商业银行信用风险评估的生存分析模型及实证研究

［文章编号］１００９—９１９０（２００６）１１—００４２—０６

宋雪枫杨朝军徐任重

［摘要］企业发生财务危机，不能归还到期贷款是商业银行信贷资产的主要风险来源，商业银行如何构建恰当的信用风险评估模型来预测企业的财务危机，从而避免这类信用风险的出现就显得尤为重要。本文以我国上市公司为研究对象，结合杜邦分析法建立了基于生存分析的信用风险评估模型，模型对于随机选取的预测样本，其提前１年、２年和３年的预测准确率分别达到８６％、７２％和６８％。通过与Ａｌｔｍａｎ模型、０ｈｌｓｏｎ模型预测结果的比较和鲁棒性检验的结果发现，该模型同时具有可以使用时间序列、无需样本配对、中远期预测能力强和高鲁棒性的特点，这些特点特别对于商业银行中长期信贷风险管理具有较高的应用价值。

［关键词】商业银行；信用风险；企业财务危机；生存分析；Ｃｏｘ模型；多期预警

［中图分类号］Ｆ８３１［文献标志码］Ａ?

作为经营货币信用的特殊企业，风险性是商业银行业务的最显著特征，其各项业务都可以看做是一种以承担风险换取收益的行为。因此，商业银行经营管理中最核心的问题就是风险管理问题。世界银行对全球银行业的研究表明，导致银行破产的主要风险是信用风险，即企业由于发生财务危机导致不能归还到期贷款的违约风险。建立信贷企业的财务危机预警模型可以为商业银行提供有效的信贷风险管理工具。本文利用一种典型的生存分析模型——Ｃ６ｘ模型，建立了商业银行信用风险管理模型，并与商业银行信贷风险管理中常用的Ａｌｔｍａｎ模型和Ｏｈｌｓｏｎ模型进行了对比分析。

一、商业银行信用风险及对其评估方法回顾

商业银行在市场运营过程中所面临的风险一般统称为金融风险。根据诱发风险的具体原因，商业银行面临的金融风险一般可以细分为７大类，即信用风险、市场风险、流动性风险、操作风险、法律风险、结算风险和声誉风险。而信用风险一直是商业银行面临的最为重要的金融风险形式，这一点对于主要业务利润来自信贷业务的传统国内商业银行来说尤为如此。

传统的信用风险主要来自商业银行的信贷业务，由于贷款的流动性差，缺乏如同一般有价证券那样活跃的二级市场，因而银行对信贷资产的价值通常按历史成本方法衡量，只有当违约实际发生后才在其资产负债表上进行相应调整，因此信用风险仅局限在违约风险范围。从现代观点看来，投资者的资产不仅会因为交易对手的直接违约发生损失，而且交易对手履约可能性的变化也会给资产带来损失。一方面，一些影响交易对手信用水

平事件的发生，如信用等级被降低、投资失败、盈利下降、融资枯竭等，其所发行的债券或股票就会跌价，从而给投资者带来损失；另一方面，随着贷款出售和贷款证券化的应用，特别是被称为２０世纪９０年代最为重要的金融创新的信用衍生产品的出现和迅速发展，信贷资产的流动性大大增强，而这类产品的价格是随着借款人的还款能力和信用状况不断变化的，即采取盯市（ＭａｒｋｔｏＭａｒｋｅｔ）的方法。因此，现代意义上的信用风险应指由交易对手直接违约或履约能力的变化造成资产损失的风险。从这个观点出发，动态地研判借款人的财务状况就显得尤为重要。如果商业银行等到借款人发生违约行为才意识到风险存在，就很难采取及时的操作行为予以弥补和挽救，为此，准确评价贷款人的财务状况，并发现贷款人可能存在的财务危机是商业银行务必解决的问题。

由于贷款企业能否到期还本付息主要取决于企业的财’务状况，因此，通常可以将对商业银行信用风险的评估转换成对贷款企业财务状况特别是贷款企业发生财务危机可能性的评估问题。

自上个世纪３０年代以来，商业银行信用风险的评估方法大致经历了单变量分析、多元判别分析和人工智能分析三个发展阶段。最早的商业银行信用风险评估方法可以追溯到Ｆｉｔｚｐａｔｒｉｃｋ开展的单变量破产预测，他运

［基金项目】国家自然科学基金（７０３７３０５３）。

［作者简介］宋雪枫，男，上海交通大学管理学院，博士生；杨朝军，男，上海交通大学管理学院教授，博士生导师

（上海，２０００５２）；徐任重，男，申能股份有限公司财务部主管

（上海，２０００２１）。

宋雪枫、杨朝军、徐任重：商业银行信用风险评估的生存分析模型及实证研究

用单个财务比率将样本企业划分为破产与非破产两组，试图使用比率分析来预测公司破产。［１１Ｂｅａｖｅｒ首先运用统计方法建立了单变量预警模型，发现营运资金／总负债在破产前１年的预测正确率可以达到８７％。［２】Ａｌｔｍａｎ最先使用多变量工具，即所谓的ｚ—ｓｃｏｒｅ模型①来预测破产的概率。旧ｊｏｈｌｓｏｎ于１９８０年首先将【０９ｉｔ回归模型应用于商业银行信用评估领域。ｆ４１Ｌｏｇｉｔ模型无需假定任何概率分布，也不要求等协方差，但是当样本点存在完全分离时模型参数的最大似然估计可能不存在，此时模型的有效性也值得怀疑。１９９０年，Ｏｄｏｍ首次将神经网络方法引入信用风险测评中，｛５１该方法是一种对数据分布无任何要求的非线性技术，它能有效解决非正态分布，非线性的信用评估问题，但其缺陷是存在“黑箱”问题，且网络结构确定比较困难、训练效率低下等，这些也限制了模型的进一步应用。

