我国产险公司财务恶化预警研究

我国产险公司财务恶化预警研究——基于Logistic模型一、文献背景上个世纪60年代初期，美国保险市场接连发生产险公司失去偿付能力的事件（Barniv和McDonald，1992），之后在80年代中期，保险公司破产的频率及危害程度大幅增加（Harrington，1992）。反观我国产险市场，虽然尚未出现公司倒闭或财务危机的情况，但随着外资产险公司的大量进入，未来市场的竞争势必更趋激烈，经营风险也会相对增加。而于保险公司财务异常状况的识别和预测可以帮助保险公司管理层确定公司是否面临经营失败的风险，也可以帮助审计人员判断公司是否具有持续经营的能力，这对于监管机关、立法部门、保单持有人、股东、债权人以及一般公众都是十分重要的。因此，我们需要针对我国实际情况，及早寻找一个有效的评估方法，作为产险业的财务预警评估工具，促使保险业所扮演的稳定社会、促进经济发展等功能得以有效发挥。因此，本文通过回顾国内外产险业财务预警分析的相关文献，探讨影响产险公司财务状况的主要因素，并利用国内产险公司2002-2005年的财务数据，运用Logistic模型进行财务状况恶化预警的实证研究。由于以Logistic模型作为分析工具，需要有实际失去偿付能力公司的相关数据，然而目前国内产险业尚无公开的失去偿付能力的公司，因而本文拟根据财务比率分析中的均值-方差法，将研究样本依财务状况分为两组，财务状况好的公司视为正常公司，反之则视为异常公司。之后，根据监管尺度的宽松和严格程度，在四个不同模式下，分析影响产险公司财务异常的主要因素，并对不同模式下事前概率与预测概率的整体辨别率及错误成本进行比较。二、文献回顾保险行业中对于偿付能力不足问题的研究很早就受到了关注，并且相应发展起了许多关于识别保险公司财务异常状况的方法。Ambrose和Seward（1988）根据A.M.Best的评级指标，引入虚拟变量，运用多变量判别分析法进行财务困境预警，并与财务比率法分析结果加以比较，再将二者合并代入事前概率多变量判别分析法，比较三种方法的预测能力，结果发现事前概率的判别结果较好。Grace，Harrington和Klein（1998）和Cummins，Grace和Phillips（1999），分别以1989-1991年和1990-1992年产险公司为样本，比较了财务分析追踪系统（FAST）与风险基础资本（RBC）两种静态偿付能力评估方法，结果发现FAST更能有效识别异常公司，而RBC的预测能力虽不及FAST，但仍具一定程度的正确识别率。国内，戴娟（2003）指出我国偿付能力监管指标主要是借鉴了美国IRIS体系，但许多指标对偿付能力不足的预警作用并不显著。占梦雅（2005）通过因子分析，指出各偿付能力监管指标之间存在高度相关性，四个以下独立指标值超出正常范围的公司可能会比四个以上高度相关的指标超出正常范围的公司更值得关注，同时Logit模型结果表明偿付能力充足率对业务增长、资金运用风险等敏感性不强。吕长江、周县华、杨家树（2006）利用我国保险公司2001-2003年数据，分别运用多元判别分析模型和Logistic模型对偿付能力恶化的保险公司进行预测，发现多元判别分析模型要优于Logistic模型。通过上述文献回顾发现，财务预警的主要目的是寻找一套有效预测保险公司财务状况的方法，以避免保险公司破产导致社会动荡与经济发展不稳定等现象。由于Logistic模型是采用一系列财务比率变量来预测公司破产或违约的概率，然后根据公司、投资者的风险偏好程度设定风险警界线，以此对分析对象进行风险定位和决策，其与多元判别分析法的本质区别在于前者不要求满足正态分布，其模型采用Logistic函数。而Logistic回归不假定任何概率分布，在样本分布不满足正态情况下其判别正确率高于判别分析法的结果。因此，本文采取Logistic回归作为研究模型，利用2002-2005年产险公司的财务数据建立模型，并对2005年公司的财务状况进行预警，以探求影响公司财务状况的重要因素，并寻求最佳的监管标准。