(1.陜西師范大學 國際商學院，陜西 西安 710119； 2.陜西師范大學 數(shù)學與信息科學學院，陜西 西安 710119; 3.西安交通大學 經(jīng)濟與金融學院,陜西 西安 710061)

1 引言

制造業(yè)是我國國民經(jīng)濟的重要組成部分，在“中國制造2025”強國戰(zhàn)略實施背景下，關注制造企業(yè)發(fā)展及其資金借貸狀況更顯得尤為必要。我國制造業(yè)產(chǎn)值約占國內(nèi)生產(chǎn)總值的40%，長期以來，這類企業(yè)依賴廉價的勞動力成本和規(guī)?；a(chǎn)維持其長期利潤的增加，并成為推動我國經(jīng)濟高速增長的重要原因之一。而在經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型時期，制造企業(yè)呈現(xiàn)出勞動力密集型向技術(shù)密集型、資本密集型轉(zhuǎn)變的特征，在著力完善產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化調(diào)整的同時，需要繼續(xù)維持該行業(yè)較高的投資與信貸規(guī)模，才能逐步實現(xiàn)制造業(yè)強國的發(fā)展目標[1]。值得注意的是，制造業(yè)企業(yè)大都處于產(chǎn)業(yè)鏈中上游，生產(chǎn)交易關聯(lián)性較強，在經(jīng)濟下行周期壓力下，企業(yè)經(jīng)營狀況不容樂觀，交易一方的違約可能導致另一方或多方面臨資金短缺，并觸及商品流通領域的各個環(huán)節(jié)，因此，制造業(yè)企業(yè)具有廣泛的風險傳導特征。另根據(jù)我國多家商業(yè)銀行2017年半年業(yè)績報告，工商銀行、農(nóng)業(yè)銀行、招商銀行2017年上半年制造業(yè)不良貸款余額分別為648.38億元、788.79億元和2919.21億元，不良貸款率分別為4.41%、5.99%和8.25%。由此可見，制造業(yè)企業(yè)整體信用風險偏高，是商業(yè)銀行不良貸款的主要來源，因此有必要針對制造業(yè)企業(yè)特點，合理構(gòu)建企業(yè)信貸的風險評估方法，有針對性地對制造業(yè)企業(yè)信用風險進行專門測度與分析，完善企業(yè)風險預警機制，健全產(chǎn)業(yè)風險防范體系。

2 文獻綜述

企業(yè)信用風險的發(fā)生主要來自于違約事件的發(fā)生，因此對企業(yè)違約概率的準確測度是評估企業(yè)信用風險的核心環(huán)節(jié)。目前學術(shù)界對企業(yè)違約概率的測度過程可以概括為：探尋影響違約概率的關鍵變量，利用企業(yè)歷史數(shù)據(jù)樣本建立企業(yè)違約率分類判別模型，對企業(yè)違約的可能性做出預測。這類方法主要可以分為單變量分析法和多變量分析法。Beaver[2]最早提出了違約概率評估的單變量方法，并通過單個財務比率預測可能出現(xiàn)財務困難的企業(yè)。顯然，單變量模型無法全面概括企業(yè)復雜的經(jīng)營狀況，因此在此前的研究基礎上擴展出了企業(yè)違約概率評估的多變量模型。典型的多變量模型主要包括多元判別分析模型和多元回歸分析模型。其中多元判別分析模型以Altman[3]提出的Z-score模型為典型代表，該模型對財務報表數(shù)據(jù)進行篩選加權(quán)設定為解釋變量，將企業(yè)是否違約設定為被解釋變量，從而形成信用風險評估模型，因解釋變量的不同亦會導致模型的預測能力也有所差異。之后，Altman等[4]又結(jié)合企業(yè)的現(xiàn)金流指標對Z-score模型進行改進，建立了ZETA評分模型。這兩個模型都是以企業(yè)財務數(shù)據(jù)為基礎的多變量判別分析模型，可以通過Z值直觀判斷企業(yè)在一定時期內(nèi)的風險情況，這一方法已成為當代企業(yè)違約預測的核心技術(shù)。但是，多元判別分析法容易忽視資本市場所帶來的非財務因素，且常要求指標服從正態(tài)分布，并獲得協(xié)方差矩陣，限制了模型的適用性，為了滿足變量之間非線性關系的現(xiàn)實要求，多元非線性回歸分析得到了發(fā)展。根據(jù)事件發(fā)生概率服從分布的不同，非線性模型以Logit模型和Probit模型為主。這類模型采用一系列財務比率預測公司破產(chǎn)或違約的概率，依據(jù)風險偏好程度設定風險預警界線，并以此進行信用風險定位和決策[5,6]。Martin[7]對銀行信用風險建立了Logit模型，并運用判別分析法進行評價，發(fā)現(xiàn)二者對信用風險評估的有效性非常相似。West[8]使用Logit模型分析金融機構(gòu)信用風險狀況，并得出每一個機構(gòu)有效的違約概率。Samad[9]通過Probit模型分析了美國商業(yè)銀行經(jīng)營失敗的原因，并對可能影響信用風險的因素進行判別分析，實證結(jié)果表明其所建立的模型達到80.17%的準確預測程度。Apergis和Payne[10]利用歐盟91家商業(yè)銀行數(shù)據(jù)，通過Probit模型分析了商業(yè)銀行信用風險的決定因素，并認為這些因素會對商業(yè)銀行經(jīng)營監(jiān)管方式產(chǎn)生影響。

