基于LS-SVM的小微企業(yè)信用評(píng)估研究

肖斌卿，柏 巍，姚 瑤，李心丹

(1. 南京大學(xué) 工程管理學(xué)院，江蘇 南京 210093；2. 紐約大學(xué) Stern商學(xué)院，紐約 10012；3. 江蘇中誠(chéng)信信用管理有限公司 評(píng)級(jí)部，江蘇 南京 210019)

?

基于LS-SVM的小微企業(yè)信用評(píng)估研究

肖斌卿1,2，柏 巍1，姚 瑤3，李心丹1

(1. 南京大學(xué) 工程管理學(xué)院，江蘇 南京 210093；2. 紐約大學(xué) Stern商學(xué)院，紐約 10012；3. 江蘇中誠(chéng)信信用管理有限公司 評(píng)級(jí)部，江蘇 南京 210019)

構(gòu)建并優(yōu)化小微企業(yè)信用評(píng)估技術(shù)已經(jīng)成為商業(yè)銀行開(kāi)展小微業(yè)務(wù)必然選擇?；谛∥⑵髽I(yè)內(nèi)在特征，設(shè)計(jì)以小微企業(yè)現(xiàn)金流信息為違約觸發(fā)機(jī)制的小微企業(yè)信用評(píng)估指標(biāo)體系，構(gòu)建最小二乘支持向量機(jī)模型(LS-SVM)，運(yùn)用某國(guó)有控股銀行的小微企業(yè)貸款微觀數(shù)據(jù)證實(shí)該模型能夠相對(duì)提高預(yù)測(cè)精確度和穩(wěn)定性。應(yīng)用LS-SVM構(gòu)建的小微企業(yè)信用評(píng)估指標(biāo)體系以及評(píng)估模型有助于提升銀行對(duì)小微企業(yè)的了解程度和小微業(yè)務(wù)風(fēng)險(xiǎn)管理能力，減輕信息不對(duì)稱，在一定程度能夠化解供給型信貸配給導(dǎo)致的小微企業(yè)融資難問(wèn)題。

小微企業(yè)；信用評(píng)估；企業(yè)信用評(píng)估；現(xiàn)金流信息；LS-SVM；小微金融；商業(yè)銀行；信用配給；信用評(píng)分

一、 引言

企業(yè)信用評(píng)估一直以來(lái)都是財(cái)務(wù)學(xué)和金融風(fēng)險(xiǎn)管理領(lǐng)域的熱點(diǎn)問(wèn)題。相對(duì)于研究以及業(yè)界實(shí)踐已經(jīng)比較成熟的大中型企業(yè)信用評(píng)估，中小企業(yè)信用評(píng)估一致沒(méi)有得到很好地發(fā)展，而中小企業(yè)中的“小微企業(yè)”信用評(píng)估在研究上更是沒(méi)有得到足夠的重視，小微企業(yè)信用評(píng)估理論研究成果還不多見(jiàn)。隨著對(duì)小微金融盈利(小微金融可以產(chǎn)生可觀的現(xiàn)金流和更低的風(fēng)險(xiǎn))的重新認(rèn)識(shí)[1]，商業(yè)銀行開(kāi)始進(jìn)軍小微金融并開(kāi)創(chuàng)了很多信用評(píng)估技術(shù)。在這些實(shí)踐中，很多商業(yè)銀行已經(jīng)將信用評(píng)分用于小微企業(yè)信用評(píng)價(jià)中，包括美國(guó)富國(guó)銀行、泰國(guó)泰華農(nóng)民銀行以及德國(guó)IPC公司等 。國(guó)內(nèi)業(yè)界在小微企業(yè)信用評(píng)價(jià)方面的實(shí)踐起步較晚，但也紛紛進(jìn)行了相應(yīng)的探索。例如民生銀行以“信貸工廠”的建設(shè)為出發(fā)點(diǎn)，開(kāi)發(fā)出“小微企業(yè)評(píng)分卡”模式和“客戶行為評(píng)分”模式；包商銀行開(kāi)發(fā)了符合本土化要求的小微企業(yè)信貸業(yè)務(wù)打分卡系統(tǒng)。國(guó)內(nèi)外商業(yè)銀行的小微金融實(shí)踐富有特色，這些商業(yè)銀行將信用評(píng)估應(yīng)用于小微企業(yè)信貸業(yè)務(wù)，高成本、高風(fēng)險(xiǎn)和信息不對(duì)稱問(wèn)題得到了明顯的改觀，小微企業(yè)“融資難”和“融資貴”的壓力在一定程度得到了緩解，但從全局來(lái)看，我國(guó)小微企業(yè)的信用評(píng)估技術(shù)目前正處于起步階段，構(gòu)建有效的小微企業(yè)信用評(píng)估問(wèn)題一直沒(méi)有得到很好地解決。

構(gòu)建小微企業(yè)信用評(píng)估模型對(duì)于商業(yè)銀行開(kāi)展小微企業(yè)信貸業(yè)務(wù)具有重要意義和價(jià)值。傳統(tǒng)信貸市場(chǎng)上，小微客戶一直存在典型的信貸配給[2]。除了價(jià)格型信貸配給，還包括供給型和需求型信貸配給[3]。供給型信貸配給是指由于利率限制和信息不對(duì)稱，銀行改變非價(jià)格部分的貸款規(guī)模，導(dǎo)致市場(chǎng)出清；需求型信貸配給是緣于需求方自身原因的交易成本配給、風(fēng)險(xiǎn)配給以及社會(huì)資本配給等。構(gòu)建小微企業(yè)信用評(píng)估模型有助于增加商業(yè)銀行對(duì)企業(yè)信用狀況的了解把握，從而提升管理小微信貸風(fēng)險(xiǎn)能力，應(yīng)對(duì)供給型信貸配給問(wèn)題，在一定程度上化解小微企業(yè)融資難的困境。

本文基于小微企業(yè)特征并結(jié)合理論與實(shí)踐概括了影響小微企業(yè)信用情況的因素，架構(gòu)了小微企業(yè)信用評(píng)估指標(biāo)體系，利用某國(guó)有商業(yè)銀行省分行小微企業(yè)信貸業(yè)務(wù)數(shù)據(jù)，構(gòu)建了最小二乘支持向量機(jī)模型，提高了小微企業(yè)評(píng)估模型的預(yù)測(cè)精確度和穩(wěn)定性。接下來(lái)，本文分別將包括現(xiàn)金流信息指標(biāo)和不包括現(xiàn)金流信息指標(biāo)的小微企業(yè)信用評(píng)估指標(biāo)作為模型輸入變量，進(jìn)行對(duì)比分析，以驗(yàn)證現(xiàn)金流信息指標(biāo)在小微企業(yè)信用評(píng)估中的重要作用。

二、 文獻(xiàn)回顧與評(píng)述

信用評(píng)分在消費(fèi)者貸款和住房抵押貸款領(lǐng)域有著廣泛和歷史悠久的應(yīng)用，但是直到20世紀(jì)中期才被引入小企業(yè)貸款。學(xué)者們認(rèn)為其中一個(gè)原因是小微企業(yè)貸款的多樣化，另一個(gè)原因是小微企業(yè)提供的財(cái)務(wù)報(bào)表標(biāo)準(zhǔn)度不夠且報(bào)表虛假的可能性較高。隨后有研究發(fā)現(xiàn)，小微企業(yè)業(yè)主的個(gè)人信用行為與企業(yè)的信用表現(xiàn)有很強(qiáng)的相關(guān)性，這反映了小微企業(yè)與企業(yè)主休戚與共的關(guān)系。這些研究極大地激發(fā)了學(xué)術(shù)界和業(yè)界研究小微企業(yè)信用評(píng)估的熱情[4]。

