zscore模型在上市公司信用风险评价中的运用研究正文.doc

此处为论文中文题目，要求居中填写
主标题不超过24个汉字；可加副标题（副标题前加破折号），副标题与主标题间空一行的位置
主标题：黑体，小二，居中
副标题：楷体_GB2312，四号，居中
阅后删除此文本框。
本 科 生 毕 业 论 文（设计）

题目：Z-score模型在上市公司信用风险评价中的运用研究

学生姓名
学 号
指导教师
二级学院 金融学院
专业名称 信用管理
班 级

2011年5月18日

声明及论文使用的授权

本人郑重声明所呈交的论文是我个人在导师的指导下独立完成的。除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果。

论文作者签名： 年 月 日

本人同意浙江财经学院有关保留使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅；学校可以上网公布全部内容，可以采用影印、缩印或其他复制手段保存论文。

论文作者签名： 年 月 日

浙江财经学院本科生毕业论文（设计）
Z-score模型在上市公司信用风险评价中的运用研究

摘要：多元判别分析法是信用风险评价的重要方法之一，其中以Altman提出的Z-score为代表。将Z-score模型运用于我国上市公司信用风险评价中，进行均值分析和趋势分析，得出上市公司的Z值及所对应的信用风险区域。结果表明，Z-score模型能较为准确的预测我国上市公司的信用风险，且模型的运用效果并不因上市公司所处行业的不同而有显著差异；但发现模型预测具有时效性，预测结果的精准度与上市公司被处理的原因有一定关联。文章提出可通过探索适应我国的指标体系、加入定性指标等方式使Z-score模型能更好的运用于我国上市公司的信用风险评估。

关键字：Z-score模型、信用风险。

A Studying on the Applicability of Z-score Model in Assessment of Credit Risk of the Listed Companies

Abstract：Multiple discriminant analysis is an important method of credit risk assessment, one of is the Altman's Z-score model. The Z-score model will be applied to assess the credit risk of the listed companies in our country, by using mean analysis and trend analysis to obtain the Z value of the listed companies and the credit risk area. The results show that Z-score model can predict the credit risk of listed companies in accurately, the results have no effect of the industries which the listed companies are. The accuracy of prediction has a relation with the cause of with the listed company to be processed. This paper proposes to explore the index system, add qualitative indicators etc. by doing so, Z-score model can make better use in China.

Key words：Z-score model , credit risk .

目 录

1 引 言 1
1.1 研究背景 1
1.2 国外研究综述 1
1.3 国内研究综述 2
2 信用风险评估与Z-score模型 3
2.1 信用风险 3
2.1.1 信用风险的概念 3
2.1.2 信用风险的度量 4
2.2 Z-score模型 4
2.2.1 Z-score模型判别式 4
2.2.2 Z值范围划分 6
2.2.3 将Z-score模型作为研究方法的原因 6
3 研究方法与数据来源 7
3.1 研究数据来源 7
3.2 研究方法 7
3.2.1 均值分析 7
3.2.2 趋势分析 8
3.3 变量计算公式 8
4 实证结果与分析 8
4.1 均值分析 8
4.2 趋势分析 10
4.3 综合分析：Z-score模型运用我国上市公司的优势与缺陷 11
4.3.1 Z-score模型运用的优势 11
4.3.2 Z-score模型运用的缺陷 11
5 Z-score运用于我国上市公司信用风险评估的建议 12
5.1 探索合乎我国实际的Z-score模型指标体系和变量计算方法 12
5.2 引入定性指标辅助模型判断，建立上市公司信用数据库 12
5.3 完善上市公司信息披露制度，提高信息质量 13
参考文献 14