我國學者關于信用風險評估方法的研究大都以實證分析為主。在違約計量模型的實證研究方面，蔡玉蘭和崔毅[11]，蔣彧和高瑜[12]大都基于上市公司財務數(shù)據(jù)，通過測度違約距離(DD)進行違約概率的預測，而更多學者傾向于通過離散選擇模型作為違約預測分析的基本模型，其中吳世農(nóng)和盧賢義[13]，于立勇和詹捷輝[14]，均是通過Logistic回歸模型構(gòu)建了違約概率測算模型，并對公司違約概率進行了預測。程建和朱曉明[15]采用 ROC曲線對各模型進行全截斷點預測力分析，利用Probit模型對上市公司違約事件進行預測，并運用自抽樣法隨機抽取子樣本進行模型預測力檢驗，以消除可能存在的樣本依賴問題。同時，多元非線性回歸分析因其可以較好地判別違約發(fā)生時的主體財務特征，因此常被用于財務預警模型中，王穎等[16]，梁琪等[17]分別從客戶評級和中小企業(yè)實施ST處理的角度，通過違約概率模型進行了相應的實證分析。以上關于企業(yè)信用風險的分析主要是基于分類方法的違約率評估，模型把違約率測度看成是模式識別的分類問題，根據(jù)借款人的財務與非財務狀況分為正常和違約兩類，從歷史財務指標數(shù)據(jù)中總結(jié)出分類規(guī)則，建立評估模型判別新樣本。這種企業(yè)信用風險分析方法在目前可能是最有效的方法，也是國際金融界和學術(shù)界視為主流的方法[18]。

因此，本文也將借鑒上述思想，通過Probit模型建立制造業(yè)企業(yè)信用評估方法，同時考慮解釋變量的邊際效應，分析影響制造業(yè)企業(yè)違約發(fā)生時的財務數(shù)據(jù)變量特征，為企業(yè)風險預警提供直觀依據(jù)，以此提高企業(yè)風險管理能力。

3 研究設計

3.1 模型設定

由于本文選取企業(yè)的財務數(shù)據(jù)對企業(yè)違約風險進行評估，可能會存在財務比率非正態(tài)分布的現(xiàn)象，因此下文采用基于Probit模型的非線性回歸方法對制造業(yè)上市企業(yè)的信用風險進行度量，不僅回避了財務數(shù)據(jù)非正態(tài)分布問題，同時改進了線性模型對企業(yè)違約率估值超出(0,1)區(qū)間的缺陷，使得預測結(jié)果具有概率意義。Probit模型基本形式可表述為：

