《我国农林牧渔业短期贷款企业违约判别实证研究.doc》由会员分享，可在线阅读，更多相关《我国农林牧渔业短期贷款企业违约判别实证研究.doc（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、我国农林牧渔业短期贷款企业违约判别实证研究*管七海* 北京大学、招商银行博士后科研工作站 518040摘要：近几年，我国农林牧渔业短期贷款企业的违约严重程度一直居所有行业之首，从跨行业的角度评估该行业短期贷款企业的违约具有重要的意义。论文基于全国跨金融机构的贷款企业海量数据库样本，针对农林牧渔业的短期贷款企业进行了分规模和分地区样本的多元判别分析模型、Logistics模型与神经网络模型等的构建与实证探索，进而找出了影响我国农林牧渔业企业违约的关键变量，构建了最正确违约判别模型，这些关键变量和判别模型对中国人民银行和商业商业银行监测该行业企业的信用风险具有重要的参考价值。关键词：农林牧渔业 违
2、约模型 实证研究Empirical Study on Default Discriminant for the Short time Loan Firms in Agriculture, Forestry , Grass, and Fishery IndustryDefault severity degree of the Short time Loan Firms of Agriculture, Forestry , Grass , and Fishery Industry is highest in all industries of China, so it is essential t
3、o evaluate the default situation of Agriculture, Forestry, Grass ,and Fishery Industry from across industry point. Based on the huge database of “Bank Credit Registering Consultation System, the paper builds and tests default Classification discriminant models for the short-period loans firm samples
4、 in Agriculture, Forestry , Grass , and Fishery Industry which is divided into four scale and three districts in mainland China, including Multi-Discriminant Analysis Model, Logistic Model and Neural Network Model. Then, the paper finds the key variables, selects the higher-accuracy model as the fin
5、al model. The peoples bank of China and Commercial banks can use these key variables and models to supervise default situation of this industry.Key words : Agriculture, Forestry, Grass, and Fishery Industry; Default Model; Empirical Study一、问题提出据近几年来从全国跨行业和跨金融机构对各个行业短期贷款企业违约测度发现，我国农林牧渔业短期贷款企业的违约严重程度一
6、直居所有行业中之首，因此从跨行业的角度研究评估该行业短期贷款企业的违约以及构建违约判别模型对中国人民银行和各个商业银行监测该行业的信用风险来说具有重要的应用价值。目前关于企业的违约判别模型主要是把企业违约评估看成是模式识别的分类问题，尽管有人将这类方法称为“粗暴的经验主义方法【1】,但在目前的金融理论下它可能是最有效的方法，也是国际金融界和学术界视为主流的方法，目前企业的信用风险判别模型种类很多，开展也较成熟，有各种统计判别模型、非参数的方法、人工智能模型、线性规划和降维方法等。从国内外信用风险模型的应用来看，主要流行实用的方法要数多元判别模型、Logistic回归模型和神经网络模型。多元判别
