牟鵬飛，張東玲

（青島大學經濟學院，山東青島266071）

有序多分類離散選擇模型的信用評級與風險預警研究—以國內20家上市企業(yè)為例＊

牟鵬飛，張東玲

（青島大學經濟學院，山東青島266071）

信用風險評估模型的選擇直接影響著對上市企業(yè)信用等級的評估。本文在建立上市企業(yè)信用等級評估指標體系的基礎上，采用語言信息處理技術，通過因子分析法提取上市企業(yè)信用等級評估的潛在變量，建立有序多分類離散選擇模型，給出了信用等級判別分析計算步驟，并以中國境內20家上市企業(yè)為例進行了實證分析。以上設計運用定量和定性指標分析相結合的方式，有效地將語言評價信息進行集結和利用，解決了上市企業(yè)中風險級別可以排序、定性的問題?？纱龠M上市企業(yè)信用評級制度的完善，實現(xiàn)對上市企業(yè)信用規(guī)范管理的目標，從而建立健全全社會信用評價體系。

企業(yè)信用；評級；多分類離散選擇模型；語言信息

隨著經濟全球化和資本全球化的不斷加深，一方面為我國經濟和金融發(fā)展注入了新的活力，這在上市企業(yè)融資方面表現(xiàn)地尤為明顯。通過上市，原來資金借貸相對困難的企業(yè)變得容易起來。另一方面，憑借著企業(yè)的信用籌集資金也為資金的安全性提出了更高的要求。因此，信用等級的高低關乎到企業(yè)籌集資金的難易程度，特別是近幾年發(fā)生的“次貸危機”、“歐債危機”、“溫州企業(yè)主跑路事件”等事件提醒我們，必須建立一種合理、健全的上市企業(yè)信用評級制度。這種評級制度應該從企業(yè)的籌建出發(fā)，主要包括企業(yè)籌資和投資、企業(yè)經營運作、企業(yè)的增長與發(fā)展、企業(yè)的核心競爭力等，能準確全面地反映企業(yè)的信貸等級。信貸等級制度不僅起到了監(jiān)督企業(yè)信貸的作用，還為投資者更加方便安全的投資提供依據(jù)。信用評級已經成為衡量企業(yè)信用等級的重要手段，它既是我國應對經濟全球化和資本全球化以及提高金融國際競爭力的方式，更是提升公眾投資效率、凈化投資環(huán)境的根本途徑。發(fā)達國家在構建以風險評估為基礎的風險管理模式上作了積極的探索和實際運作［1－4］?，F(xiàn)代的信用評級業(yè)發(fā)源于美國，美國領導著全球信用評級的實務制度與學術研究。商業(yè)信用評級是信用評級機構的前身，美國的很多商業(yè)評級機構經過合并、重組形成了如今一流的評級機構如：穆迪和標準普爾等。日本的信用評級起步較晚，但經過發(fā)展還是有了自己國內的權威品牌。

在我國當前的經濟環(huán)境下，市場經濟發(fā)展的時間較短，信用問題一直是制約我國經濟發(fā)展的因素。經過了十幾年的不斷發(fā)展，盡管已經建立了信用等級評價制度，但是僅僅局限于定性信用管理方式的運用，研究信用等級評級產生的成因及其策略基本理論方面，而缺乏信用評級模型深度的研究。回顧前人的成果，其中有KMV期權定價模型計算違約頻率的方法。這種方法主要是采用數(shù)學定量計算的方法，沒有從定性的角度出發(fā)去研究信用評價體系。在我國，信用評級是以銀行對企業(yè)的信用評價為主，這種評價體系多以財務數(shù)據(jù)分析和現(xiàn)有及未來的項目盈利性等方面設計的。理論上講，信用等級的確定最重要的方面是對于企業(yè)內部的風險判別。根據(jù)前人的研究成果，從實踐的角度上看，定性數(shù)據(jù)的衡量相較于定量數(shù)據(jù)的衡量困難。但是依然能從多元統(tǒng)計分析中找到解決問題的方法。運用Logistic回歸模型對分類因變量進行分析，可以給實際研究帶來估計參數(shù)容易解釋、事件的預測概率計算簡單等便利。另外，企業(yè)信用等級涉及到語言評價信息問題，并且其評價信息多屬呈現(xiàn)出時序特征的面板數(shù)據(jù)。

本文在以上研究成果的基礎上，應用語言評價信息處理技術，建立基于有序多分類離散選擇的風險識別和分析模型，通過對國內的上市企業(yè)的信用等級的實證研究，提出一種基于語言信息處理和離散選擇模型的信用等級評級模型，為建立良好的信用等級制度和信貸關系提供了新的方法。

