基于logistic模型的企业债券违约影响因素的研究.doc

《基于logistic模型的企业债券违约影响因素的研究.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于logistic模型的企业债券违约影响因素的研究　　【摘要】采用logistic模型，根据一般公司财务分析的指标，选取常用且较为重要的财务指标如净资产收益率、总资产报酬率等，研究部分公司的债券违约行为发生与否的影响因素，对犯第一类错误和第二类错误的原因进行一定的分析，在用logistic模型进行判断时应小心谨慎。　　【关键词】债券债券违约影响因素Logistic模型　　一、引言　　中国是市场经济体制，债券融资显得很重要，同时债券违约行为的出现也越加频繁。据中国货币网报道，2015年11月15日至11月24日这20天内，有45家企业取消或延迟了债券发行计划，涉及金额高达500亿

2、元，涉及债券数量多达48只，涵盖中期票据、短融、超短融三类债券品种。债券违约行为已经成为不可忽略的影响债券市场运行的一大因素。　　债券违约　　债券违约是指债券发行主�w不能按照事先达成的债券协议履行其义务的行为。债券违约分为长期债券违约和短期债券违约。为了方便，我们把本息出现延期支付就算企业出现违约行为。　　二、理论回顾　　在国外Logit模型最早用来预测公司的破产及违约概率。在国内，建立模型的准确率，根据选取样本数据的个数不同，分为两类，一类是准确率平均达到70%左右；一类是准确率高达90.0%以上。王春峰、万海晖选取129家样本建立Logit模型的第一类错误为33.33%，第

3、二类错误为25.00%[1]；庞素琳选取63家上市公司建立Logit判别模型判别准确率达到99.06%[2]。　　三、Logistic模型　　logistic回归为概率型非线性回归模型，是研究分类结果与影响因素之间关系的一种多变量分析方法。有多个危险因素时多个变量的logistic回归模型方程的线性表达为：　　通过最大似然法可以得到参数β0，β1，…，βm的值。将参数估计代入Logistic模型中可以测出各贷款的违约概率：　　在统计学中，误判分为两类，第一类错误是指将高信用风险企业误判为低信用风险企业的错误。第二类错误称为“纳伪”，是指将低风险企业误判为高信用风险企业的错误。　　

4、四、模型的构建　　样本的选取及指标的选择　　根据企业常用的财务指标以及数据来源的缺乏和数据的不全面，从财务结构、偿债能力、经营能力、现金流量、盈利能力、经营效益这六个方面选取了60家企业2015年近一期的12个相关指标。具体指标有资产负债、流动资产/总资产、带息负债比率、流动资产/负债合计、流动比率，速动比率、经营活动产生净现金流/带息负债、经营活动产生的现金流量净额/营业收入、总资产报酬率、销售利润率、总资产周转率，流动资产周转率。　　模型分析　　对样本集采取向前逐步选择法，运用RStudio软件可以建立如下模型：　　本模型结果表明，一个企业是否违约与企业的偿债能力、盈利能力、

5、经营效益有关。其选中的指标是流动比率、速动比率、销售利润率、总资产周转率。指标都通过参数检验，模型整体检验都比较显著有效。将模型对测试样本数据进行分析得到：正常公司是识别准确率为81.82%，即犯第二类错误仅为18.18%，该模型犯第一类错误较小为6.12%。犯第二类错误的概率大于犯第一类错误的概率，即将违约公司判为正常公司比例较大。笔者进一步细查60个企业中判断违约与否的企业，发现Logistic误判的有山水MTN1、珠中富MTN1、新中基CP001、英华MTN1、贵人鸟CP001。从中可以看出，该模型将违约企业误判正常企业共有3个，这些企业不存在较大财政危机，虽然延迟支付但是

6、最终还是支付了拖欠的资金，所以导致模型将其判为正常企业。　　五、结论和启示　　本文基于我国上市企业数据建立的Logistic模型发现：该模型中，商业银行在对上市企业信用风险进行评估时，犯第一类错误的概率平均达到6.12%左右。结合相关的文献得到第二类错误的概率达到18.18%左右。对于银行来说，第二类错误是可怕的，有时对银行是致命的。所以我国在对企业或非企业进行信用评估时，运用Logistic模型是非常谨慎的，要结合新巴塞尔协议，综合运用其他相关模型，积极推进IRB基础数据库和管理信息系统建设等各方面建设，建立内部信用评级，对企业信用风险进行合理评估。