小企業(yè)信用評估的模型構(gòu)建與實(shí)證分析

馬曉青，劉莉亞，胡乃紅，王 靜

（1.上海電力學(xué)院 經(jīng)濟(jì)與管理學(xué)院，上海200436；2.上海財(cái)經(jīng)大學(xué) 金融學(xué)院，上海200433）

一、引言與文獻(xiàn)綜述

小企業(yè)在我國經(jīng)濟(jì)發(fā)展中起著舉足輕重的作用，但是融資問題卻一直困擾著其生存和發(fā)展。為了更好地解決小企業(yè)“融資難”問題、推進(jìn)相關(guān)的金融服務(wù)，2007年銀監(jiān)會頒布了《銀行開展小企業(yè)授信工作指導(dǎo)意見》，將銀行對單戶授信總額500萬元（含）以下、企業(yè)資產(chǎn)總額1 000萬元（含）以下或授信總額500萬元（含）以下和企業(yè)年銷售額3 000萬元（含）以下的企業(yè)統(tǒng)稱為小企業(yè)，要求各商業(yè)銀行統(tǒng)一采用此標(biāo)準(zhǔn)，并為開展小企業(yè)貸款的銀行提供更多的激勵措施。然而，在實(shí)踐中由于小企業(yè)財(cái)務(wù)信息不健全，信貸市場的信息不對稱程度很高，傳統(tǒng)的信用評估模型難以幫助銀行識別該類客戶的信貸風(fēng)險(xiǎn)。因此，只有構(gòu)建符合國情的小企業(yè)信用評估指標(biāo)體系，幫助銀行找到客觀評估小企業(yè)貸款風(fēng)險(xiǎn)的模型和方法，才能真正掃除小企業(yè)融資的障礙。

銀行對客戶進(jìn)行信用評估需要解決幾個(gè)關(guān)鍵問題：一是建立評估對象的基礎(chǔ)信息數(shù)據(jù)庫；二是選取可能影響客戶違約概率的指標(biāo)；三是通過構(gòu)建信用評分模型來預(yù)測違約概率。信用評估的基礎(chǔ)信息包含“硬信息”（財(cái)務(wù)信息）和“軟信息”（非財(cái)務(wù)信息）兩個(gè)部分。相對而言，財(cái)務(wù)信息具有容易獲取和可量化分析的特點(diǎn)，因此，早期的信用評估體系大多以大公司的財(cái)務(wù)分析為主，最有影響的是Z評分模型。Altman（1968）選出五個(gè)財(cái)務(wù)指標(biāo)得出目標(biāo)企業(yè)的Z值，通過Z值與臨界閾值的比較推斷借款人是否會違約。Altman等（1977）在此基礎(chǔ)上建立了第二代信用評分模型——ZETA評分模型，從而拓寬了使用范圍。Lehmann（2003）對使用企業(yè)“硬信息”和“軟信息”預(yù)測違約概率的準(zhǔn)確性進(jìn)行了考察，發(fā)現(xiàn)前者顯著優(yōu)于后者。Ivicic等（2009）使用多元Logistic模型來考察企業(yè)的違約情況，發(fā)現(xiàn)產(chǎn)權(quán)比率和利息保障倍數(shù)與違約概率顯著負(fù)相關(guān)，擁有高流動性、高銷售額和良好盈利能力的企業(yè)往往違約的可能性較小。但是，也有一些學(xué)者發(fā)現(xiàn)非財(cái)務(wù)指標(biāo)的重要性，并試圖把兩種指標(biāo)結(jié)合起來使用。Platt（1991）通過采用Logistic模型進(jìn)行違約預(yù)測比較時(shí)發(fā)現(xiàn)，相對財(cái)務(wù)指標(biāo)的效果明顯好于企業(yè)自身財(cái)務(wù)指標(biāo)的效果。Grunert等（2005）對德國四家主要銀行的實(shí)證結(jié)果也顯示，將財(cái)務(wù)因素和非財(cái)務(wù)因素綜合考慮比單獨(dú)使用其中的某一類進(jìn)行違約分析的效果要更好。

