在对企业进行信用评级的时候，我们首先遇到的一个问题就是，针对数据与资料的可获得性，对企业的信用等级在总体上分成几个是比较合适的。按照目前国际上公认的著名评级机构主要是穆迪、标准普尔以及惠誉的惯例，在进行信用评级时要首先区分长期债务的信用评级和短期债务的信用评级，从表1的结果我们可以清楚地看到，不同的评级公司划分的总的等级的数量不一定是相同的。比如信用中国门户穆迪的长期债务评级只分成为9个等级，而标普和惠誉分别分成11个等级和12个等级；对短期债务的评级三家著名公司划分的等级个数更是各不相同。在对中国的企业进行信用分析或是信用评级时同样也会面临这个问题。本文以我国的一组上市公司为样本，用因子-聚类分析的方法对我国企业信用等级合适个数应该是多少这个问题做一个初步的探讨。我们认为用上市公司作为样本来研究这个问题有着典型的意义，因为我们可以认为上市公司是所有的企业中信息披露最为充分的一个集合。也就是说，如果利用上市公司的样本确定的信用等级个数是n，那么基本可以断定这是在中国目前的信息披露、会计准则的条件下能够区分开来的最多的信用等级数。

　　一、基本方法

　　本文主要采用因子——聚类分析的方法来确定中国企业信用等级合适的个数。首先从最为常用的财务指标出发，采用上市公司的年报数据建立样本集合，并利用因子分析达到降维的目的，把多个指标变量进行综合，以得出若干个能充分反映中国企业信用风险特征的主因子，然后在上述变量集合中加入Altman模型中未被使用到的变量，构造新的样本集合，再次利用因子分析，再将两次得到的结果进行对比，看看哪一组主因子的经济含义更为明确、实际，进而确定最终使用的主因子，最后利用聚类和离差平方和分析，并结合因子得分散点图，将样本进行分类，并结合实际情况确定最后的分类结果。

　　二、因子分析：对比的方法

　　（一）样本的选取

　　由于保险公司、银行等金融机构的信用评级方法与一般的企业有较大的区别，因此在本文中所涉及的企业不包括金融机构等。又考虑到所选样本覆盖范围应当全面，数据来源也要可靠，因此我们按照StockStar.com的行业划分，从22个行业中选取了一个有代表性的上市公司。这些公司的覆盖范围相当广泛，涵盖了大部分的所有制属性，包括国有企业、民营企业、合资企业，并且该网站的提供的数据全面可靠，基本上符合我们的要求。所选定的公司见表2。我们主要是采用上市公司2001年的年报财务数据。

　　（二）变量的选取

　　1、第一组16变量

　　我们首先从一组最基本的财务指标变量出发，进行因子分析：营运资本比率、流动资本比率、债务与有形净值比率、应收账款周转率、存货周转率、财务杠杆、资产负债率、长期负债比率、流动比率、速动比率、资产报酬率、权益盈利率、销售利润率、每股收益、经营活动现金流量与债务总额比率、经营活动现金流净额与销售收入比率。共17个变量。（参考《商业银行客户评价》杨军，北京，中国财政经济出版社，1998年）。另外，考虑到企业的还款意愿是对企业信用风险特征的较好的反映，而应收账款和应付账款并不能很好的体现这一点，我们最后决定用利润增长速度和债务增长速度的和作为刻画企业还款意愿的指标，命名为变量“和”，由它来代替应收账款数据。显然，“和”的值越小则还款意愿越好。由此，我们共选定了16个变量进行分析，样本数据见表2，运用SPSS软件计算，因子分析结果见表4、5。

　　由第一组变量集合得到的结果可以看出，从选定的16个变量中我们可以提取出5个主因子。此时，我们可以综合得到原变量集合87%以上的信息量，为了更好地赋予所选主因子以合理的经济含义，我们继续作了因子旋转，见表4。从这个表可以看出，第一主因子同债务与有形净值比率、财务杠杆、资产负债率、长期负债比率关系最为密切，这几个指标变量在第一主因子上的载荷均在0.8以上，并且它们都是用于评价企业债务的相关指标，但是这一主因子对各变量的方差贡献只有26.4%左右，这就说明了这个主因子只是衡量了企业信用风险的一小部分，企业要想提高自己的信用等级，只在债务上下功夫是远远不够的。

