企業(yè)的信用評(píng)價(jià)方法

1、企業(yè)的信用評(píng)價(jià)1. 信用評(píng)價(jià)概述在美國和歐洲，企業(yè)信用評(píng)價(jià)引起了學(xué)術(shù)界和實(shí)務(wù)界極大的關(guān)注，判別方法和模型層出不 窮，但迄今為止還沒有公認(rèn)的、有效的和統(tǒng)一的方法。企業(yè)信用評(píng)價(jià)之所以引起極大的關(guān) 注，之所以有大量的方法和模型得到開發(fā)和利用，原因就在于其具有不可忽視的重要性：一、作為早期警告系統(tǒng)，判別方法和模型可以告誡管理者企業(yè)是否在變壞，是否應(yīng)采取 有針對(duì)性的措施防止失?。欢?、判別方法和模型可以用來幫助金融機(jī)構(gòu)的決策者對(duì)企業(yè)作出評(píng)價(jià)和選擇，因?yàn)檫@些 模型和貸款決策模型相通。雖然貸款決策問題和企業(yè)信用問題不能等同，但貸款人可以卓 有成效地利用企業(yè)信用等級(jí)判別模型評(píng)價(jià)貸款的可行性。西方銀行在多年的實(shí)踐

2、中逐漸形成了一整套衡量標(biāo)準(zhǔn)，即通常所稱的貸款審查“6C” 原則,“6C”(即:品德(Character) (2)能力(Capacity ) (3)資本(Capital)( 4 擔(dān)保 (Collateral) ( 5 經(jīng)營環(huán)境 (Condition) ( 6 事業(yè)的連續(xù)性( Continuity或 LAPP 原則即流動(dòng)性( Liquidity 、活動(dòng)性( Activity 、盈利性( Profitability 、潛力( Potentialities 。2. 評(píng)價(jià)指標(biāo)體系3.信用評(píng)價(jià)模型經(jīng)歷U1企業(yè)信用尊級(jí)企業(yè)經(jīng)濟(jì)實(shí)力U5企業(yè)資金結(jié)構(gòu)U6企業(yè)登營效益U7企業(yè)發(fā)U8信用評(píng)價(jià)模型人工神經(jīng)網(wǎng)絡(luò)（ANN

3、）模型多元判別分析（MDA ） Logit分析模型 近鄰法 分類樹國際上，對(duì)企業(yè)的信用評(píng)價(jià)，通常將商業(yè)銀行對(duì)企業(yè)信用風(fēng)險(xiǎn)的測度轉(zhuǎn)化為對(duì)企業(yè)財(cái)務(wù) 狀況的衡量問題，因?yàn)樾庞蔑L(fēng)險(xiǎn)的形成一一企業(yè)是否能如期還本付息，主要取決于企業(yè)財(cái)務(wù)狀況。具體做法是根據(jù)歷史上每個(gè)類別（如信用等級(jí)AAA、AA、A、BBB等）的若干樣本，從已知的數(shù)據(jù)中發(fā)現(xiàn)規(guī)律，從而總結(jié)出分類的規(guī)則，建立判別模型，用于對(duì)新的樣 本的判別。當(dāng)然我們不能僅根據(jù)企業(yè)某些單一指標(biāo)，而應(yīng)根據(jù)影響企業(yè)財(cái)務(wù)狀況的多維指 標(biāo)來評(píng)估企業(yè)的財(cái)務(wù)狀況。因此，這些方法的關(guān)鍵步驟和難點(diǎn)在于指標(biāo)體系的確立和評(píng)估 模型的選擇，也即如何將多維指標(biāo)綜合起來。目前采用的方法有

4、統(tǒng)計(jì)方法、專家系統(tǒng)、神 經(jīng)網(wǎng)絡(luò)技術(shù)等。國內(nèi)外在對(duì)信用評(píng)價(jià)中，廣泛采用了基于統(tǒng)計(jì)判別方法的預(yù)測模型，這些方法都是在 Fisher于1936年作出的啟發(fā)性研究之后提出來的。總的來說，這些模型都被表述為一類分類系統(tǒng)（如圖1.2），它們接受定義在已選變量集合上的一個(gè)隨機(jī)觀測值樣本，建立判別函數(shù)，進(jìn)行分類。常用的模型有：回歸分析法、多元判別分析法、Logit法、Probit法等，這些模型已經(jīng)得到廣泛的應(yīng)用，但它們?nèi)源嬖谥S多缺陷，下面就分別介紹這幾種模型。分莢器 一1.2模型的分類系統(tǒng)多元判別分析（MDA）Chesser判別模型ZETA分析模型多元判別分析（MDA）是除美國外的其他國家使用最多的統(tǒng)計(jì)方法

