互聯網公司信用風險評價探究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了互聯網公司信用風險評價探究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要:近年來，互聯網行業公司的融資需求不斷擴大，其信用風險日益值得關注。文章以互聯網行業上市公司為研究對象，借助因子分析，利用其四個維度下18個二級財務指標構建出互聯網行業上市公司信用風險評價模型，為互聯網行業信用風險評價和防范提供參考。

關鍵詞:互聯網行業;上市公司;信用風險;評價

一、引言

目前，我國眾多互聯網公司發展迅猛，其融資需求也日益擴大。近年來，在商業銀行放貸額度中，互聯網行業公司所占比重持續增大，不良貸款率也不斷提高。互聯網行業上市公司作為國家互聯網業龍頭企業，其發展狀況是國家互聯網行業整體發展的晴雨表。鑒于互聯網行業上市公司占比較大，具有相當的行業代表性，因此其信用違約行為會影響整個互聯網行業的發展。互聯網行業企業往往采用輕資產模式運行，杠桿率相對偏高，因此其在決策經營出現失誤時往往面臨較大信用違約風險。同時，由于互聯網行業目前與科技、醫療等行業聯系日益密切，具有相當的風險外溢性，其信用風險的發生較易給其他關聯行業帶來負面影響。因此，對于互聯網行業公司信用風險的評價對該行業的健康發展有著積極意義。本文選擇互聯網行業上市公司四個維度下18個二級財務指標，利用因子分析構建其信用評分公式，在此基礎上剖析影響互聯網行業上市公司信用風險的因素，進而為互聯網公司及相應監管部門提出具有針對性的建議。

二、研究回顧

(一)企業信用風險產生原因的相關研究

周旭東和呂鵬展對企業信用風險的成因進行了羅列，例如部分企業不以滿足生產需要為目的進行融資，將所得資金挪為他用，進而帶來較大的“泡沫”，由此增加信用風險產生的可能性;同時又有部分企業由于資質問題，即便是為擴大生產規模融資，也難以從銀行渠道取得貸款，進而轉向民間借貸獲取融資，極大增加了企業運營存在的不確定性［1］。徐朝輝、周宗放認為投資決策失誤、內控機制質量差等企業存在的固有問題，極易增大其自身的信用風險［2］。魏國雄提出企業盲目擴張時的融資需求也值得關注，因其極易給企業帶來信用風險，進而給出資銀行帶來不利影響。因此商業銀行必須加強風控能力，在企業發出融資需求后，從嚴甄別審查，防止企業因過度融資增大其信用風險［3］。王桐桐通過案例分析法對企業信用風險成因進行剖析，通過對鋼鐵行業幾家企業經營狀況的分析，得出現金流匱乏、負債壓力大、風險管理體制僵化落后往往會給鋼鐵企業帶來信用風險的結論［4］。

(二)基于財務數據的企業信用風險測度的相關研究

吳青指出早期通常采用專家評級法對企業信用風險進行分析，即通過領域專家對企業的財務情況以及非財務主客觀指標進行打分，由此做出企業信用風險的評價。這一時期，“5C”“5P”與“5W”法最具典型性，但由于存在過于主觀的局限性，且容易受到干預，其評價的準確性往往難以得到保證。為了削弱、減少主觀因素對于企業信用風險評價的負面影響，定量分析方法被逐步應用于企業信用風險度量，其在準確率與效果上相對于專家評級法具備優勢［5］。Ohlson將邏輯回歸模型用于研究財務危機預警，由于變量及分布不受限制，邏輯回歸具有較廣的應用范圍，且具有高預測準確率［6］。唐亮等在研究上市公司信用風險時，將是否為ST作為界限，把公司財務指標引入Logits模型，發現有較好的信用風險甄別能力［7］。劉祥東和王未卿則借助300多家上市公司的財務數據，分別構建了Logit回歸、貝葉斯判別法與BP神經網絡模型，綜合考慮穩定性與準確度，發現BP神經網絡的準確性相對較高，但缺乏有效解釋，另外兩種模型雖然在準確度上存在劣勢，但卻具有更好的穩定性，可為商業銀行經營提供財務指標方面的參考［8］。目前，國內外學者對于信用風險的產生原因以及信用風險的測度評估都進行了大量的研究，但罕有對于我國互聯網行業信用風險的測度研究。

三、數據來源與指標選擇

(一)數據來源

經Wind數據庫查詢，截至2021年9月，在互聯網行業領域，國內共擁有71家上市公司，本文選取這71家公司2018～2020年的財務數據作為分析樣本。71家公司中*ST與ST公司共11家，剔除缺失數據與極端值后，有效樣本共197個。

(二)指標選擇

借鑒商業銀行信用評價指標體系，基于數據的可獲得性、有效性、全面性，考慮互聯網行業公司營運現狀，從償債能力、成長能力、盈利能力以及營運能力4個方面，具體選取18個二級指標進行實證研究，選取指標說明見下表1:

四、實證分析

本文借助因子分析得出互聯網行業上市公司信用評分模型。

(一)數據預處理及相關檢驗

考慮財務指標X3、X4、X15的實際含義，需要對三者進行正向化處理;隨后對全體指標進行標準化處理。KMO和Bartlett檢驗結果如表2所示:由表2，KMO檢驗的值是0．685，大于0．5，說明選擇該樣本進行因子分析是合適的;同時，Bartlett檢驗的顯著性水平為0，小于1%，表明變量間存在相關性。同時所有指標因子載荷均大于0．5，表明效度良好。