在国内学者中，王春峰等将多元判别分析法应用于我国商业银行信用风险评估，通过与Ｌ０西ｔ方法相比较，研究了多元判别分析法的有效性。［６１李志辉、李萌结合主成分分析法构造了信用风险线性判别模型和Ｌｏｇｉｔ模型，并利用收集到的在我国某商业银行有贷款的上市公司客户的财务信息和违约数据对模型进行实证检验，结果表明Ｌ０９ｉｔ模型的结果较为理想。［７］王春峰（１９９９）、于立勇（２００３）、张忠志（２００３）、吴冲（２００４）、庞素琳（２００３）均将神经网络方法应用于商业银行信用风险评估中并取得了较好的结果。｜８｜一１２】

虽然国内外学者构建和检验了众多的商业银行信用风险评估模型，但这些模型通常是单期模型，并且这些单期模型在信用风险评估研究中存在以下的局限性：第一，大多数单期模型在进行模型构建时只使用了样本横截面数据而未使用时间序列数据，因而在模型构建过程中无法使用财务状况变化的趋势性信息。第二，单期模型的估计样本在模型的学习过程中一般需要进行样本配对，例如要求财务危机样本和非财务危机样本是同行业同规模，这一方面使得大量的非财务危机样本没有参与模型的学习过程，另一方回也容易造成数据挖掘的嫌疑。第三，单期模型的适用性比较有限，同一个单期模型只能适用于同一时问提前量的预警，如果要对不同时间提前量的上市公司进行预警就不得不估计多个单期预警模型。第四，单期模型提前１年的预测能力较好，但是提前２年和提前３年的预测能力却大幅下降，影响对上市公司的中长期预测。针对这些不足，本文提出一种基于生存分析的商业银行信用风险评估模型——Ｃｏｘ模型。

二、研究方法设计

本文构建的商业银行信用风险评估模型——Ｃｏｘ模

型，是一种生存分析模型，它与通常的商业银行信用风

险评估模型存在较大的区别。本文对商业银行信用风险的评估是通过对信贷企业财务状况的评估实现的。由于信贷企业是否发生财务危机直接关系着商业银行信贷资产的可收回性，因此，对商业银行信贷风险的评估在某种程度上也是对信贷企业是否发生财务危机的评估，两者的本质是相同的。以下将通过对信贷企业（上市公司）的生存时间、危险率函数和参数估计三个部分介绍该生存分析模型。

１．生存时间。生存时间的处理是生存分析中的重要部分，正是因为有对生存时间的处理才使得Ｃｏｘ模型能够使用时间序列数据，并对上市公司发生财务危机的概率进行连续预测，即通过同一个模型对上市公司在未来不同时点上发生财务危机的可能性进行预测。在Ｃｏｘ模型中，生存时间可以广义地定义为：从某个具体时间开始或者从某个具体事件开始，到另一个时间或者到另外一个事件出现的这一段时间；本文界定的上市公司生存时间是上市公司从某一具体年份开始到上市公司出现财务危机的这一段时间。

２．危险率函数入（ｔ）。上市公司在生存时间大于等于Ｔ的条件下在Ｔ时刻死亡的概率，可以用危险率函数入（ｔ）表示，即：

入（ｔ）＝ｌｉｍ—去一Ｐ（ｔ＜Ｔ≤ｔ＋△ｔＩＴ＞ｔ）（１）△ｔ—呻＋ｎ【

当生存时间Ｔ存在密度函数ｆ（ｔ）时，危险率函数

入（ｔ）可以进一步表示为：

入（ｔ）＝器＝器一器（２）

在此条件下生存函数Ｓ（ｔ）可以表示为：

一ｆ’ｘ（。）ｄｕ

Ｓ（ｔ）＝ｅｈ（３）由于入（ｔ）通常被认为是与上市公司某些协变量（一般是上市公司的某些财务指标）Ｘ相联系的，因此其也可以表示为：

入（ｔ，Ｘ）＝ｅ。ｋ（ｔ）（４）当估计出ｐ、ｋ和Ｓ。（ｔ）后，生存函数可表示为：

Ｓ（ｔ）：Ｓ。（ｔ）唧‘８’。’（５）３．参数估计。对ｎ个上市公司的生存时间进行观测，设第ｉ个上市公司的协变量是Ｘｊ，生存时间是ｔｉ。当ｔｉ是非截尾数据（指上市公司在生存时间内出现财务危机）

