(quán)重參與綜合評(píng)價(jià)。

（一）利用支持向量機(jī)算法分類支持向量機(jī)（Support Vector Machine，SVM）是在統(tǒng)計(jì)學(xué)理論VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的基礎(chǔ)上發(fā)展而來(lái)的分類技術(shù)，主要用于模式識(shí)別領(lǐng)域。最小二乘支持向量機(jī)是對(duì)標(biāo)準(zhǔn)支持向量機(jī)的拓展。最小二乘支持向量機(jī)的優(yōu)化問(wèn)題為：

最小二乘支持向量機(jī)優(yōu)化問(wèn)題轉(zhuǎn)化為求解顯形方程，最終的分類函數(shù)為：

其中K（xi，x）即為核函數(shù)，核函數(shù)的作用是將低維空間非線性的問(wèn)題映射到高維空間使其轉(zhuǎn)變?yōu)榫€性問(wèn)題，目前使用的核函數(shù)類型主要包括以下四類：

（1）現(xiàn)行核函數(shù)：

此條件下得到的SVM是樣本空間中的超平面。

（2）多項(xiàng)式核函數(shù)：

得到的是q階多項(xiàng)式分類器。

（3）高斯核函數(shù)：

所得分類器與傳統(tǒng)RBF方法的主要區(qū)別在于：每個(gè)奇函數(shù)中心對(duì)應(yīng)一個(gè)支持向量，輸出權(quán)值由算法自動(dòng)確定。

（4）Sigmoid核函數(shù)：

此時(shí)，SVM是包含一個(gè)隱層的多層感知器，隱層節(jié)點(diǎn)數(shù)由算法自動(dòng)確定。

不同的數(shù)據(jù)運(yùn)用不同的核函數(shù)可以得到不同的分類精度，核函數(shù)的選擇直接決定了建立模型的分類結(jié)果。

（二）計(jì)算變量重要性變量重要性是指在利用神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)和C5.0等自學(xué)習(xí)分類算法中每個(gè)變量對(duì)分類結(jié)果影響的影響程度，對(duì)分類結(jié)果影響較大的則變量重要性較高，反之亦然，各變量重要性是一組和為1的數(shù)據(jù)。與關(guān)聯(lián)權(quán)重類似，既可以反映研究問(wèn)題的客觀性，又能反映問(wèn)題的主觀性。變量重要性說(shuō)明了所研究系統(tǒng)中的主要問(wèn)題，可以對(duì)系統(tǒng)更加全面和深入的了解。

變量重要性的值是在分類結(jié)果出來(lái)以后計(jì)算所得，因此是一種逆推計(jì)算的方式，與特征選擇類似，都是根據(jù)分類結(jié)果計(jì)算各指標(biāo)與結(jié)果的相關(guān)程度進(jìn)而得到變量重要性或特征變量，但變量重要性與特征選擇結(jié)果的不同點(diǎn)在于變量重要性的計(jì)算中對(duì)具有相關(guān)性的變量只取其一，而特征選擇中則不會(huì)對(duì)具有相關(guān)性的變量采取措施，選擇特征后不考慮變量之間的相關(guān)性。

（三）計(jì)算綜合評(píng)價(jià)值通過(guò)以上數(shù)據(jù)挖掘算法得到變量重要性，指標(biāo)權(quán)重即為各指標(biāo)的變量重要性，根據(jù)公式:

可求得第i個(gè)公司的信用綜合評(píng)價(jià)值。其中Zi為第i個(gè)公司的綜合評(píng)價(jià)值，xij為第i個(gè)公司第j個(gè)指標(biāo)的具體值，wj第j個(gè)指標(biāo)的權(quán)重，也就是第j個(gè)指標(biāo)的變量重要性。

