企業(yè)的信用評價

企業(yè)的信用評價企業(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(xué)術(shù)界和實務(wù)界極大的關(guān)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(guān)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(yīng)實行有針對性的措施防止失??；二、判別方法和模型可以用來幫助金融機構(gòu)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(biāo)準(zhǔn)，即通常所稱的貸款審查6C,6C(”1即)：品德(Character)(2)力量(Capacity)(3)資本(Capital)(4)擔(dān)保(Collateral)(5)經(jīng)營環(huán)境(Condition)(6ContinuityLAPP原則即流淌性(Liquidity)、活動性(Activity)、盈利性(Profitability)、潛力Potentialities)。評價指標(biāo)體系

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(jīng)網(wǎng)絡(luò)〔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(fēng)險的測度轉(zhuǎn)化為對企業(yè)財務(wù)狀況的衡量問題，由于信用風(fēng)險的形成——企業(yè)是否能如期還本付息，主要取決于企業(yè)財務(wù)狀況。具體做法是依據(jù)歷史上每個類別〔如信用等級 AAA、AA、A、BBB等〕的假設(shè)干樣本，從的數(shù)據(jù)中覺察規(guī)律，從而總結(jié)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(jù)企業(yè)某些單一指標(biāo)，而應(yīng)依據(jù)影響企業(yè)財務(wù)狀況的多維指標(biāo)來評估企業(yè)的財務(wù)狀況。因此，這些方法的關(guān)鍵步驟和難點在于指標(biāo)體系確實立和評估模型的選擇，也即如何將多維指標(biāo)綜合起來。目前承受的方法有統(tǒng)計方法、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)技術(shù)等。國內(nèi)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Fisher于1936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)〔如圖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(shù)，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(jīng)得到廣泛的應(yīng)用，但它們?nèi)源嬖谥芏嗳毕?，下面就分別介紹這幾種模型。1.2模型的分類系統(tǒng)多元判別分析〔MDA〕Chesser判別模型 ZETA分析模型多元判別分析〔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前提，隨著國內(nèi)會計人員的業(yè)務(wù)水平〔如對準(zhǔn)則的把握、理解和應(yīng)用水公平〕和會計報表水平的不斷提高，判別分析方法建立的企業(yè)信用評價模型在判別的準(zhǔn)確性上有較大提高。但應(yīng)用多元判別分析〔MDA〕有以下三個主要假設(shè)：①變量數(shù)據(jù)是正態(tài)分布的；②各組的協(xié)方差是一樣的；③每組的均值向量、協(xié)方差矩陣、先驗概率和誤判代價是的。對經(jīng)濟、財務(wù)變量的正態(tài)假設(shè)已成為通常慣例。由于線性判別函數(shù)〔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(xié)方差時，均導(dǎo)出一個線性判別函數(shù)，所以一般只爭論線性判別函數(shù)。在滿足上述3個假設(shè)的條件下，該判別函數(shù)使誤判概率達最小，下面介紹幾個應(yīng)用判別分析法建立的模型。1〕Chesser判別模型DeltonChesser承受6個變量進展了Logit分析，得到的公式是：y=-0.0434-5.247* +0.0053* -6.65073*+4.4009*-0.0791*-0.102 0*其中 〔現(xiàn)金+市場化證券〕/總資產(chǎn)銷售凈額/〔現(xiàn)金+市場化證券〕資產(chǎn)酬勞率資產(chǎn)負債率/股東權(quán)益/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:e=2.71828y值可以看作客戶不全都傾向的指數(shù)，y越大不全都的概率越高，他確定的分類原則是：1〕假設(shè)p≥0.50，歸于不全都組；2〕假設(shè)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(chǎn)時提出的一個模型，承受7個指標(biāo)作為提醒企業(yè)失敗或成功的變量，這7個指標(biāo)是資產(chǎn)酬勞率、收入的穩(wěn)定性〔用10年資產(chǎn)酬勞率的標(biāo)準(zhǔn)差的倒數(shù)來度量〕〔用留存收益/總資產(chǎn)來度量〕〔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(chǎn)來度量〕，這7個指標(biāo)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Altman19685個指標(biāo)進展回歸，得到如下回歸方程：Z=1.2*+1.4*+3.3*+0.6*+1.0*X1=/總資產(chǎn)X2=/總資產(chǎn)X3=資產(chǎn)酬勞率X4=/總債務(wù)的帳面值Z≤2.267，歸于破產(chǎn)組；假設(shè)Z>2.675，歸于非破產(chǎn)組。Altman1.812.99>>TOPLogit分析模型logit