①ｚ—ｓｃｏｒｅ模型是同时分析一组财务比率，并获得单一的数字来预测一个特定公司的整体财务状况，相对于传统的单变量分析，其优点是它同时可以考虑到流动性、资产管理、债务管理、收益性以及市场价值。其基本思路是根据已经掌握的历史上每个类别的若干样本，从中总结出分类的规律建立判别公式用于对新样本的分类。

霹３：

量融ｉ仑１云２００６年第１１期

时，记８．＿１；当ｔｉ是右截尾数据（即实际生存时间大于ｔｉ）时，记８Ｆ０。于是得到ｎ个上市公司的观测数据是：（ｔｉ，８ｉ，Ｘｉ）ｉ＿１，２，…ｎ（６）将互异的上市公司非截尾数据按生存时间的长短从小到大排列为ｔ（１）＜ｔ（２）＜…＜ｔ（，）。令Ｄ产｛ｉ：８ｉ＝１且ｔｉ＝‰｝，ｄｉ为在ｔ“）处非截尾的上市公司数量。同理，令ＣＦ｛ｉ：８ｉ＿Ｏ，ｔｉ∈［ｔ（ｊ…ｉ＋１））｝。Ｒ．＿｛ｉ：ｔｉ≥ｔ（一叫做ｔ（ｊ）时刻的风险集，即在ｔ㈤时刻之前未发生财务危机的上市公司组成的集合。

一般认为，如果ｔ∽时刻未发生财务危机，那么在这时点上就没有给出任何关于Ｂ的信息。事实上，在任何一段时间，只要没有上市公司出现财务危机，就不能获得ｐ的信息。如果ｔ㈣代表了真正的财务危机，则有：Ｐ｛在区间［ｔ（ｉ），ｔ（ｉ）＋△］有一个出现财务危机ｌＲｉ｝一∑ｅ∥。’ｋ（ｔ（１，）△

ｊＥＲ．

（７）

在公式（７）中，△表示一个微小的时间增量。

Ｐ｛标号（ｉ）的公司在时间ｔ㈤出现财务危机ＩＲｉ中有一

Ｂ’Ｘ（ｉ）

个在时间ｔ∽出现财务危机｝＿』Ｌ（８）

∑ｅ∥一

当把所有上市公司的财务危机生存时间点都做如此处理，然后相乘就得到了所谓部分似然函数：

Ｂ’Ｘ

ｋ（Ｂ）＝丌ＪＬ（９）。∑ｅ∥ｘ

在公式（９）中，乘积兀是对所有财务危机点进行的。

Ｘ

Ｃｏｘ认为，通过构建公式（９）并对公式（９）求“极大似然估计”可得到参数ｐ的近似估计，在估计出参数Ｂ后可以再次通过“极大似然估计”获得ｈ和Ｓ０（ｔ）的估计值。通常情况下，在估计参数Ｂ的过程中一般假设协变量不随时间变化，但当允许协变量Ｘ随时间变化时，就可以形成考虑时间序列协变量的Ｃｏｘ模型，正是因为这一点，Ｃｏｘ模型才具有可以使用时间序列样本进行多期预测的特点。

‘三、样本和预警指标选取

（一）样本选取

从商业银行视角看，企业是否发生财务危机直接关系着商业银行信贷资产的可收回性。企业财务危机最主要的表现就是企业丧失偿付到期债务的能力，但这种能力只是财务危机的表象，财务危机的实质在于企业丧失盈利能力；并且考虑到商业银行的实际情况，虽然信贷企业可以通过“借新还旧”的方式维持企业生存，但只是具有盈利能力的企业才能长期生存，对企业进行贷款特别是中长期贷款不仅要考虑企业短期的偿债能力，更重要的是考虑企业的盈利能力。本文将从企业盈利能力来界定企业财务危机，认为丧失盈利能力的企业就是财务危机企业，而丧失盈利能力的标准为：首次出现连续２年净利润小于零的企业；首次出现当年巨额亏损导致每股净资产小于１但大于０的企业。

本文将采用我国沪深股市的上市公司数据进行实证研究，选取的上市公司样本数据来自“天软数据库”。选择除金融行业以外并符合上文丧失盈利能力标准之一的上市公司为财务危机上市公司。由于在实证研究中要考虑生存时间问题，因此本文选择的上市公司是至少上市３年且于１９９８年以前就上市的公司，所选取的样本时间段是１９９８～２００４年；并且规定以１９９８年为生存时问的起点，当上市公司未在１９９９年出现财务危机时则其生存时间至少为１年，当其未在２０００年出现财务危机时则其生存时间至少为２年，当其未在２００１年出现财务危机时则其生存时间至少为３年，依次类推。

为更好地分析Ｃｏｘ模型的预测效果，本文将１９９８—２００４年的样本分为估计样本和预测样本。其中，选择１９９８～２００１年的上市公司样本为估计样本，选择２００２—２００４年的样本为预测样本。需要强调的是，在估计样本的构造中，Ｃｏｘ模型不需要对财务危机上市公司与非财务危机上市公司进行配对，在非估计样本中随机选择了５０家财务危机上市公司和５０家非财务危机上市公司作为预测样本。

