基于因子分析和聚类分析的中小制造企业信用评级研究

赵冬梅,闫东玲

（天津大学 管理与经济学部，天津 300072）

基于因子分析和聚类分析的中小制造企业信用评级研究

赵冬梅,闫东玲

（天津大学 管理与经济学部，天津 300072）

以80家中小制造企业为研究对象，首先筛选出4项一级指标和12项二级指标，构建中小制造企业信用评级指标体系，然后运用因子分析构建企业信用评级模型，利用聚类分析确定企业信用评级标准。研究结果表明:中小制造企业信用的绝大部分信息可以通过“盈利能力因子”、“偿债能力因子”、“营运能力因子”以及“成长能力因子”4个公共因子反映出来,80家中小制造企业的信用等级可划分为7个等级,中小制造企业的信用等级普遍在BBB及BBB以下。

中小制造企业；信用评级；因子分析；聚类分析

据统计，目前我国有中小企业4300多万户，占全国企业总数的99%以上，完成75%以上的技术创新，提供近80%的就业机会，中小制造企业提供就业岗位1.2亿多个。由此可见中小企业已成为促进市场经济发展的重要力量。然而大部分中小企业缺乏信用，因此银行等金融机构要采取相应措施对中小企业的信用风险进行控制。

信用评级（Credit Rating）是对债务人如期履行债务的能力和意愿进行评价，并用简单的符号表示其违约和损失的严重程度。1909年Moddy首次对铁路债券进行信用风险评价，标志着信用评级的诞生。国外对信用评级的研究已有100多年历史，其中典型的代表模型有：Altman的Z值模型和改进的ZETA模型[1]；Ohlson的Logit模型；KMV公司开发的EDF模型[2]；J.P摩根公司的Credit Metrics模型；瑞士信贷银行的Credit Risk+模型；麦肯锡公司的Credit Portfolio View模型等。近些年，美国大部分银行使用了一种适合对中小企业信用评分的SBCS系统，日本也开发了适合中小企业信用评级的SOHO模型。虽然国内对信用评级的研究落后了国外很多年，但学者们也对信用评级技术进行了大量研究：张晓莉，刘大为提出运用遗传算法衡量企业信用风险[3]；刘澄，胡巧红等运用Vague集理论建立了商业银行客户信用等级的测定函数[4]；于超，王璐等提出了一种基于遗传神经网络的企业信用评级模型[5]；张目，周宗放提出了一种利用投影寻踪和最优分割建立企业信用评级模型的方法[6]。

文中在研究我国上市中小制造企业特点的基础上，构建信用评级指标体系，并以80家上市中小制造企业为研究对象，运用因子分析法和聚类分析法确定企业的信用评级标准，为大量中小企业和银行提供参考标准。

1 指标体系与样本数据

1.1 指标体系的构建

参照熊伟[7]，贾炜莹等[8]对指标的选取标准，文中构建了适合中小制造企业的信用评级指标体系，如图1所示。

1.2 样本数据的选取

本文研究的样本数据均选自深圳证券交易所和巨潮资讯中小企业板上市公司的年报。截止到2014年6月底，中小企业板上市公司数量达到了721家，其中制造业580家，占总数的80.4%，考虑到不同行业之间的差异性，以及上市的中小企业信息透明度较高，财务制度较规范。本文以上市中小制造企业为样本筛选区间。样本筛选的基本条件：在2011-2013年期间均持续上市，并且发布完整的年报数据；在2011-2013年期间未曾有重大资产重组或并购行为；剔除财务状况异常的ST和*ST类公司以及出现严重亏损的公司。据此随机筛选出80家公司作为样本。

图1 中小制造企业财务指标Fig.1 Small and medium manufacturing enterprises financial indicators

2 利用因子分析构建企业信用评级模型

2.1 因子分析方法

本文利用SPSS19.0统计软件进行因子分析，首先从能够反映中小制造企业信用风险的财务指标体之中提取公共因子，然后运用科学赋权法对公共因子赋予权重，最后据此计算出反映企业信用风险评级的综合因子得分。