三、實(shí)證分析

本文建模數(shù)據(jù)選取我國(guó)A股滬市上市公司的財(cái)務(wù)數(shù)據(jù)進(jìn)行分析，共獲取1000家上市公司2014年財(cái)務(wù)數(shù)據(jù)，其中ST（特殊處理企業(yè)）30家非ST企業(yè)970家，ST主要針對(duì)財(cái)務(wù)或者其他方面出現(xiàn)問(wèn)題的上市企業(yè)，表明該企業(yè)存在投資風(fēng)險(xiǎn)，因此可以作為衡量信用風(fēng)險(xiǎn)的一個(gè)方面。股票價(jià)格反映了公司現(xiàn)狀和股民對(duì)于公司業(yè)績(jī)的預(yù)期，同時(shí)，公司的財(cái)務(wù)數(shù)據(jù)處在不斷的更新當(dāng)中，能夠反映公司的實(shí)際情況，完全適用于對(duì)公司信用狀況的分析，結(jié)合企業(yè)財(cái)務(wù)數(shù)據(jù)的模型在對(duì)提高其他混合模型的精度方面也有幫助。因此本文最終選取了上市公司股票和財(cái)務(wù)數(shù)據(jù)加以分析。在指標(biāo)選取方面，一方面剔除數(shù)據(jù)大量缺失的指標(biāo)后，剩下的指標(biāo)中通過(guò)Clementine軟件計(jì)算變量重要性，剔除變量重要性比較小的指標(biāo)，這一過(guò)程類似于特征選擇，學(xué)者Petr Hajek也曾在企業(yè)信用評(píng)價(jià)當(dāng)中用到類似方法，目的在于減少數(shù)據(jù)維度，從而方便運(yùn)算。最終獲得貨幣資金x1、流動(dòng)資產(chǎn)合計(jì)x2、可供出售金融資產(chǎn)凈額x3、長(zhǎng)期股權(quán)投資凈額x4、固定資產(chǎn)凈額x5、無(wú)形資產(chǎn)凈額x6、資產(chǎn)總計(jì)x7、應(yīng)付賬款x8、應(yīng)付利息x9、負(fù)債合計(jì)x10、實(shí)收資本（或股本）x11、資本公積x12、盈余公積x13、歸屬于母公司所有者權(quán)益合計(jì)x14、所有者權(quán)益合計(jì)x15、負(fù)債與所有者權(quán)益總計(jì)x16、銷售商品、提供勞務(wù)收到的現(xiàn)金x17、現(xiàn)金及現(xiàn)金等價(jià)物凈增加額x18、營(yíng)業(yè)總收入x19、投資收益x20、營(yíng)業(yè)利潤(rùn)x21、營(yíng)業(yè)外收入x22、利潤(rùn)總額x23、凈利潤(rùn)x24、歸屬于母公司所有者的凈利潤(rùn)x25、基本每股收益x26共26個(gè)指標(biāo)。

由于原始數(shù)據(jù)在單位以及數(shù)量及上的差異，因此在建模之前需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，本文使用的標(biāo)準(zhǔn)化方法為離差標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化后的數(shù)據(jù)介于0到1之間，包含0和1。根據(jù)支持向量機(jī)分類要求，本文將70%樣本用作訓(xùn)練樣本，30%樣本用作測(cè)試樣本，樣本的選擇有軟件自動(dòng)完成，參數(shù)設(shè)置均為默認(rèn)。

表1 支持向量機(jī)分類結(jié)果分析表

表1的數(shù)據(jù)可以看出訓(xùn)練樣本和總體樣本分類正確率均達(dá)到97%以上，可見(jiàn)其算法具有很強(qiáng)的適用性和較高的分類精度。

圖1給出了模型建立中各指標(biāo)對(duì)分類結(jié)果影響的重要程度，即變量重要性。由圖1可知，這21個(gè)變量中基本每股收益的重要性最大，實(shí)際上上市公司最主要的衡量指標(biāo)也就是基本每股收益，這預(yù)示經(jīng)濟(jì)情況是相符合的，其他重要性較高的指標(biāo)也都反映了企業(yè)資產(chǎn)情況以及盈利能力。變量重要性反映了各指標(biāo)在建立模型過(guò)程中的重要程度，因此在建立綜合評(píng)價(jià)指標(biāo)時(shí)可以將變量重要性作為權(quán)重參與計(jì)算。