（二）预警指标选择

企业产生财务危机的根源来自外部环境和自身经营能力两个方面，因此，预警指标也应包括外部和内部两方面。外部环境包括宏观环境和行业环境，宏观环境对企业的影响主要是通过行业环境的变化实现的，直接作用于企业的比较少，因此通过分析行业指标基本可以完成外部预警指标选择。而内部预警指标，本文从最能反映上市公司经营绩效的净资产收益率指标出发，借助杜邦分析法对净资产收益率指标进行分解来选择预警指标。在预警指标初选完成后，分别通过显著性分析和相关性分析对指标进行再选择，之后所保留下来的指标将用于预警模型的实证分析。

１．外部预警指标选择。本文选用１９９９～２００４年之间上市公司净资产收益率、销售净利率、销售毛利率、总资产收益率、主营业务利润率、ＥＢ｛ＴＤＡ／总资产、应收账款周转率、存货周转率、最近３年主营业务收入增长率、最近３年主营业务利润增长率、最近３年净利润增长率等指标样本，并以上市公司总资产为权数对上述指标进行加权计算，获得行业指标。行业预警指标的选择将采用

宋雪枫、杨朝军、徐任重：商业银行信用风险评估的生存分析模型及实证研究

时间序列横截面回归分析进行，见表１：

表１单个行业指标的时间序列横截面回归结果

＋指标名称。、截距Ｔ值凰翻＋系激硼直Ｒ霉

■

褥照净赘产牧益牵Ｏ．０５４６．２０—Ｏ．１４４—２．４２Ｏ．０７７

符：搬镄售净鹈攀０．０４９５．００—０．００ｌ一０．９４ｏ．０１２

行业销售耄鞠率Ｏ．１０６４．２３一Ｏ．１９５—２．４２Ｏ．０７７

褥照总资产收益率Ｏ．０９５１０．５２一１．２４９＿６．８７Ｏ．３９６舞韭主簧业务秘澜攀：０．１０７４．５０—Ｏ．２１３—２．１６Ｏ．０８８行煦ＥＢ糟ＤⅣ总赘产、。Ｏ．１０５８．７５一ｏ＇７２５－６．１５Ｏ．３５ｌ行韭瘦收账款瘸转率Ｏ．０４９４．８７Ｏ．Ｏｏｏｌ０．７８Ｏ．００８行业存赛属转搴、，Ｏ．０５０４．９６一Ｏ．Ｏｏｏｌ加．２４ｏ．００８行业３年烹赣她务牧Ａ增长率Ｏ．０４８４、６８Ｏ．００３Ｏ．４２０．００３行业３年生营煦务誊｛瓣增长率Ｏ．０４８４．５９Ｏ．００２９Ｏ．４７０．００３行业３年净剩润增长率Ｏ．０４４４．７６一Ｏ．００８一１．９２Ｏ．０５０

从实证结果看，行业总资产收益率指标的显著性最高，模型的拟和优度最大并达到了０．３９６，这说明该指标更适合进行财务危机预警。但值得注意的是，在这些显著性指标的回归结果中，截距项都是显著的，这说明除了行业预警指标外，还有其他指标对上市公司财务危机具有预警作用，这个结论说明仅有外部预警指标是不足以进行上市公司财务危机预警的，还需要上市公司内部预警指标对上市公司进行预警。

２．内部预警指标选择。

（１）杜邦分析法。杜邦分析法的分析起点就是净资产收益率，并存在：净资产收益率＝销售净利率×资产周转率×权益乘数。由此可知，上市公司经营绩效主要是由上市公司的盈利能力、权益乘数（负债结构）和周转能力共同决定的，以上任何一方面发生问题均可能导致上市公司绩效下降并可能导致财务危机的发生。按照这种分析，从上市公司选取如下的１５个财务指标，它们基本涵盖了上市公司盈利能力、权益乘数（负债结构）和周转能力的主要方面，见表２：

表２上市公司财务预警指标选取

净资产收掇率速莉眈率＋存货瘸转奉

销售净利率超速动比率应收账款周转率

销黉毫稍率资产负使率流动资产月转率

总资产收益率流动比率固定资产周转率

主营照务销潮率流动负债避率“惑游芦腐转率

（２）显著性检验。对于上述１５个财务指标，本文首先使用Ｋｕｓｋａｌ—ＷａｌｌｉｓＨ非参数检验判断估计样本中财务危机上市公司与非财务危机上市公司之间在这些指标上是否存在显著差异，对于不存在显著差异的指标将被剔除。表３中Ｋｕｓｋａｌ—ＷａｌｌｉｓＨ非参数检验结果表明，财务危机上市公司与非财务危机上市公司在财务危机发生前３年内均有显著差异的指标只有销售净利率、总资产收益率、主营业务利润率、超速动比率、资产负债率、流动负债比率、应收账款周转率、存货周转率、流动资产周转率和总资产周转率，这些指标最能反映财务危机上市公司与非财务危机上市公司之间的差异，因此这些指标可能适合作为上市公司财务危机预警指标。