三、样本、指标选择与实证设计（一）样本数据及指标选择样本数据主要来源于《中国保险年鉴》（2003~2006）。经过数据整理和剔除缺失及特大异常数据，本文的实际样本为：2002年26个，2003年28个，2004年23个，2005年26个。根据上述相关研究文献，本文参照美国IRIS、FAST财务比率系统，A.M.Best公司评级指标体系及我国财产保险公司监管指标，共选取20项财务指标进行保险公司财务状况的预警（见附表1），这些指标从资本结构、流动性及偿债能力、经营效率、运营风险衡量、成长能力、获利能力共六个方面反映产险公司的财务状况。（二）模型选择与实证设计我们的目的在于分析附表1中的各因素是否对财务异常有显著影响，以及究竟有几类因素在发挥关键性的作用。但是，以上指标个数达20个，而且各指标之间存在一定的相关性，因此我们希望用较少的综合指标综合存在于各指标中的信息，同时使综合指标之间彼此不相关，从而利用该综合指标对各个观测进行综合评价，来获得比较可信的结果。人们经常用因子分析来解决这类问题。因子分析法作为主成分分析方法的一种自然的延伸，其解不具有唯一性，我们可以从中选择适合所考虑的具体问题的解，判断所得到的因子的实际意义。并且，从实务上考虑，影响保险公司的财务状况是否出现异常的是一些不可观察的潜在变量，这些不可观测的潜在变量一般不能表示为原来随机变量的线性组合，如经营效率因素、资本结构因素，获利能力因素等，而通过因子分析法，可以发现这些潜在因素。对初始因子数的选择我们采用最小特征值方法，只选取特征值大于1的因子，发现有6个因子有比较大的特征值，它们一同解释了总信息的83.69％，接近85%，所以选前6个因子为主因子。为了进一步解释主因子的含义，选用方差极大化旋转方法进行因子旋转，经过旋转后的因子载荷矩阵列于附表2。显然，第一个主因子factor1在X1、X2、X3和X13、X14、X15上有较大的载荷，我们将其称为资本结构与经营风险因子；第二个主因子factor2在X8、X9、X10、X11上有较大的载荷，我们称其为经营成本因子；第三个主因子factor3在X16、X17上有较大的载荷，称其为成长能力因子；第四个主因子factor4在X4、X5、X12上有较大的载荷，称其为短期偿债能力因子；第五个主因子factor5在X6、X7、X18上有较大的载荷，称其为长期偿债能力因子；第六个主因子factor6在X19、X20上有较大的载荷，称其为获利能力因子。下文我们将用这6个因子作为自变量进行logistic回归。logistic回归模型为：其中，y是实际观察到的反应变量，y=1表示财务异常，y=0表示财务正常；p表示公司财务异常的概率,α为截距项，β1,β6,L为斜率参数，factor1,Lfactor6为通过因子分析计算出的6个主因子。四、Logistic实证结果分析（一）Logistic模型回归结果本文依据均值-方差的方法以时间序列的方式，分别以该年前两年的产险业财务比率变量的均值加减两个标准差为上、下限（即2004年选用2002年和2003年的相应财务变量的均值和标准差，2005年选用2003年和2004年的相应财务变量的均值和标准差）以及依据1号文中财险公司业务的监管指标规定作为判断的标准，选取2004年至2005年的产险公司为观察样本，共计49个观察样本。各个样本的财务变量若未落入上下限区间内，则认为该样本公司的该财务变量出现异常，否则就认为正常。将出现异常的财务变量个数相加，就得到该样本公司不符合设定标准的财务变量的个数。我们将其分为四个等级，分别为异常指标数目大于3个、大于4个、大于5个、大于8个，作为区分正常公司与异常公司的标准，即监管标准从严格到宽松，相应地得到了4个模型。