7、模型典型的代表有Altman的Z-Score模型和ZETA模型对制造业违约与非违约临界值确实定【2】，王春峰，万海晖，张维等人1998应用多元线性判别模型对某国有商业银行的企业客户短期贷款的归还情况的分类分析【3】；Logistic回归模型方面，Ohlson首先将Logistic回归模型LR应用于信用风险评估领域【4】，Madalla采用其区别违约与非违约贷款申请人的贷款决策【5】。此外神经网络作为人工智能的一种分类方法，也应用信用风险评估的领域，如Altman, Marco和Varetto(1995)对意大利公司财务危机预测中应用了神经网络分析法，Coats, Fant(1993)、Trip
8、pi和Turban,Kevin、KarYanTan和MdodyY.Kiang(1992)采用了神经网络分析法分别对美国公司和银行财务危机进行了预测，取得了一定的效果。王春峰等人【6】对统计方法MDA、神经网络与两者结合的组合预测方法也信用风险判别结果的比拟。但以上违约判别模型中，只有Altman的Z-Score模型和ZETA模型是针对单个行业-制造业构建的模型，国内的研究只是针对国内银行的内部客户样本作出的几种模型方法的比拟研究，还没有针对某个行业所有企业建立违约判别模型，主要原因缺乏全行业贷款企业数据来源，论文借助全国跨金融机构的贷款企业数据库，专门针对农林牧渔业的所有企业构建了分规模、分地
9、区的违约判别模型，从样本选取、指标变量的选择、样本的洗选处理、以及最后模型确实定进行了详细深入的分析与模型构建。二、样本选取与数据洗选处理1、样本数据来源 要构建我国农林牧渔业企业的违约判别模型，企业样本必须是从全国范围内所有农林牧渔业贷款企业的总体中选取，这样选出的样本和得出的模型才具有代表性和权威性，为此论文的企业样本来源于全国跨金融机构贷款企业的海量数据库，对农林牧渔业中8201家短期贷款企业进行违约模型的构建，这也是国内首次进行该行业企业模型的构建。2、样本选取中违约概念界定由于所构建的违约判别模型主要是基于历史的违约企业样本和正常企业样本而得出的预测企业违约与否的多变量分类判别模型，
10、因此要从农林牧渔业所有企业中收集两类样本，一类是能正常还本付息的正常样本；另一类是不能正常还本付息的违约样本，因此首先对违约企业概念予以界定。违约概念界定参照巴塞尔资本协议的违约定义【7】以及我国银行对贷款分类的实际情况五级分类和四级分类并行【8】进行，即违约即为企业不能正常还本付息的情况，这涉及到每个企业的每笔贷款所处的状态，为了和国际标准接轨，论文采用五级分类方法，即违约企业界定为在一定期限内该企业贷款业务中只要出现次级、可疑或损失贷款的任一种情况的就算做违约企业，与此相反没有出现以上情况的可以归做正常企业。3、样本选取原那么1企业贷款种类选择：选取农林牧渔业中企业的短期贷款样本，即贷款期
11、限在1年以内的贷款，原因是一年以内的短期贷款在到期时的状态可以很好的反映一个企业的归还贷款的信用状况，另外短期贷款可以对违约状态和正常状态很容易界定；2贷款企业性质：选取比拟标准的法人企业和事业单位，依据是法人企业和事业单位相对于非法人相对标准，有利于模型的构建；3样本年限确定：为了更好地反映近几年农林牧渔业企业的违约状况，样本年限拟选定贷款发放时间为2002年1月-12月，贷款到期日为2003年8月之前的所有短期贷款企业样本；4考虑到企业违约的严重程度要受到贷款企业规模和地区因素的影响，为了剔除这种影响，样本选取将分规模、分地区进行。规模划分依据人民银行对企业规模的划分标准分集团企业、大型企
12、业、中型企业和小型企业。地区根据国家行政区域划分以及地区经济开展水平把全国划分为三个地区，即东部兴旺地区、中部开展中地区以及西部欠兴旺地区。各个地区包括的省份如下： 东部兴旺地区：北京、天津、上海、江苏、浙江、福建、山东、广东、海南 中部开展中地区：河北、山西、河南、湖北、湖南、江西、安徽、黑龙江、吉林、辽宁 西部欠兴旺地区：内蒙、广西、四川、贵州、云南、西藏、重庆、陕西、甘肃、青海、宁夏、新疆这样把农林牧渔业的所有企业就划分为四种规模三个地区的树状结构的分支，每一个分支代表一个农林牧渔业样本总体。这种分规摸和分地区的树状图以及符号表示如下列图1所示图1 农林牧渔业分规摸和分地区的样本树状图及
