熊正德　張帆　熊一鵬

摘 要：選取滬深A(yù)股上市的制造業(yè)公司財務(wù)變量構(gòu)建信用風(fēng)險評價體系，在利用因子分析法對其進行維數(shù)約簡后，采用數(shù)據(jù)挖掘技術(shù)和統(tǒng)計學(xué)方法對信用違約概率測度作了有價值的探索。模型包含兩個階段，聚類階段采用加權(quán)模糊C均值聚類（WFCM）算法將樣本聚成同質(zhì)的類，使同簇樣本更具代表性；違約測度階段應(yīng)用Logistic回歸方法分別對不同組樣本進行測度。實證結(jié)果表明：在Logistic模型中引入WFCM算法能顯著提高預(yù)測樣本的違約概率測度準(zhǔn)確率；對于樣本總體與ST企業(yè)而言，其違約預(yù)測準(zhǔn)確率比Logistic模型分別提高了10.7%和20%；ROC檢驗結(jié)果也說明WFCM.Logistic模型具有更強適用性。

關(guān)鍵詞： 違約預(yù)測；加權(quán)模糊C均值聚類；Logistic模型；信用評級

中圖分類號：F064.1 文獻標(biāo)識碼： A 文章編號：1003.7217（2018）01.0147.07

一、引 言

上市公司作為各自行業(yè)領(lǐng)域內(nèi)實力雄厚且盈利能力較好的企業(yè)，已日益成為商業(yè)銀行所青睞的貸款對象。截至2015年底，境內(nèi)上市公司數(shù)目達到2，827家，總市值規(guī)模達到531，304億元①，上市公司在數(shù)量與規(guī)模上均實現(xiàn)了很大發(fā)展；與此同時，我國銀行業(yè)不良貸款余額已達12，613億元②，不良貸款規(guī)模呈不斷增長趨勢。商業(yè)銀行之間競爭加劇、上市公司持續(xù)強勁的信貸需求，不斷增加的杠桿擴大了企業(yè)受財務(wù)風(fēng)險沖擊的可能性，銀行業(yè)資產(chǎn)質(zhì)量的脆弱性也不斷增加，不良貸款規(guī)模持續(xù)增長已嚴(yán)重阻礙了國民經(jīng)濟健康發(fā)展。為實現(xiàn)對貸款客戶的授信以及有效的貸后管理，提高信用違約概率測度準(zhǔn)確率以及降低第I類錯誤風(fēng)險成為金融業(yè)孜孜不倦的追求。正如West等所說，預(yù)測模型每提高1%的準(zhǔn)確率，都足以為金融業(yè)節(jié)省巨大成本[1]。

早期對信用違約概率大小的判斷主要依靠信貸專家個人經(jīng)驗，傳統(tǒng)的專家判斷法由于主觀性太強及判斷標(biāo)準(zhǔn)不一致，逐漸不適用于復(fù)雜的信用市場。此后，隨著數(shù)理統(tǒng)計和計算機技術(shù)快速發(fā)展，量化模型被引入到信用風(fēng)險管理領(lǐng)域，現(xiàn)代信用風(fēng)險模型也逐漸過渡到以數(shù)據(jù)為驅(qū)動、以數(shù)學(xué)模型和統(tǒng)計計量方法為基礎(chǔ)的量化模型時代。

