論文導讀:：本文從違約概率衡量上市公司信用風險的角度和信用評級的角度來看，基于因子分析的Logistic回歸模型和KMV模型都能反映上市公司的信用風險狀況，但基于因子分析的Logistic回歸模型的評級結果比KMV模型較準確。
論文關鍵詞：信用風險，KMV模型，Logistic回歸模型，因子分析，信用評級

　　一、引 言
　　隨著金融全球化趨勢的加快和金融市場的波動性加劇，企業破產和重組事件的發生頻率也越來越高，各國金融行業受到了前所未有的信用風險的挑戰。而上市公司是中國證券市場的基礎，公司質量的高低、行為的規范與否及其財務狀況的好壞將直接影響到中國證券市場的發展和投資者的利益，影響市場的興衰。
　　二、數據來源
　　本文選取上市公司中的績差股與績優股為研究樣本，績差股選取截止2005年12月31日滬深兩市被ST的上市公司中的30家為樣本和績優股選取大盤藍籌股中的30家上市公司作為配對樣本，共60家上市公司，這60家上市公司全部為A股（研究的股票交易數據和年報財務數據以及相關的其他信息來自大智慧和中國金融wind數據庫）。
　　三、模型的構建及結論分析
　　針對Logistic回歸模型和KMV模型存在的問題，在本文中也做了部分的改進，進而對中國上市公司進行信用風險度量，以期待能找到適合中國實際情況的信用風險度量模型。
　　3.1、Logistic回歸模型
　　對Logistic回歸模型的構建，首先要慎重選擇參數。誤選參數會導致模型的誤判。
　　3.1.1 、Logistic回歸模型的參數選擇
　　本文選擇了能反映上市公司的贏利性，償債能力，營運能力、現金流量等方面特性的21個財務指標。我們利用SPSS13.0統計軟件作為因子分析的工具金融論文，其具體步驟如下：
　�。�1）提取60家樣本公司2005會計年度報告的指標數據，利用SPSS13.0現將21個指標進行無量綱標準化；
　�。�2）利用因子分析計算相關系數矩陣的KMO值及Barlett檢驗值，分析顯示KMO值及Barlett檢驗值符合檢驗要求；
　�。�3）計算特征值、貢獻率、共同度，提取特征值大于0.8的9個因子為主要因子，累計貢獻率達到81.687%[2]。其中第一個主因子的方差貢獻率為26.992%，第二個主因子的方差貢獻率為14.646%，第三個主因子的方差貢獻率為8.298%，后邊的幾個主因子的貢獻率依次降低。
　�。�4）建立因子載荷矩陣、因子得分系數矩陣，求得9個主因子的因子得分。
　　在運用SPSS13.0對財務指標進行因子分析時，我們采用的是主成分分析方法，求旋轉后的因子載荷矩陣選擇最大方差旋轉法。結果分析如下：
　�。╝）KMO和球形Bartlett檢驗
　　經KMO和Bartlett檢驗表明：Bartlett球度檢驗的值為838.034，概率，即假設被拒絕，也就是說，可以認為相關系數矩陣與單位矩陣有顯著差異。同時KMO值為0.636，根據KMO度量標準[3]可知，原變量適合進行因子分析。
　�。╞）因子分析的總方差解釋
　　因子分析總方差列表中顯示前9個主成分的特征值大于0.8，但他們的累積貢獻率達到了81.687%，在特征根大于1的情況下，有7個主要因子，他們的累積貢獻率達到了73.64%，模型的解釋力度相對較低。并由各個成分特征值的碎石圖可知，保留前7個主要因子就可以概括絕大部分的信息，但這7個累積貢獻率低于80%。
　　（c）因子分析的共同度
　　從因子分析的共同度表中的第二列顯示初始共同度，全部為1；第三列是提取特征根的共同度，本文中是在指定特征根大于0.8的條件下的共同度，可以看到，總資產同比增長率和銷售凈利率的共同度較低（低于80%）金融論文，這幾個變量的信息丟失較為嚴重。 但大部分的共同度都在0.7以上，且大部分大于0.8，說明這9個公因子能夠較好地反映原各指標變量的大部分信息。
　　3.1.2、Logistic回歸模型的構建
　　我們把這9個主因子都引入到Logistic回歸模型中，進行多元回歸分析。利用SPSS13.0統計分析軟件的BinaryLogistic回歸程序包進行回歸，得到的結果如表4-7，4-8所示論文格式范文。
　　從回歸的第一步Cox & Snell 為0.639，Nagelkerke為0.851，大于0.8，說明該模型的擬合效果較好[4]。從表4-7可以得到，模型的整體準確判別率為93.3%，模型對上市公司的違約判別率還是較好的。從表4-8可以看出，9個主因子的顯著性水平都較高，第9個主因子的顯著性最大，為0.755，相對來說第2、4及5個主因子顯著性水平較低。
　　表4-7 輸出結果
　　
　　表4-8 模型的回歸系數
　　Variablesin the Equation
　　

