中小企业信用风险评估模型比较
浅析中小企业信用担保风险评估模型构建
浅析中小企业信用担保风险评估模型构建引言中小企业是国民经济的重要组成部分，对于促进就业、推动经济增长发挥着重要作用。
然而，由于中小企业相对较弱的资金实力、管理水平以及市场竞争力，其信用风险较高。
为了减少银行等机构在向中小企业提供信用担保过程中的风险，构建一个合适可行的信用担保风险评估模型就显得尤为重要。
信用风险评估模型的基本原理信用风险评估模型是一种基于统计和数学方法的评估工具，用于评估借款人或企业的信用状况和偿还能力。
这些模型基于历史数据、财务指标以及其他相关信息，通过建立数学模型来预测借款人未来的还款能力和违约概率。
中小企业信用担保风险评估模型的构建过程需要确定可靠的风险评估指标，并建立相应的数学模型。
常用的指标包括财务指标、行业分析、管理水平评估等。
在选择指标时，需要具备以下要素：可比性、稳定性、可行性和正确性。
中小企业信用风险评估模型构建步骤以下是一般情况下构建中小企业信用担保风险评估模型的基本步骤：1.数据收集与整理–收集中小企业的历史财务数据、行业数据等相关信息；–整理和清洗数据，确保数据的准确性和完整性。
2.特征选择与权重确定–选择与信用风险相关的特征指标，如财务指标、行业分析结果等；–使用统计方法（如逻辑回归、决策树等）或专家评估的权重法确定特征的权重，以反映其对信用风险的重要性。
3.模型构建与训练–选择合适的数学模型，如逻辑回归模型、神经网络模型等；–将数据集分为训练集和测试集；–使用训练集对模型进行参数调整和优化，提高模型的准确性和预测能力。
4.模型评估与应用–使用测试集对构建好的模型进行评估，包括准确率、召回率、F1值等指标；–根据评估结果对模型进行调整和改进；–将评估良好的模型应用于实际中小企业信用担保风险评估过程中。
常用的中小企业信用风险评估模型在实践中，有多种常用的中小企业信用风险评估模型，如下：1.评级模型–根据中小企业的信用风险等级进行评估和排名，通常采用字母或数字等表示等级。
供应链金融中小企业风险评估模型
供应链金融中小企业风险评估模型1. 引言1.1 研究背景供应链金融中小企业风险评估模型的构建是当前供应链金融领域研究的热点之一。
随着经济全球化的深入，中小企业在供应链中扮演着越来越重要的角色，但由于其规模小、资金压力大等特点，其面临的金融风险也越来越严重。
建立一套科学有效的供应链金融中小企业风险评估模型对于保障中小企业的融资需求、提高供应链金融服务效率具有重要意义。
目前，国内外学者已经对供应链金融中小企业风险评估模型进行了一定程度的探讨和研究，但存在一些不足之处，比如模型精度不高、适用范围狭窄等。
有必要对现有模型进行深入研究和改进，以提升模型的准确度和实用性。
通过构建一套完善的供应链金融中小企业风险评估模型，可以为金融机构提供更科学的风险评估工具，帮助他们更好地把握中小企业的融资需求和风险状况，从而更好地支持中小企业的发展。
也有助于促进供应链金融市场的健康发展，提升整个供应链金融服务的效率和质量。
1.2 研究目的供应链金融在金融行业中扮演着重要的角色，而中小企业由于其规模相对较小、资金链较为脆弱等因素，常常面临着较大的经营风险。
构建一套科学有效的供应链金融中小企业风险评估模型，有助于帮助金融机构更准确地评估中小企业的风险水平，提供针对性的金融支持和服务，帮助中小企业降低经营风险，促进其健康发展。
本研究的目的在于通过对已有的相关理论和实践经验进行综合分析和整合，构建一套完整的供应链金融中小企业风险评估模型。
该模型将充分考虑中小企业的特点和互联网金融技术的应用，通过建立多维度、多层次的评估指标体系，实现对中小企业风险的全面评估和预警。
本研究还将探讨如何将该模型应用于实际的供应链金融场景中，分析其在不同行业和不同环境下的适用性和有效性，为金融机构和中小企业提供更为精准的风险管理工具。
1.3 研究意义中小企业是经济社会发展的重要力量，其发展对于促进民生、创造就业、推动经济增长具有重要作用。
由于中小企业规模小、资源有限、信息不对称等特点，导致其在供应链金融中面临较大的融资风险。
小微企业贷款信用风险评估模型
THANKS
谢谢您的观看
模型应用步骤
模型应用
将建立的模型应用于实际贷款审批流程中 ，对申请贷款的小微企业进行信用风险评 估。
数据收集
收集小微企业历史贷款数据、经营状况、 征信信息等数据，为建立评估模型提供数 据基础。
特征提取
从收集的数据中提取与信用风险相关的特 征，如企业财务状况、经营状况、征信记 录等。
模型验证与优化
通过历史数据对模型进行验证，并根据验 证结果对模型进行优化调整，提高模型的 准确性和稳定性。
模型建立
利用提取的特征，采用适当的机器学习算 法建立信用风险评估模型。
模型应用案例
案例一
某银行利用小微企业贷款信用风险评 估模型对申请贷款的小微企业进行信 用风险评估，成功筛选出高风险客户 ，避免了潜在损失。
案例二
某金融机构利用建立的信用风险评估 模型优化了信贷资源配置，提高了贷 款审批效率和风险控制水平。
研究意义
推动小微企业融资服务创新
通过研究小微企业贷款信用风险评估模型，有助于为金融机构提供更为科学、准确的信用风险评估依据，推动小 微企业融资服务的创新与发展。
提升金融风险管理水平
准确评估小微企业贷款信用风险有助于降低金融机构的信贷风险，提升金融风险管理水平，保障金融系统的稳定 运行。
02
小微企业贷款信用风险概述
05
小微企业贷款信用风险评估模 型效果分析
模型效果评价指标
准确率
衡量模型预测准确性的指标，值越高表示预 测越准确。
精确率
衡量模型预测坏账的精确度，值越高表示预 测越精确。
召回率
衡量模型找出坏账的能力，值越高表示模型 能找出更多的坏账。
中小企业贷款打分卡模型与标准
中小企业贷款打分卡模型与标准引言：随着经济的发展，中小企业在国民经济中的地位日益重要。
然而，中小企业的融资问题一直以来都是困扰企业发展的关键问题之一。
为了降低融资风险，银行机构通常会使用贷款打分卡模型和标准，以评估中小企业的信贷风险，本文将对这一模型和标准进行详细分析。
一、贷款打分卡模型贷款打分卡模型是一种常用的信用评估模型，其背后的基本思想是将大量的客户信息和历史数据进行分类，建立评估指标体系，根据不同指标的权重对客户进行综合评分。
这些指标可以包括企业的财务状况、供应链管理、市场竞争力、行业前景等方面。
1. 指标的选择贷款打分卡模型的核心在于合理选择与企业信贷风险密切相关的指标。
一般来说，可从以下几个方面进行选择：（1）财务指标：包括资产负债表、利润表和现金流量表等指标，如企业的净资产、营业利润率、偿债能力等。
（2）市场指标：包括市场占有率、市场增长率等。
（3）管理指标：包括企业的管理团队能力、供应链管理水平等。
（4）行业指标：包括行业前景、竞争力等。
通过细致的数据收集和分析，可以挖掘出与企业信用风险相关的关键指标。
2. 指标权重的确定确定指标权重是贷款打分卡模型设计的关键步骤之一。
一般来说，权重的确定可以通过专家咨询、经验法则或者模型优化等方式来实现。
其中，模型优化可以使用统计学方法，如逻辑回归、支持向量机等，以提高模型预测能力。
3. 模型建立和评分在选择了关键指标并确定了指标权重之后，可以建立贷款打分卡模型并进行模型训练。
模型训练的过程是通过历史数据来学习模式，从而进行客户的信用评估。
最终，将客户的各项指标输入模型，计算综合得分，以判断客户的信贷风险程度。
二、贷款标准除了贷款打分卡模型外，银行机构还根据一定的贷款标准来评估中小企业的信贷风险。
贷款标准常常是基于银行的风险偏好和对中小企业的理解而制定的，其主要包括以下几个方面：1. 企业的注册资本和经营年限银行通常会关注企业的注册资本和经营年限，这是因为较高的注册资本和较长的经营年限意味着企业拥有更强的资金实力和市场经验，从而能更好地应对风险。