企業(yè)信用風(fēng)險量化模型主要分為計量模型和人工智能模型。計量模型主要包含ZETA評分、Logistic模型、KMV等，人工智能模型主要包含神經(jīng)網(wǎng)絡(luò)、支持向量機和聚類分析等。國內(nèi)外眾多學(xué)者對各類模型的適用性、準(zhǔn)確性進行了比較研究，如Lee和Sung采用神經(jīng)網(wǎng)絡(luò)和Logistic模型對韓國信用違約賬戶進行預(yù)測，發(fā)現(xiàn)Logistic模型具有更強穩(wěn)定性，更適合對違約風(fēng)險進行分析[2]。李志輝和李萌利用在銀行有過貸款的上市公司財務(wù)信息和違約數(shù)據(jù)分別構(gòu)建線性判別模型和Logistic模型，實證結(jié)果表明Logistic模型是較為理想的信用風(fēng)險識別模型[3]。韓崗在對國外主流信用風(fēng)險測度模型進行比較研究后，結(jié)合我國國情，指出Logistic模型其擬合度較高、適用性較強[4]。張洪祥和毛志忠利用模糊聚類方法對上市公司信用風(fēng)險進行評價，證實該方法具有良好的評價效果及實用價值[5]。劉祥東和王未卿對貝葉斯判別方法、Logistic模型和BP神經(jīng)網(wǎng)絡(luò)模型在信用風(fēng)險中的識別能力進行比較，發(fā)現(xiàn)貝葉斯判別法和Logistic模型可識別重要財務(wù)變量、有效解釋公司財務(wù)狀況，而BP神經(jīng)網(wǎng)絡(luò)則缺乏對信用風(fēng)險識別結(jié)果解釋能力[6]。上述學(xué)者通過比較研究發(fā)現(xiàn)Logistic模型風(fēng)險識別能力強、預(yù)測精度較高且可有效解釋公司財務(wù)狀況，以Logistic模型作為企業(yè)信用違約概率測度模型具有較強適用性。

然而Logistic回歸模型也有其不容忽視的局限性，該模型第I類錯誤率較高，且無法分析不同企業(yè)之間違約因素的差異性。針對單一模型由于自身固有缺陷可能影響風(fēng)險識別準(zhǔn)確率的問題，學(xué)者們嘗試通過構(gòu)建混合模型來進一步提高風(fēng)險識別準(zhǔn)確率。學(xué)者Hush和Gopalakrishnan等[7-8]先后證明聚類分析是一種計算簡便且較為精確的分類方法，其分類結(jié)果更為穩(wěn)健。Yu等通過對混合模型與單一模型的對比研究，指出通過不同分類模型的組合能夠比使用單一分類模型實現(xiàn)更高精確度[9]。Tsai和Chen對四種混合方式進行研究發(fā)現(xiàn)，基于聚類和分類相結(jié)合的混合模型可以提供更高的預(yù)測精度[10]。馬海英[11]通過混合神經(jīng)網(wǎng)絡(luò)和Logistic回歸分析發(fā)現(xiàn)混合模型的預(yù)測精度比單獨使用神經(jīng)網(wǎng)絡(luò)模型和Logistic回歸的預(yù)測精度高。De等以2007年西班牙破產(chǎn)企業(yè)與非破產(chǎn)企業(yè)作為樣本，通過利用模糊C均值聚類（FCM）和多元自適應(yīng)回歸樣條法構(gòu)造混合模型，并與判別分析，多元自適應(yīng)樣條法以及前饋神經(jīng)網(wǎng)絡(luò)進行比較分析，研究結(jié)果表明，混合模型的準(zhǔn)確率優(yōu)于單一模型[12]。

綜上，本文選取具有較強適用性的Logistic回歸模型作為企業(yè)信用違約概率測度模型，并試圖構(gòu)建混合模型來解決其固有局限對預(yù)測精度的影響。同時，在參考弗蘭克·奈特和Hu等相關(guān)研究結(jié)論[13，14]的基礎(chǔ)上，本文在違約概率測度前引入FCM算法對樣本進行聚類處理，通過模糊聚類將具有相似風(fēng)險特征的樣本進行歸組，以提高同簇樣本數(shù)據(jù)的代表性，探索不同組企業(yè)間的違約風(fēng)險差異性特征以提高違約風(fēng)險整體識別準(zhǔn)確率。此外，學(xué)者Yuan等通過研究發(fā)現(xiàn)屬性特征的重要性程度對分類結(jié)果有顯著影響，提出了基于屬性加權(quán)策略的FCM算法[15]。因此，考慮到不同風(fēng)險評價變量在違約重要性程度上的差異，本文對傳統(tǒng)的FCM算法做了風(fēng)險加權(quán)校正，使得聚類結(jié)果更符合信用風(fēng)險識別要求。

