第一篇 中国上市公司的企业违约预测和指数构建的原理与模型
第1章 绪论
1.1 科学问题的性质
1.1.1 企业违约预测与信用指数的定义
信用评级是通过企业的财务、非财务、宏观环境等指标数据Xij和违约状态Yj之间的大数据关系Yj=f(Xij)，挖掘企业的违约概率 =g(Xij)和确定企业的信用得分Sj=(1– )×100，揭示企业违约风险大小。
违约预测是根据T–m时刻的企业财务、非财务、宏观环境等指标数据Xij(T–m)和T时刻的违约状态Yj(T)之间的函数关系Yj(T)=f(Xij(T–m))，建立大数据模型，实现通过T时刻的指标数据Xij(T)预测T+m时刻企业的违约状态 (T+m)=f(Xij(T))、违约概率 (T+m)=g(Xij(T))和信用得分Sj(T+m)=(1– (T+m))×100。
信用指数旨在揭示清偿能力大小，即在上市公司样本中，选取N个典型公司样本，测算典型公司样本的信用得分Sj。把N个典型公司样本的信用得分Sj进行加权平均，形成信用得分均值 。将第T年的信用得分均值 除以基准年2000年的信用得分均值 ，再乘以1000，由此构建了第T年上市公司信用指数CI(T)=( / )×1000。信用指数越大，则说明上市公司整体清偿能力越强，上市公司整体的信用状况越好。
对于信用指数的权重Wj，本书分别采用了单个企业的资产总额Aj占全部样本企业资产总额A的比重Aj/A，单个企业的负债总额Lj占全部样本企业负债总额L的比重Lj/L，单个企业的资产总额加负债总额之和(Aj+Lj)占全部样本企业资产总额加负债总额之和(A+L)的比重(Aj+Lj)/(A+L)等三种方式，从而构建得到信用指数。
与信用指数相对应的是信用风险指数。信用风险指数反映上市公司整体的违约可能性，即在上市公司样本中，选取N个典型公司样本，测算典型公司样本的违约风险得分(100–Sj)。把N个典型公司样本的违约风险得分(100–Sj)进行加权平均，形成违约风险得分均值 。将第T年的违约风险得分均值 除以基准年2000年的违约风险得分均值 ，再乘以1000，由此构建第T年上市公司信用风险指数CRI(T)=( / )×1000。信用风险指数越大，则说明上市公司整体的违约可能性越高，信用状况越差。
本书共构建了下列6类信用指数和信用风险指数。
一是全部中国上市公司的信用指数和信用风险指数。
二是中国上市公司不同行业的信用指数和信用风险指数，涵盖制造业、建筑业、采矿业等9个行业。
三是全部中国上市公司小企业的信用指数和信用风险指数。
四是上市公司小企业不同行业的信用指数和信用风险指数，涵盖制造业、房地产业、其他行业这3个行业。
五是上市公司不同所有制形式的信用指数和信用风险指数，涵盖中央国有企业、民营企业、公众企业等全部7种所有制形式。
六是北京市、上海市、天津市、重庆市这4个直辖市以及辽宁省的上市公司信用指数和信用风险指数。
1.1.2 中国上市公司信用指数的构建原则
中国上市公司信用指数构建的原则有三。
一是信用指数的可比性原则。在求解各年信用指数时，将各年的上市公司信用得分均值以初始年份(2000年)信用指数等于1000为基准进行折算得到，从而保证各年的信用指数可比，方便把握信用指数随时间变化的趋势。
二是信用指数的预测性原则。通过挖掘T–m(m=1，2，3，4，5)时刻的指标数据Xij(T–m)和T时刻的违约状态?j(T)之间的函数关系?j(T)=f(Xij(T–m))，得到用T时刻的指标数据Xij(T)预测T+m(m=1，2，3，4，5)时刻的违约状?j(T+m)，使得信用指数不仅能对上市公司当下的信用风险进行评价，还能对上市公司的未来信用风险大小进行预测。
三是信用指数的全面性原则。本书构建了一系列的信用指数，用以反映上市公司整体，以及不同行业、不同地区、不同所有制上市公司的信用状况，方便从不同角度把握上市公司信用状况。
