基于因子分析的房地产上市公司信用风险评估.doc

基于因子分析的房地产上市公司信用风险评估张塽(浙江工业大学经贸学院，浙江杭州310000)摘要：信用风险的起源是商品经济中的赊销行为，之后一直存在于其中，房地产业的信用风险更是不易察觉和摸索。而且房地产企业特有的性质更是决定了信贷是它的主要融资式，所以，对房地产企业进行风险评估是一个重要和急切的环节。本文从理论出发，结合先前的评估模型，创建了一套适合中国房地产企业信用风险评估的指标体系，同时也就此模型进行了预警研究，旨在对中国房地产企业违约失信的研究中做出一点贡献，也为银行放贷的时候做一份参考。关键词：信用风险；房地产上市公司；因子分析；评估中图分类号：F293.3文献标识码：A文章编号：1671-8089(2010)06-0054-03一、信用风险及其评估方法概述(一)信用风险的定义、特点、产生及管理方法1、信用风险概述。信用风险(Credit Risk)又称违约风险，是指交易对手未能履行约定契约中的义务而造成经济损失的风险，即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性，它是金融风险的主要类型。在信用交易的过程中，授信方(提供信用者)向受信方(接受信用者)提供一定的信用，因为在受信方偿还债务之前，有一定的时间间隔，而在这个过程中，政府的政策、经济周期、行业竞争、受信方的财务结构与财务实力等都在发生变化，这些因素可能导致受信方的偿债能力发生变化，或者受信方偿债意愿发生变化，从而授信方面临着受信方迟付、或者无法支付的风险。在现代市场经济中，由于信用交易的日益扩大和普遍，信用风险也日益增大，这包括信用风险暴露总量的日益增大，也包括产生和面临信用风险的主题范围不断扩大，还包括产生信用风险的因素越来越复杂，变化越来越快。应该说，市场经济是信用经济，也是风险经济。2、信用风险的特征(1)客观性，不以人的意志为转移。(2)传染性，一个或少数信用主体经营困难或破产就会导致信用链条的中断和整个信用秩序的紊乱。(3)可控性，其风险可以通过控制降到最低。(4)周期性，信用扩张与收缩交替出现。(二)信用风险评估方法概述1、传统的专家分析法。传统的专家分析法主要依赖于专家的主观判断，通过借款人的基本特征以及反映出来的一系列信息为基础，对其进行信用风险的度量。专家分析法由于其大多依靠主观判断，故对其专家的要求甚高，现有的银行业一直在使用专家法，但是都在不断地减少主观成分。2、基于财务报表的变量统计模型(1)线性概率模型。线性概率模型,是以信用状况为因变量，若干个财务指标比率为解释变量，代入线性回归模型，用最小二乘法，得出解释变量和因变量之间的相关关系，并且建立预测模型，预测企业今后的状况，来对信用风险进行评估。(2)MDA模型(多元判别分析)。多元判别分析模型，是从一些反应观测对象特征的变量值(财务比率)中，筛选出能反应较多信息的变量并建立判别函数，并使得模型的判别函数对观测样本分类时的错判率达到最小，然后对研究对象所属类别进行判别。(3)Logit模型。Logit(Logistic)模型，指的是采用一系列财务比率变量进行模型构建，来预测公司破产或违约的概率；然后根据银行、投资者的风险偏好，来设定风险警界线，以此对分析对象进行风险评估和预警。Logistic模型没有关于变量分布的假设条件，也不需要服从多元正态分布，即Logistic回归不要求MDA的假设,但满足MDA的假设时,二者等效或优于MDA。而且，当许多观测案例集中于分布两端时，更应该首先采用Logit模型。(4)Probit模型。Prboti模型与Logit模型原理大致相同，都是采用评判一系列的财务比率，来预测其破产违约风险。Probit模型的特点是在使用累积正态概率函数对模型进行变换后，可求出评判对象违约的概率。(5)非参数方法(主要包括聚类分析(Cluster Analysis)和K近邻判别(K Nearest Neighbor)等。)