二、WFCM.Logistic混合模型設(shè)計

通過上文對模型的比較分析發(fā)現(xiàn)，Logistic模型具有風(fēng)險識別能力強、預(yù)測精度較高且可有效解釋公司財務(wù)狀況等優(yōu)點。然而，在實際應(yīng)用中，為對信用風(fēng)險進行準(zhǔn)確評估，信貸審批人員一般會盡量多地收集貸款人的大量相關(guān)信息，尤其是企業(yè)相關(guān)財務(wù)數(shù)據(jù)，從而使解釋變量的估計系數(shù)可靠性降低，進而導(dǎo)致違約概率測度結(jié)果不準(zhǔn)確。Logistic模型一般采用逐步回歸方法對變量加以篩選，這就造成對違約有顯著影響的部分變量信息丟失情況，回歸方程估計結(jié)果不準(zhǔn)確，沒有考慮變量之間相互影響的問題。endprint

為此，相關(guān)學(xué)者通過對信用違約風(fēng)險變量進行因子分析得到主成分因子，將其作為自變量納入Logistic模型中，以解決模型存在信息丟失的問題。相對Logistic模型而言，基于因子分析的Logistic模型在盡可能保留原始數(shù)據(jù)信息的條件下，減少了模型中的變量數(shù)目，避免由于多重共線性問題對違約測度結(jié)果的影響，提高了回歸系數(shù)的可靠性，使得信用違約概率測度的結(jié)果更加準(zhǔn)確可靠。然而，該模型缺乏對不同企業(yè)違約差異的有效識別。從非系統(tǒng)性風(fēng)險特點來看，企業(yè)的違約具有個體差異性特征，因子分析Logistic模型并不能深度挖掘不同企業(yè)違約因素的個體差異。

受Tsai和Chen的研究[10]啟發(fā)，本文提出一種將模糊聚類和Logistic分類相結(jié)合的WFCM.Logistic混合模型，該模型能有效識別不同企業(yè)違約差異性特征，提高違約預(yù)測精度。首先，對選取的變量進行因子分析，以避免共線性問題對后續(xù)聚類和分類結(jié)果產(chǎn)生影響；其次，利用WFCM算法，將樣本進行聚類處理，使同簇樣本帶有某種規(guī)律性特征，不同簇樣本之間則呈現(xiàn)某種較大差異；最后，對不同簇樣本分別建立Logistic回歸模型。WFCM.Logistic模型通過利用數(shù)據(jù)挖掘聚類分析技術(shù)對主成分因子進行風(fēng)險歸組，有助于提高同簇樣本的代表性，進而利用Logistic分析方法識別不同簇樣本的違約關(guān)鍵因素，提高違約概率測度準(zhǔn)確率。此外，它能幫助商業(yè)銀行等機構(gòu)多角度、多層面了解不同簇企業(yè)之間的違約差異，并找到具有相似風(fēng)險特征貸款企業(yè)。

三、信用違約風(fēng)險評價體系構(gòu)建

（一）樣本選取

目前，我國債券市場只有少數(shù)幾家企業(yè)出現(xiàn)債券違約情況，也難以從銀行內(nèi)部得到企業(yè)貸款的相關(guān)數(shù)據(jù)信息。因此，本文參照國內(nèi)眾多學(xué)者對上市公司違約的研究成果，將被ST處理的企業(yè)視為違約樣本，非ST企業(yè)視為正常樣本。為排除行業(yè)因素對預(yù)測結(jié)果的影響，本文選擇在滬深A(yù)股上市的制造業(yè)公司為樣本，選取2016年中國A股市場因財務(wù)狀況異常而被特別處理的制造業(yè)上市公司作為違約樣本。在剔除數(shù)據(jù)殘缺及數(shù)據(jù)異常的ST公司樣本后，最終得到45家ST企業(yè)作為研究樣本。按照“主營業(yè)務(wù)相同、企業(yè)規(guī)模大體相當(dāng)”原則，ST企業(yè)與非ST企業(yè)按1：5進行配比，選取同年度的正常企業(yè)作為ST公司配對樣本，最終得到267家上市企業(yè)數(shù)據(jù)，其中ST企業(yè)45家，非ST企業(yè)199家③。并將其中40家ST企業(yè)以及與之配對的199家非ST企業(yè)作為建模的樣本數(shù)據(jù)，剩下的5家ST企業(yè)以及23家非ST企業(yè)作為測試集。