中小企业信用评级模型及其应用
04
中小企业信用评级模型的挑战与对策
总结词
数据是构建信用评级模型的核心要素，但对于中小企业来说，获取充足、可靠的数据是一项重大挑战。
详细描述
由于中小企业通常没有像大型企业那样公开披露详细信息，因此获取高质量、全面的数据非常困难。此外，某些中小企业可能没有完善的财务和业务记录，从而增加了数据不足的问题。
随着大数据、人工智能等技术的发展，中小企业信用评级模型的复杂度将不断提高，预测精度和稳定性也将得到提升。
模型复杂度不断提高
未来中小企业信用评级模型将更加全面地考虑企业的财务状况、经营情况、行业前景等因素，以更准确地评估企业的信用风险。
考虑因素更加全面
随着信用评级行业的不断发展，中小企业信用评级模型的服务范围也将不断扩大，为更多的企业和金融机构提供服务。
对于投资者和债权人来说，准确的信用风险评估有助于做出明智的投资和借贷决策。
01
02
03
1
投资决策
2
3
中小企业信用评级模型可以帮助投资者评估不同企业的投资价值。
通过分析中小企业的财务状况、市场前景和竞争环境等因素，可以预测其未来的盈利能力和投资回报。
对于长期投资者来说，信用评级模型可以帮助其筛选出具有潜力的投资目标，提高投资组合的收益并降低风险。
服务范围更加广泛
中小企业信用评级模型的未来发展
数据采集和处理
模型优化
自动化评估
借助大数据和人工智能提升信用评级模型的性能
THANKSFOR
感谢您的观看
WATCHING
中小企业信用评级模型及其应用
2023-11-03
中小企业信用评级概述中小企业信用评级模型中小企业信用评级模型的应用中小企业信用评级模型的挑战与对策中小企业信用评级模型的前景展望
中小企业信用风险评估模型比较
［提要］本文立足于我国中小企业融资难现状，从中小企业产业特点出发，在比较分析国内外信用风险度量技术的基础上，借鉴先进的信用风险度量方法，为金融机构提出切实可行的信用风险识别评估模型组合，以破解中小企业融资难困境。
关键词：中小企业；信用风险；模型中图分类号：Ｆ２７文献标识码：Ａ收录日期：２０１４年７月３日引言作为市场经济的活力之源，中小企业支撑着国民经济“半壁江山”。
随着近年外部市场及金融环境趋紧，中小企业发展面临诸多挑战，最突出的就是信用风险导致的融资困难。
中小企业融资渠道狭窄，银行信贷是其主要融资渠道，但由于信息不对称造成的逆向选择和道德风险，使银行对中小企业有惜贷趋势。
因此，破解中小企业融资困难的关键首先在于完善中小企业各类信用数据库，为银行信贷提供数据支撑；其次要立足国情，学习先进测量技术，开发适合中小企业特点的信用风险度量方法，构建信用风险识别、评估模型，系统评价企业信用风险，改变企业与银行信息不对称的现状，破解中小企业融资困境。
信息系统的建设与共享是一项长期而艰巨的任务，目前我国已经认识到数据库在中小企业信用风险管理中的重要性，人行征信中心的企业信用信息数据库已经逐渐成熟，司法、环保、社保、质检等中小企业信用数据已经逐步共享完善。
所以，目前当务之急是合理设计中小企业信用评价模型，为银行信贷提供技术支持，降低信用风险。
一、传统信用风险度量模型分析传统信用风险分析评估方法已相当成熟，在国内外银行信贷决策中应用较多，主要包含专家制度法、信用评级法、信用评分法。
（一）专家制度法。
20世纪70年代前，企业信用风险评估主要是银行专家依据品格、资本、偿付能力、抵押品、经济周期等5C要素进行主观判断，后来衍生出5P模型（个人因素、目的因素、偿还因素、保障因素、前景因素）和5W模型（借款人、借款用途、还款期限、担保物、如何还款）。
纵观这三种模型，都是定性分析，无法量化风险水平，而且严重依赖专家的主观判断，这会造成银行信贷决策官僚主义作风盛行，降低银行在金融市场中的应变能力，同时专家制度在对借款人进行信用分析时，难以确定共同遵循的标准，造成信用评估的随意性和不一致性。
小微企业信用评级模型及比较研究
小微企业信用评级模型及比较研究肖斌卿;杨旸;余哲;沈才胜【摘要】在调查和文献基础上，进行信用风险来源识别、评级指标分类和评级方法选择，构建商业银行内部信用评级模型，以期在授信审批环节提高信用风险管理水平。
基于某商业银行2008—2013年小微企业实际信贷数据，运用线性判别分析、二项逻辑回归和十种基于不同学习算法的BP神经网络模型构建内部信用评级模型，并在评级指标体系中加入宏观经济变量，使度量风险的稳健性进一步得到提升。
最后通过四种方法对不同模型的结果和评级有效性进行了对比分析，认为基于Levenbery-Marquardt学习算法的NN10模型具有最优的评级有效性。
%On the basis of investigation and literature research, conducting risk source identification, rating indicators classification and rating methods assessment, the paper constructs commercial bank’s internal credit rating models to improve the credit risk management in the credit approval procedures. Based on the credit data of small and micro enterprises in a commercial bank from 2008 to 2013, using the linear discriminant analysis, logistic regression and 10 types of BP neural network relying on different learning algorithms, internal credit rating models are constructed with macroeconomic variables, which may further improve the robustness of risk measurement. Finally, results and rating effectiveness of different models are analyzed and compared, and show that the NN10 model based on Levenbery-Marquardt learning algorithm performs optimal rating effectiveness.【期刊名称】《系统工程学报》【年(卷),期】2016(031)006【总页数】11页(P798-807,830)【关键词】信用评级;小微企业;模型比较;学习算法【作者】肖斌卿;杨旸;余哲;沈才胜【作者单位】南京大学工程管理学院，江苏南京210093;南京大学商学院，江苏南京210093;郑州商品交易所，河南郑州450008;南京大学工程管理学院，江苏南京210093; 紫金农商银行，江苏南京210019【正文语种】中文【中图分类】F832.59我国当前正处在经济发展“提质换挡”的“新常态”发展阶段,经济结构和产业结构正在进行深度调整和优化.在“新常态”的经济氛围下,新兴科技、新兴产业和新兴市场的发展和壮大,为小微企业的发展和壮大提供了难得的历史机遇.也正是在这一阶段,经济内生增长要求更多的人力资本和技术创新参与社会经济分工,并最终转化为经济增长产出.覆盖广、种类多的小微企业在国家经济结构调整和升级中起到的促进作用,在今后将会更加凸显.小微企业的经营发展和技术创新离不开资金的支持,特别是在当前信贷资本紧缩投放的时期,小微企业融资难的问题日益凸显.Schreiner[1]在研究中认为,企业处在初创和成长阶段更加依赖从传统金融机构那里获取资金支持.