论文部分内容阅读
摘 要：以36家林业相关上市公司为样本，根据KMV模型分组结果选取了2012年上市企业财务报告中的20个指标进行因子分析并提取主成分，运用Logistic模型构建适合我国林业上市公司的信用风险预警模型。结果表明，该预测模型的正确率达到80%以上，负债、现金流量和存货对林业企业信用风险的判别影响较为显著。结合KMV分组结果构建的Logistic模型可以作为理想的林业企业信用风险预测工具，对其信用风险管理具有积极意义。
关键词：林业企业；信用风险；Logistic模型；因子分析
中图分类号：F2
文献标识码：A
文章编号：16723198（2014）12005903
1 引言
随着系列政策的出台，我国林业产业总产值近年来快速增长。据国家林业局公布，2012年实现林业产业总产值3.95万亿元，较2011年增长28.94%，这一增长速度结合林业的自然弱质性来看，已经较为突出，但当前林业企业仍然面临着发展相对滞后，且债务负担较重的现状。因此，林业相较于其他部门竞争力明显偏弱。这其中最关键的影响因素即企业信用。随着林业投资持续增加，国家预算投入、国内贷款及其他自筹资金量不断增长，信用风险成为金融机构、投资者、政府部门关注的核心风险。“中国林业产业诚信联盟”的形成进一步证明，加强林企信用建设已成为重要研究内容。
当前国内外针对信用风险的研究已较为成熟。最早的研究始于20世纪60年代，Beaver以30个财务比率预测企业陷入财务困境的概率，是单变量破产预测方面的里程碑。随后，发展出Z分数模型、多种传统模型以及现代Logistic、KMV模型、BP神经网络等模型，逐步形成了愈发科学的信用风险预警机制。目前，国内应用Logistic模型进行的风险研究颇为丰富。吴世农、王春峰、郑茂、郭富霞等均应用Logistic模型构建相关财务预警评判体系。石晓军提出以边界logistic方法建立违约率模型，解决了一般logistic方法难以通过Hosmer-Lememshow拟合优度检验的Cramer问题。李金海等运用Logistic模型进行上市公司信用等级评价并加以检验，结果表明其构建的模型有良好的预测能力。
但当前我国对于林业企业的信用风险的研究普遍较少，且模型的建立有待完善。相关研究有：王新利、陈敏采用偏最小二乘BP神经网络对农业类上市公司进行财务预警研究；王琳、王富炜取盈利性、风险性、成长性三方面指标衡量经营绩效。针对林业企业，需要根据其特点对研究过程进行调整。这主要体现在财务指标的选取，即全然使用针对整体上市公司的方法无法恰当反映行业间不同特点。因此，针对林业企业信用风险的研究，需将样本量缩小至林业企业，确保变量及模型的准确性。
基于此，本研究选择Logistic模型对我国林业上市公司2012年的财务数据进行实证研究，试图构建适合我国林业上市公司的信用风险度量与财务危机预警模型。
2 样本处理
2.1 研究样本以及研究样本分类
对于林业相关行业的研究，罗欢焕、张大红等将CSRC行业分类体系中涉及林业的公司作为研究对象。为了增强样本覆盖范围完整性，本文根据CSRC分类选取林业及制造业中造纸、木材和家具子行业36家上市公司作为研究对象，研究数据来源于上海证券交易所和深圳证券交易所公布的2012年上市公司年报及wind资讯。
对于变量，从偿债能力、盈利能力、营运能力、成长能力和现金流量指标五方面选取，以此作为Logistic衡量企业信用风险的决定因子。但这五个方面的变量侧重考虑企业自身经营状况，缺乏对市场供求的考虑。因此，本文在研究前期利用KMV模型对样本进行分组。KMV模型以现代期权理论作为依托，侧重考虑公司与整个市场，更好反映如何从市场价值角度衡量信用风险。因此通过KMV分组可以从另一个维度说明林业企业信用风险的情况。
针对KMV与Logistic模型相结合的研究，刘澄将KMV模型的违约概率与Logistic相结合，对我国中小企业信用风险进行较为准确的评估。魏婷实证得出KMV模型能够从某些方面弥补Logistic模型的不足。韩艳艳研究证明将这两种模型相结合获得的混合模型有更好的评价效果。