13、符号示意图5对以上按规模-地区划分的企业样本，选取这些样本2001年度财务报表和2000年财务报表，对其进行逻辑关系的检验和空值处理，删除不合格的样本。其次，对合格的样本计算模型选取的各个指标变量，并剔除有异常值的样本，然后对剔除后的样本进行正常样本和违约样本的配对随机抽样。鉴于违约样本比正常样本数量要少的多，因此先选取违约样本，然后再随机抽样相同数量的正常样本与其配对，这样正常样本和违约样本配对后就形成农林牧渔业的各个总样本。6对以上每个总样本通过随机抽样产生训练样本和测试样本，训练样本用于模型的构建，测试样本用于模型准确率的检验。训练样本和测试样本的数目分别按照总样本数的60%和40%的比
14、例进行分配根据判别模型的经验，即在一个总样本中随机抽取60%的违约样本和正常样本组成训练样本，剩余的40%的违约样本和正常样本作为组成测试样本。4、样本选取、指标变量确定与数据洗选处理1农林牧渔业企业分规模、分地区的各个样本总体形成从数据库中提取贷款发放日期为2002年1月-12月、贷款到期日为2003年8月之前的农林牧渔业所有短期贷款企业，然后按照规模地区的标准进行归类，经统计农林牧渔业在以上期限内，短期贷款企业总数为8201家，经过选择，只有表1中的6个样本总体可以进行分析建模型。样本总体名称的代号含义见上图1表1 农林牧渔业分规模、分地区的各个总体样本数目样本总体名称a3ea3ma3wa
15、4ea4ma4w违约企业数目36472631015974正常企业数目252335178309224249992 企业财务报表数据检验与样本第一次洗选处理由于构建的违约判别模型是用影响企业违约的财务指标变量来预测企业未来一年是否违约，因此训练样本构建模型时所用的指标变量应选取样本年限的前一年指标变量，考虑到有的指标变量含有增长率指标，对于这些指标还应用到前2年的指标。根据上文的短期贷款企业样本年限，应主要选取样本的2001年的指标变量，对增长率指标还要用到2000年指标。这些指标变量要运用企业财务报表的根底数据计算生成。从数据库提取的企业财务报表发现：该行业企业报表存在不完善的地方，如有的企业样
16、本的财务报表某些指标数据存在一些空值，并且有的指标与指标之间不满足财务报表的逻辑关系，这样的企业财务报表可能有虚假成分或是财务人员成心回避某些指标，这些样本对模型的准确率会产生很大的影响，因此必须对这些样本财务报表进行相应的空值填补及逻辑关系检验，剔除不合格样本。处理方法如下：如果财务报表的一些重要的指标出现空值，对此样本应予以剔除，如果数据本来是“0但没有填上予以补“0；然后对财务报表各项指标之间的进行逻辑关系检验，对不通过逻辑关系的样本予以剔除。以上洗选处理过程通过SAS软件的SQL语句来完成。3模型所用比率指标确实定及计算生成论文通过历史经验法【9】【10】【11】【12】和全国金融机构
17、专家的问卷调查共收回111份确定出影响企业违约的指标变量分为偿债能力、财务效益、资金营运和开展能力与潜力等四个方面，每个因素下有相应的代表性指标，最后经过选择，总共有22个指标作为模型的初选指标变量。表2是模型保存的指标。表2 违约模型保存的初始指标模型保存指标偿债能力状况1资产负债率2负债总额/有形净资产比率3利息保障倍数4流动比率5速动比率6现金比率7现金流动负债比率8资产总额9负债总额财务效益状况1净资产收益率2主营业务利润率3总资产报酬率4本钱费用利润率5净利润率资金营运能力1总资产周转率2流动资产周转率3存货周转率4应收账款周转率开展能力与潜力1销售收入增长率2资本积累率3利润增长率
18、4总资产增长率 分别计算各个样本总体中违约企业组和正常企业组所有企业的22个指标值。此过程通过SAS程序来完成。4样本的第二次洗选处理异常数据剔除22个比率指标变量生成后，还应对其进行相应的洗选处理，包括：一是对各个指标出现空值的样本予以剔除；二是发现有的比率指标应该是正值，但有的样本却出现为负值的情况，这样的不合格样本也应该剔除。以上洗选过程通过SAS软件的SQL语句完成。同时以上样本总体计算出的各个财务指标变量异常值对判别分析模型会产生很大影响，因此应该对出现异常数据的样本再予以剔除。具体是把以上各个样本总体的违约样本企业和正常样本企业分开，进行各个指标变量异常数据样本剔除。剔除掉各个指标