圖1 各指標(biāo)變量重要性

再利用信用綜合評(píng)價(jià)值公式（7）即可算得所有滬市上市公司的信用評(píng)價(jià)值，2014年度的數(shù)據(jù)顯示滬市上市公司信用評(píng)價(jià)均值為0.0545，民營(yíng)企業(yè)信用評(píng)價(jià)均值為0.0486，非民營(yíng)企業(yè)（主要包含公有制企業(yè)）評(píng)價(jià)值為0.0583，與民營(yíng)企業(yè)相比高出20%，這一結(jié)果反映了公有制企業(yè)無(wú)論是在盈利能力還是在信用水平方面都有著堅(jiān)實(shí)的基礎(chǔ)，這也是改革開(kāi)放以來(lái)我國(guó)堅(jiān)持公有制為基礎(chǔ)的必然結(jié)果。反觀民營(yíng)企業(yè)，由于起步相對(duì)較晚，以及其所有制形式，其在信用水平方面遠(yuǎn)落后于公有制企業(yè)。在最高評(píng)價(jià)值方面，公有制企業(yè)最高分高達(dá)0.4936，民營(yíng)企業(yè)得分最高得分僅為0.1301，相差接近四倍，可見(jiàn)民營(yíng)企業(yè)的信用整體水平與公有制企業(yè)相比還存在一些差距。

接下來(lái)，本文隨機(jī)選取三家民營(yíng)企業(yè)和公有制企業(yè)進(jìn)行分析，通過(guò)2007～2014年的信用評(píng)價(jià)值分析其信用水平的發(fā)展趨勢(shì)。表2為2007～2014年六家上市企業(yè)信用評(píng)價(jià)結(jié)果表。

表2 2007～2014年六家上市企業(yè)信用評(píng)價(jià)結(jié)果表

表2中前三家企業(yè)為民營(yíng)企業(yè)，后三家企業(yè)為公有制企業(yè)，顯然公有制企業(yè)的信用水平較民營(yíng)企業(yè)高，與前面的分析已知，下文通過(guò)圖2的六家企業(yè)2007～2014年信用評(píng)價(jià)值的變化分析其信用水平變化情況。圖2顯示了2007～2014年間六家企業(yè)信用狀況變化趨勢(shì)，2008～2010年間六家企業(yè)均經(jīng)歷了一輪較大下跌，這是由金融危機(jī)引起的2007～2008年底結(jié)束的一輪股市下跌導(dǎo)致的信用水平的普遍下降，由于股票下跌對(duì)信用水平影響的滯后性，因此在2009年信用水平達(dá)到一個(gè)高點(diǎn)以后急速下降，這說(shuō)明股市對(duì)上市公司的整體信用水平有著很大的影響，這一影響機(jī)制實(shí)際通過(guò)影響上市公司財(cái)務(wù)狀況從而影響信用水平的。2010年后其信用水平逐漸穩(wěn)定，公有制的三家企業(yè)雖然總體水平較高，但呈現(xiàn)出略微下降的趨勢(shì)，而民營(yíng)企業(yè)雖然信用水平相對(duì)較低，但與公有制企業(yè)相反的，他們則呈現(xiàn)出略微上升的趨勢(shì)，可見(jiàn)民營(yíng)企業(yè)雖然財(cái)務(wù)狀況方面與公有制企業(yè)存在較大差距，但就發(fā)展?jié)摿Χ员裙兄破髽I(yè)要高，這也充分說(shuō)明了民營(yíng)企業(yè)頑強(qiáng)的生命力和巨大的發(fā)展?jié)摿?。從圖2可以看出高信用和低信用水平公司的在信用水平變化幅度上也有差別，為了比較這種差別接下來(lái)隨機(jī)選取企業(yè)作圖加以比較。

圖3中五條曲線趨勢(shì)總體平穩(wěn)，沒(méi)有出現(xiàn)太大的波動(dòng)，即使在2008～2010年間受到國(guó)際金融危機(jī)和股票大跌的影響，其變化率最大的也僅為15.7%，但圖4顯示的信用水平較低企業(yè)的變化則幅度要大得多，2008～2010年間最大降幅達(dá)到90.9%，最低降幅也為77.16%，可見(jiàn)該類企業(yè)對(duì)風(fēng)險(xiǎn)的抵御能力有限，同時(shí)劇烈變動(dòng)的曲線也顯示了其在信用水平方面的不穩(wěn)定性。但2011年后低信用水平企業(yè)的信用水平呈現(xiàn)震蕩上行的趨勢(shì)，可見(jiàn)其總體信用水平是在上升的。