2.2 指标标准化与相关性检验

本文对所有样本数据按照公式——标准化指标=（原始指标-该指标最小值）/（该指标最大值-该指标最小值）进行标准化，以消除原始数据的影响及计算分析方便。在进行因子分析之前，需要运用KMO和Bartlett’s检验12个样本指标的相关性，以判断数据是否适合进行因子分析。检验结果显示，KMO值=0.624＞0.6；Bartlett’s检验近似卡方统计值为938.798，足够大，且其显著性水平P值=0.000＜0.05，说明各变量之间显著相关，因此所选取的财务指标数据适合做因子分析。

2.3 因子提取

如表1所示，特征值大于1的因子有4个，它们的累计方差贡献率已达到75.346%，表明因子提取的结果比较理想，故提取前特征值大于1的4个因子作为公共因子。旋转前后前4个因子的累计方差贡献率都为75.346%，因此旋转不会改变因子的解释能力。

表1 解释的总方差Tab.1 The total variance of explanation

2.4 因子载荷矩阵

旋转之前的各因子载荷的含义有些模糊，不能很好地分辨出各因子所包含的属性，因此为了更好的明确各因子所包含的属性，要使用方差最大法进行因子旋转，如表2所示。

根据表2中的加粗部分数字，对公共因子进行命名。公共因子F1上高载荷的指标有X1、X2、X3、X4，它们主要反应的是企业的盈利能力，故将F1命名为盈利能力因子；公共因子F2上高载荷的指标有X5、X6、X7，它们主要反应的是企业的偿债能力，故将F2命名为偿债能力因子；公共因子F3上高载荷的指标有X8、X9、X10，它们主要反应的是企业的资产营运能力，故将F3命名为营运能力因子；公共因子F4上高载荷的指标有X11、X12，它们主要反应的是企业的成长能力，故将F4命名为成长能力因子。

2.5 因子得分

根据原始各变量因子得分系数和标准化值可以计算出各公共因子得分。由表3可以写出各公共因子对原始指标的线性得分函数，如公式（1）～（4）所示：

表2 旋转因子矩阵Tab.2 the rotating factor matrix

在此基础上，分别以每个公共因子的方差贡献率占4个公共因子总方差贡献率的比例为权重，构造信用风险评级综合函数F，如式（5）：

3 利用聚类分析确定企业信用评级标准

3.1 聚类分析方法

聚类分析是根据变量的多个特征，按照其在性质上的亲远程度进行分类的一种多元统计方法。常见的聚类方法有层次聚类（系统聚类）和K-Means聚类（快速聚类）。本文采用的是K-Means聚类，其基本思想是：K-Means算法是一种基于样本间相似性度量的间接聚类法，首先选取一批凝聚点（聚心），然后让样本向最近的凝聚点凝聚，形成初始分类，再按照最近距离和最优原则不断调整不合理的分类，直到分类合理为止。

3.2 基于因子分析的聚类分析实证过程

运用统计学软件SPSS19.0对80家样本企业的信用评级综合得分F进行K-Means聚类分析。分别对80家样本企业分别进行了5-9个类别的聚类分析讨论，通过对比五种分类结果可知，七级分类效果最好，显示的各类之间差异最为明显，本文只列示七级分类效果。如表4所示。

表3 因子得分系数矩阵Tab.3 Factor score coefficient matrix

表4 7级分类效果Tab.4 Effect of seven categories

七级分类结果表明：第1级样本数量最少，说明信用极好的企业只有极少数；第2、3级的样本数量次之，说明信用较好的企业较少；第4级和第5级的样本数量占多数，说明大部分企业的信用等级偏低；第7级的样本数量较少，说明还有一部分企业的信用很差，违约情况严重。

表5 7级信用等级表Tab.5 Seven credit grade table

根据上面的分类结果，以相邻最终类中心点的中间值为分界点，就可以确定企业信用评级的标准。通过计算标准化指标的综合因子得分F，就可以评定任意中小制造企业的信用等级。为了更明确的表示出每个信用等级的信用状况，故对每个信用级别加以符号表示，参照国内外评级机构对信用等级的定义，对各等级的符号做出文字描述，如表5所示。

