企业信用评价模型研究——以财务会计信息为基础，本文主要内容关键词为：会计信息论文,信用评价论文,模型论文,财务论文,基础论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
学术研究
■企业信用评价模型研究——以财务会计信息为基础
■上市公司内部控制的认同度研究
■福岛核泄漏事件的环境会计信息披露管制视角解析
■嵌入社会责任的企业财务理论创新研究
■构建我国持续审计变迁的制度环境
■审计意见、盈余管理与我国上市公司年报披露及时性
一、引言
席卷全球的金融海啸刚刚过去，对其的教训汲取和经验总结使得各国焦点重新投向了信用评级及其监管。金融危机爆发以来，国际评级机构受到了各界的抨击，其在金融危机中的负面作用是不容忽视的。2009年1月10日，“金融危机后信用评级的地位与作用”论坛在北京举办，根据其资料显示，在2002年至2007年期间，标准普尔、穆迪、惠誉三家评级机构评定了大量华尔街发行的抵押贷款支持证券，其中大部分都被评为非常吸引人的AAA级，一直到房价大跌，危机凸显时才下调这些证券的评级。信用评级机构这种不公正不客观的垄断局面对于全球金融市场的健康发展来说是很危险的。
金融危机后，信用评级市场需求正在形成一个新的高潮，这对正处在建立自己的征信和评级体系过程中的中国来说，是一个历史性契机。近些年来，中国的信用评级研究以及评级机构均有所发展，但是总体看来还是很薄弱，应该抓住现有的时机，在趋势下加深对国内信用评级的研究，并建立起有公信力的本土评级机构。我国目前的证券市场发展尚不完善，股票市场数据波动大且不稳定、有效性不足，同时企业的违约数据库也很缺乏，在利用更为前沿的基于现代风险理论的国外模型时受到很大的限制。结合我国现有情况，最能有效利用的主要还是企业公布的财务会计信息，在此基础上，可以适当添加市场数据指标和定性指标来一定程度完善和提高指标的信息涵盖量和模型有效性。本文基于以上考虑，将通过较为严格有效的指标筛选，建立以财务会计信息为基础的信用评价Logit模型，并检验“审计意见”指标对于模型的贡献能力。
二、文献回顾
20世纪30年代，西方学者就开始进行信用评价相关方面的研究，随着定量分析的不断深入，多种模型相继被提出，有的已经被广泛运用到实践中。Fitzpatrick（1932）最早进行了一元判定模型研究，发现净利润/股东权益和股东权益/负债这两个比率的判别能力最高，而且在经营失败之前三年这些比率就呈现出显著差异。Beaver（1966）也做了类似研究，发现现金流/负债这一指标对公司财务状况具有最强的预测能力。Altman（1968）是最早将多元线性判别方法引入到企业的财务危机预警分析中的，建立了最为著名的Z值模型，随后又于1977年将该模型进行了扩展，建立了预测准确率更高的ZETA模型。非线性的Logit模型最早则是由Martin（1977）用以预测公司的破产及违约概率，研究发现Logit模型要优于Z值和ZETA模型。Jones和Henshe（2004）进一步研究发现，混合Logit模型在预测企业财务困境时要显著优于传统的标准Logit模型。Kurt Jesswein和Sam Houston（2008）研究指出，在衡量企业信用风险时，事实上很多关键指标的指示作用是非常类似的，与其用名目繁多的大量指标使得模型使用者感到困惑，不如限定一个比较直截了当的方法更迎合需求。
国内研究起步虽然较晚，直到20世纪90年代才真正开始，但在借鉴国外研究并结合国内具体情况的基础上，也得出了很多有价值的研究成果。周首华、杨济华和王平（1996）对Altman的Z值模型进行了改造，在原始模型中考虑进了现金流量的作用，建立了能更客观准确地预测企业财务风险的F分数模型，不足的是，该模型是基于国外破产和非破产公司样本数据上的，对于国内公司的适用性并无进一步验证。陈静（1999）以深沪两市1998年的27家ST公司和27家非ST公司，分别用一元判定模型和多元判定模型进行了实证分析，得到两类模型在中国市场的有效性，她的研究是第一个以国内上市公司为样本判定企业财力困境的成果。傅强、李永涛（2005）和宋冬梅、沈友娣（2009）均利用了ST和非ST样本公司的财务指标数据建立Logit模型并验证了模型的有效性。刘瑞霞、张晓丽等（2008）的研究在指标选取以及信用等级的划分上有所创新，并在传统财务指标的基础上加入了现金流量指标和市场价值指标，更能综合反映企业的各方面信息。李小荣（2009）创新地将审计意见与财务困境预测相联系，验证了审计意见作为单个指标的预测能力，但没有与其他指标相结合以检验共同的预测能力或者对预测模型的贡献力。
国内研究在取得一定成果的同时，也存在如下一些问题：（1）指标选取显得主观随意，没有进行充分解释和说明；（2）非财务性指标缺乏；（3）样本量不足，增加了模型误差；（4）模型有效性检验和修正不足。本文在分析指标与企业违约之间联系的基础上，进行了严格的指标筛选，建立了信用评价模型，并检验了“审计意见”对于模型的贡献能力。研究中采用从2005年至2010年5月的数据信息，时间跨度大，样本数量更为充足，实证结果更为可靠。因此，本文在一定程度上克服了以上提出的以往研究中较为普遍存在的问题。