1 上市企業(yè)信用評價分析指標體系的建立

上市企業(yè)信用評級指標體系應包括企業(yè)籌資和投資、企業(yè)經營運作、企業(yè)的增長與發(fā)展和企業(yè)的核心競爭力這幾個方面的指標。當前，在國際評級機構所給出的評級準則中，過多的注重定量指標，而忽略定性指標的應用和處理。因此，在建立上市企業(yè)信用評價分析指標體系時，要盡量使定性指標和定量指標的均衡，盡量涉及上市企業(yè)各個環(huán)節(jié)，完整、準確地反映國內上市企業(yè)的信用等級。在進行數(shù)據(jù)處理時，把所有的指標標準化，清楚地顯示指標之間的關系。根據(jù)選擇信用評價指標的設置標準，經過篩選，選擇以下11個定量和定性指標（見表1）。

表1 上市企業(yè)信用評價指標體系Table 1 Credit evaluation index system of listed companies

2 基于語言信息的上市企業(yè)信用等級評價模型

2.1 問題描述

假設上市企業(yè)總體的信用指標集合為C＝｛c1，c2，…，cn｝，n≥2，ci代表指標體系中的第i個指標。從樣本角度考慮，取上市企業(yè)信用等級評價樣本如下：對q個上市企業(yè)v1，v2，…，vn進行信用評估，vj代表第j個企業(yè)，評估信息取自以下語言評價集S：

從整體評價集S中選擇1個元素做為針對被評價對象vj對應于指標ci的評價值，記

假定20個上市企業(yè)信用評估的潛在變量為F1，F(xiàn)2，F(xiàn)3，上市企業(yè)信用等級的特點和投資資金風險管理的要求將信用級別設置為“低、中、高、很高”4類，并用數(shù)字“0”，“1”，“2”，“3”表示，概率分別為p0，p1，p2，［5］。由二元語義分析方法可得，以1個二元組（si，αi）來表示語言評價信息，其中si∈S，評價者的語言信息短語取自語言評價集S，根據(jù)二元語義轉換函數(shù)θ可以將單個語言短語si轉化為二元語義形式［6］。對語言信息的集結眾多學者已經有豐碩的研究成果［7－11］。

2.2 提取影響上市企業(yè)信用等級的潛在變量

影響上市企業(yè)信用等級的因素很多，其中有些是定量數(shù)據(jù)，有些是定性數(shù)據(jù)。如：凈資產收益率、資產總額、主要業(yè)務安全性、管理控制分析等，這些指標都是與上市企業(yè)信用等級相關的。但是，它們之間往往存在著多重共線性，應用因子分析法以提取潛在變量解決多重共線問題。

其中：X∈R為觀測變量；F∈Rm為提取出來的潛在變量，因子負荷矩陣Λx∈Rn×m表示觀測變量與潛在變量之間的關系；εx∈Rn為觀測誤差或噪聲，則有

2.3 建立信用評級模型

2.3.1 有序離散選擇模型與估計 在信用評級實踐中，用數(shù)字代表相應評估結果時，數(shù)字的大小反映了1種風險高低次序，與此類問題對應的評價模型可采用有序離散選擇模型。設y表示序類數(shù)為k＋1的響應變量，即在｛0，1，2，…，k｝上取值的有序分類響應變量，解釋變量為x1，x2，…，xm，則對應有序離散選擇模型為［12］：

其中：x＝（x1，x2，…，xm）T是解釋變量構成的向量，β是參數(shù)向量。y＊代表的是效用評價值，是不可觀測的連續(xù)變量。只能觀測到的是：

這里α1＜α2＜…＜αk表示割點。

本文采用ε～Logistic分布的假設，可以得到如下的有序Logit模型：

式（7）中的未知參數(shù)包括閾值α＝（α1，α2，…，αk）T和參數(shù)向量β，可以通過極大似然估計得到。構造對數(shù)似然函數(shù)如下：

2.3.2 基于有序Logitic回歸模型的判別分析 有序Logit模型用于上市企業(yè)信用評估時，通常用“序類數(shù)－1”個回歸方程描述自變量（預報變量）與響應變量的關系，故可用如下K個回歸方程聯(lián)立給出：

建立（10）式所示聯(lián)立方程并經過相應統(tǒng)計檢驗，便可以據(jù)此對新抽樣上市企業(yè)進行信用評估。對于1組解釋變量值，，…，，代入式（10）并求解出qk－1，…，q1，q0的值，進而可以得到序類0，1，2，…，k的概率p1，p2，…，pk：