15
1 引 言
1.1 研究背景
信用风险是金融市场上最古老的一类风险，但自其出现以来对世界经济中的各个主体产生着深远的影响，并牵制着经济的发展。在2007年至2008年的全球金融危机中，人们不得不再次将目光投向它，美国的次贷危机引发全球金融海啸造成了金融市场的剧烈动荡，导致了贝尔斯登、雷曼兄弟、美林证券等位数众多的世界知的金融机构破产，全球财富大幅度缩水，全球经济低迷衰退。究其根本是信用风险管理失当所致。由于对低信用群体和高风险领域采取相对宽松的信用准入制度，信贷资金大量流入埋下了危机的隐患。
新形势下的信用风险特点对信用风险管理提出了新的要求，信息技术的发展拓宽了获取信息的渠道、增加了分析数据处理数据的方法。信用风险计量与控制模型不断发展，使得信用风险管理水平得以不断提高。
纵观我国实际，对于信用风险的尚处于初级阶段，体制不完善、评判方法缺失。面对日益变化的国际经济与金融环境，尽快探索适合我国实际的信用风险管理办法尤为重要。上市公司作为我国资本市场的重要主体，具有管理规范、信息公开的特点，将其作为研究对象寻求适合我国的信用风险度量模型突破口。
1.2 国外研究综述
Altman在单变量度量指标的比率水平及绝对水平基础之上的建立了Z-score多变量模型。1968年模型初建时主要应用于破产公司与非破产公司的判别，原始采用样本的公司来自于制造业，包括五个指标变量：营运资本／总资产（X1）；留存收益／总资产（X2）；息税前利润／总资产（X3）；权益市价／债务账面值（X4）；销售收入／总资产（X5）。Altman的研究结果表明，当Z值大于2.675，表明企业的财务状况良好，发生破产的可能性较小，银行的信贷资产是有保障的；当Z值小于1.81，表明企业存在较大的破产风险，银行信贷资产面临较大风险；当Z值介于1.81—2.675之间，表明企业财务状况不稳定，Altman称之为“灰色区域”[1]。
对于Z-score模型对于公司信用风险预测精准度，主要存在以下两种观点：
第一，认为Z-score模型有着相当高的预测精准度以及所具有的使用简便的特点应得到广泛的使用。持该种观点的人认为，Z-score模型不像财务比率那样可能出现相互矛盾的结果，因而更为的准确并能得出明确的结论；其次，模型规范化，很少有空间进行操作；同时模型的判别结果可以通过统计方法进行检验，使得模型具有一定的客观性而不是依据分析人员的主观判断；模型易于计算，成本较低，具有普遍推广的可能。例如，Samarakoon利用Z-score模型研究斯里兰卡股票市场，结果表明，该模型在利用当年的财务报表计算出财务比率预测危机的准确度非常高，认为Z评分模型在应用于评价规模较小的新兴市场的公司风险是一个很好的助手[2]。
第二，认为Z-score模型的预测精准度不高。Warren Miller比较在财务预警中违约率模型与Z-score模型的中发现Z-score模型应用具有局限性，其不适宜作为衡量非制造企业的财务风险[3]。
1.3 国内研究综述
我国学者对Z-score模型在我国上市公司中的运用主要做了以下三种类别的研究，第一类是将上市公司股票按其业绩和风险划分为ST和非ST股票进行研究，第二类是按行业研究Z-score模型在不同行业中的适用性，第三类是研究Z-score模型对上市公司信用风险评价基础之上对信用评级的影响和作用，本文将综述如下：
第一类研究中，学者普遍认为Z-score模型运用于我国上市公司能够在一定程度上准确预测信用风险，但仍有需改进之处。迟晨通过研究发现Z-score模型对于预测ST股票及摘帽上市公司股票的信用风险仍比较适用，但对绩优股的信用风险失真[4]。李卫兵与胡红菊在研究中发现，Z-score模型在我国有一定适用性，其风险区域划分基本适用于我国但仍应根据我国实际作出一定的调整，并可考虑引入资本市场指标以完善体系，提高预测精准度；同时，Z-score模型在运用中Z值的大小与上市公司的财务状况好坏成正比[5]。刘鑫认为Z-score模型在对我国股票市场上不同档次经营业绩水平上市公司的信用风险度量中上市公司的业绩水平基本上与其信用风险水平成反比[6]。
第二类,学者从行业的角度考虑了认为Z-score模型在我国的不同行业中均有较好的运用。刘鑫利用Z-score模型对我国上市公司按景气行业、中间行业、不景气行业划分后的行业信用风险水平进行评估，结果发现行业的业绩表现从整体符合与其各自的Z值并成正比，能帮助甄别行业差异，做出正确的决策[7]。徐秀渠则是按照制造业与非制造业作为划分的依据，分别研究得出Z-score模型并未因其事先的行业划分预测性有所不同，并认为模型对企业陷入危机的预测准确率极高，适合将其引入我国企业的风险管理中[8]。刘献中在研究中主要将Z-score模型运用于我国股份制银行和证券公司的信用风险度量之中，并发现Z-score模型中的X1指标对Z值的影响最大,即一个企业的流动性对其信用风险有着较大的影响[9]。
第三类，学者发现Z-score模型在运用评估信用风险的同时，其结果与上市公司的信用评级密切相关。张玲、曾维火研究发现Z-score模型Z值与上市公司的评级有良好的对应关系，可据此配合信用评级的研究[10]。