中國證券市場以連續(xù)兩年虧損或每股凈資產(chǎn)低于股票面值為標(biāo)準(zhǔn)對上市公司財務(wù)狀況異常進行ST處理，能否在前3年對企業(yè)的風(fēng)險狀況做準(zhǔn)確預(yù)測顯得尤為重要。所以，本文選用ST公司在被“戴帽”之前第三年的數(shù)據(jù)，即如果某ST公司2016年被宣布特別處理，則選取該公司2013年數(shù)據(jù)，且與之配對的正常公司也選擇2013年數(shù)據(jù)。

（二）變量的篩選

財務(wù)變量能比較綜合地反映上市企業(yè)一定時期內(nèi)財務(wù)狀況變化，準(zhǔn)確地揭示企業(yè)盈利質(zhì)量，與其它資產(chǎn)存在方式相比更容易核查與驗證，且現(xiàn)金流變量受企業(yè)經(jīng)營者主觀歪曲的可能性較小。因此，以上市企業(yè)財務(wù)數(shù)據(jù)作為自變量能較好地解釋企業(yè)的信用違約風(fēng)險。

本文所選取的財務(wù)變量主要涉及企業(yè)獲利、償債、發(fā)展、運營等方面能力，以及現(xiàn)金流狀況、股東獲利情況和財務(wù)杠桿比率。這類財務(wù)變量能較好反映企業(yè)的經(jīng)營狀況及盈利能力等內(nèi)容，進而反映企業(yè)信用違約風(fēng)險的大小。

在參考李志輝[3]、張洪祥[5]和朱衛(wèi)東[16]等人對財務(wù)變量體系的研究基礎(chǔ)上，本文評價體系構(gòu)建依據(jù)科學(xué)性、整體性、獨立性、可行性的原則，選擇32個財務(wù)變量作為備選評價變量。為使變量體系更加簡化，有效篩選出風(fēng)險識別能力較強的變量，避免變量過多帶來多重共線性問題，本文使用K.S檢驗對變量分布進行正態(tài)性檢驗，對服從正態(tài)分布的變量用樣本獨立T檢驗進行區(qū)分度顯著性檢驗，對不服從正態(tài)分布的變量用Mann.Whiteney方法進行區(qū)分度顯著性檢驗。變量選取與檢驗結(jié)果如表1所示。

表1中，（T）表示K.S檢驗結(jié)果符合正態(tài)分布使用獨立樣本T檢驗進行區(qū)分度顯著性檢驗結(jié)果；檢驗結(jié)果未標(biāo)注部分表示K.S檢驗結(jié)果不符合正態(tài)分布使用Mann.Whitney檢驗進行區(qū)分度顯著性檢驗結(jié)果。通過顯著性檢驗，本文選取營業(yè)凈利率、資產(chǎn)報酬率等20個對違約有顯著性影響的指標(biāo)作為后續(xù)模型構(gòu)建的自變量。

四、實證研究

通過對變量進行描述性統(tǒng)計分析發(fā)現(xiàn)，各變量的統(tǒng)計量之間存在較大差距，導(dǎo)致這種差距的原因是由于變量尺度或量綱不同，這會影響后續(xù)模型的擬合效果，故有必要對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。雖然在變量違約相關(guān)性檢驗過程中剔除了部分不顯著的變量，但通過對變量做兩兩之間的Pearson相關(guān)性分析發(fā)現(xiàn)，部分變量之間存在著較強的相關(guān)性，直接將所有變量納入回歸模型不僅冗雜，且可能會出現(xiàn)多重共線性致使結(jié)果失真。因此，需要對變量進行因子分析處理以減少模型受變量多重共線性的影響。

（一）主成分分析

在進行主成分分析前，需要對數(shù)據(jù)進行相關(guān)檢驗，以判斷能否對數(shù)據(jù)做降維處理。檢驗的主要方法是KMO檢驗和Bartlett球形度檢驗，其檢驗結(jié)果如表2所示。

從表2的檢驗結(jié)果來看，KMO檢驗值大于0.6和Bartlett球形度檢驗P值為0，說明表1中通過Mann.Whiteney檢驗和T檢驗篩選出的20個變量適合進行因子分析。

使用SPSS對變量進行因子分析，以特征值大于或等于1為因子選取標(biāo)準(zhǔn)，根據(jù)因子解釋的總方差來看，因子Z1～Z8的累積方差貢獻率達到74.623%，提供了足夠的原始數(shù)據(jù)信息，能反映較大部分的方差變化情況，因子分析結(jié)果較為理想。