國(guó)外學(xué)者們主要從小微企業(yè)信用評(píng)價(jià)指標(biāo)完善以及構(gòu)建評(píng)價(jià)模型兩個(gè)視角展開(kāi)研究。在評(píng)價(jià)指標(biāo)體系完善上，學(xué)者們探索如何引入更加有效的評(píng)價(jià)指標(biāo)。例如Minnis探討了稅收等指標(biāo)在預(yù)測(cè)小微企業(yè)違約情況的有效性[5]。學(xué)者研究認(rèn)為，通過(guò)數(shù)據(jù)挖掘的方法來(lái)進(jìn)行信用評(píng)估能得到較為穩(wěn)健的結(jié)果。在數(shù)據(jù)挖掘的方法中，就企業(yè)信用評(píng)級(jí)而言，支持向量機(jī)方法與其他方法相比，具有明顯的優(yōu)勢(shì)[6]。國(guó)內(nèi)學(xué)者對(duì)小微企業(yè)評(píng)價(jià)研究還主要以定性為主。學(xué)者普遍認(rèn)為，目前小微企業(yè)融資難問(wèn)題最重要的原因是銀企之間的信息不對(duì)稱，解決該問(wèn)題的有效途徑在于，以國(guó)外商業(yè)銀行的實(shí)踐經(jīng)驗(yàn)為基礎(chǔ)，結(jié)合本土實(shí)際，改進(jìn)針對(duì)小微企業(yè)的信用評(píng)估方法。

國(guó)內(nèi)學(xué)者對(duì)信用評(píng)分方法的研究主要通過(guò)兩個(gè)途徑展開(kāi)，其一是針對(duì)某類(lèi)特定的信用評(píng)分模型進(jìn)行改進(jìn)[7-8]。國(guó)內(nèi)學(xué)者改進(jìn)特定信用評(píng)分模型進(jìn)行實(shí)證研究的目的或是追求提升模型的預(yù)測(cè)力、穩(wěn)定性等性能，或是追求滿足新的監(jiān)管要求或現(xiàn)實(shí)操作性要求。同時(shí)，學(xué)者們往往通過(guò)將其改進(jìn)的模型與原始模型或其他模型進(jìn)行對(duì)比檢驗(yàn)的方式，證明改進(jìn)模型的先進(jìn)性。其二，改進(jìn)信用評(píng)分模型的基礎(chǔ)，如引入拒絕推論[9]。從數(shù)據(jù)缺失機(jī)制角度來(lái)看，過(guò)往信用評(píng)分實(shí)證研究中所用的樣本數(shù)據(jù)絕大部分都是商業(yè)銀行通過(guò)的企業(yè)貸款申請(qǐng)數(shù)據(jù)，這導(dǎo)致建模過(guò)程中存在樣本選擇偏差問(wèn)題，可能使得模型參數(shù)估計(jì)有偏，進(jìn)而影響模型的精確度。目前國(guó)內(nèi)學(xué)者嘗試通過(guò)拒絕推論解決這個(gè)問(wèn)題，但這方面研究還較少，且未引起廣泛關(guān)注。

現(xiàn)有對(duì)小微企業(yè)信用評(píng)估方法的研究主要不足在于沒(méi)有真正結(jié)合小微企業(yè)特點(diǎn)。目前的實(shí)證研究大都肯定了從小微企業(yè)特點(diǎn)出發(fā)構(gòu)建小微企業(yè)信用評(píng)估模型的重要性，但是，其信用評(píng)估指標(biāo)體系的構(gòu)建往往是采取傳統(tǒng)的、以大中型公司為范本的相關(guān)指標(biāo)，其優(yōu)化的信用評(píng)估模型只是以小微企業(yè)客戶信息為數(shù)據(jù)樣本，在構(gòu)建過(guò)程中均未與小微企業(yè)特點(diǎn)相結(jié)合以突出特點(diǎn)。只有解答了“什么樣的信用評(píng)估方法才是適合小微企業(yè)的”這一問(wèn)題，才能使得這項(xiàng)研究具有現(xiàn)實(shí)意義。本文致力于從小微企業(yè)特點(diǎn)出發(fā)，構(gòu)建針對(duì)小微企業(yè)的且具有實(shí)用價(jià)值的信用評(píng)估指標(biāo)體系和模型，并借鑒機(jī)器學(xué)習(xí)最新發(fā)展技術(shù)來(lái)解決這一問(wèn)題。

三、 小微企業(yè)信用評(píng)估指標(biāo)體系構(gòu)建

小微企業(yè)是個(gè)體工商戶、家庭式作坊企業(yè)、微型企業(yè)和小型企業(yè)的統(tǒng)稱。本文研究的“小微企業(yè)”是符合《中小企業(yè)劃型標(biāo)準(zhǔn)規(guī)定》中界定標(biāo)準(zhǔn)的小型和微型企業(yè)、家庭作坊式企業(yè)、個(gè)體工商戶等類(lèi)型的客戶。小微企業(yè)客戶主要有兩個(gè)特點(diǎn)：(1)企業(yè)規(guī)模小，缺乏抵押品且財(cái)務(wù)信息不透明。小微企業(yè)因資產(chǎn)總值中固定資產(chǎn)占比較低而難以提供足夠的抵質(zhì)押品。此外，財(cái)務(wù)制度不健全，財(cái)務(wù)信息不透明情況嚴(yán)重[4]。這阻礙了銀行通過(guò)硬信息評(píng)價(jià)小微企業(yè)信用情況的途徑，提高了銀行錯(cuò)誤判斷申請(qǐng)人信用情況的可能性，在一定程度上造成了供給型信貸配給的產(chǎn)生。(2)組織形式簡(jiǎn)單，所有權(quán)和經(jīng)營(yíng)權(quán)高度統(tǒng)一。多數(shù)小微企業(yè)以個(gè)人獨(dú)資或合伙形式經(jīng)營(yíng)，股權(quán)結(jié)構(gòu)單一，具有較強(qiáng)的家族式經(jīng)營(yíng)特征。所以在構(gòu)建信用評(píng)價(jià)指標(biāo)體系時(shí)需要重點(diǎn)考察企業(yè)主的特質(zhì)。在小微企業(yè)信用評(píng)估中，小微企業(yè)獨(dú)特個(gè)性對(duì)其信用狀況的影響需要被著重考慮。結(jié)合已有研究，本文從企業(yè)基本面信息、企業(yè)財(cái)務(wù)信息、現(xiàn)金流信息和企業(yè)主特征四個(gè)方面進(jìn)行小微企業(yè)信用評(píng)估因素的分析。

(1) 企業(yè)基本面信息。企業(yè)基本面信息是對(duì)企業(yè)信用狀況最直接的體現(xiàn)。企業(yè)基本面狀況主要從企業(yè)規(guī)模、企業(yè)生存年限、企業(yè)性質(zhì)、行業(yè)門(mén)類(lèi)等方面進(jìn)行考察。企業(yè)規(guī)模是企業(yè)當(dāng)前經(jīng)營(yíng)狀況的直接體現(xiàn)。企業(yè)生存年限在一定程度上反映了企業(yè)的歷史經(jīng)營(yíng)能力，而小微企業(yè)生存期限普遍較短。企業(yè)經(jīng)濟(jì)性質(zhì)反映了企業(yè)所有權(quán)，一般認(rèn)為國(guó)家控股和集體控股的企業(yè)信用情況較好。小微企業(yè)中，私人絕對(duì)或相對(duì)控股企業(yè)和個(gè)體工商戶占了絕大部分。