三、模型设计
模型设计的基本思路：在筛选出的指标体系基础上，利用ST和非ST公司样本以及2005年～2009年的相关数据建立模型，并用2010年1～5月的数据进行模型预测有效性检验。除此之外，进行了模型时效性检验，也即模型对企业信用违约的有效预测能力能提前多少年。
（一）指标选取
在选取指标上，本文参考了以往国内外研究中指标变量的显著性结果，尤其考虑了各类指标与企业信用的相关性，并将“审计意见”与其他指标相结合以验证其对模型的贡献能力。一般来说，陷入困境的企业其粉饰报表数据的意愿会更为强烈，审计意见可初步反映公司发布的财务信息的可信程度。本文将审计意见设置为哑变量，同时根据锐思数据库将审计意见种类从4种扩充至7种。指标选取结果见表1。
（二）因子分析
为了简化Logit模型，本文将采用因子分析法对筛选后指标进行降维处理，以找到这些变量背后区分ST公司和非ST公司的基本内在结构。因子分析的基本原理是：通过研究多个变量间相关系数矩阵的内部依赖关系，找出能综合所有变量的少数几个随机变量，通常称之为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，但不同组的变量相关性较低。各个因子间互不相关，所有变量都可以表示成公因子的线性组合。因子分析的目的就是减少变量的数目，用少数因子代替所有变量去分析整个经济问题。
因子分析之前先将所有的数据进行标准化处理以消除量纲差异，并进行KMO和Bartlett检验，其结果可以告诉我们数据是否适合采用因子分析法。一般而言，KMO测度值＞0.5意味着因子分析可以进行，0.7以上则是令人满意的值。
（三）Logit模型
Logit模型的最大优点是建立在累计概率函数的基础上，不需要自变量服从多元正态分布和两组间协方差相等的条件，因此克服了多元线性方程受统计假设约束的局限性。Logistic分布函数为如下形式：
四、模型建立与有效性检验
（一）样本选取
具体选样标准和过程：
首先，将因“财务状况异常”而被ST的上市公司作为具有较大信用风险、信用状况差的样本公司，相应的未被ST的上市公司则作为信用状况较好的正常公司。
其次，建立信用评价模型所用的ST样本公司为2005～2009年间每年因财务状况异常而首次被实施特别处理的沪深两市上市公司。相应的，为每一个ST公司在同行业中随机选取一个非ST公司作为配对样本（同行业选取以消除行业因素带来的差异）。
再次，检验模型有效性所用的ST样本公司来自于2010年1月1日～2010年5月31日期间每年因财务状况异常而首次被实施特别处理的沪深两市上市公司。相应的，为每一个ST公司在同行业中随机选取一个非ST公司作为配对样本（同行业选取以消除行业因素带来的差异）。
最后，假定上市公司被实施特别处理的年份为第n年，为了验证模型的时效性（也即能提前多少年预测公司的信用状况），本文将分别基于n－1年、n－2年、n－3年的指标数据来分别建立模型并进行检验。因此，对于所选择的样本公司，其至少应该在n－3年前上市，并且可以获得n－1、n－2和n－3年度的财务报表数据。
（二）模型建立
1.指标筛选
利用SPSS统计软件对所选取的22个指标首先进行独立样本T检验，结果显示销售净利率、销售现金比两个指标的T检验结果并不显著，也即样本中ST公司和非ST公司之间在这两个指标上的差异并不显著，因此将这两个指标剔除。T检验结果见表2。
经过筛选，将指标体系分成如下两类：
（1）原始指标体系：营运资本比率、流动比率、速动比率、资产负债率、利息保障倍数、主营利润率、资产净利率、净资产收益率、成本费用利润率、应收账款周转率、存货周转率、流动资产周转率、总资产周转率、应付账款周转率、主营收入增长率、总资产增长率、净资产增长率、现金比率、经营现金净流量/总负债。
（2）新指标体系：原始指标体系中加上审计意见指标。
2.因子分析
进行因子分析之前，首先将所有的数据进行标准化处理以消除量纲差异，并进行KMO和Bartlett检验，以检查数据是否适合进行因子分析。
（1）原始指标体系下
从表3的检验结果看，KMO测度为0.678＞0.5，将近达到0.7，说明本研究所用样本数据是比较适合做因子分析的。同时，从球形Bartlett检验可以看出，由于p值为0，应该拒绝变量间不相关的原假设，即变量间具有较强的相关性，适合做因子分析。
在选取因子个数的问题上，特征值法是用的较多的方法。因子对应的特征值就是因子所能解释的方差大小，一般情况下，采用保留特征值大于1的那些因子。同时，从总方差解释表表4中可以看到，在特征根大于1的情况下，提取的6个公因子使得累计方差贡献率达到了75.576％（一般统计上认为大于70％即比较满意），也即用这6个因子代替原来的19个因子可以包含原来指标信息的75.576％，说明这6个选用的因子的代表性是比较强的。
