本站原创[摘 要]本文回顾和整理了我国财务信用评价研究所取得的主要成果,旨在为相关研究提供借鉴.主要从信用评价指标体系研究、信用评价的分析方法和信用评价模型的有效性研究三个方面进行综述.
[关 键 词 ]信用评价 指标 模型
信用风险一直以来都是各个经济主体面临的重要金融风险,信用风险评价的研究在国际上得到了高度的重视和迅速的发展.次贷危机的爆发,使得信用评价研究的重要性更加不言而喻.我国的信用风险度量方法虽然起步较晚,但随着我国市场经济和金融市场地发展不断演进,越来越多的学者加入到信用评价的研究中来.
综观我国的信用评价研究,焦点主要集中在信用评价指标体系的建立、信用评价的分析方法和信用评价模型中的有效性研究三个方面.
一、信用评价指标体系的研究
在指标的选取上,许剑生(1997)认为现行企业信用等级评定指标体系存在着以企业资产负债表和损益表数据为主,忽略了对企业流量的分析和部分指标设置不科学两大缺陷.
夏红芳、赵丽萍(1998)则指出现行指标体系存在着与新财务管理准则的核算口径不统一、定性分析指标太多、单项指标设置内涵过宽三个方面做得不足.认为当前的指标系统未能全面反映企业经营情况.
周佰成等(2003)认为一个指标体系应能准确地反映评估对象的特点与实际水平.
李小燕、卢闯(2004)研究了基于业绩企业信用评价指标与股权所有者的利益相关性,从而提出改进和完善现有企业信用评价模型的构想.研究结果表明:企业信用评价指标体系中的业绩指标较非业绩指标与企业的信用等级更相关.
田俊平(2005)在其硕士论文中提出现有信用评价指标较多关注企业的短期能力,应更多地关注反映企业长期能力的指标.
曲艳梅(2006)根据平衡计分卡原理,分别设计定性指标和定量指标的四个维度.其中定性指标的四个维度指标均衡分布,各为25分.而定量指标中的偿债能力指标定为50分.
综合现有文献中所采用的信用评价指标体系,信用评价所强调的是债权人的利益,而非股东的利益,故指标体系中最为看重的是体现偿债能力的指标.现有的指标体系普遍存在着定量指标比重过大,定性指标较少的现象,评价指标中所涉及的流量指标也较少.
二、信用评价的分析方法研究
当前我国学者研究得更多的是各种分析方法在信用评价模型中的应用.
最早用于建立信用评价模型的线性判别法(Liner Discriminate Analysis,简称LDA)是一种简单的参数统计方法.考虑到财务比率的多维性,信用评价模型中更为常用的是多元判别法(Multivariate Discriminate Analysis,简称MDA).近年来,线性概率模型和Logistic回归模型,特别是神经网络法等也被广泛应用于企业信用评级.
最先将多元线性判别法用于信用分析的是美国的Redward•,Altman于1968使用22个财务指标分析了美国破产企业和非破产企业,并从中选出5个最有代表性的关键指标建立了著名的五变量Z模型.该模型简单且成本低,在美国商业银行得到广泛应用.我国学者陈静(1999)使用多元判别法进行实证研究,建立了评价企业信用风险水平的现行判别模型.方洪全、曾勇(2004)以银行实际贷款数据样本为分析对象,使用SAS软件在66个财务指标中选取7个财务指标运用多元统计技术建立起4水平的线性判别模型,并根据对模型的检验证实了该判别模型对信用风险的定量评估有较强的解释和预测能力.
这些多元判别分析模型一般情况下只能对企业信用划分成两类,即还本付息和违约.这种分类不利于使用者对企业的风险进行更深层的管理.同时,由于多元判别分析法对变量数据要求较多,应用前提过于严格,而实际所使用的数据却有一定的违背,使得这种模型的误判率较高.
为了解决多元判别法应用前提的局限,美国学者Ohlson将多元逻辑回归(Logistic regression,简称Logit分析法)引入了信用评价研究中.使用Logit分析法的模型采用Logistic函数,在数据不满足正态分布情况下其判别正确率高于多元判别分析法的结果.
在国内,许多学者将Logit模型用于上市公司财务困境的预测研究,并取得了不错的效果.陈晓、陈治鸿(2000)使用Logit模型对ST公司和非ST公司进行了预测,其判别准确率为86.5%.常丽娟、张俊瑞(2007)建立了多元因变量Logit模型对69家进行了实证分析,并使用一个样本进行检验,评价结果与相似度检测机构评价结果一致.
随着信息技术的发展,人工智能模型被引入到企业信用评估中,最典型的是人工神经网络(Artificial neural works,简称ANN)的运用.神经网络对数据的要求不严格,处理非线性关系的变量具有良好的效果.但其工作的随机性较强,往往需要进行多重的训练.国外学者Altman、Marco、Jenson等都使用了神经网络分析法对公司的财务危机进行了预测研究,并取得了一定的成果.