表3是各因子系數(shù)矩陣，因子Z1、Z5主要反映企業(yè)盈利能力，因子Z2、Z6主要反映企業(yè)償債能力，因子Z3、Z4主要反映企業(yè)運營能力，因子Z7、Z8主要反映企業(yè)的經(jīng)營風(fēng)險大小。endprint

（二）WFCM.Logistic分析

1.WFCM聚類結(jié)果分析。通過向商業(yè)銀行信貸專家進行問卷調(diào)查，并對各因子進行比較后，運用層次分析法得到各因子權(quán)重為：w=[0.2408，2084，0.1265，0.0914，0.1016，0.0623，0.0710，0.0925]。

本文通過運用Matlab 2012a編寫了WFCM及其有效性檢驗代碼，對數(shù)據(jù)進行多次聚類迭代處理。為判別分類結(jié)果數(shù)目，提高分類評價結(jié)果準(zhǔn)確性，本文借鑒Zhang等[20]提出了FCM有效性指數(shù)，該指數(shù)在計算過程中將類內(nèi)與類間的相似性相結(jié)合，進而對樣本分類結(jié)果進行選擇。其中，Var表示類內(nèi)樣本的集中程度之和，該指標(biāo)越小類內(nèi)的緊致度越好；Sep表示模糊集群兩兩之間的分離度之和，該指標(biāo)越大表示類與類之間劃分效果越好；V值是結(jié)合Var和Sep的綜合評價結(jié)果，該值越小說明聚類的整體效果越好。其分類有效性評價指標(biāo)詳見表4。

從表4結(jié)果來看，最優(yōu)的聚類結(jié)果是將樣本進行4分類，但考慮到樣本量的大小以及Logistic回歸對樣本量的要求，本文選擇將樣本進行2分類，第一類（C1）與第二類（C2）的聚類結(jié)果如表5所示。

表6給出了Logistic回歸模型的估算結(jié)果，模型1（M1）和模型2（M2）是指經(jīng)過WFCM算法處理后再分別進行Logistic回歸的擬合結(jié)果，模型3（M3）則是直接將所有樣本進行Logistic回歸的擬合結(jié)果。SPSS還給出了反映模型整體擬合優(yōu)度的檢驗指標(biāo)-2LL、CSR2和NR2。-2LL取值越小說明模型擬合效果越好，CSR2和NR2取值越大模型擬合效果越好。從表6擬合優(yōu)度檢驗值可以看出，模型1和模型2的擬合優(yōu)度檢驗結(jié)果均優(yōu)于模型3，表明經(jīng)過聚類處理后的Logistic回歸模型具有更好的擬合度。

表6還給出了Logistic回歸模型中各因子回歸結(jié)果，其中回歸系數(shù)大于零，表示違約率與該因子之間呈正相關(guān)關(guān)系，反之則呈負相關(guān)關(guān)系。從回歸結(jié)果系數(shù)來看，Z1、Z2和Z5三個因子的系數(shù)都顯著為負，表明償債能力因子和盈利能力因子可以作為判斷企業(yè)是否會發(fā)生違約的重要變量，且盈利能力因子在違約風(fēng)險測度中更為重要。從模型1與模型2來看，Z3、Z4和Z6三個因子存在顯著性差異，表明經(jīng)過聚類分析處理后，Logistic模型能更好識別出不同簇企業(yè)的關(guān)鍵風(fēng)險因子。此外，因子Z5主要反映企業(yè)的發(fā)展?jié)摿Γ髽I(yè)的發(fā)展?jié)摿υ酱笃湫庞蔑L(fēng)險則相對較小，其數(shù)值大小應(yīng)與企業(yè)的信用違約概率負相關(guān)。而從模型3來看，Logistic回歸模型中因子Z5的系數(shù)值顯然與實際情況不符?？梢钥闯觯琇ogistic模型對違約因素缺乏解釋力，對樣本進行聚類再回歸是可行且有效的，能更好地解釋違約的關(guān)鍵因子。

3.模型判別能力分析。

為更好地驗證WFCM.Logistic模型是否能提高違約預(yù)測準(zhǔn)確率及降低模型犯第I類錯誤的概率，本文用相同樣本對比分析了Logistic模型（M3）與WFCM.Logistic模型的違約預(yù)測準(zhǔn)確率。