本文根据KMV模型分类结果将样本公司划分为两组，以进行财务指标的选择及检验。
2.2 财务指标选取处理
针对林业类上市公司信用风险研究，本文从偿债能力、盈利能力、营运能力、成长能力和现金流量指标等五方面进行研究，共选取17项财务指标作为变量进行研究。
3 因子分析
财务指标之间存在相互转换的可能，财务指标间的多重共线性可能降低模型稳定性，甚至影响最终结果。其次，各变量之间的内在联系以及重要程度，即变量的内在结构对于指标的选取及模型的建立具有重要意义。本文采用因子分析提取主成分，将离散指标的信息浓缩为预测所需的主要指标。
3.1 KMO以及Bartlett球形检验
KMO及Bartlett球形检验用以检验变量间的相关性。本文检验结果如表2所示，获得KMO统计量为0.556。考虑到样本量的影响，此数值在接受范围内，可以利用上述变量进行因子分析。
3.2 公因子方差比（Communalities）
公因子方差比反映了提取公因子过程中，各变量被提取出信息所占比例，即原变量的信息量中由公因子决定的比例。本文对变量公因子方差比进行分析，结果如表3所示。多数变量提取的比例在70%以上，可知所提取公因子对变量的的解释能力均处在较强水平。
3.3 解释的总方差
为保证因子的可解释性，本文运用最大方差法对因子进行旋转，将信息量重新分配。该操作将17个变量划分为5个特征根。特征根可以被看做体现主成分影响力度的指标，代表引入该因子后对原始变量信息的平均解释量。分析表4中各成分方差及其累积程度可知，前五个特征根的总贡献率已达到79.48%，即可利用前五个特征根描述足够信息。 5 结论与建议
本文通过Logistic模型建立林业上市公司信用风险预警机制，研究结论如下：
第一，从预测指标的选择中可以发现，从营运能力、盈利能力、现金流量、偿债能力和成长能力这五类指标中汲取的主要成分是有效的。
通过因子分析，本文从五类指标中选取了5项主成分。通过表5可以看出，分别表示现金流量、负债和存货的F2、F3、F5对于林业企业是否存在风险的判别起到比较显著的作用。
第二，实证结果说明通过KMV模型得出的分组是合理有效的，且将Logistic模型与KMV分组结果相结合进行预测是可行的。
第三，Logistic模型对于我国林业类相关上市公司信用风险的预测结果较为准确，能够较好的区分林业上市公司的信用风险，可以成为决策者进行投资决策的理想工具。
分析可知，负债、现金流量和存货是当前林业企业信用风险判别的主要影响因素。对于主要从事轻工制造、家具、造纸的林业类企业而言，林产品库存即企业生物性资产最为主要。主要包括：外购存货入库前的费用；为达到销售状态的加工成本；“郁闭”后的费用。最后一项费用对林业企业而言往往是最高的一笔开支，因为在生物资产存续期间必须连续不断地投入，才能维持生物资产活体存在。如果中断后续投入，将影响收获品的数量和质量，甚至因活体生存无法维持而导致价值减少。因此，注重库存的比例，加大流转速度，是林业企业需要注意的重要问题。
另一方面，企业的负债程度偏高。负债是一把双刃剑，恰当的使用能够给股东带来收益，过度举债则会导致偿债能力受限，企业信用级别降低，信用风险增加。根据杨建志的分析，林业企业举债的目的主要三类：扩张性、偿债性以及混合性目的。前者存在经营风险，后者存在财务风险。如何协调者两者风险，结合成功企业的历史经验确立正确的资产结构，同样也是林业企业所需注重的重要问题。
综上，通过此预测模型，可以利用林业企业当前的财务指标对信用风险进行较为准确的预测，帮助投资者进行合理的选择。同时，对信用风险的预测有助于企业管理者估计风险程度，分析风险因素并采取措施避免损失，促进企业长远发展。
参考文献
[1]国家林业局.中国林业发展报告[R].北京：中国林业出版社，2013.