表３财务危机上市公司与非财务危机上市公司的Ｋｕｓｋａｌ—ＷａⅢｓＨ非参数检验结果

提髓３年提前２年提前１年燹，囊．、

Ｋ—ＷＳｉｇＫ一’霄Ｓｉ甓Ｋ—ＷＳ埝净舞产收焱率＋１６．１ｌＯ．３７６３０．６ｌ＜Ｏ．００１２０３．４４＜ｏ．００１镇静净稠搴７．８８Ｏ．００５１２．９５０．０００３１９７．７０＜ｏ．００１销静霰辩攀１．１９５０．２７４０．２７０．６０３２．９２＜ｏ．００ｌ惑资产牧溢攀一２４．１ｌ０．０４４３９．６７＜ｏ．ｏｏｌ２１８．６ｌ＜０．００１’羹黉嬷静瓣嗣搴‘２０．１２＜ｏ．∞１３．９９ｏ．０４５３６．８７＜Ｏ伽ｌ：；：；：ｊ壤毓薅攀：曩、３．３８０．０６５Ｏ．５６Ｏ．４５４１０．７００．Ｏ¨！ｉ瑚遴鹌魄獭：ｊ．”２１３９Ｏ．１２２１．１９Ｏ．２７４９．８５Ｏ．０１７。、Ｖ，耱速勃澎率１３．０３０．Ｏｏｏ３１６．３５＜ｏ．００ｌ３７．５３＜０．００ｌ，’资声懿穰攀８。２６Ｏ．００４ｌ７．１ｌＯ．００８３０１３７＜Ｏ．００ｌ＋瀛动负镁比率１１．７０Ｏ．Ｏｏｏ６８．６１０．００３３３１．４７＜０．００１存赁两转攀，２２．１ｌ＜Ｏ．００ｌ３４．０４＜０：００ｌ４４．３５＜Ｏ．００ｌ虞收账款羼耱率２９．９０＜ｏ．ｏｏｌ４２．４８＜Ｏ．００ｌ５９．２５＜ｏ．００１、流动黉产羼转察２３．７２＜ｏ．１Ｄｏｌ３８．５５＜ｏ．００ｌ７２．９８＜Ｏ．００１髓陡黉产瘸转率３．２５Ｏ．０７２８．９４０．００２８２６．１４＜Ｏ伽１。戆资产溺转攀１４．９０＜０．００１２７．５８＜Ｏ．００ｌ６２．３３＜Ｏ．００ｌ注：ｓｉｇ小于０．０５表示指标在９５％的置信水平下显著。

（３）相关性检验。由于上述显著差异的指标之间可能具有较高的共线性，而共线性是影响Ｃｏｘ模型预测能力的主要因素，因此对这些指标还需要进行共线性检验，以便剔除部分具有较强共线性的指标。通过皮尔逊相关性检验并剔除部分相关性较强的指标后，发现总资产收益率、主营业务利润率、超速动比率、资产负债率、存货周转率和总资产周转率可能适合作为预警指标。

四、实证结果与比较分析

【一）模型构建与预测结果

为了评估各指标在Ｃｏｘ模型中的作用，在构建Ｃｏｘ模型的过程中采用逐步回归的方法进行模型估计，指标进入模型和退出模型的显著性水平均取为０．５。模型估计的结果见表４。按照表４可以将Ｃｏｘ模型进一步明确如下：

Ｓ（ｔ）＝Ｓｏ（ｔ）∞‘。’

Ｙ＝一１２．２０×总资产收益率一１．７ｌ×主营业务利润率一０．５６×超

４５

金融论１云２００６年第１１期

表４Ｃｏｘ模型的回归结果一，、．：≯：飘鬟一一誓囊豢数：一慧黉零疆懿牵＋＿一一１２．２０ｊ．：燕黉照劳翻翻臻、？一１．７ｌ＿鼹溱韵‘魄率一ｉ加．５６资产烫篌率■．２．５３

‘总嚣产麟赣率“．，。一１．２６。行韭蕊赞声收蠢攀ｊ—１０．０５据准漾＋澎囊碧自潦透糍缀１．３８７７．４４《ｏ朋ｌＯ．６４７．０８Ｏ办嚏

Ｏ．３０３．４４Ｏ．０６１．１５４．７６Ｏ．０３Ｏ．５ｌ６．０８Ｏ．ｏｌ

１４．６ｌ０．４７０．４９

速动比率＋２．５３×资产负债率一１．２６×总资产周转率一１０．０５×行业总资产收益率（１０）其中，Ｓｏ（１）＝０．９４７，Ｓｏ（２）＝０．８８７，Ｓｏ（３）＝０．８０６

从表４的结果中可以看出，模型逐步回归后剔除了．存货周转率指标，并且现有作为自变量的财务指标与公司陷入财务危机的可能性之间均存在显著相关性。其中，总资产收益率、主营业务利润率、超速动比率和总资产收益率越高，资产负债率越低，上市公司发生财务危机的可能性越低，这一观点与通常的认识是一致的。因此，表４的结果表明，上市公司的总资产收益率、主营业务利润率、超速动比率、资产负债率、总资产周转率和行业总资产收益率指标具有较强的预测能力。

Ｃｏｘ模型的预测结果反映在表５中。在使用Ｃｏｘ模型判断上市公司是否会陷入财务危机需要使用一组判别值，当模型预测的生存概率小于该判别值时就判定上市公司会发生财务危机，而当模型预测的生存概率大于该判别值时就判定上市公司不会发生财务危机。本文选取财务危机发生前１年、前２年和前３年时，估计模型计算出来的财务危机公司发生财务危机概率的样本中值，与非财务危机公司发生财务危机概率的样本中值的均值作为阀值（分别为０．９５２、０．９６５和０．９５４），并利用此阀值进行上市公司财务危机判断和预测。从表５的结果中可以看出：在提前１年、２年、３年的预测中，预测样本的预测正确率分别达到了８６％、７２％和６８％，表明该模型有较好的预测能力。