在對(duì)企業(yè)產(chǎn)生影響的外部因素中，最重要和最直接的就是企業(yè)所處的行業(yè)狀況。一般認(rèn)為，處于成長(zhǎng)期的行業(yè)和較好市場(chǎng)環(huán)境的行業(yè)的企業(yè)發(fā)展前景更為理想，信用狀況也相對(duì)會(huì)更好。小微企業(yè)大多位于行業(yè)發(fā)展的末端，并且具有非常高的成長(zhǎng)性和風(fēng)險(xiǎn)性。企業(yè)所處的行業(yè)門(mén)類(lèi)狀況一般可以從行業(yè)發(fā)展階段及前景、行業(yè)發(fā)展環(huán)境、行業(yè)市場(chǎng)現(xiàn)狀等角度進(jìn)行考察。小微企業(yè)大部分分布在制造業(yè)、批發(fā)和零售業(yè)，在建筑業(yè)、住宿和餐營(yíng)業(yè)、租賃和商務(wù)服務(wù)業(yè)等行業(yè)也有少量分布。根據(jù)行業(yè)將小微企業(yè)進(jìn)行劃分，能夠更好地提高模型的準(zhǔn)確性和擴(kuò)展性。

(2) 企業(yè)財(cái)務(wù)信息。因?yàn)樾∥⑵髽I(yè)的信用違約風(fēng)險(xiǎn)與大中型企業(yè)相比具有異質(zhì)性特征，所以在分析小微企業(yè)的企業(yè)財(cái)務(wù)狀況對(duì)企業(yè)信用狀況的影響作用和反映作用時(shí)，不能完全比照大中型銀行。Altman和Sabato的研究表明，應(yīng)用財(cái)務(wù)指標(biāo)對(duì)小微企業(yè)樣本構(gòu)建的信用風(fēng)險(xiǎn)評(píng)估模型，其提前一年的預(yù)測(cè)精確度比對(duì)全部企業(yè)構(gòu)建的模型的預(yù)測(cè)精確度高出約30%[10]。Minnis 也支持了這一觀點(diǎn)[5]。由于我國(guó)小微企業(yè)具有財(cái)務(wù)信息嚴(yán)重不透明的顯著特點(diǎn)，構(gòu)建財(cái)務(wù)指標(biāo)時(shí)不能完全套用大企業(yè)的構(gòu)建方式。本文從傳統(tǒng)的“四要素”(償債能力、盈利能力、營(yíng)運(yùn)能力和發(fā)展能力四個(gè)方面)構(gòu)建財(cái)務(wù)方面的指標(biāo)體系。

(3) 現(xiàn)金流量信息。小微企業(yè)資產(chǎn)規(guī)模較小，資產(chǎn)流動(dòng)性差，生產(chǎn)經(jīng)營(yíng)種類(lèi)較為單一，現(xiàn)金儲(chǔ)備有限，并且信息不對(duì)稱情況嚴(yán)重，使得其外源性融資渠道較少。因此，小微企業(yè)一旦面臨短期融資壓力，或者陷入生產(chǎn)經(jīng)營(yíng)困境，通常就難以再次獲得外源性資金的支持。在這種情況下，資產(chǎn)負(fù)債類(lèi)指標(biāo)無(wú)法全面反映企業(yè)信用情況的變化，也無(wú)法精確估計(jì)其還款能力。Kim認(rèn)為，與資產(chǎn)價(jià)值等滯后指標(biāo)相比，預(yù)期現(xiàn)金流作為估計(jì)小微客戶的違約概率的指標(biāo)更為有效[11]。一方面，在缺乏外源性融資的情況下，小微企業(yè)自身生產(chǎn)經(jīng)營(yíng)產(chǎn)生的內(nèi)源性資金尤為重要，其信用狀況的變化表現(xiàn)在企業(yè)經(jīng)營(yíng)現(xiàn)金流的變化上。另一方面，小微企業(yè)較低的固定資產(chǎn)占比意味著其投資周期較短，這代表企業(yè)資金能夠快速流動(dòng)和回籠的特點(diǎn)。并且，基于現(xiàn)金流的預(yù)測(cè)模型以難以額外獲得的外源性融資為假設(shè)條件[12-13]，符合小微企業(yè)的特點(diǎn)。實(shí)踐領(lǐng)域中，目前已有商業(yè)銀行在處理小微企業(yè)貸款申請(qǐng)時(shí)，在關(guān)注資產(chǎn)價(jià)值類(lèi)指標(biāo)的同時(shí)，重視其現(xiàn)金流的變動(dòng)情況。具體而言，我們采用現(xiàn)金流充足性水平、緊急變現(xiàn)能力、融資約束程度差異、現(xiàn)金流入與還款方式的匹配度等指標(biāo)。

(4) 企業(yè)主特征。小微企業(yè)所有權(quán)和經(jīng)營(yíng)權(quán)高度統(tǒng)一的特點(diǎn)決定了企業(yè)領(lǐng)導(dǎo)人即企業(yè)主對(duì)企業(yè)信用情況的影響程度較深。美國(guó)富國(guó)銀行根據(jù)小企業(yè)業(yè)主評(píng)分而對(duì)小企業(yè)信用進(jìn)行自動(dòng)評(píng)分。學(xué)術(shù)界也就企業(yè)主特征對(duì)小微企業(yè)信用情況影響的作用表示肯定。例如，Levenson和Willard肯定了企業(yè)主信用特征的影響，認(rèn)為企業(yè)主的還款意愿在很大程度上決定了小微企業(yè)的還款意愿[14]。具體而言，我們采用企業(yè)主個(gè)人信用情況以及企業(yè)主個(gè)人信用情況與企業(yè)信用情況的緊密程度兩個(gè)指標(biāo)。

四、 小微企業(yè)信用評(píng)估模型構(gòu)建

小微業(yè)務(wù)信用評(píng)分的建模方法分為主觀和客觀兩類(lèi)。主觀的方法是判斷型，又稱為專家型或經(jīng)驗(yàn)型，即根據(jù)各方面專家對(duì)信貸政策、市場(chǎng)、客戶、風(fēng)險(xiǎn)點(diǎn)的共同知識(shí)和經(jīng)驗(yàn)，篩選出一組風(fēng)險(xiǎn)要素并進(jìn)行賦值，由此形成基于經(jīng)驗(yàn)判斷的信用評(píng)分模型。它一般適用于客戶信息量化程度不高和樣本量較小的情況。客觀的方法是數(shù)據(jù)挖掘型，即運(yùn)用數(shù)據(jù)挖掘技術(shù)在目標(biāo)領(lǐng)域的大規(guī)模歷史數(shù)據(jù)的基礎(chǔ)上推演出來(lái)的信用評(píng)分模型。它主要包括多元線性回歸、邏輯回歸、分類(lèi)樹(shù)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法，不同的方法有各自的限制條件和適用情形。這些方法的好處在于從數(shù)據(jù)出發(fā)能夠客觀公正地進(jìn)行判斷，且機(jī)器學(xué)習(xí)模型通過(guò)對(duì)歷史數(shù)據(jù)的不斷學(xué)習(xí)，能夠動(dòng)態(tài)改變因子所配的權(quán)重，不斷納入新的信息。

支持向量機(jī)(Support Vector Machine，SVM)是由Vapnik等提出的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的學(xué)習(xí)理論[15]。相比于傳統(tǒng)的統(tǒng)計(jì)方法，SVM不依賴于對(duì)所解問(wèn)題的先驗(yàn)知識(shí)[15]。支持向量機(jī)有很好的泛化能力，在處理具有小樣本、非線性等特征的數(shù)據(jù)上有較好的表現(xiàn)。其主要思想是建立一個(gè)超平面作為決策面，使得正例和反例之間的間隔邊緣實(shí)現(xiàn)最大化。它通過(guò)核函數(shù)，將輸入變量映射到線性可分的高維空間，從而構(gòu)造分類(lèi)超平面。最小二乘支持向量機(jī)算法的出發(fā)點(diǎn)也尋求形如(wx)+b=0的劃分超平面，但是其原始最優(yōu)化問(wèn)題為凸二次規(guī)劃：

ST.yi=wTφ(xi)+b+ξi

i=1,2,…,l.