同时，也有学者在研究中指出了Z-score模型运用中的缺陷和运用中注意点。黄小舟在文章中指出Z-score模型应用中的缺陷主要来源于五点：数据来源的可靠性、各变量对变化的敏感性、模型的有效性、不同变量的环境适应性以及假设前提的正确性[11]。张培莉与蒋燕妮在对退市风险警示上市公司的财务状况转变进行研究中发现，我国上市公司可能仍存在粉饰报表、操纵会计会计利润的行为，对Z-score模型得出正确的结果产生了不利的影响[12]。
综上所述，国外对Z-score模型应用于上市公司信用风险研究已比较深入，且随着信息化的发展，数据库的建立与发展，Z-score模型已难以满足上市公司信用风险评估要求，更多学者将利用Z-score模型与基于数据库而建立的模型进行分析比较，取长补短。而我国国内的运用Z-score模型分析上市公司的信用风险状况尚处于探索阶段，研究主要存在两个缺陷的地方：第一，研究多是以ST上市公司与正常上市公司作为两个对比的样本组，但正常上市公司研究期间的信用风险并不能确定，其Z值偏低不能简单解释为Z-score模型的预测精准度存在问题；第二，鲜有研究ST上市公司被特别处理的原因对上市公司Z值的影响。
基于以上结论，本文将设立两个立足点来研究Z-score模型在我国上市公司运用：第一，将研究对象设定为证券交易所当年公布因存在风险而被处理的上市公司，即为四类：退市风险警示公司、特别处理公司、暂停上市公司、终止上市公司，追溯前3年的Z值范围及其变化趋势，以此设定避免研究对象当前信用风险难以确定而导致的Z值结果预测精准度无法解释的问题；第二，逐一找出研究对象被证券交易所处理的原因，具体分析Z-score模型预测结果是否受被处理原因的不同而有所变化。
2 信用风险评估与Z-score模型
2.1 信用风险
2.1.1 信用风险的概念
信用风险是指金融交易活动中交易对手违约或因信用品质潜在变化而导致发生损失的可能性。从来源上看，信用风险可以分为交易对手风险和发行者风险两种类型。前者主要产生于商业银行的贷款及衍生交易中，后者主要与债权相联系。从组成来看，信用风险损失由两部分组成，一部分是违约损失，表现为资金提供者所持有的债权合约或有合约不能得到对方的履行或完全履行，导致债权人资产的损失。另一部分是价差风险，它是指由于信用品质变化引起信用价差的变化而导致未到期合约出现贬值损失，具体有由信用价差跳动风险和信用价差波动风险组成[13]。
2.1.2 信用风险的度量
信用风险的分析方法可根据分析技术和方法的不同分为传统信用分析方法和现代信用分析方法，其区分两者的主要判别标准是信用风险能否被单独剥离和定价。
传统的信用风险度量方法主要有：专家方法、评级方法、信用评分方法。其基本是银行长期经营管理实践中所得到的经验与教训总结而来。此类方法一定性分析为主要特征，因此对于风险的计量结果往往难以做到精确，但其包含的分析原则及思想是信用风险度量新技术发展的基础。该类模型的代表有：5C法、z-score模型、Logit分析判别方法、神经网络分析法等。
现代信用风险管理理论以信息经济学为基础，从微观层面上分析信用风险产生的机制，信息不对称与信息不完全对于信用风险有着重要的影响。现代信用风险分析更为注重对信息的掌握和提炼，并运用适当的工具从定量的角度来更为准确地识别和度量风险。此类分析在一定程度上依赖着信息技术的进步以及相关数据库的建立。具有代表性的基础方法主要是运用计算机对现金流分解分析、时间序列分析、模拟分析、随即最优化和随即股东评估分析等方法。该类模型的代表有：死亡率模型、信用度量术、KMV模型、信用风险附加法（Credit Risk+）、信贷组合观点（Credit Portfolio View）等[14]。
2.2 Z-score模型
1968年，Altman提出了多元线性判别模型研究财务预警及信用风险的问题，其利用22个财务比率经过整理与数据统计筛选建立以5个变量为主的多元判别模型。通过运用多元判别分析的方法，最终实现了组内差异最小化、组间差异最大化。模型的数据指标来源于企业的财务报表：资产负债表、利润表，指标涉及了被研究企业的营运能力、盈利能力、偿债能力，具有计算便捷、数据直观、准确性高的特点。
2.2.1 Z-score模型判别式
Altman在1968年提出的Z值多元判别的公式如下：
Z＝1.2×X1＋1.4×X2＋3.3×X3＋0.6×X4＋1.0×X5 （2.1）
同时Altman对于每个指标的实际含义做出了细化的界定与解释。并在文章中指出了这些指标设置的具体目的和作用。
表2.1 Z-score模型各变量关系表[15]
自变量名称
含义
计算公式
X1
反应公司在产的折现能力和规模特征
营运资金／总资产
X2
反映公司的累积获利能力
留存收益／总资产
X3
反映公司对资产的使用效益
息税前利润／总资产
X4
反映公司的财务构成
权益市场值／总负债账面值
X5
反映公司的资产运营能力
销售收入／总资产

