成長型科技創業企業的信用評價研究

摘要：創業企業經常受到外部的融資約束，對成長型科技創業企業尤其嚴重。因此，構建成長型科技創業企業的信用評價指標體系和模型非常必要。文章基于企業的動態財務數據，并將企業的成長與創新能力作為重要的評價指標，應用Logistic回歸方法，提出了成長型科技創業企業的信用評價模型和方法，來動態評價企業的信用狀況。通過模型比較和檢驗，證明其評價準確度較高。

關鍵詞：信用評價；成長型科技創業企業；創新能力；成長能力；logistic回歸

中圖分類號：F22412文獻標志碼：A文章編號：10085831（2015）02006906成長型科技創業企業的快速發展是推動中國經濟增長的重要動力，然而，這類企業也最易遭遇生存瓶頸，這是因為成長型科技創業企業的融資需求較高，但其信息不對稱程度較一般創業企業更加嚴重，因而融資往往成為決定其創業成敗的關鍵因素。成長型科技創業企業的發展，會受到金融中介的發展狀況和市場資源在企業間分配情況的影響。在企業的創業過程中，銀行和金融市場發揮著重要的促進作用，但金融中介機構在履行職能的同時，會受到企業信息不透明的限制，主要表現為收益的高度不確定性和高昂的監督成本。對于成長型科技創業企業，這種融資障礙尤為突出，其沉沒成本高且研發周期長，即使投資項目前景良好，但如果缺乏外部資金，則企業可能無法克服這種融資障礙，成長型科技創業企業對技術創新的促進作用也就難以發揮。

因此，本文重點關注成長型科技創業企業的信用評價問題。Berger等[1]的研究顯示，銀行通過信用評價可以增加對科技創業企業的貸款額，而且能夠保證貸款質量。Gredel等 [2]的研究支持了這種觀點，即利用信用評價技術可以使銀行更容易地為成長型科技創業企業放貸。

一、文獻綜述

國外大量文獻強調，無論企業規模大小，成長型科技創業企業都易受到較大程度的融資約束。Hall和Lerner[3]認為這是由于企業和投資者之間的嚴重信息不對稱造成的，即企業對所投資項目掌握著更多的信息。此外，由于成長型科技創業企業在創業之初往往遭遇財務危機，因而面臨較高的信貸成本和較少的信貸額，即在信貸市場上還面臨嚴重的逆向選擇問題。在中國，由于風險投資行業沒有得到充分發展，這種信息不對稱和逆向選擇問題表現得更加嚴重[4]。

在本節中，將對前人的文獻進行回顧，分為三個部分，即評價模型、非財務評價指標和財務評價指標。在此基礎上提出適合于成長型科技創業企業的信用評價模型。

（一）評價模型與方法

信用評價的分析技術有多種，包括統計方法、未定權益分析方法、資產價值的債務覆蓋分析、神經網絡、數據包絡分析等技術。關于信用評價的模型很多，然而，一些復雜模型的應用需要有完備的市場數據，如結構式模型需要股票市場的交易數據，簡式模型需要公司債券及資產掉期的數據。但對于成長型科技創業企業來說，這些市場數據一般難以提供，因而復雜模型無法應用，但可采用神經網絡模型或其他統計模型。Beaver[5]開創了使用判別分析方法進行信用評價的先河，Ohlson[6]則率先將Logit和probit模型用于信用評價，并認為克服了判別分析法的局限性。目前這兩種模型已被廣泛采用。Jones和Hensher[7]利用混合Logit模型進行信用評價，將判別分析法、probit分析、logit分析和主成份分析法綜合運用，構建了一個綜合的信用評價模型。Sohn和Jeon[8]采用Logistic回歸方法，提出了科技企業的信用評價模型，利用隨機效應logistic回歸模型來預測貸款違約，該模型反映了在相同條件下不同企業的違約概率。

總體而言，針對成長型科技創業企業的評價模型研究較少，且在評價指標方面沒有取得一致。

（二）評價指標

Altman[9]選取了以下財務指標：營運資金/總資產留存收益/總資產、利息及稅項前收益/總資產、市值/總負債、銷售收入/總資產，來反映企業的財務狀況。目前，這些財務指標已被廣泛應用于貸款違約預測研究。一些學者強調了非財務指標在信用評價中的重要性，Canbas等[10]認為，僅僅依靠財務報表信息的計量經濟模型，無法準確預測企業信用狀況。Harhoff和Thoma[11]利用隨機前沿模型對生產效率進行了測量，發現生產效率是預測企業信用狀況的顯著指標，對小企業進行信用評價應更多地使用非財務數據，而不是傳統的財務指標。