19、绝对值大于或等于其绝对偏差中位数MAD20倍的样本。此过程通过SAS软件Filter Outliers来完成。剔除异常数据后，不是每个总体的样本量都满足模型的需要，因此只选择样本量满足要求的样本进行分析，最后只有农林牧渔业东部小型企业样本总体(以下简称a4e样本)可以进行评估模型的构建，该样本企业总数目为203，其中违约企业数目为27，正常企业数目为176。5评估模型样本总体的最后确定按照评估模型的要求和实证经验，各个总体样本中违约企业和正常企业必须配对形成各个样本最终的总体。因为违约数目比正常数目少，因此最适宜的做法是保存各个样本总体的全部违约企业样本，然后从正常样本中随机抽取与违约数目相等
20、的企业样本与违约样本配对，形成最后的总样本，总样本中违约数目和正常样本数目相等。对以上洗选处理后的样本a4e进行配对抽样后，形成样本总体的总数目为54，其中违约企业数目和正常企业数目各为27。6训练样本和测试样本的随机抽样在总样本中，分别随机抽取2/3的比例的违约样本和正常样本组成总体训练样本。剩余的1/3的违约样本和正常样本组成测试样本。训练样本和测试样本的正常数目和违约数目相等。这样形成的训练样本和测试样本数目如下表3所示：表3 模型最终训练样本和测试样本的数目样本总体名称a4e训练样本数目36测试样本数目18样本总数目54三、农林牧渔业企业违约判别模型的构建一模型的选择及构建方法目前国际
21、上对企业违约判别的模型很多，有多元统计判别法、人工智能主要是神经网络法、线性规划、投影寻踪模型以及遗传规划方法等，这些模型各有优缺点和不同的限制条件。但目前比拟流行和实用的模型主要是基于企业贷款历史数据主要是基于能反映企业信用状况的财务指标的分类判别模型。借鉴国外常用的模型的根底上，论文拟选用的违约判别模型包括多元判别分析模型、Logistic模型和神经网络模型。多元判别模型根据样本数据分布形式可考虑建立线性判别模型和二次判别模型。论文对农林牧渔业每种样本的多元判别模型尝试三种情况：一是运用逐步判别得出的关键变量的多元线性判别模型下文称多元判别模型1；二是指运用经过逐步判别得出的关键变量的二次
22、判别模型下文称多元判别模型2；三是指运用所选全部变量进行二次判别模型下文称多元判别模型3。对logistic模型采用三种形式：logistic模型1指运用经过逐步判别得出的关键变量进行的logistic回归模型；logistic模型2指运用所选全部变量进行logistic回归的模型；神经网络模型采用Feed-Forward Backprop神经网络，违约和正常分别用-1和1来表示，网络结构一般采用三层神经网络，输入层节点个数为选取关键变量或全部变量的个数，隐层节点个数一般是输入层节点个数的75%左右，这要根据训练的结果进行逐个试，输出层节点为1，即违约的判别结果。目标值goal根据训练程度选取
23、0.1或0.001或更小。训练函数采用TrainGDM函数；绩效函数将采用MSE均方误差；传递函数transfer function采用logsig函数。各个样本最终模型确实定方法：总的原那么是选择总准确率较高者、两类误判率最低者的模型，同时?馐匝咀茏既仿屎土嚼辔笈新视畔扔谘盗费荆谝焕啻砦笥畔扔诘诙啻砦螅蛭砸欣此担谝焕啻砦蠛芸赡懿唤鏊鹗彝荒馨汛畋窘鹗栈乩矗诙啻砦笾皇鞘挂兴鹗茨芊糯吹睦杖耄谝焕啻砦笠鹊诙啻砦笱现亍?二模型实构建过程与结果比拟 由以上可以看出，对于农林牧渔业的短期贷款企业，只有农林牧渔业东部小型企业样本总体(以下简称a4e样本)可以进行评估模型的构建，该样本总数目为54，其中用于模
24、型构建的训练样本为36个，测试样本为18个。下面进行关键变量的选取与模型的构建。1、a4e样本违约率影响关键变量的选取1逐步判别分析对违约率影响关键变量选取结果通过对农林牧渔业东部小型企业样本a4e的训练样本进行逐步判别分析，得到影响该样本的关键变量按区别违约能力的顺序排列有以下四个：流动资产周转率、净资产收益率、资产负债率和总资产报酬率，各个变量参数值如表4所示。逐步判别分析得出的关键变量主要用于多元判别分析模型与神经网络模型构建。表4 农林牧渔业小型东部地区样本a4e关键变量参数步骤指标代号选入的关键变量Partial R-SquareF ValuePr > F Wilks'