将4个模型区分为正常公司与异常公司的样本数汇总为下表1：将上述因子分析过程得到的6个因子全部放入logistic回归模型，用逐步回归的方法进行分析，变量加入和保留的显著水平分别为0.3与0.35，结果如表2所示：表2至表5中HL是Holmer和Lemeshow提出的拟合优度检验指标，可以看出，HL指标的p值不显著，表明模型很好地拟合了数据。从前三种Logistic回归模式的结果可知，factor1、factor4、factor5和factor6对产险公司的财务恶化状况有较好的预测能力，即资本结构与经营风险因子、短期偿债能力、长期偿债能力和获利能力因子涵盖了各方面财务状况信息。另外，当指标规定过于宽松如模式4下，仅factor1对财务恶化状况的影响显著，缺少了偿债能力、获利能力等因素，必然会导致模型整体的预警能力较差。（二）Logistic回归模型预测能力分析由于国内外文献对于偿付能力不足的相关研究大部份均假设pi=0.5（临界值为0.5）作为研究基础，然而，当财务状况正常与异常公司的样本数不相等时（即pi≠0.5），则须运用事前概率（priorProbability）的概念，将过去数据中异常公司样本数占全部样本数的比率作为临界值（cut-offvalue），将预测值小于临界值的样本归类为正常公司，反之则归类为异常公司。最后，本文希望能通过事前概率（pi≠0.5）与预测概率（pi=0.5）作一比较与分析，并选取最佳模型进行个案探讨，以作为产险业的参考依据。经过上述Logistic回归分析下的不同模型，并通过事前概率（视过去数据而定）与预测概率的区分，分别以其预测值作为归类为异常公司的受检值，各模型的正确识别率情况如表6、表7所示。可见，在监管规定严格程度不同的规定下，Logistic模型不论以事前概率或预测概率预测其结果，其整体正确率均在75%以上，显示该模型预测能力不错。但若以识别正常公司的正确识别率来看，以预测概率为好，反之，若以识别异常公司的正确识别率而言，则相对以事前概率为好，其原因是因为事前概率的受检值将随着异常公司过去所发生的概率改变，较能反映异常情况的发生概率。而预测概率的受检值是由于假设正常公司与异常公司发生概率相等，使得较宽松规定时的受检值设定较低，将所有正常公司均纳入与异常公司部分纳入而造成正常公司正确识别率较高，如模式4下，仅有的一家异常公司被误认为正常公司；反之，如规定较严格时，其受检值偏高又将排除部分正常公司纳入异常公司分类，致使正常公司正确识别率降低，异常公司正确识别率增加。对于整体正确识别率而言，由于规定较宽松模型的正常公司数较多，因而提升整体正确识别率，反之则反；再者，从事前概率的正确识别率较预测概率的正确识别率呈现较为稳定的状态来看，事前概率的运用较预测概率更适合该模型对产险公司财务状况的预测，由于国内学者对于相关模型的研究分析大部分均以预测概率为主，此结果可作为未来研究的又一新的方向。再者，通过表中异常公司识别正确率可发现，事前概率正确识别率和预测概率正确识别率的结果并不一致，因为规范过于宽松或过于严格对于产险公司的财务状况均可能造成偏差，将会影响该模型对于异常公司的财务状况做出错误的分类。在前三种模式下，无论事前概率还是事后预测概率来看，以大于5个以上指标作为异常公司标准更为合适，其整体正确识别率最高。但在预测概率下，模式4的整体正确率高于其他。这时，如何判断预警模型的预测能力，需要考虑两类错误的总体错误成本，以选择适合的监管标准。（三）Logistic模型错误成本分析预测错误包括两类，第一类错误是模型把将来偿付能力会恶化的保险公司预测为偿付能力良好公司；第二类错误是模型把将来偿付能力良好的公司预测为偿付能力会恶化的公司。不同模式下发生两类错误的概率如表8所示为了判断模型的有效性，必须区分这两类错误的发生成本。因为按照Sinkey（1975）的观点，把一个有问题公司错分类成没有问题公司的成本，要远比把一个没有问题公司错分类成有问题公司的成本大得多。因此，本文参照国外文献，采用了相对成本法，即用第一类错误成本除以第二类错误成本（Altmanetal.，1977）。在一系列相对成本比率（第一