國內(nèi)也有許多學(xué)者關(guān)注信用評估指標(biāo)體系，并把研究視角從上市公司轉(zhuǎn)向中小企業(yè)，分析企業(yè)信用、團(tuán)隊(duì)和創(chuàng)新等非財(cái)務(wù)因素的影響。范柏乃和朱文斌（2003）從償債能力、經(jīng)營能力、創(chuàng)利能力、管理能力、創(chuàng)新能力和成長能力六方面選取了15個(gè)變量構(gòu)建中小企業(yè)信用評價(jià)體系。曾丹（2010）的實(shí)證研究結(jié)果顯示，上市公司的公司特性因素、合理股權(quán)結(jié)構(gòu)、企業(yè)市場地位與預(yù)期違約率之間存在顯著關(guān)系。管曉永（2004）也指出企業(yè)信用品質(zhì)可從個(gè)人背景和團(tuán)隊(duì)結(jié)構(gòu)等方面進(jìn)行考慮，企業(yè)信用能力則可從資產(chǎn)財(cái)務(wù)能力和持續(xù)發(fā)展能力兩方面進(jìn)行考慮。但到目前為止還鮮見針對小企業(yè)信用評估指標(biāo)體系的研究 ，財(cái)務(wù)和非財(cái)務(wù)指標(biāo)的選取也缺乏統(tǒng)一標(biāo)準(zhǔn)，該領(lǐng)域還有很多問題需要進(jìn)一步規(guī)范和解決。

目前理論界對信用評估模型孰優(yōu)孰劣存在很多爭議。廣為使用的多元判別分析法其嚴(yán)格的假設(shè)條件一般不易滿足；層次分析法（AHP方法）等易受專家人為因素的影響，主觀性較強(qiáng)；神經(jīng)網(wǎng)絡(luò)模型等方法則結(jié)構(gòu)過于復(fù)雜，而且模型的解釋能力不強(qiáng)。李萌（2005）的實(shí)證研究指出，Logistic模型有非常可信的識別、預(yù)測和推廣能力，王超萃（2006）也證明該模型可以作為衡量企業(yè)信用狀況的度量方法?；跇颖緮?shù)據(jù)的特點(diǎn)，本文采用Logistic回歸方法并配合因子分析法對指標(biāo)進(jìn)行優(yōu)化選擇，簡化評估的復(fù)雜性，以保證模型的良好擬合性。

二、實(shí)證方法、模型構(gòu)建與數(shù)據(jù)來源

（一）實(shí)證方法：因子分析與Logistic模型。

（二）信用評估模型的構(gòu)建步驟。第一步，建立信用評價(jià)指標(biāo)體系，包括財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)兩部分。第二步，采用因子分析對各評價(jià)指標(biāo)進(jìn)行“瘦身”，進(jìn)而得到財(cái)務(wù)指標(biāo)因子分析結(jié)果、非財(cái)務(wù)指標(biāo)中非虛擬變量的因子分析結(jié)果和非財(cái)務(wù)指標(biāo)中虛擬變量三部分?jǐn)?shù)據(jù)。第三步，對兩類因子分別進(jìn)行Logistic回歸，選出具有顯著影響的指標(biāo)，建立信用評價(jià)指標(biāo)體系。第四步，對財(cái)務(wù)指標(biāo)體系和非財(cái)務(wù)指標(biāo)體系賦予不同的權(quán)重，組成完整的評估體系，并根據(jù)樣本歷史數(shù)據(jù)和銀行自身風(fēng)險(xiǎn)承受能力（即可接受的壞賬率）確定授信閾值，做出授信判斷。

（三）樣本數(shù)據(jù)。本文樣本數(shù)據(jù)取自我國東部地區(qū)某中小商業(yè)銀行（A銀行）管理信息系統(tǒng)的客戶信息和企業(yè)財(cái)務(wù)報(bào)表，樣本期間為2009年1月1日至2011年1月1日，財(cái)務(wù)報(bào)表采用樣本企業(yè)2009年數(shù)據(jù)。按銀監(jiān)會對中小企業(yè)的分類標(biāo)準(zhǔn)，選取授信額度在500萬元以下的銀行小企業(yè)客戶為研究樣本，剔除部分信息不完整樣本后有效樣本共300個(gè)。

對于各企業(yè)違約概率的衡量，采用該銀行于2011年1月1日對授信企業(yè)的五級分類（正常、關(guān)注、次級、可疑和損失）。為了謹(jǐn)慎起見，我們認(rèn)為正常級的貸款不會違約，即違約概率為0，而其他四個(gè)等級（關(guān)注、次級、可疑和損失）貸款會發(fā)生違約，即違約概率為1，這與一般的分類標(biāo)準(zhǔn)不同（一般認(rèn)為正常和關(guān)注級的客戶不會違約，而次級、可疑和損失級的客戶會違約），不良貸款率為9%。

