企業(yè)的信用評價方法

企業(yè)的信用評價信用評價概述在美國和歐洲，企業(yè)信用評價引起了學術界和實務界極大的關注，判別方法和模型層出不窮，但迄今為止還沒有公認的、有效的和統(tǒng)一的方法。企業(yè)信用評價之所以引起極大的關注，之所以有大量的方法和模型得到開發(fā)和利用，緣由就在于其具有不行無視的重要性：一、作為早期警告系統(tǒng)，判別方法和模型可以告誡治理者企業(yè)是否在變壞，是否應實行有針對性的措施防止失?。欢?、判別方法和模型可以用來幫助金融機構的決策者對企業(yè)作出評價和選擇，由于這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)信用等級判別模型評價貸款的可行性。西方銀行在多年的實踐中漸漸形成了一整套衡量標準，即通常所稱的貸款審查4(Collateral)5(Condition)6ContinuityLAPPLiquidityActivityProfitabilityPotentialities評價指標體系經受U1企業(yè)信用尊級企業(yè)信用尊級U5企業(yè)資金構造U6U7信用評價模型

信用評價模型多元判別分析〔MDA〕Logit分析模型近鄰法分類樹 人工神經網絡〔ANN〕模型國際上，對企業(yè)的信用評價，通常將商業(yè)銀行對企業(yè)信用風險的測度轉化為對企業(yè)財務狀況的衡量問題，由于信用風險的形成 一一企業(yè)是否能如期還本付息，主要取決于企業(yè)財務狀況。具體做法是依據歷史上每個類別〔如信用等級 AAA、AA、A、BBB等〕的假設干樣本，從的數據中覺察規(guī)律，從而總結出分類的規(guī)章，建立判別模型，用于對的樣本的判別。固然我們不能僅依據企業(yè)某些單一指標，而應依據影響企業(yè)財務狀況的多維指標來評估企業(yè)的財務狀況。因此，這些方法的關鍵步驟和難點在于指標體系確實立和評估模型的選擇，也即如何將多維指標綜合起來。目前承受的方法有統(tǒng)計方法、專家系統(tǒng)、神經網絡技術等。國內外在對信用評價中，廣泛承受了基于統(tǒng)計判別方法的推測模型，這些方法都是在Fisher1936年作出的啟發(fā)性爭論之后提出來的?？偟膩碚f，這些模型都被表述為一類分類系統(tǒng)〔1.2〕，它們承受定義在已選變量集合上的一個隨機觀測值樣本，建立判別函數，進展分類。常用的模型有：回歸分析法、多元判別分析法、 Logit法、Probit法等，這些模型已經得到廣泛的應用，但它們仍存在著很多缺陷，下面就分別介紹這幾種模型。一1.2模型的分類系統(tǒng)多元判別分析〔MDA〕Chesser判別模型 多元判別分析〔MDA〕是除美國外的其他國家使用最多的統(tǒng)計方法。 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日起正式實施與國際會計準則根本適應的、 統(tǒng)一的《企業(yè)會計準則》由此奠定了企業(yè)信用評估爭論的根底和前提，隨著國內會計人員的業(yè)務水平〔如對準則的把握、理解和應用水公平〕和會計報表水平的不斷提高，所產生的會計報表開頭根本符合準則要求，因此，近年來的財務數據已具備建立企業(yè)信用判別模型的根本條件，承受多元判別分析方法建立企業(yè)信用評價模型，并將判別結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)信用評價模型在判別的準確性上有較大提高。但應用多元判別分析〔MDA〕有以下三個主要假設：① 變量數據是正態(tài)分布的；②各組的協方差是一樣的;③每組的均值向量、協方差矩陣、先驗概率和誤判代價是的對經濟、財務變量的正態(tài)假設已成為通常慣例。由于線性判別函數〔

LDA〕在實際使用中是最便利的，如在距離判別和貝葉斯判別中，在正態(tài)總體等協方差時，均導出一個線性判別函數，所以一般只爭論線性判別函數。在滿足上述誤判概率達最小，下面介紹幾個應用判別分析法建立的模型。1〕Chesser判別模型

3個假設的條件下，該判別函數使DeltonChesser6個變量進展了Logit分析，得到的公式是:Y Y y=-0.0434-5.247*■■+0.0053*“J-