。聚类分析的适用范围是：信用风险分析中不服从一定分布特性的数据信息分类的情况。这类模型根据借款人的指标，得出在样本空间的距离,将其分类。优点是不要求总体的具体分布，变量也可采用名义尺度以及次序尺度。所以该方法可用于定量研究,同时，对现实中的无法用数值精确表述的属性，也可进行分析。劣势在于：理论基础不牢靠。K近邻判别适用于初始分布和数据采集范围限制较少的情况，函数形式表达内容的要求相对较少。近邻法，其模型。所采用的数据可以不遵守正态分布，但是，当数据的维数较高时，存在所谓的维数祸根(Curse of dimensionality)。其含义是：对高维数据，即使样本量很大，由于位数过高导致其很疏松，绝大多数点附近缺乏样本点，这就使得利用空间中每一附近的样本点来构造估计的近邻法很难使用。3、计算机人工智能模型(1)基于神经网络的评估方法。神经网络，其思想来自于非线性判别模型。神经网络模型目的在于挖掘解释变量之间的关系，进而把具有解释能力的变量输入非线形模型，使模型的预测能力加强。(2)专家系统。专家系统，是计算机程序,有智能推理的功能。其目的是将专家解决问题的推理过程进行计算机模仿，再现而成为专家的决策工具，也可以为非专业决策者提供专业性建议。专家系统的功能表现在三个方面分别为：解释功能、灵活性、学习功能。专家系统起源于80年代，之后逐步被用于商业经济领域(会计、审计、税务信用评分、企业破产预测及证券组合)。然而，在开发过程中，一个瓶颈始终未能突破：知识的获取。推理方式研究的水平。所以，之后专家系统的进展、前程和应用广泛性取决于这两个方面的开发程度。(3)决策树模型。Quinlan在Hunt的概念学习系统CLS(Concept Learning System)中，发现了一种自顶而下的分类方法，命名为决策树。它通过对一组训练样本的学习，构造出决策型的表示只是方法。此模型较统计模型易理解，且应用时没有较高的专业知识要求。但在实际应用中，增加了问题的复杂性，组合爆炸是决策树经常出现的问题。二、房地产信用风险评估模型(一)样本的选取和筛选1、样本公司及其数据的来源。本文要研究的是对沪深股市上市的所有房地产公司信用风险的评估，故会选择所有沪深股市的房地产开发与经营板块的公司。根据上述标准，且剔除数据不完善的公司，笔者共收集了66家公司样本，并收集了2009年的数据指标。笔者认为，对已经被ST处理的上市公司来说，信用风险的评估的研究价值已经不大，如今信用风险评估的重点是对正常公司的研究和防范，所以本文的重点是正常公司评估研究也就是非ST房地产上市公司。2、指标体系的选择。为了建立一个完整和正确的指标体系，笔者收集了66家房地产开发与经营的上市公司的精细财务指标，并将其划分为若干类，从本文房地产信用风险评估的角度出发，重要的指标共有以下四大类，并且四大类，共细分为26个财务指标：X1：1/利息保障倍数、X2：产权比率、X3：资产负债率、X4：长期负债与营运资金比率、X5：流动比率、X6：速动比率、X7：营运比率、X8：资产收益率、X9：净资产收益率、X10：每股收益、X11：每股净资产、X12：销售净利润率、X13：资本积累率、X14：总资产增长率、X15：留存收益与总资产比、X16：应收账款周转率、X17：股东权益周转率、X18：存货周转率、X19：总资产周转率、X20：固定资产周转率、X21：长期负债比率、X22：流动负债比率、X23：资产报酬率、X24：销售现金比率、X25：资产现金回收率、X26：现金债务总额比3、因子分析处理指标之间的共线性。在经济实证问题研究中,为了全面、系统地分析问题,往往要考虑众多对经济问题有影响的因素,即指标,也称为变量。通过对反映事物的多个变量的观测,收集大量数据,进行分析寻找规律。通过寻找出综合指标,可以使得对复杂问题的分析变得简单,容易抓住主要矛盾。因子分析是解决这一问题的理想工具。(1)KMO和球形Bartlett检验。