通過(guò)以上的分析不難看出公司規(guī)模、企業(yè)所有制形式對(duì)企業(yè)的信用水平都有影響，這與學(xué)者Petr Hajek（2013）對(duì)美國(guó)企業(yè)的研究有相似性，他指出影響美國(guó)企業(yè)的最主要的因素正是企業(yè)規(guī)模，除了國(guó)外研究，國(guó)內(nèi)學(xué)者張澤京等（2007）的研究也有相似的結(jié)論，他的研究指出資產(chǎn)規(guī)模對(duì)信用風(fēng)險(xiǎn)有顯著影響，總資產(chǎn)小于3億元的小公司抗風(fēng)險(xiǎn)能力最差。國(guó)有企業(yè)特別是中央所屬企業(yè)無(wú)論在財(cái)務(wù)水平還是政策支持方面都有著明顯的優(yōu)越性，因此在信用水平最高的十家企業(yè)當(dāng)中均為國(guó)有企業(yè)，民營(yíng)企業(yè)排名最高的企業(yè)在總排名中僅僅處在第22位，相反在排名最低的企業(yè)中民營(yíng)企業(yè)和國(guó)有企業(yè)的最低值幾乎沒(méi)有差別，這說(shuō)明所有制形式對(duì)高信用企業(yè)的信用水平影響較大，對(duì)地信用水平企業(yè)幾乎沒(méi)有影響。同時(shí)在抗干擾性方面，低信用水平企業(yè)的抗干擾能力普遍較弱，高信用水平企業(yè)看干擾能力較強(qiáng)，與所有制形式?jīng)]有關(guān)系。

圖4 低信用評(píng)級(jí)企業(yè)信用變化圖

以上分析主要是從企業(yè)規(guī)模以及企業(yè)性質(zhì)方面入手。接下來(lái)本文將從不同行業(yè)入手對(duì)不同行業(yè)的整體信用水平進(jìn)行分析，以發(fā)現(xiàn)不同行業(yè)間的信用水平差異。按照證監(jiān)會(huì)對(duì)上市企業(yè)的行業(yè)分類可將上市企業(yè)分為金融保險(xiǎn)業(yè)、制造業(yè)、批發(fā)和零售貿(mào)易、信息技術(shù)業(yè)、電力煤氣及水的生產(chǎn)和供應(yīng)、房地產(chǎn)業(yè)、社會(huì)服務(wù)業(yè)、建筑業(yè)、交通運(yùn)輸倉(cāng)儲(chǔ)業(yè)、采掘業(yè)、傳播與文化產(chǎn)業(yè)、農(nóng)林牧漁業(yè)和其他行業(yè)。本文隨機(jī)選取前十二個(gè)行業(yè)中各五家企業(yè)利用2007～2014年的數(shù)據(jù)作為代表對(duì)行業(yè)整體信用水平進(jìn)行分析。表3給出了各行業(yè)選區(qū)企業(yè)的信用評(píng)價(jià)結(jié)果。

表3中數(shù)據(jù)顯示各行業(yè)的信用評(píng)價(jià)值存在顯著差異，信用水平較高的行業(yè)依次為交通運(yùn)輸業(yè)，房地產(chǎn)業(yè)和農(nóng)林牧漁業(yè)。社會(huì)服務(wù)業(yè)，電力、煤氣及水的生產(chǎn)和供應(yīng)以及信息技術(shù)產(chǎn)業(yè)的信用水平則相對(duì)較低。為了對(duì)各行業(yè)信用水平變化趨勢(shì)有一個(gè)更深入的了解，本文將作圖加以分析。圖5為十二個(gè)行業(yè)2007～2014年信用狀況變化圖。

圖5顯示所有行業(yè)信用水平都呈上升趨勢(shì)，且都比較穩(wěn)定，穩(wěn)定發(fā)展的同時(shí)差異也非常的明顯，信用水平最高的行業(yè)為交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)，最低的為社會(huì)服務(wù)業(yè)，前者2014年信用評(píng)價(jià)值是后者的2.3倍，前者2007年的信用評(píng)價(jià)值也接近后者2014年信用評(píng)價(jià)值的1.5倍，可見(jiàn)差距是非常明顯的。交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)作為經(jīng)濟(jì)發(fā)展的重要組成部分，聯(lián)系著經(jīng)濟(jì)發(fā)展的各個(gè)部門，因此有著很重要的地位，通過(guò)評(píng)價(jià)值也可以看出這一行業(yè)的上市企業(yè)財(cái)務(wù)能力較高，發(fā)展前景也非常樂(lè)觀。反觀社會(huì)服務(wù)業(yè)，作為第三產(chǎn)業(yè)主題的社會(huì)服務(wù)業(yè)在我國(guó)起步較晚，目前還較為落后，因此通過(guò)財(cái)務(wù)狀況反映的信用水平比較低，這也反映了社會(huì)服務(wù)業(yè)在我國(guó)目前的現(xiàn)狀，但是其穩(wěn)定的增長(zhǎng)勢(shì)頭表明以社會(huì)服務(wù)業(yè)為主的第三產(chǎn)業(yè)將會(huì)得到更好的發(fā)展。