4 结论

本文通过对我国80家上市中小制造企业进行因子分析，在因子分析的基础上进行聚类分析，最后构建出中小企业信用评级标准。结果显示信用状况极好和极差的中小制造企业都是少数，大多数企业的信用等级集中在BBB及BBB以下，可见中小制造企业偿还债务的能力欠缺，违约情况严重。筛选的12个财务指标，包含了大多数与中小制造企业信用有关的信息。建立的信用评级模型不仅能够判断中小制造企业最终的信用等级，还可以提供中间变量的信息，有助于企业更好的认识自身的信用情况，以及如何提高自身的信用等级；建立的信用评级标准有利于银行等金融机构控制中小企业的信用风险，具有重要的现实意义。

1]Edward A.ZETA analysis:a new model to identify bankruptcy risk of corporations[J].Journal of Banking and Finance,1997 (1):29-54.

[2]KMV Corporation.Credit monitor overview[M].San Francisco, KMV,LLC.1993.

[3]张晓莉,刘大为.一种基于遗传算法的企业信用风险分析方法[J].企业经济,2012(8):77-80. ZHANG Xiao-li,LIU Da-wei.Corporate credit risk analysis method based on genetic algorithm[J].Enterprise Economy, 2012(8):77-80.

[4]刘澄,胡巧红,孙莹,等.基于Vague集理论的商业银行客户信用等级测定[J].统计与决策,2013(4):43-45. LIU Cheng,HU Qiao-hong,SUN Ying,et al.Determination of commercial bank customers credit rating based on Vague Set Theory[J].Statistics and Decision,2013(4):43-45.

[5]于超,王璐,吴琼,等.基于遗传神经网络的企业信用评级模型研究[J].东北师大学报,2013(3):62-68. YU Chao,WANG Lu,WU-Qiong,et al.Research on enterprise credit assessment model based on genetic-neural network [J].Journal of Northeast Normal University,2013(3):62-68.

[6]张目,周宗放.基于投影寻踪和最优分割的企业信用评级模型[J].运筹于管理,2011(6):226-231. ZHANG Mu,ZHOU Zong-fang.A credit rating modle for enterprises based on projection pursuit and optimal partition [J].Operations Research and Management Science,2011(6): 226-231.

[7]熊伟,范闾翮,胡玉蓉.企业质量信用评价指标体系的构建[J].华东经济管理,2013(11):1-5. XIONG Wei,FAN LV-he,HU Yu-rong.Enterprise quality credit evaluation indexs research[J].East China Economic Management,2013(11):1-5.

[8]贾炜莹,王迪.中小企业信用贷款风险指标体系构建及评价[J].河北工程大学学报,2013(1):37-40. JIA Wei-ying,WANG Di.Construction and evaluation of small and medium-sized enterprises credit loan risk index system[J].Journal of Hebei University of Engineering,2013 (1):37-40.

M anufacturing SMEs credit rating based on factor analysis and cluster analysis

ZHAO Dong-mei，YAN Dong-ling
（College of Management and Economics,Tianjin University,Tianjin 300072,China）

To 80 small and medium manufacturing enterprises as the research object,first screened four-level indicators and 12 secondary indicators,to build small and medium manufacturing enterprise credit rating index system,and then use factor analysis to build a credit rating model,the use of cluster analysis to determine credit ratings standards.The results show that: the vast majority of small and medium manufacturing enterprises credit information through the"profitability factor,""solvency factor","operational capacity factor"as well as"the ability to grow factor"four common factors reflected in 80 small and medium manufacturing corporate credit rating can be divided into seven grades,small and medium manufacturing enterprises in general credit rating BBB and BBB less.

manufacturing SMEs；credit rating；factor analysis；cluster analysis

TN-9

A

1674－6236（2015）07-0082-04

2014-07-22 稿件编号：201407165

赵冬梅(1988—)，女，河北邢台人，硕士研究生。研究方向：中小企业融资、企业信用风险。