[2]Beaver W H.Financial ratios as predictors of failure[J]. Journal of Accounting Research，1966：71111.
[3]Altman E I. Financial Ratios，Discriminant analysis and prediction of corporate bankruptcy[J]. Journal of Banking and Finance，1968，23（4）：589609.
[4]Tam K Y，Kiang M Y. Managerial applications of neural networks： the case of bank failure predictions[J]. Management science，1992，38（7）： 926947.
[5]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）：4655.
[6]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].管理科学学报，1998，1（1）：6872.
[7]郑茂.我国上市公司财务风险预警模型的构建及实证分析[J].金融论坛，2003，8（10）：3842.
[8]郭富霞，路兰，高齐圣.基于主成分的Logistic模型的上市公司信用风险评价分析[J].青岛大学学报，2012，25（2）：106110.
[9]石晓军，任若恩，肖远文.边界Logistic违约率模型及实证研究[J].管理科学学报，2007，10（3）：4451.
[10]李金海，付琳娜，李建华.基于Logistic模型对上市公司的信用等级评价研究[J].河北工业大学学报，2011，40（6）：113118.
[11]王新利，陈敏.基于偏最小二乘BP神经网络的财务预警研究——以农业上市公司为例[J].农业技术经济，2011，（11）：122128.
[12]王琳，王富炜.中国林业上市公司多元化经营与经营绩效的实证研究[J].经济研究导刊，2012，（27）：9799.
[13]罗欢焕，周驰杰等.林业上市公司环境信息披露影响因素研究——以沪市上市林业企业为例[J].林业经济，
2013，（2）：018.
[14]刘澄，郝丹洁.基于Logistic理论与KMV模型的我国中小企业信用风险评估[J].时代经贸，2013，（24）.
[15]魏婷.基于Logistic和KMV模型的我国商业银行信用风险评价研究[J].科技信息，2010，（16）：10072I0073.
[16]韩艳艳，王波.基于logistic回归KMV模型的上市公司信用风险评价研究[J].科技与管理，2011，13（001）：104107.
[17]杨建志.浅析林业企业负债经营[J].林业经济问题，2006，26（4）：367369.
关键词：林业企业；信用风险；Logistic模型；因子分析
中图分类号：F2
文献标识码：A
文章编号：16723198（2014）12005903
1 引言
随着系列政策的出台，我国林业产业总产值近年来快速增长。据国家林业局公布，2012年实现林业产业总产值3.95万亿元，较2011年增长28.94%，这一增长速度结合林业的自然弱质性来看，已经较为突出，但当前林业企业仍然面临着发展相对滞后，且债务负担较重的现状。因此，林业相较于其他部门竞争力明显偏弱。这其中最关键的影响因素即企业信用。随着林业投资持续增加，国家预算投入、国内贷款及其他自筹资金量不断增长，信用风险成为金融机构、投资者、政府部门关注的核心风险。“中国林业产业诚信联盟”的形成进一步证明，加强林企信用建设已成为重要研究内容。
当前国内外针对信用风险的研究已较为成熟。最早的研究始于20世纪60年代，Beaver以30个财务比率预测企业陷入财务困境的概率，是单变量破产预测方面的里程碑。随后，发展出Z分数模型、多种传统模型以及现代Logistic、KMV模型、BP神经网络等模型，逐步形成了愈发科学的信用风险预警机制。目前，国内应用Logistic模型进行的风险研究颇为丰富。吴世农、王春峰、郑茂、郭富霞等均应用Logistic模型构建相关财务预警评判体系。石晓军提出以边界logistic方法建立违约率模型，解决了一般logistic方法难以通过Hosmer-Lememshow拟合优度检验的Cramer问题。李金海等运用Logistic模型进行上市公司信用等级评价并加以检验，结果表明其构建的模型有良好的预测能力。