Ravi[12]發現，較長的銀企關系有助于成長型企業獲得貸款。一旦建立了與銀行的信任關系，成長型企業就可以提高融資額和降低借貸成本。Pederzoli和Torricelli[13]研究發現，一些定性的回歸因子如客戶集中度、客戶實力、競爭對手實力等也能夠有效地預測企業貸款違約情況。Hajek [14]認為，創業企業的無形資產價值越高，則信用評價等級越高，而且企業創建時間越短，這種效果越明顯。

通過文獻回顧發現，對于成長型科技創業企業融資的信用評價，首先，Logit模型較為適用，而且財務指標可以分為五大類：杠桿比率、流動性、盈利能力、債務覆蓋和業務活動；其次，信用評價既要重視財務指標，也要重視定性指標；最后，企業的創新能力是信用評價的一個重要方面。

二、實證分析

（一）數據來源

截至2012年12月，在中國中小板上市公司中，成長型科技創業企業共有552家，創業板的成長型科技創業企業共325家，兩者相加共計877家成長型科技創業企業。剔除數據不全和沒有長期貸款的736家公司，本文最終收集了141家成長型科技創業企業的172筆貸款信息，貸款期限均在3年以上。所有的統計數據都取自于這些公司2009-2011年對外公布的上市公司年報，研究所使用的數據主要來自國泰安金融數據庫、中國知識產權網以及巨潮資訊網。所收集的信息包括企業接受貸款后的財務比率以及企業是否存在拖欠貸款現象。所收集的172筆貸款信息中，共有28家企業拖欠貸款。

（二）模型構建

本文擬構建一個兩階段信用評價模型。使用logistic回歸分析，首先在初始階段根據企業貸前的相關信用信息，評價企業信用從而確定是否貸款；在第二階段，利用貸后1年的相關信用信息，評價企業貸后的信用狀況，從而確定是否繼續貸款。

1.企業特征

企業的特征主要通過企業規模與銀企關系的持續時間來反映，企業規模根據企業銷售額的對數來衡量。規模較大的企業往往管理機制較為完善，企業競爭能力較強，外部融資較為容易，具有抵抗外界沖擊的能力，信用評價一般較高。但企業規模較大也易導致管理效率低下，從而降低企業的信用。較長的銀企關系往往反映了企業信用狀況較好。

2.盈利能力

盈利能力是企業存在的基礎，是信用評價的重要指標。本文用凈資產收益率（平均）、資產報酬率、銷售凈利率來衡量企業的盈利能力。

3.營運能力

根據鮑盛祥和殷永飛[15]的研究成果，選擇總資產周轉率和存貨周轉率來衡量企業的營運能力。總資產周轉率是考察企業資產運營效率的一項重要指標，反映了企業全部資產的管理質量和利用效率；張洪祥和毛志忠[16]認為，該數值越高，表明企業總資產周轉速度越快，銷售能力越強，資產利用效率較高，從而信用評價較好。

4.償債能力

根據前人的研究成果，本文選擇流動比率來衡量企業的償債能力。企業償債能力強，可以減少企業的流動性危機。但是，由于流動性強往往意味著企業擁有大量現金，會喪失一些較好的投資機會，從而降低投資回報，因此企業必須在流動性和投資回報之間尋求平衡。但一般來講，償債能力強的企業會獲得較好的信用評價。

5.資本結構

資本結構可用資產負債率來表示。資產負債率較高的企業通常風險較大。但是，資產負債率與企業信用風險之間不是單值函數的關系，資產負債率過低也不利于企業的經營，會使企業喪失較好的發展機會，從而降低企業信用等級。

6.創新能力

創新能力可用新產品銷售收入比率和專利擁有數來表示。較強的創新能力可以增加企業價值，因而可以提高企業信用等級。對于成長型科技創業企業來講，其核心競爭能力往往就是其創新能力，因此這個指標在信用評價中顯得格外重要。丁雪偉和李莉[17]的研究表明，新產品銷售收入是衡量產品創新的最直接指標，新產品銷售收入占全部產品銷售收入的比重可以衡量產品創新對整個銷售收入的貢獻，而專利擁有數是測定創新能力的重要指標。