其中F(·)表示標準正態(tài)分布的累積分布函數(shù)

(1)

其中f(z)為z的密度函數(shù)，且z～N(0,1)。

3.2 數(shù)據(jù)選取

本文選取我國深圳證券交易所和上海證券交易所制造業(yè)上市企業(yè)作為研究樣本。根據(jù)滬深證券交易所的規(guī)定，ST股是指經(jīng)營連續(xù)兩年虧損給予特別處理的企業(yè)股票，*ST股是指經(jīng)營連續(xù)三年虧損給予退市警告的企業(yè)股票，這類企業(yè)往往是財務狀況異常或者已經(jīng)出現(xiàn)了危機，資金周轉(zhuǎn)困難、債務無法償還，導致出現(xiàn)違約狀況的企業(yè)，因此本文以ST或*ST企業(yè)替代違約企業(yè)樣本。本文通過國泰安數(shù)據(jù)庫，遴選了2015年3月31日至2016年3月31日34家被執(zhí)行ST或*ST的制造業(yè)企業(yè)，其中24家作為違約企業(yè)樣本，另外10家作為違約企業(yè)預測樣本，并根據(jù)行業(yè)相同和規(guī)模相近的原則，配比24家非ST(*ST)的制造業(yè)企業(yè)作為正常企業(yè)樣本進行實證檢驗與分析。

為防止Ohlson[19]提出的財務報表時間點問題發(fā)生，樣本采用違約發(fā)生前一年或更長時期的財務數(shù)據(jù)資料，而避免使用違約事件發(fā)生同年的財務報表資料，因此，本文采用企業(yè)被執(zhí)行ST或*ST處理時前5年作為數(shù)據(jù)搜集區(qū)間。同時，由于企業(yè)的財務狀況是動態(tài)變化的過程，隨著距ST或*ST年份時間的推近，不同財務指標對企業(yè)信用風險的影響程度也逐漸變化，因而本文對樣本企業(yè)ST或*ST年份前的第一年至第五年(t-1～t-5)分別建立Probit模型評估企業(yè)信用風險，以提高預測精度。

3.3 指標選取

3.3.1 原始指標選取

企業(yè)的財務狀況和經(jīng)營狀況體現(xiàn)在企業(yè)對債務的償付能力、資產(chǎn)運營管理能力以及企業(yè)的盈利水平、企業(yè)發(fā)展?jié)摿Φ榷鄠€方面，因此，本文選取樣本企業(yè)的財務報表比率結(jié)構(gòu)、償債能力、發(fā)展能力、風險水平、經(jīng)營能力、現(xiàn)金流、盈利能力以及企業(yè)規(guī)模等8個方面的25個變量作為制造業(yè)企業(yè)信用風險評估模型的原始指標。

3.3.2 指標檢驗

(1)顯著性檢驗。為了篩選出能夠顯著區(qū)分違約企業(yè)和非違約企業(yè)的指標，下文首先對原始指標進行非參數(shù)Kruskal-Wallis檢驗。其結(jié)果顯示營運資金比率、有形資產(chǎn)比率、經(jīng)營負債比率、營業(yè)收入增長率、應收賬款周轉(zhuǎn)率、經(jīng)營杠桿、總資產(chǎn)周轉(zhuǎn)率、企業(yè)自由現(xiàn)金流等8個變量未能通過Kruskal-Wallis顯著性檢驗。而能夠在5%的置信水平下顯著區(qū)分ST(*ST)企業(yè)和非ST(*ST)企業(yè)的17個變量分別為：流動資產(chǎn)比率、流動負債比率、流動比率、速動比率、資產(chǎn)負債率、利息保障倍數(shù)、總資產(chǎn)增長率、凈利潤增長率、所有者權(quán)益增長率、財務杠桿、存貨周轉(zhuǎn)率、綜合杠桿、凈利潤現(xiàn)金凈含量、總資產(chǎn)凈利潤率、資產(chǎn)報酬率、總資產(chǎn)及營業(yè)收入。