(1)

該問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題后，為求解一組線性等式，不需要求解二次規(guī)劃。最終我們得到LS-SVM的決策函數(shù)：

(2)

該方法簡(jiǎn)化了計(jì)算復(fù)雜性，計(jì)算成本小，泛化功能好，且不易陷入局部最小，得到了廣泛的應(yīng)用。

小微業(yè)務(wù)的信用評(píng)估模型不僅需要滿足預(yù)測(cè)穩(wěn)定性和精確性要求，而且必須符合小微業(yè)務(wù)的特點(diǎn)和數(shù)據(jù)的實(shí)際情況[16]。目前，我國(guó)商業(yè)銀行自身累計(jì)的小微企業(yè)樣本數(shù)據(jù)往往存在大量的缺失、噪聲點(diǎn)和奇異值，在應(yīng)用信用評(píng)估技術(shù)時(shí)，可作為模型的有效輸入信息的數(shù)據(jù)樣本較為有限。所以，適用于我國(guó)商業(yè)銀行小微業(yè)務(wù)的信用評(píng)估模型需要在小樣本條件下，滿足預(yù)測(cè)穩(wěn)定性和精確性要求。

本文借鑒已有的在信用評(píng)估方面的支持向量機(jī)模型研究成果，針對(duì)小微企業(yè)信用樣本數(shù)據(jù)，通過(guò)對(duì)比研究，建立最小二乘支持向量機(jī)(LS-SVM)模型，以有效地提高預(yù)測(cè)穩(wěn)定性和精確性。接著，本文將引入現(xiàn)金流信息指標(biāo)的LS-SVM模型與未引入現(xiàn)金流信息指標(biāo)的LS-SVM模型進(jìn)行對(duì)比檢驗(yàn)，以驗(yàn)證前文所論述的“現(xiàn)金流信息指標(biāo)對(duì)小微企業(yè)信用評(píng)估具有重要意義”的觀點(diǎn)。

五、 數(shù)據(jù)預(yù)處理與實(shí)證研究

(一) 數(shù)據(jù)預(yù)處理與描述性統(tǒng)計(jì)

本文的數(shù)據(jù)來(lái)源為某國(guó)有商業(yè)銀行省級(jí)分行小微業(yè)務(wù)首筆交易信息。本文篩選整理出了包含629個(gè)小微客戶的數(shù)據(jù)。本文按照貸款風(fēng)險(xiǎn)分類(lèi)標(biāo)準(zhǔn)進(jìn)行好客戶和壞客戶的劃分，將“關(guān)注”和“正常”兩類(lèi)客戶作為未違約樣本，標(biāo)注為“0”；將“次級(jí)”“可疑”和“損失”三類(lèi)客戶作為違約樣本，標(biāo)注為“1”。在我們的樣本中，樣本違約率為1.91%。本文數(shù)據(jù)中 “現(xiàn)金流入與還款方式的匹配度”指標(biāo)和企業(yè)主信息中的全部指標(biāo)都無(wú)法獲取。此外當(dāng)相關(guān)系數(shù)的統(tǒng)計(jì)系數(shù)大于0.6時(shí)，兩變量為強(qiáng)相關(guān)，我們僅選擇了其中一個(gè)變量。經(jīng)過(guò)篩選后的樣本數(shù)據(jù)變量體系如表1和表2所示。

對(duì)于描述變量和模型輸入變量，我們分別統(tǒng)計(jì)了每個(gè)變量違約和未違約客戶的數(shù)量和所占百分比。具體情況見(jiàn)表1所示。

從小微貸款的整體情況來(lái)看，小微企業(yè)申請(qǐng)的銀行貸款數(shù)額大多數(shù)小于或等于20萬(wàn)元，且違約客戶也大多數(shù)屬于這個(gè)區(qū)間。近九成小微企業(yè)申請(qǐng)貸款用于彌補(bǔ)流動(dòng)資金，同時(shí)超過(guò)九成的小微貸款為短期貸款，這兩種情況一方面決定了小微貸款需求“短、小、急、頻”的特點(diǎn)，另一方面使得當(dāng)企業(yè)流動(dòng)資金鏈條出現(xiàn)斷裂時(shí)，小微貸款容易出現(xiàn)違約風(fēng)險(xiǎn)。

表1 描述變量統(tǒng)計(jì)結(jié)果

從申請(qǐng)貸款的小微企業(yè)整體情況來(lái)看，絕大多數(shù)小微企業(yè)為私人絕對(duì)控股，且絕大部分的違約樣本發(fā)生在這個(gè)群體中。行業(yè)門(mén)類(lèi)中，超過(guò)九成的小微企業(yè)集中于制造業(yè)與批發(fā)和零售業(yè)，且大多數(shù)違約樣本也發(fā)生在這兩個(gè)行業(yè)中，說(shuō)明這兩個(gè)行業(yè)中的小微企業(yè)的信用狀況相對(duì)較弱，這與前文發(fā)現(xiàn)的“制造業(yè)與批發(fā)和零售業(yè)的生存能力最弱”這一現(xiàn)象相符合。

對(duì)于模型輸入變量，本文分別統(tǒng)計(jì)了每個(gè)變量的有效樣本量、缺失值數(shù)量、均值、標(biāo)準(zhǔn)差和極值，具體情況見(jiàn)表2。h27(投資活動(dòng)現(xiàn)金流入/投資活動(dòng)現(xiàn)金流出)和h29(籌資活動(dòng)現(xiàn)金流入/籌資活動(dòng)現(xiàn)金流出)的缺失值在半數(shù)左右，這是由于小微企業(yè)的企業(yè)活動(dòng)以經(jīng)營(yíng)性活動(dòng)為主，籌資活動(dòng)和投資活動(dòng)發(fā)生較少。當(dāng)企業(yè)在向銀行申請(qǐng)貸款前沒(méi)有進(jìn)行投資或不存在負(fù)債時(shí)，其投資活動(dòng)現(xiàn)金流出量或籌資活動(dòng)現(xiàn)金流出量為零，缺失值出現(xiàn)。h15(固定資產(chǎn)周轉(zhuǎn)率)的數(shù)值缺失率約為14.5%，這是由小微企業(yè)資產(chǎn)規(guī)模較小的特點(diǎn)造成的，部分小微企業(yè)自身不擁有固定資產(chǎn)。h34(利息償付現(xiàn)金比率)同樣存在約為8.6%的數(shù)值缺失率，這是因?yàn)檫@部分小微企業(yè)在向銀行提出貸款申請(qǐng)時(shí)尚未因負(fù)債產(chǎn)生利息費(fèi)用。本文用平均值替代缺失值。此外，本文刪除明顯噪聲數(shù)據(jù)。

