企业的信用评价

企业的信用评价1.信用评价概述在美国和欧洲，企业信用评价引起了学术界和实务界极大的关注，判别方法和模型层出不穷，但迄今为止还没有公认的、有效的和统一的方法。企业信用评价之所以引起极大的关注，之所以有大量的方法和模型得到开发和利用，原因就在于其具有不可忽视的重要性：一、作为早期警告系统，判别方法和模型可以告诫管理者企业是否在变坏，是否应采取有针对性的措施防止失败；二、判别方法和模型可以用来帮助金融机构的决策者对企业作出评价和选择，因为这些模型和贷款决策模型相通。虽然贷款决策问题和企业信用问题不能等同，但贷款人可以卓有成效地利用企业信用等级判别模型评价贷款的可行性。西方银行在多年的实践中逐渐形成了一整套衡量标准，即通常所称的贷款审查“6C”原则,“6C”即：（1）品德（Character）（2）能力（Capacity）（3）资本（Capital）（4）担保(Collateral)（5）经营环境(Condition)（6）事业的连续性（Continuity）或LAPP原则即流动性（Liquidity）、活动性（Activity）、盈利性（Profitability）、潜力（Potentialities）。2.评价指标体系3.信用评价模型信用评价模型多元判别分析（MDA）Logit分析模型近邻法分类树人工神经网络(ANN)模型国际上，对企业的信用评价，通常将商业银行对企业信用风险的测度转化为对企业财务状况的衡量问题，因为信用风险的形成——企业是否能如期还本付息，主要取决于企业财务状况。具体做法是根据历史上每个类别（如信用等级AAA、AA、A、BBB等）的若干样本，从已知的数据中发现规律，从而总结出分类的规则，建立判别模型，用于对新的样本的判别。当然我们不能仅根据企业某些单一指标，而应根据影响企业财务状况的多维指标来评估企业的财务状况。因此，这些方法的关键步骤和难点在于指标体系的确立和评估模型的选择，也即如何将多维指标综合起来。目前采用的方法有统计方法、专家系统、神经网络技术等。国内外在对信用评价中，广泛采用了基于统计判别方法的预测模型，这些方法都是在Fisher于1936年作出的启发性研究之后提出来的。总的来说，这些模型都被表述为一类分类系统（如图1.2），它们接受定义在已选变量集合上的一个随机观测值样本，建立判别函数，进行分类。常用的模型有：回归分析法、多元判别分析法、Logit法、Probit法等，这些模型已经得到广泛的应用，但它们仍存在着许多缺陷，下面就分别介绍这几种模型。1.2模型的分类系统多元判别分析（MDA）Chesser判别模型ZETA分析模型多元判别分析（MDA）是除美国外的其他国家使用最多的统计方法。多元线性判别分析法，可以具体为一般判别分析（不考虑变量筛选）和定量资料的逐步判别分析（考虑变量筛选）。我国在1993年7月1日起正式实施与国际会计准则基本适应的、统一的《企业会计准则》，由此奠定了企业信用评估研究的基础和前提，随着国内会计人员的业务水平（如对准则的掌握、理解和应用水平等）和会计报表水平的不断提高，所产生的会计报表开始基本符合准则要求，因此，近年来的财务数据已具备建立企业信用判别模型的基本条件，采用多元判别分析方法建立企业信用评价模型，并将判别结果与其它线性模型相比较，可以看出用多元判别分析方法建立的企业信用评价模型在判别的准确性上有较大提高。但应用多元判别分析（MDA）有以下三个主要假设：①变量数据是正态分布的；②各组的协方差是相同的；③每组的均值向量、协方差矩阵、先验概率和误判代价是已知的。对经济、财务变量的正态假设已成为通常惯例。由于线性判别函数（LDA）在实际使用中是最方便的，如在距离判别和贝叶斯判别中，在正态总体等协方差时，均导出一个线性判别函数，所以一般只研究线性判别函数。在满足上述3个假设的条件下，该判别函数使误判概率达最小，下面介绍几个应用判别分析法建立的模型。1）Chesser判别模型DeltonChesser采用6个变量进行了Logit分析，得到的公式是：y=-0.0434-5.247*+0.0053*-6.65073*+4.4009*-0.0791*-0.1020*其中(现金+市场化证券)/总资产销售净额/(现金+市场化证券)资产报酬率资产负债率固定资产/股东权益营运资本/净销售收入变量y是一个独立变量的线性组合，采用如下公式确定不一致的概率P:e=2.71828y值可以看作客户不一致倾向的指数，y越大不一致的概率越高，他确定的分类原则是：（1）如果p≥0.50，归于不一致组；（2）如果p0.50，归于一致组。2）ZETA分析模型zeta分析模型是Altman,Haldeman和Narayanan在研究公司破产时提出的一个模型，采用7个指标作为揭示企业失败或成功的变量，这7个指标是资产报酬率、收入的稳定性（用10年资产报酬率的标准差的倒数来度量）、利息保障倍数、赢利积累（用留存收益/总资产来度量）、流动比率、资本化率（用五年的股票平均市场值/总长期资本来度量）和规模（用公司总资产来度量），这7个指标分别表示企业目前的赢利性、收益的保障、长期赢利性、流动性和规模等特征，Altman在1968年通过对若干组企业的研究和分析，采用5个指标进行回归，得到如下回归方程：Z=1.2*+1.4*+3.3*+0.6*+1.0*其中X1=营运资本/总资产X2=留存收益/总资产X3=资产报酬率X4=权益市场值/总债务的帐面值如果Z≤2.267，归于破产组；如果Z2.675，归于非破产组。