25、; LambdaPr <Lambda1item79流动资产周转率0.10704.070.05150.893038290.05152item86净资产收益率0.12224.590.03960.783915450.01803item61资产负债率0.10403.720.06280.702351930.00944item87总资产报酬率0.06692.220.14610.655371290.00912Logistic回归方法对关键变量选取结果通过对a4e样本用Logistic回归模型中Forward：conditional，即以假定参数为根底做似然比的概率检验，向前逐步选择自变量，经过两步筛选
26、，得出Logistic回归模型的关键变量为两个：流动资产周转率和净资产收益率。这两个变量也是逐步判别筛选的两个变量。Logistic回归方法对违约率影响关键变量选取结果将用于对样本的Logistic回归模型构建。 2、a4e样本违约率评估模型构建 1a4e样本多元判别分析模型对a4e样本来说，多元判别分析模型的构建包括线性判别模型和二次判别模型。两种模型进入的关键变量为逐步判别分析得出的四个变量，分别为流动资产周转率、净资产收益率、资产负债率和总资产报酬率。线性判别模型和二次判别模型的结构和判断准那么是应用SAS软件编程得出。 2 a4e样本Logistic回归模型 a4e样本Logistic
27、回归模型构建应用SPSS软件进行，模型进入关键变量为Logistic回归方法得出的两个关键变量：流动资产周转率和净资产收益率。 3a4e样本神经网络模型 对a4e样本,神经网络模型进入的关键变量为逐步判别分析得出的四个关键变量，即流动资产周转率、净资产收益率、资产负债率和总资产报酬率。通过不断的试验发现，选定的包含4个输入节点，4个隐含层节点以及一个输出节点的网络结构(4-4-1网络结构)可以最大限度的提高预测的准确率。经过20次的训练，根本上到达了训练的目标0.01。训练图形如2所示。 图2 a4e样本训练样本训练图和测试样本的模拟图 3、a4e样本违约率模型判别结果比拟与最正确模型选择分别
28、运用SAS软件、SPSS软件和MATLAB软件对a4e训练样本构建的四种判别模型进行训练样本和测试样本企业的判别，四个模型的预测结果比拟见下表5所示。表5 a4e样本多元判别模型、logistic模型和神经网络模型预测结果比拟准确率模型训练样本测试样本准确率第一类错误第二类错误准确率第一类错误第二类错误多元线性判别75%27.78%22.22%72.22%11.11%44.44%多元二次判别69.44%27.78%33.33%72.22%11.11%44.44%logistic模型72.22%22.22%33.33%66.67%22.22%50.00%神经网络模型100%0%0%66.67%3
29、3.33%33.33% 由上表可以看出： (1) 线性判别模型和二次判别模型相比拟：在训练样本和测试样本中，线性判别模型总准确率都要高于二次判别模型，并且两个模型的第一类错误在训练样本和测试样本相同；第二类错误在测试样本相同，但在训练样本中，线性判别模型要比二次判别模型要低，因此多元线性判别模型要比二次判别模型效果要好。 (2) logistic回归模型与线性判别模型比拟：训练样本和测试样本总准确率方面，logistic回归模型均不及多元线性判别模型效果好；第一类错误方面，logistic回归模型在训练样本虽然比多元线性判别模型低一些，但在测试样本却要高一倍；第二类错误方面，logistic回
30、归模型均比多元线性判别模型高；综合以上分析，多元线性判别模型要比logistic回归模型结果好。 (3) 神经网络模型与线性判别模型比拟：在训练样本中，神经网络模型几乎在各个方面都要优于线性判别分析模型，但在测试样本中，神经网络模型只有第二类错误低一些外，总准确率和第一类错误均不如线性判别模型好。 综合以上分析，对于农林牧渔业东部小型企业样本a4e，评估违约率是最正确模型是多元线性判别模型，以下是模型进入的关键变量及模型的结构： 关键变量：流动资产周转率、净资产收益率、资产负债率和总资产报酬率。模型的结构如下：变量符号 变量名称 0违约组 1正常组Constant 常数 -6.39238 -5