(二)公因子提取

依據特征值和方差計算出主成分，基于特征值大于1的原則，可提取6個公因子F1～F6，這6個公因子的累計方差貢獻率為75．338%，表明提取6個公因子比較合理，具體數據見表3:

(三)公因子命名

借助最大方差正交旋轉法，解出旋轉后的成分矩陣，并據此得出6個公因子的主要成分:因子F1主要代表X5(0．905)、X7(0．836)、X14(0．737)、X13(0．713)、X10(0．650)這5個指標，可命名為盈利能力因子;因子F2主要代表X16(0．872)、X18(0．863)、X17(0．696)、X12(－0．679)，可命名為資產周轉能力因子;因子F3主要代表X2(0．963)、X1(0．961)，可將F3命名為短期償債能力因子;因子F4主要代表X15(0．740)、X11(0．722)，可命名為營運能力因子;因子F5主要代表X4(0．840)、X3(0．733)，可命名為長期償債能力因子;因子F6主要代表X9(0．732)、X6(0．663)、X8(0．633)，可命名為成長能力因子。

(四)樣本企業綜合信用得分

由得分系數矩陣和樣本數據，可分別計算出197個樣本的6個因子得分，記為FAC1、FAC2、FAC3、FAC4、FAC5、FAC6。則以6個公因子的方差貢獻率作為等分系數，可得互聯網行業信用綜合得分公式為:FAC=(18．906%×FAC1+14．626%×FAC2+12．455%×FAC3+11．042%×FAC4+9．748%×FAC5+8．560%×FAC6)/75．338%由此可計算得到基于2020年財務數據的樣本公司信用評分，具體企業信用評分及排名見表4:由表4可發現信用綜合得分排名前10的均為未違約公司(非ST及*ST公司)，除了ST游久外，其余違約公司(ST或*ST公司)均位于最后12名，由此可見該信用得分在一定程度上可以用于評估互聯網企業的違約風險。進一步分析表4:首先，綜合信用得分排名前五的公司分別為上海鋼聯、壹網壹創、國聯股份、國新健康與智度股份。通過各因子得分可知，上海鋼聯擁有較強的盈利能力與資產周轉能力;壹網壹創在短期償債能力與成長能力方面較為突出;國聯股份在資產周轉能力與成長能力方面具備優勢;國新健康擁有較強的短期償債能力;智度股份則擁有較強的資產周轉能力與長期償債能力。其次，在65家樣本公司中，綜合信用得分為正值的公司為27家，其余35家為負值，為負值的公司占比略大于50%，同時綜合信用得分最大值為1．333，最小值為－1．916，得分浮差較為明顯。從得分結果看，得分最低的*ST天潤與鵬博士在盈利能力與短期償債能力方面表現較差。較低的盈利能力和短期償債能力，使得企業面臨較大的現金流缺口，從而加大了企業面臨的信用違約風險。同時從得分差值看，互聯網行業公司面臨著較為激烈的競爭，其面對的信用風險水平存在較大差異。究其原因，一方面互聯網行業以技術驅動，創新顯得尤為重要，創新能力的差異會造成企業發展情況的不同，進而帶來不同程度的信用風險;另一方面，互聯網行業企業普遍輕資產，其杠桿率較高，面臨的信用風險相對而言高于傳統行業公司。

五、結論與建議

(一)研究結論

目前我國互聯網行業上市公司共有71家，其中ST與*ST公司共有11家，占比15．49%。若以是否是ST或*ST作為信用違約與否的判斷標準，則目前我國互聯網行業上市公司信用違約率仍然處在相對較低水平，但隨著互聯網行業的進一步發展與融資需求的不斷擴大，其信用風險日益值得企業自身與放貸銀行的關注;盈利能力、資產周轉能力、短期償債能力、長期償債能力、營運能力與成長能力這六大因素對于互聯網行業上市公司的信用風險具有影響。

(二)建議

1．對于互聯網行業公司的建議。對于互聯網行業公司，為實現公司正常持續運作，應當全面加強信用風險的防范工作，具體而言:(1)互聯網行業的運營需要大量資金的支持，企業必須對資金進行合理的使用與調配。互聯網企業往往采用輕資產模式運行，因此企業應當加強內部籌資與股權籌資，適當減少長期債務融資，優化資產負債率，降低企業財務風險。(2)不斷加強創新力度。由于互聯網行業屬于知識型企業，其發展很大程度上依賴創新驅動，因此企業應當精準把握市場，明確目標客戶群體，加大研發與創新力度，不斷提高公司的盈利能力，從而降低自身面臨的信用風險。2．對于放貸商業銀行的建議。對于商業銀行而言，應當加強對于向互聯網行業企業發放款項的審核力度，積極地從盈利能力、資產周轉能力、短期償債能力、長期償債能力、營運能力與成長能力等角度對互聯網行業企業開展信用評估，并適時地優化調整評估方法，降低不良貸款率，進而保證商業銀行資產的健康運作。

作者:唐健 單位:南京財經大學