5、。多元線性判別分析法,可以具體為一般判別分析（不考慮變量篩選）和定量資料的逐步判別分析（考慮變量篩選） 我國在1993年7月1日起正式實(shí)施與國際會(huì)計(jì)準(zhǔn)則基本適應(yīng)的、統(tǒng)一的企業(yè)會(huì)計(jì)準(zhǔn)則由此奠定了企業(yè)信用評(píng)估研究的基礎(chǔ)和前提，隨著國內(nèi)會(huì)計(jì)人員的業(yè)務(wù)水平（如對(duì)準(zhǔn)則的 掌握、理解和應(yīng)用水平等）和會(huì)計(jì)報(bào)表水平的不斷提高，所產(chǎn)生的會(huì)計(jì)報(bào)表開始基本符合 準(zhǔn)則要求，因此，近年來的財(cái)務(wù)數(shù)據(jù)已具備建立企業(yè)信用判別模型的基本條件，采用多元 判別分析方法建立企業(yè)信用評(píng)價(jià)模型，并將判別結(jié)果與其它線性模型相比較，可以看出用 多元判別分析方法建立的企業(yè)信用評(píng)價(jià)模型在判別的準(zhǔn)確性上有較大提高。但應(yīng)用多元判 別分析（MDA ）

6、有以下三個(gè)主要假設(shè)： 變量數(shù)據(jù)是正態(tài)分布的； 各組的協(xié)方差是相同的; 每組的均值向量、協(xié)方差矩陣、先驗(yàn)概率和誤判代價(jià)是已知的對(duì)經(jīng)濟(jì)、財(cái)務(wù)變量的正態(tài)假設(shè)已成為通常慣例。由于線性判別函數(shù)（LDA ）在實(shí)際使用中是最方便的，如在距離判別和貝葉斯判別中，在正態(tài)總體等協(xié)方差時(shí)，均導(dǎo)出一個(gè)線性 判別函數(shù)，所以一般只研究線性判別函數(shù)。在滿足上述3個(gè)假設(shè)的條件下，該判別函數(shù)使誤判概率達(dá)最小，下面介紹幾個(gè)應(yīng)用判別分析法建立的模型。1）Chesser判別模型Delton Chesser采用6個(gè)變量進(jìn)行了 Logit分析，得到的公式是:y= - 0.0434 - 5.247*YYT + 0.0053* "

7、J - 6.65073* :Y+ 4.4009* I - 0.0791* - 0.1020*其中二一（現(xiàn)金+市場化證券）/總資產(chǎn)二一銷售凈額/（現(xiàn)金+市場化證券）'1資產(chǎn)報(bào)酬率'：資產(chǎn)負(fù)債率Y =-固定資產(chǎn)/股東權(quán)益 營運(yùn)資本/凈銷售收入變量y是一個(gè)獨(dú)立變量的線性組合，采用如下公式確定不一致的概率P:P =1 - : ' e=2.71828y值可以看作客戶不一致傾向的指數(shù)，y越大不一致的概率越高，他確定的分類原則是:（1）如果p>0.50歸于不一致組；（2）如果p<0.50，歸于一致組。2） ZETA分析模型zeta分析模型是 Altman,Haldeman