其模型承受logistic其中表示第i其中表示第i個指標(biāo)，是第i個指標(biāo)的系數(shù)，Y是因變所以Y又常被理解為屬于某一類的概率，如企業(yè)財務(wù)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(dāng)廣泛的應(yīng)用，1981多數(shù)都用Logit分析。在一些國家建立了很多相應(yīng)的模型。這些爭論包括：Zavgren(1985)、Lau(1987)、Gloubos和Grammatikos(1988)、Gilbert等人(1990)、KaseyMcGuiness(1990)Kasey(1990)、LuomaLaitinen(1991)、PlattPlatt(1990)和Tennyson(1990)。近鄰法

>>TOP近鄰法是一種非參數(shù)方法，當(dāng)總體表現(xiàn)為顯著非正態(tài)分布時，特別是當(dāng)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(shù)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(shù)對模型函數(shù)形式設(shè)定的困難．任何一個樣本到底劃歸哪一類是由其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為：是合并協(xié)方差的逆．這樣，一個樣本劃歸為它的ｋ個近鄰的多數(shù)〔即當(dāng)一個樣本的ｋ個近鄰的大多數(shù)劃歸１類，則該樣本也應(yīng)劃屬１類〕。分類樹

>>TOP８０年月末期，有學(xué)者提出一種利用機器學(xué)習(xí)技術(shù)進展起來的符號方法 ——分類樹。該方法不象傳統(tǒng)方法那樣通過判別函數(shù)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(xué)者承受了一種叫做遞歸分割的類似技術(shù)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(zhǔn)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。人工神經(jīng)網(wǎng)絡(luò)〔ANN〕模型

>>TOP上述四種方法在國外已大量應(yīng)用，實證結(jié)果覺察 :1〕企業(yè)財務(wù)狀況的評價可以看作是一類基于一系列獨立變量根底上的分類問題；2〕企業(yè)財務(wù)狀況的好壞與財務(wù)比率的關(guān)系是非線性的；3〕推測變量〔財務(wù)比率〕可能是高度相關(guān)的； 4〕大量實證結(jié)果說明，很多指標(biāo)不成正態(tài)分布。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(jīng)網(wǎng)絡(luò)技術(shù)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(xiàn)了其非凡的優(yōu)越性，特別是能處理任意類型的數(shù)據(jù)，這是很多傳統(tǒng)方法所無法比較的。通過不斷學(xué)習(xí)，能夠從未知模式的大量的簡單數(shù)據(jù)中覺察其規(guī)律。神經(jīng)網(wǎng)絡(luò)方法抑制了傳統(tǒng)分析過程的復(fù)雜性及選擇適當(dāng)模型函數(shù)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(guān)系，給建模與分析帶來極大的便利．該方法用于企業(yè)財務(wù)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(jīng)過肯定數(shù)量的帶噪聲的樣本的訓(xùn)練之后，網(wǎng)絡(luò)可以抽取樣本所隱含的特征關(guān)系，并對狀況下的數(shù)據(jù)進展內(nèi)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(chǎn)的預(yù)估。神經(jīng)網(wǎng)絡(luò)的應(yīng)用最初是由Tam〔1991〕、Tam和Kiang〔1992〕、Dutta和Shekhar〔1992〕建議用于銀行破產(chǎn)推測。Tam和Kiang〔1992〕是利用三層BP神經(jīng)網(wǎng)絡(luò)〔如以下圖所示〕來訓(xùn)練網(wǎng)絡(luò)，依據(jù)輸入到網(wǎng)絡(luò)的一些樣本供給一套權(quán)重，在網(wǎng)絡(luò)訓(xùn)練之后，可以將任何輸入〔公司〕劃分為破產(chǎn)或非破產(chǎn)。神經(jīng)網(wǎng)絡(luò)模型是分布自由的，而且對實際問題是適用的，特別是當(dāng)變量是從未知分布取出和協(xié)方差構(gòu)造不相等(在企業(yè)失敗樣本中的常態(tài))時，神經(jīng)網(wǎng)絡(luò)能夠供給良好的分類準(zhǔn)確性。Altman等人(1994)利用神經(jīng)網(wǎng)絡(luò)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(jié)果。此外，神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)在決策方法中表現(xiàn)得像一個“黑匣子”，使得它的應(yīng)用和承受都較困難。雖然神經(jīng)網(wǎng)絡(luò)作為一種分類工具似乎比其他方法較具吸引力，在財務(wù)領(lǐng)域解決實際問題的應(yīng)用到目前為止還不多。Wilson和Sharda(1992)參考神經(jīng)網(wǎng)絡(luò)的應(yīng)用做過企業(yè)失敗推測，Salchenberger等人(1992)利用神經(jīng)網(wǎng)絡(luò)推測過慈善機構(gòu)的失敗，Dutta和Shekhar(1992)提出用神經(jīng)網(wǎng)絡(luò)推測企業(yè)債券等級，此外還有Serrano-Cinca(1996)用它作過破產(chǎn)推測。神經(jīng)網(wǎng)絡(luò)(ANN)人工