從企業(yè)基本面信息來(lái)看，企業(yè)生存年限較短，平均約為五年。從企業(yè)財(cái)務(wù)信息來(lái)看，償債能力方面，樣本企業(yè)的現(xiàn)金比率較高，均值為2.04，且違約企業(yè)與未違約企業(yè)差距較大，說(shuō)明小微企業(yè)注重現(xiàn)金及其等價(jià)物對(duì)流動(dòng)資產(chǎn)的覆蓋能力，短期償債能力較好。盈利能力方面，銷(xiāo)售利潤(rùn)率和總資產(chǎn)報(bào)酬率的均值分別約為9%和17%。營(yíng)運(yùn)能力方面，樣本企業(yè)的存貨周轉(zhuǎn)率和應(yīng)收賬款周轉(zhuǎn)率較高，說(shuō)明企業(yè)的流動(dòng)資產(chǎn)周轉(zhuǎn)速度較快。此外，固定資產(chǎn)周轉(zhuǎn)率的均值高達(dá)883.93，這是由于樣本企業(yè)的固定資產(chǎn)規(guī)模較小造成的。發(fā)展能力方面，樣本企業(yè)的營(yíng)業(yè)收入增長(zhǎng)率、營(yíng)業(yè)利潤(rùn)增長(zhǎng)率和總資產(chǎn)增長(zhǎng)率分別約為16%、9%和17%，資本保值增值率為高達(dá)1.31，顯示出很強(qiáng)的增長(zhǎng)率。從現(xiàn)金流量信息來(lái)看，現(xiàn)金流充足性水平方面，樣本企業(yè)的各指標(biāo)表現(xiàn)較為平均，其中未違約企業(yè)的再投資現(xiàn)金比率顯著高于違約企業(yè)。緊急變現(xiàn)能力方面，樣本企業(yè)的投資活動(dòng)現(xiàn)金流入/總現(xiàn)金流入均值為零，說(shuō)明小微企業(yè)較少進(jìn)行投資活動(dòng)。融資約束程度差異方面，未違約企業(yè)的利息償付現(xiàn)金比率為79.74，違約企業(yè)僅為1.34，說(shuō)明小微企業(yè)的現(xiàn)金對(duì)償付貸款利息的重要性。

(二) 支持向量機(jī)實(shí)證結(jié)果與模型評(píng)估

在實(shí)證分析之前，我們首先對(duì)數(shù)據(jù)集進(jìn)行三項(xiàng)處理：(1)處理明顯錯(cuò)誤數(shù)據(jù)，例如企業(yè)生存年限(h03)應(yīng)該都是大于零，因此數(shù)據(jù)中凡出現(xiàn)負(fù)數(shù)均以缺失處理；(2)以各指標(biāo)的平均值補(bǔ)充缺失數(shù)據(jù)；(3)標(biāo)準(zhǔn)化處理。由于各指標(biāo)的量級(jí)不一致，直接輸入模型會(huì)導(dǎo)致訓(xùn)練學(xué)習(xí)過(guò)程受到偏差影響，因此對(duì)各指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理，將其轉(zhuǎn)變?yōu)閇0,1]之間的數(shù)據(jù)，統(tǒng)一量級(jí)。計(jì)算公式如下：

表2 模型輸入變量的描述性統(tǒng)計(jì)結(jié)果

表3 LS-SVM、LSVM、DQP、FQP估計(jì)方法的比較

注：1. 綜合錯(cuò)誤成本是通過(guò)對(duì)模型預(yù)測(cè)的不同錯(cuò)誤類(lèi)型賦予差異性的成本來(lái)評(píng)估模型預(yù)測(cè)成本的方法。模型預(yù)測(cè)錯(cuò)誤包括了兩類(lèi)：假陽(yáng)性錯(cuò)誤，即第一類(lèi)錯(cuò)誤(TypeⅠerrors)和假陰性錯(cuò)誤，即第二類(lèi)錯(cuò)誤(TypeⅡerrors)。同下文ROC曲線所述，假陽(yáng)性錯(cuò)誤是指將好客戶誤分類(lèi)為了壞客戶，而假陰性錯(cuò)誤是指將壞客戶錯(cuò)誤的分類(lèi)為了好客戶。對(duì)于銀行而言，犯第一類(lèi)錯(cuò)誤將會(huì)喪失未來(lái)的盈利機(jī)會(huì)，而犯第二類(lèi)錯(cuò)誤將帶來(lái)嚴(yán)重的違約風(fēng)險(xiǎn)，進(jìn)而引致?lián)p失。因此，從損失規(guī)避的視角而言，第二類(lèi)錯(cuò)誤的成本更高。因此，需根據(jù)銀行實(shí)際風(fēng)險(xiǎn)偏好設(shè)定每類(lèi)錯(cuò)誤相應(yīng)的成本，并計(jì)算每個(gè)模型或算法的綜合成本，從而對(duì)模型或算法的區(qū)分能力進(jìn)行評(píng)價(jià)。2. K-S統(tǒng)計(jì)量P值均大于0.05，不拒絕原假設(shè)，可以認(rèn)定兩個(gè)組來(lái)自同一分布。

(5)

本文基于多項(xiàng)式核函數(shù)構(gòu)建LS-SVM模型，將其與支持向量機(jī)中的FQP(模糊二次規(guī)劃)和LSVM(拉格朗日SVM)估計(jì)方法進(jìn)行比較。由表3的結(jié)果可見(jiàn)，在樣本內(nèi)LS-SVM對(duì)小微企業(yè)是否違約的誤判率最低(0.45276)，這是LSVM綜合錯(cuò)誤成本的60%，比FQP和DQP(可得對(duì)偶二次規(guī)劃)都低。這說(shuō)明LS-SVM在樣本內(nèi)是較好的模型。而在樣本外，LS-SVM的均方誤差與綜合錯(cuò)誤成本在四個(gè)模型中依舊是最低的，分別為0.25361和0.45276。這說(shuō)明LS-SVM模型具有較好的預(yù)測(cè)性和穩(wěn)健性。

本文進(jìn)一步根據(jù)核函數(shù)訓(xùn)練結(jié)果繪制ROC曲線(圖1)。ROC是衡量不同模型好壞的一個(gè)重要指標(biāo)。ROC是綜合了靈敏度和特異度所繪制出的曲線，具體而言就是以假陽(yáng)性率(1-特異度)為橫軸，真陽(yáng)性率(靈敏度)為縱軸所描繪的曲線。相對(duì)于基線，曲線下面積反映了預(yù)測(cè)試驗(yàn)的價(jià)值大小，越接近1，真實(shí)度越高，越接近0.5，越?jīng)]有預(yù)測(cè)價(jià)值。從圖中可以看到，LS-SVM在樣本內(nèi)ROC曲線在最左側(cè)，表現(xiàn)最好。而在樣本外，LS-SVM也能獲得相對(duì)較好的ROC曲線。綜上，從均方誤差和綜合錯(cuò)誤成本以及ROC分析可以發(fā)現(xiàn)，LS-SVM模型較其他模型有較好的效果。

圖1 LS-SVM、LSVM、DQP、FQP方法的ROC曲線

圖2 基于徑向基、線性和多項(xiàng)式核函數(shù)的ROC曲線圖

核函數(shù)直接決定了支持向量機(jī)的最終性能，為了獲得更好的LS-SVM訓(xùn)練效果，我們對(duì)徑向基、線性、多項(xiàng)式三種核函數(shù)分別進(jìn)行了比較。訓(xùn)練結(jié)果顯示徑向基核函數(shù)的訓(xùn)練效果最佳，其綜合錯(cuò)誤成本最低(限于篇幅不再匯報(bào)具體結(jié)果)。圖2是根據(jù)三種核函數(shù)訓(xùn)練結(jié)果繪制的ROC曲線。從LS-SVM擬合統(tǒng)計(jì)量看，LS-SVM模型在訓(xùn)練集和驗(yàn)證集中的擬合結(jié)果基本穩(wěn)定。