表５Ｃｏｘ模型的在估计样本和预测样本的预测结果（％）

提前．财务危机公司菲财努笼橇公司．憝体一

。时翔’绩计样本瓒测撵本估计撵奉颧潮榉零饴弹箨零预测襻本一年’７３．２１９０９５．４９８２９３．３７８６

２苹７３．≥１７８７１．６６６６７１．８ｌ７２

３辇６４．２８７６６９．６０６０６９．１０６８

（二）预测结果比较

本文选用经典的Ａｌｔｍａｎ模型、Ｏｈｌｓｏｎ模型做预测能力比较。这两个模型由于均需要在估计样本中进行配对，因此其估计样本与本文Ｃｏｘ模型所使用的样本有所差异，主要是考虑同行业同资产规模的财务危机上市公司

和非财务危机上市公司的估计样本组合，这两个模型的预测样本则是在非估计样本中随机选取的５０家财务危机公司和５０家非财务危机公司，这一点与本文Ｃｏｘ模型是相同的。Ａｌｔｍａｎ模型和Ｏｈｌｓｏｎ模型的预测结果见表６：

表６Ａｎｍａｎ模型和ｏｈＩｓｏｎ模型的预测结果（％）

蠢葫、，：：｛｛：淼ｉ：薯警爹獬翘≯赘黟舞藏瓤拳司？碧攀ｊｉ。攘趣’。．、爵彝一。譬计该黟。。。煎计’‘囊测、倍计。颡帮

撵率榉拳样本样本样本滞桊

一、７篝翦ｉ年６６．０７６６８０．３５７０７３．２ｌ６８≮筹提翦２年４４．６４３６４６．４３５０４５．５３４３

穗靛３年５０３０５０４８５０３９

挺翦１年８９．２８８６９１．０７８６９０．０７８６掣薹“挺前２年７５．ｏｏ６８７５．００６８７５．００６７提翦３年７５．ｏｏ７０５７．０４３２６６．０７５１通过表６可以大致对Ｃｏｘ模型、Ａ１ｔｍａｎ模型和Ｏｈｌｓｏｎ模型预测能力进行简单比较。在提前１年的预测能力上，Ａｌｔｍａｎ模型、Ｏｈｌｓｏｎ模型和Ｃｏｘ模型的预测能力大致相当；然而，在提前２年和提前３年的中远期预测能力上，Ｃｏｘ模型要明显好于Ａｌｔｍａｎ模型和Ｏｈｌｓｏｎ模型。因此，Ｃｏｘ模型的预测能力总体要好于Ａｌｔｍａｎ模型和０ｈｌｓｏｎ模型。

（三）鲁棒性检验

为了排除模型可能受到样本选择的影响，我们重新选择了估计样本和预测样本检验Ｃｏｘ模型的预测能力，即检验Ｃｏｘ模型的鲁棒性。所选取的估计样本分别是２０００～２００２年、２００１～２００３年及２００２～２００４年的财务危机上市公司和非财务危机上市公司。预测样本是在１９９９～２００４年问，剔除估计样本后随机选取的５０家财务危机上市公司和５０家非财务危机上市公司。Ｃｏｘ模型的鲁棒性检验结果如表７：

表７Ｃｏｘ模型的鲁棒性检验结果（％）

提蘸１年提前２年爨前３年

样本区闯

估计样本，颓溯耩奉镳计样本预测样本估｛中释本预测撵本獬渤既９ｌ８３７０７２６５６９

’！

烈ｉａ￥■静０慕９０７９６６７０６３６ｌ

２ｌ黼．２ｆＸＨ８６８３６９６９６６７１从表７的结果中可以看出，Ｃｏｘ模型的预测能力是比较稳定的。尽管使用不同的估计样本，但在预测样本中该模型仍然保持着提前１年时间预测有８０％左右的正确率，提前２年时问预测有７０％左右的正确率，提前３年预测有６５％左右的正确率。这个结果充分说明了Ｃｏｘ模型的鲁棒性较强，预测能力较稳定。值得注意的是，本

?宋雪枫、杨朝军、徐任重：商业银行信用风险评估的生存分析模型及实证研究

文所选择的估计样本没有进行配对，预测样本又是随机选取的，所以这些结果均具有较强的说服力。

五、研究结论

基于本文所选样本的模型构建和实证分析，可以得出如下结论：本文建立的模型对于随机选取的预测样本提前１年、２年、３年预测准确率分别达到８６％，７２％和６８％。该多期预警模型具有以下特点：第一，可以同时使用样本的横截面数据和时间序列数据参与模型的构建过程，避免单纯的横截面分析难以使用企业财务状况变化的趋势性信息的困境；第二，可以使用所有符合条件的财务危机样本和非财务危机样本进行模型的学习过程，而不需要按照同行业同规模的要求进行配对；第三，可以通过同一个模型完成不同时间提前量的预测，因此具有进行多期预测的功能；第四，具有较好的中远期预测能力，受样本差异的影响不大，具有较强的鲁棒性。以上这些特点使Ｃｏｘ模型比通常使用的Ａｌｔｍａｎ模型和０ｈｌｓｏｎ模型更适合商业银行进行信贷风险管理特别是中长期信贷风险管理。实证研究结果还表明，信贷企业的总资产收益率、主营业务利润率、超速动比率、资产负债率和总资产周转率及行业总资产收益率指标具有较强的预测能力，商业银行在进行信贷风险管理中要重点考虑这些指标的变化。