Y+4.4009*I-0.0791*

-0.1020*其中二一〔現金+市場化證券〕/總資產二一銷售凈額/〔現金+市場化證券〕”1資產酬勞率■”：資產負債率Y=-固定資產/股東權益營運資本/凈銷售收入變量y是一個獨立變量的線性組合，承受如下公式確定不全都的概率 P:P=^—1-::”e=2.71828y值可以看作客戶不全都傾向的指數，y越大不全都的概率越高，他確定的分類原則是:假設p>0.50歸于不全都組；假設p<0.50，歸于全都組。2〕ZETA分析模型zeta分析模型是Altman,Haldeman和Narayanan在爭論公司破產時提出的一個模型，采用7個指標作為提醒企業(yè)失敗或成功的變量， 這7個指標是資產酬勞率、收入的穩(wěn)定性〔用10年資產酬勞率的標準差的倒數來度量〕、利息保障倍數、贏利積存〔用留存收益 /總資產來度量〕、流淌比率、資本化率〔用五年的股票平均市場值 /總長期資原來度量〕和規(guī)?！灿霉究傎Y產來度量〕，這7個指標分別表示企業(yè)目前的贏利性、收益的保障、長期贏利性、流淌性和規(guī)模等特征，Altman在1968年通過對假設干組企業(yè)的爭論和分析， 承受5個指標進行回歸，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=營運資本/總資產X2=留存收益/總資產X3=資產酬勞率X4=權益市場值/總債務的帳面值假設ZW 2.267歸于破產組；假設Z>2.675，歸于非破產組。同時Altman1.812.99之間會產生錯誤的分類，因此，他認為這一區(qū)間是無視區(qū)域。>>TOPLogit分析模型logit分析與判別分析的本質差異在于不要求滿足正態(tài)分布或等方差，其模型承受 logistic其中匚-門表示第i個指標，是第i個指標的系數，YY又常被理解為屬于某一類的概率，如企業(yè)財務狀況好壞的概率由于一般判別分析方法的局限， Logit分析在推測中得到了相當廣泛的應用， 后的爭論絕大多數都用Logit分析。在一些國家建立了很多相應的模型。這些爭論包括: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近鄰法近鄰法是一種非參數方法，當總體表現為顯著非正態(tài)分布時，特別是當屬于同一類的樣本在變量空間形成聚類時，近鄰法格外有效。與參數類方法相比，近鄰法用于對總體分布施加很少約束的狀況，是一種格外敏捷的方法。近鄰法不僅放松了正態(tài)性假定，也避開了傳統(tǒng)技術對模型函數形式設定的困難?任何一k個近鄰劃歸類型所確定。任意兩個樣本之間的距離可定義r1為：； - 是合并協方差的逆?這樣，一個樣本劃歸為它的k個近鄰的多數〔k11類〕。>>TOP分類樹80年月末期，有學者提出一種利用機器學習技術進展起來的符號方法 一一分類樹。該方法不象傳統(tǒng)方法那樣通過判別函數形成決策規(guī)章來判別樣本所屬的類型，而是創(chuàng)立了一個對原始樣本進展最正確分類判別的分類樹。此前，曾有學者承受了一種叫做遞歸分割的類似技術生成判別樹。兩種方法都承受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?它們的差異只是在分割準則上，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到達最小。>>TOP人工神經網絡〔ANN〕模型上述四種方法在國外已大量應用，實證結果覺察

：1〕企業(yè)財務狀況的評價可以看作是一類

2〕企業(yè)財務狀況的好壞與財務比率的關系是非線性的；3〕推測變量〔財務比率〕可能是高度相關的；成正態(tài)分布

4〕大量實證結果說明，很多指標不因此，傳統(tǒng)的分類方法不能很好地解決這些問題。作為爭論簡單性的有力工具，神經網絡技術近年來在模式識別與分類、識別濾波、自動掌握、推測等方面已展現了其非凡的優(yōu)越性，特別是能處理任意類型的數據，這是很多傳統(tǒng)方法所無法比較的。通過不斷學習，能夠從未知模式的大量的簡單數據中覺察其規(guī)律。神經網絡方法抑制了傳統(tǒng)分析過程的復雜性及選擇適當模型函數形式的困難，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系，給建模與分析帶來極大的便利?該方法用于企業(yè)財務狀況爭論時，一方面利用其映射力量，另一方面主要利用其泛化力量，即在經過肯定數量的帶噪聲的樣本的訓練之后，網絡可以抽取樣本所隱含的特征關系，并對狀況下的數據進展內插和外推以推斷其屬性。它在分類問題中的消滅，最早是用于對銀行破產的預估。

Tam(1991)、Tam和Kiang(1992)、DuttaShekhar(1992)建議

。Tam和Kiang(1992)BP神經網絡(如以下圖所示)來訓練網絡，依據輸入到網絡的一些樣本供給一套權重，在網絡訓練之后，可以將任何輸入(公司)劃分為破產或非破產。4神經網絡模型是分布自由的，而且對實際問題是適用的，特別是當變量是從未知分布取出和協方差構造不相等(在企業(yè)失敗樣本中的常態(tài))時，神經網絡能夠供給良好的分類準確性。Altman等人(1994)利用神經網絡對意大利公司進展了失敗推測，與多元判別分析模型相比，給出了令人鼓舞結果。此外，神經網絡的非線性形態(tài)較通用和較敏捷。但它也有一些問題，如：模型的拓撲定義、比其他方法計算量較大和表述判別力量較難。Altman等人(1994)提到，神經網絡在決策方法中表現得像一個 “黑匣子”，使得它的應用和承受都較困難。雖然神經網絡作為一種分類工具似乎比其他方法較具吸引力，在財務領域解決實際問題的應用到目前為止還不多。Wilson和Sharda(1992)參考神經網絡的應用做過企業(yè)失敗推測，Salchenberger等人(1992)利用神經網絡推測過慈善機構的失敗， Dutta和Shekhar(1992)提出

Serrano-Cinca(1996)用它作過破產推測。神經網絡(ANN)人