战略性新兴产业上市公司信用风险影响因素研究

战略性新兴产业上市公司信用风险影响因素研究摘要：本文以2008——2014年470家战略性新兴产业上市公司为对象，使用逐步回归法筛选关键变量，分别建立四种形式的Logit模型对其信用风险影响因素进行了实证研究，并对摆脱信用危机的上市公司相关指标进行了追踪和Wilcoxon符号秩检验。结果表明；外贸依存度、资产负债率及固定资产比率对战略性新兴产业上市公司的信用状况具有显著影响；在上市公司摆脱信用危机后，固定资产比率、无形资产比率及资产负债率的改变较为显著且迅速。关键词：战略性新兴产业；信用风险；Logit模型一、引言 2010年，《国务院关于加快培育和发展战略性新兴产业的决定》指出，立足于我国国情和科技、产业基础，要大力发展以新能源、新材料、节能环保、生物医药、信息网络、高端制造以及新能源汽车七个领域为代表的战略性新兴产业，加快将其培育成为先导产业和支柱产业，为我国现代化建设作出新的贡献。与传统的高新技术产业相比，战略性新兴产业更加注重“资源节约、环境友好”，且对国民经济的发展具有全局性、战略性的作用。至2015年末，战略性新兴产业上市公司已达1031家，其中民营企业占总体数量的70.6%。此外，民营企业在规模和业绩方面都有较好的表现，已成为我国战略性新兴产业的主力军。战略性新兴产业的成长离不开金融支持，然而，由于该类产业经营和发展具有较大的不确定性[1]，使得其信用风险评估具有高度的复杂性而难以得到金融机构的贷款。目前，国内学者对战略性新兴产业的研究多是进行理论的阐述，缺少信用风险实证方面的探索。基于此，本文对战略性新兴产业上市公司信用风险影响因素的实证分析有利于该类产业的发展，有利于金融支持实体经济，有利于推动我国经济发展的转型。对企业信用风险评估和管理的研究，一直是金融界学者关注的重点，因此，一系列的信用风险评估模型被开发出来，也形成了丰富的理论和方法。然而，一些模型对数据分布有着严格的要求，其假设条件在我国尚不能得到有效的满足。基于此，本文选用不要求随机误差项服从正态分布的Logit模型来探究影响战略性新兴产业上市公司信用风险的因素。Martin(1977)[2]首先使用Logit模型来计算企业的破产、违约概率，自此，logit模型广泛用于企业信用风险分析。在国内，鲜文铎和向锐[3]、卢永艳和王维国[4]、郑玉华和崔晓东[5]都将研究样本划分为训练样本和测试样本，对训练样本采用Logit模型进行实证分析并以训练样本来测试模型的预测精度，结果表明Logit模型具有良好的适用性。但是，胡胜和朱新蓉(2011)[6]认为，Logit模型在实际运用时犯第一类错误即高信用风险企业误判为低信用风险企业的错误率达到30%左右，使用该模型对公司信用风险评估时要十分谨慎。最近几年，国内学者尝试在Logit模型中加入更多的指标以及对模型进行改进，以增强预测精度：武玉青和李忠卫(2016)[7]建立制造业上市公司的面板Logit模型，认为财务因子和非财务因子均对上市公司的财务状况具有重要影响；钱水土和陈鑫云（2016）[8]将宏观经济指标纳入Logit模型来探究农村信用社区域性信用风险影响因素；杨潇（2017）[9]运用主成分分析方法对预警指标进行简约，进而将随机欠抽样不均衡样本处理方法与传统的Logit模型相组合，构建了改进的Logit回归模型，认为该组合模型具有较高的预测精度和稳定性。二、模型与指标体系构建（一）Logit模型的基本原理在Logit模型中，因变量是分类变量，取0和1两个值，1代表所研究的事件发生，0代表所研究的事件没发生。在本文的研究中，1代表公司发生信用风险，被“ST”；0代表公司处于正常的信用状态。Logit模型的表达式如下：（1）其中，为模型计算得出的事件发生概率，为模型的自变量；为待估参数，通过极大似然估计获得。事件发生的概率也可写为：（2）模型估计出参数后，将相应企业的自变量数据代入（2）式，就可以计算得出企业的违约概率P。P越大，企业发生信用风险的概率越大。（二）样本选取本文的数据来源于国泰安数据库的上市公司年度财务报表。