我國(guó)區(qū)域城市招投標(biāo)領(lǐng)域企業(yè)信用價(jià)值研究
——基于KSVM 研究方法

孔 杏 ,樓裕勝

(1.浙江開(kāi)放大學(xué) 教學(xué)中心,浙江 杭州 310012;2.浙江金融職業(yè)學(xué)院 信息與互聯(lián)網(wǎng)金融學(xué)院,浙江 杭州 310018)

一、問(wèn)題的提出

我國(guó)已處于全面推進(jìn)社會(huì)信用體系建設(shè)加速發(fā)展階段。2013—2019 年,國(guó)家連續(xù)發(fā)布10 個(gè)信用建設(shè)相關(guān)文件,反映出黨中央對(duì)社會(huì)信用體系建設(shè)工作的高度重視。企業(yè)作為社會(huì)經(jīng)濟(jì)發(fā)展的一個(gè)重要主體,信用建設(shè)至關(guān)重要,企業(yè)信用評(píng)價(jià)則是較長(zhǎng)一段時(shí)間備受關(guān)注的一個(gè)焦點(diǎn)。自從約翰·穆迪開(kāi)創(chuàng)企業(yè)信用評(píng)價(jià)模式以來(lái),無(wú)論是學(xué)術(shù)理論還是實(shí)踐部門,都在不斷地完善評(píng)價(jià)的信息體系及評(píng)價(jià)模型方法,力求評(píng)價(jià)的準(zhǔn)確性。信用既包含誠(chéng)信行為,也包含信用能力。傳統(tǒng)意義上的誠(chéng)信行為強(qiáng)調(diào)自身的修養(yǎng),但隨著市場(chǎng)經(jīng)濟(jì)體制的完善,誠(chéng)信更加強(qiáng)調(diào)“真實(shí)無(wú)欺、遵守約定、踐行承諾、講究信譽(yù)”為一體的社會(huì)規(guī)范[1]。信用本質(zhì)則是一種契約精神,代表的是允諾能力,可以說(shuō)誠(chéng)信是意愿,信用則是能力,只有“誠(chéng)信意愿+信用能力”同時(shí)具備,信用關(guān)系才能得以維系。誠(chéng)信意愿表現(xiàn)出來(lái)的誠(chéng)信行為為政府的業(yè)務(wù)監(jiān)管提供決策依據(jù),信用能力為交易對(duì)手在市場(chǎng)交易中提供決策信息[2],具有誠(chéng)信意愿的企業(yè)是否意味著也同樣具備良好的履約能力? 或者說(shuō)具備履約能力的企業(yè)又是否會(huì)按時(shí)履約,二者之間是否存在一致性? 本文將重點(diǎn)聚焦企業(yè)誠(chéng)信行為和信用能力的一致性研究,從企業(yè)信用內(nèi)部結(jié)構(gòu)的穩(wěn)定性視角分析企業(yè)的信用價(jià)值,這是企業(yè)信用評(píng)價(jià)的創(chuàng)新,對(duì)企業(yè)內(nèi)部管理也有積極影響。