表1 信用評價(jià)財(cái)務(wù)指標(biāo)選取

（四）評價(jià)指標(biāo)的選?。贺?cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)。

在財(cái)務(wù)指標(biāo)的選取上，根據(jù)樣本數(shù)據(jù)特點(diǎn)，本文從短期償債能力、長期償債能力、營運(yùn)能力和盈利能力四方面選取15個(gè)指標(biāo)（見表1）。

非財(cái)務(wù)指標(biāo)主要考慮9個(gè)指標(biāo)，其中包括2個(gè)虛擬變量。為了減小數(shù)據(jù)間差異，對數(shù)據(jù)做對數(shù)化處理。（1）銀行客戶類型（Z1）。A銀行將客戶分為支持、維持、壓縮、退出和未分類五個(gè)類別，本文對支持類客戶賦值4，維持類客戶賦值3，壓縮類客戶賦值2，退出或未分類客戶賦值1，數(shù)值越高表明銀行主觀支持力度越大。（2）注冊時(shí)間（Z2）。一般而言，企業(yè)成立越久，經(jīng)營越趨向成熟穩(wěn)健，違約概率越小。（3）從業(yè)人數(shù)（Z3）。從業(yè)人數(shù)較多的企業(yè)經(jīng)營一般更加正規(guī)，違法違規(guī)行為明顯減少。（4）經(jīng)營場地面積（Z4）。有較大經(jīng)營場地，說明企業(yè)擁有較多的固定資產(chǎn)（包括土地使用權(quán)），可用于貸款的抵押，提高了還款的可能性。（5）景氣指數(shù)（Z5）。根據(jù)A銀行對企業(yè)的行業(yè)分類，從CEIC數(shù)據(jù)系統(tǒng)中可提取出相應(yīng)行業(yè)的景氣指數(shù)，該指數(shù)由中國統(tǒng)計(jì)局公布。鑒于樣本截止點(diǎn)為2011年1月1日，景氣指數(shù)選擇相關(guān)行業(yè)2010年12月份公布的數(shù)據(jù)，取其相對于基期的數(shù)值。（6）建立信貸關(guān)系至今的時(shí)間（Z6）。建立信貸關(guān)系越久，銀行對企業(yè)信息的搜集越詳盡，企業(yè)的違約概率越低。（7）貸款到年初的天數(shù)（Z7）。該指標(biāo)衡量企業(yè)單筆貸款到2011年1月1日的時(shí)間，以年為單位計(jì)量。一般時(shí)間越長，被銀行視為違約的可能性越大，不可控因素越多。（8）基本存款賬戶是否在本機(jī)構(gòu)（Z8）。企業(yè)在本機(jī)構(gòu)開立存款賬戶意味著銀行易于全面了解企業(yè)的經(jīng)營狀況，企業(yè)違約概率較小。該變量為虛擬變量，在本機(jī)構(gòu)開戶為1，否則為0。（9）經(jīng)營狀況（Z9）。經(jīng)營狀況是銀行貸后管理過程中對企業(yè)經(jīng)營業(yè)績的客觀衡量。該變量為虛擬變量，正常經(jīng)營為1，否則（如經(jīng)營困難、關(guān)停倒閉等）為0。

三、實(shí)證分析

（一）因子分析。我們運(yùn)用MATLAB軟件，觀察15個(gè)財(cái)務(wù)指標(biāo)和9個(gè)非財(cái)務(wù)指標(biāo)之間的相關(guān)系數(shù)矩陣，發(fā)現(xiàn)兩類指標(biāo)內(nèi)部變量之間相關(guān)性較大，而兩類變量之間相關(guān)性較小。如財(cái)務(wù)指標(biāo)內(nèi)部相關(guān)系數(shù)最大值為0.873，非財(cái)務(wù)指標(biāo)內(nèi)部相關(guān)系數(shù)最大值為0.6，而財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)之間相關(guān)系數(shù)最大值僅為0.198，因此，我們對兩類指標(biāo)分別建立模型。