对于一个经济模型而言，是否适合运用因子分析进行降维，还得进行讨论和论证。KMO检验就是检验变量之间的相关程度，相关程度越高，因子分析的效果也就越好，球形Bartlett检验判断相关阵是否为单位阵。数据的采集过程已经在上一小节完成，共获取了26个指标，66家房产公司的样本，运用spss软件，对其进行相关性检验。由统计表格可知，KMO统计量为0.652 0.6，分子分析的结果比较好，再由Bartlett球形检验可知，可知各变量独立的假设不成立，故可以来用因子分析。(2)公因子的得到。由相关系数矩阵R计算得到的特征值、方差贡献率、累计贡献率如上表所示，可知第一个方差因子占总体的23.559%，前8个方差因子的贡献率达到80%，因子，前8个方差因子足以描述信用风险水平。提取了8个公因子后，就可以计算个变量之间的共同度，如上表所示。变量共同度表示个变量中所含原始信息被提取出的公因子所表示的程度。由以上信息分析得知，除了X1比较低以外，其他都在70%以上，高的接近95%，故解释能力较强。(二)变量的解释和总方程的得到1、公因子的解释。由因子分析得知，已经重新分配的公因子F1、F2、F3、F4、F5、F6、F7、F8。归类后的8个公因子的特性和共性：F1：资产运行收益情况F1的归属情况是：x8(0.955)、x9(0.814)、x23(0.956)，其指标分别是资产收益率、净资产收益率、资产报酬率。因子分析很好地将第一个公因子归结到资产收益方面的指标，其最主要的指标是资产报酬率。F2：负债清偿水平状况F2的归属情况是：x5(0.905)、x7(0.850)、x21(0,795)，其指标分别是流动比率、营运比率、长期负债比率。这三个指标的共性是负债的清偿水平，故将第二个公因子定义为负债清偿水平。F3：股东权益及未分配利益F3的归属情况是：x2(0.823)、x17(0.912)、x18(0.854)其指标分别是产权比率、股东权益周转率、存货周转率。所以将这个公因子定义为股东权益及未分配利益。F4：现金回收状况F4的归属状况是：x24(0.816)、x25(0.612)其指标是销售现金比率、资产现金回收率。这两个指标都代表了现金回收的状况。F5：资本积累和增长F5的归属情况是：x13(0.635)、x14(0.777)，其指标构成是资本积累率、总资产增长率。其代表的是资本的运行积累和增长。F6：长期负债与营运资金比率F6的主要归属是x4(0.924)，指标是长期负债与营运资金比率。F7：留存收益与总资产比F7的指标归属是x15(0.790)(留存收益与总资产比)。F8：应收账款及现金债务F8的指标归属是x16(0.831)、x26(0.868)，其代表的是应收账款周转率、现金债务比率。2、总方程的得到。由上述结果可以得知，我们可以将信用风险评估的26个指标体系归结到8个因子当中，系数矩阵将8个公因子表示为26个指标的线性形式，我们将其8个公因子设为：F1、F2、F3、F4、F5、F6、F7、F8其因子得分函数为：F1=-0.083x1-0.048x2-0.028x3-0.049x4+0.016x5-0.032x6+0.018x7+0.281x8+0.216x9+0.106x10-0.071x11+0.061x12-0.022x13-0.096x14+0.062x15-0.022x16+0.006x17-0.043x18+0.124x19+0.178x20+0.032x21-0.041x22+0.291x23+0.037x24-0.017x25+0.023x26.F8=-0.124x1+0.073x2+0.114x3-0.057x4+0.026x5+0.055x6+0.065x7-0.032x8+0.051x9-0.021x10-0.08x11+0.096x12-0.047x13+0.033x14+0.003x15+0.484x16-0.002x17-0.086x18-0.099x19+0.018x20-0.014x21+0.018x22-0.051x23+0.013x24+0.176x25+0.475x26 Spss软件已经计算出8个公因子的得分。