將這9個主因子全部納入模型，得到Logistic回歸方程如下：
　　即
　　上式就是所要構造的Logistic回歸模型。
　　3.1.3、Logistic回歸模型的結果分析
　　在用SPSS13.0統計軟件在做Logistic回歸時，取系統默認的為分界點。假定當時，將其視為違約公司，則將其成為非違約公司。
　　對于違約組的30家上市公司，判為違約的有29家，非違約的有1家，即ST鹽湖，違約概率為0.484850，誤判率為3.3%�？儍灩傻�30家上市公司中，有3家被誤判為違約股，分別為：ST金杯、ST天橋和鋅業股份，違約概率分別為：0.961318、0.854739、0.581011，誤判率為10%。因此金融論文，Logistic回歸模型對于ST公司和非ST公司的判別準確率為：96.7%、90%。
　　3.2、 KMV違約模型
　　KMV模型的基本假設是：當公司的資產價值低于一定水平時，公司就會對債權人和股東違約。
　　3.2.1 參數的假定
　　在KMV模型中，有三個關鍵性的指標即資產價值、資產價值波動率及公司債務合同上的債務數量。
　�。�1）股權價值
　　因為本文選取的是2005年的上市公司，不存在非流通的上市流通。本文選擇用每股凈資產代替非流通價格來計算股權價值。從而得到股權價值的計算公式為：
　　股權價值=流通股股數×市價+非流通股股數×每股凈資產
　�。�2）股權價值的波動率
　　在Block-Scholes期權定價模型中，變量指股票收益率波動性，即標準差。企業違約與否，主要看企業資產價值變化率的標準差。本文以上市公司股票的波動率代替股權價值的波動率。采用歷史波動率法估計上市公司股權市場價值未來一年的波動率。假定股票價格S滿足對數正態分布。股票收益的日波動率為：
　　
　　其中， ，為股票每日相對收益率，為的均值。
　　假定年交易天數為250天，則年波動率為：
　　
　�。�3）違約點的選擇
　　本文借鑒翟東升等（2007）[27]的研究成果。設STD為短期負債，LTD為長期負債，選取的違約點為：
　　DP=STD+0.75LTD
　　（4）債務有效期限
　　為了計算的方便，在本文中，取債務的有效期限為1年。
　�。�5）無風險利率
　　我們用銀行2005年一年期定期存款的基準利率來代替無風險利率，即r=2.25%。數據來自中國人民銀行網站。最后，我們假定未來公司資產價值的增長率為零。
　　3.2.2 KMV模型的實證結果分析
　　我們利用mathcad軟件來兩個方程進行求解，求出資產價值和資產價值波動率。進而可以求出上市公司的違約距離。我們將ST上市公司和非ST上市公司的DD分為3個區間：，，，并在這3個區間上公司出現的頻數和頻率，如表4-12所示：
　　表4-12 30家ST上市公司和30家非ST上市公司的違約距離統計
　　 　　

從表4-12可以看出，ST上市公司的違約距離在，，的頻率分別為：73%、27%和0%，而非ST上市公司在這三個區間的違約頻率分別為：33%、64%和3%。在這個區間，公司很有可能發生違約，因此我們假設當違約距離DD大于2.5時金融論文，認為上市公司不存在違約風險。反之，存在違約風險。30家ST上市公司，其中有8家被判為無違約風險。30家非ST上市公司中10家被判為有違約風險。模型對ST上市公司和非ST上市公司的準確率分別為73.3%、66.7%。
　　進一步，我們將ST上市公司和非ST上市公司的違約概率EDF也分為三個區間：，，。在這三個區間上對上市公司進行統計得到如表4-13所示。
　　表4-13 30家ST上市公司和30家非ST上市公司的違約概率統計
　　