由表7可以看出，相比Logistic模型而言，WFCM.Logistic模型對總體的違約預(yù)測準(zhǔn)確率由82.4%提高到了85.8%，第I類錯誤率由82.5%下降到67.5%，第Ⅱ類錯誤率由4.5%下降到3.5%。對于每類樣本而言，第I類錯誤率均有所降低。說明WFCM.Logistic模型在提高整體違約預(yù)測準(zhǔn)確率的同時能較好地識別出違約企業(yè)。

4.模型的ROC比較分析。

為檢驗?zāi)Ｐ瓦`約概率測度結(jié)果的準(zhǔn)確性，運用ROC方法對比分析了Logistic模型和WFCM.Logistic模型所預(yù)測的違約概率值，模型預(yù)測準(zhǔn)確性的度量用ROC曲線下的面積即AUC值表示，其結(jié)果如圖1與表8。

ROC曲線反映的是當(dāng)違約閾值不斷變化時，模型違約預(yù)測結(jié)果準(zhǔn)確性的動態(tài)變化情況。ROC曲線距離左上方越近，則說明分類器效果越好。從圖1來看，相比Logistic模型而言，通過引入WFCM聚類算法，能較好地提高Logistic模型的違約預(yù)測精度。

由表8可以看出，WFCM.Logistic模型的AUC值為0.837， Logistic模型的AUC值為0.815，說明當(dāng)違約閾值動態(tài)變化時，WFCM.Logistic模型分類器效果較好，其違約概率測度準(zhǔn)確率較高，具有更強適用性。

（三）模型預(yù)測性檢驗

1.預(yù)測準(zhǔn)確性檢驗。通過計算測試集樣本與聚類中心的貼近度，將測試集樣本分別歸入不同類，從而計算出各樣本的違約概率。上述訓(xùn)練樣本的聚類簇中心如表9所示。

本文利用加權(quán)歐式距離方法計算測試集樣本與簇中心的距離，通過比較樣本分別離P1和P2距離大小，將測試集樣本分為不同的類。根據(jù)貼近度計算結(jié)果，第一類有2個預(yù)測樣本，第二類有27個預(yù)測樣本。將被分類好的樣本分別納入所屬類的Logistic回歸模型中并與Logistic模型進行比較，其預(yù)測結(jié)果如表10和表11所示。

由表10和表11可以看出，WFCM.Logistic模型的預(yù)測效果明顯優(yōu)于Logistic模型。其中，模型總體預(yù)測準(zhǔn)確度提高10.7%，第Ⅰ類、第Ⅱ類錯誤率分別降低20%、8.7%。因此，通過WFCM方法對預(yù)測樣本進行分類處理后代入Logistic回歸模型中能有效提高Logistic模型預(yù)測結(jié)果的準(zhǔn)確度。

2.ROC比較分析。

將WFCM.Logistic模型與Logistic模型的樣本違約概率結(jié)果進行ROC比較，其結(jié)果如圖2所示。

從預(yù)測樣本的ROC曲線圖可以看出，相比較Logistic模型而言，隨著違約閾值的變化，引入WFCM算法的Logistic模型具有更好的違約預(yù)測準(zhǔn)確率。可以認為，基于WFCM算法的兩階段模型具有更加精確的違約概率測度結(jié)果，其違約預(yù)測準(zhǔn)確率也更高。endprint

五、結(jié) 論

本文將WFCM算法引入到企業(yè)信用違約概率測度模型中來，以我國制造業(yè)上市公司的經(jīng)驗數(shù)據(jù)對企業(yè)信用違約風(fēng)險進行實證分析，通過比較分析WFCM.Logistic模型與Logistic模型的違約測度結(jié)果，得出以下結(jié)論：

第一，在訓(xùn)練樣本與預(yù)測樣本中，無論是針對違約客戶還是正?？蛻舻念A(yù)測效果而言，WFCM.Logistic模型均優(yōu)于Logistic模型； ROC檢驗結(jié)果也表明，引入WFCM算法后，Logistic模型具有更高的預(yù)測準(zhǔn)確度，其對違約概率測度的結(jié)果也更具適用性。