1.財(cái)務(wù)指標(biāo)因子分析。第一步，為消除量綱影響，對各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。第二步，考察樣本數(shù)據(jù)是否適合進(jìn)行因子分析。對數(shù)據(jù)進(jìn)行KMO檢驗(yàn)和Bartlett檢驗(yàn)，KMO值為0.64（大于0.5），Bartlett檢驗(yàn)值為2 448.060，Sig值近似為0，表明變量間適合因子分析。第三步，抽取共同因子，確定因子數(shù)目。本步驟使用主成分分析法提取因子，由于數(shù)據(jù)的特殊性，選取特征值大于0.8的因子（而不是1），以盡量保證數(shù)據(jù)的完整性。由表2可以看出，前8個(gè)因子的累積貢獻(xiàn)率可達(dá)83.2%，屬于可接受水平，將因子數(shù)目縮減近一半，達(dá)到了因子分析的效果。第四步，進(jìn)行因子旋轉(zhuǎn)。本文使用最大變異法進(jìn)行因子旋轉(zhuǎn)，使成分之間相關(guān)性為0。旋轉(zhuǎn)后的主成分分析結(jié)果如表3所示。為了保留信息，這里使用全部原始變量表示每個(gè)因子，而沒有因因子分析而對變量進(jìn)行剔除，對因子的篩選將通過最終的回歸結(jié)果進(jìn)行。

表2 總方差解釋

表3 旋轉(zhuǎn)主成分矩陣

根據(jù)表3的結(jié)果，我們得到8個(gè)因子和15個(gè)財(cái)務(wù)變量之間的線性關(guān)系，模型為

其他表達(dá)式未列出。我們最終選用8個(gè)因子來表示15個(gè)財(cái)務(wù)指標(biāo)，每個(gè)因子都用15個(gè)原始指標(biāo)來表示，而沒有過早地對指標(biāo)進(jìn)行剔除，以防止信息損失。通過因子分析得到的8個(gè)因子其相關(guān)性為0，說明因子之間完全相互獨(dú)立，不存在信息重疊和因子重復(fù)的問題，因此，進(jìn)行下一步的Logistic回歸分析是有意義的。

2.非財(cái)務(wù)指標(biāo)因子分析。我們對其中的非虛擬變量指標(biāo)（7個(gè)）進(jìn)行因子分析，步驟同上，而虛擬變量指標(biāo)（2個(gè)）直接進(jìn)入下一步的回歸分析。第一步，為消除量綱影響，對各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理。第二步，考察樣本數(shù)據(jù)是否適合進(jìn)行因子分析。通過KMO檢驗(yàn)和Bartlett檢驗(yàn)，KMO值為0.622（大于0.5），Bartlett檢驗(yàn)值為267.285，Sig值近似為0，表明變量間適合做因子分析。第三步，抽取共同因子，確定因子數(shù)目。選取特征值大于0.6的因子（而不是1），表4顯示前5個(gè)因子的累積貢獻(xiàn)率達(dá)86.3%，基本保留了原始信息，因子數(shù)目減少為5個(gè)。第四步，進(jìn)行因子旋轉(zhuǎn)。旋轉(zhuǎn)后的主成分分析結(jié)果如表5所示，使用全部原始變量表示每個(gè)因子，對因子的篩選同樣通過最終的回歸結(jié)果進(jìn)行。

表4 總方差解釋

表5 旋轉(zhuǎn)主成分矩陣

由表5我們可以得到5個(gè)因子與7個(gè)非財(cái)務(wù)變量間的線性關(guān)系，模型為：

其他表達(dá)式未列出。我們最終選用5個(gè)因子表示7個(gè)非財(cái)務(wù)變量，同樣每個(gè)因子都用7個(gè)原始指標(biāo)表示?？紤]到小企業(yè)的自身特點(diǎn)，非財(cái)務(wù)信息在分析中應(yīng)占較高比重，因此保留因子數(shù)目較多，為5個(gè)。