按照国内外学者的通常做法，本文以上市公司被宣布ST(SpecialTreatment，简称为“ST")作为发生信用危机的标志，根据战略性新兴产业的特点及所涉及的领域，以中国证监会2012年修订的《上市公司行业分类指引》为标准本文从以下行业选取样本：废弃资源综合利用业互联网和相关服务化学纤维制造业化学原料及化学制品制造业本文从以下行业选取样本：废弃资源综合利用业互联网和相关服务化学纤维制造业化学原料及化学制品制造业计算机、通信和其他电子设备制造业 汽车制造业软件和信息技术服务业 生态保护和环境治理业 铁路、船舶、航空航天和其它运输设备制造业 研究和试验发展医药制造业仪器仪表制造业专业技术服务业专用设备制造业（三）指标体系构建对影响战略性新兴产业上市公司信用风险指标的选取，应当遵循可比性、可测性、可获得性、全面性的原则，同时要考虑到指标间的相关性和可替代性，以免影响模型评估的精度。基于此，本文在借鉴国内外学者对相关指标的选取基础上，从企业的偿债能力、营运能力、盈利能力、成长能力、现金流量能力5个方面构建相应的指标，同时，本文将宏观经济因素纳入指标体系构建中。战略性新兴产业正处于起步、成长阶段，公司的治理较为不规范且经营具有较大的不确定性，需要对企业的销售增长、公司治理、资产结构、管理费用支出及留存收益累积特别予以关注，以充分识别该产业的信用风险。本文初步建立的指标体系如表1所示：表1预选指标一级指标二级指标代号固定资产投资增长率X1宏观经济金融指标外贸依存度X2M2增长率M2是根据我国货币统计制度统计的货币供应量X3主营业务增长率X4前十大股东持股比率X5需要对战略性新兴固定资产比率X6X7X8X9中的资产均是指期末资产总额X6产业予以特别关注无形资产比率X7的指标管理费用资产比率X8留存收益与资产总额比率X9流动比率X10偿债能力资产负债率X11现金流量利息保障倍数X12总资产周转率X13营运能力存货周转率存货周转率的计算公式中的分子为营业成本存货周转率的计算公式中的分子为营业成本X14应收账款周转率X15成本收入比X16盈利能力净资产收益率X17销售净利率X18成长能力总资产增长率X19净利润增长率X20现金流量能力销售现金比X21（四）多重共线性检验财务指标间大多有较高的相关性。本文采用容忍度来对初选的指标进行多重共线性检验，容忍度定义如下：（3）（3）式中，是以为因变量，其他变量为自变量，通过回归得到的。Menard(1995)指出：Tolerance<0.2表明指标间存在多重共线性，Tolerance<0.1表明存在着严重的多重共线性。本文使用stata12.0软件对初选的指标进行检验，详见表2，结果表明本文选取的21个指标间不存在多重共线性。 表2多重共线性检验结果X18X21X9X1X3X8X11X2X10X13X16VIF4.33.983.523.072.832.432.021.581.351.21.2Tolerance0.230.250.280.330.350.410.50.630.740.830.84X7X6X5X17X19X20X14X4X15X12VIF1.131.121.071.031.021.011111Tolerance0.880.890.940.970.980.991111（五）预选指标的筛选Logit模型中的自变量过多或过少都会降低模型的预测精度，因此，本文使用逐步回归法来筛选对战略性新兴产业上市公司信用风险影响显著的指标，同时逐步回归法也可有效消除多重共线性。本文使用stata12.0软件对变量进行筛选，以选取关键性的指标，详细结果见表3。表3逐步回归筛选结果解释变量系数标准差Z值X161.760***0.612.91X27.511**3.532.13X13-1.246***0.35-3.56X79.355***2.53.74X113.429***0.457.7X63.451***0.585.91_cons-9.979***1.76-5.68注：***、**、*分别表示在1%、5%、10%的水平下显著。