　　再来看第二主因子，它主要由总资产报酬率、权益盈利率、销售利润率、每股收益，还有我们设定的“和”所决定。非常明显，可以看出，这几个指标变量都和企业的盈利能力相关，尤其是企业的权益盈利率在这个主因子上综合的信息量最多，高达93.8%，这是要引起我们高度注意的。这个主因子的方差贡献率达21.4%之多，可见，能够使企业赚取更多的利润是管理者义不容辞的责任。

　　第三主因子同营运资本与总资产比率、流动资本比率、速动比率和流动比率相关较大。这几个指标变量都反映了与企业资产有关的信息，因此，我们认为这是一个能够反映企业资本结构的因子。

    这一主因子的方差贡献率达到20.8%之多，与前两个主因子的方差贡献率相当，从这一点就可以看出，前三个主因子在评定企业信用风险等级上有着同等重要的地位，并且这三个主因子的累积方差贡献率达到68.7%左右，基本综合了原变量的大部分信息，因此，若要对企业作出合适的评级，就得紧紧抓住这三个方面第四主因子同经营活动现金流量与债务总额比率以及经营活动现金流净额与销售收入比率有关。显然，这一个主因子实际上能够反映企业的现金流状况，并且它在一定程度上反映了现金流与第一主因子以及现金流与第二主因子之间的比率关系，从一个相对量的角度来观察，进而体现出企业的信用风险。

　　第五主因子主要由存货周转率来决定，存货周转率是销售收入与总资产的比率，在某种意义上，一个企业能否存活关键要看它的产品能否售出，而这各变量可以有效地反映出一个企业的产品销售状况，因而，它可以在一定程度上体现企业的信用风险水平。但是，这一主因子和存货周转率的相依程度并不是很大，另外，它并没有综合其它更多指标变量的信息，而且它的方差贡献率只有7.9%左右，这是非常令人感到遗憾的。

　　根据我国财务制度，企业总结和评价本企业财务状况及经营成果的财务指标包括偿债能力指标、营运能力指标和盈利能力指标，具体包括资产负债率、流动比率、速动比率、应收账款周转率、存货周转率、资本金利润率、销售利税率、成本费用利润率等。现在我们得到的结果基本上是与其一致的。

　　2、第二组24变量

　　总的看来，第一组变量得出的结果还是比较令人满意的，但是得到的第五个主因子基本上就是存货周转率。现在我们尝试着加入Altman在Z-Score模型中的使用过的，而在第一组变量中并没有涉及的指标变量，包括权益市场值与总债务账面值比率、销售收入与总资产比率、税息前收益与总资产比率、标准偏差、利息保障倍数利税前收益与总利息偿付比率、留存收益与总资产比率、资本化率（普通股权益与总资本比率）以及规模（总资产的自然对数）。新增样本数据见5，用SPSS进行因子分析所得结果见表7。

　　我们在用第二组变量得到主因子后同样进行因子旋转，以便更好的给出经济含义，并选取前七个主成分，使累计方差贡献率达到85%以上（见表7）。这一组变量得到的结果也是相当不错的。现在就根据因子分析模型尝试给各主因子以合理、实际的经济含义。

　　先看第一主因子，它主要由债务与有形净值比率、财务杠杆、资产负债率以及长期负债比率决定，方差贡献率达到21.3%左右，这与第一组变量得到的第一主因子基本相同，是所有主因子中非常重要的一部分，在此不再多说。

　　第二主因子同总资产报酬率、权益盈利率、每股收益、销售收入与总资产比率、经营活动现金流量与债务总额比率、税息前收益与总资产比率以及留存收益与总资产比率关系较为密切。这些指标变量与公司的现金流、盈利水平有关，因此这个主因子主要反映的也是企业的盈利能力。与第一组数据的结果相比，不同的是，这个结果并不包含“和”这个变量。

　　第三主因子主要取决于营运资本与总资产比率、流动资本比率、速动比率以及流动比率，与第一组变量得到的结果相比，它的组成部分一样，同样是反映企业资本结构的因子，但方差贡献率却只有15.4%左右。

　　第四主因子主要是由销售利润率以及利息保障倍数利税前收益与总利息偿付决定，第五主因子主要是由标准偏差以及资本化率（普通股权益与总资本比率）决定，第六主因子主要与存货周转率以及经营活动现金流净额与销售收入比率有关。

　　第七主因子基本上就是我们原先所设定的“和”变量，它是利润增长速度和债务增长速度之和，是作为刻画企业还款意愿的指标，这是我们希望出现的，符合我们最初设定这个变量的目的。