1.2 研究背景及意义
1.2.1 研究背景
本书的研究背景有三。
一是我国上市公司在国民经济中的作用日益突出。截至2020年，我国上市公司数量已超4100家，总市值近80万亿元，涵盖了国民经济90个行业大类，总营业收入占全国GDP近一半，实体企业利润总额相当于规模以上工业企业的五成，吸纳员工总数近2500万人，在我国经济体系中“基本盘”和“顶梁柱”的地位日益巩固[1]。
二是现阶段缺乏对我国上市公司信用风险度量的有效方法。目前我国没有公认的、行之有效的上市公司信用评级与违约预测模型方法。加之现阶段国内经济下行压力加大、外部环境存在较大不确定性，对上市公司的信用风险进行准确评判更显得尤为重要。
三是大数据背景下，亟须新的理论范式指导信用风险管理实践。2012年以来，多源大数据的产生，以及机器学习、人工智能等技术的飞速发展，给信用评级以及违约预测更准确地识别企业的违约风险提供了可能，也给信用评级理论发展提出了新的挑战[2]。
1.2.2 研究意义
中国上市公司信用指数构建的意义至少有四。
一是为股票或债券投资提供风险警示信息。有效的信用评级与违约预测能够为市场提供风险警示信息，促进资本市场的健康发展[3]。相反，如果无法准确识别违约风险，将会给银行以及各种投资者带来难以估量的损失，甚至引发连锁反应，重蹈2008年全球金融危机的覆辙[4]。本书通过对上市公司违约风险进行预测，为股票买卖、公司债投资等提供投资决策参考。比如，对股票或债券投资者来说，通过本书预测的上市公司3年后的违约概率，则可及时卖出未来可能违约公司发行的股票或债券，以规避损失。同时可根据本书预测的上市公司所处行业、所有制形式和地区的信用指数，对不同行业、所有制形式和地域进行差异化投资布局，适当减少对信用指数较差行业、所有制形式或地域的整体投资，有效降低投资风险。
二是为商业银行贷款发放等投融资活动提供决策依据。目前我国不良贷款形势不容乐观，据银保监会披露[5-7]，2018年末、2019年末、2020年6月末，我国商业银行不良贷款余额分别为2.03万亿元、2.41万亿元及2.74万亿元，不良贷款率分别为1.83%、1.86%和1.94%。可以看出，近3年银行的不良贷款余额与不良贷款率呈增长趋势。银行坏账金额数目庞大，令人触目惊心。本书预测的上市公司的行业、所有制形式和地区的信用指数，能帮助商业银行在发放贷款时准确识别处于高风险行业、所有制形式和地区的公司，有效避免不良贷款的产生。
三是为金融监管当局提供政策建议。本书通过挖掘企业信用信息大数据，对上市公司的信用风险监测和预警，协助监管当局甄别可能违约的企业，从而提前采取监管谈话等警示措施，做到防患于未然。对上市公司所在行业的信用风险监测和预警，挖掘行业违约风险未来可能存在的拐点，为监管提供预警“雷达图”，帮助证监会等监管当局及时把握各个行业的信用风险变化态势，从而有针对性地出台相应政策措施。
四是为供应链融资业务的平稳运行提供参考依据。随着银行资金注入供应链，核心企业的信用状况会因供应链的联结而放大，信用风险也随之扩大，甚至传导至整条供应链。银行通过考察供应链全链条的运营情况，更加全面、准确地把握企业的违约风险，为供应链融资业务的平稳运行，进一步降低贷款的不确定性提供参考。
1.3 本书的主要工作及框架
本书共4篇23章，包括10套上市公司不同行业的评级体系和4套上市小企业不同行业的评级体系。主要框架如图1.1所示。
图1.1 本书的主要内容框架
第一篇的第1~4章是中国上市公司的企业违约预测和指数构建的原理与模型。包括信用评级原理、违约预测原理、指数构建原理、大数据违约评价模型构建原理、最优违约预警指标体系遴选原理、最优指标赋权原理、信用等级划分的违约金字塔原理。
第二篇的第5~14章是中国上市公司的企业违约预测与信用指数构建。分别描述了上市公司以及9个不同行业的信用指数构建原理、模型与实证分析。
