企業信用評級的研究

摘要：隨著我國經濟的高速發展，企業已經進入了全面的市場競爭階段，企業信用評價的好壞直接決定了企業的競爭力，然而我國目前信用管理尚處于初級階段，在市場經濟的發展過程中出現了很多由信用風險引發的問題，本文通過對企業信用評級的研究，使企業能夠更好地監控和預測信用風險，更好地進行信用管理。

關鍵詞：企業信用評級;神經網絡;熵權法

隨著我國經濟建設的不斷發展，國家實力不斷增強，我國的社會主義市場經濟也在朝著高度發達的現代信用經濟的方向前進，信用經濟是市場經濟的基礎，沒有信用就談不上現代經濟。但是我們在建設中國特色的社會主義市場經濟道路上遇到了很多危機與困難，一方面，現代信用價值標準與我國傳統信用價值標準和文化發生沖突，另一方面，現代信用體系和規范尚未完善。因此在市場經濟中出現了很多不規范，甚至違法行為。企業信用評級作為信用體系的一個重要部分，對于預測和控制企業信用風險，加強企業信用管理具有重要作用。

1.企業信用評級指標體系的構建

進行企業信用評級前首先要建立信用評級指標體系，作者研究大量企業信用評級的相關文獻、論文以及期刊等文章后，發現目前國際上普遍采用信用5C分析法評估企業信用，而現在我國主要根據安全性、收益性、成長性、流動性和生產性來衡量企業的信用狀況。本文結合前人的研究基礎，得出企業信用評級的指標體系要既包括財務指標，也要包括非財務指標，定量與定性相結合，更加全面和準確的進行企業信用評級。

財務指標選取了能夠全面反映企業的盈利能力、償債能力、營運能力、現金流量和成長能力的26個財務指標

除了企業的盈利能力、償債能力等財務指標與企業信用有關外，企業的發展能力也與企業信用密切相關，因此在對企業進行信用評級時也應當關注此類信息。本文通過廣泛使用的非財務指標結合爬取的數據最終選擇了企業注冊資本、經營年限、行業類型來反映企業的發展能力。

2.企業信用評級的實現

2.1期望信用評級的實現

使用神經網絡時，要明確網絡的期望輸出，神經網絡才能根據訓練樣本識別其中的規律，但作者沒有找到樣本企業已有的信用評級的信息，因此本文決定計算各企業的信用評分，然后按銀行信用等級劃分標準對樣本企業進行劃分。

根據各企業信用評分和商業銀行信用等級劃分標準，對各企業信用進行評級，發現樣本數據中的企業信用都比較不錯，沒有處于C類等級的，絕大多數企業都處于良好狀態 。

2.2基于BP神經網絡模型的企業信用評級的實現

構建神經網絡結構，即確立神經網絡的輸入層、隱含層和輸出層，由于這些都是要在實踐中根據實際需要設定，因此不存在一個確定的標準。

（1）輸入層設計

本文從同花順網站上爬取了樣本數據中各企業計算期望評級時各項財務指標所對應時期的各項能力的評分，包括量、成長能力、資金面、行業面、消息面評分，將這8個數據作為輸入節點。

（2）隱含層設計

隱含層節點數的確定并沒有標準的方法，如果隱含層節點數設置過少，則可能達不到訓練的效果，但如果隱含層節點數設置過多，雖然能夠增加準確度，減少誤差，但會使訓練時間加長，甚至出現過擬合的情況，因此往往需要在實踐中根據經驗進行調試， 本文根據設置隱含層節點數的多個方法進行試驗，最終選擇了用sqrt（輸入層節點數*輸出層節點數）計算隱含層節點數，獲得的結果誤差最小。

（3）輸出層設計

本文是將樣本數據中的各企業的實際信用情況和計算的期望信用評級進行預測，因此選擇期望信用評級作為輸出節點。

本文結合樣本數據，為使運行結果更好，選擇了三層神經網絡拓撲結構，神經網絡是一門機器學習語言，因此要首先對其進行訓練，本文選用了MATLAB的神經網絡工具箱的GUI界面來進行神經網絡。

結果顯示：樣本輸入層節點數為8，隱含層節點數為3，輸出層節點數為1，w表示權重，b表示閾值。

根據訓練數據梯度與均方圖可知：最好的均方誤差為0.1，驗證數據集在第23次迭代中達到了0.1，訓練集與測試集誤差均低于0.1，說明訓練集和測試集誤差都比較小，準確率較高。

分析訓練集、驗證集、測試集以及整體數據的回歸分析圖，行坐標為期望評級，縱坐標為網絡輸出值，每個圖中兩條線都幾乎重合，說明擬合程度很好，R為自變量與因變量之間的相關性，上圖中訓練集、測試集以及整體的樣本數據的R值都達到了0.95以上，驗證集的R值也在0.94以上，說明網絡輸出與期望輸出的誤差較小，神經網絡模型的準確率很高，是適用于企業信用評級研究的。

3.結論

本文構建了企業信用評級指標體系，結合定量與定性分析，并且對定性指標進行了量化，在進行信用評級時選擇了BP神經網絡模型，主要結論如下：

（1）神經網絡具有高度的自組織、自學習的能力，由于企業信用信息披露不全面，而傳統統計模型對財務數據又有較高的要求，因此并不適用企業信用評級的研究，而且目前國內外很多信用評級多采用專家打分等比較主觀的方法，使企業信用評級結果帶有較大的不確定性，神經網絡具有強大的并行處理機制，通過對樣本數據的訓練與學習，能夠準確預測輸入向量與輸出向量之間的關系，更加方面靈活，結果也更準確。

（2）神經網絡能夠處理企業評級指標和期望等級之間的非線性問題。

（3）神經網絡是一個動態學習的過程，隨著訓練和學習樣本的增加，神經網絡的學習能力也會隨著提高，從而提高準確度，相比傳統方法只能預測當前樣本更適用于企業信用評級的研究。

參考文獻：

[1]鄭建華，黃灝然，李曉龍.基于大數據小微企業信用評級模型研究[J].技術經濟與管理研究，2020（07）：22-26.

[2]張澤珩，胡俊彧，仇雪陽，龔漪波，楊博森.互聯網背景下科技型中小企業信用評級指標體系[J].現代商貿工業，2020，41（24）：129-130.

[3]楊國鍵. 基于BP神經網絡預測非公開發行公司債券信用利差[D].上海外國語大學，2020.

[4]胡嚴勻. 基于BP神經網絡的新三板企業信用評級研究[D].華北電力大學（北京），2018.

[5]歐陽建明. 基于BP神經網絡的中小企業信用評級[D].江西財經大學，2016.

作者簡介：劉曉春（1995.01-）女，漢族，山西臨汾人，單位：云南民族大學管理學院（會計學院），碩士研究生，研究方向：企業管理。