7.成長能力

企業的成長能力可用總資產增長率、股東權益增長率、凈利潤增長率來表示，成長能力強的企業會有更多的發展機會，但其風險也會相應增大，信息不對稱問題也往往更加嚴重，因此違約概率相對較高。而且經理人會試圖將企業價值從債權人轉移到它的股東手里，因此經理人往往采取投資高風險項目的經營策略。總之，成長能力強的企業具有較高的信貸風險。

8.管理能力

管理能力可用領導者的相關行業從業年限的對數來表示。企業的長期穩定發展，關鍵在于管理，對于成長型科技創業企業來說， 領導者的管理經驗為提高企業的信用狀況奠定了基礎，根據徐華[18]的研究，本文將領導者的相關行業從業年限作為反映管理能力的指標。

重慶大學學報（社會科學版）2015年第21卷第2期

楊楠成長型科技創業企業的信用評價研究

9.營銷能力

營銷能力可用市場潛力和產品競爭力來表示。根據Stein[19]的研究，企業的營銷能力直接影響財務狀況，會對信用評價產生重要影響。

根據國內外的相關研究，本文設定的信用評價指標體系如表1。

其二，缺失值的問題。成長型科技創業企業財務信息的準確性較低，并存在大量的缺失值，為解決這個問題，在模型中使用名義變量。

總之，新的名義變量考慮了每一個指標的四個方面：與上一年度同期相比數值增加，名義變量為1；數值沒有變化，名義變量為0；與上年同期相比，數值下降，名義變量為-1；沒有提供數值，名義變量為9。在這種模式下，即使缺少財務信息，也可進行信用評價。

表2信用評價因子因子名稱因子含義Factor 1 （X7，X8）營運能力Factor 2 （X1，X2，X3，X10，X11）成長與創新能力Factor 3 （X4，X5，X6）盈利能力Factor 4 （X9，X12）杠桿比率與流動性Factor 5 （X13，X14，X15，X16，X17）業務能力采用逐步回歸法進行降維，便于利用logistic模型進行評價。本文以5%的顯著性水平作為逐步回歸過程的篩選標準。為解決多重共線性問題，需要通過因子分析得到獨立因素。本文通過因子分析將上述17個二級指標轉化為5個因子，這些因子可以解釋總變異的89.52%，見表2。

（三）Logistic回歸分析的結果

名義變量的時間序列描述了表1中17個評價指標的情況，把指標下降的企業作為對照組。模型1包括了反映貸后第一年度財務信息的名義變量，模型2包括了反映貸后兩年信息的名義變量，模型1和模型2以及logistic回歸結果見表3。

通過表3可以發現，在模型1和模型2中，除了財務指標外，還包括了貸后獲得的非財務指標，而且與上年同期相比指標下降的企業，被作為了參照組。通過模型1可以看出，在所有名義變量中，只有營運能力（Factor 1）在5%的水平上是顯著的。表明營運能力下降的企業更易違約。

模型2中包括了貸后第二年財務狀況變化的信息，因子2（成長與創新能力）、因子3（盈利能力）、因子5（業務能力）進入了模型。可以發現，成長與創新能力增強的企業更易出現貸款違約；對于盈利能力降低的企業，其貸款違約率要低于那些沒有提供盈利能力信息的企業；而對于業務能力下降的企業，其貸款違約率要高于那些沒有提供業務能力信息的企業。

數據集里的缺失值通常不能用于統計分析或進行信用評價。然而，成長型科技創業企業信息中往往存在大量缺失值，尤其是在經濟不夠發達的國家，這種情況經常出現。模型1和模型2的研究結果表明，本研究采用的建模方法可以在缺少企業財務資料的情況下，對貸后企業潛在的貸款違約情況進行評價。

（四）模型比較和檢驗

受試者工作特征曲線（ROC曲線）可以揭示敏感性和特異性的相互關系，它通過將連續變量設定出多個不同的臨界值，從而計算出一系列敏感性和特異性，再以敏感性為縱坐標、特異性為橫坐標繪制成曲線，曲線下面積越大，診斷準確性越高。在本文提出的模型中，敏感性是在企業守約的情況下，模型正確評價風險的比例；特異性是在企業違約的情況下，模型正確評價風險的比例。因此，通過ROC曲線，可以對本文所提出的信用評價模型的性能進行比較和檢驗。數據測試的結果見圖1。

圖1模型比較ROC曲線圖一般來說，AUC在0.5～0.7時有較低準確性，AUC在0.7～0.9時有較高準確性。根據圖1，可以發現模型2的ROC曲線下的面積更大，表示其評價準確度更高，ROC曲線下的面積（AUC）為0.808，其次為模型1，其AUC 為0.785。