表3 分行業(yè)信用評(píng)價(jià)結(jié)果

圖5 各行業(yè)2007～2014年信用變化圖

除了交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)排名較高外，農(nóng)林牧漁業(yè)信用評(píng)價(jià)值也相對(duì)較高，這體現(xiàn)了我國(guó)作為農(nóng)業(yè)大國(guó)農(nóng)業(yè)生產(chǎn)及農(nóng)業(yè)深加工行業(yè)在我國(guó)的重要地位，在第一產(chǎn)業(yè)占比逐漸下降的情況下，農(nóng)林牧漁業(yè)上市公司信用狀況不僅非常樂(lè)觀，而且信用水平呈現(xiàn)總體上升趨勢(shì)，這主要是由于今年各級(jí)政府對(duì)農(nóng)業(yè)及相關(guān)產(chǎn)業(yè)大力扶持的結(jié)果，可見(jiàn)政策引導(dǎo)對(duì)產(chǎn)業(yè)發(fā)展的推動(dòng)作用之大。房地產(chǎn)業(yè)信用狀況與農(nóng)林牧漁業(yè)非常接近，也有著較高的信用評(píng)價(jià)值，這與近十年房地產(chǎn)業(yè)的發(fā)展有著密切的聯(lián)系，房地產(chǎn)業(yè)的蓬勃發(fā)展給房地產(chǎn)業(yè)帶來(lái)了巨大的收益，而人們對(duì)房地產(chǎn)企業(yè)發(fā)展有著較好的預(yù)期，也是房地產(chǎn)企業(yè)信用評(píng)價(jià)值較高的原因之一。

信用評(píng)價(jià)值較低的除了社會(huì)服務(wù)業(yè)還有電力、煤氣及水的生產(chǎn)和供應(yīng)以及制造業(yè)。電力、煤氣其水的生產(chǎn)和供應(yīng)行業(yè)評(píng)價(jià)值較低反映了這一行業(yè)發(fā)展的疲軟，一方面可能與行業(yè)帶有的公益性性質(zhì)有關(guān)，這一行業(yè)的產(chǎn)品直接為經(jīng)濟(jì)發(fā)展提供動(dòng)力，過(guò)多強(qiáng)調(diào)盈利勢(shì)必會(huì)對(duì)經(jīng)濟(jì)發(fā)展造成影響；另一方面在政府大力推動(dòng)電力體制改革沒(méi)有取得成效的情況下，電力部門無(wú)法形成一套完整的電力生產(chǎn)及供應(yīng)的體系，因此短時(shí)間內(nèi)無(wú)法扭轉(zhuǎn)盈利較低甚至虧損的情況，因此無(wú)論是財(cái)務(wù)狀況還是信用情況都不太樂(lè)觀。與這一行業(yè)相似的還有石化行業(yè)，與之相反，石化行業(yè)已經(jīng)形成了一套完整的體系，從石油開(kāi)采，進(jìn)口，煉制到銷售有一套完整的體系，在這套完整體系下盈利水平自然高于未形成體系的電力部門，因此兩類行業(yè)信用水平存在顯著差異。制造業(yè)作為滬市上市企業(yè)數(shù)量做多的行業(yè)，其信用水平卻表現(xiàn)平平，究其原因很大程度上是由于近年來(lái)國(guó)內(nèi)制造業(yè)發(fā)展勢(shì)頭減緩導(dǎo)致的，人口紅利的減少，越南、老撾、印度等國(guó)制造業(yè)的崛起對(duì)我國(guó)的沖擊非常大，同時(shí)由于我國(guó)制造業(yè)水平偏低，多為勞動(dòng)密集型也極大地制約了制造業(yè)企業(yè)在財(cái)務(wù)表現(xiàn)及信用水平方面的發(fā)展，隨著中國(guó)制造2025計(jì)劃的提出，相信中國(guó)在制造業(yè)發(fā)展方面會(huì)有一個(gè)新的突破。

