WhooL !

 
到目前为止，国内资信评级公司基本上还是采用比率分析和打分等方法，结合定性分析来进行信用评级。存在的问题是评级方法不是很科学，定性与定量的关系及比例难以确定，容易造成信用评级的结果产生偏差和波动。为此，我们在参考国外经典的信用风险预测模型的基础上，结合深圳地区借款企业的数据和鹏元公司的评级经验，对该地区的企业信用评级方法进行了模型化研究。我们相信这项研究有利于改善国内信用评级公司的评级方法，有利于提高信用评级结果的准确性和稳定性。
一、信用风险预测模型综述
（一）、剖面分析法
剖面分析是指通过统计总体各单位所承载的某一数量标志的一系列观察结果，发现一组数据的分布规律和特征。常用的计量指标包括：众数（mode）、中位数（median）、均值（mean）、总和（sum）、方差和标准差（variance）、偏度（skewness）、峰度（kurtosis）。
剖面分析法直观地给出了违约企业和非违约企业各财务指标的差异及变化趋势，当某企业有多个财务指标接近于违约企业而远离非违约企业时，表明该企业有陷入财务困境的可能。剖面分析的最大优点是直观，但也存在主观判断的缺陷，例如有时均值的差异仅仅是异常值的缘故，因此我们只能根据剖面分析做出粗略的判断。
（二）、单变量判别分析法
单变量判别分析是以某个重要的财务指标作为变量，让样本数据根据该变量以一定的顺序排列，选择最佳判定点，判断公司是否发生财务困境的分析方法。其中，最佳判别点是指使误判率最小的变量值。根据样本公司的变量值大于还是小于最佳判别点来判别样本公司是否为财务困境公司。
Beaver（1996）首先使用了单变量判别分析法，在他的论文里，财务指标都是单独使用的，每个指标的最近判别点的确定均基于使误判率最小的原则。从中，我们可以看出，单变量判别分析法的可操作性很强，而且有时仅一个财务指标就可能达到较好的效果。而它的不足之处在于：该方法是基于单个财务指标的分析，而现实中模型重要的财务比率容易被操纵，从而影响预测结果的可靠性；同时，企业的财务特征不大可能只由一个变量充分反映出来。
（三）、多元判别分析法
多变量判别分析（Multivariate Discriminant Analysis，MDA）是将反映借款人经济状况或影响借款人信用状况的若干指标（如借款企业的各种财务比率）赋予一定权重，通过某些特定方法得到能够反映其信用状况的信用综合分值，并将其与基准值（Benchmark）相比较来决定其信用好坏的方法。多变量判别分析实质上是一类以借款人的特征指标为解释变量的计量经济模型，其中最著名的当属Altman(1968)的Z值模型。
Altman于1968年对美国破产和非破产生产企业进行观察，采用了多个财务比率，经过数理统计筛选，建立了著名的5变量Z值模型。其判别函数如下：
……………………(1)
其中：——营运资本／总资产；
——留存收益／总资产；
——EBIT／总资产；
——股权的市场价值／总负债的账面价值；
——销售收入／总资产。
这是一个线性的判别模型。一般来说，Z值低，表明借款人的财务状况较差，存在较大的违约风险；而Z值高，表明借款人的财务状况较好，违约风险比较小。Altman运用统计样本测算出了借款人Z值的临界值，(破产)下限值为1.81，(非破产)上限值为2.99。
Altman还对该模型的有效性进行了检验，发现该模型可以提前两到三年较好地预测到企业的破产，破产前一年模型的预测准确率为95％，破产前二年的预测准确率为82％。
Z值模型是以企业财务资料为基础的多变量信用判别模型，由于它们所计算出的Z值可以较明确地反映借款人在一定时期内的信用状况（违约或不违约），因此，可以作为借款人经营前景好坏的早期预测指标。Z值模型的缺点主要有：首先，模型属于线性判别模型，而线性模型本身存在一定缺陷，因为破产的路径可能是高度非线性的，因而削弱了预测结果的准确程度；其次，它只考虑了违约与不违约两种极端情况，而忽略了各种中间情形及一些难以量化的因素；最后，多元线性判别模型有一个很严格的假设：即假定自变量是呈正态分布的,两组样本要求等协方差,而现实中的样本数据往往并不能满足这一要求,这就大大限制了多元线性判别模型的使用范围。当然,也有许多研究在大样本的情况下,近似地使用多元线性判别模型。