通過以上兩步因子分析，得到的因子間相關(guān)性為0。這為Logistic回歸提供了良好的前提，即回歸方程中不會出現(xiàn)多重共線性問題。

（二）Logistic回歸

1.財(cái)務(wù)因子Logistic回歸。進(jìn)入模型的財(cái)務(wù)因子主成分共有8個(gè)，依次記為COM＿1，COM＿2，…，COM＿8。通過 MATLAB軟件進(jìn)行Logistic回歸，經(jīng)過5步迭代，回歸模型的LR統(tǒng)計(jì)值達(dá)156.332，大于臨界值，可認(rèn)為模型擬合效果較好。Hosmer－Lemeshow檢驗(yàn)值為3.875，相應(yīng)的Sig值為0.87（大于0.5），由此判斷通過檢驗(yàn)。模型的預(yù)測準(zhǔn)確率為91%，說明該模型是可靠的。最終模型回歸結(jié)果為

為便于直觀考察，利用MATLAB軟件將各因子與原始指標(biāo)間的線性關(guān)系進(jìn)行還原，僅保留回歸系數(shù)絕對值小于0.1的解釋變量，同時(shí)根據(jù)實(shí)際意義對變量進(jìn)行篩選，結(jié)果為流動比率－0.29646流動資產(chǎn)周轉(zhuǎn)率－0.25239總資產(chǎn)周轉(zhuǎn)率－0.25069應(yīng)收賬款周轉(zhuǎn)率＋0.38404資產(chǎn)負(fù)債率－0.25482現(xiàn)金比率］。

從表6可以看出，對違約概率有重要影響的變量主要集中在短期償債能力、長期償債能力和營運(yùn)能力三方面，盈利能力方面指標(biāo)不顯著，說明小企業(yè)的生存能力遠(yuǎn)比盈利更加重要。其中，短期償債能力中速動比率、流動比率和現(xiàn)金比率三個(gè)指標(biāo)與違約概率呈負(fù)相關(guān)性?，F(xiàn)金比率的機(jī)會比例最高，說明現(xiàn)金流對小企業(yè)至關(guān)重要。營運(yùn)能力中流動資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率、應(yīng)收賬款周轉(zhuǎn)率與違約概率呈負(fù)相關(guān)性。較高的資產(chǎn)周轉(zhuǎn)率反映了良好的資產(chǎn)運(yùn)營能力，這類企業(yè)在后期經(jīng)營中盈利的可能性更大。長期償債能力方面只有資產(chǎn)負(fù)債率與企業(yè)違約概率呈顯著的正相關(guān)關(guān)系，這是因?yàn)槠髽I(yè)規(guī)模較小，資產(chǎn)負(fù)債率的提高可能會使企業(yè)面臨破產(chǎn)的風(fēng)險(xiǎn)，而且在7個(gè)指標(biāo)中對違約概率的影響也最大。

表6 財(cái)務(wù)變量解釋匯總

2.非財(cái)務(wù)因子Logistic回歸。我們對非財(cái)務(wù)因子進(jìn)行Logistic回歸分析，進(jìn)入模型的主成分共有5個(gè)，依次記為COMN＿1，COMN＿2，…，COMN＿5；此外，加上2個(gè)虛擬變量，總共有7個(gè)解釋變量。同樣，通過MATLAB軟件進(jìn)行Logistic回歸，經(jīng)過2步迭代，回歸模型的LR統(tǒng)計(jì)值達(dá)129.254，大于臨界值，Hosmer－Lemeshow檢驗(yàn)值為7.228，相應(yīng)的Sig值為0.512，由此判斷通過檢驗(yàn)。模型的預(yù)測準(zhǔn)確率為91%，最終模型回歸結(jié)果為

同樣，利用MATLAB軟件將各因子與原始指標(biāo)間的線性關(guān)系進(jìn)行還原，并根據(jù)實(shí)際意義對變量進(jìn)行篩選，結(jié)果為從業(yè)人數(shù)＋0.17292經(jīng)營場地面積－0.047567景氣指數(shù)＋0.072491注冊時(shí)間＋0.13147建立信貸關(guān)系至今時(shí)間－1.0767銀行客戶類型＋0.92796貸款到年初天數(shù)－1.488基本存款賬戶是否在本機(jī)構(gòu)］。

從Logit值看，對違約概率影響最大的是基本存款賬戶是否在本機(jī)構(gòu)，其次是銀行客戶類型，但從機(jī)會比率增加看，影響最大的是貸款至年初天數(shù)，這也是本文將被解釋變量進(jìn)行還原的原因。以貸款至年初天數(shù)為例，天數(shù)每增加一個(gè)單位（年），違約的機(jī)會比率將增加152.9%。