信用評價的目的之一是向銀行提供貸款違約的預警信號，在這方面，模型1的優點在于及時性，它可以早于模型2提供預警信號。但是，模型2比模型1的預測更準確。對于貸款違約率高的企業，銀行需要采取必要的防范措施，如知識產權質押等。銀行也可以向企業提供管理咨詢，幫助企業改善其財務狀況。

三、結論

Logistic回歸分析的結果表明，發展速度越快的成長型科技創業企業，將面臨更多的財務問題，其貸款違約率較高。

目前，國內外對于貸前信用評價的研究很多，然而在貸款后，市場或借款企業的財務狀況會發生改變，傳統信用評價模型的預警能力則會減弱。在這種情況下，本文所提出的信用評價模型，可以對成長型科技創業企業進行及時的信用評價。

大多數成長型科技創業企業規模較小，其財務數據的準確性值得研究，為了解決這個問題，本文使用名義變量來反映財務指標，而不是實際的財務狀況。研究結果表明，本文提出的信用評價模型具有較高的預測能力。AUC的數值表明，本文采用的評價指標是合適的，所構建的模型有助于銀行等金融機構的風險防范，有利于成長型科技創業企業的融資，并可促進銀企關系持久發展和更加緊密。

此外，在中國成長型科技創業企業的發展過程中，許多企業在創業初期不能提供準確的財務信息，本文構建的信用評價模型，可以有效處理缺失值，提高了信用評價的準確度。

參考文獻：

[1] BERGER A N， COWAN A M， FRAME W S.The surprising use of credit scoring in small business lending by community banks and the attendant effects on credit availability，risk，profitability[J].Financ Serv Res，2011，39（3）：1-17.

[2] GREDEL D，KRAMER M，BEND B.Patentbased investment funds as innovation intermediaries for SMEs：Indepth analysis of reciprocal interactions，motives and fallacies[J].Technovation，2012，32：536-549.

[3] HALL B，LERNER J.Financing RD and innovation[M]//The Handbook of the Economics of Innovation.Amsterdam：Elsevier，2010.

[4] 范飛龍.非對稱信息下中小企業融資信用信號傳遞模型研究[J].重慶大學學報：社會科學版，2002，8（6）：59-60.

[5] BEAVER V.Financial ratios as predictors of failure[J].Accounting Review，1966，5：71-111.

[6] OHLSON J.Financial ratios and the probabilistic prediction of bankruptcy[J].Accounting Review，1980，18：109-131.

[7] JONES S，HENSHER D A.Predicting firm financial distress：A mixed logit model[J].Accounting Review，2004，79（4）：1011-1038.

[8] SOHN S，JEON H.Competing risk model for technology credit fund for small and mediumsized enterprises[J].Journal of Small Business Management，2010，48（3）：378-394.

[9] ALTMAN E I.Financial ratios，discriminant analysis and the prediction of corporate bankruptcy[J].Finance，1968，13：589-609.

[10] CANBAS S，CABUK A，KILIC S.Prediction of commercial bank failure via multivariate statistical analysis of financial structure：The Turkish case[J].European Journal of Operational Research，2005，166：528-546.

[11] HARHOFF D，THOMA G.Inventor location and the globalization of RD[C]//The Conference on Patent Statistics on Decision Makers.Vienna， Austria，2010，22：1317-1353.

[12] RAVI K.Bankruptcy prediction in banks and firms via statistical and intelligent techniques[J].European Journal of Operational Research，2007，180：1-28.

[13] PEDERZOLI C，TORRICELLI C.A parsimonious default prediction model for Italian SMEs[J].Banks Bank Syst，2010，5：28-32.

[14] HAJEK P.Credit rating analysis using adaptive fuzzy rulebased systems： An industryspecific approach[J].Central European Journal of Operations Research，2012，20（3）：421-434.

[15] 鮑盛祥，殷永飛.科技型中小企業信用評價與實證分析[J].科技進步與對策，2009（20）：143-148.

[16] 張洪祥，毛志忠.基于多維時間序列的灰色模糊信用評價研究[J].管理科學學報，2011，14（1）：15-23.

[17] 丁雪偉，李莉.科技型中小企業技術創新基金項目評審專家信用評價體系研究[J].中國科技論壇，2009，162（10）：18-21.

[18] 徐華.基于科技人員的信用評價模型設計[J].科學學與科學技術管理，2009（6）：182-187.

[19] STEIN R M.Benchmarking default prediction models： Pitfalls and remedies in model validation [J].Risk Model Validat，2007，1：77-113.