由表3可知，宏观经济金融因素中，只有外贸依存度通过了显著性检验；需要对战略性新兴产业特别予以关注的指标中，固定资产比率（X6）和无形资产比率(X7)通过了显著性检验；衡量企业信用风险的普遍性指标中，资产负债率（X11）、总资产周转率(X13)和成本收入比(X16)通过了显著性检验。因此，本文将上述6个指标纳入战略性新兴产业上市公司信用风险影响因素评估模型之中。三、模型回归为了避免非平稳序列直接建模导致的“伪回归问题”，本文首先对6个变量进行了面板单位根检验。除了外贸依存度（X2）的时间序列是非平稳的，其他5个变量都在1%的水平下平稳，但外贸依存度指标的增长序列也在1%的水平下通过显著性检验。最终，进入模型的解释变量是X2、X6、X7、X11、X13、X16这6个指标，被解释变量是上市公司是否发生信用危机（即，是否被“ST”）。本文分别使用以下四个方法对数据进行Logit回归：对标准误进行怀特异方差修正、考虑截面数据的组内相关性（本文中的截面是指所选的全部上市公司）、使用固定效应模型、使用随机效应模型。回归结果见表4：表4Logit模型回归结果解释变量e_robuste_clustere_fee_re成本收入比（X16）2.179***2.179**1.3562.595**外贸依存度（X2）9.910***9.910***14.902***16.777***总资产周转率（X13）-1.171**-1.171-0.493-1.349**无形资产比率（X7）8.063***8.063***9.3059.351*资产负债率（X11）2.155**2.155*0.894**2.063***固定资产比率（X6）2.960***2.960***5.471***5.853***常数项（_cons）-10.517***-10.517***-17.866***注：表格后4列显示的是回归系数，其中***、**、*分别表示在1%、5%、10%的水平下显著。另外，本文以“当年的净利润小于0”、“当年的股东权益低于注册资本”作为上市公司发生信用危机的标志，分别建立二分类变量（取值0或1），代替上文中的被解释变量，解释变量不变，使用上文的四个方法进行Logit模型估计。详细结果见表5表5-1替换被解释变量的模型回归结果解释变量e_robuste_clustere_fee_re成本收入比（X16）4.460***4.460***6.450***5.674***外贸依存度（X2）-4.590**-4.590***-4.910**-6.249***总资产周转率（X13）-2.116***-2.116***-3.433***-3.020***无形资产比率（X7）6.569***6.569***7.375*9.235***资产负债率（X11）0.635*0.6351.649***0.662***固定资产比率（X6）1.462***1.462***0.9091.863***常数项（_cons）-2.804***-2.804***-3.499***注：模型回归中的被解释变量是“净利润是否小于0”。 表5-2替换被解释变量的模型回归结果解释变量e_robuste_clustere_fee_re成本收入比（X16）-0.322-0.322-0.021-2.214*外贸依存度（X2）4.948***4.948***1.4925.842总资产周转率（X13）-1.115***-1.115***2.997***0.865无形资产比率（X7）7.982***7.982***32.756***34.679***资产负债率（X11）3.034***3.034***10.758***12.405***固定资产比率（X6）-0.201-0.20116.109***10.338***常数项（_cons）-4.817***-4.817***-19.184***注：模型回归中的被解释变量是“股东权益是否小于注册资本”。由表4可知，外贸依存度（X2）、固定资产比率（X6）及资产负债率（X11）均在10%的水平下通过了显著性检验，这3个变量对战略性新兴产业上市公司的信用风险具有显著影响，具体如下：（1）外贸依存度是宏观经济变量，影响企业的经营环境。