第二，在Logistic模型中引入WFCM算法對訓(xùn)練樣本進行分類再回歸發(fā)現(xiàn)，不同簇之間的違約顯著性因子存在差異，引入WFCM算法有助于對不同企業(yè)違約風(fēng)險進行差異化計量與風(fēng)險管理。

第三，與Logistic模型相比，WFCM.Logistic模型對風(fēng)險因子的解釋能力更強，其適用性也更強。本研究從企業(yè)違約的差異性特征角度出發(fā)，通過構(gòu)建差異化的企業(yè)信用違約風(fēng)險評估模型，能有效提高Logistic模型的預(yù)警效果。

注釋：

①中國銀行業(yè)監(jiān)督管理委員會（http：//www.pbc.gov.cn）。

② 國泰安數(shù)據(jù)庫（http：//www.gtarsc.com）。

③ 因少部分ST企業(yè)配對樣本較少，本文非ST企業(yè)配對實際數(shù)量低于預(yù)估值。

參考文獻：

[1] West D， Dellana S， Qian J. Neural network ensemble strategies for financial decision applications[J]. Computers & Operations Research， 2005， 32（10）：2543-2559.

[2] Lee T H， Sung.Chang J. Forecasting creditworthiness： Logistic vs. artificial neural net[J]. Journal of Business Forecasting Methods and Systems， 2000， 18（4）： 28-30.

[3] 李志輝， 李萌. 我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究[J]. 廣東社會科學(xué)， 2005，27（5）：17-22.

[4] 韓崗. 國外信用風(fēng)險度量方法及其適用性研究[J]. 國際金融研究，2008（3）：43-47.

[5] 張洪祥，毛志忠. 基于多維時間序列的灰色模糊信用評價研究[J]. 管理科學(xué)學(xué)報，2011，14（1）：28-37.

[6] 劉祥東，王未卿. 我國商業(yè)銀行信用風(fēng)險識別的多模型比較研究[J]. 經(jīng)濟經(jīng)緯，2015，32（6）：132-137.

[7] Hush D R， Horne B G. Progress in supervised neural networks[J]. Signal Processing Magazine，1993， 10（1）：8-39.

[8] Gopalakrishnan M， Sridhar V， Krishnamurthy H. Some applications of clustering in the design of neural networks[J]. Pattern Recognition Letters， 1995， 16（1）：59-65.

[9] Yu L， Wang S， Lai K K. Credit risk assessment with a multistage neural network ensemble learning approach[J]. Expert Systems with Applications， 2008， 34（2）：1434-1444.

[10]Tsai C F， Chen M L. Credit rating by hybrid machine learning techniques[J]. Applied Soft Computing， 2010， 10（2）： 374-380.

[11]馬海英. 基于神經(jīng)網(wǎng)絡(luò)及Logistic回歸的混合信用卡評分模型[J]. 華東理工大學(xué)學(xué)報（社會科學(xué)版）， 2008，23（2）： 49-52.

[12]Andrés J D， Lorca P， Juez F J， et al. Bankruptcy forecasting： a hybrid approach using fuzzy c.means clustering and multivariate adaptive regression splines （MARS）[J]. Expert Systems with Applications， 2011， 38（3）：1866-1875.

[13]弗蘭克·奈特. 風(fēng)險、不確定性與利潤[M]. 安佳譯. 上海： 商務(wù)印書館， 2010， 225-252.

[14]Hu G H， Wang Y W. The application of data mining to customer credit analysis in medicament enterprise[C].New York， NY， USA ： IEEE， 2008： 78-82.

[15]Yuan B， Klir G J， Swan.Stone J F. Evolutionary fuzzy c.means clustering algorithm[C]. New York， NY， USA ：IEEE FUZZ， 1995：2221-2226.

[16]朱衛(wèi)東， 吳鵬. 引入TOPSIS法的風(fēng)險預(yù)警模型能提高模型的預(yù)警準(zhǔn)確度嗎？——來自我國制造業(yè)上市公司的經(jīng)驗證據(jù)[J]. 中國管理科學(xué)， 2015， 23（11）：96-104.

[17]Zhang Y， Wang W， Zhang X， et al. A cluster validity index for fuzzy clustering[J]. Information Sciences， 2008， 26（9）：1275-1291.

（責(zé)任編輯：鐘 瑤）endprint