二、文獻(xiàn)綜述

企業(yè)信用評(píng)價(jià)方法的發(fā)展大致經(jīng)歷了三個(gè)階段:第一階段為經(jīng)驗(yàn)判斷階段。經(jīng)驗(yàn)判斷時(shí)期主要以專家過(guò)往經(jīng)驗(yàn)為依據(jù),隨后為了避免評(píng)判的主觀性,在評(píng)價(jià)方法中逐步應(yīng)用了數(shù)學(xué)分析方法,財(cái)務(wù)比率模型被最早應(yīng)用到企業(yè)信用評(píng)價(jià)模型中。第二階段是統(tǒng)計(jì)計(jì)量分析階段。統(tǒng)計(jì)計(jì)量分析主要包括二次判別模型、logit 和logistic 回歸模型、probit 模型。劉兢軼等[3]運(yùn)用因子分析和logit 模型對(duì)中小企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)進(jìn)行研究,并得到模型預(yù)測(cè)準(zhǔn)確性較高的結(jié)論。劉丹等[4]通過(guò)對(duì)商業(yè)銀行信貸數(shù)據(jù)的分析,驗(yàn)證了Woe-Probit 逐步回歸模型的有效性。統(tǒng)計(jì)計(jì)量分析法在預(yù)測(cè)、識(shí)別等方面具有優(yōu)勢(shì),且易于對(duì)模型進(jìn)行經(jīng)濟(jì)學(xué)解釋,但對(duì)數(shù)據(jù)要求較高,主要依賴企業(yè)財(cái)務(wù)指標(biāo),使得評(píng)價(jià)信息存在局限性,且當(dāng)解釋變量較多時(shí)容易產(chǎn)生多重共線性問(wèn)題[5]。第三階段是機(jī)器學(xué)習(xí)階段。機(jī)器學(xué)習(xí)則以大數(shù)據(jù)為基礎(chǔ),數(shù)據(jù)來(lái)源廣、類型豐富,可通過(guò)獲取企業(yè)大量相關(guān)信息來(lái)實(shí)現(xiàn)對(duì)企業(yè)更為全面的信用評(píng)價(jià),機(jī)器學(xué)習(xí)方法主要包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。肖斌卿等[6]的研究表明,模糊神經(jīng)網(wǎng)絡(luò)模型在小微企業(yè)信用評(píng)級(jí)中具有較高的檢測(cè)精度。信用評(píng)價(jià)中經(jīng)常會(huì)遇到樣本量不大、數(shù)據(jù)缺失、存在異常數(shù)據(jù)等問(wèn)題,對(duì)此神經(jīng)網(wǎng)絡(luò)無(wú)法解決[7],國(guó)內(nèi)一些學(xué)者開(kāi)始將支持向量機(jī)(SVM)應(yīng)用到企業(yè)信用風(fēng)險(xiǎn)評(píng)估中。

支持向量機(jī)(SVM)是一種基于人工智能的信用風(fēng)險(xiǎn)評(píng)估方法,貝森斯(Baesens)和格斯特爾(Gestel)在2003 年首次把支持向量機(jī)方法引入到信用評(píng)價(jià)領(lǐng)域,并得出SVM 作為信用風(fēng)險(xiǎn)評(píng)價(jià)工具與線性回歸和神經(jīng)網(wǎng)絡(luò)方法相比具有運(yùn)算速度快、準(zhǔn)確率高的優(yōu)勢(shì)[8]。SVM 在個(gè)人、企業(yè)信用風(fēng)險(xiǎn)評(píng)估領(lǐng)域具有較高預(yù)測(cè)準(zhǔn)確率已經(jīng)得到相關(guān)學(xué)者的驗(yàn)證[9-10],與BP 神經(jīng)網(wǎng)絡(luò)相比,SVM 更具有效性和優(yōu)越性,預(yù)測(cè)精度更高[11-12]。SVM 模型在進(jìn)行信用風(fēng)險(xiǎn)評(píng)價(jià)時(shí)存在的問(wèn)題,國(guó)內(nèi)學(xué)者也在對(duì)其進(jìn)行不斷改進(jìn)。SVM 模型受噪聲和奇異點(diǎn)影響較大,適應(yīng)能力和抗噪性還有待提高,姚瀟等[13]、Yu et al.[14]提出的模糊近似支持向量機(jī)和近支持向量機(jī)(TLSPSVM)能夠有效降低噪聲和奇異點(diǎn)對(duì)模型分類結(jié)果的影響。目前各種類型SVM 模型在處理分類樣本時(shí)默認(rèn)樣本分布是均衡的,并未考慮樣本非均衡性問(wèn)題。針對(duì)樣本不平衡數(shù)據(jù)分類問(wèn)題,國(guó)內(nèi)學(xué)者提出了一種改進(jìn)SVM-KNN 算法,即KSVM。KSVM較SVM 對(duì)樣本數(shù)據(jù)分類具有更高的準(zhǔn)確率也得到了國(guó)內(nèi)一些學(xué)者的驗(yàn)證。李蓉等[15]通過(guò)數(shù)值實(shí)驗(yàn)證明了KSVM 算法比單獨(dú)使用SVM 進(jìn)行分類具有更高的準(zhǔn)確率。王超學(xué)等[16]在對(duì)UCI 數(shù)據(jù)集大量實(shí)驗(yàn)基礎(chǔ)上發(fā)現(xiàn),KSVM 算法能提高對(duì)少數(shù)類樣本的識(shí)別率。此外,部分學(xué)者嘗試將SVM 與其他方法相結(jié)合,運(yùn)用組合算法模型進(jìn)行信用評(píng)價(jià),此種應(yīng)用最大的貢獻(xiàn)在于提高模型預(yù)測(cè)精度和分類準(zhǔn)確度[17-21]。當(dāng)然,SVM 的應(yīng)用中還有一些問(wèn)題尚待解決。在支持向量機(jī)應(yīng)用中,核函數(shù)的選擇是核心問(wèn)題之一,它對(duì)分類器的性能有重要影響,核函數(shù)的選擇和參數(shù)的設(shè)置問(wèn)題在理論界還未得到解決,目前更多的是憑借經(jīng)驗(yàn),主觀性較強(qiáng)。因此,近些年在個(gè)人信用評(píng)分模型研究中,國(guó)內(nèi)外學(xué)者將重點(diǎn)聚焦在構(gòu)建組合分類器模型。劉玉峰等[22]通過(guò)對(duì)三種不同分類器的對(duì)比,驗(yàn)證了subagging 集成分類器在特定情況下能有效提高模型精確性。Danenas et al.[23]研究了基于支持向量機(jī)的分類器,研究表明雖然SVM 分類器不同,但是產(chǎn)生的結(jié)果比較接近,分類器及其參數(shù)的選擇是否合理仍需要重點(diǎn)關(guān)注。