然而,小微企业在通过银行进行信贷融资的过程中,会遇到诸多的问题.一方面,小微企业受其经营时间、经营业绩、公司治理等因素的制约,普遍不能提供类似大型企业财务报表的详细业务信息、财务信息以及其他融资担保证明;另一方面,商业银行经营强调贷款的风险控制,在开展小微企业贷款业务时,银行对小微企业的资信审查和授信工作正逐步趋于严格和规范,与此相悖的是上市银行内部控制缺陷认定存在查找范围不统一、认定标准不完善、认定数量和严重程度明显不足等问题[2].上述这种银企之间存在的信息不对称问题[3],是制约小微企业从商业银行获取信贷融资的主要因素.针对小微企业当前面临的融资困境,商业银行所采用的信用评级却暴露出诸多问题,例如专家判断法比重大于模型法比重、评级方法与实际需求存在出入以及小微企业信用评级体系缺乏针对性.随着贷款业务的不断精细化,各家商业银行均推出各自的小微企业贷款方案,更加注重开展专业化的小微企业贷前审查工作,同时也对信用评级方法以及评级方法的有效性提出了更高要求.在理论界,学者们依实务操作的需要,针对小微企业贷款业务的信贷模式、评级指标、评级方法以及违约概率估计开展了广泛的研究和讨论,汇总出丰富的研究成果.其中,对评级指标和评级方法的讨论尤为突出.在研究指标方面,郭小波等[4]在小微企业信用风险的识别因子研究中,引入企业财务指标、企业定性指标以及与企业主有关的指标作为研究变量.谢平等[5]认为信用评级需考虑的因素包括借款企业经营环境、所有制与经营权、管理水平、营运价值、盈利能力、风险程度等因素.徐超等[6]基于多智能体仿真方法,从中小企业组成的联保贷款入手,重点考察了联保的组织规模和组织成员初始信用水平对信用风险演化的影响.陈其安等[7]认为在一定条件下,投融资平台和银行之间的均衡贷款数量将随着政府信用担保履约率增加而增加.同时,李毅等[8]也认为小微企业在融资过程中若能够拥有信用担保,将有益于其获取贷款. Hajek等[9]对企业信用评级预测中的财务状况、经营状况等建模指标进行了研究.Doumpos等[10]在其研究中构建了一个包含财务数据和结构化模型的信用评级预测系统.同时,现有文献亦强调加入定性指标对研究小微企业信贷业务的重要性.Vassiliou[11]在对印度小微企业贷款案例分析的基础上,认为信用风险影响因素包括贷款人经营理念、贷款人经营水平、贷款人有无违法记录、贷款人经营思路、贷款利率、用途等; Malhotra等[12]通过对首发小微信贷的孟加拉国发放小微企业信贷的风险情况进行研究分析,了解到影响小微企业信用风险的因素有贷款数量、贷款人抵押品价值、其所拥有的耐用商品的价值、贷款期限的长短等. Meyer[13]指出银行可以通过“软信息”对小企业信用状况进行评估,这些软信息包括银行对借款企业资信的初步判断等.Lussier[14]在其模型中加入了企业管理水平、所处经济周期、产品生命周期等因素.此外,张良贵等[15]基于DSGE模型研究表明宏观流动性及其状态变化、基准利率状态变化对企业杠杆有重要影响.由此可见,小微企业信用评级指标需要同时包含企业内部定量指标和定性指标与企业外部信息.在研究方法方面,张大斌等[16]用差分进化算法(DE)优化违约点系数,提出一种中国上市公司信用风险测度的不确定性DE-KMV模型,来提高上市公司信用风险测度的准确性.于立勇等[17]在其研究中开展基于Logistic回归分析的违约概率研究,利用正向逐步选择法建立了信用风险评估指标体系.黄苒等[18]重点关注了含跳跃风险的公司贷款违约率测度问题,并探索了基于首达时模型的理论扩展,给出了违约概率参数估计的方法.庞素琳等[19]在银行个人信用评级中建立C5.0分类算法,在该算法内嵌入Boosting算法技术,并构造了成本矩阵和参数调整后的决策树.肖进等[20]提出了面向缺失数据的动态分类器集成选择模型DCESM,并认为该模型能够取得更好的客户信用评估性能.Che等[21]运用层次分析法(AHP)和包络分析法(DEA)对台湾地区商业银行小微企业信贷决策进行研究,并得到有效的建模结果.Angilella等[22]在研究中建立了小微企业SMMAA-TRI多准则信用评级模型,并对模型有效性进行了验证.同时,非参数统计的研究方法也逐步应用于信用评级建模.然而,随着银行业可训练数据量的大幅提升和数据维度的不断提高,机器学习方法开始崭露头角.统计学和机器学习最本质的区别在于根本目标不同,统计学家更关心模型的可解释性,而机器学习专家更关心模型的预测能力.由于银行业对预测准确度要求的越来越高,统计学方法的不适应性开始显现,很多问题不能构建出严谨的统计模型,而机器学习理论已被证明是此类研究有效的建模方法.王春峰等[23]在其研究中对人工神经网络在银行信用风险评价中的应用展开对比讨论,结果表明,与传统统计方法相比,神经网络技术具有较高的稳定性和判别准确度.Lee等[24]认为非参数统计的方法在信用评级的研究中优于经典统计模型.Yu等[25]运用基于多层神经网络的机器学习方法研究信用评分模型,并对效果良好的建模结果进行叙述.Zhong等[26]在企业信用评级中,对BP、ELM、I-ELM和SVM的学习训练效果进行对比分析,其中ELM和BP 神经网络的建模效果较优.商业银行在信贷审批操作中运用信用评级模型对申请借款企业提供的信息进行判断,对企业在未来是否会出现违约进行估计,已经是普遍存在的贷前审批流程,因此评级模型的有效性是各家商业银行共同关注的问题.结合现有文献中的信用评级方法,本文构建包含线性判别分析(linear discriminant analysis, LDA)、二项逻辑回归(binary logistic regression,BLR)、基于多种学习算法的BP神经网络(BP neural network, BPNN)的评分模型,运用建模样本训练模型,并用测试样本检验模型有效性和稳健性,挑选出较优的信用评级模型.LDA是在分类确定的条件下,根据某一研究对象的各个特征值判别其类型归属问题的一种多变量统计分析方法.BLR模型主要是用来对多因素影响的事件进行概率预测,是普通多元线性回归模型向非线性模型的扩展.基于多种学习算法的BPNN模型是前馈型神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上,通过训练与测试将对象进行分类.本节就LDA、BLR、基于多种学习算法的BPNN模型以及模型有效性的衡量方法进行简要介绍.2.1 线性判别分析(LDA)对于k个组别的分类问题,假设k个组别构成的总体分别为G1,G2,...,Gk,于是若要判断样本x各来自于哪一个总体,首先必须计算样本x到每个总体Gi(i=1,2,...,k)的距离d(x,Gi),然后再比较这些距离,其中样本x到总体Gi的距离d(x,Gi)采用Mahalanobis距离,即其中µi和Σi分别为Gi的均值和协方差矩阵,为协方差矩阵Σi的逆矩阵.如果x距某个Gj(j= 1,2,...,k)最近,则认为x∈Gj.其判别规则为对于本文组别分类的问题,可通过建立判别分析模型进行判别.2.2 二项逻辑回归(BLR)对于一个二项分类和n个定量预测变量x1,x2,...,xn(包含虚拟赋值变量),BLR模型假设目标响应的概率为其中β0为常数项,称β1,β2,...,βn为模型回归系数,解释变量可以是连续变量,也可以是分类变量或哑变量(dummy variable).正式的决策框架中通常包含多种评判模型,在多种模型有效性对比过程中,BLR模型可以作为一个判断依据.BLR与LDA一样,在多元正态分布和相同协方差矩阵的假设条件下具有最优判别能力.BLR要求较大的输入样本量以取得较为稳定的计算结果,同时应对自变量与因变量的复杂非线性关系进行适当处理.2.3 基于多种学习算法的BPNNBPNN的构成包括一个输入层,一个或多个隐含层和一个输出层.