8、和Narayanan在研究公司破產(chǎn)時(shí)提出的一個(gè)模型，采用7個(gè)指標(biāo)作為揭示企業(yè)失敗或成功的變量，這7個(gè)指標(biāo)是資產(chǎn)報(bào)酬率、收入的穩(wěn)定性（用10年資產(chǎn)報(bào)酬率的標(biāo)準(zhǔn)差的倒數(shù)來度量）、利息保障倍數(shù)、贏利積累（用留存收益/總資產(chǎn)來度量）、流動(dòng)比率、資本化率（用五年的股票平均市場值/總長期資本來度量）和規(guī)模（用公司總資產(chǎn)來度量），這7個(gè)指標(biāo)分別表示企業(yè)目前的贏利性、收益的保障、長期贏利性、 流動(dòng)性和規(guī)模等特征，Altman在1968年通過對(duì)若干組企業(yè)的研究和分析，采用5個(gè)指標(biāo)進(jìn)行回歸，得到如下回歸方程：Z=1.2*'1+1.4* 1+3.3* 1+0.6* i+1.0* j其中X1 =營運(yùn)資本/總資

9、產(chǎn)X2=留存收益/總資產(chǎn)X3=資產(chǎn)報(bào)酬率X4=權(quán)益市場值/總債務(wù)的帳面值如果ZW 2.267歸于破產(chǎn)組；如果Z>2.675，歸于非破產(chǎn)組。同時(shí)Altman發(fā)現(xiàn)在1.81和2.99之間會(huì)產(chǎn)生錯(cuò)誤的分類，因此，他認(rèn)為這一區(qū)間是忽略區(qū)域。>>TOPLogit分析模型logisticlogit分析與判別分析的本質(zhì)差異在于不要求滿足正態(tài)分布或等方差，其模型采用其中匚-門 表示第i個(gè)指標(biāo)，是第i個(gè)指標(biāo)的系數(shù)，Y是因變量。 由于 所以Y又常被理解為屬于某一類的概率，如企業(yè)財(cái)務(wù)狀況好壞的概率由于一般判別分析方法的局限，Logit分析在預(yù)測中得到了相當(dāng)廣泛的應(yīng)用，1981年以后的研究絕大多數(shù)都

10、用 Logit分析。在一些國家建立了許多相應(yīng)的模型。這些研究包括: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Tenn yso n(1990)。>>TOP近鄰法近鄰法是一種非參數(shù)方法，當(dāng)已知總體表現(xiàn)為顯著非正態(tài)分布時(shí)，特別是當(dāng)屬于同一類的樣本在變量空間形成聚類時(shí)，近鄰法十分有效。與參數(shù)類方法相比，近鄰法用于對(duì)總體分布施加很少約束的情

11、況，是一種十分靈活的方法。近鄰法不僅放松了正態(tài)性假定，也避免了傳統(tǒng)技術(shù)對(duì)模型函數(shù)形式設(shè)定的困難任何一個(gè)樣本到底劃歸哪一類是由其k個(gè)近鄰劃歸類型所確定。任意兩個(gè)樣本之間的距離可定義r 1為：；-是合并協(xié)方差的逆這樣，一個(gè)樣本劃歸為它的k個(gè)近鄰的多數(shù)（即當(dāng)一個(gè)樣本的k個(gè)近鄰的大多數(shù)劃歸1類，則該樣本也應(yīng)劃屬1類）。>>TOP分類樹8 0年代末期，有學(xué)者提出一種利用機(jī)器學(xué)習(xí)技術(shù)發(fā)展起來的符號(hào)方法一一分類樹。該方法不象傳統(tǒng)方法那樣通過判別函數(shù)形成決策規(guī)則來判別樣本所屬的類型，而是創(chuàng)立了一個(gè)對(duì)原始樣本進(jìn)行最佳分類判別的分類樹。此前，曾有學(xué)者采用了一種叫做遞歸分割的類似技術(shù)生成判別樹。兩種方法

12、都采用了一種非返回跟蹤的分割方法將樣本集遞歸分割成不相交的子集它們的差別只是在分割準(zhǔn)則上，分類樹方法旨在極大化分割子集的熵，而遞歸分割方法則旨在使期望誤判損失達(dá)到最小。>>TOP人工神經(jīng)網(wǎng)絡(luò)（ANN）模型上述四種方法在國外已大量應(yīng)用，實(shí)證結(jié)果發(fā)現(xiàn)：1）企業(yè)財(cái)務(wù)狀況的評(píng)價(jià)可以看作是一類基于一系列獨(dú)立變量基礎(chǔ)上的分類問題；2）企業(yè)財(cái)務(wù)狀況的好壞與財(cái)務(wù)比率的關(guān)系是非線性的；3）預(yù)測變量（財(cái)務(wù)比率）可能是高度相關(guān)的；4）大量實(shí)證結(jié)果表明，許多指標(biāo)不成正態(tài)分布因此，傳統(tǒng)的分類方法不能很好地解決這些問題。作為研究復(fù)雜性的有力工具，神經(jīng)網(wǎng) 絡(luò)技術(shù)近年來在模式識(shí)別與分類、識(shí)別濾波、自動(dòng)控制、預(yù)測等