因子分析最重要的输出结果就是因子得分系数矩阵(表5)，据以得到用19个指标表示的6个因子表达式（ZX代表的是经过标准化处理的指标数据）：
3.二元Logit模型建立
在对所选指标进行因子分析之后，就可以利用所得因子建立Logit模型，依然区分原始指标体系（传统财务指标＋现金流量指标）和加入“审计意见”后的指标体系两类，进行二元Logistic回归分析的结果见表6、表7。
基于以上结果，可令：
4.模型有效性检验
本文通过建模样本和新样本（2010年1月1日～2010年5月31日被ST的公司和相应的非ST公司）来进行模型有效性的检验，以观察模型的信用判别能力，以及加入“审计意见”指标后的指标体系下的模型是否较原始指标体系下的模型更为有效。
（1）利用建模样本进行回判检验
（2）利用新样本进行模型有效性检验
新样本数据为2010年1月1日至2010年5月31日之间因财务状况异常而被ST的公司以及对应2010年的信用状况差的公司（在这里即为被ST的情况）。
虽然在独立样本T检验中，“审计意见”指标在ST公司和非ST公司之间有显著差异，但是从以上两次模型有效性检验中可以看到，加入了审计意见后的模型并没有比原始模型判别率更高，可能的原因有：其一，原始模型中的指标已经比较完整的综合了企业各方面的信息，审计意见所包含的信息并没有超过此范围；其二，审计意见单个指标虽然具有区分ST与非ST公司的能力（T检验结果表明其对于ST与非ST企业有显著区分作用），但是对于整个模型的贡献率并不明显，因此审计意见可以作为信用评价的单独参考指标运用来评价企业所披露信息的真实程度，但是对于信用评价模型的进一步贡献则没有体现出来。
5.模型时效性检验
为了检验模型的时效性，也即能提前多少时间预测和区分企业的信用状况，在这部分的内容中将基于加入审计意见后的指标体系来进行Logit模型建立及检验。所用样本依然为2005～2010.5.3，所用数据为ST前二、三年数据。
从以上结果可以看出，本文基于财务会计信息所选取的指标体系建立信用评价Logit模型可以有提前三年的有效判别能力，综合判别正确率为95.7％（提前一年）、83.9％（提前两年）、61.4％（提前三年）。模型的判别能力随年份增加而呈递减趋势，并且ST前两年到前三年的下降最为明显，离ST年份越近，其区别于健康公司的特征越为明显。同时可以得到，企业的财务及信用状况是一个逐步变化的过程，而不是突然而来的，因此借助模型进行提前预测以尽可能减少损失是非常有价值的。
五、研究结论与局限性
（一）主要研究结论
第一，在我国当前证券市场发展尚不完善，企业违约数据库缺乏的环境下，利用前沿的基于现代风险理论的国外模型受到很大的限制，最能有效利用的主要还是企业公布的财务会计信息。基于此，本文建立了以财务会计信息为基础的信用评价Logit模型，并加入了非财务性指标“审计意见”以验证其对模型的贡献能力。研究中采用了2005年至2010年5月的数据信息，时间跨度大，样本数量更为充足。本研究一定程度上克服了以往研究中存在的指标选取主观随意、非财务性指标缺乏、样本量不足以及模型有效性检验不足的局限。
第二，基于ST与非ST公司样本建立的二元Logit模型能提前两年对公司的信用状况（信用状况好和信用状况差）做出有效预测，本文中模型有效性检验的结果是：提前一年的预测准确率为88.9％；提前两年的预测准确率为83.9％。再继续提前，则模型有效性的预测准确率下降幅度就比较大，提前三年的预测准确率为61.4％，仅仅刚好超过半数。因此可以认为，模型的有效预测年限为两年。
第三，基于经营状况差的公司更容易进行财务造假的设想，本文在初始建立的指标体系中加入了“审计意见”指标。研究发现，“审计意见”作为单个指标，其在ST与非ST公司之间的差异显著，但是没能提升模型的有效性（当然也没有使模型有效性降低），对模型没有明显的贡献能力。“审计意见”更适合在模型之外作为衡量企业公布的财务信息可靠性的一个参考指标来使用。
（二）局限性
第一，没有考虑样本公司的规模因素。在选取非ST公司时，本文采用了同行业随机选取的形式，虽然排除了行业因素，但是ST与非ST公司配对样本之间的规模差异依然有可能对研究的有效性和可靠程度造成一定影响。以什么指标来衡量规模，规模差异控制在多少范围内才能有效消除规模差异等问题仍须继续探讨解决。
第二，样本分类单一。在信用评级机构的公开评级信息难以获取的情况下，本文依然采用了以往研究的做法，将样本公司分为ST和非ST两类，分别代表信用状况较好和信用状况较差的企业，虽然上市公司被ST的信息易于获取使得样本量相对更大，但在分类精确性上显得不足。
标签：审计意见论文; 因子分析论文; 预测模型论文; 能力模型论文; 差异分析论文; 财务会计论文; 有效市场论文; 模型公司论文; 信用评价论文; logit模型论文;