王春峰、万海晖、张维(1999)使用神经网络法对100个企业样本进行了信用分析,研究结果中使用判别分析法的误判率为25.45%,神经网络法的误判率为18.18%.神经网络的预测准确性明显优于判别分析法.刘庆宏,刘列励(2009)对各类方法中的代表模型使用了两个数据集来验证他们的在信用评级应用中的评价效果,结论认为在各种方法中人工神经网络方法较为灵活与准确.但由于该研究数据为澳大利亚与德国企业的数据,未能代表其在中国的应用效果.
由于神经网络工作的随机性较大,需要人为地对网络结构进行调试,其应用受到了一定的限制.Altman(1997)经过研究后认为“神经网络分析方法在信用风险识别和预测中的应用,并没有实质性低优于线性判别模型”.
也有部分学者针对如何解决各种样本存在的问题,在模型中引入了各种处理方法进行改进.在解决小样本问题上,王春峰(2001)、吴德胜(2004)的研究结果认为将cross-validation法引入信用风险评估建模技术,对于小样本情况更为有效.章华、卢太平(2006)考虑到企业财务信息不确定和样本的非典型分布特征,将灰靶模型引入对企业信用等级的评价.王慧玲等(2009)的研究表明在财务信用评价中引入熵模型,能够更加客观的确定评价指标的权重.
综合相关文献,我们可以发现随着统计分析方法的发展,越来越多的方法被应用到信用评价模型的分析中来以解决样本数据存在的缺陷.尽管信用风险评估方法层出不穷,但主流的方法只有多元Logistic回归、多元判别分析和神经网络法三大类.当前在准确性上较为认可的是神经网络法.
三、信用评价模型有效性研究
现代信用风险度量模型主要包括Credit Metrics模型、基于精算方法的信用风险附加(Credit Risk)模型、信用证券组合(Credit Portfolio View)模型以及基于期权定价理论的KMV模型.国内对现代信用风险度量模型的涉及最初见于对信用风险模型的综述类和比较类文献.陈忠阳(2000)、梁世栋等(200)、王毅春等(2004)分别对各种信用风险度量模型做了比较分析.李志光(2007)在其硕士论文中对Credit Metrics模型、KMV模型、Credit Risk模型、CPV模型进行了分析比较,得出了Credit Metrics模型比其他模型在我国商业银行更具适用性和可行性的结论.
而对于Credit Risk模型,常丽娟等(2007)认为在我国的银行贷款业务中,行业特征和风险会对各笔贷款的独立性产生影响,不符合Credit Risk模型将每笔贷款是为独立的重要检测设,该模型在我国的适用性令人怀疑.
国内对CPV模型进行的研究较少.靳凤菊(2007)基于CPV模型,选取了综合领先指标、中国房地产开发企业综合景气指数和企业景气指数三个指标从宏观层面对房地产信贷的信用风险进行了研究.杨岗、陈帅(2009)对KMV模型与CPV模型进行比较分析后认为,CPV模型能更好地把握经济变化对信用风险的影响.谢赤等(2006)对Credit Metrics模型与CPV模型进行了比较研究,结论认为CPV模型有利于提高信用风险度量的精确性,特别适用于投机性债务人.
国内较多的研究验证集中于KMV模型在我国的适用性.主要研究成果有:薛锋等(2003)讨论了运用KMV模型分析我国上市公司信用风险的优缺点和运用前景.常丽娟、张俊瑞(2007)使用中国上市公司数据,对KMV模型做了有效性检验,研究结果认为KMV模型在我国股票市场环境下具备整体有效性,但由于我国股票市场信息效率存在一定的缺陷,模型的预测效力尚显不足.李磊宁等(2007)在KMV模型中引入了公司资产价值增长率,使得模型在我国的适用性有了提高.李博、王海生(2008)使用修正后的KMV模型进行信用风险评价并检验了模型识别我国房地产上市公司信用风险的能力,发现模型能较好的识别出ST与非ST公司之间信用风险的差别,但同时也认为其在我国上市公司的预测准确率同其在国外的预测准确率相比相对较低.夏红芳、马俊海(2008)利用KMV模型,通过对我国4家上市公司5年股票的违约距离实证分析表明,KMV模型的灵敏度和预测能力都相当好.
这些学者普遍认为KMV模型在我国的实用性不高,主要在于我国缺乏一个完善的违约数据库,难以确定一个较为准确客观的经验EDF值.且我国资本市场上处于初步发展阶段,企业信息披露存在不足.必须结合我国的实际情况,不断地对模型进行修订与校验,才能提高KMV模型在我国的有效性.
四、小结
近年来我国经济一直在保持持续增长,在增长的同时我国的社会信用体系建设却严重滞后.企业缺乏一个良好的信用氛围,对于社会保障各种信用关系的健康发展和整个金融市场的稳定有着一定的影响.目前我国政府也越来越重视这个问题,并相应出台了一系列政策措施.如何有效地、客观地对企业的信用进行评价,不仅有利于保障企业各相关经济关系主体的利益,更有助于我们今后继续推进社会的信用体系建设.