X1是用以衡量公司流动资产相对于总资本的指标，意在说明公司资产流动性的好坏。Altman在研究中发现净资产流动性对于公司总市值有着重要的影响。有效资本，即营运资本是流动资产与流动负债之差，可通过监测公司流动资金的规模来评估公司的经营状况及其所面临的风险：因为从一般意义上来说，对于出现财务危机并长期亏损的企业，其当前营运资产相对于对于总资产会相对缩减。
X2主要是考虑公司面对经营危机时的生存能力。Altman认为公司存在的时间与公司经营发生失败时能否生存有一定关联，留存收益是再投资的收益总量和公司在整个寿命期间内的损失总量。留存收益主要包括了盈余公积和未分配利润。新设立的公司该指标可能偏低，其由于经营管理水平有限且资金不足，并未建立自身的积累，当遇到经营风险易导致经营失败。
X3用以衡量在除去税或其他杠杆因素后公司资产真实的生产能力，即公司的盈利能力。公司的最终生存有赖于公司资产的盈利能力，故该指标将其因素纳入计算对于公司破产尤为有效。同时该指标还将利息归入到收入中，并未将这一成本从企业的利润中去除，此举能更为合理的反映了企业的盈利能力。在具体会计处理中，由于利息费用并未直接在报表中标示，本文在后续处理中将用财务费用代替利息费用用于计算公司的息税前利润。
X4该指标中的权益市值作为首选衡量的全部股份的股票总市值应用极为普遍，而负债的账面价值综合考察了短期负债和长期负债。该指标旨在说明公司债务超过资产，无力清偿债务而破产前，公司的资产价值下降了多少。
X5反应了公司的资产周转率，是公司资产营运能力强弱的标准财务比率。该指标可以衡量公司在竞争状态下的管理能力和处理能力。此比率是相当重要的，因为它独立于其他的变量，对整个模型的判别能力和贡献，其居第二[16]。