第三篇的第15~18章是中国上市小企业的公司违约预测与信用指数构建。分别描述了上市小企业以及3个不同行业的信用指数构建原理、模型与实证分析。
第四篇的第19~23章是中国上市公司的信用特征分析及重点违约预警企业。描述了中国上市公司不同行业、不同地区、不同所有制形式的信用特征、重点的预警企业和各自的信用指数趋势预测。
目录
第一篇 中国上市公司的企业违约预测和指数构建的原理与模型
第1章 绪论 3
1.1 科学问题的性质 3
1.2 研究背景及意义 4
1.3 本书的主要工作及框架 5
参考文献 6
第2章 基于大数据方法的违约风险预警研究进展 7
2.1 大数据违约风险预警的研究背景 7
2.2 违约风险评价指标体系的研究进展 8
2.3 违约风险评价指标赋权的研究进展 9
2.4 违约风险预警模型的研究进展 9
参考文献 10
第3章 企业违约预测与信用指数构建原理 12
3.1 企业违约预测与信用指数构建 12
3.2 十四种大数据模型 16
3.3 精度标准 27
3.4 企业违约判别与违约预警的大数据模型 28
3.5 信用指数构建 38
3.6 数据处理 46
参考文献 47
第4章 上市公司样本介绍 49
4.1 指标选取和数据来源 49
4.2 指标和样本处理 50
4.3 样本选取 51
参考文献 54
第二篇 中国上市公司的企业违约预测与信用指数构建
第5章 上市公司的企业违约预测与信用指数构建 59
5.1 本章内容提要 59
5.2 上市公司的企业违约预测与信用指数构建的原理 60
5.3 上市公司数据处理 60
5.4 上市公司违约预警指标体系的建立 62
5.5 上市公司违约预警模型的精度计算 73
5.6 上市公司*优违约预警模型的对比分析 76
5.7 上市公司*优违约预警模型 77
5.8 上市公司违约概率和信用得分的确定 78
5.9 上市公司的信用等级划分 80
5.10 上市公司的信用特征分析 82
5.11 上市公司的信用指数构建 95
5.12 上市公司的信用风险指数构建 101
5.13 本章结论 103
参考文献 105
第6章 制造行业的企业违约预测与信用指数构建 107
6.1 本章内容提要 107
6.2 制造行业的企业违约预测与信用指数构建的原理 108
6.3 制造行业的数据处理 108
6.4 制造行业的违约预警指标体系的建立 111
6.5 制造行业的违约预警模型的精度计算 122
6.6 制造行业的*优违约预警模型的对比分析 125
6.7 制造行业的*优违约预警模型 126
6.8 制造行业违约概率和信用得分的确定 127
6.9 制造行业的信用等级划分 128
6.10 制造行业的信用特征分析 131
6.11 制造行业的信用指数构建 133
6.12 制造行业的信用风险指数构建 139
6.13 本章结论 141
参考文献 143
第7章 信息传输、软件和信息技术服务行业的企业违约预测与信用指数构建 145
7.1 本章内容提要 145
7.2 信息传输、软件和信息技术服务行业的企业违约预测与信用指数构建的原理 146
7.3 信息传输、软件和信息技术服务行业的数据处理 146
7.4 信息传输、软件和信息技术服务行业的违约预警指标体系的建立 149
7.5 信息传输、软件和信息技术服务行业的违约预警模型精度计算 158
7.6 信息传输、软件和信息技术服务行业的*优违约预警模型的对比分析 161
7.7 信息传输、软件和信息技术服务行业的*优违约预警模型 162
7.8 信息传输、软件和信息技术服务行业的违约概率和信用得分的确定 163
7.9 信息传输、软件和信息技术服务行业的信用等级划分 165
7.10 信息传输、软件和信息技术服务行业的信用特征分析 167
7.11 信息传输、软件和信息技术服务行业的信用指数构建 170
7.12 信息传输、软件和信息技术服务行业信用风险指数构建 175
7.13 本章结论 177
参考文献 179
第8章 批发和零售行业的企业违约预测与信用指数构建 181
8.1 本章内容提要 181
8.2 批发和零售行业的企业违约预测与信用指数构建的原理 182
8.3 批发和零售行业的数据处理 182
8.4 批发和零售行业的违约预警指标体系的建立 185
8.5 批发和零售行业的违约预警模型的精度计算 195
8.6 批发和零售行业的*优违约预警模型的对比分析 198
8.7 批发和零售行业的*优违约预警模型 199
8.8 批发和零售行业的违约概率和信用得分的确定 200
8.9 批发和零售行业的信用等级划分 201
8.10 批发和零售行业的信用特征分析 204
8.11 批发和零售行业的信用指数构建 206
8.12 批发和零售行业的信用风险指数构建 213
8.13 本章结论 214
参考文献 216
第9章 房地产行业的企业违约预测与信用指数构建 218
9.1 本章内容提要 218
9.2 房地产行业的企业违约预测与信用指数构建的原理 219
9.3 房地产行业的数据处理 219
9.4 房地产行业的违约预警指标体系的建立 222
9.5 房地产行业的违约预警模型的精度计算 230
9.6 房地产行业的*优违约预警模型的对比分析 234
9.7 房地产行业的*优违约预警模型 235
9.8 房地产行业的违约概率和信用得分的确定 235
9.9 房地产行业的信用等级划分 237
9.10 房地产行业的信用特征分析 239
9.11 房地产行业的信用指数分析 242
9.12 房地产行业的信用风险指数构建 247
9.13 本章结论 249
参考文献 250
第10章 电力、热力、燃气及水生产和供应行业的企业违约预测与信用指数构建 253
10.1 本章内容提要 253
10.2 电力、热力、燃气及水生产和供应行业的企业违约预测与信用指数构建的原理 254
10.3 电力、热力、燃气及水生产和供应行业的数据处理 254
10.4 电力、热力、燃气及水生产和供应行业的违约预警指标体系的建立 257
10.5 电力、热力、燃气及水生产和供应行业的违约预警模型的精度计算 266
10.6 电力、热力、燃气及水生产和供应行业的*优违约预警模型的对比分析 270
10.7 电力、热力、燃气及水生产和供应行业的*优违约预警模型 271
10.8 电力、热力、燃气及水生产和供应行业的违约概率和信用得分的确定 271
10.9 电力、热力、燃气及水生产和供应行业的信用等级划分 273
10.10 电力、热力、燃气及水生产和供应行业的信用特征分析 275
10.11 电力、热力、燃气及水生产和供应行业的信用指数构建 277
10.12 电力、热力、燃气及水生产和供应行业的信用风险指数构建 283
10.13 本章结论 285
参考文献 286
第11章 建筑行业的企业违约预测与信用指数构建 289
11.1 本章内容提要 289
11.2 建筑行业的企业违约预测与信用指数构建的原理 290
11.3 建筑行业的数据处理 290
11.4 建筑行业的违约预警指标体系的建立 293
11.5 建筑行业的违约预警模型的精度计算 302
11.6 建筑行业的*优违约预警模型的对比分析 306
11.7 建筑行业的*优违约预警模型 307
11.8 建筑行业的违约概率和信用得分的确定 307
11.9 建筑行业的信用等级划分 309
11.10 建筑行业的信用特征分析 311
11.11 建筑行业的信用指数构建 313
11.12 建筑行业的信用风险指数构建 318
11.13 本章结论 320
参考文献 322
第12章 采矿行业的企业违约预测与信用指数构建 324
12.1 本章内容提要 324
12.2 采矿行业的企业违约预测与信用指数构建的原理 325
12.3 采矿行业的数据处理 325
12.4 采矿行业的违约预警指标体系的建立 328
12.5 采矿行业的违约预警模型的精度计算 337
12.6 采矿行业的*优违约预警模型的对比分析 341
12.7 采矿行业的*优违约预警模型 342
12.8 采矿行业的违约概率和信用得分的确定 342
12.9 采矿行业的信用等级划分 344
12.10 采矿行业的信用特征分析 346
12.11 采矿行业的信用指数构建 348
12.12 采矿行业的信用风险指数构建 355
12.13 本章结论 357
参考文献 358
第13章 文化、体育和娱乐行业的企业违约预测与信用指数构建 361
13.1 本章内容提要 361
13.2 文化、体育和娱乐行业的企业违约预测与信用指数构建的原理 362
13.3 文化、体育和娱乐行业的数据处理 362
13.4 文化、体育和娱乐行业的违约预警指标体系的建立 365
13.5 文化、体育和娱乐行业的违约预警模型的精度计算 374
13.6 文化、体育和娱乐行业的*优违约预警模型的对比分析 378
13.7 文化、体育和娱乐行业的*优违约预警模型 379
13.8 文化、体育和娱乐行业的违约概率和信用得分的确定 380
13.9 文化、体育和娱乐行业的信用等级划分 381
13.10 文化、体育和娱乐行业的信用特征分析 383
13.11 文化、体育和娱乐行业的信用指数构建 386
13.12 文化、体育和娱乐行业的信用风险指数构建 392
13.13 本章结论 394
参考文献 395
第14章 其他行业的企业违约预测与信用指数构建 398
14.1 本章内容提要 398
14.2 其他行业的企业违约预测与信用指数构建的原理 399
14.3 其他行业的数据处理 399
14.4 其他行业的违约预警指标体系的建立 402
14.5 其他行业的违约预警模型的精度计算 411
14.6 其他行业的*优违约预警模型的对比分析 415
14.7 其他行业的*优违约预警模型 416
14.8 其他行业的违约概率和信用得分的确定 417
14.9 其他行业的信用等级划分 418
14.10 其他行业的信用特征分析 420
14.11 其他行业的信用指数构建 422
14.12 其他行业的信用风险指数构建 429
14.13 本章结论 431
参考文献 433
第三篇 中国上市小企业的公司违约预测与信用指数构建
第15章 上市小企业的公司违约预测与信用指数构建 437
15.1 本章内容提要 437
15.2 上市小企业的公司违约预测与信用指数构建的原理 438
15.3 上市小企业的样本数据处理 438
15.4 上市小企业的违约预警指标体系的建立 441
15.5 上市小企业的违约预警模型的精度计算 451
15.6 上市小企业的*优违约预警模型的对比分析 454
15.7 上市小企业的*优违约预警模型 455
15.8 上市小企业的违约概率和信用得分的确定 456
15.9 上市小企业的信用等级划分 458
15.10 上市小企业的信用特征分析 460
15.11 上市小企业的信用指数构建 470
15.12 上市小企业的信用风险指数构建 476
15.13 本章结论 478
参考文献 480
第16章 上市小企业制造行业的公司违约预测与信用指数构建 482
16.1 本章内容提要 482
16.2 上市小企业制造行业的公司违约预测与信用指数构建的原理 483
16.3 上市小企业制造行业的数据处理 483
16.4 上市小企业制造行业的违约预警指标体系的建立 485
16.5 上市小企业制造行业的违约预警模型的精度计算 495
16.6 上市小企业制造行业的*优违约预警模型的对比分析 499
16.7 上市小企业制造行业的*优违约预警模型 500
16
