基于中小型企業的發票信息風險評測

摘要：目前，我國對企業進行風險測評所選取的指標都是對照大型企業選取的，而這些指標不一定符合中小企業的實際情況，當然也無法準確地反映中小企業的實際風險。筆者通過企業發票的稅額、價稅合計等方面確定模型的指標。筆者訓練了包括神經網絡、決策樹、支持向量機等多個模型。通過多個模型對比，選取最優秀的一個，由此得出在違約的情況下風險更大的結果，與實際情況吻合，比銀行給出的評級結果更為準確。模型的評級結果能夠表現企業的風險可能性。

關鍵詞：中小型企業；發票信息；風險評級；機器學習

中圖分類號：F276.3文獻標識碼：A文章編號：1005-6432（2024）31-0175-04

DOI：10.13939/j.cnki.zgsc.2024.31.043

1引言

中小型企業是推動我國社會經濟全面發展的一項重組成部分。我國的中小型企業占國民經濟以及勞動總產值中的一大部分，在帶動就業、創業等方面提供了支撐，國家也在不斷頒布鼓勵中小型企業發展的相關政策，中小型企業的存在為我國提供了大量的就業崗位，解決了我國75%勞動力人口的就業問題。基于前人的成果，如基于KMV模型對中小企業的風險評級［1］，基于VAR風險價值的中小企業評級體系構建［2］，基于支持向量機的中小企業風險評級模型研究［3］，基于支持向量機理論的中小企業信用風險預測研究［4］。如果建立了一種非常良好的中小型企業信用風險評級模型，那么對于各家銀行來說可以更迅速準確地做出是否給予這些中小型企業相應的貸款，對于一些中小型企業來說，能夠及時地得到資金有利于自身發展。所以建立良好的中小型企業信用風險評級模型是對雙方互惠互利的事情。

2數據選取和指標構建

筆者在全國大學生數學建模競賽2020年c題提供的數據中，選取123家銀行的信息，包括210947張進項發票、162484張銷項發票。每張發票包含的數據各不相同，不同的時間段，不同的企業的發票信息跨度很大。筆者構建了8個指標用于預測違約模型，16個指標預測分級模型。以下是各指標的詳細定義，見表1。

3構建模型

前人的研究成果，eObeMmYxhfoMf6fw884IoA==大多數采用的是Logit模型［5］、BP神經網絡［6］和KMV模型［7］。BP神經網絡算法的收斂速度慢，Logit模型對多重共線性數據較為敏感，KMV模型對實證研究樣本規模較小。為了避免這些問題，筆者選擇機器學習模型，同時訓練了包括神經網絡、決策樹［8］、支持向量機［9］等多個模型。每個模型都用10次交叉驗證進行了測試。指標x1～x8訓練違約模型，指標x9～x24訓練評級模型。

決策樹模型［8］是從根節點出發，對實例的每一個特征進行判斷，根據判斷的結果，將實例分配到各自子節點，每個節點又對應著該特征的一個取值，如此遞歸的對實例進行判斷和分配，直到將實例分配到所有葉子節點中，其基本過程遵循簡單且直觀的“分而治之”的策略。

支持向量機模型［9］（supportvectormachines，SVM）是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有別于感知機；SVM還包括核技巧，這使它成為實質上的非線性分類器。SVM的學習策略就是間隔最大化，可形式化為一個求解凸二次規劃的問題，也等價于正則化的合頁損失函數的最小化問題。SVM的學習算法就是求解凸二次規劃的最優化算法。

4模型的結果

4.1分級模型的結果

通過圖1至圖3的對比，粗略樹模型的效果更好，并且在一些評級預測錯誤的企業，存在違約情況，文章的模型給出的評級比銀行給出的評級更高，在一定程度上符合實際情況，并且更加準確。

4.2違約模型的結果

圖4為精細樹模型的混淆矩陣，精細樹模型對于違約的預測準確度達到85.4%。精細樹模型預測的無違約的企業有88.2%與銀行給出的違約情況吻合，預測有違約的企業有71.4%與銀行給出的違約情況吻合。

圖5為中等高斯SVM模型的混淆矩陣，在中等高斯SVM模型對于違約的預測準確度達80.5%，中等高斯SVM模型預測的無違約的企業有80.5%與銀行給出的違約情況吻合，預測有違約的企業有80.0%與銀行給出的違約情況吻合。

通過兩個違約模型對比，精細樹模型的效果更好，并且在一些預測錯誤的企業，可能存在其他違約風險，可以提供一些預警。

5結論

文章從分析我國中小型企業發展的社會背景資料出發，系統分析了國內中小型企業的信用風險狀況評級方法的指標，基于前輩們的方法，文章通過機器學習建立多個模型，再比對各個模型得出最優秀的一個，并從中得出了以下結論。

第一，由于風險與很多因素有所聯系，而筆者無論如何都無法把所有因素予以考慮，所以風險評級模型在一定程度上能夠反映企業的部分風險，但是不能絕對作為判斷企業風險大小的標準。

第二，文章通過對發票上面的信息進行分析，構建了一些指標建立的模型結果是比較符合實際情況的，而這些指標都是經濟方面的，導致企業風險增大；也有其他方面，如經營者的能力、政府的政策等，所以要想減小企業的風險，必須是全方位地優化企業。

參考文獻：

［1］李丹然.基于KMV模型研究商業銀行對中小企業信用風險評級的改進［J］.中小企業管理與科技（下旬刊），2015（8）：156-157.

［2］朱永明，許錦錦，王靈波.基于VAR風險價值的中小企業擔保機構評級體系構建＼[J＼].財會通訊，2014（2）：39-40.

［3］朱曉燕.基于支持向量機的中小上市公司財務風險評級模型研究＼[D＼].上海：上海外國語大學，2014.

［4］沈沛龍，周浩.基于支持向量機理論的中小企業信用風險預測研究＼[J＼].國際金融研究，2010（8）：77-85.

［5］尚苗.基于logit模型的中小企業信貸風險評估管理＼[J＼].時代金融，2018（12）：210，220.

［6］付川芮.基于神經網絡的中小企業稅務風險預警研究＼[D＼].成都：西南財經大學，2021.

［7］徐波，程金洲，姜炤君.基于KMV模型的中國制造業上市公司信用風險評價＼[J＼].科技和產業，2022，22（7）：76-83.

［8］王懷警，譚炳香，房秀鳳，等.C5.0決策樹Hyperion影像森林類型精細分類方法＼[J＼].浙江農林大學學報，2018，35（4）：724-734.

［9］宋文達.基于支持向量機的量化擇時策略及實證研究＼[D＼].西安：西安工業大學，2017.

［基金項目］湖北省大學生創新創業項目“中小企業信用風險評估方法研究”（項目編號：DC2021105）。

［作者簡介］孔維鑫（2002—），男，湖北黃岡人，數學系本科;謝宇熠（2004—），男，湖北天門人，數學系本科；李思雨（2000—），女，湖北襄陽人，數學系本科；通訊作者：張澤麟（1983—），男，四川成都人，理學博士，湖北汽車工業學院副教授，研究方向：非線性時間序列分析。