對(duì)預(yù)測(cè)模型進(jìn)行評(píng)估，除了ROC曲線，還有響應(yīng)率評(píng)估、提升度評(píng)估、增益評(píng)估，預(yù)測(cè)結(jié)果評(píng)估顯示較為理想。對(duì)預(yù)測(cè)模型進(jìn)行評(píng)估，除了ROC曲線，還有響應(yīng)率評(píng)估、提升度評(píng)估、增益評(píng)估，預(yù)測(cè)結(jié)果評(píng)估顯示較為理想，限于篇幅不再匯報(bào)具體結(jié)果。

綜上而言，基于LS-SVM模型的預(yù)測(cè)結(jié)果表明，引入非財(cái)務(wù)指標(biāo)的小微企業(yè)信用評(píng)價(jià)指標(biāo)體系對(duì)小微企業(yè)違約具有更強(qiáng)的預(yù)測(cè)能力。改進(jìn)的支持向量機(jī)方法在預(yù)測(cè)小微企業(yè)違約方面具有準(zhǔn)確性和穩(wěn)定性優(yōu)勢(shì)。

實(shí)證研究結(jié)果也進(jìn)一步表明，將信用評(píng)分技術(shù)應(yīng)用于小微企業(yè)信貸業(yè)務(wù)是有效的，因?yàn)檫\(yùn)用LS-SVM模型對(duì)小微企業(yè)違約預(yù)測(cè)能力更強(qiáng)，能夠彌補(bǔ)傳統(tǒng)邏輯回歸的不足。對(duì)銀行來(lái)說(shuō)，信用評(píng)分方法具有降低信貸成本、提高風(fēng)險(xiǎn)管理水平、拓展業(yè)務(wù)空間、優(yōu)化貸款定價(jià)和有利于信貸資產(chǎn)證券化業(yè)務(wù)的開(kāi)展等優(yōu)點(diǎn)，從而在一定程度上從供給角度緩解小微企業(yè)融資困難。這一結(jié)果也意味著，大中型商業(yè)銀行通過(guò)信用評(píng)分方法同樣可以開(kāi)展小微業(yè)務(wù)，銀企規(guī)模不需要完全匹配[17]。從銀行規(guī)模角度出發(fā)，由于信息、計(jì)算機(jī)技術(shù)的發(fā)展和自身的技術(shù)、人員優(yōu)勢(shì)，與小銀行相比，大型商業(yè)銀行可以在小微企業(yè)信貸業(yè)務(wù)上更加有效地使用信用評(píng)分技術(shù)。從貸款技術(shù)角度出發(fā)，信用評(píng)分方法具有將小微企業(yè)的部分“軟信息”轉(zhuǎn)變?yōu)闉椤坝残畔ⅰ?、降低信貸成本、拓展業(yè)務(wù)空間等優(yōu)勢(shì)，與其他貸款技術(shù)相比，更適合大型銀行應(yīng)用于小微企業(yè)信貸業(yè)務(wù)領(lǐng)域。

(三) 現(xiàn)金流信息指標(biāo)重要性檢驗(yàn)的實(shí)證結(jié)果

為了驗(yàn)證現(xiàn)金流量數(shù)據(jù)的缺失是否對(duì)分類(lèi)判斷產(chǎn)生影響，本文根據(jù)原始小微企業(yè)信用評(píng)估數(shù)據(jù)分別構(gòu)建了包含現(xiàn)金流量信息的數(shù)據(jù)集和不包含現(xiàn)金流量信息的數(shù)據(jù)集。我們將兩個(gè)數(shù)據(jù)集分別輸入到LS-SVM模型中，其余所有參數(shù)設(shè)置相同，進(jìn)行訓(xùn)練和學(xué)習(xí)。結(jié)果顯示(見(jiàn)表4和圖3)，包含現(xiàn)金流量信息的數(shù)據(jù)集訓(xùn)練出的結(jié)果誤分率明顯低于不包含現(xiàn)金流量信息的數(shù)據(jù)集訓(xùn)練出來(lái)的結(jié)果，且誤分率降低了1.70%。這從數(shù)據(jù)方面證明了現(xiàn)金流指標(biāo)缺失會(huì)影響LS-SVM模型的判斷性能。

表4 現(xiàn)金流量信息存在與否的綜合錯(cuò)誤成本

圖3 有現(xiàn)金流量信息和無(wú)現(xiàn)金流量信息的ROC曲線圖

小微企業(yè)因?yàn)橐?guī)模小而導(dǎo)致信息不對(duì)稱情況嚴(yán)重，外源性融資渠道少，一旦面臨短期融資壓力或者陷入生產(chǎn)經(jīng)營(yíng)困境，通常就難以再次獲得外源性資金的支持，因此資產(chǎn)負(fù)債類(lèi)指標(biāo)無(wú)法全面反映企業(yè)信用情況的變化，也無(wú)法精確估計(jì)其還款能力，故預(yù)期現(xiàn)金流在預(yù)測(cè)其違約概率上將更為有效。本文運(yùn)用LS-SVM模型的結(jié)果支持了Kim[11]等學(xué)者的研究，即與資產(chǎn)價(jià)值等滯后指標(biāo)相比，預(yù)期現(xiàn)金流作為估計(jì)小微客戶的違約概率的指標(biāo)更為有效。

(四) 基于LS-SVM模型預(yù)測(cè)結(jié)果的討論

綜合實(shí)證結(jié)果可以發(fā)現(xiàn)，LS-SVM模型(徑向基核函數(shù))能夠較理想地對(duì)小微企業(yè)客戶的違約與未違約情況進(jìn)行分類(lèi)，結(jié)果穩(wěn)定?，F(xiàn)金流量數(shù)據(jù)能夠反映小微企業(yè)現(xiàn)金流入流出的重要信息，充足的現(xiàn)金流量數(shù)據(jù)能夠保證分類(lèi)和預(yù)測(cè)準(zhǔn)確性的提高。

通過(guò)LS-SVM模型的預(yù)測(cè)結(jié)果看，統(tǒng)計(jì)學(xué)習(xí)方法在應(yīng)對(duì)小微企業(yè)違約預(yù)測(cè)上確實(shí)具有一定優(yōu)勢(shì)。傳統(tǒng)的Logit和Probit模型的主要特點(diǎn)是簡(jiǎn)單實(shí)用，但他們并不能處理非線性樣本的問(wèn)題。而非線性樣本的處理正是機(jī)器學(xué)習(xí)的特點(diǎn)。事實(shí)上，已經(jīng)有許多學(xué)者將機(jī)器學(xué)習(xí)模型應(yīng)用于信用評(píng)估中，常見(jiàn)的機(jī)器學(xué)習(xí)模型如神經(jīng)網(wǎng)絡(luò)[18]和支持向量機(jī)[19]。由于銀行小樣本、非線性、大量缺失值、奇異值等特點(diǎn)，所以使用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模往往會(huì)陷入過(guò)度擬合，泛化能力不足。以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，支持向量機(jī)通過(guò)有效地學(xué)習(xí)，具有較好的推廣性和分類(lèi)精度[16]；它在解決非線性和高維問(wèn)題中具有獨(dú)特優(yōu)勢(shì)，并被認(rèn)為是小樣本建模和預(yù)測(cè)的最佳理論[7-8]。Baesens等[20]學(xué)者的研究也表明，SVM的預(yù)測(cè)結(jié)果要優(yōu)于其他幾種不同的信用風(fēng)險(xiǎn)評(píng)估模型。本文的研究結(jié)果與國(guó)內(nèi)其他學(xué)者[21]的研究發(fā)現(xiàn)是一致的，即SVM與Logit回歸以及神經(jīng)網(wǎng)絡(luò)相比要有更好的預(yù)測(cè)精度，而且基于徑向基核函數(shù)的SVM預(yù)測(cè)精度要更優(yōu)于其他核函數(shù)的SVM預(yù)測(cè)。