(2)相關性檢驗。為了提高模型回歸的準確性，對Kruskal-Wallis檢驗結(jié)果顯著的指標進行Pearson相關性分析，結(jié)果顯示流動比率與速動比率、凈利潤增長率與總資產(chǎn)增長率、利息保障倍數(shù)與資產(chǎn)負債率、總資產(chǎn)與營業(yè)收入、綜合杠桿與財務杠桿、凈利潤現(xiàn)金凈含量與速動比率等多個指標的相關性很高。為了提高模型的預測能力，本文剔除了流動比率、凈利潤增長率、利息保障倍數(shù)、綜合杠桿、凈利潤現(xiàn)金凈含量以及總資產(chǎn)等6個與其它變量相關性較高的變量。

(3)多重共線性檢驗。本文采取容許度(TOL)和方差膨脹因子(VIF)兩個統(tǒng)計值對變量的多重共線性進行檢驗。一般情況下，TOL數(shù)值過小或者VIF數(shù)值過大(TOL<0.1或者VIF>10)時表示存在多重共線性。經(jīng)檢驗結(jié)果顯示，資產(chǎn)報酬率和總資產(chǎn)凈利潤率的VIF統(tǒng)計量均超過10，因此二者存在嚴重的多重共線性，這將使模型的準確性受到影響。由于資產(chǎn)報酬率和總資產(chǎn)凈利潤率均是反映企業(yè)盈利能力的指標，本文選擇剔除資產(chǎn)報酬率，保留總資產(chǎn)凈利潤率再次進行多重共線性檢驗，得到流動資產(chǎn)比率、流動負債比率、速動比率、資產(chǎn)負債率、總資產(chǎn)增長率、所有者權(quán)益增長率、財務杠桿、存貨周轉(zhuǎn)率、總資產(chǎn)凈利潤率及營業(yè)收入等10個變量的TOL統(tǒng)計量和VIF統(tǒng)計量均在合理范圍，并確定作為制造業(yè)企業(yè)信用風險評估模型解釋變量的財務指標。

4 實證分析及預測

4.1 Probit模型檢驗

記企業(yè)被執(zhí)行ST的年份為第t年，以下用t-1、t-2、t-3、t-4、t-5分別表示財務危機前第一年、第二年、第三年、第四年和第五年。首先針對樣本企業(yè)8個方面的10個財務變量進行Probit模型回歸，t-1年至t-5年企業(yè)信用風險評估模型參數(shù)估計結(jié)果如表1所示。

表1 t-1年至t-5年制造業(yè)企業(yè)信用風險評估模型參數(shù)估計

注：**表示在5%水平下顯著。下同。

根據(jù)五年間制造業(yè)企業(yè)信用風險評估模型參數(shù)回歸結(jié)果可以得出，隨著企業(yè)財務狀況和經(jīng)營狀況的動態(tài)變化，信用風險的大小也將隨之變動，各年度財務變量的解釋能力也有所區(qū)別。其中反映企業(yè)資金流動性的流動資產(chǎn)比率(X1)從t-5年開始對企業(yè)違約概率可以很好地預測，并在5個模型中都顯著。反映企業(yè)償債能力的資產(chǎn)負債率(X4)在t-1年至t-4年的風險評估模型中顯著性較高，而反映企業(yè)發(fā)展能力的總資產(chǎn)增長率(X5)在t-2年、t-3年和t-5年的模型中顯著性較高。

下面通過5個模型的參數(shù)回代，檢驗基于Probit模型的信用風險評估方法對樣本制造企業(yè)違約概率估計的準確性。結(jié)果如表2所示。

表2 Probit模型回代檢驗結(jié)果

本文以違約概率0.5作為違約企業(yè)和非違約企業(yè)的分界點，可以看到t-1年模型整體預測準確率最高(92.97%)，而其余模型整體預測準確率依次降低，t-5年模型整體預測準確率只能達到64.58%。表明企業(yè)信用風險度量模型的預測準確率隨著時間的前推而下降，制造業(yè)企業(yè)發(fā)生違約時的前2年模型的預測能力較強。