虽然本文所建立的模型具有很高的精度，但是要想科学而准确地对商业银行信用风险进行评估和判别，还有赖于从全方位、多角度、多层面来构建一套相对科学、合理的指标体系，本文通过杜邦分析法已经为指标选取提供了一个很好的途径。但值得注意的是，单纯定量的信息未必能够全面反映上市公司的状况，一些定性的信息，如管理层声誉、企业市场定位、企业人力资源状况等可能含有定量指标不能包含的信息，可能有助于提高模型的精确性。此外，商业银行还应充分考虑到自身业务特点以及贷款企业不同的行业特点，建立与本行贷款企业、业务和战’略相适应的评估模型；同时还应注意到，对于同一商业银行来讲，信用风险评估模型也不是一成不变的，它应该随着不同的行业特点、贷款企业和业务的不断变化、评估过程中经验的不断积累以及评估手段和技术的不断完善而不断完善。口

［参考文献］

［１］ＦｉｔｚＰａ啊ｃｋ，Ｐ．Ｊ．ＡＣｏｍｐａｒｉｓｏｎｏｆＲａｔｉｏｓｏｆＳｕｃｃｅｓｓｆｕｌＩｎ—ｄｕｓｔｒｉａｌＥｎｔｅｒｐｒｉｓｅｓｗｉｔｈＴｈｏｓｅｏｆＦａｉｌｅｄＦｉ册ｓ［Ｊ］．Ｃｅｒｔｉ—

ｆｉｅｄＰｕｂｌｉｃＡｃｃｏｕｎｔａｒＩｔ，１９３２，（２）：５８９—６０５．

［２］ＢｅａｖｅｒｗＨ．ＦｉｎａｎｃｉａｌＲａｔｉｏｓａｓＰｒｅｄｉｃｔｏｒｓ０ｆＦａｉｌｕｒｅ［Ｊ］．ＪｏｕｍａｌｏｆＡｃｃｏｕｎｔｉｎｇＲｅｓｅａｒｃｈ，ＥｍｐｉｒｉｃａｌＲｅｓｅａｒｃｈｉｎ

Ａｃｃｏｕｎｔｉｎｇ，ＳｅｌｅｃｔｅｄＳｔｕｄｉｅｓ，Ｓ“ｐｐｌｅｍｅｎｔ，１９６６，（４）：７ｌ一

１１１．

［３］Ａｌｔ眦ｎＥ．１．ＦｉｎａｎｃｉａｌＲａｔｉｏｓＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓａｎｄＰｒｅｄｉｃｔｉｏｎｏｆＣｏｒｐｏｍｔｉｏｎＢａｎｋｍｐｔｃｙ［Ｊ］．ＪｏｕｍａｌｏｆＦｉ—

ｎａｎｃｅ，１９６８，（９）：５８９—６０９．

『４１０ｈｌｓｏｎＪ．ＦｉｎａｎｃｉａｌＲａ“ｏｓａｎｄｔｈｅＰｍｂａｂｉｌｉｓｔｉｃＰｒｅｄｉｃ“ｏｎｏｆＢａｎｋｌ＿ｕｐｔｃｙ［Ｊ］．Ａｃｃｏｕｎ“ｎｇ１１ｅｓｅａｒｃｈ，１９８０，（１８）：１０９—

１３１．

［５］Ｍ．０ｄｏｍａｎｄＲ．Ｓｈａｒｄａ．ＡｎｅｕｒｄｎｅｔｗｏｒｋＩｂｒｂａｎｋｒｕｐｔｃｙｐｒｅｄｉｃｔｉｏｎ［Ｊ］．ＩｎｔｅｍａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌ

Ｎｅｔｗｏｒｋｓ，１９９０，２（１７—２１）：１６３—１６８．

［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］．管理工程学报，１９９８，（１）：６８—７２．

［７］李志辉，李萌．我国商业银行信用风险识别模型及其实证研究［Ｊｊ．广东社会科学：２００５，（２）：１７—２２．

［８］王春峰，万海晖，张维．组合预测在商业银行信用风险评估中的应用［Ｊ］．管理工程学报，１９９９，（１）：５—８．［９］于立勇．商业银行信用风险评估预测模型研究［Ｊ］．管理科学学报，２００３，（５）：４６—５２．