進(jìn)一步，從小微企業(yè)信用評(píng)級(jí)指標(biāo)體系來(lái)看，本文的研究進(jìn)一步完善了小微企業(yè)信用評(píng)級(jí)指標(biāo)，特別是納入了現(xiàn)金流指標(biāo)。傳統(tǒng)的違約風(fēng)險(xiǎn)模型基本側(cè)重于對(duì)客戶的資產(chǎn)變化情況進(jìn)行刻畫(huà)，以客戶的資產(chǎn)價(jià)值(包括有形或無(wú)形資產(chǎn))低于違約邊界作為違約的觸發(fā)條件，對(duì)客戶的違約概率進(jìn)行預(yù)測(cè)[22]，即所謂的基于價(jià)值的模型(Value-Based Model)。然而，即使債務(wù)人具有盈利能力，或者資產(chǎn)總額仍然大于債務(wù)總額，但是短期現(xiàn)金流不足帶來(lái)的流動(dòng)性問(wèn)題會(huì)導(dǎo)致其無(wú)法滿足短期債務(wù)償付的要求，從而導(dǎo)致債務(wù)人的違約[11-12]。Norden和Weber[13]的研究也表明關(guān)注中小微企業(yè)以及個(gè)人的現(xiàn)金流變動(dòng)情況對(duì)于估計(jì)和監(jiān)測(cè)他們的違約概率有重要意義。He和Xiong[23]的研究也認(rèn)為企業(yè)現(xiàn)金流越緊張，短期到期的償付比例越高，違約的風(fēng)險(xiǎn)越大。本文引言中所提及的在實(shí)踐中許多銀行對(duì)小微客戶違約風(fēng)險(xiǎn)采用的管控方法也證實(shí)了基于現(xiàn)金流的違約觸發(fā)機(jī)制對(duì)這類(lèi)客戶的適用性[24]。如德國(guó)IPC公司率先提出的基于客戶現(xiàn)金流評(píng)測(cè)的微貸管理技術(shù)，目前已在全球范圍內(nèi)得到有效的應(yīng)用。此外，產(chǎn)業(yè)鏈金融模式是另一種基于現(xiàn)金流的違約管控技術(shù)，針對(duì)中小微企業(yè)所處的產(chǎn)業(yè)鏈，通過(guò)評(píng)估上下游企業(yè)間穩(wěn)定的現(xiàn)金流，并輔以信息流和物流的信息對(duì)客戶進(jìn)行違約風(fēng)險(xiǎn)評(píng)估，在對(duì)中小微客戶違約風(fēng)險(xiǎn)管理方面取得了顯著的成效。從現(xiàn)金流的視角出發(fā)，對(duì)中小微客戶的違約風(fēng)險(xiǎn)進(jìn)行刻畫(huà)和建模，有助于真實(shí)地反應(yīng)這類(lèi)客戶的違約觸發(fā)機(jī)制，從而更加準(zhǔn)確地預(yù)測(cè)違約事件發(fā)生的概率。

六、 總結(jié)與展望

本文從小微企業(yè)“融資難、融資貴”問(wèn)題和商業(yè)銀行對(duì)小微業(yè)務(wù)普遍關(guān)注現(xiàn)象入手，從銀行的角度，以我國(guó)小微企業(yè)特點(diǎn)為基本立足點(diǎn)，建立科學(xué)有效的小微企業(yè)信用評(píng)估指標(biāo)體系，其中特別提出了現(xiàn)金流信息指標(biāo)在小微企業(yè)信用評(píng)估中的重要作用，并利用對(duì)比分析方法構(gòu)建小微企業(yè)信用評(píng)估模型。本文通過(guò)對(duì)小微企業(yè)客戶數(shù)據(jù)樣本特點(diǎn)的分析，選擇支持向量機(jī)作為建模方法，并且通過(guò)實(shí)證檢驗(yàn)，證明構(gòu)建的LS-SVM模型(徑向基核函數(shù))在預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性方面的優(yōu)勢(shì)。

本文的理論貢獻(xiàn)可能在于，一是以小微企業(yè)特點(diǎn)為基本出發(fā)點(diǎn)，構(gòu)建出針對(duì)小微企業(yè)的且具有實(shí)用價(jià)值的信用評(píng)估指標(biāo)體系和評(píng)估模型；二是在以往文獻(xiàn)基礎(chǔ)上，構(gòu)建更加全面的現(xiàn)金流信息指標(biāo)體系，從實(shí)證角度論證了現(xiàn)金流信息在小微企業(yè)信用評(píng)估中的作用；三是根據(jù)我國(guó)商業(yè)銀行小微業(yè)務(wù)的特點(diǎn)和數(shù)據(jù)的實(shí)際情況，構(gòu)建最小二乘支持向量機(jī)模型，提升了預(yù)測(cè)準(zhǔn)確性和穩(wěn)健性。

面對(duì)復(fù)雜多變的市場(chǎng)環(huán)境和經(jīng)濟(jì)、金融背景，以及日益蓬勃發(fā)展的商業(yè)銀行小微業(yè)務(wù)，本文的研究對(duì)于銀行減輕銀企信息不對(duì)稱、從供給型信貸配給視角解決小微企業(yè)“融資難”問(wèn)題具有一定的理論和應(yīng)用價(jià)值。商業(yè)銀行開(kāi)展小微業(yè)務(wù)一直以來(lái)受到小微企業(yè)信息不對(duì)稱所導(dǎo)致的違約風(fēng)險(xiǎn)高問(wèn)題以及運(yùn)營(yíng)成本高問(wèn)題?；谝陨涎芯?，我們認(rèn)為對(duì)商業(yè)銀行開(kāi)展小微金融業(yè)務(wù)首先要打破“大銀行對(duì)大企業(yè)，小銀行對(duì)小企業(yè)”傳統(tǒng)觀念，以交易型信貸技術(shù)為核心的企業(yè)信用風(fēng)險(xiǎn)評(píng)估方法能夠在一定程度上解決以關(guān)系型信貸技術(shù)的高運(yùn)作成本問(wèn)題。通過(guò)構(gòu)建小微企業(yè)信用評(píng)價(jià)指標(biāo)體系，將“軟信息”進(jìn)行“硬化”，借助機(jī)器學(xué)習(xí)的方法，不僅能夠有效評(píng)估小微企業(yè)信用風(fēng)險(xiǎn)，還能通過(guò)進(jìn)一步開(kāi)發(fā)打分卡系統(tǒng)批量化處理小微企業(yè)業(yè)務(wù)，從而降低運(yùn)作成本。其次，以德國(guó)IPC公司為代表的小微企業(yè)現(xiàn)場(chǎng)調(diào)查下的現(xiàn)金流分析和評(píng)估技術(shù)對(duì)于評(píng)價(jià)小微企業(yè)信用風(fēng)險(xiǎn)具有重要的實(shí)踐指導(dǎo)價(jià)值?；貧w到信貸風(fēng)險(xiǎn)管理的本源，關(guān)注小微企業(yè)還款意愿和還款能力，有助于打破當(dāng)前商業(yè)銀行的“抵押物崇拜”和“擔(dān)保崇拜”，從而真正解決小微企業(yè)“融資難”的問(wèn)題。