各层由若干个神经元构成,每一个节点的输出值由输入值、作用函数和阈值决定.神经网络的学习过程包含两个方面:信息正向传播和误差反向传播.在正向传播过程中,输入信息从输入层经隐含层传到输出层,经作用函数运算后得到输出值与期望值进行比较,若有误差,则误差反向传播,沿原先的连接通路返回,通过逐层修改各层神经元的权值,减少误差,如此循环直到输出的结果符合精度要求为止.具体步骤如下:步骤1BPNN的初始化,确定隐含层节点的个数.将各个权值和阈值的初始值设为比较小的随机数;步骤2输入样本和相应的输出进行网络训练,即对每一个样本数据进行步骤3到步骤5的过程;步骤3依据输入样本计算实际输出及其隐含层神经元的输出;步骤4计算期望输出与实际输出之间的差值,求输出层和隐含层的误差;步骤5根据步骤4得出的误差更新输入层到隐含层节点之间以及隐含层到输出层节点和之间的连接权值;步骤6求出误差函数e,判断e是否收敛到给定的学习精度以内,即e≤ε,其中ε为拟定误差,如果满足则训练结束,否则转向步骤2.运用不同的学习算法对BPNN进行训练,将会得到不同的建模效果[27].MATLAB R2012a软件中的神经网络工具箱(neural network toolbox)中包括多种适用于BPNN建模的学习算法.本文考虑运用10种学习算法对BPNN进行训练,具体如表1所示.2.4 模型有效性的衡量方法ROC曲线面积(AUC值)是常用的用于评价分类模型有效性的方法.ROC曲线是根据一系列不同的二分类方式,以真阳性率(敏感度,不良贷款样本被判正确)为纵坐标,假阳性率(1–特异性,良性贷款被判错误)为横坐标绘制的曲线.传统的诊断试验评价方法有一个共同的特点,必须将试验结果分为两类,再进行统计分析.本文运用SPSS 软件对12种模型的检验结果绘制ROC曲线,并比较AUC值,AUC值越大,表明模型判别水平越高.均方误差(mean squared error,MSE)是指参数估计值与参数真值之差平方的期望值.在此,MSE是预测值与期望值之差平方的期望值,即其中yt是期望值,t是预测值.MSE的值越小,说明预测模型描述实验数据具有更好的精确度.在对模型有效性进行衡量时,需要考虑不同错误类型的成本,本文依据Blanco等[27]的两种错误分类构造误判成本.I类错误指良性贷款错评为不良贷款的比率;II类错误指不良贷款错评为良性贷款的比率,相比于I类错误,II类错误的发生将会对银行带来更大的损失.因此本文将II类错误的成本设为I类错误成本的5倍.并在此基础上计算误判成本其中C21和C12分别表示发生I类错误和II类错误的成本,π21和π12分别表示发生I类错误和II类错误的概率,p1和p2分别表示样本在到期时是良性贷款和不良贷款的先验概率.识别率包括不良识别率和总识别率.不良识别率表示检测样本中的不良贷款被模型识别出的比例,该指标可以反映模型对I类错误的规避能力;总识别率表示全部检测样本的二级分类属性被识别正确的比例,该指标可以反映模型的整体判别能力.本文采集江苏某商业银行2008–2013针对小微企业信贷的过往数据,与公开数据库中的宏观数据合并后,总数据内容主要包括:1)财务信息(资产总额,经营收入等);2)本期贷款基本信息(发放额度,发放利率,贷款方式,支付方式等);3)当前客户非财务信息(客户信用等级,客户资信等级,行业分类,担保情况等); 4)与宏观经济有关的变量(用电量,GDP,CPI等);5)信贷的二级分类情况.经过剔除缺失和不正常的数据,得到2 115组有效数据,其中,良性与不良贷款比例约为9∶1.为了对评分模型进行科学对比,我们把数据集随机分成两个互补的子数据集:80%数据作为建模集,20%数据作为测试集.各模型的变量结构都是通过10次交叉验证法进行筛选,交叉验证法的一个优势就是这样的信用评分模型是基于较大比例的有效数据(80%)开发.有关信用评级指标的文献中,由“硬”信息到“软”信息的选择是信用评级指标选择的一个显著性变化,从最早标准化的财务指标到如今各类非财务指标的不断加入更新,信用评级系统也因此能够从规范化的大公司推广到小微企业及个人类客户.然而,这些指标多为微观指标,宏观指标鲜有涉及.近年来,有学者对宏观经济变量的研究提出了自己的看法,认为借款人的违约与一般经济状况密切相关,与宏观经济环境变量也应当被考虑作为输入变量[27,28].颜新秀[29]认为,不同宏观经济环境下各指标变量与个人住房抵押贷款违约率之间存在一定的影响关系.Kim等[30]指出宏观经济环境是一个关键因素,直接关系到借款者的偿付行为.因此,本文认为贷款期间内的宏观经济变动对贷款主体的还款意愿具有一定影响,应当作为重要变量参与信用评级研究.因此,本文选取的指标类别包括财务类指标,非财务指标和宏观环境指标. 建模自变量和因变量(输入变量和输出变量)如表2和表3所示.本文在考虑现有文献贷款对象财务信息、非财务信息、本期贷款基本信息的基础上,还加入与宏观经济有关的变量作为自变量或输入变量,主要基于以下考虑:传统模型的因变量和自变量存在不同期的问题,传统信用评级模型将贷款期初的相关变量指标作为自变量,将贷款期末的五级分类情况作为因变量来进行建模,即自变量和因变量不是同一时间点上的面板数据,因此不能直接看作面板数据处理,需加入时间因素才能解决矛盾,同时,宏观经济变量是时间因素的合理体现,因为宏观经济变量并非某一时间点上的宏观经济变量,而是贷款期间相关宏观经济变量变化趋势的反映,因此不是一个时间点的概念而是某一时间段的变化趋势的概念,所以能够反映出时间因素.在实证分析部分,本文将分别运用包含宏观变量和不包含宏观变量的指标体系进行建模,并比较模型的有效性.同时,本文借鉴Blanco等[27]的做法,在指标体系中加入“客户经理主观评价”和“客户资信状况调查结果”两个指标,以囊括银行自有的贷款初期审核信息.本文引入贷款期限内经济周期信息的变量,Kim等[30]指出宏观经济环境是一个关键因素,直接关系到借款者的偿付行为.该做法的优点还在于考虑到还贷期限内省内宏观经济变化对小微企业的影响,由于各家商业银行在计划财务部进行财务预算的编制过程中均拥有未来至少三年的宏观经济变化预测数值,因此在实务操作中,该宏观变量数据采用商业银行预测数值.本文借鉴Blanco等[27]在设计信用评分模型所使用的宏观经济变量的表达式其中ΔVMi,j是宏观经济变量的变化率,VM是宏观经济变量,i表示放款的时间,j表示贷款的时限.本文在对宏观济变量进行筛选之后选取用电量、GDP和CPI的季度数据作为建模的三个自变量.在实践中发现,除CPI外用电量和GDP均有很强的周期性,经过分析和比较之后,本文决定采用GDP、用电量的同比增量的变化率和CPI增长率来作为自变量,其中CPI增长率为(计算期CPI数值-基期CPI数值)×100%/基期CPI数值,GDP、用电量的同比增量的变化率为其中Δ2VMi,j是宏观经济变量增量的变化率,i表示放款的时间,j表示贷款的时限. 综合数据可获取性、数据可靠性因素的影响,样本选取2008–2013年贷款数据,其中宏观变量数据均进行季节性调整,并对离散变量进行赋值.神经网络建模时为加快训练网络的收敛性的需要,对样本数据中各个指标下的数据分别进行归一化处理.如第3节所述,将样本分为两部分,其中1 687组数据作为训练样本,428组数据作为检验样本,训练样本与检验样本比例约为4∶1.运用SPSS 21软件,以表2中15个变量为判别变量,以表3中B1变量为分组变量,选择Fisher函数系数,建立LDA模型,得到分类函数系数.根据分类函数系数,对检验样本中各指标进行加权求和,选取得数较大的类别作为判别结果.