對模型的統(tǒng)計檢驗是通過擬合優(yōu)度檢驗來實現(xiàn)的。擬合優(yōu)度檢驗用來驗證樣本回歸模型和總體回歸模型的擬合程度，設總體回歸模型為F0（x），樣本回歸模型為F（x）。原假設樣本回歸模型等于總體回歸模型，H0∶F（x）＝F0（x）。備擇假設為H1∶F（x）F0（x）。模型的擬合優(yōu)度檢驗統(tǒng)計量通常有皮爾遜（Pearson）和科爾莫戈羅夫擬合檢驗等。Pearson檢驗統(tǒng)計量的定義如下：

實際統(tǒng)計判決時，擬合優(yōu)度檢驗結果中P值越高，則意味著檢驗統(tǒng)計量的值落在接受域，接受原假設H，模型越可靠。

表2 全國20家上市企業(yè)信用評價信息表Table 2 Credit evaluation information table of 20 listed companies

3 實證研究

我國擁有眾多大中型上市企業(yè)，在整個大環(huán)境的影響下，出現(xiàn)了一批“明星企業(yè)”。因此，建立具有我國上市企業(yè)特點的信用評級制度勢在必行。下面選取全國20個上市企業(yè)統(tǒng)計的信用評價信息，驗證本文提出的基于語言信息的上市企業(yè)信用評價方法。

步驟1：根據(jù)表1給出的綜合評價指標體系，對比語言評價集S，統(tǒng)計評級機構對各上市企業(yè)給出各評價指標信息。

步驟2：對以上數(shù)據(jù)信息進行因子分析，得到表3因子分數(shù)系數(shù)表和表4旋轉的因子載荷和公共因子方差表。

表3 因子分數(shù)系數(shù)表Table 3 Factor score coefficient table

表4 旋轉的因子載荷和公共因子方差Table 4 Rotation of factor loadings and factor variance

因子分析碎石圖（見圖1）和分數(shù)圖（見圖2）如下：

則有因子分析系數(shù)，

由結果（14）式，因子F1基本支配了c7，c10，c8，基本反映了上市企業(yè)的主營業(yè)務的安全性、管理的可控性和經營的多樣性；因子F2基本支配了c3，c2，c1，基本反映了上市企業(yè)的股票收益性、資產規(guī)模和凈資產收益性；因子F3基本支配了c6，c4，c5，基本反映了上市企業(yè)的資產周轉率，資產負債率和盈利性。

根據(jù)表2和式（14）可得潛在變量的評價值，如表5。

表5 潛在變量評價值Table 5 variable evaluation table

表6 Logistic回歸分析結果Table 6 Analysis of regression Logistic

擬合優(yōu)度檢驗用來驗證樣本回歸模型和總體回歸模型的擬合程度，設總體回歸模型為F0（x），樣本回歸模型為F（x）。原假設H0∶F（x）＝F0（x），備擇假設H1∶F（x）≠F0（x）。擬合優(yōu)度檢驗結果中P值越高，則意味著檢驗統(tǒng)計量的值落在接受域，接受原假設H0，模型越可靠（見表7）。

表7 擬合優(yōu)度檢驗結果Table 7 Goodness of fit test results

根據(jù)以上回歸結果，得到有序Logit回歸模型，如式（13）所示：

步驟3：假定有一待評級上市企業(yè)，根據(jù)信用評價模型，進行信用評估分析。其上市企業(yè)信息如表。

表8 待評級上市企業(yè)信息Table 8 Unrated and listed companies information

根據(jù)式（15），提取的潛在變量評價值如下表所示：

表9 待評級上市企業(yè)潛在變量評價值Table 9 Unrated and listed company on the latent variable evaluation

據(jù)式（11），可求出q1，q2，q3，如下表所示：

表10 待評級上市企業(yè)q值Table 10 q value of unrated and listed company

步驟4：結果分析

經以上上市企業(yè)信用風險判別分析，該上市公司處于中國境內，經過信用評級模型的評估，總體信用評價較高，其中凈資產收益率、股票收益、資產負債率和經營多樣性方面較好。這些指標與該企業(yè)所從事的行業(yè)與地區(qū)有密切關系。該企業(yè)為香港上市的銀行企業(yè)，股票收益和凈資產收益率都能保持著較高的水平，并且具有銀行業(yè)較高的資產負債率，而且在金融銀行業(yè)發(fā)達的地區(qū)多樣性程度很高。但企業(yè)的總規(guī)模無法和國內其他的國有銀行相比，所以需要借助科學的系統(tǒng)管理來完善整個行業(yè)的運作，實現(xiàn)資產方面的快速增長。