現(xiàn)有關(guān)于企業(yè)信用評(píng)價(jià)的研究大多是基于受評(píng)對(duì)象外部視角,運(yùn)用各種方法以評(píng)判發(fā)生違約風(fēng)險(xiǎn)的可能性,鮮有從企業(yè)內(nèi)部開(kāi)展信用價(jià)值研究。本文從誠(chéng)信行為和信用能力這兩個(gè)企業(yè)信用的重要影響因素之間的關(guān)系著眼,研究二者的內(nèi)在一致性,其貢獻(xiàn)如下:通過(guò)構(gòu)建企業(yè)信用價(jià)值指標(biāo)體系,對(duì)誠(chéng)信行為與信用能力的相互關(guān)系進(jìn)行驗(yàn)證,為二者之間的理論關(guān)系提供實(shí)證依據(jù);從誠(chéng)信行為和信用能力是否匹配角度進(jìn)行企業(yè)信用評(píng)價(jià),從過(guò)去、現(xiàn)在以及將來(lái)的動(dòng)態(tài)視角綜合考察企業(yè)是否有主觀履約意愿和具備客觀履約能力,為企業(yè)信用價(jià)值研究提供新的思路和方法。

三、企業(yè)信用價(jià)值指標(biāo)體系構(gòu)建

本文從誠(chéng)信和能力這兩個(gè)企業(yè)信用的重要影響因素之間的關(guān)系著眼,構(gòu)建企業(yè)信用價(jià)值指標(biāo)體系,該指標(biāo)體系包含兩部分內(nèi)容:一是企業(yè)誠(chéng)信行為,二是企業(yè)信用能力。企業(yè)主觀上是否具有履約意愿可通過(guò)以往企業(yè)表現(xiàn)出的誠(chéng)信行為反映,因此,以企業(yè)生產(chǎn)經(jīng)營(yíng)狀況并結(jié)合政府部門的監(jiān)管結(jié)果構(gòu)建企業(yè)誠(chéng)信行為指標(biāo)體系。企業(yè)是否具備客觀的履約能力反映在企業(yè)業(yè)務(wù)運(yùn)營(yíng)和項(xiàng)目管理水平等方面。因此,企業(yè)信用能力指標(biāo)體系包含企業(yè)整體素質(zhì)、項(xiàng)目管理、保障能力、運(yùn)營(yíng)能力四個(gè)維度,具體指標(biāo)體系如表1 所示。

表1 企業(yè)信用價(jià)值指標(biāo)體系

四、實(shí)證分析

(一)模型介紹

支持向量機(jī)(Support Vector Machine,SVM)適用于解決由于樣本數(shù)量較少而造成的結(jié)果偏差問(wèn)題,同時(shí)應(yīng)對(duì)維數(shù)災(zāi)難和過(guò)擬合現(xiàn)象也具有天然優(yōu)勢(shì)。支持向量機(jī)模型和結(jié)果易于理解,方便推廣,是目前普遍接受的機(jī)器學(xué)習(xí)方法。

在分析的樣本空間中,定義最優(yōu)分類超平面的基本形式為:

在控制‖ω‖保持最小的前提下,可以令g(x)滿足分類間隔達(dá)到最大。若樣本是線性的,目標(biāo)函數(shù)定義為:

再通過(guò)求解二次規(guī)劃問(wèn)題(QuadraticProblem,QP),解決線性可分問(wèn)題。

若樣本是非線性的,則需要引入非負(fù)松弛變量ξi(i=1,2,…,m)和懲罰參數(shù)C,再通過(guò)拉格朗日乘子法,在約束中加入拉格朗日乘子αi≥0,目標(biāo)函數(shù)定義為:

使用支持向量機(jī)的假設(shè)條件是樣本數(shù)量大致相等且分布平衡,這樣才具有較高的分類精度。對(duì)于不平衡數(shù)據(jù)的分類,支持向量機(jī)結(jié)果可能不太理想。

KSVM 是為了解決位于最優(yōu)分類面附近的樣本分類錯(cuò)誤的問(wèn)題而提出的改進(jìn)SVM 算法。研究證實(shí),SVM 分類器對(duì)位于兩個(gè)類別重疊交叉位置的樣本具有一定的分類錯(cuò)誤,若對(duì)這部分樣本點(diǎn)分類進(jìn)行改進(jìn),將會(huì)有效提高SVM 分類器的準(zhǔn)確率。將KSVM 分類器下的支持向量集代表對(duì)應(yīng)類別,即SVM 分幾類就有幾個(gè)支持向量,同時(shí)將這些支持向量組成新的樣本,再結(jié)合KNN 對(duì)其進(jìn)行分類,提高樣本重疊位置分類的準(zhǔn)確率。

KSVM 分類器是將SVM 分類下的兩類支持向量作為兩個(gè)樣本點(diǎn),φ(xi)為xi的映射函數(shù)。根據(jù)則yi=1 和yi=-1 的支持向量的樣本點(diǎn)分別為:

記φ(xi)·φ(x)為K(xi,x)。SVM 分類超平面的最優(yōu)解就是由φ(x)+和φ(x)-這2 個(gè)代表點(diǎn)構(gòu)成。

假設(shè)樣本點(diǎn)與最優(yōu)分類面的實(shí)際距離為d,給定距離的分類閾值ε,若|d|>ε,則認(rèn)為樣本點(diǎn)與最優(yōu)分類面相距較遠(yuǎn),SVM 分類器可以對(duì)其進(jìn)行類別劃分;若|d|<ε,認(rèn)為樣本點(diǎn)距離最優(yōu)分類超平面較近,SVM 分類器分類錯(cuò)誤的概率較大,應(yīng)該使用KNN 進(jìn)行分類。

支持向量機(jī)中采用徑向基核函數(shù),能夠比較容易地獲取樣本數(shù)據(jù)間所包括的局部信息的優(yōu)點(diǎn),所以學(xué)習(xí)能力較強(qiáng),而且由于徑向基核函數(shù)可以逼近非線性函數(shù),所以比較適用于處理非線性問(wèn)題。在運(yùn)用KSVM 模型的同時(shí),將其與雙隸屬度SVM 模型、傳統(tǒng)SVM 模型的判別精度進(jìn)行對(duì)比,從而更為客觀地評(píng)價(jià)模型的適用性。

(二)計(jì)量分析

為了驗(yàn)證企業(yè)誠(chéng)信行為與信用能力的一致性,根據(jù)表1 構(gòu)建的指標(biāo)體系,本文運(yùn)用KSVM 方法對(duì)浙江、江蘇省12 個(gè)城市的292 家園林招投標(biāo)企業(yè)調(diào)查獲取的數(shù)據(jù),開(kāi)展實(shí)證分析。根據(jù)企業(yè)誠(chéng)信行為指標(biāo)體系計(jì)算企業(yè)誠(chéng)信行為得分,將得分按照設(shè)定的標(biāo)準(zhǔn)把企業(yè)劃分為兩類:誠(chéng)信行為優(yōu)秀和誠(chéng)信行為仍有不足。從信用能力與誠(chéng)信行為具有一致性研究假設(shè)出發(fā),通過(guò)信用能力指標(biāo)體系對(duì)企業(yè)誠(chéng)信行為進(jìn)行預(yù)測(cè),將預(yù)測(cè)結(jié)果與企業(yè)誠(chéng)信行為分類結(jié)果進(jìn)行對(duì)比,預(yù)測(cè)值與真實(shí)值一致性程度越高,信用能力與誠(chéng)信行為關(guān)系越密切,即信用能力強(qiáng)的企業(yè)誠(chéng)信行為也好,反之亦然。由于本文是關(guān)于誠(chéng)信行為和信用能力一致性的研究,因此關(guān)于企業(yè)誠(chéng)信行為得分的計(jì)算過(guò)程只作簡(jiǎn)要介紹。