运用PASW Statistics 18统计分析软件建立二项逻辑回归(BLR)通过描述性统计,根据相关性、正态性检验和t检验,本文最终在Logistic回归中保留9项指标,分别为年利率、贷款方式、用途、支付方式、客户信用等级、客户资信等级、营业收入/人、GDP增量增长率和CPI增量增长率,具体分析过程介绍从略.运用MATLAB R2012a建立BP神经网络(BPNN),表2中15个变量作为输入神经元,表3中B2变量各分别作为输出神经元.分别运用表2中10种学习算法进行模型训练,各个训练函数即表1中MATLAB调用函数.神经网络参数设定:隐含层节点范围[7,13];最大迭代次数=1 000;训练误差=0.001.运用训练后的模型对检验样本进行测试,即分别将检验样本中的自变量与LDA分类函数系数加权求和取大值,代入BLR模型预测因变量值,代入训练好的BPNN模型得出预测输出变量值.当输出值小于并等于0.5时,判定该组样本为正常贷款;当输出值大于0.5时,判定该组样本为不正常贷款.首先,运用不包含宏观变量的指标体系建立模型,根据前文模型有效性的衡量方法,计算衡量各个模型有效性的指标数值,如表4所示,优化的ROC曲线如图1所示.在ROC曲线图中,纵坐标δ代表真阳性率,横坐标1-η代表假阳性率,其中η为特异性,下同.由表4可知,12种模型中,75%的模型的AUC值大于0.8;有11个模型的总识别率超过80%,其中六个模型的总识别率超过90%.但在关键指标中,有11个模型的不良识别率低于80%,有11个模型的误判成本大于0.2.从整体识别效果来看,所构建的模型对不良贷款缺乏识别能力是一个共性,因此本文认为有必要尝试通过加入宏观变量对指标体系进行改进并开展建模.在指标体系中加入宏观变量后,判断各个模型有效性的指标数值如表5所示,优化的ROC曲线如图2所示.1)AUC方面,共有6个模型的AUC值超过0.9,其中,NN6与NN10模型的AUC值超过0.95,分别为0.952和0.959,预测能力较强;2)均方误差方面,共有8个模型的均方误差小于0.1,其中BLR的均方误差为0.071,NN3的均方误差为0.072,NN6的均方误差为0.075;3)误判成本方面,共有5个模型的误判成本低于0.2,其中NN6误判成本为0.117,NN7误判成本为0.110,NN10误判成本为0.098,误判成本较低.I类错误率方面,NN6、NN7、NN10的II类错误率小于0.1,判别效果较优;4)不良识别率方面,共有4个模型的不良识别率超过0.8,其中NN6的不良识别率为0.915,NN7的不良识别率为1.000,NN10的不良识别率为0.979,说明该三个模型对潜在不良贷款的判别能力较强.总识别率方面,共有5个模型的总识别率超过0.9,即表明这5个模型的总体判别正确率超过九成,具有较好的整体判别能力.根据以上分析,可见LDA和BLR模型在四类模型有效性衡量方法中表现一般,其中BLR模型在AUC和总识别率方面优于LDA模型,LDA模型在II类错误率方面优于BLR模型,但该两个模型劣于或等于NN6和NN10在AUC、II类错误率、误判成本、不良识别率和总识别率方面的表现.当将NN6与NN10在模型有效性方面进行比较时,NN10在AUC、均方误差、II类错误率、误判成本和不良识别率的表现均优于NN6,而NN6仅在总识别率方面优于NN10,因此认为NN10具有最优的模型有效性,其次为NN6.由上述分析结果可知,1)在整体模型有效性方面,NN10(基于Levenbery-Marquardt学习算法)模型表现最优,NN6(基于Polak-Ribiere共轭梯度学习算法)模型表现次优.2)在各模型有效性衡量方法方面, NN10具有最大的AUC值,BLR具有最小的均方误差,NN7具有最小的II类错误率,NN10具有最小的误判成本,NN7具有最高的不良识别率,NN3具有最高的总识别率,这些结果表明在进行具体信用评级水平衡量时,需要重视上述模型在信用评级中的应用.3)在观察各个模型检测结果中出现两类错误的样本数据时,本文发现样本数据中的客户信用等级、客户资信等级、营业收入/人指标易出现区别于普通的数值,因此此类样本需要在人工贷前审查时给予关注.本研究选择合适的指标体系和研究方法,构建线性判别分析、二项逻辑回归和基于多种学习算法的BP神经网络模型对小微企业进行信用评级,并通过四种衡量方法分析模型的有效性,提高研究结论的可信度.研究结果表明机器学习方法能够为商业银行授信审批和贷前审查工作提供参考依据,并且在指标体系中加入宏观变量能够有效地提高模型识别不良贷款的能力,提升模型的稳健性.因BP神经网络具有容易陷入局部极值、“过拟合”等问题,其预测精度有待优化,今后研究中尝试使用遗传算法优化BP神经网络强化全局搜索能力.取得更大的数据样本,并尝试根据小微企业资产总量大小对样本进行分层,提高模型对于贷款主体的评级能力.肖斌卿(1979―),男,福建南靖人,博士,副教授,研究方向:金融工程与金融管理,Email:****************.cn;杨旸(1990―),男,江苏南京人,博士生,研究方向:金融工。
企业信用风险评估模型分析
企业信用风险评估模型分析企业信用风险评估模型是一种用于评估企业信用信贷风险的工具。
通过将企业的财务状况、经营情况、行业环境等因素进行分析和综合评估，可以对企业的信用风险进行有效预测和评估，并为金融机构、供应商等各类与企业有关的利益相关者提供判断和决策依据。
目前常用的企业信用风险评估模型主要包括传统的基于财务数据的财务比率模型、基于市场数据的市场模型、基于企业背景信息的企业分类模型、基于大数据技术的数据挖掘模型等。
下面将对这几种模型进行详细分析。
首先，基于财务数据的财务比率模型是最常见的企业信用风险评估模型之一、这种模型主要通过分析企业的财务报表数据，计算和比较各项财务指标，如资产负债率、流动比率、营业利润率等，来评估企业的盈利能力、偿债能力、经营效率等方面的风险。
财务比率模型具有指标明确、计算简单、结果直观等特点，但其缺点是仅依赖财务数据，不能全面反映企业的经营情况。
其次，基于市场数据的市场模型是另一种常用的企业信用风险评估模型。
这种模型主要通过分析企业的市场表现，如股价波动、市值变动等，来评估企业的信用风险。
市场模型的优点是能够及时反映市场对企业的评价和预期，但其缺点是市场数据受到市场波动和信息传递滞后等因素的影响，可能出现反应不准确的情况。
此外，基于企业背景信息的企业分类模型也是一种较为常见的企业信用风险评估模型。
这种模型主要通过分析企业的行业背景、企业规模、企业发展阶段等因素，将企业划分为不同的信用级别，以便对每个级别的企业进行相应的信用风险评估。
企业分类模型的优点是考虑了企业的整体情况，但其缺点是分类标准可能过于简单，无法准确评估企业的具体风险。
最后，基于大数据技术的数据挖掘模型是近年来发展起来的一种新型企业信用风险评估模型。
这种模型主要通过分析大量的非结构化数据和多源数据，如企业的社交媒体数据、网络数据、关联企业数据等，来挖掘出与企业信用风险相关的信息，并进行综合分析和评估。
数据挖掘模型的优点是能够充分利用大数据的优势，全面而深入地了解企业的风险情况，但其缺点是对数据处理和分析的要求较高，需要采用专业的数据挖掘技术。
小微企业信用评价模型的中外比较及完善
小微企业信用评价模型的中外比较及完善小微企业信用评价模型的中外比较及完善商业银行对小微企业进行信用评价是银行最终决定是否向小微企业放贷的基础和前提，采用什么样的信用评价模型对评价结果有着重要影响。
从国际上看，很多国家都已经研发出针对本土小企业的信用评价模型并广泛应用于实践，大大提高了工作效率，取得了良好的效果。
为了完善国内商业银行针对小微企业的信用评价模型，本文在对美国的SBSS 、日本八千代银行、CRD 运营协议会、帝国数据银行以及印度主要的小微企业信用评价模型简要分析基础上，对比分析了中国现行的小微企业信用评价模型及其缺陷，并提出了改进建议。