2.2.2 Z值范围划分
Altman最初是通过对制造型企业的采样而得到Z值区域，这一算法在预测生产型企业的倒闭有95%的准确率。下表表述的是基于制造型企业的而得出的Z值的界定区间。

表2.2 Z值的计分说明 [17]
3.0以上
企业运营安全。
2.7—3.0
从预测破产的角度来讲，可能是安全的。
1.8—2.7
可能在两年内破产。企业处于灰色区域，企业要幸存，必须采取比较大的变革。
1.8以下
很可能正在走入破产。很难恢复过来

2.2.3 将Z-score模型作为研究方法的原因
本文基于上述原因选择Z-score模型作为现阶段我国上市公司信用风险度量的研究对象。Z-score模型用于研究有以下几点优势：
第一，模型以会计数据为基础，而模型所需数据具有可获得性以及可信性。在上海证券交易所所编纂的《上海证券交易所股票上市规则》中指出[18]：上市公司定期报告包括年度报告、中期报告和季度报告。要求上市公司在法律、行政法规、部门规章、其他规范性文件以及该规则规定的时期内完成并披露定期报告。且公司不得披露未经董事会审议通过的定期报告。上市公司年度报告中会计报告应当具有执行证券、期货相关业务资格的会计事务所审计。此一系列的规定，都在一定程度提高了来自上市公司财务报告的可信性。公司年度报告定期会在上海证券交易所公布，数据较易获得。
第二，模型采用的是多元判别式进行判定，有较强的客观性和操作性。模型规范化，很少有空间进行操作；同时模型的判别结果可以通过统计方法进行检验，使得模型具有一定的客观性而不是依据分析人员的主观判断；模型易于计算，成本较低，具有普遍推广的可能。
第三，模型中涉及的财务指标具有一定的代表性。模型中所涉及的指标从财务分析的角度上来说，包含了对企业偿债能力、运营能力、盈利能力三个重要因素的考量，具有一定的代表性和有效性。

3 研究方法与数据来源
本文的实证研究旨在对Z-score模型运用于我国上市公司信用风险评价效果以评价，通过研究结果发现模型应用于我国的优势与缺陷，提出我国上市公司信用风险警示中的问题与对策。
研究将以2009年上海证券交易所市场资料中所公布的存在风险而被特别处理以及降级的上市公司入手，具体分为：退市风险警示公司、特别处理公司、暂停上市公司、终止上市公司，此类公司多存在财务状况恶化或财务信息失实、公司治理结构重大变化、涉及法律纠纷等问题而导致公司股价异常波动。将此类公司作为研究样本，因其存在的问题是信用风险中的重要的标志：这些问题极易导致上市公司在证券市场中的信用品质易发生变化，造成金融工具（即，股票）价格波动给金融工具持有人（股票持有人）带来损失，存在信用风险。本文基于2009年存在信用风险的公司名单，追溯目标公司近三年的内的信用风险状况，利用Z-score模型给予分析与评价。
3.1 研究数据来源
本文的研究数据来源于CCER数据库以及上海证券交易所2007年—2009年的年报与公告。本文以2009年上海证券交易所公布的31个存在风险的上市公司作为研究样本，其中退市风险警示公司20家，特别处理公司3家，暂停上市公司5家，终止上市公司3家。研究涉及制造业、农业、交通运输业、批发零售业等行业，其中制造业企业共18家，非制造业企业12家；根据被处理的原因分类，财务问题而被处理为25家，涉及法律案件1家，公司重整及并购的4家，银行账户被冻结1家。
3.2 研究方法
3.2.1 均值分析
算数平均数（Mean）是分析社会经济现象一般水平和典型特征的最基本指标，是统计中计算平均数最常用的方法。
中位数（Median）是指现象总体中个单位标志值按大小顺序排列，居于中间位置的那个标志值。可见，中位数将全部标志值分为成两个部分，一半标志值比其大，另一半比其小，而比其大的标志值个数等于比其小的标志值的个数。其可代替算数平均数来反映现象的一般水平，也可反映样本的结构。
标准差（Std deviation）是测度数据离散程度的重要指标。是个单位标志值与其算数平均数的离差平方的算数平均数的平方根，又称“均方差”
3.2.2 趋势分析
通过分析上市公司几年的统计数据，确定个项目的增减变动及发展趋势，并对各项目在未来可能出现的结果做出预测的一种分析方法。
3.3 变量计算公式
X1＝营运资产／总资产＝（流动资产-流动负债）／总资产
X2＝留存收益／总资产＝（未分配利润+盈余公积）／总资产
X3＝息税前利润／总资产＝（税前利润+财务费用）／总资产
X4＝权益市价／总负债＝所有者权益／总负债
X5＝销售收入／总资产
4 实证结果与分析
本文研究将2009年作为研究的基准年（T年），向前追溯上市公司前三年的Z值，旨在说明对于不同风险水平下的上市公司Z-score模型的预测精准度。根据上海证券交易所对四类公司的定义，研究设定在T-1年年末该四类公司中退市风险警示公司、暂停上市公司与终止上市公司的Z值应均低于1.8，即正在走向破产，并很难恢复。同时，特别处理公司的Z值应低于2.7，即处于灰色区域内，可能在近两年破产。而根据Z-score模型对于信用风险预估的作用，这些公司前T-2年与T-3年的Z值也应呈现逐年走低的情况。此处主要运用了均值分析与趋势分析的方法。在2009年退市风险警示的公司定义为A类，特别处理公司定义为B类，暂停上市公司定义为C类，停止上市公司定义为D类。交易状态来看，正常上市的公司定义为0，被ST处理的定义为1，暂停上市定义为2。
4.1 均值分析
利用均值分析的原理，本文分别计算了四类公司T年、T-1年、T-2年与T-3年的平均值、中位数、最大值、最小值、标准差，并对通过数量统计归类得出了Z值运用于我国上市公司预测的准确性。分析得出了以下几个结果：
结果一：Z值在公司被处理的前一年（T-1）较为准确预测退市风险警示公司，能精确预测特别处理公司、暂停上市公司的信用风险状况。通过下表可见，在公司被处理的前一年这三类公司Z值组内平均数和中位数均低于1.8。利用2.7这个截断值来看，A类有19家符合，精准度达到95%，仅有1家不符合；B类与C类的精准度都达到了100%。利用1.8截断值，A类有15家符合，精准度达到了75%；B类与C类均达到100%。由此，可看出A类并依据标准差的结果，可看出A类的组间差异较大，有极端值出现。