未來(lái)研究，我們可以完善評(píng)估指標(biāo)體系，獲取現(xiàn)金流入與還款方式的匹配度信息和企業(yè)主信息，還可以進(jìn)一步從行業(yè)發(fā)展階段及前景、行業(yè)發(fā)展環(huán)境、行業(yè)市場(chǎng)現(xiàn)狀等角度考察行業(yè)對(duì)小微企業(yè)信用情況的影響；針對(duì)信用評(píng)分模型中的數(shù)據(jù)缺失和樣本選擇偏差問(wèn)題，引入拒絕推論方法；在構(gòu)建小微企業(yè)信用評(píng)分模型時(shí)納入被拒絕企業(yè)的樣本信息，以提升模型的預(yù)測(cè)能力；構(gòu)建具有動(dòng)態(tài)特征的信用評(píng)估方法，發(fā)展行為信用評(píng)分技術(shù)，對(duì)小微企業(yè)信貸進(jìn)行動(dòng)態(tài)管理。

[1]加布里埃爾,欣克利,瓦格斯. 微型金融：方法與案例[M]. 游春, 陳允宏，譯. 北京：中國(guó)出版集團(tuán)東方出版中心, 2016.

[2]Stiglitz J, Weiss A. Credit Rationing in Markets with Imperfect Information[J]. American Economic Review, 1981, 71(3): 393-410.

[3]Boucher S R, Guirkinger C. Risk rationing and wealth effects in credit markets: theory and implications for agricultural development[J]. American Journal of Agricultural Economics, 2008, 90(2):409-423.

[4]鄧超, 胡威, 唐瑩. 國(guó)內(nèi)外小企業(yè)信用評(píng)分研究動(dòng)態(tài)[J]. 國(guó)際金融研究, 2010(10): 85-91.

[5]Minnis M, Sutherland A. Financial statements as monitoring mechanisms: evidence from small commercial loans[R]. Chicago Booth Research Paper, 2015.

[6]Lisowsky P, Minnis M, Sutherland A G. Credit cycles and financial statement verification[R]. Chicago Booth Research Paper, 2014.

[7]姜明輝, 袁緒川. 個(gè)人信用評(píng)估PSO—SVM模型的構(gòu)建及應(yīng)用[J]. 管理學(xué)報(bào), 2008(4):511-515.

[8]陸愛(ài)國(guó), 王玨, 劉紅衛(wèi). 基于改進(jìn)的SVM學(xué)習(xí)算法及其在信用評(píng)分中的應(yīng)用[J]. 系統(tǒng)工程理論與實(shí)踐, 2012(3):515-521.

[9]鄧超, 胡威, 唐瑩. 基于拒絕推論的小企業(yè)信用評(píng)分模型研究[J]. 國(guó)際金融研究, 2011(4):68-76.

[10]Altman E I, Sabato G. Modelling credit risk for SMEs: evidence from the US market[J]. Abacus, 2007, 43(3): 332-357.

[11]Kim I J, Sundaresan S. Does default risk in coupons affect the valuation of corporate bonds？[J]. Financial Management, 1993, 22(3):117-131.

[12]DeAngelo H, DeAngelo L, Wruck K H. Asset liquidity, debt covenants, and managerial discretion in financial distress: the collapse of LA Gear[J]. Journal of financial economics, 2002, 64(1): 3-34.

[13]Norden L, Weber M. Credit line usage, checking account activity, and default risk of bank borrowers[J]. Review of Financial Studies, 2010, 23(10): 3665-3699.

[14]Levenson A R, Willard K L. Do firms get the financing they want？ Measuring credit rationing experienced by small businesses in the US[J]. Small Business Economics, 2000, 14(2): 83-94.

[15]Vapnik V N. An overview of statistical learning theory.[J]. IEEE Transactions on Neural Networks, 1999, 10(10):988-999.

[16]Shin K S, Lee T S, Kim H. An application of support vector machines in bankruptcy prediction model[J]. Expert Systems with Applications, 2005, 28(1): 127-135.

[17]粟勤, 田秀娟. 近二十年海外銀行中小企業(yè)貸款研究及新進(jìn)展[J]. 浙江大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版), 2011(1):84-93.

[18]Khashman A. Neural networks for credit risk evaluation: investigation of different neural models and learning schemes[J]. Expert Systems with Applications, 2010, 37(9): 6233-6239.

[19]Yu L, Yao X, Wang S, et al. Credit risk evaluation using a weighted least squares SVM classifier with design of experiment for parameter selection[J]. Expert Systems with Applications, 2011, 38(12): 15392-15399.

[20]Baesens B, Van Gestel T, Viaene S, et al. Benchmarking state-of-the-art classification algorithms for credit scoring[J]. Journal of the operational research society, 2003, 54(6): 627-635.

[21]張奇, 胡藍(lán)藝, 王玨. 基于 Logit 與 SVM 的銀行業(yè)信用風(fēng)險(xiǎn)預(yù)警模型研究[J]. 系統(tǒng)工程理論與實(shí)踐, 2015(7): 1784-1790.

[22]Giesecke K. Default and information[J]. Journal of Economic Dynamics and Control, 2006, 30(11): 2281-2303.

[23]He Z, Xiong W. Dynamic debt runs[J]. Review of Financial Studies, 2010, 25(6):1799-1843.

[24]王明虎，王小韋.企業(yè)規(guī)模融資約束與資本結(jié)構(gòu)波動(dòng)[J]. 南京審計(jì)大學(xué)學(xué)報(bào)，2015(2)：12-18.

[責(zé)任編輯：楊志輝]

Small and Micro Businesses Credit Evaluation Research Based on LSSVM

XIAO Binqing1,2， BO Wei1, YAO Yao3， LI Xindan1

(1. School of Engineering and Management, Nanjing University, Nanjing 210093, China;2. Leonard N. Stern School of Business, New York University, New York 20012, USA;3. Department of Ranking， Jiangsu Zhongcheng xin Credit Management Co. Ltd., Nanjing 210002, China)

Based on the characteristics of small and micro businesses, we combine the theory with commercial bank practice to sort out and analyze the factors influencing the credit situation of small and micro enterprises. The index of small micro enterprise credit evaluation is constructed, which we add the factor of cash flow information. Based on a sample of actual borrowers from a large China commercial bank, the results reveal that LSSVM outperform the other techniques with the measure of ROC. In addition, this paper proves that cash flow index plays an important role in the credit evaluation of the small and micro enterprises through the empirical test. This study provides theoretical support and practical experience for China’s commercial bank screening small and micro businesses credit evaluation index and building credit evaluation model.

small and micro businesses; credit evaluation; enterprise credit evaluation; cash flow information; LS-SVM; small and micro-finance; commercial banks; credit rationing; credit scorting

2015-12-01

國(guó)家自然科學(xué)基金(71271109; 71671083；71203144)；教育部人文社會(huì)科學(xué)研究青年項(xiàng)目(13YJC790174)

肖斌卿(1979— )，福建南靖人，南京大學(xué)工程管理學(xué)院副教授，紐約大學(xué)Stern商學(xué)院訪問(wèn)學(xué)者(2014—2015年)，博士，從事金融工程與金融管理研究；柏巍(1988— )，江蘇鹽城人，南京大學(xué)工程管理學(xué)院博士研究生，從事金融工程研究；姚瑤(1990— )，江蘇南京人，江蘇中誠(chéng)信信用管理有限公司職工，碩士，從事金融工程研究；李心丹(1966— )，湖南瀏陽(yáng)人，南京大學(xué)工程管理學(xué)院教授，博士，從事金融工程與金融管理研究。

F275

A

1004-4833(2016)06-0102-10