一、美国小微企业信用评价模型简析利用模型对小微企业进行信用评价被美国所重视，从信用评价模型首次应用于信用卡的信贷申请之后，该技术迅速普及。
如今美国小微企业信用评价模型——小企业信用评分系统已经被各大金融机构所应用，成为是否对企业放贷评判的主流方式。
1.费厄—艾萨克（Fair Isaac ）公司的小企业信用评分系统——SBSS小企业信用评分（Small Business Scoring Ser?vice ，SBSS ）是利用第三方收集的小微企业和企业主信用方面的信息，并结合小微企业融资申报表和信贷人员对它的了解来评估一笔贷款的风险，其中应用的模型涉及到数理统计和历史数据分析。
美国费厄—艾萨克公司为了设计针对小企业的小额贷款（25万美元以下）信用评价系统，于1995年对5000多笔小企业贷款评估信息和数据进行比对，收集15家大型金融机构5年内的数据，最终开发出小企业信用评分系统——SBSS 。
到目前为止，SBSS 已经更新至6.0版本，应用于300余家金融机构，它的出现改变了小企业信贷申请的流程，美国九成以上的小额度信用贷款都应用SBSS ，使一般的信用信息审核仅需数分钟即可，整个贷款流程也仅需几天时间。
SBSS 刚好可以满足小企业融资频率较高、贷款额度较低、贷款需求较急的特点。
基于商业银行视角的中小企业信用风险指数评价模型
基于商业银行视角的中小企业信用风险指数评价模型在综述信用风险评价的演进过程和国内中小企业信用风险评价研究现状的基础上，构建了基于商业银行视角的信用风险指数模型。
以山东省30家上市公司为样本，并利用独立t检验进行了分析。
分析结果与文的结论一致，结论表明：根据本模型计算的企业综合评价指数越高，其信用风险越低。
标签：中小企业信用风险；独立t检验；信用风险指数一、引言美国次贷危机引发的全球金融危机让人们再次认识到商业银行贷款资金的安全对一个国家乃至全球金融稳定的重要意义。
同时，我国受金融危机的影响，商品出口受阻，实体经济遭受到严重打击，尤其是生产出口商品的中小企业大面积倒闭。
要尽量降低金融危机对我国经济的影响，保持经济平稳较快地发展，就需要大力扶持中小企业，为其提供良好的发展环境。
在这种情况下，商业银行有责任加大对中小企业贷款的力度，为有实力、有发展潜力的中小企业提供资金。
同时，为避免贷款资金发生损失，商业银行必须制定一套更加完善的中小企业信用评价体系及评价方法，以支持全面、客观地评价中小企业的信用状况。
现代信用评价起源于美国。
1841年，路易斯·塔潘于纽约设立了第一家商业性评估机构。
1857年，约翰·布拉斯特瑞特出版了关于信用评价的第一本书籍。
最初的信用评价以商业信用为评价对象，自1909年约翰·穆迪率先对铁路债券进行信用评价之后，使评价标的移转至债务证券，之后信用评价对象扩及至公共事业、制造业和政府债券。
1931年，美国金融相关法规将民间信用评价作为法令规范的依据，奠定了今日信用评价普及化的基础。
特别是在20世纪30年代经济大萧条，投资大众感受到信用风险的强烈威胁之后，信用评价才得到真正的蓬勃发展。
我国的信用评价发展比较晚。
建国初期，我国国内实行的是计划经济体制，一切经济活动都在指令下进行，并不需要企业的信用评价。
随着市场经济体制的确立和发展，我国国内在20世纪80年代后开始了企业信用评价研究，国内信用评价机构先后成立，信用评价方法从最直接的多元回归模型，到线性判别模型、线性概率模型和累积概率模型，再到突破传统统计方法的以人工神经网络、现代金融理论为基础的信用评价模型的出现，企业信用评价方法在不断演进中得到了发展和完善。
基于PFM模型与倾向匹配得分法的中小企业信用风险评估
2020年第6期总第257期征信CREDIT REFERENCENo.62020Serial No.257收稿日期：2020-02-06作者简介：段翀（1981—），男，内蒙古呼和浩特人，讲师，博士，主要研究方向为信用风险评估。
摘要：通过将PFM 模型与倾向匹配得分法结合，利用中小企业财务数据与同行业上市企业信息，测算中小企业的资产市场价值，进而构建中小企业信用风险评估模型。
该模型的优势在于，其不仅反映了中小企业的静态财务信息，而且还体现了股票市场的动态信息。
通过对某城市商业银行的中小企业数据进行实证研究，结果表明，相对于Logistic 回归模型，基于PFM 模型与倾向匹配得分法的中小企业信用风险评估模型具有更高的违约判别精度，能更准确地识别非上市中小企业的信用风险。
关键词：中小企业；信用风险评估；PFM 模型；倾向匹配得分法中图分类号：F830.5；F276.3文献标识码：A 文章编号：1674-747X （2020）06-0035-08引言近年来，中小企业发展迅猛，已成为经济发展不可或缺的重要力量。
推动中小企业高质量发展，对保持经济健康发展和社会长期稳定意义重大。
然而，由于自有资本少、成立时间短、财务制度不规范等缺陷，导致中小企业融资环境不佳，很难获得足够的资金支持。
解决“融资难、融资贵”的关键在于准确评估中小企业的信用风险，从而帮助商业银行作出正确的信贷决策。
目前中小企业信用风险评估方法主要有两类：（1）基于计量回归的信用风险评估方法。
代表性研究有多元线性回归和logistic 回归：Altman （1968）利用财务指标和多元线性回归模型对企业破产预测进行研究，提出Z 评分模型［1］。
West （1985）通过Logit 模型识别中小银行的信用风险状况，进而测算得到银行的违约概率［2］。
Mok 、Sohn 和Ju （2010）将Logistic 回归方法修正，构建了基于截面数据的Logistic 回归模型［3］。
中小企业信用风险指标体系及预测模型构建
ｌ 目 ， 用 险 估 常 的 口 前信风评最用方
法是分 类法—— 根据企业的财务及非财务
状 况 ，将 其 分 为正 常 类 和 违 约 类 ，也 可 以
特 点 与 风险 形 成机 制 ，因此 ，探 讨 建 立 适 用于 中小 企 业
流动 比率 ｘ 总资产 增长 率 Ｘ 。 Ｃ ｎ ｔｎ ｌ ｏ ｓ ｔ 常数项 ） ａ
待 定 系数 ｂ 和 ｂ 。
关ｔ 调 ： 中小企 业
系 预 警模 型
财务 信 用 指标 体
财务信用风险指标
及 风 险 预测 的研 究 还较 为欠缺 ， 中 且
表 ２ 模 型 最终 统计 量
存 货周转率 Ｘ 净 资产收 益 变化率 ×
净利润 Ｘ ， 净利 润增长 率 Ｘ
的评 价 。庞 素 琳 应 用 判 别 分 析 模 型 根 据 每 内 窖 攮 要 ：信 用 管 理 是 现 代 企 业 管 理 最 重要 的任 务之 一 。 目前 ，我 国 中 小企 业 普 遍 存 在 着较 大 的信 用 风 险 ， 不 仅 较 为严 重 地 影 响 了企 业 自身 的 健 康 发
：＝ 用 风 险 评 估 方 法
小企业具有许多不
同于 大 中型 企 业 的
参 数估 计值 标准 差 ｗａｄ统计量 显 著 性 水平 ｉ Ｏ ４ ２９ ０ １ １８ ４ ４ ．３ ４ ０ ３ ．５ ｏ 一 ２ ２６ ９ ０ １ ３ ７ １５８ ３ ７ Ｏ ０ ．０ ０
－ １ ３ ２ １ ２ ２ ４ ．９ ６ ６４ ｇ ．５ ０７ ９ ７ １． ４ Ｏ０ ８ １ ５０ １ ７ ０ ０ ．１ ０ ００ １ ０
具有积极 的意义 。
这 一 系列 的研 究 都取 得 了较 大 的成 果 ，
供应链金融中小企业风险评估模型
供应链金融中小企业风险评估模型一、模型构建风险评估模型主要由两个部分组成：风险评分体系和评分模型。
在评分体系中，可以考虑以下指标进行风险评估：1.财务指标：包括营业收入、毛利率、净利润、资产负债率等。
2.供应链关系指标：包括供应商关系、客户关系、合作伙伴关系等。
3.经营能力指标：包括流动比率、资产周转率、存货周转率等。
4.市场指标：包括市场份额、市场竞争力等。