同时Altman发现在1.81和2.99之间会产生错误的分类，因此，他认为这一区间是忽略区域。TOPLogit分析模型logit分析与判别分析的本质差异在于不要求满足正态分布或等方差，其模型采用logistic函数：其中表示第i个指标，是第i个指标的系数，Y是因变量。由于，所以Y又常被理解为属于某一类的概率，如企业财务状况好坏的概率。由于一般判别分析方法的局限，Logit分析在预测中得到了相当广泛的应用，1981年以后的研究绝大多数都用Logit分析。在一些国家建立了许多相应的模型。这些研究包括：Zavgren(1985)、Lau(1987)、Gloubos和Grammatikos(1988)、Gilbert等人(1990)、Kasey和McGuiness(1990)、Kasey(1990)、Luoma和Laitinen(1991)、Platt和Platt(1990)和Tennyson(1990)。TOP近邻法近邻法是一种非参数方法，当已知总体表现为显著非正态分布时，特别是当属于同一类的样本在变量空间形成聚类时，近邻法十分有效。与参数类方法相比，近邻法用于对总体分布施加很少约束的情况，是一种十分灵活的方法。近邻法不仅放松了正态性假定，也避免了传统技术对模型函数形式设定的困难．任何一个样本到底划归哪一类是由其ｋ个近邻划归类型所确定。任意两个样本之间的距离可定义为：是合并协方差的逆．这样，一个样本划归为它的ｋ个近邻的多数（即当一个样本的ｋ个近邻的大多数划归１类，则该样本也应划属１类）。TOP分类树８０年代末期，有学者提出一种利用机器学习技术发展起来的符号方法——分类树。该方法不象传统方法那样通过判别函数形成决策规则来判别样本所属的类型，而是创立了一个对原始样本进行最佳分类判别的分类树。此前，曾有学者采用了一种叫做递归分割的类似技术生成判别树。两种方法都采用了一种非返回跟踪的分割方法将样本集递归分割成不相交的子集．它们的差别只是在分割准则上，分类树方法旨在极大化分割子集的熵，而递归分割方法则旨在使期望误判损失达到最小。TOP人工神经网络(ANN)模型上述四种方法在国外已大量应用，实证结果发现:1)企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题；2）企业财务状况的好坏与财务比率的关系是非线性的；3）预测变量（财务比率）可能是高度相关的；4）大量实证结果表明，许多指标不成正态分布。因此，传统的分类方法不能很好地解决这些问题。作为研究复杂性的有力工具，神经网络技术近年来在模式识别与分类、识别滤波、自动控制、预测等方面已展示了其非凡的优越性，特别是能处理任意类型的数据，这是许多传统方法所无法比拟的。通过不断学习，能够从未知模式的大量的复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便．该方法用于企业财务状况研究时，一方面利用其映射能力，另一方面主要利用其泛化能力，即在经过一定数量的带噪声的样本的训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。它在分类问题中的出现，最早是用于对银行破产的预估。神经网络的应用最初是由Tam(1991)、Tam和Kiang(1992)、Dutta和Shekhar(1992)建议用于银行破产预测。Tam和Kiang(1992)是利用三层BP神经网络（如下图所示）来训练网络，根据输入到网络的一些样本提供一套权重，在网络训练之后，可以将任何新输入（公司）划分为破产或非破产。神经网络模型是分布自由的，而且对实际问题是适用的，特别是当变量是从未知分布取出和协方差结构不相等（在企业失败样本中的常态）时，神经网络能够提供良好的分类准确性。Altman等人(1994)利用神经网络对意大利公司进行了失败预测，与多元判别分析模型相比，给出了令人鼓舞结果。此外，神经网络的非线性形态较通用和较灵活。但它也有一些问题，如：模型的拓扑定义、比其他方法计算量较大和表述判别能力较难。Altman等人(1994)提到，神经网络在决策方法中表现得像一个“黑匣子”，使得它的应用和接受都较困难。虽然神经网络作为一种分类工具似乎比其他方法较具吸引力，在财务领域解决实际问题的应用到目前为止还不多。Wilson和Sharda(1992)参考神经网络的应用做过企业失败预测，Salchenberger等人(1992)利用神经网络预测过慈善机构的失败，Dutta和Shekhar(1992)提出用神经网络预测企业债券等级，此外还有Serrano-Cinca(1996)用它作过破产预测。神经网络（ANN）人工智能方法能处理一系列的信息输入如比率等，并能产生相应的输出，而其运算分析能生成一个成功反映所有输入输出变量相应关系的模式。除此之外，神经网络并不依赖于变量之间必须线性相关或是相互独立的假设。变量之间存有微妙联系，如同数据不连续或不完全一样，均可被系统辨识并生成定性评估（如信用等级）。简而言之，除了部分不明确的结果之外，神经网络能够在相似点和类似点方面给出有根据的结论，在很大程度上，神经网络方法在企业信用的判别上有相似的作用。