表4.1 四类别各年均值分析结果
年份
类别
平均数
中位数
标准差
最小值
最大值

T年
A
-3.76
1.11
19.36
-81.72
11.93
B
-5.42
-1.4
8.05
-14.69
-0.12
C
5.76
0.58
11.15
0.01
25.66

T-1年
A
-7.51
0.78
27.29
-118.08
14.81
B
-1.65
-1.17
2.52
-4.38
0.60
C
-3.39
-3.35
3.55
-9.14
0.01
D
2.21
2.35
1.43
0.71
3.58

T-2年
A
2.86
0.99
15.45
-15.75
65.95
B
0.33
0.13
0.49
-0.02
0.90
C
-0.42
-0.72
0.79
-1.12
0.90
D
1.85
1.87
0.33
1.51
2.19

T-3年
A
1.06
2.28
3.49
-11.87
3.96
B
0.39
0.19
0.53
-0.01
1.00
C
0.74
0.73
0.64
-0.08
1.41
D
1.74
2.02
0.56
-1.09
2.13

表4.2 Z值范围统计（T-1年）

Z﹤1.8
1.8≦Z﹤2.7
Z≧2.7
公司数量
比率（%）
公司数量
比率（%）
公司数量
比率（%）
A
15
75
4
20
1
5
B
3
100
0
0
0
0
C
5
100
0
0
0
0
D
1
33.33
1
33.33
1
33.33

结果二：Z-score模型对退市风险警示公司的预测精准度随时间的延长而减弱。从下表的统计数据可以看出，在被处理的前一年Z-score模型的Z值的误判率为5%，前两年的误判率为10%，前三年的误判率为25%。可见Z-score模型在运用中有明显的时间性的特征，模型在越接近风险发生年，预测精准度越高；反之，预测精准度降低。

表4.3 退市风险警示公司各年Z值范围统计

Z﹤1.8
1.8≦Z﹤2.7
Z≧2.7
公司数量
比率（%）
公司数量
比率（%）
公司数量
比率（%）
T-1
15
75
4
20
1
5
T-2
13
65
5
25
2
10
T-3
7
35
8
40
5
25