1.企業(yè)誠(chéng)信行為得分。根據(jù)表1 誠(chéng)信行為指標(biāo)體系計(jì)算企業(yè)誠(chéng)信行為得分并進(jìn)行分類。具體步驟如下:在對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理的基礎(chǔ)上,采用全局敏感度方法確定評(píng)價(jià)指標(biāo)權(quán)重,從而得到招投標(biāo)企業(yè)誠(chéng)信行為綜合評(píng)價(jià)值,根據(jù)公式誠(chéng)信行為得分=綜合評(píng)價(jià)值×100,計(jì)算各企業(yè)誠(chéng)信行為得分。在得分基礎(chǔ)上,采用高斯混合模型對(duì)企業(yè)進(jìn)行聚類分析,將聚類結(jié)果與企業(yè)誠(chéng)信行為得分相結(jié)合來(lái)確定不合格企業(yè),確保結(jié)果的客觀性。最終剔除其中誠(chéng)信行為不達(dá)標(biāo)企業(yè)共7 家,即誠(chéng)信行為達(dá)標(biāo)企業(yè)285 家。進(jìn)一步對(duì)誠(chéng)信行為達(dá)標(biāo)的285 家招投標(biāo)企業(yè)進(jìn)行兩分類劃分,具體做法是將285 家達(dá)標(biāo)企業(yè)誠(chéng)信行為得分的中點(diǎn)值算出,以三倍標(biāo)準(zhǔn)差作為285 家招投標(biāo)企業(yè)誠(chéng)信行為優(yōu)秀標(biāo)準(zhǔn)線。高于標(biāo)準(zhǔn)線,認(rèn)為企業(yè)誠(chéng)信行為優(yōu)秀,低于標(biāo)準(zhǔn)線,認(rèn)為企業(yè)誠(chéng)信行為還有不足。分析結(jié)果顯示285 家企業(yè)中,誠(chéng)信行為優(yōu)秀的有133 家,誠(chéng)信行為仍有不足的有152 家。

2.企業(yè)誠(chéng)信行為與信用能力一致性分析。KSVM 模型設(shè)計(jì)步驟如下:(1)將樣本數(shù)據(jù)二分類為訓(xùn)練集和測(cè)試集,根據(jù)訓(xùn)練集數(shù)據(jù)建立二分類器及分類樣本的支持向量集。(2)對(duì)測(cè)試集中的樣本xi,計(jì)算樣本與分類器的距離f(x)=αiyiK(x,xi)+b。(3)將距離f(x)與距離閾值ε比較,若|f(x)|<ε,即樣本點(diǎn)靠近最優(yōu)分類面,分類器出現(xiàn)分類錯(cuò)誤的概率較大,選擇KNN 算法;反之,仍選擇分類器。(4)若|f(x)|<ε,將支持向量對(duì)應(yīng)的樣本點(diǎn)的各個(gè)參數(shù)引入KNN 算法,計(jì)算xi與每一個(gè)支持向量之間的距離,選擇最近的支持向量所代表的類別作為xi的類別。(5)若|f(x)|>ε,仍選擇分類器進(jìn)行分類,得出xi的所屬類別。根據(jù)模型參數(shù)的選取,對(duì)模型測(cè)試集進(jìn)行判別準(zhǔn)確率的計(jì)算,結(jié)果如表2 所示。

表2 模型的分類正確率比較

由表2 的結(jié)果可以看出,KSVM 模型的總體準(zhǔn)確率最好,正確率達(dá)到81.05%,285 家企業(yè)中有231家企業(yè)的預(yù)測(cè)值與實(shí)際值是一致的。從分類的正確率出發(fā),KSVM 的效果最好,也印證了樣本數(shù)據(jù)的確存在不平衡的問(wèn)題。KSVM 模型能夠降低硬判別所造成的誤判,提高企業(yè)誠(chéng)信行為和信用能力一致性判別的正確識(shí)別率。

表2 中的模型分類正確率是指所有分類正確的企業(yè)數(shù)與企業(yè)總數(shù)的比值,但是考慮一個(gè)極端的情況,一個(gè)不加思考的分類器,如果對(duì)每一個(gè)企業(yè)樣本都將類別劃分為誠(chéng)信行為不足,也能達(dá)到53.33%的準(zhǔn)確率,即實(shí)際285 家達(dá)標(biāo)企業(yè)中誠(chéng)信行為仍有不足的152 家所占比例,但這個(gè)分類器在實(shí)際應(yīng)用中顯然會(huì)帶來(lái)巨大的損失。因此,單純靠一個(gè)準(zhǔn)確率來(lái)評(píng)價(jià)分類器是不全面的。我們進(jìn)一步從F-value和G-mean來(lái)考慮。

