1、1基于距离判别法的企业信用风险分析【摘 要】本文通过综合比较，选用了距离判别分析法度量上市公司的信用风险。选取若干上市公司样本数据作为估计样本建立模型。结论表明模型准确性较高，对商业银行具有一定参考价值。 【关键词】距离判别法；信用风险；商业银行 如今，我国商业银行内部的信用风险的度量管理还不健全，主要应用定性分析方法，定量方法应用较少，不能满足银行对贷款企业信用风险控制和管理要求。本文应用定量分析方法来研究商业银行贷款企业的信用风险问题，以弥补定性方法在分析信用风险方面的不足。 一、信用风险度量模型的确定 （一）信用风险度量方法的选择 本文通过综合比较，选用了距离判别分析法度量上市公司的信用
2、风险，在信用风险分析中，适当地选取上市公司的财务比率作为样本数据，利用该理论方法对上市公司的信用风险类型进行判别。在实证分析中，利用该模型判别上市公司风险类型时得到了较高的判别准确度。 （二）距离判别法的基本介绍 距离判别法是根据观测到某些指标对所研究的对象进行分类的一种多元统计分析方法。其基本思路是根据已知分类的数据，分别算出各类的均值作为该类的中心坐标，然后根据新样本离开每类中心的距离远近做出它属于哪一类的判断。 2进行判别分析必须已知观测对象的分类和若干表明观测对象特征的数值变量的值，然后从中筛选出能提供较多信息的变量并建立判别函数，使推导出的判别函数对观测样本的错判率最小。其特点是根据
3、已掌握的、历史上每个类别的若干样本的数据信息，总结出客观事物分类的规律性，建立判别公式和判别准则。 假设有这样一个随机样本：x=（xij）np=（x（1） ，x（2） ，x（n） ）T，样本均值向量：x=x（i）/n，样本叉积矩阵：A=（x（i）-x） （x（i）-x）T=（aij）pp 。根据此公式得到的是一个 P*P 的矩阵。样本协差矩阵为：S=A/n=（sij）pp，等协方差矩阵为：W（X）=（X-U）TV-1（U1-U2） ，非等协方差矩阵：W（X）=（X-U2）TV2-1（X-U2）-（X-U1）V1-1（X-U1）/2 判别规则：若 W（X）O 则 X组 1，若 W（X）0 则 X
4、组 2 式中：U1，U2 为两组的均值向量，U=（U1+U2）/2；V1，V2 为协方差矩阵。 距离判别的优点在于它不受未知总体分布类型的限制，只要求总体均值和协方差矩阵存在，实际应用中，可根据实际样本数据求其估计值。距离判别法可克服变量之间的相互干扰。缺点在于这种方法会产生误判，特别是在两个总体均值靠得很近情况下，无论采用什么方法，误判概率都很大，因而只有当两个总体均值有显著性差异时，此方法才能达到很好效果。 二、指标体系及研究对象数据的获取 本文通过随机抽样方式，选取 2011 和 2012 年的报告数据，选取了3深沪地区的 A 股市场上出现的 21 家 ST 公司作为估计样本的违约组，另
5、选取 39 家非 ST 上市公司组作为估计样本的非违约组。以这些公司样本数据作为估计样本来建立模型。选取指标及含义如下： （1）X1=基本每股收益=净利润/普通股数。基本每股收益是普通股股东每持有一股普通股所能享有的企业净利润或需承担的企业净亏损。 （2）X2=每股净资产=年度末股东权益/年度末普通股数。年度末股东权益是指扣除优先股权益后的余额。该指标反映发行在外的每股普通股所代表的净资产成本，在理论上提供了股票的最低价值。 （3）X3=净资产收益率=净利润/股东权益平均总额，它是一定时期企业净利润与股东权益平均总额的比率，反映公司的盈利能力。 （4）X4=（经营活动现金净流量-优先股股利）/
6、普通股平均股数，反映公司每股经营性现金流量。每股现金流量越高，说明公司越有能力支付现金股利。 三、判别分析法在企业信用风险分析中的应用 通过典型判别分析方法，可得到标准化典型判别函数和非标准化典型判别函数。如使用标准化典型判别函数来计算判别值，必须代入标准化自变量值；使用非标准化典型判别函数计算判别值，则只需原始自变量值，为简便起见，本文使用的是非标准化典型判别函数。非标准化系数即是由非标准化典型函数得到的，非标准化系数也称粗系数，将原始变量值直接输入模型，得到的系数估计即非标准化的“粗系数” 。得到非标准化的判别系数就意味着我们得到了求解答判别分析基本模型。 将选取的 60 个样本数据输入
7、SPSS17.0 软件中，运用判别分析法进4行分析，并对所得结果进行检验，得出如下结果： 由于最初为了方便起见，选择的是非标准化典型判别函数，所以此处应与前面相对应，用得到的非标准化系数作为判别函数的系数，最终得到的判别函数的系数值为：a1=0.271，a2=0，a3=-0.016，a4=-0.147。则判别函数为：y（x）=0.271X1+0X2 -0.016X3-0.147X4-1.571。按照模型检验程序，将相应的估计样本数据代入所得的模型中，对估计样本上市公司进行返回判定，判定结果如表所示： 由表 2 可知，对估计样本的判别结果为犯第一类错误概率为19.04%，犯第二类错误概率为 17
8、.94%，总体判别准确率为 81.67%，说明在预测信用风险时，该判别分析模型具有一定稳定性。由此证明模型准确性较高。银行可选定具有代表性的贷款对象作为样本数据，并应用模型得出的数据作为投资参考。 四、结果分析及建议 本文以上市公司财务比率数据样本为分析对象，最终得到判别函数，以此来判别待判别的样本所属类别。实证分析结果表明，所用样本数据的年份越接近 ST 的年份，预测的成功率越高，这说明距离 ST 的时间越近，财务指标所包含的信息越多。 由分析可知，模型的准确性较高，因此对商业银行具有一定参考价值。需说明的是，商业银行虽可通过选取样本数据应用模型来分析其贷款对象信用状况，但因数据是某一时间点静态数据，只能反映评价对象过去的信用状况，而不是全面反映其未来。因此商业银行还需对客户进行动态、连续的监测，捕捉信用风险指标的异常变动，及时调整授信政5策，在风险演变成危机前采取有效措施，将损失降到最低。 参考文献： 1庞素琳.回归模型在信用风险分析中的应用J.数学的实践与认识，2006（9）. 2夏红芳.商业银行信用风险度量与管理研究M.浙江：浙江大学出版社，2009. 3胡胜.距离判别方法在我国上市公司信用风险评估中的应用研究J.开发研究，2011（3）. 作者简介：高文红（1969-） ，女，山西翼城人，山西春雷铜材有限责任公司统计师。