结果三：Z-score模型预测效果并未因行业划分不同而有所差异。（不包含对终止上市的公司的统计）从下表中可以看出，将目标上市公司按制造业与非制造业分类，以预测精准度最高的一年，及被处理的前一年的Z值为依据，可发现以2.7为截断值，模型对制造业的预测精准度为93.75%，制造业仅有一家上市公司高于此截断值；对非制造业的预测精准度为100%。而以1.8为截断值，对制造业的预测精准度为81.25%，对非制造业的预测精准度为81.8%。Z-score模型并未出现只适用于制造型上市公司的信用风险评估而对非制造型企业不适用的情况。

表4.4 行业对Z值的影响（T-1年）

Z﹤1.8
1.8≦Z﹤2.7
Z≧2.7
公司数量
比率（%）
公司数量
比率（%）
公司数量
比率（%）
制造业
13
81.25
2
12.5
1
6.25
非制造业
10
81.8
2
18.2
0
0

结果四：Z-score模型预测的精准度与被处理原因的有一定联系。由下表可以看出对因财务问题而被风险处理的公司，Z-score模型的精准度达到了96%，而对于因公司重整而被处理的公司的误判率为25%。同时结合目标公司中三家终止上市公司的情况，该三家公司均是因公司被吸收合并而终止上市，其中一家的Z值为3.35，Z值并未体现其存在的信用风险问题。

表4.5 被处理原因分类Z值的范围划分

Z﹤1.8
1.8≦Z﹤2.7
Z≧2.7
公司数量
比率（%）
公司数量
比率（%）
公司数量
比率（%）
财务问题
20
80
4
16%
1
4%
法律纠纷
1
100
0
0
0
0
公司重整
2
50
1
25%
1
25%
其他
1
100%
0
0
0
0

4.2 趋势分析
本文通过对在2009年被暂停上市公司为样本，观察其被处理前三年的交易状态与Z值变化趋势，发现Z值普遍存在先递减后递增的情况。这些上市公司在正常上市的时Z值持续走低，在被特别处理后以及被暂停上市后，Z值又逐步转好。通过该分析可发现，Z-score模型应用于我国上市公司能够反映上市公司信用风险恶化的趋势，并在上市公司为避免终止上市恢复正常上市而改善自身经营状况后，信用风险降低的过程。

表4.6 趋势分析表

2009年
2008年
2007年
2006年
交易
状态
Z值
交易
状态
Z值
交易
状态
Z值
交易
状态
Z值
600870
2
0.012
1
-3.354
0
0.899
0
1.339
600556
2
25.662
1
-9.141
1
-1.121
0
-0.081
600401
2
0.327
1
0.012
0
-0.316
0
0.337
600372
2
2.231
1
-0.951
0
-0.864
0
0.732
600057
2
0.580
1
-3.526
0
-0.729
0
1.409