但当前我国对于林业企业的信用风险的研究普遍较少，且模型的建立有待完善。相关研究有：王新利、陈敏采用偏最小二乘BP神经网络对农业类上市公司进行财务预警研究；王琳、王富炜取盈利性、风险性、成长性三方面指标衡量经营绩效。针对林业企业，需要根据其特点对研究过程进行调整。这主要体现在财务指标的选取，即全然使用针对整体上市公司的方法无法恰当反映行业间不同特点。因此，针对林业企业信用风险的研究，需将样本量缩小至林业企业，确保变量及模型的准确性。
基于此，本研究选择Logistic模型对我国林业上市公司2012年的财务数据进行实证研究，试图构建适合我国林业上市公司的信用风险度量与财务危机预警模型。
2 样本处理
2.1 研究样本以及研究样本分类
对于林业相关行业的研究，罗欢焕、张大红等将CSRC行业分类体系中涉及林业的公司作为研究对象。为了增强样本覆盖范围完整性，本文根据CSRC分类选取林业及制造业中造纸、木材和家具子行业36家上市公司作为研究对象，研究数据来源于上海证券交易所和深圳证券交易所公布的2012年上市公司年报及wind资讯。
对于变量，从偿债能力、盈利能力、营运能力、成长能力和现金流量指标五方面选取，以此作为Logistic衡量企业信用风险的决定因子。但这五个方面的变量侧重考虑企业自身经营状况，缺乏对市场供求的考虑。因此，本文在研究前期利用KMV模型对样本进行分组。KMV模型以现代期权理论作为依托，侧重考虑公司与整个市场，更好反映如何从市场价值角度衡量信用风险。因此通过KMV分组可以从另一个维度说明林业企业信用风险的情况。
针对KMV与Logistic模型相结合的研究，刘澄将KMV模型的违约概率与Logistic相结合，对我国中小企业信用风险进行较为准确的评估。魏婷实证得出KMV模型能够从某些方面弥补Logistic模型的不足。韩艳艳研究证明将这两种模型相结合获得的混合模型有更好的评价效果。
本文根据KMV模型分类结果将样本公司划分为两组，以进行财务指标的选择及检验。
2.2 财务指标选取处理
针对林业类上市公司信用风险研究，本文从偿债能力、盈利能力、营运能力、成长能力和现金流量指标等五方面进行研究，共选取17项财务指标作为变量进行研究。
3 因子分析
财务指标之间存在相互转换的可能，财务指标间的多重共线性可能降低模型稳定性，甚至影响最终结果。其次，各变量之间的内在联系以及重要程度，即变量的内在结构对于指标的选取及模型的建立具有重要意义。本文采用因子分析提取主成分，将离散指标的信息浓缩为预测所需的主要指标。
3.1 KMO以及Bartlett球形检验
KMO及Bartlett球形检验用以检验变量间的相关性。本文检验结果如表2所示，获得KMO统计量为0.556。考虑到样本量的影响，此数值在接受范围内，可以利用上述变量进行因子分析。
3.2 公因子方差比（Communalities）
公因子方差比反映了提取公因子过程中，各变量被提取出信息所占比例，即原变量的信息量中由公因子决定的比例。本文对变量公因子方差比进行分析，结果如表3所示。多数变量提取的比例在70%以上，可知所提取公因子对变量的的解释能力均处在较强水平。
3.3 解释的总方差
为保证因子的可解释性，本文运用最大方差法对因子进行旋转，将信息量重新分配。该操作将17个变量划分为5个特征根。特征根可以被看做体现主成分影响力度的指标，代表引入该因子后对原始变量信息的平均解释量。分析表4中各成分方差及其累积程度可知，前五个特征根的总贡献率已达到79.48%，即可利用前五个特征根描述足够信息。 5 结论与建议
本文通过Logistic模型建立林业上市公司信用风险预警机制，研究结论如下：
第一，从预测指标的选择中可以发现，从营运能力、盈利能力、现金流量、偿债能力和成长能力这五类指标中汲取的主要成分是有效的。
通过因子分析，本文从五类指标中选取了5项主成分。通过表5可以看出，分别表示现金流量、负债和存货的F2、F3、F5对于林业企业是否存在风险的判别起到比较显著的作用。
第二，实证结果说明通过KMV模型得出的分组是合理有效的，且将Logistic模型与KMV分组结果相结合进行预测是可行的。