基于我国与发达国家科技创新差距大的现实，该指标越大，国内的市场越开放，国际高科技企业对我国战略性新兴产业的相关公司形成的竞争压力就越大，其发生信用危机的可能性也就越大。该指标在表5-1中均通过5%水平下的显著性检验。在表5-2中，外贸依存度指标仅在前两种方法回归中通过了显著性检验。（2）固定资产比率是固定资产与资产总额的比值，是企业资产结构的指标，但也在一定程度上反映了被评估上市公司的固定成本及经营杠杆的大小。。此外，上市公司的经营杠杆还可以用无形资产比率（无形资产与资产总额的比值）来衡量。若企业的固定成本较多，一旦外部经营环境有变，经营杠杆的放大作用将使企业的息税前利润面临严重的挑战。通过表5-1和表5-2可看出，代表经营杠杆的无形资产比率在四种方法下均通过显著性检验。（3）资产负债率反映企业的负债情况，同时也反映了企业的资本结构。其值越大，企业的财务杠杆系数就越高，财务风险也就越大，一旦资金链断裂，企业也就走向了破产的边缘。由表5-1可知，该指标在三种方法的回归中均通过了显著性检验且在表5-2中全部在1%的水平下显著。四、Wilcoxon符号秩检验战略性新兴产业上市公司信用风险的影响因素既有宏观方面的，也有微观方面的，但宏观因素不为企业所能控制。为了更有效率地展示相关变量对战略性新兴产业上市公司信用风险的影响，本文对固定资产比率、资产负债率在上市公司摆脱信用危机后（即去除”ST”）的相关数据进行了持续跟踪，并与摆脱信用危机前的数据进行统计比较，以判断其是否发生了显著变化。同时，为了与固定资产比率指标相比较以及解决人们较为关注的上市公司盈利能力变化的问题，本文也对无形资产比率和成本收入比进行了追踪。具体步骤如下：本文设定上市公司去除”ST”的年份为t=0，去除”ST”的上年为t=-1，去除”ST”的次年为t=1，以此类推；然后，将相关指标在t=0，t=1，t=2时的中位数分别与t=-1时的中位数进行统计比较，以判断其是否发生了显著变化。由于涉及的样本集为配对样本集，本文对相关变量的中位数进行了Wilcoxon符号秩检验，相关结果如表6所示：表6Wilcoxon符号秩中位数检验结果中位数解释变量t=-1t=0t=1t=2成本收入比（X16）0.8760.8470.8540.724**(-1.204)(-1.077)(-2.548)无形资产比率（X7）0.0350.0230.017**0.009***(-1.068)(-2.09)(-3.593)资产负债率（X11）0.6080.510.475*0.36**(-1.487)(-1.895)(-2.332)固定资产比率（X6）0.1350.1240.073***0.03***(0.08)(-2.776)(-3.488)注：()内为Wilcoxon符号秩检验的Z值，***、**、*分别表示在1%、5%、10%的水平下显著。从表6可以看出，战略性新兴产业上市公司在去除”ST”的次年，固定资产比率、无形资产比率和资产负债率都得到了显著改善，这三个指标分别在1%、5%、10%的水平下显著，而盈利能力指标（成本收入比）的改善较为缓慢。五、结论基于2008——2014年470家战略性新兴产业上市公司的年度资料及宏观经济金融资料，本文以上市公司是否被“ST”作为被解释变量，通过逐步回归法对解释变量进行筛选，进而分别构建对标准误进行怀特异方差修正、考虑截面数据的组内相关性、使用固定效应及随机效应的四种形式的Logit模型。随后，本文以“净利润是否小于0”、“股东权益是否小于注册资本”分别替换前文的被解释变量，再次构建相应的logit模型。实证结果表明：外贸依存度、资产负债率及固定资产比率对该类产业上市公司的信用风险具有显著影响。此外，本文对战略性新兴产业上市公司摆脱信用危机后的固定资产比率、无形资产比率、资产负债率和成本收入比进行了追踪，经过Wilcoxon符号秩中位数检验认为，摆脱信用危机后，该类企业盈利能力指标的改善较为缓慢，而固定资产比率、无形资产比率和资产负债率改善较为迅速。参考文献[1]李晓华,吕铁.战略性新兴产业特征与政策导向研究[J]