5.管理风险：包括管理层质量、领导层能力、内部控制、审计等。
6.宏观环境风险：包括国家政策、法律法规、市场风险等。
根据以上指标，我们可以构建一个评分模型。
评分模型可以分为两种：主观评估模型和客观评估模型。
二、主观评估模型主观评估模型是根据专家的经验和意见，通过主观判断来评估企业的风险水平。
这种模型的优点是能够考虑到主观的因素，但缺点是难以进行量化分析，易受个人主观影响。
客观评估模型是根据统计分析和数据挖掘的方法对企业的风险进行评估。
客观评估模型主要分为以下两种：1.基于数据挖掘的模型基于数据挖掘的模型可以通过对企业历史数据进行分析，构建出一套针对企业风险的评估模型。
这种模型的优点是能够客观分析企业风险，但缺点是需要大量的历史数据进行支持，而对于新成立的企业则难以适用。
2.基于财务比率分析的模型基于财务比率分析的模型是通过对企业财务指标进行分析，计算出一系列财务比率，并将其作为评估指标，通过对财务比率的变化趋势进行评估。
这种模型的优点是能够客观地分析企业财务情况，但缺点是过于依赖于财务数据，无法全面分析企业的风险。
综合评估模型是将以上两种模型进行综合，采用主客观相结合的方法进行评估。
这种模型的优点是能够充分考虑到主观性和客观性，但需要耗费大量时间和精力进行建模和数据分析。
总之，为了保证供应链金融中中小企业的安全和稳定，我们需要构建一个适合中小企业的风险评估模型，将对企业的风险进行评估并制定风险管理策略，从而降低中小企业在供应链金融中的风险。
中小企业信用风险主要度量模型述评
中小企业信用风险主要度量模型述评作者：郑美莲来源：《财讯》2018年第28期本文通过分析发现，当前适用于中小企业信用风险的度量模型，如统计模型、AHP、BP 神经网络、SVM，不同的度量模型均存在着一定的优势与不足。
未来中小企业信用风险模型的构建可从数据的搜集、定性定量指标的选取、动态因素等方面进行优化。
中小企业信用风险融资引言融资难是制约我国中小企业发展最主要的因素。
融资难困境的根本原因在于中小企业与金融机构信息不对称，我国尚未发展出中小企业信用评级的方法。
当前信用风险度量模型大部分适用于大企业。
然而大企业与中小企业在信用风险表现上有显著差异，Vallini（2008）、王建刚（2016）、郭晓凤（2017）等认为规模不同的企业需建立相应的信用评级模型。
因为中小企业规模小、财务透明度差、发展时间短等因素，中小企业信用风险难以准确度量，以致于难以获得金融机构的认可从而无法获得融资。
中小企业信用风险的度量（1）统计模型法。
在运用统计模型法度量中小企业信用风险时，主要采用LDM、LPM、Logit、Logistic ，其中Logistic模型应用较为广泛。
Wiginton（1980）首创性地把Logistic模型用于信用风险评估中，条件概率为：，其中，。
该类模型對数据要求不高，运用静态的定量指标，较好搜集；参数估计和使用较为简便，且评估结果较好。
缺点在于模型是经验性的，不具备有效的经济意义，缺乏对动态、定性因素的考虑，无法作出全面细致的评估。
卿固等（2015）、刘秀琴（2016）、王千红（2017）等学者采用Logistic模型进行实证，均表明模型准确率较高，能较好判别中小企业的信用风险，可用于信贷创新以改进中小企业融资难题。
梁琪等（2014）引入截面数据的随机效应Logistic模型，以期解决模型之外因素对违约行为的影响，研究发现随机效应Logistic模型以及添加公司治理指标能更加优化判别预测效果。
中小企业信用风险指标体系及预测模型构建
中小企业信用风险指标体系及预测模型构建信用管理是现代企业管理最重要的任务之一。
目前，我国中小企业普遍存在着较大的信用风险，不仅较为严重地影响了企业自身的健康发展，而且对社会经济环境产生了极为不利的影响。
本文分析了广东省湛江市部分中小企业财务信用状况，建立了较为适用的风险指标以及预警模型。
并认为建立企业信用风险指标评判体系，较为准确地分析并预测企业的财务信用状况，对中小企业可持续发展具有积极的意义。
关键词：中小企业财务信用指标体系预警模型信用风险评估方法目前，信用风险评估最常用的方法是分类法——根据企业的财务及非财务状况，将其分为正常类和违约类，也可以给出一个违约概率或信用等级，这样就将信用评估转化为统计学上的某种分类判别问题。
自从Altman开创性的工作以来，国外在这方面已经开展了近40年的研究与应用。
多元判别分析、二次判别分析、Logistic模型分析、神经网络技术等统计分析技术陆续应用到了信用风险研究中来。
国内从20世纪90年代开始类似的研究，由于国内外的会计准则有一定的差异，直接采用国外的预测模型分析我国企业的财务状况是极不准确的。
因此，研究我国企业的财务状况，必须从我国企业财务数据中提取特征指标建立相应的信用评价模型，才能对我国企业的财务状况做出较为准确的评价。
庞素琳应用判别分析模型根据每股收益、每股净资产、净资产收益率和每股现金流量等四个财务指标对我国106家上市公司的信用风险进行了分析，而傅强则采用Logistic模型对72家上市公司的流动比率等13个财务指标进行了研究，从而建立了适用于上市公司信用风险评估的预测模型。
这一系列的研究都取得了较大的成果，对我国大中型企业尤其是上市公司提高财务危机预警能力也起到了积极作用。
但是，由于各种原因和条件的制约，对中小企业财务信用风险指标及风险预测的研究还较为欠缺，且中小企业具有许多不同于大中型企业的特点与风险形成机制，因此，探讨建立适用于中小企业信用风险分析的财务指标体系及预警模型，对促进社会主义市场经济及中小企业的健康发展都具有十分重要的意义。
中小企业信用担保风险评估模型构建
浅析中小企业信用担保风险评估模型构建【摘要】中小企业融资难长期以来一直是困绕经济发展的重要问题，而通过担保企业则可以帮助中小企业提升信用，有效解决融资难问题。
然而担保企业缺乏有效的风险控制手段，没有建立完善的风险控制体系，导致担保企业面临重大的经营风险，如何从中国实际出发，建立一套有效的担保风险评估模型，已成为担保企业加强风险控制急需解决的重要课题。
【关键词】信用担保风险管理评估模型担保企业能有效地解决中小企业融资难问题，为促进经济发展做出了重要贡献，然而担保企业也面临诸多经营风险，风险管理不够健全已成为制约担保企业发展的重要瓶颈，建立有效的担保风险评估模型，则可以科学地防范担保风险，从而保证担保企业持续发展。
一、建立担保风险评估模型的基本要素建立担保风险评估模型就是通过建立一套担保风险评估系统，采用定量和定性的办法，并利用相关评价指标和评价标准，对申请担保客户的财务信息、经营信息、偿债能力、反担保物等信息进行综合分析和评价，评估客户信用等级，评价担保项目的风险状况，最终进行担保决策。
设计出能适应我国担保实践的担保风险评估模型，主要涉及以下基本要素：（一）违约概率（probability of default，简称pd）：是指未来一段时间内由于借款人不能按期还款，贷款人向担保企业索赔，致使担保企业出现代偿的可能性。
违约概率等于担保赔付金额除以担保余额，通常情况下，担保企业理想的违约概率低于3%，并且不能超过7%。
（二）违约损失率（loss given default，简称lgd）：是指一旦债务人发生违约，担保企业发生代偿，处置反担保物后，或经过追偿后仍然无法收回的净损失，这个预期损失占风险敞口总额的百分比。
违约损失率由抽取一定的样本数据进行统计计算，理想的比率应低于2%。
（三）风险敞口（exposure at default，简称ead）：是指由于债务人可能违约所导致的风险余额，一般情况下，风险敞口等于担保贷款余额。
供应链金融中小企业风险评估模型
供应链金融中小企业风险评估模型随着全球经济的发展和贸易的日益频繁，供应链金融成为企业融资的重要渠道之一。
