中小企業(yè)信用風(fēng)險主要度量模型述評

本文通過分析發(fā)現(xiàn)，當(dāng)前適用于中小企業(yè)信用風(fēng)險的度量模型，如統(tǒng)計模型、AHP、BP神經(jīng)網(wǎng)絡(luò)、SVM，不同的度量模型均存在著一定的優(yōu)勢與不足。未來中小企業(yè)信用風(fēng)險模型的構(gòu)建可從數(shù)據(jù)的搜集、定性定量指標(biāo)的選取、動態(tài)因素等方面進行優(yōu)化。

中小企業(yè) 信用風(fēng)險 融資

引言

融資難是制約我國中小企業(yè)發(fā)展最主要的因素。融資難困境的根本原因在于中小企業(yè)與金融機構(gòu)信息不對稱，我國尚未發(fā)展出中小企業(yè)信用評級的方法。當(dāng)前信用風(fēng)險度量模型大部分適用于大企業(yè)。然而大企業(yè)與中小企業(yè)在信用風(fēng)險表現(xiàn)上有顯著差異，Vallini（2008）、王建剛（2016）、郭曉鳳（2017）等認(rèn)為規(guī)模不同的企業(yè)需建立相應(yīng)的信用評級模型。因為中小企業(yè)規(guī)模小、財務(wù)透明度差、發(fā)展時間短等因素，中小企業(yè)信用風(fēng)險難以準(zhǔn)確度量，以致于難以獲得金融機構(gòu)的認(rèn)可從而無法獲得融資。

中小企業(yè)信用風(fēng)險的度量

（1）統(tǒng)計模型法。在運用統(tǒng)計模型法度量中小企業(yè)信用風(fēng)險時，主要采用LDM、LPM、Logit、Logistic ，其中Logistic模型應(yīng)用較為廣泛。Wiginton（1980）首創(chuàng)性地把Logistic模型用于信用風(fēng)險評估中，條件概率為： ，其中，。該類模型對數(shù)據(jù)要求不高，運用靜態(tài)的定量指標(biāo)，較好搜集；參數(shù)估計和使用較為簡便，且評估結(jié)果較好。缺點在于模型是經(jīng)驗性的，不具備有效的經(jīng)濟意義，缺乏對動態(tài)、定性因素的考慮，無法作出全面細(xì)致的評估。

卿固等（2015）、劉秀琴（2016）、王千紅（2017）等學(xué)者采用Logistic模型進行實證，均表明模型準(zhǔn)確率較高，能較好判別中小企業(yè)的信用風(fēng)險，可用于信貸創(chuàng)新以改進中小企業(yè)融資難題。梁琪等（2014）引入截面數(shù)據(jù)的隨機效應(yīng)Logistic模型，以期解決模型之外因素對違約行為的影響，研究發(fā)現(xiàn)隨機效應(yīng)Logistic模型以及添加公司治理指標(biāo)能更加優(yōu)化判別預(yù)測效果。

（2）層次分析法。層次分析法（AHP）是由T.L.Satty于上世紀(jì)60年代提出的將定性與定量因素相結(jié)合的決策分析方法。中小企業(yè)的信用風(fēng)險度量問題較為模糊、復(fù)雜而又難以完全量化，因此AHP適用于中小企業(yè)信用評級，且表現(xiàn)出了良好的實用性與有效性。王潔（2012）提出了一種基于粗糙集與 AHP 信用評估模型，評估結(jié)果較好，誤差小于5%。左銳等（2015）利用 AHP 結(jié)合定性和定量因素建立了中小企業(yè)信用評級體系，從財務(wù)要素、環(huán)境要素、成長要素、創(chuàng)新要素、企業(yè)基本素質(zhì)五方面選取了具體指標(biāo)，根據(jù)判斷矩陣構(gòu)建相對指標(biāo)權(quán)重。近年來AHP不僅用于中小企業(yè)、供應(yīng)鏈融資信用風(fēng)險，還拓展到了如P2P網(wǎng)絡(luò)借貸等互聯(lián)網(wǎng)金融領(lǐng)域風(fēng)險的度量。