31、.35768item61 资产负债率 15.28787 10.66108item79 流动资产周转率 -0.20298 0.71860item86 净资产收益率 -14.49413 -3.34128item87 总资产报酬率 54.33573 37.155495、农林牧渔业企业违约模型总结以上农林牧渔业样本构建的违约判别模型中关键变量的选择方法、关键变量评估能力排序、变量所反映的评估因素、最正确模型总结如下表6所示：表6：农林牧渔业企业违约判别模型总结行业样本名称及代号关键变量选择方法关键变量评估能力排序变量反映的评估因素最正确模型及结构农林牧渔业农林牧渔业小型东部地区样本a4e逐步判别法流动
32、资产周转率、净资产收益率、资产负债率和总资产报酬率1个资金营运效率变量；2个财务效益变量、1个偿债能力变量多元线性判别模型四、结论论文基于全国跨金融机构贷款企业的海量数据库，专门针对农林牧渔业短期贷款企业运用SAS、MATLAB和SPSS软件进行了分规模和分地区的企业违约判别模型构建的实证探索，从样本选取、指标变量的选择与生成、样本的洗选处理、以及最后模型确实定进行了详细深入的分析与模型构建，具体对农林牧渔业的样本总体进行了多元判别分析模型、Logistics模型与神经网络模型等训练样本和测试样本准确率的比拟分析，进而确定出了农林牧渔业中分规模、分地区的各个样本最正确违约判别模型。从模型实证构
33、建过程可以得出以下结论和经验：1农林牧渔业可供分析的该样本中，影响其违约的关键变量排序为流动资产周转率、净资产收益率、资产负债率和总资产报酬率，这些变量表现为1个资金营运效率变量，2个财务效益变量和1个偿债能力变量；2实证说明，企业违约与否可以用企业定量的关键财务变量较好地判别，特别是缺乏企业定性数据时。3虽然经过了一系列样本的洗选处理，但由于企业财务报表数据质量存在一些问题，运用判别模型得出的准确率还不是很理想，但根本上是可以接受的准确率，也是对我国行业企业违约判别的初步实证探索。3论文只针对农林牧渔业中一个样本总体建立了模型，其它样本由于样本数目在洗选处理后难以满足模型需要，特别是违约数目
34、缺乏而无法建立模型，随着以后高质量违约样本的积累，可对农林牧渔业各个总体构建高质量的模型。参考文献：【1】Freedman R S,etal,A I in the capical markets. Chicago: Probus Publishers,1995【2】Altman E.I.,etal. Zeta analysis, a new model to identify bankruptcy risk of corporatesJ journal of banking and finance ,1977,1:29-51【3】王春峰，万海晖，张维，商业银行信用风险评估及其实证研究J，管理科
35、学学报，1998.1【4】Ohlson J.Financial rations and the probabilistic prediction of bankruptcy. J. Accounting Research,1980,Spring:109130 【5】Madalla G S.Limited-Dependent and Qualitative Variables in Econometrics.Cambridge:Cambridge University Press,1983【6】王春峰，万海辉，张维. 组合预测在商业银行信用风险评估中的应用J，管理科学学报，1999.1【7】Ke
36、n Mclay，标准普尔风险解决方案，巴塞尔新资本协议暨内部评级法国际研讨会，中国北京，2002.10【8】中国人民银行银行信贷登记咨询系统工程组主编，银行信贷登记咨询系统V3.0应用指南M，第四分册，城市分系统人民银行业务手册，经济科学出版社，2002.6【9】贷款风险分类原理与实物M，中国金融出版社，1998.4，PP47【10】赵国忠，财务报告分析M，北京大学出版社，2002.2，P358-378【11】中国企业信用等级评估方法研讨会资料，联合资信评估，2002.12，P6-8【12】美查尔斯.吉布森著，马英麟译，ITP 财务报告分析，利用财务会计信息M，中国财政经济出版社，2002.1，P263，264作者简介：管七海：男，1971年2月生，陕西蒲城人，北京大学与招商银行联合培养博士后，西安交大管理科学与工程专业博士，主要研究方向为金融风险管理、信用风险评估和违约率评估*基金资助：国家自然科学基金工程工程号70171005；国家十五攻关工程工程号2001BA102A06-07-01* PAGE PAGE 9