企業(yè)信用評(píng)估建模綜述

鄭玉嬌

摘要：企業(yè)信用評(píng)估建模的研究當(dāng)中構(gòu)建模型作為核心部分，本文將有關(guān)文獻(xiàn)研究按照建模方法的思路進(jìn)行梳理，希望對(duì)信用評(píng)估建模研究有一個(gè)清晰的介紹。

關(guān)鍵詞：企業(yè)信用評(píng)估；建模

一、引言

企業(yè)信用評(píng)估建模是指借用一些分類(lèi)方法，從歷史數(shù)據(jù)中學(xué)習(xí)總結(jié)訓(xùn)練模型，從而可以利用經(jīng)過(guò)訓(xùn)練的評(píng)估模型來(lái)對(duì)新的樣本公司的未來(lái)的信用狀況級(jí)別進(jìn)行預(yù)測(cè)評(píng)價(jià)。企業(yè)信用評(píng)估建模的研究當(dāng)中，構(gòu)建模型作為核心部分，其方法從基于傳統(tǒng)方法到基于人工智能方法。本文將企業(yè)信用評(píng)估的有關(guān)文獻(xiàn)研究，按照建模方法的思路進(jìn)行梳理。

二、基于傳統(tǒng)統(tǒng)計(jì)方式的單分類(lèi)器信用評(píng)估建模

單分類(lèi)器就是利用單一的分類(lèi)方法對(duì)企業(yè)的信用狀況進(jìn)行區(qū)分。傳統(tǒng)統(tǒng)計(jì)方式的單分類(lèi)器信用評(píng)估模型有Z-score模型、Probit模型、Lagit模型。其中Z-score模型、Zeta判別分析模型是采用Lleast Square Method思想，而Probit模型和Logit模型則與不同，是運(yùn)用Maximum Llikelihood Method思想。

1.Z-score模型：Z-score模型屬于判別公司在經(jīng)營(yíng)和財(cái)務(wù)方面是否有風(fēng)險(xiǎn)的多元判別辨析模型，模型當(dāng)中包含五個(gè)變量：總資產(chǎn)、未分配利潤(rùn)、營(yíng)運(yùn)資本、收入、總債務(wù)和銷(xiāo)售，分辨函數(shù)表達(dá)式為：Z=0.012IX+0.014IX2+0.033IX3+0.006IX4+0.999IX5。為了檢驗(yàn)?zāi)Ｐ?，Ahman將z值的結(jié)果與標(biāo)準(zhǔn)普爾或者穆迪等評(píng)級(jí)機(jī)構(gòu)對(duì)企業(yè)信用評(píng)判結(jié)果比較驗(yàn)證模型的有用性。陳靜分別利用Z-score模型和Beaver的單變量分析進(jìn)行信用評(píng)估的實(shí)證研究，分析結(jié)果Z-score模型在信用評(píng)估表現(xiàn)出的預(yù)測(cè)能力更好。陳文俊在研究信用評(píng)估建模時(shí)，將Z-score模型中的預(yù)測(cè)變量和結(jié)果判斷方法進(jìn)行了修正，利用41家ST公司和對(duì)等的非ST公司進(jìn)行實(shí)證分析，檢驗(yàn)了模型的有效性。根據(jù)z值判別信用風(fēng)險(xiǎn)：

2.Log istic模型：Ohlson率先將Logistic方法構(gòu)建商業(yè)銀行使用的評(píng)判信用模型。李萌從不良貸款率、T檢驗(yàn)、主成分分析組合出發(fā)，基于Logistic方式組合建立出判斷信用風(fēng)險(xiǎn)的模型。李關(guān)政在財(cái)務(wù)特征中添加系統(tǒng)風(fēng)險(xiǎn)特征因素，結(jié)合Logistic構(gòu)造一種模型用于評(píng)判公司的信用風(fēng)險(xiǎn)。

3.Pmbk模型：Probit模型被用于企業(yè)信用評(píng)估的思想與Logistic模型相似，通過(guò)極大似然函數(shù)思想獲得極大值，然后判別信用級(jí)別。Zmijewski運(yùn)用Probit建模分辨信用類(lèi)別。高培業(yè)和張道奎基于制造業(yè)，結(jié)合財(cái)務(wù)指標(biāo)和Probit模型進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)。蔣亞琦利用我國(guó)上市旅游企業(yè)的財(cái)務(wù)數(shù)據(jù)構(gòu)建Probit多元信評(píng)模型，模型的實(shí)證結(jié)果預(yù)測(cè)準(zhǔn)確率為73.75%。

三、基于人工智能方法的單分類(lèi)器信用評(píng)估建模

人工智能技術(shù)的應(yīng)用，其用于信用分類(lèi)的技術(shù)獲得了長(zhǎng)足的發(fā)展。這些方法相比較傳統(tǒng)的統(tǒng)計(jì)模型分類(lèi)器，可以突破許多數(shù)據(jù)要求制約。

1.分類(lèi)樹(shù)方法：分類(lèi)樹(shù)是一種非參數(shù)識(shí)別技術(shù)，葉結(jié)點(diǎn)代表樣本企業(yè)所屬類(lèi)別。張維基于遞歸分類(lèi)樹(shù)建立一種商業(yè)銀行使用的風(fēng)險(xiǎn)判斷模型，實(shí)證研究也表明了分類(lèi)樹(shù)模型由于統(tǒng)計(jì)判別模型。周啟清研究了利用Bagging和分類(lèi)樹(shù)建立企業(yè)信用判別組合模型的實(shí)現(xiàn)過(guò)程。

2.神經(jīng)網(wǎng)絡(luò)方法：Artificial Neural Networks被研究學(xué)者引入財(cái)務(wù)領(lǐng)域的而分類(lèi)建模。龐素琳利用PNN建立模型用于識(shí)別和預(yù)警上市公司的信用級(jí)別。吳斌卿通過(guò)實(shí)證分析發(fā)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)建立的評(píng)估模型比BP-NNS能更好地評(píng)判小微企業(yè)的信用類(lèi)別。

3.粗糙集方法：粗糙集在信用風(fēng)險(xiǎn)評(píng)價(jià)領(lǐng)域的應(yīng)用研究日趨繁榮。杜婷將粗糙集引入個(gè)人信用評(píng)估中，利用德國(guó)的信用數(shù)據(jù)進(jìn)行了實(shí)證檢驗(yàn)。顧婧借鑒粗糙集思想，構(gòu)建了VPRS模型來(lái)識(shí)別新興技術(shù)企業(yè)的信用級(jí)別類(lèi)型。

四、結(jié)語(yǔ)

人們旨在尋找一種優(yōu)越的方法或者技術(shù)來(lái)組合搭建一種有利的模型，從信用類(lèi)型級(jí)別而醍醐出所存在的風(fēng)險(xiǎn)?；趥鹘y(tǒng)的統(tǒng)計(jì)方法來(lái)建立企業(yè)信用類(lèi)別評(píng)判模型時(shí)過(guò)程會(huì)有些簡(jiǎn)便，但是每類(lèi)模型都對(duì)數(shù)據(jù)的分布具有一定的約束性要求，因而它們的使用范圍受到較大限制?；谌斯ぶ悄芗夹g(shù)來(lái)評(píng)判公司地信用級(jí)別對(duì)編程技術(shù)有更嚴(yán)格地要求，但是有較好的預(yù)測(cè)性能，盡管每種方法依舊具有一定的缺陷。企業(yè)信用評(píng)估的建模研究還有很大的研究空間，將不同的方法進(jìn)行組合從而來(lái)建模將會(huì)是以后的研究發(fā)現(xiàn)方向。