13、方面已展示了其非凡的優(yōu) 越性，特別是能處理任意類型的數(shù)據(jù)，這是許多傳統(tǒng)方法所無法比擬的。通過不斷學(xué)習(xí)， 能夠從未知模式的大量的復(fù)雜數(shù)據(jù)中發(fā)現(xiàn)其規(guī)律。神經(jīng)網(wǎng)絡(luò)方法克服了傳統(tǒng)分析過程的復(fù) 雜性及選擇適當(dāng)模型函數(shù)形式的困難，它是一種自然的非線性建模過程，毋需分清存在何 種非線性關(guān)系，給建模與分析帶來極大的方便該方法用于企業(yè)財(cái)務(wù)狀況研究時(shí)，一方面 利用其映射能力，另一方面主要利用其泛化能力，即在經(jīng)過一定數(shù)量的帶噪聲的樣本的訓(xùn) 練之后，網(wǎng)絡(luò)可以抽取樣本所隱含的特征關(guān)系，并對(duì)新情況下的數(shù)據(jù)進(jìn)行內(nèi)插和外推以推 斷其屬性。它在分類問題中的出現(xiàn)，最早是用于對(duì)銀行破產(chǎn)的預(yù)估。神經(jīng)網(wǎng)絡(luò)的應(yīng)用最初是由Tam(1991

14、)、Tam和Kiang(1992)、Dutta和Shekhar(1992)建議用于銀行破產(chǎn)預(yù)測。Tam和Kiang(1992)是利用三層BP神經(jīng)網(wǎng)絡(luò)(如下圖所示)來訓(xùn)練網(wǎng)絡(luò)，根據(jù)輸入到網(wǎng)絡(luò)的一些樣本提供一套權(quán)重，在網(wǎng)絡(luò)訓(xùn)練之后，可以將任何新輸入(公 司)劃分為破產(chǎn)或非破產(chǎn)。4神經(jīng)網(wǎng)絡(luò)模型是分布自由的，而且對(duì)實(shí)際問題是適用的，特別是當(dāng)變量是從未知分布取 出和協(xié)方差結(jié)構(gòu)不相等(在企業(yè)失敗樣本中的常態(tài))時(shí)，神經(jīng)網(wǎng)絡(luò)能夠提供良好的分類準(zhǔn) 確性。Altman等人(1994)利用神經(jīng)網(wǎng)絡(luò)對(duì)意大利公司進(jìn)行了失敗預(yù)測，與多元判別分析模型相比，給出了令人鼓舞結(jié)果。此外，神經(jīng)網(wǎng)絡(luò)的非線性形態(tài)較通用和較靈活。但它也有 一些問題，如：模型的拓?fù)涠x、比其他方法計(jì)算量較大和表述判別能力較難。 Altman 等人(1994)提到，神經(jīng)網(wǎng)絡(luò)在決策方法中表現(xiàn)得像一個(gè)“黑匣子 ”，使得它的應(yīng)用和接受都較困難。雖然神經(jīng)網(wǎng)絡(luò)作為一種分類工具似乎比其他方法較具吸引力，在財(cái)務(wù)領(lǐng)域解決實(shí)際問題的應(yīng)用到目前為止還不多。 Wilson 和 Sharda (1992)參考神經(jīng)網(wǎng)絡(luò)的應(yīng)用做過企業(yè)失敗預(yù)測，Salchenberger等人(1992)利用神經(jīng)網(wǎng)絡(luò)預(yù)測過慈善機(jī)構(gòu)的失敗，Dutta和Shekhar(1992)提出用神經(jīng)網(wǎng)絡(luò)預(yù)測企業(yè)債券等級(jí)，此外還有Serrano-Cinca (1996)用它作過破