4.3 综合分析：Z-score模型运用我国上市公司的优势与缺陷
从实证研究结果来看，Z-score模型运用于我国上市公司的信用风险评估有一定作用也同时有一些缺陷。
4.3.1 Z-score模型运用的优势
第一，运用简便，预测精准度高。Z-score模型基于多元判别模型的原理设计，在使用中方便快捷可操作性强，数据客观真实。同时，通过实证结果Z-score模型对于我国上市公司的风险预测的精准度较高，能够在风险发生的前一年做出较为精确的预测，误判率低。
第二，模型的运用效果并未因行业不同而产生差异，能够适用于大多数的上市公司。通过实证结果发现，Z-score模型的判别式在我国运用，并未出现只能用于对制造型公司的信用风险评估而不适用与其他非制造型企业，这为Z-score模型在我国除金融类上市一般上市公司中广泛运用评估信用风险提供了良好的基础。
第三，能对上市公司的信用风险变化趋势做动态跟踪。通过趋势分析，Z-score模型对于上市公司信用风险状况的发展趋势能够做出敏锐的反映，在信用风险降低时在Z值的变化趋势中体现出来。能够帮助投资者、监管者、企业管理者及时了解上市公司的信用风险状况提够依据。
4.3.2 Z-score模型运用的缺陷
第一，模型的预测能力具有时效性，随时间的推移而减弱。从实证结果来看，Z-score模型在信用风险发生前一年的预测效果最佳，而时间再向前推移，Z值仅管可反映信用风险的变化趋势，但难以确定信用风险所属的水平并做出及时的应对提醒。
第二，模型的预测能力与上市公司信用风险的具体表现有一定联系。从实证结果来看，对于因财务风险而导致的信用风险，模型能做出相当精准的预测；但对于其他问题引起的，例如由公司治理结构变化、兼并重组等原因引起的信用风险变化，模型误判率会升高。
5 Z-score运用于我国上市公司信用风险评估的建议
在上文的研究中，Z-score模型运用与我国上市公司主要存在受时间影响，对非财务原因引起的信用风险准确性下降，常有奇异值出现等问题，为使Z-score模型在我国上市公司信用风险评估中更好的运用，现提出建议如下：
5.1 探索合乎我国实际的Z-score模型指标体系和变量计算方法
Z-score模型在我国上市公司信用风险评价中的预测精准度较高，但常有奇异值出现，这与变量计算公式的处理不无关系。由于我国上市公司尚处于发展阶段未与国际接轨，存在流通股与非流通股的，对X4指标的计算中权益市值的界定产生了一定的影响，不同学者采用不同方法计算权益市值，主要为两大类：一是，直接利用所有者权益（包括少数股东权益）代替权益市值进行计算；二是，分别计算流通股市值和非流通股市值，该种方法存在数据难以获得的缺陷。同时，对于在计算中广泛使用的总资产的概念其界定也存在争议，当下研究中所运用的总资产是会计报表上的总资产，但其与公司真实的资产价值有一定的区别。
为使Z-score模型能在我国更好的运用，根据我国实际，在研究中考虑股权分置改革的对财务数据与计算指标的影响[19]，探索适合我国国情的指标计算方法是提高Z-score，模型预测精准度的重要方面。
5.2 引入定性指标辅助模型判断，建立上市公司信用数据库
Z-score模型主要基于对被评估企业的财务指标的分析与研究从而评判上市公司的信用风险，且模型所采用的财务指标多基于公司的历史数据和会计账面价值上，缺少对当下公司现金流指标的考量，使得结果又明显的时效性和财务特征。而引发信用风险的因素是多样的，可具体分为宏观因素和微观因素。从宏观因素上来说有国内因素和国际因素，政治经济环境变化、法律制度的突变，行业前景的改变等均可能产生信用风险；从微观因素上来说，信用风险与公司经营管理、财务状况等因素有密切的关系[20]。我国的证券市场正处于发展阶段，极易受国家政策法律、行业环境以及上市公司的经营结构变化的影响而产生信用风险。故单纯的运用Z-score模型现有的评价指标来衡量我国上市公司的信用风险，会在一定程度上导致结果的失真。
在Z-score模型现有的评价指标的基础上，设定一定的权重比例用以衡量政策法律因素、行业因素、公司治理因素对上市公司信用风险的影响，通过定性指标的加入以提高对因非财务问题引起的信用风险的公司的预测的精准度；同时还可以在原有的定量指标中加入现金流指标，以弱化时效性对模型预测精准度的影响。
加快建立上市公司信用数据库。模型预测精准度的提高有赖于多元信息的汇总分析，数据库的建立能有助于上市公司信用信息的整合、分析，为研究人员立足我国信用风险的实际状况，调整和改进Z-score模型在我国上市公司的运用提高了条件。
5.3 完善上市公司信息披露制度，提高信息质量
Z-score模型的预测的精准性建立在上市公司数据的真实性和客观性的基础之上。上市公司信息披露的真实性以及信息质量，直接影响了Z值所处的信用风险区域，在上文研究中多有奇异值出现，除去上市公司信用状况改善而带来的分值提高仍存在着会计信息失实的状况[20]。
故完善上市公司上市准入、交易监管、信息披露等制度，提高信息质量，杜绝人为篡改财务数据，操控利润，是Z-score模型运用的重要保证。为此，国家相关部门与证券交易所应采取措施，出台相关规定明确上市公司信息披露的质量要求，并采取实时监控、及时公布问题上市公司，加大对相关公司的惩戒力度，提高相关公司违规成本，从而制约部分上市公司及其中介机构的违规行为。

参考文献
[1] Edward I. Altman . Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy