互联网行业公司信用风险评价研究

唐 健

(南京财经大学，江苏 南京 210023)

一、引言

目前，我国众多互联网公司发展迅猛，其融资需求也日益扩大。近年来，在商业银行放贷额度中，互联网行业公司所占比重持续增大，不良贷款率也不断提高。互联网行业上市公司作为国家互联网业龙头企业，其发展状况是国家互联网行业整体发展的晴雨表。鉴于互联网行业上市公司占比较大，具有相当的行业代表性，因此其信用违约行为会影响整个互联网行业的发展。

互联网行业企业往往采用轻资产模式运行，杠杆率相对偏高，因此其在决策经营出现失误时往往面临较大信用违约风险。同时，由于互联网行业目前与科技、医疗等行业联系日益密切，具有相当的风险外溢性，其信用风险的发生较易给其他关联行业带来负面影响。因此，对于互联网行业公司信用风险的评价对该行业的健康发展有着积极意义。

本文选择互联网行业上市公司四个维度下18个二级财务指标，利用因子分析构建其信用评分公式，在此基础上剖析影响互联网行业上市公司信用风险的因素，进而为互联网公司及相应监管部门提出具有针对性的建议。

二、研究回顾

(一)企业信用风险产生原因的相关研究

周旭东和吕鹏展对企业信用风险的成因进行了罗列，例如部分企业不以满足生产需要为目的进行融资，将所得资金挪为他用，进而带来较大的“泡沫”，由此增加信用风险产生的可能性；同时又有部分企业由于资质问题，即便是为扩大生产规模融资，也难以从银行渠道取得贷款，进而转向民间借贷获取融资，极大增加了企业运营存在的不确定性。徐朝辉、周宗放认为投资决策失误、内控机制质量差等企业存在的固有问题，极易增大其自身的信用风险。魏国雄提出企业盲目扩张时的融资需求也值得关注，因其极易给企业带来信用风险，进而给出资银行带来不利影响。因此商业银行必须加强风控能力，在企业发出融资需求后，从严甄别审查，防止企业因过度融资增大其信用风险。王桐桐通过案例分析法对企业信用风险成因进行剖析，通过对钢铁行业几家企业经营状况的分析，得出现金流匮乏、负债压力大、风险管理体制僵化落后往往会给钢铁企业带来信用风险的结论。

(二)基于财务数据的企业信用风险测度的相关研究

吴青指出早期通常采用专家评级法对企业信用风险进行分析，即通过领域专家对企业的财务情况以及非财务主客观指标进行打分，由此做出企业信用风险的评价。这一时期，“5C”“5P”与“5W”法最具典型性，但由于存在过于主观的局限性，且容易受到干预，其评价的准确性往往难以得到保证。为了削弱、减少主观因素对于企业信用风险评价的负面影响，定量分析方法被逐步应用于企业信用风险度量，其在准确率与效果上相对于专家评级法具备优势。

Ohlson将逻辑回归模型用于研究财务危机预警，由于变量及分布不受限制，逻辑回归具有较广的应用范围，且具有高预测准确率。唐亮等在研究上市公司信用风险时，将是否为ST作为界限，把公司财务指标引入Logits模型，发现有较好的信用风险甄别能力。刘祥东和王未卿则借助300多家上市公司的财务数据，分别构建了Logit回归、贝叶斯判别法与BP神经网络模型，综合考虑稳定性与准确度，发现BP神经网络的准确性相对较高，但缺乏有效解释，另外两种模型虽然在准确度上存在劣势，但却具有更好的稳定性，可为商业银行经营提供财务指标方面的参考。

目前，国内外学者对于信用风险的产生原因以及信用风险的测度评估都进行了大量的研究，但罕有对于我国互联网行业信用风险的测度研究。

三、数据来源与指标选择

(一)数据来源

经Wind数据库查询，截至2021年9月，在互联网行业领域，国内共拥有71家上市公司，本文选取这71家公司2018～2020年的财务数据作为分析样本。71家公司中∗ST与ST公司共11家，剔除缺失数据与极端值后，有效样本共197个。

(二)指标选择

借鉴商业银行信用评价指标体系，基于数据的可获得性、有效性、全面性，考虑互联网行业公司营运现状，从偿债能力、成长能力、盈利能力以及营运能力4个方面，具体选取18个二级指标进行实证研究，选取指标说明见下表1:

表1 指标选取及说明

四、实证分析

本文借助因子分析得出互联网行业上市公司信用评分模型。

(一)数据预处理及相关检验

考虑财务指标X、X、X的实际含义，需要对三者进行正向化处理；随后对全体指标进行标准化处理。

KMO和Bartlett检验结果如表2所示:

表2 KMO检验与Bartlett检验

由表2，KMO检验的值是0.685，大于0.5，说明选择该样本进行因子分析是合适的；同时，Bartlett检验的显著性水平为0，小于1%，表明变量间存在相关性。同时所有指标因子载荷均大于0.5，表明效度良好。

(二)公因子提取

依据特征值和方差计算出主成分，基于特征值大于1的原则，可提取6个公因子F～F，这6个公因子的累计方差贡献率为75.338%，表明提取6个公因子比较合理，具体数据见表3:

表3 总方差解释表

(三)公因子命名

借助最大方差正交旋转法，解出旋转后的成分矩阵，并据此得出6个公因子的主要成分:

因子F主要代表X(0.905)、X(0.836)、X(0.737)、X(0.713)、X(0.650)这5个指标，可命名为盈利能力因子；

因子F主要代表X(0.872)、X(0.863)、X(0.696)、X(－0.679)，可命名为资产周转能力因子；

因子F主要代表X(0.963)、X(0.961)，可将F命名为短期偿债能力因子；

因子F主要代表X(0.740)、X(0.722)，可命名为营运能力因子；

因子F主要代表X(0.840)、X(0.733)，可命名为长期偿债能力因子；

因子F主要代表X(0.732)、X(0.663)、X(0.633)，可命名为成长能力因子。

(四)样本企业综合信用得分

由得分系数矩阵和样本数据，可分别计算出197个样本的6个因子得分，记为FAC、FAC、FAC、FAC、FAC、FAC。则以6个公因子的方差贡献率作为等分系数，可得互联网行业信用综合得分公式为:

FAC＝(18.906%×FAC＋14.626%×FAC＋12.455%×FAC＋11.042%×FAC＋9.748%×FAC＋8.560%×FAC)/75.338%

由此可计算得到基于2020年财务数据的样本公司信用评分，具体企业信用评分及排名见表4:

表4 样本企业综合信用得分与排名

续表

由表4可发现信用综合得分排名前10的均为未违约公司(非ST及∗ST公司)，除了ST游久外，其余违约公司(ST或∗ST公司)均位于最后12名，由此可见该信用得分在一定程度上可以用于评估互联网企业的违约风险。

进一步分析表4:首先，综合信用得分排名前五的公司分别为上海钢联、壹网壹创、国联股份、国新健康与智度股份。通过各因子得分可知，上海钢联拥有较强的盈利能力与资产周转能力；壹网壹创在短期偿债能力与成长能力方面较为突出；国联股份在资产周转能力与成长能力方面具备优势；国新健康拥有较强的短期偿债能力；智度股份则拥有较强的资产周转能力与长期偿债能力。

其次，在65家样本公司中，综合信用得分为正值的公司为27家，其余35家为负值，为负值的公司占比略大于50%，同时综合信用得分最大值为1.333，最小值为－1.916，得分浮差较为明显。

从得分结果看，得分最低的∗ST天润与鹏博士在盈利能力与短期偿债能力方面表现较差。较低的盈利能力和短期偿债能力，使得企业面临较大的现金流缺口，从而加大了企业面临的信用违约风险。同时从得分差值看，互联网行业公司面临着较为激烈的竞争，其面对的信用风险水平存在较大差异。究其原因，一方面互联网行业以技术驱动，创新显得尤为重要，创新能力的差异会造成企业发展情况的不同，进而带来不同程度的信用风险；另一方面，互联网行业企业普遍轻资产，其杠杆率较高，面临的信用风险相对而言高于传统行业公司。

五、结论与建议

(一)研究结论

目前我国互联网行业上市公司共有71家，其中ST与∗ST公司共有11家，占比15.49%。若以是否是ST或∗ST作为信用违约与否的判断标准，则目前我国互联网行业上市公司信用违约率仍然处在相对较低水平，但随着互联网行业的进一步发展与融资需求的不断扩大，其信用风险日益值得企业自身与放贷银行的关注；盈利能力、资产周转能力、短期偿债能力、长期偿债能力、营运能力与成长能力这六大因素对于互联网行业上市公司的信用风险具有影响。

(二)建议

1.对于互联网行业公司的建议

对于互联网行业公司，为实现公司正常持续运作，应当全面加强信用风险的防范工作，具体而言:

(1)互联网行业的运营需要大量资金的支持，企业必须对资金进行合理的使用与调配。互联网企业往往采用轻资产模式运行，因此企业应当加强内部筹资与股权筹资，适当减少长期债务融资，优化资产负债率，降低企业财务风险。

(2)不断加强创新力度。由于互联网行业属于知识型企业，其发展很大程度上依赖创新驱动，因此企业应当精准把握市场，明确目标客户群体，加大研发与创新力度，不断提高公司的盈利能力，从而降低自身面临的信用风险。

2.对于放贷商业银行的建议

对于商业银行而言，应当加强对于向互联网行业企业发放款项的审核力度，积极地从盈利能力、资产周转能力、短期偿债能力、长期偿债能力、营运能力与成长能力等角度对互联网行业企业开展信用评估，并适时地优化调整评估方法，降低不良贷款率，进而保证商业银行资产的健康运作。