以上分析表明企業(yè)信用水平與企業(yè)性質(zhì)、企業(yè)規(guī)模和行業(yè)有關(guān)，除了以上因素，行業(yè)內(nèi)部不同企業(yè)信用評(píng)價(jià)值又存在怎樣的差異？接下來(lái)本文從行業(yè)內(nèi)部分析入手，分析在不同行業(yè)內(nèi)部不同企業(yè)信用評(píng)價(jià)值差異的原因。在對(duì)十二個(gè)行業(yè)分別選取企業(yè)加以分析，結(jié)果顯示除了制造業(yè)和社會(huì)服務(wù)業(yè)企業(yè)，其他行業(yè)企業(yè)信用評(píng)價(jià)值仍與企業(yè)性質(zhì)和企業(yè)規(guī)模有關(guān)，下文將就制造業(yè)和社會(huì)服務(wù)業(yè)兩行業(yè)加以分析。表4給出了本文選取的制造業(yè)企業(yè)的信用評(píng)價(jià)值。

表4 部分制造業(yè)企業(yè)信用評(píng)價(jià)值

表4中數(shù)據(jù)顯示了不同類型制造業(yè)企業(yè)的信用綜合評(píng)價(jià)值有著很大的差異同方股份和安彩高科的評(píng)價(jià)值明顯高于其他四家公司，同方股份的主要業(yè)務(wù)涉及計(jì)算機(jī)系統(tǒng)、數(shù)字城市、安防系統(tǒng)、物聯(lián)網(wǎng)應(yīng)用、微電子與核心元器件、多媒體、知識(shí)網(wǎng)絡(luò)、軍工、數(shù)字電視系統(tǒng)、建筑節(jié)能和半導(dǎo)體與照明十一個(gè)產(chǎn)業(yè)，安彩高科主要業(yè)務(wù)涉及光伏玻璃、浮法玻璃及其深加工產(chǎn)品，以上兩家企業(yè)屬于高技術(shù)制造業(yè)，而其他四家公司則分別設(shè)計(jì)化工、紡織、供電、供熱的傳統(tǒng)制造業(yè)，可見(jiàn)制造業(yè)公司生產(chǎn)產(chǎn)品的屬性與制造業(yè)企業(yè)的信用評(píng)價(jià)值有一定關(guān)系。傳統(tǒng)制造業(yè)（主要包括紡織、食品制造、機(jī)械制造行業(yè)，化工行業(yè)，冶金行業(yè)，礦產(chǎn)行業(yè)）的整體信用水平偏低。與制造業(yè)相似的還有服務(wù)業(yè)，本文隨機(jī)抽取的七家社會(huì)服務(wù)業(yè)上市公司中主要涉及醫(yī)療、交通、餐飲和汽車服務(wù)。

表5 社會(huì)服務(wù)業(yè)部分企業(yè)信用評(píng)價(jià)值

表5中數(shù)據(jù)顯示華域汽車、國(guó)機(jī)汽車和申華控股三家公司的信用評(píng)價(jià)值明顯高于其他四家，這三家企業(yè)有一個(gè)共同特點(diǎn)就是主要業(yè)務(wù)為汽車服務(wù)及其相關(guān)產(chǎn)業(yè)，而另外四家上市公司信用評(píng)價(jià)值則相對(duì)較低。圖6和圖7分別給出了七家企業(yè)的信用評(píng)價(jià)值折線圖和2007～2014年間汽車產(chǎn)銷量折線圖。

圖6 社會(huì)服務(wù)業(yè)部分企業(yè)信用評(píng)價(jià)值折線圖

圖7 2007～2014汽車產(chǎn)銷量變化折線圖

從圖6中可以看出汽車服務(wù)業(yè)整體信用水平明顯高于其他企業(yè)，同時(shí)結(jié)合圖7分析不難發(fā)現(xiàn)圖6中兩家公司信用水平的變化趨勢(shì)與圖7中汽車產(chǎn)銷量的變化趨勢(shì)非常相似，利用灰色相對(duì)關(guān)聯(lián)度方法計(jì)算得到汽車產(chǎn)量與兩家企業(yè)信用評(píng)價(jià)值的關(guān)聯(lián)度均達(dá)到0.71以上，說(shuō)明隨著汽車銷量近幾年的不斷攀升，與之相關(guān)的汽車服務(wù)業(yè)也隨之發(fā)展，好的發(fā)展態(tài)勢(shì)帶給汽車服務(wù)業(yè)的則是較高的信用評(píng)價(jià)值。