4 結 語

針對上市企業(yè)信用評級問題，在多分類離散選擇模型及參數(shù)估計基本原理的基礎上，運用了1種基于語言信息處理技術的上市企業(yè)信用評級的方法，把定量和定性指標相結合，提出了基于有序多分類Logistic

回歸的上市企業(yè)信用風險判別模型。以上方法組合可以為企業(yè)的管理層、企業(yè)的投資者和政府部門等提供一套良好的信用評價方式，起到了標準化、規(guī)范化的作用；另一方面，這種方法不僅僅局限于上市企業(yè)，可以推廣到全社會的各個領域，并且為更好地推進全社會各個領域的信用制度提供參考。

［1］ Kookana R S，Baskaran S，Naidu R.Pesticide fate and behavior in Australian soils in relation to contamination and management of soil and water：a review［J］.Australian Journal of Soil Research，1998，36（5）：715－764.

［2］ Igor G D，Sabine B，Colin D B.Review calibration of pesticide leaching models：critical review and guidance for reporting［J］.Pest Management Science，2002（58）：745－758.

［3］ Bhanti M，Taneja A.Contamination of vegetables of different seasons with organophosphorous pesticides and related health risk assessment in northern India［J］.Chemosphere，2007（69）：63－68.

［4］ Clewella H J，Thomasa R S，Gentryb P R，et al.Research toward the development of a biologically based dose response assessment for inorganic arsenic carcinogenicity：A progress report［J］.Toxicology and Applied Pharmacology，2007，222（3）：388－398.

［5］ 張東玲，高齊圣，楊澤慧.農產品質量安全風險評估與預警模型—以山東省蔬菜出口示范基地為例［J］.Systems Engineering－Theory ＆Practice，2010，30（6），168－174.

［6］ Herrera F，Martinez L.A 2－tuple fuzzy linguistic representation model for computing with words［J］.IEEE Transactions on Fuzzy System，2000，8（6）：746－752.

［7］ Delgado M，Verdegay J L，Vila M A.Linguistic decision making models［J］.International Journal of Intelligent Systems，1992，7（5）：479－492.

［8］ Yager R R.On ordered weight averaging aggregation operators in multi－criteria decision－making［J］.IEEE Trans on Systems Man and Cybernetics，1988，18（1）：183－190.

［9］ Chiclana F，Herrera F，Herrera－Viedma E.Integrating multiplicative preference relations in a multi－purpose decision－making model based on fuzzy preference relations［J］.Fuzzy Sets and Systems，2001，122（2）：277－291.

［10］ Yager R R.Induced ordered weight averaging operators［J］.IEEE Trans on Systems Man and Cybernetics，1999，29（2）：141.

［11］ Herrra F，Martinez L.A Model based on linguistic 2－tuples for dealing with multigranular hierarchical linguistic contexts in multi－expert decision－making［J］.IEEE Transactions on Systems Man and Cybernetics Part B：Cybernetics，2001，31（2）：227－234.

［12］ 郭亞軍，姚遠，易平濤.一種動態(tài)綜合評價方法及應用［J］.系統(tǒng)工程理論與實踐，2007（10）：155－159.

Ordered Discrete Choice Model－Based Credit Rating and Risk Warning：Illustrated by an Example of Twenty Domestic Listed Companies

MU Peng－Fei，ZHANG Dong－Ling
（School of Economics，Qingdao University，Qingdao 266071，China）

In order to solve the listed company credit evaluation and early－warning management，an analysis approach based on multi－classification discrete choice model is proposed.On the basis of building a listed company credit evaluation index system，applying the linguistic information processing method，the panel valuation data is aggregated to obtain the integrated evaluation values.The potential variables are extracted by factor analysis method，an ordered logistic model is put forward，and the calculation analysis steps are given.This research is illustrated by an example of twenty domestic listed companies.The research indicates that the linguistic information can be effectively aggregated with less lost by this method，the issues that the classes of listed company credit are ordinal，and approach will promote the improvement of the credit rating system of listed companies，and achieve the target on the standardized management of listed company credit.

corporate credit；rating；multi－classification discrete choice model；linguistic information

F224.0

A

1672－5174（2012）09－090－07

教育部人文社會科學研究項目（10YJC630372）資助

2012－04－02；

2012－05－10

牟鵬飛（1990－），男，本科生。E－mail：mupengfei＿andy＠126.com

責任編輯 龐 旻