　　此外，从第四主因子到第七主因子，方差贡献率就下降得十分明显，每个主因子的贡献率只有6%到9%，并且它们的累积方差贡献率也只有31%左右，从这一点就可以清楚地看出，这四个主因子的地位远不及前三个主因子来的重要，在评价企业风险信用等级时，应该重点观察企业的债务水平、盈利能力、资本结构和现金流状况，同时也要注意企业的利息支付和产品销售状况。

　　现在我们来对比一下使用第一组变量和第二组变量得到的结果。这两组结果的前三个主因子基本一致，分别反映了企业的债务水平、盈利能力以及资本结构，但是第一组结果的累积方差贡献率达68.69%，而第信用服务第一品牌安博尔二组结果的累积方差贡献率只有57.12%。再接着看，第一组变量的第四、第五主因子分别反映了企业的现金流状况和存货周转率，而第二组变量的第四、第五、第六主因子的经济含义不容易解释，但是第七主因子较好的反映了企业的还款愿望。总的看来，我们还是选用第一组变量来评价企业风险信用等级比较合适，下面我们用第一组变量的结果来进行聚类分析，首先我们先用SPSS得出因子载荷矩阵（表8）和因子得分表（表9）。

    由因子载荷矩阵可得因子得分函数如下：F1=0.062378*(营运资本与总资本比率)+0.145831*（流动资本比率）+0.271105*（债务与有形净值比率）+0.108105*（存货周转率）+0.253853*（财务杠杆）+0.234196*（资产负债率）+0.255155*（长期负债比率）+0.005836*（速动比率）-0.0131*（流动比率）-0.0198*（总资产报酬率）+0.036643*（权益盈利率）-0.05213*（销售利润率）+0.1567*（每股收益）+0.052142*（经营活动现金流量与债务总额比率）+0.021634*（经营活动现金流净额与销售收入比率）-0.1453*（和）同理，F2、F3、F4和F5也可得到计算结果，并且，我们结合各个主成分的方差贡献率，得出各企业的因子总得分。 石晓军郭路（北京航空航天大学经济管理学院）　

　　三、分类分析（一）聚类分析以上我们从因子分析中得到了所需要的五个主因子，下面我们将利用SPSS软件作进一步的分析——聚类分析。

　　我们把以上得到的五个主因子作为变量，原先所选取的22家上市公司为样本建立集合，每家公司对应的指标变量数据详见表9。我们在计算前会先进行数据的标准化处理，以消除各个变量在数量级和量纲上的区别。另外，在计算距离时，我们选用欧氏平方距离，在合并类时，采用离差平方合法。当然还有其它许多距离的计算法和类的合并法，考虑到篇幅有限，并且所得结果相差不大，在此不便列出更多的计算过程。以下我们给出了欧氏平方距离表和谱系聚类图。见表10和表11。表10欧氏平方距离列表附后.（二）离差平方和分析从图1谱系聚类图，信用中国第一门户我们并不能很好地判断出这22家企业究竟应该分为多少个等级比较合适，因此我们尝试着再加入别的办法计算，用以得到比较明显的分类结果。首先，我们先列出各种情况下的分类结果。由于只分为一类没有什么实际意义，而我国目前常用做法是将信用等级分为9类，因此我们现在只对2至11类的结果进行分析，各分类结果见表11。

　　然后，我们根据以上各种分类的不同情况，并结合各个企业的因子总得分，计算出在各种分类下的组间离差平方距离之和与组内离差平方距离之和，现利用SPSS得到结果表12。（略）接着，我们构造一个变量，并希望该变量能够较好地反映出所分类别的合理性，既能体现组与组之间的差异性，又能体现类之内的同一性，让我们能够很清楚地看到最后所分得的类别既能较好地区别开来，安博尔信用评级又不至于会分得过分地细致，致使破坏了各个样本的同一性。我们先把组间离差平方和与组内离差平方和分别记为和，并构造指标变量来反映以上信息，其中n表示所分的类的个数。结合表12，并根据以上公式，我们可以得到不同分类个数下的变量值，见下表。（略）由上表可以很清楚地看出，皆小于零，即，组间离差平方和要小于组内离差平方和，这表示由不同类别所属而引起的变差不及由随机变量引起的变差的影响大，也就是说，若把样本分为2类或3类，则组内样本间的差异要大于组与组之间的差异，这不能符合我们把样本进行合理分类的要求。另外，到的值要远远大于零，即，组间离差平方和要远大于组内离差平方和，这种情况刚好与上述的情况相反，这是由于分类分得过于细致，引起样本间的差异主要反映在了组与组之间，组内样本的差异显得相对不重要了，这也不是我们所期望的。为了更明显地看出所分类别的合适个数，我们继续分析，把表13的数据列在坐标轴上，见图2。（略）从以上碎石图可以更加明显地看出，从分成2类到6类时，的值一直较小，且变化比较平稳，当分类从7类开始，的值就猛增上去，变化率相当大。这也就说明了我们把22个样本分为6类是最为合适的，因为这个时候，由不同类别所属引起的差异与组内随机变量引起的差异相当，既能较好地区别不同的组别，又能反映出组内样本之间的同一性。结合图1，我们将样本集合分成以下几类：第一类：凯乐科技、金陵药业、桂林旅游、上风高科、乐凯胶片、隆平高科。