4.2 邊際效應分析

為了得知上述關鍵財務變量每變化一個單位后對企業(yè)違約風險的影響程度，須對回歸方程進行一階微分，通過Probit模型進行邊際效益分析。t-1年至t-5年的邊際效應結(jié)果如表3所示。

表3 t-1年至t-5年回歸結(jié)果邊際效應分析

注：下劃線標記出了對制造業(yè)企業(yè)信用風險邊際效應影響程度大于0.1的變量。

根據(jù)邊際效應回歸結(jié)果可以看到，上述財務變量對制造業(yè)企業(yè)信用風險的影響程度隨時間變化具有明顯差別。5年間，總資產(chǎn)凈利潤率(X9)、流動資產(chǎn)比率(X1)和流動負債比率(X2)對企業(yè)信用風險均有較大的邊際貢獻效應，說明制造業(yè)企業(yè)的盈利能力和短期償債能力的下降會對其未來5年內(nèi)違約概率的攀升起到?jīng)Q定性作用。此外，與t-1年至t-5年制造業(yè)企業(yè)信用風險評估模型參數(shù)的顯著性檢驗相類似，邊際效應回歸方程參數(shù)也在企業(yè)發(fā)生違約時前兩年的顯著較多，再次證明了通過該信用風險評估方式可以起到預判制造業(yè)企業(yè)違約事件發(fā)生的概率。

4.3 制造業(yè)企業(yè)違約預測

下面選用10家在2015年3月31日至2016年3月31日執(zhí)行ST(*ST)處理的制造業(yè)企業(yè)作為預測樣本，并將其財務數(shù)據(jù)代入本文所設定的Probit信用風險評估模型進行預測實證檢驗。表4給出了這些企業(yè)發(fā)生違約的預測季度時點及對應的預測值。

表4 10家企業(yè)違約概率預測值

注：企業(yè)4由于數(shù)據(jù)缺省只能從t-3年第三季度開始預測。企業(yè)10則從t-4年第三季度開始預測。下劃線標記出的是模型預測出企業(yè)違約時點的違約概率。

從違約預測結(jié)果可以看出，違約企業(yè)在執(zhí)行ST(*ST)處理年份之前最近一年的違約概率普遍偏高，10家樣本企業(yè)在執(zhí)行ST處理時的前五年的平均違約概率均高于0.5。同時，根據(jù)每一家企業(yè)違約概率的變化情況可知，樣本企業(yè)的違約概率在t-3年至t-5年整體情況較為平穩(wěn)，而在t-2年違約概率會出現(xiàn)較大變動，模型的預測能力較強。

最后，通過本文模型預測出的10家企業(yè)違約時點發(fā)現(xiàn)，1個企業(yè)樣本能夠提前8個季度預測到企業(yè)發(fā)生違約事件，7個企業(yè)樣本能夠提前1個季度至4個季度預測到企業(yè)發(fā)生違約事件，2個企業(yè)樣本能夠提前5個季度預測到企業(yè)將會發(fā)生違約事件，相比于年度違約預測來講，企業(yè)違約預警時間更加精確，為企業(yè)信用風險評估的應用提供了可靠依據(jù)。

5 結(jié)論與建議

本文基于Probit模型構(gòu)建了我國制造業(yè)企業(yè)信用風險評估方法，通過對樣本企業(yè)的信用風險分析及預測得到以下結(jié)論：

首先，制造業(yè)企業(yè)信用風險評估方法可以較準確地判別出企業(yè)可能發(fā)生違約的概率，樣本整體的判別準確性可以達到92.97%；此外模型判別的準確性與企業(yè)財務數(shù)據(jù)密切相關，財務數(shù)據(jù)距離預測時點越近，模型的預測能力也越準確，距離預測時點較遠的數(shù)據(jù)導致模型的預測能力減弱。因此，關注企業(yè)財務數(shù)據(jù)，尤其是反映企業(yè)盈利能力和償債能力的財務指標能夠幫助制造業(yè)企業(yè)盡早發(fā)現(xiàn)風險隱患，及時改善企業(yè)經(jīng)營狀況，降低信用風險發(fā)生的概率。