在供应链金融中，中小企业因为其规模小、资信状况不甚清晰等特点，面临着较大的融资难题，同时也存在着较大的融资风险。
建立一套科学的供应链金融中小企业风险评估模型，对于有效降低中小企业融资风险具有十分重要的意义。
本文将对中小企业供应链金融风险评估模型进行探讨。
一、中小企业供应链金融风险评估概述供应链金融风险评估主要涉及到中小企业的信用状况、经营状况、市场环境等多个方面。
中小企业一般规模较小，资信状况不够稳定，同时也面临着市场需求的不确定性和内外部环境的多变性，融资风险较大。
对中小企业供应链金融风险进行科学的评估，可以更好地了解企业的真实状况，降低融资风险，提高融资效率。
二、中小企业供应链金融风险评估模型构建要素1. 信用评级模型中小企业供应链金融风险评估的核心要素之一是信用评级。
信用评级模型是根据企业的资产负债表、利润表、现金流量表等财务数据，以及企业的行业地位、市场前景、经营稳定性等非财务数据，综合判断企业的信用状况，并给出相应的信用评级。
通过信用评级，可以更好地了解企业的还款能力和信用状况，从而确定融资的风险水平。
2. 经营状况评估模型中小企业的经营状况评估主要考察企业的盈利能力、成长潜力、市场份额等指标。
通过对企业的经营状况进行评估，可以更好地了解企业的盈利水平和成长潜力，从而判断企业的偿债能力和融资风险。
三、中小企业供应链金融风险评估模型的建立1. 数据采集和整理建立中小企业供应链金融风险评估模型的第一步是进行数据采集和整理。
通过收集企业的财务报表、经营报告、市场调研数据等相关资料，构建中小企业供应链金融风险评估的数据样本库。
2. 模型建立在数据采集和整理的基础上，利用统计学方法和数理经济学模型对中小企业供应链金融风险评估模型进行建立。
通过构建信用评级模型、经营状况评估模型、市场环境评估模型等多个子模型，综合评估中小企业的融资风险水平。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｘ （ ｋ ： １ ， ２ ， …ｍ ） 为信用风 险影 响变量 （ 多为企业财务 指标） ， ｃ （ ｋ ＝ ０ ， １ ， ２ ， …， ｍ ） 为技术系数 ， 通过 回归估计获得 。回归值 Ｐ （ ０ ， １ ） 为中
传统信用风 险分析评估方法 已相 当成熟 ， 在 国内外银行信 贷决策 中应用较多， 主要包含专家制度法 、 信用评级法 、 信用评分法。 （ 一） 专家制度 法。 ２ Ｏ世纪 ７ Ｏ 年代前 ， 企业信用风险评估主要是银
ｓ ＝ ｃ ｏ ＋ ∑ｃ
ｌ＝ｋ
行专家依据品格、 资本、 偿付能力、 抵押品、 经济周期等 ５ Ｃ要素进行主
信用 ／法制
《 合 作 经 济 与 科 技 》
Ｎ ｏ ． １ Ｏ ｓ ２ ０ １ ４
中小 企业信 用风 险评估 模 型 比较
口文 ／赵 池 北 （ 宿迁职业技 术学院 江苏 ・ 宿迁 ）
［ 提要］ 本文立足于我国中小企业融资难现状， 从中小企业产业
最著名的模 型就是 ｚ计分模型 （ ｚ — ｓ ｃ ｏ ｒ ｅ ） ： 它 的基本 思想 是利用数理统
作为市场经济的活力之源，中小企业支撑着国民经济 “ 半壁江 山” 。随着近年外部市场及金融环境趋紧，中小企业发展面临诸多挑
战， 最突出的就是信用风险导致的融资困难。中小企业 融资渠道狭窄 ， 银行信贷是其主要融资渠道 ， 但 由于信 息不对称 造成的逆 向选择和道
德风 险， 使银行对 中小企业有惜贷趋势。因此 ， 破解 中小企业融资 困难
数据 已经逐 步共享完善 所 以， 目前 当务之急 是合理 设计中小企业信
用评价模型， 为银行信贷提供技术支持， 降低信用风险。
一
函数来进行二类模式分类。不要求数据满足正态分布， 这是其最大优
点； 另外 ， 自 变量 、 因变量之间不是线性关系， 模 型如下：
ｐ １
、
传统信用风险度量模 型分析
二、 现代判别法 （ 一） 统计模型法 统计模型法 是典型的定量评级法 ， 根据 中小企
信用风险度量方法， 构建信用风险识别、 评估模型， 系统评价企业信用
风 险， 改变企业与银行信息不对称的现状， 破解中小企业融 资困境 。 信 息系统 的建设与共享是一项长期而艰 巨的任 务， 目前我国 已经认识到 数据库在 中小企业信用风险管理 中的重要性 ， 人行征信 中心的企业信
引言
有预测和分析价值的比率， 从而对企业进行信用风险状况评估。模型
如下：
Ｚ ＝ Ｏ． Ｏ１ ２ Ｘｌ ＋ Ｏ ． ０ １ ４ Ｘ２ ＋ ０ ． ０ ３ ３ Ｘ３ ＋０ ． ０ ０ ６Ｘ４ ＋ ０ ． ９ ９ ９ Ｘ５
变量解释：
Ｘ Ｉ ＝ 流动 资本／ 总资产 ； Ｘ ２ ＝ 留存 收益／ 总 资产； Ｘ ３ ＝ 息税 前收 益／ 总 资产 ； Ｘ ４ ＝ 优先股和普通股市值／ 总负债； Ｘ ５ ＝ 销售 额／ 总资产＝ 主营业务 收入净额／ 总资产。 判断准 则： Ｚ ＜ １ ． ８ ， 财务状况较差 ， 信 用风险高 ， 拒绝贷 款； １ ． ８ ≤Ｚ ≤２ ． ９ ９ ， 为灰 色区， 误判的概率较大 ； ２ ． ９ ９ ＜ Ｚ ， 财务状况 良好， 信用 风险低 ， 可 以贷款 。 Ｚ － ｓ ｃ ｏ ｒ ｅ 模型主要是利用财务指标进行加权平均， 该模型有 ２ 大缺
业 的债信质量得分也服从标准正态分布 。模型如下 ：
ｋ
（ 二） 信用评级法。信用评级法是美货币监理署开发的， 该方法将 现有贷款安全级别分为５类： 正常类、 关注类 、 次级类、 可疑类、 损失
类， 后来 细化为 １ ０ 类： Ａ Ａ Ａ 、 Ａ Ａ 、 Ａ 、 Ｂ Ｂ Ｂ 、 Ｂ Ｂ 、 Ｂ 、 Ｃ Ｃ Ｃ 、不 同贷款准备金率 。 （ 三） 信 用评分 法。 和前两种方法相 比， 信用评分法是一个量化 法，
素、 前景因素） 和５ Ｗ模型（ 借款人、 借款用途、 还款期限、 担保物、 如何 还款） 。 纵观这三种模型， 都是定性分析， 无法量化风险水平， 而且严重 依赖专家的主观判断，这会造成银行信贷决策官僚主义作风盛行， 降
低银行在金融市场 中的应变 能力， 同时专家制度在对借款人进行信用 分析时 ， 难 以确定共 同遵 循的标准 ， 造 成信用评 估的随 意性 和不一致
特点出 发， 在比 较分析国内 外信用风险度量技术的基础上， 借鉴先进
的信 用风 险度 量方法 ， 为金融机构提 出切 实可行 的信 用风险识别评估
计中的辨别方法分析银行的贷款情况， 建立一个可以在最大程度上区
分信贷风险度的模型 ，得到最 能够反 映借款 人的财务状况 的好坏 ， 具
模型组合 ， 以破解 中小企业融资难 困境。 关键词： 中小企 业； 信用风险 ； 模型 中图分类号 ： Ｆ ２ ７ 文献标识码： Ａ 收录日 期： ２ ０ １ ４ 年７ 月 ３日
性。
小企业信用风险分析的判别结果。 如果 Ｐ 接近于 ０ ， 则被判定为“ 差类”
企业 ； 若Ｐ 接近 于 １ ， 则被判定为 “ 好 类” 企业 。即 Ｐ 值离 ０ 越远 ， 企业 违约风险越小 ； 反之， 违约风险越 大。
２ 、 Ｐ ｒ ｏ ｍｔ 模型。 Ｐ ｒ ｏ ｂ ｉ ｔ 模型假定误差项服从标准正态分布， 样本企
的关键首先在于完善中小企业各类信用数据库， 为银行信贷提供数据
支撑； 其次要立足 国情 ， 学 习先进测量 技术 ， 开发适合中小企业特点 的
陷： ①企业财务数据反映的是过去的信息， 利用这些数据进行风险度
量的结果也只是对过去风险水平的测量； ②中小企业多半不是上市公
司， 财务指标原始数据获得 困难 。
业信用数据， 统计模型， 计算其违约风险的大小常见的有 Ｌ ｏ ｇ ｉ ｔ 模型和
Ｐ ｒ ｏ ｂ ｉ ｔ 模 型。 １ 、 Ｌ ｏ ｇ ｉ ｔ 模型 。 ｇ ｉ ｔ 模型是通过一个取值为 ０和 １ 之间的 Ｌ ｏ ｓ ｉ ｓ ｔ ｉ ｃ
用信息数据库已经逐渐成熟， 司法、 环保、 社保、 质检等中小企业信用