8个公因子共同决定了信用风险程度，这个模型的总方程可以建立如下。式略记过计算，总方程可以得到如下：F=0.288254 F1+0.18867 F2+0.1334027 F3+0.1122966 F4+0.088853 F5+0.0697418 F6+0.066829 F7+0.0519515 F8 F代表信用风险评估的大小值，F1到F8是8个公因子，包含26个指标，上述方程是信用风险评估的总方程，可以利用这个方程是评估一个房地产公司的信用风险的大小，是否有违约和破产的危险。F的计算值应该是(-1，1)的值，越大说明风险越低，在这个区域外的值，应该特别讨论。3、评估模型的实例应用-万科A。上一小节已经得到了房地产企业信用风险评估的总方程，这里就实际案例进行运用，选择的是房地产开发与经营中的龙头股-万科A。首先要得到万科A的财务报表，笔者从数据库摘取了09年万科A的年报，选择26个财务指标，进行SPSS计算。公因子FAC1到FAC8的计算得到为0.44206、-0.22108、0.05043、0.41253、0.01141、-0.17954、0.22032、-0.082。信用风险值F的最终结果是0.137724。结果表明万科A的信用风险程度较低，基本没有违约和破产的风险，但是需要有一定的风险控制措施，以防未然。三、总结评价本文建立的模型是对房地产企业信用风险进行评估，依据的是房地产上市公司的财务报表。笔者认为，本文主要作出的贡献是对房地产企业信用风险的衡量而避免破产带来的不良影响，所以剔除了戴了ST的房地产上市公司，选取了66个非ST的房地产上市公司作为样本和评估对象。本文建立了独特的26个财务指标体系，这些指标是作者经过考察和论证之后筛选出来的，完整性较强。从以往利用财务指标进行模型建立的时候，都是采用几个财务指标进行多元回归或者神经网络测验，本文的模型没有选择剔除，而是因子分析，即对26个指标进行因子分析，排除共线性的干扰后，得到了8个公因子因子分析的结果较理想。然后根据新得到的因子进行分析和命名，可以发现，8个公因子都具有很强的相似性和聚类性，新的公因子也有很强的说服力。之后对8个公因子进行回归得到了总体评估方程，由总方程可以对每个房地产上市公司进行信用风险评估，衡量其风险程度的大小。本文舍弃了之前的所谓简洁的指标体系，选取了26个指标，集所有财务信息与一体，十分全面，又用因子分析将其简化，较为创新。这种具体化的信用风险评估方式将是今后的热潮，计算机的飞速发展带动了模型的发展。但是事物一般都具有两面性，这种具体的指标体系，在信用风险评估的运用过程中较为繁琐，数据的收集也不容易，比一般的模型的计算时间要长些，也可能因为数据收集不全，而得不到评估的结果。参考文献：1中华人民共和国国家统计局.中华人民共和国2003年国民经济和社会发展统计公报2张玲,张佳林.信用风险评估方法发展趋势.预测,2000；4：72-753陈信元，等.转型经济中的会计与财务问题.北京：清华大学出版社,2003；9：2-54张维迎.产权、政府与信誉.北京：三联书店，2002.9-105陈清泰.培育信用体系夯实市场经济基础.2001中国担保论坛.上海国际会议中心.2001.北京：经济科学出版社,2002；3：12-156蔡赛男.我国信用缺失浅析.番禺职业技术学院学报,2003；3：29-327胡宗伟.信用风险度量方法：一个综述.新金融,2005；2：37-398(美)安东尼桑德斯著.刘宇飞译.信用风险度量：风险估值的新方法与其他范式.北京：机械工业出版社2001.3,10-129潘爱香.财务报表分析.北京：经济科学出版社,1999.30-3410Altman.E.I.Financial ratios discriminate analysis and the pr