其次，運用模型對制造業(yè)企業(yè)信用風險進行評估時，可以將模型中顯著性較高的財務變量作為判斷企業(yè)可能發(fā)生違約事件的參考信息，這些財務變量的變化能夠直觀地判斷企業(yè)風險波動狀況。當模型預測能力不佳，各變量回歸系數(shù)顯著性較低時，可以考慮選用對違約概率邊際效應影響較大的財務指標跟蹤企業(yè)運營狀況。具體來說，短期內(nèi)，制造業(yè)企業(yè)應該關注流動資產(chǎn)比率和流動負債比率等流動性指標；長期內(nèi)，企業(yè)需要關注總資產(chǎn)凈利潤率和總資產(chǎn)增長率等反映企業(yè)盈利能力和發(fā)展能力的財務變量，并通過及時公開和披露企業(yè)財務信息以完善企業(yè)信用風險預警機制的建立。

最后，通過制造業(yè)企業(yè)違約概率預測值的變化趨勢可以發(fā)現(xiàn)，在最接近預警年份的兩年間，企業(yè)違約概率上升幅度較大，信用風險偏高；而在預警發(fā)生的兩年之前，危機企業(yè)的違約概率一般維持在0.5左右，違約趨勢不明顯，但相比正常企業(yè)仍然偏高。因此基于財務數(shù)據(jù)的企業(yè)信用風險評估方法可以較早地甄別具有較大違約傾向的企業(yè)，利用季度數(shù)據(jù)觀測企業(yè)信用風險發(fā)生的時點提高了預測的精準度。

制造業(yè)企業(yè)信用風險的評估不僅關乎企業(yè)自身的生存與發(fā)展，還直接影響制造業(yè)行業(yè)的興衰及國家工業(yè)化進程的推進。從制造業(yè)行業(yè)部門來說，采用科學的信貸風險測度方法及適當?shù)呢攧罩笜?，客觀了解自身的經(jīng)營狀況，不僅能夠有效評價企業(yè)經(jīng)營決策的合理性和穩(wěn)健性，而且可以幫助企業(yè)完善發(fā)展戰(zhàn)略，避免企業(yè)一味追求短期的營業(yè)收入增長，盲目擴大經(jīng)營杠桿，引發(fā)財務風險；對金融信貸部門而言，準確獲取企業(yè)的財務信息，并通過相應的信貸評估方式動態(tài)評價制造業(yè)企業(yè)經(jīng)營狀況及信貸風險，合理配置信貸資金，有利于防范化解系統(tǒng)性金融風險在實體經(jīng)濟部門的發(fā)生，控制資金“脫實入虛”現(xiàn)象的出現(xiàn)，降低其僅在金融體系內(nèi)循環(huán)的發(fā)生概率，最大可能地發(fā)揮金融對實體經(jīng)濟的服務及促進作用，有效緩解實體經(jīng)濟資源分配不均的現(xiàn)狀；從監(jiān)管部門角度來說，良好的信貸環(huán)境有利于實體經(jīng)濟部門與金融行業(yè)的良性互惠增長，在我國當前的宏觀審慎管理背景下，監(jiān)管部門只有充分而準確地了解企業(yè)的信貸風險，才能為金融部門制定有效的貨幣信貸政策，確保貨幣供給與經(jīng)濟增長的內(nèi)生需求相一致，發(fā)揮流動性對經(jīng)濟增長的促進作用，為我國制造業(yè)的創(chuàng)新與發(fā)展以及高質(zhì)量的經(jīng)濟增長提供有力保障。