（3）BP神經(jīng)網(wǎng)絡(luò)。Rumelhart等（1986）提出了BP神經(jīng)網(wǎng)絡(luò)，此后多應(yīng)用于醫(yī)學(xué)、計算機等領(lǐng)域。輸入層、中間層和輸出層是BPN的三個層次，多指標(biāo)歸一化處理作為輸入，評價結(jié)果作為輸出。Jensen（1992）率先使用BPN對貸款企業(yè)進行信用風(fēng)險分類，效果良好。此后Coats（1993）、Altman（1994）也開始了BPN對信用風(fēng)險的研究。后來我國學(xué)者郝麗萍（1999）、龐素琳等（2003）等也開始了把BPN用于度量商業(yè)銀行貸款信用風(fēng)險，實證表明BPN比LDA的判別效率更高。楊淑娥等（2005）指出BP神經(jīng)網(wǎng)絡(luò)在處理關(guān)聯(lián)度高、非線性變化以及缺失部分?jǐn)?shù)據(jù)的情況時對風(fēng)險的識別能力仍較好。王凱（2007）、李媛媛等（2014）、陳祥碧（2015）等人將BP神經(jīng)網(wǎng)絡(luò)用于中小企業(yè)信用風(fēng)險的度量，預(yù)測精度較高。但目前也還存在著數(shù)據(jù)有限、網(wǎng)絡(luò)穩(wěn)定性差等缺點。

（4）支持向量機。支持向量機（SVM）是一種基于統(tǒng)計學(xué)習(xí)理論的非線性分類方法，能夠較好完成信用風(fēng)險識別。Vapnik（1995）首先提出了SVM，該方法能夠處理非線性、非正態(tài)、高維度、小樣本的數(shù)據(jù)，且學(xué)習(xí)速度較快。此后不少學(xué)者如Huang（2004）、Lee（2007）、陳詩一（2008）等人通過實證研究發(fā)現(xiàn)，SVM比其他分類方法效率更高。肖斌卿等（2016）指出SVM二元分類比較粗略，用于信用體系的建設(shè)還有待細(xì)化。為了提升對中小企業(yè)信用風(fēng)險的預(yù)測精度和穩(wěn)定性，一些學(xué)者結(jié)合研究對象，選取了LS-SVM、ODR-BADA

SYN-SVM、KPCA-PSO-SVM等模型對

SVM進行改進。

結(jié)語

信用風(fēng)險是金融風(fēng)險的主要類型，阻礙著中小企業(yè)的融資道路。信用風(fēng)險度量模型大致分為專家系統(tǒng)模型（5C、5P、LAPP），信用評分模型（ Z-Score、ZETA 、Logistic、Probit），現(xiàn)代信用風(fēng)險模型（KMV、Credit Risk+、Credit Metrics、Credit Portfolio View），人工智能模型（BP神經(jīng)網(wǎng)絡(luò)、SVM、決策樹）。當(dāng)前風(fēng)險度量模型適用于規(guī)模較大、治理完善、財務(wù)數(shù)據(jù)完整的企業(yè)。本文對當(dāng)前適用于度量中小企業(yè)信用風(fēng)險的主要模型做了梳理，分析了優(yōu)勢與不足。在我國大力發(fā)展大數(shù)據(jù)、人工智能以及不斷完善征信系統(tǒng)的背景下，未來中小企業(yè)信用風(fēng)險模型的構(gòu)建可從數(shù)據(jù)的搜集、定性定量指標(biāo)的選取、動態(tài)因素等方面進行優(yōu)化。只有解決了中小企業(yè)信用評級的問題，中小企業(yè)融資的渠道才能更加暢通。

[1]梁琪，過新偉，石寧.基于隨機效應(yīng)logistic模型的中小企業(yè)財務(wù)失敗預(yù)警研究[J].管理工程學(xué)報，2014，28（03）：126-134.

[2]左銳，劉哲.基于AHP法中小企業(yè)信用評級指標(biāo)體系的構(gòu)建[J].財會通訊，2015（11）：80-83.

[3]肖斌卿，柏巍，姚瑤，李心丹.基于LS-SVM的小微企業(yè)信用評估研究[J].審計與經(jīng)濟研究，2016，31（06）：102-111.

[4]Jensen Herbert.Using neural networks for credit scoring [J]. Managerial Finance，1992，18（6）：15-26.

作者簡介：鄭美蓮（1994—），女，漢族，四川資陽人，碩士研究生，北京工商大學(xué)，研究方向：金融工程。