從表7可以看出：（1）景氣指數(shù)、銀行客戶類型和基本存款賬戶是否在本機(jī)構(gòu)與違約概率呈負(fù)相關(guān)性。小企業(yè)受行業(yè)的影響較大，如果該行業(yè)不景氣，那么企業(yè)經(jīng)營狀況往往較差，違約概率上升。銀行客戶類型反映了銀行對該客戶的支持力度，如果銀行給予某企業(yè)較大的支持力度，那么企業(yè)的償債能力一般較強(qiáng)。如果企業(yè)的基本存款賬戶在該行，則銀行往往會對其經(jīng)營狀況比較了解，企業(yè)也會為了維護(hù)良好的銀企合作關(guān)系而盡量降低違約概率。（2）從業(yè)人數(shù)、經(jīng)營場地面積、注冊時(shí)間、建立信貸關(guān)系至今的時(shí)間、貸款到年初天數(shù)與違約概率正相關(guān)。注冊時(shí)間盡管與違約概率正相關(guān)，但其影響很??；建立信貸關(guān)系至今的時(shí)間、從業(yè)人數(shù)和經(jīng)營場地面積次之。貸款到年初天數(shù)的正相關(guān)性最高，說明某一筆貸款時(shí)間越長其不確定性越大，違約概率也會隨之上升。

表7 非財(cái)務(wù)變量解釋匯總

（三）權(quán)重和閾值的確定?？紤]到該信用評估模型的使用情況，本文將財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)分開考查，允許銀行根據(jù)自己的風(fēng)格偏好對財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)賦予不同的權(quán)重。如果該銀行認(rèn)為財(cái)務(wù)指標(biāo)可信度不高，那么可以給予財(cái)務(wù)指標(biāo)較小的權(quán)重（如0.2），而同時(shí)給予非財(cái)務(wù)指標(biāo)相對較高的權(quán)重（如0.8），這給銀行決策提供了一定的靈活空間。在閾值的確定上充分考慮到銀行的自主性。假設(shè)銀行的歷史有效樣本量為X，銀行可接受的壞賬率為α，則根據(jù)回歸方程的系數(shù)分別得出財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)的機(jī)會比率序列，結(jié)合二者的權(quán)重得出加權(quán)機(jī)會比率序列，并按照升序排列，第α×X個(gè)樣本所對應(yīng)的加權(quán)機(jī)會比率值即為經(jīng)驗(yàn)閾值。若銀行樣本數(shù)據(jù)可信，則可利用該閾值判斷是否貸款給某新客戶。如果該客戶的加權(quán)機(jī)會比率大于閾值，則其風(fēng)險(xiǎn)過大，不宜對該客戶提供貸款；反之，如果加權(quán)機(jī)會比率小于閾值，則該客戶的風(fēng)險(xiǎn)水平屬于可以接受的范圍。