F-value能夠綜合考慮分類的查全率和查準(zhǔn)率,定義為:

precision代表查準(zhǔn)率,recall代表查全率,β取值范圍[0,∞)。β<1 時(shí)F-value以查準(zhǔn)率為主;β>1時(shí)F-value以查全率為主;若取值為1,則表示查全率和查準(zhǔn)率同等重要。

G-mean為少數(shù)類和多數(shù)類的分類精度的幾何平均。定義為:

G-mean綜合考慮多數(shù)類和少數(shù)類的分類精度,只有兩者達(dá)到均衡狀態(tài),G-mean的值才能達(dá)到最大。因此,選擇F-value衡量少數(shù)類的分類性能,選擇G-mean衡量樣本數(shù)據(jù)整體分類性能。

F-value、G-mean的構(gòu)建基于混淆矩陣,如表3所示,其中TP 代表少數(shù)類中樣本判斷正確的量;TN代表多數(shù)類中樣本判斷正確的量;FN、FP 則分別表示少數(shù)類和多數(shù)類中判斷錯(cuò)誤的數(shù)據(jù)量。

表3 兩類問(wèn)題的混淆矩陣

計(jì)算出三個(gè)模型各自的F-value和G-mean值,具體如表4 所示。

表4 模型F-value 和G-mean 值的比較

F-value和G-mean值都是越高越好,從表4 中我們可以看出KSVM 從少數(shù)類分類性能和整體分類性能來(lái)看,都要優(yōu)于雙隸屬模糊SVM 和傳統(tǒng)SVM,因此可以認(rèn)為KSVM 的模型更加適用于企業(yè)樣本數(shù)據(jù)。

3.模型分類概率分析。將KSVM 模型應(yīng)用于企業(yè)信用分類,在提高模型分類正確率的同時(shí)還能給出該企業(yè)對(duì)應(yīng)兩種類別的隸屬度,也就是模型判定企業(yè)屬于兩種類型的概率值。企業(yè)所屬誠(chéng)信類別的概率值如表5 所示。

表5 企業(yè)所屬誠(chéng)信類別的概率值

單個(gè)企業(yè)誠(chéng)信行為二分類的概率值合計(jì)為1,若企業(yè)誠(chéng)信行為存在不足的概率值大于誠(chéng)信行為優(yōu)秀的概率值,則企業(yè)會(huì)被模型分到誠(chéng)信行為不足的一類;反之,則被分到誠(chéng)信行為優(yōu)秀的一類。231 家預(yù)測(cè)值與實(shí)際值一致的企業(yè)中,99 家企業(yè)實(shí)際情況與預(yù)測(cè)結(jié)果均為誠(chéng)信行為優(yōu)秀,132 家企業(yè)實(shí)際情況與預(yù)測(cè)結(jié)果均為誠(chéng)信行為存在不足。對(duì)于實(shí)際和預(yù)測(cè)誠(chéng)信行為都優(yōu)秀的企業(yè),它們?cè)谡型稑?biāo)過(guò)程中更有可能中標(biāo),因此對(duì)于這類企業(yè)可以按照模型的分類概率高低進(jìn)行排序。理論上認(rèn)為預(yù)測(cè)屬于誠(chéng)信行為優(yōu)秀的概率值越高,企業(yè)中標(biāo)可能性越大,實(shí)際值和預(yù)測(cè)結(jié)果都優(yōu)秀的企業(yè)排序如表6 所示。

表6 誠(chéng)信行為優(yōu)秀的企業(yè)排序

對(duì)于誠(chéng)信行為優(yōu)秀的企業(yè),如杭州??景觀工程有限公司模型預(yù)測(cè)概率值最大,誠(chéng)信行為和信用能力的一致性匹配最佳,在招投標(biāo)企業(yè)競(jìng)爭(zhēng)中的優(yōu)勢(shì)也就越大。而對(duì)于預(yù)測(cè)概率值低的企業(yè),如杭州??市政工程有限公司,雖然也屬于誠(chéng)信行為優(yōu)秀的企業(yè),但是誠(chéng)信行為和信用能力的一致性匹配程度并不高,該企業(yè)或許誠(chéng)信行為良好,但自身在履約能力方面可能存在不足,因此在招投標(biāo)企業(yè)中的競(jìng)爭(zhēng)優(yōu)勢(shì)也就難以突出。