從表4-13可以看出，ST公司的違約概率在，，這三個區間出現的頻率分別為：37%、23%和40%，而非ST公司的違約概率在這三個區間出現的頻率分別為：80%、17%和3%。非ST公司的違約概率大部分都集中在這個較小的區間上，ST公司的違約概率的分割不夠明顯，雖然在這個區間出現的頻率多點。
　　如果我們假定違約概率的分界點為0.01，那么對于30家ST上市公司，將有11家上市公司被判為非違約，誤判概率為37%。對于30家非ST上市公司，將有6家被判為違約，誤判概率為20%。對于ST上市公司和非ST上市公司其模型的準確率分別為：63%、80%論文格式范文。雖然用違約概率來衡量違約風險對于非ST上市公司是較好的，準確率較高，但對于ST公司，理論違約概率并未能表現出顯著的差異。說明違約概率對于現實的信用狀況反映能力還是有限的。
　　四、 違約概率與信用評級
　　本文對企業信用評級的劃分標準參考如表4-14[5]。信用評級等級統計結果如表4-15所示。
　　由表4-15可以看出，Logistic回歸模型對ST公司的評級結果相對于非ST公司來說較好，達到了100%，非ST公司的評級結果準確率達到了76.7%。KMV違約模型對于非ST公司的評級結果相對于ST公司來說較好，準確率達到了100%，ST公司的評級結果準確率只有3%。由前兩節的實證結果我們知道，Logistic回歸模型對ST公司和非ST公司的判別準確率分別為96.7%和90%，KMV違約模型用違約概率來區分ST公司和非ST公司的判別準確率為63%和80%。與各自對ST公司和非ST公司的信用評級等級結果相一致。
　　表4-14 信用級別劃分標準TDP值表
　　

表4-15信用評級等級統計結果
　　

對同一家上市公司，Logistic回歸模型和KMV模型對其的信用等級相差很大金融論文，特別是ST公司。這是因為，Logistic回歸模型是基于財務指標的，而KMV模型主要是基于股票價格信息的，對于上市公司的信用等級大都較高。因此，兩者的判別等級相差大是合乎理論的。雖然判別等級不一樣，但它們整體表達的意思是一致的。但整體來說，Logistic回歸模型對上市公司信用資質的評價要高于KMV模型。
　　五、結論
　　在構建的21個指標體系中，償債能力、營運能力和盈利能力指標三者的惡化是上市公司陷入信用危機的主要原因。因此提高上市公司的經營管理水平和獲利能力是避免公司陷入信用危機的關鍵。Logistic回歸模型取得了93.3％的預測準確率。而對于KMV違約模型，用違約距離衡量違約風險時，模型的預測準確率為73.3%和66.7%。用相對應的違約概率來衡量時，模型的判別精度為63%和80%。說明了Logistic回歸模型比KMV模型更適用于中國上市公司信用風險的度量，但第Ⅱ類錯誤明顯偏高。
　　雖然本文在對信用風險評估模型進行研究時，也做了進一步的改進，但還存在著很多的問題，以期進一步的研究。

參考文獻:
[1]柏藝益.Logistic模型在評價上市公司信用風險中的應用研究[J].時代經貿(中旬刊),2008(S6):148-149.
[2]陳曉,陳治鴻.中國上市公司的財務困境預測[J].中國會計與財務研究,2000,(9):55-72.
[3]董穎穎,薛鋒,關偉.KMV模型在中國證券市場的適用性分析及其改進[J].生產力研究,2004(8):116-117.
[4]李磊寧,張凱.KMV模型的修正及在中國上市公司信用風險度量中的應用[J].首都經濟貿易大學學報,2007(4):44-48.
[5]魯煒,趙恒珩,方兆北等.KMV模型在上市公司價值評估中的應用[J].管理科學,2003(3):30-33.
[6]翟東升,張娟,曹運發.KMV模型在上市公司信用風險管理中的應用[J].工業技術經濟,2007(1):126-134.
[7]Madalla G.S. Limited Dependent and QualitativeVariables in Econometric[M].The Third Edition. Cambridge: Cambridge University Press,1983.
[8]M.D.Earky.Warning of bank failure:a logit regressionapproach[J].Journal of Banking and Finance.1977:249-276.