四、主要結(jié)論和政策建議

本文的實(shí)證結(jié)果顯示：（1）財(cái)務(wù)因素中對違約概率有重要影響的因素主要集中在短期償債能力、長期償債能力和營運(yùn)能力三方面。短期償債能力的三個(gè)變量顯著，說明現(xiàn)金流對小企業(yè)至關(guān)重要，而資產(chǎn)營運(yùn)能力的三個(gè)顯著的變量則是反映小企業(yè)活力的重要指標(biāo)。長期償債能力中只有資產(chǎn)負(fù)債率與企業(yè)違約概率呈顯著的正相關(guān)關(guān)系，而且在7個(gè)具有顯著性的財(cái)務(wù)指標(biāo)中Logit值最大，對違約概率的影響最大，違約的機(jī)會比率也最高，說明要高度關(guān)注小企業(yè)的資本結(jié)構(gòu)，防止其財(cái)務(wù)杠桿比率過高而破產(chǎn)倒閉。（2）非財(cái)務(wù)指標(biāo)中的景氣指數(shù)、銀行客戶類型和基本存款賬戶是否在本機(jī)構(gòu)與違約概率呈負(fù)相關(guān)性，從業(yè)人數(shù)、經(jīng)營場地面積、注冊時(shí)間、建立信貸關(guān)系至今的時(shí)間、貸款到年初天數(shù)與違約概率正相關(guān)。從Logit值看，對違約概率影響最大的是基本存款賬戶是否在本機(jī)構(gòu)，然后是銀行客戶類型。這說明：一是由于小企業(yè)貸款的信息不對稱程度非常嚴(yán)重，通過開立結(jié)算或存款賬戶讓銀行對其資金狀況比較了解，可以降低貸款的違約概率；二是銀行客戶類型反映了銀行對該客戶的了解和支持力度，支持力度較大，則企業(yè)的償債能力較強(qiáng)；三是小企業(yè)受行業(yè)影響較大，可以通過行業(yè)景氣指數(shù)反映該企業(yè)的行業(yè)屬性。從機(jī)會比率增加看，影響最大的是貸款至年初天數(shù)，說明要重視貸款期限對違約概率的影響。（3）本文在信用評估模型的使用上對權(quán)重和閾值的確定也進(jìn)行了創(chuàng)新。我們將財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)分開考慮，允許銀行根據(jù)自己的風(fēng)格偏好對財(cái)務(wù)和非財(cái)務(wù)指標(biāo)賦予不同的權(quán)重。在閾值的確定上也充分考慮到銀行的自主性，這增強(qiáng)了模型的適用性，為不同類型銀行的使用提供了更多的可能性。（4）考慮到經(jīng)濟(jì)周期的不同階段可以做靈活調(diào)整。本文數(shù)據(jù)取自2009年金融危機(jī)復(fù)蘇之際，小企業(yè)具有規(guī)模小、經(jīng)營靈活性較大的特點(diǎn)，經(jīng)濟(jì)復(fù)蘇初期其經(jīng)營情況可能要好于在經(jīng)濟(jì)危機(jī)中受到重創(chuàng)的大企業(yè)。因此，在不同經(jīng)濟(jì)周期，不同銀行在運(yùn)用本文提出的信用評估體系時(shí)應(yīng)進(jìn)行適時(shí)、適度的調(diào)整。

［1］范柏乃，朱文斌.中小企業(yè)信用評價(jià)指標(biāo)的理論遴選與實(shí)證分析［J］.科研管理，2003，（6）：83－88.

［2］管曉永.中小企業(yè)信用評價(jià)因素研究［D］.杭州：浙江大學(xué)博士學(xué)位論文，2005.

［3］李萌.Logit模型在商業(yè)銀行信用風(fēng)險(xiǎn)評估中的應(yīng)用研究［J］.管理科學(xué)，2005，（2）：33－38.

［4］王超萃.違約概率模型在我國銀行信用風(fēng)險(xiǎn)管理中的應(yīng)用性分析——以Logistic模型為例［D］.北京：對外經(jīng)濟(jì)貿(mào)易大學(xué)碩士學(xué)位論文，2006.

［5］曾丹.非財(cái)務(wù)指標(biāo)因素對企業(yè)信用評級的影響研究——以上市公司為例［D］.長春：吉林大學(xué)碩士學(xué)位論文，2010.

［6］Altman E，Haldeman R，Narayanan P.ZETATM analysis：A new model to identify bankruptcy risk of corporations［J］.Journal of Banking and Finance，1977，（1）：29－54.

［7］Altman E.Financial ratios，discriminant analysis and the prediction of corporate bankruptcy［J］.Journal of Finance，1968，（4）：589－609.

［8］Lehmann B.Is it worth the while？The relevance of qualitative information in credit rat－ing［R］.Working Paper，2003.

［9］Grunert J，Norden L，Weber M.The role of non－financial factors in internal credit ratings［J］.Journal of Banking and Finance，2005，29：509－531.

［10］Ivicic L，Cerovac S.Credit risk assessment of corporate sector in Croatia［J］.Financial Theory and Practice，2009，33：373－399.

［11］Malhotra R，Malhotra D K.Differentiating between good credits and bad credits using neuro－fuzzy system［J］.European Journal of Operational Research，2002，136：190－211.

［12］Ohlson J A.Financial ratios and the probabilistic prediction of bankruptcy［J］.Journal of Accounting Research，1980，18：109－131.

［13］Behr P，Güttler A.Credit risk assessment and relationship lending：An empirical analysis of German small and medium－sized enterprises［J］.Journal of Small Business Management，2007，45：194－213.

［14］Platt H D，Platt M B.A note on the use of industry－relative ratios in bankruptcy prediction［J］.Journal of Banking and Finance，1991，15：1183－1194.

［15］Orgler Y E.A credit scoring model for commercial loans［J］.Journal of Money，Credit＆Banking，1970，2：435－445.