在實(shí)際應(yīng)用中,模型也會(huì)將本身誠(chéng)信行為優(yōu)秀的企業(yè)誤分為誠(chéng)信行為存在不足,或?qū)⒄\(chéng)信行為存在不足的企業(yè)誤判為誠(chéng)信行為優(yōu)秀。這兩種誤判對(duì)于決策方來(lái)說(shuō)帶來(lái)的損失是不同的。將誠(chéng)信行為優(yōu)秀的企業(yè)誤判為誠(chéng)信行為存在不足會(huì)使決策方失去選擇優(yōu)秀企業(yè)的一個(gè)機(jī)會(huì),可能會(huì)帶來(lái)一些損失,但是將誠(chéng)信行為存在不足的企業(yè)誤判為誠(chéng)信行為優(yōu)秀的企業(yè)有可能會(huì)給決策方帶來(lái)重大損失。表7 為誠(chéng)信行為優(yōu)秀但被誤判為誠(chéng)信行為不足的企業(yè)。

表7 誠(chéng)信行為優(yōu)秀但被誤判為誠(chéng)信行為不足的企業(yè)

有34 家企業(yè)誠(chéng)信行為實(shí)際情況為優(yōu)秀但被誤判為存在不足。模型認(rèn)為這類企業(yè)的誠(chéng)信行為和信用能力是不匹配的。因此,本文將該類企業(yè)與誠(chéng)信行為實(shí)際值和預(yù)測(cè)結(jié)果均為優(yōu)秀的99 家企業(yè)信用信息進(jìn)行對(duì)比,分析該類企業(yè)究竟是哪些信用能力指標(biāo)存在顯著差異。

企業(yè)信用能力分為四大類指標(biāo),包括運(yùn)營(yíng)能力、企業(yè)素質(zhì)、保障能力和項(xiàng)目管理。在運(yùn)營(yíng)能力和企業(yè)素質(zhì)指標(biāo)中,兩類企業(yè)的差異并不大。34 家錯(cuò)分企業(yè)在項(xiàng)目管理和保障能力的大部分指標(biāo),總體上都要優(yōu)于99 家分類正確的企業(yè)。其中,只有企業(yè)的知識(shí)產(chǎn)權(quán)數(shù)量存在明顯差異。99 家分類正確的企業(yè)中知識(shí)產(chǎn)權(quán)數(shù)量大于20 的有24 家,浙江??集團(tuán)股份有限公司的知識(shí)產(chǎn)權(quán)數(shù)量甚至達(dá)到了339 件,平均每家企業(yè)知識(shí)產(chǎn)權(quán)數(shù)量也超過(guò)20 件;而34 家錯(cuò)分的企業(yè)中僅有6 家企業(yè)的知識(shí)產(chǎn)權(quán)數(shù)量大于20,杭州??園林工程有限公司擁有最高知識(shí)產(chǎn)權(quán)數(shù)量58 件,每家企業(yè)的平均知識(shí)產(chǎn)權(quán)數(shù)量也僅有9.5件。由此可見(jiàn),知識(shí)產(chǎn)權(quán)因素對(duì)企業(yè)誠(chéng)信行為和信用能力一致性有很大影響。

同樣也存在20 家企業(yè)本身誠(chéng)信行為不足但被錯(cuò)分為優(yōu)秀的企業(yè),如表8 所示。

表8 誠(chéng)信行為不足但被誤判為優(yōu)秀的企業(yè)