　　第二类：双汇发展、东风汽车、四川美丰、中原油气、青岛海尔、大庆华科。

　　第三类：世纪中天、电广传媒、华泰股份、南钢股份、大连友谊、清华紫光。

　　另外，外运发展、华北高速、中集集团、中色建设不能很好地与其他企业归为一类。

　　（三）因子得分散点图分析

　　由于以上结果并不是十分让人满意，我们将尝试着利用散点图探究一下这几个不能很好归类的企业与其他企业的相关程度，即重点考察外运发展、华北高速、中集集团、中色建设的分类情况。由于前三个主因子的方差贡献率都在20%左右，相差不大，说明这三个主因子的地位是相当的，因此我们用这三个主因子作为坐标轴，分别反映企业负债水平、盈利能力和资本结构。我们还将样本级和聚合为6大类，并分别标以不同的颜色，以示区别，下面我们利用SPSS绘制出所选样本的三维散点图，见图3。

　　从散点图可知，四川美丰、大庆华科和华北高速在空间上比较接近，基本上可以认为这三家企业相关程度比较大，可以归为一类，这样，上述的第二类就只有包含剩下的四家企业了。此外，外运发展与上述的第一类可以合并为一类；清华紫光在各个指标值上与同类中的企业相近，因此仍然归在第三类中；中集集团和中色建设在散点图上与其它的企业都相距甚远，在聚类分析中它们也被分为单独的两类，因而我们根据客观标准将其列出。现在，我们再来看看分类的结果:第一类：凯乐科技、金陵药业、桂林旅游、上风高科、乐凯胶片、隆平高科、外运发展。

　　第二类：双汇发展、东风汽车、中原油气、青岛海尔。
　　第三类：世纪中天、电广传媒、华泰股份、南钢股份、大连友谊、清华紫光。
　　第四类：四川美丰、大庆华科、华北高速。
　　第五类：中集集团。
　　第六类：中色建设。

　　第一类中的企业普遍负债水平较高，但同时盈利能力较好，资本结构也比较合理，这也许与企业的行业性质有关，总的来说它们的信用风险会相对较校第二类中的企业负债水平与第一类的相当，而盈利能力又比第一类中的企业稍强，但是，从企业的资本结构上来看，就显然没有第一类合理，整体上来说要较逊于第一类。第三类中的企业在第一主因子负债水平上的得分较高，说明这一类企业的负债状况较好，但盈利能力明显不如前两类企业，同时它们的资本结构居中，整体水平只能算是中等。第四类企业在这三个主因子的得分上都很低，总体实力比较靠后。我们认为中集集团和中色建设是比较另类的企业。中集集团的对外负债最低，而盈利能力高，资本结构也较为合理，是这众多企业中综合实力最强的企业之一。中色建设的负债水平和资本结构得分居中，但是企业获得的利润最为可怜，将企业的整体实力下拉了不少，这也从一定程度上可以看出，现今我国的建筑行业十分得不景气。

　　四、我国的信用等级与国际标准的对应及不同（一）与国际标准的对应由以上分析可以看出，我们从22个行业中分别选取一个典型企业作为代表，根据它们提供的各项财务数据进行因子分析，得到能够综合这些财务指标的主因子，然后进一步得出聚类结果，并结合主因子得分散点图将其分类，得到最后的结果，总共是六类。现在我们将结果与国际标准（以标准普尔为例）进行对比，得到他们之间粗略的对应。