［１０］章忠志，符林，唐焕文．基于人工神经网络的商业银行信用风险模型［Ｊ］．经济数学，２００３，（３）：４２—４７．

［１１］吴冲，吕静杰，潘启树，刘云焘．基于模糊神经网络的商业银行信用风险评估模型研究［Ｊ］．系统工程理论与实

践，２００４，（１１）：ｌ一８．

［１２］庞素琳，王燕鸣．多层感知器信用评价模型研究［Ｊ］．中山大学学报，２００３，（４）：１１８一１２２．

ＡＳｕｒＶｉｖａＩＡｎａｌｙｓｉｓＭｏｄｅｌｆｏｒＣｒｅｄｉｔ麟ｓｋＡｐｐｒａｉｓａｌｏｆＣｏｍｍｅｒｃｉａｌＢａｎｌ【ｓａｎｄａｎＥｍｐｉｒｉｃａｌＳｔｕｄｙ

ＳＯＮＧＸｕｅ—ｆｅｎｇＹＡＮＧＣｈａｏ。ｊｕｎＸＵＲｅｎ。ｚｈｏｎｇ

［Ａｂｓｔｒａｃｔ］ＴｈａｔａｎｅｎｔｅｒｐｒｉｓｅｉｎｆｉｎａｎｃｉａｌｃＩ｛ｓｉｓｉｓｕｎａｂｌｅｔｏｒｅｐａｙｔｈｅｄｕｅｌｏａｎｓｃｏｎｓｔｉｔｕｔｅｓｔｈｅｍａｊｏｒｓｏｕｒｃｅｏｆｒｉｓｋｓｔｏｃｒｅｄｉｔａｓ—

ｓｅｔｓｏｆｃｏｍｍｅｒｃｉａｌｂａｎｋｓ．Ｔｈｌｌｓｉｔｉｓｏｆｐａｒａｍｏｕｎｔｉｍｐｏｒｔａｎｃｅｆｏｒｃｏｍｍｅｒｃｉａｌｂａｎｋｓｔｏｐｒｅｄｉｃｔａｃｏｍｐａｎｙｓｆｊｎａｎｃｉａｌｃｒｉｓｉｓｗｉｔｈａｎ

ａｐｐｍｐｒｉａｔｅｃｒｅｄｉｔｒｉｓｋａｐｐｍｉｓａｌｍｏｄｅｌｓｏａｓｔｏｋｅｅｐｓｕｃｈｃｒｅｄ“ｒｉｓｋａｔｂａｙ．Ｔｈｉｓｐ印ｅｒｓｔｕｄｉｅｓｌｉｓｔｅｄｃｏｍｐａｎｉｅｓｉｎｏｕｒｃｏｕｎｔｒｙａｎｄ

ｅｓｔａｂｌｉｓｈｅｓａｃｒｅｄｉｔｒｉｓｋａｐｐｒａｉｓａｌｍｏｄｅｌｂａｓｅｄｏｎｓｕｒｖｉｖａｌａｎａｌｙｓｉｓｕｓｉｎｇＤｕＰｏｎｔａｐｐｍａｃｈ．Ｔｈｅｍｏｄｅｌｐｒｏｖｉｄｅｓ８６％，７２％ａｎｄ

６８％ｐｒｅｄｉｃ“ｏｎｃｏｒｒｅｃｔｎｅｓｓｒｅｓｐｅｃｔｉＶｅｌｙｆｏｒ１，２ａｎｄ３ｙｅａｒｒａｎｄｏｍｌｙｓｅｌｅｃｔｅｄｓａｍｐｌｅｓ．ＢｙｃｏｍｐａｒｉｎｇｗｉｔｈＡｈｍａｎｍｏｄｅｌａｎｄ０ｈｌｓｏｎ

ｍｏｄｅｌａｎｄｔｈｍｕｇｈｍｂｕｓｔｎｅｓｓｔｅｓｔ，ｉｔｉｓｆｏｕｎｄｔｈａｔｔｈｉｓｍｏｄｅｌｗｈｉｃｈｃａｎｕｓｅｔｉｍｅｓｅｑｕｅｎｃｅａｎｄｄｅｍａｎｄｓｎｏｓａｍｐｌｅｍａｔｃｈｄｅｍｏｎ—

ｓｔｒａｔｅｓｈ唔ｈｍｅｄｉｕｍ—ａｎｄ—ｌｏｎｇｔｅ肌ｆｏｒｅｃａｓｔａｂｉｌｉｔｙａｎｄｍｂｕｓｔｎｅｓｓ．Ｔｈｅｓｅｃｈａｍｃｔｅｒｉｓｔｉｃｓｐｕｔｃｏｍｍｅｒｃｉａｌｂａｎｋｓｉｎｇｏｏｄｓｔｅａｄｉｎ

ｔｅＨｎｓｏｆｍｅｄｉｕｍ—ａｎｄ—ｌｏｎｇ

ｔｅ肌ｃｒｅｄｉｔｒｉｓｋｍａｎａｇｅｍｅｎｔ．

［ＫｅｙｗｏｒｄＩｓ］ｃｏｍｍｅｒｃｊａＪｂａｎｋｓ；ｃｒｅｄｊｔ矗ｓｋ；６ｎａｎｃｉａｌｃｄｓｊｓ；ｓｕｎｒｉｖａｌａｎａｌｙｓｉｓ；Ｃｏｘｍｏｄｅｌ；ｍｕｈｊ—ｌｅｎｎｐｒｅｄｉｃｔｉｏｎ

（责任编辑：梅言）

．霉７