第三，Logistic模型对于我国林业类相关上市公司信用风险的预测结果较为准确，能够较好的区分林业上市公司的信用风险，可以成为决策者进行投资决策的理想工具。
分析可知，负债、现金流量和存货是当前林业企业信用风险判别的主要影响因素。对于主要从事轻工制造、家具、造纸的林业类企业而言，林产品库存即企业生物性资产最为主要。主要包括：外购存货入库前的费用；为达到销售状态的加工成本；“郁闭”后的费用。最后一项费用对林业企业而言往往是最高的一笔开支，因为在生物资产存续期间必须连续不断地投入，才能维持生物资产活体存在。如果中断后续投入，将影响收获品的数量和质量，甚至因活体生存无法维持而导致价值减少。因此，注重库存的比例，加大流转速度，是林业企业需要注意的重要问题。
另一方面，企业的负债程度偏高。负债是一把双刃剑，恰当的使用能够给股东带来收益，过度举债则会导致偿债能力受限，企业信用级别降低，信用风险增加。根据杨建志的分析，林业企业举债的目的主要三类：扩张性、偿债性以及混合性目的。前者存在经营风险，后者存在财务风险。如何协调者两者风险，结合成功企业的历史经验确立正确的资产结构，同样也是林业企业所需注重的重要问题。
综上，通过此预测模型，可以利用林业企业当前的财务指标对信用风险进行较为准确的预测，帮助投资者进行合理的选择。同时，对信用风险的预测有助于企业管理者估计风险程度，分析风险因素并采取措施避免损失，促进企业长远发展。
参考文献
[1]国家林业局.中国林业发展报告[R].北京：中国林业出版社，2013.
[2]Beaver W H.Financial ratios as predictors of failure[J]. Journal of Accounting Research，1966：71111.
[3]Altman E I. Financial Ratios，Discriminant analysis and prediction of corporate bankruptcy[J]. Journal of Banking and Finance，1968，23（4）：589609.
[4]Tam K Y，Kiang M Y. Managerial applications of neural networks： the case of bank failure predictions[J]. Management science，1992，38（7）： 926947.
[5]吴世农，卢贤义.我国上市公司财务困境的预测模型研究[J].经济研究，2001，（6）：4655.
[6]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].管理科学学报，1998，1（1）：6872.
[7]郑茂.我国上市公司财务风险预警模型的构建及实证分析[J].金融论坛，2003，8（10）：3842.
[8]郭富霞，路兰，高齐圣.基于主成分的Logistic模型的上市公司信用风险评价分析[J].青岛大学学报，2012，25（2）：106110.
[9]石晓军，任若恩，肖远文.边界Logistic违约率模型及实证研究[J].管理科学学报，2007，10（3）：4451.
[10]李金海，付琳娜，李建华.基于Logistic模型对上市公司的信用等级评价研究[J].河北工业大学学报，2011，40（6）：113118.
[11]王新利，陈敏.基于偏最小二乘BP神经网络的财务预警研究——以农业上市公司为例[J].农业技术经济，2011，（11）：122128.
[12]王琳，王富炜.中国林业上市公司多元化经营与经营绩效的实证研究[J].经济研究导刊，2012，（27）：9799.
[13]罗欢焕，周驰杰等.林业上市公司环境信息披露影响因素研究——以沪市上市林业企业为例[J].林业经济，
2013，（2）：018.
[14]刘澄，郝丹洁.基于Logistic理论与KMV模型的我国中小企业信用风险评估[J].时代经贸，2013，（24）.
[15]魏婷.基于Logistic和KMV模型的我国商业银行信用风险评价研究[J].科技信息，2010，（16）：10072I0073.
[16]韩艳艳，王波.基于logistic回归KMV模型的上市公司信用风险评价研究[J].科技与管理，2011，13（001）：104107.
[17]杨建志.浅析林业企业负债经营[J].林业经济问题，2006，26（4）：367369.