四、結(jié)論

本文利用數(shù)據(jù)挖掘中支持向量機(jī)算法建立了一套基于上市公司財(cái)務(wù)數(shù)據(jù)的信用評(píng)價(jià)方法，并利用上交所上市公司的數(shù)據(jù)進(jìn)行了實(shí)證分析。實(shí)證分析結(jié)果顯示該方法能夠利用上市公司經(jīng)濟(jì)數(shù)據(jù)對(duì)上市公司信用水平做出較為準(zhǔn)確評(píng)價(jià)。分析表明企業(yè)規(guī)模和所有制形式對(duì)上市公司信用評(píng)價(jià)均有顯著影響。分析結(jié)果顯示國(guó)有企業(yè)信用水平普遍較高，說(shuō)明了國(guó)有企業(yè)，特別是中央所屬大型企業(yè)在信用水平方面的絕對(duì)優(yōu)勢(shì)，排名前十的企業(yè)均為央企，這與其在國(guó)民經(jīng)濟(jì)中的重要地位是密切相關(guān)的，而排名較后的國(guó)企則基本上是地方管理的企業(yè)，可見(jiàn)地方政府對(duì)企業(yè)的管理水平還有待提高。相對(duì)國(guó)有企業(yè)信用水平較高的現(xiàn)實(shí)，民營(yíng)上市企業(yè)整體信用水平明顯偏低，作為民營(yíng)企業(yè)中佼佼者的民營(yíng)上市企業(yè)都現(xiàn)實(shí)出較低的信用水平，可見(jiàn)我國(guó)民營(yíng)企業(yè)整體信用水平仍有待提高，因此在大力發(fā)展國(guó)有企業(yè)的同時(shí)也要采取相應(yīng)的政策措施促進(jìn)民營(yíng)企業(yè)發(fā)展，由于民營(yíng)企業(yè)特別是中小企業(yè)融資難問(wèn)題很大程度上與其信用水平相關(guān)，采取措施促進(jìn)民營(yíng)企業(yè)發(fā)展，進(jìn)而提高其信用水平是增強(qiáng)我國(guó)經(jīng)濟(jì)活力的重要手段。

此外，還要努力促進(jìn)不同行業(yè)以及行業(yè)內(nèi)部的協(xié)調(diào)發(fā)展，前面分析指出同一個(gè)行業(yè)內(nèi)部不同部門間的信用水平也存在差異，差異的存在可以促進(jìn)信用水平較低的企業(yè)通過(guò)技術(shù)改進(jìn)等方式提高企業(yè)競(jìng)爭(zhēng)力，但諸如制造業(yè)中的鋼鐵制造等傳統(tǒng)制造業(yè)則需要通過(guò)調(diào)控手段提高其信用水平，讓其在新興制造業(yè)發(fā)展的大潮中仍然能夠繼續(xù)得以發(fā)展。

［1］劉淑蓮、王真、趙建衛(wèi)：《基于因子分析的上市公司信用評(píng)級(jí)應(yīng)用研究》，《財(cái)經(jīng)問(wèn)題研究》2008年第7期。

［2］閆海峰、華雯君：《基于KMV模型的中國(guó)上市公司信用風(fēng)險(xiǎn)研究》，《產(chǎn)業(yè)經(jīng)濟(jì)研究》2009年第3期。

［3］遲晨：《KMV模型對(duì)我國(guó)上市公司信用風(fēng)險(xiǎn)度量的實(shí)證研究》，《海南金融》2010年第2期。

［4］辛金國(guó)、關(guān)建清：《基于數(shù)據(jù)挖掘民營(yíng)上市公司績(jī)效評(píng)價(jià)研究探索》，《中國(guó)管理科學(xué)》2012年第1期。

［5］張澤京、陳曉紅、王傅強(qiáng)：《基于KMV模型的我國(guó)中小上市公司信用風(fēng)險(xiǎn)研究》，《財(cái)經(jīng)研究》2007年第11期。

［6］Petr，Hájek.Municipal credit rating modelling by neural networks［J］.Decision Support Systems，2011，（51）: 108-118.

（編輯杜昌）