　　第五类是我们得到的总体实力最高的类别，它基本上可以对应标准普尔的AAA级或AA级，第一类和第二类企业实力相当，总体实力仅次于第五类，相当于标准普尔的A级或BBB级，第三类企业总体水平居中，对其进行投资带有一定程度的投机性，可以对应于标准普尔的BB级或B级，第四类企业得分都比较低，排名靠后，投机性比第三类更大，因此我们认为这一类可以对应标准普尔的CCC级或是CC级，第六类企业的盈利能力太弱，这也许同国家的宏观环境有很大程度的关联，受外界环境因素的影响很大，不利于人们对其进行长期的投资，暂且把这一类对应标准普尔的C级。

　　（二）产生不同的原因

　　经过以上与国际标准的对比，很容易就可以看出我们得到的结果与国际标准有很大的不同，最明显的就是所分的等级个数不一样，这其中是有很多原因的，现在就简单地探讨一下。我们认为主要的原因有以下三个：1、财务制度不一样，能够提供的数据不同我国有着自己的财务制度，国家规定了适合自身的相关法律法规，对诸如企业资金的筹集，流动资产、固定资产的管理，销售收入、利润及其分配都与国外的规定不尽相同，企业需要定期向外界披露自己的有关信息，以利于他人进行监管、投资等，这个过程的同时也是企业对自身的有效管理。在整个国家政治经济环境不同的情况下，我国企业与外国企业当然有着不同的任务，它们必须提供的信息首先就不一样，因而评级公司所能得到信息就会不同，若对国内的企业采用与国外企业相同的评级办法、评级标准，得到的效果不一定会十分令人满意。就以本文内容来说，根据我们所能得到的数据分析，在现有情况下，我国企业应该分为六个等级比较合适，但实际情况却不是这样。现行的方法究竟是否可行，效果又如何，都是需要更多人去研究的。

　　2、企业诚信程度不同

　　市场经济发达国家流传着一句话，“诚实是最好的竞争手段”。但这种说法有时似乎并不灵验，中国企业界发生的一连串事件让人们集中领略了企业的诚信是多么的不可信、多么的可怜！一系列会计师事务所造假案，甚至连三九集团、科龙电器、蓝田股份、东方电子这样业绩优良的知名品牌公司都因此而受到调查和处罚，更可怕的是素以态度客观、知识深厚著称的股评家们也遭遇了诚信问题，成为千夫所指的目标，尽管他们几乎都拥有著名专家、博士生导师、博士、教授和高级研究员等令人炫目的学术头衔。我们不禁要问：信用到哪里去了？呼唤诚信道德成为中国企业界的一种最强音。但是市场经济条件下的诚信并不仅仅是通过宣传和教育就可以做到的，而是一系列机制的自然产物。企业若不能很好地做到这一点，相信中国的资信评级业就不可能有较大的发展。试问：对不诚信的企业进行信用评级又有什么意义可言呢？

　　3、选用分析方法的偏差

　　除了以上所述的原因之外，还有很重要的一点是我们选用的方法会给结果带来很大的偏差。首先是收集的数据和选用的变量存在着一定的问题，我们只是尽自己的努力去收集一般公众能够接触到的信息，至于评级公司能否得到更多更全面的信息我们并不知晓，而且对于评级公司所用的评级方法我们也不熟悉。其次是我们采用的主因子-聚类分析方法不是十分成熟完美，并没有做过任何对问题的适用性的研究。最后各人的分析能力也是有限的，对样本分类需要我们进行主观上的判断，这是只有靠我们去努力弥补的。石晓军郭路（北京航空航天大学经济管理学院）　编辑惟信盛

　　参考文献：
　　[1]Edward I.Altman ,Predicting Financial Distress Of Companies :Revisiting The Z-Score And ZETA Models[M] , June 1995.[2]何晓群，现代统计分析方法和应用[M],北京：中国人民大学出版社，1998年.[3]杨军，商业银行客户评价[M]，中国财政经济出版社，1998年.[4]John B.Caouettee ,Edward I.Altman and Paul Narayanan著，石晓军、张振霞译，演进着的信用风险管理——金融领域面临的巨大挑战[M]，机械工业出版社，2001年.[5]Timothy J.Gallagher and Joseph D.Andrew,Jr.著，Financial Management :Principal and Practice [M],北京：清华大学出版社，1999年.[6]朱荣恩、徐建新，资信评级[M],上海三联书店出版，1996年.[7]邹建平，信用评级学[M]，中国金融出版社，1994年.[8]薛薇，统计分析与SPSS的应用[M]，中国人民大学出版社，2001年.