表8 中的20 家企業(yè)誠(chéng)信行為存在不足但錯(cuò)分為誠(chéng)信行為優(yōu)秀,會(huì)對(duì)招投標(biāo)環(huán)節(jié)中確定優(yōu)質(zhì)企業(yè)造成更大的影響,對(duì)于這類企業(yè)更應(yīng)加強(qiáng)各方面信息的識(shí)別。通過(guò)與“誠(chéng)信行為實(shí)際情況和預(yù)測(cè)結(jié)果均為存在不足”企業(yè)的對(duì)比分析得知,這類錯(cuò)分的企業(yè)僅在企業(yè)素質(zhì)中法人/項(xiàng)目負(fù)責(zé)人最高學(xué)歷和建造師人數(shù)比例方面擁有優(yōu)勢(shì),法人/項(xiàng)目負(fù)責(zé)人的學(xué)歷與二級(jí)建筑師的比例都很高,45%的企業(yè)二級(jí)建造師人數(shù)占比都達(dá)到100%,企業(yè)的法人或負(fù)責(zé)人最高學(xué)歷都是大專及以上。由于以上兩個(gè)因素的影響使其被誤判為“誠(chéng)信行為優(yōu)秀”企業(yè)。進(jìn)一步將該類企業(yè)與“誠(chéng)信行為實(shí)際情況和預(yù)測(cè)結(jié)果均為優(yōu)秀”的企業(yè)信息進(jìn)行對(duì)比,發(fā)現(xiàn)該類企業(yè)在運(yùn)營(yíng)能力、保障能力、項(xiàng)目管理方面差距比較大,且成立年限較短,30%的企業(yè)成立年限不足10 年,因此在近5 年中標(biāo)次數(shù)、近5 年中標(biāo)總金額等方面毫無(wú)優(yōu)勢(shì)。同時(shí),這類企業(yè)的在冊(cè)人數(shù)和參保人數(shù)平均只有59.5 人和39.1 人,這方面要遠(yuǎn)低于誠(chéng)信行為優(yōu)秀企業(yè)的168.1 人和92.6 人,注冊(cè)資本和實(shí)繳資本也都很低,表明整體資金實(shí)力并不強(qiáng)。因此我們可以認(rèn)為這類被錯(cuò)分為優(yōu)秀的企業(yè)由于成立時(shí)間短、規(guī)模不大、資金實(shí)力不強(qiáng)及近5 年中標(biāo)次數(shù)少等原因,使得企業(yè)誠(chéng)信行為評(píng)分也較低,但由于其在企業(yè)人員素質(zhì)方面具有突出優(yōu)勢(shì),導(dǎo)致最終被錯(cuò)分。

五、結(jié)論與建議

本文從企業(yè)內(nèi)部視角開(kāi)展信用價(jià)值研究,從誠(chéng)信行為和信用能力這兩個(gè)企業(yè)信用的重要影響因素之間的關(guān)系著眼,通過(guò)構(gòu)建企業(yè)信用價(jià)值評(píng)價(jià)指標(biāo)體系,運(yùn)用KSVM 模型研究二者的內(nèi)在一致性。研究結(jié)果表明,285 家招投標(biāo)企業(yè)誠(chéng)信行為和信用能力一致性達(dá)到81.05%,即誠(chéng)信行為優(yōu)秀的企業(yè)信用能力也較強(qiáng),兩者的匹配性較高,誠(chéng)信行為與信用能力具有一致性的研究假設(shè)得到驗(yàn)證。模型分析結(jié)果與實(shí)際情況較高的吻合度,也說(shuō)明了KSVM 模型對(duì)企業(yè)信用價(jià)值分析的有效性。對(duì)于少數(shù)被誤判的企業(yè)進(jìn)行深入分析,發(fā)現(xiàn)“誠(chéng)信行為優(yōu)秀但被誤判為存在不足”的原因在于“知識(shí)產(chǎn)權(quán)數(shù)量”指標(biāo)上的顯著差異,而“誠(chéng)信行為仍有不足但被誤判為誠(chéng)信行為優(yōu)秀”是由于“企業(yè)人員素質(zhì)”指標(biāo)的差異。根據(jù)以上研究結(jié)論,本文提出如下對(duì)策建議:

1.積極探索多角度的企業(yè)信用價(jià)值研究方法,從而實(shí)現(xiàn)對(duì)企業(yè)信用狀況更為準(zhǔn)確、客觀和全面的評(píng)價(jià)。本研究從企業(yè)信用理論出發(fā),通過(guò)企業(yè)的誠(chéng)信行為與信用能力一致性來(lái)體現(xiàn)企業(yè)信用價(jià)值,與傳統(tǒng)的信用評(píng)級(jí)有一定的差異,這使得對(duì)企業(yè)信用的理解視角更加廣闊,為政府和相關(guān)部門對(duì)企業(yè)開(kāi)展信用評(píng)判時(shí)提供更加立體、多維和翔實(shí)的依據(jù),更有利于企業(yè)提升內(nèi)部信用管理水平和層次。

2.加快推進(jìn)公共信息資源向社會(huì)開(kāi)放,并提升公共信息的準(zhǔn)確率和覆蓋率,從而創(chuàng)造更多公共價(jià)值。我國(guó)正處于加快推動(dòng)大數(shù)據(jù)產(chǎn)業(yè)發(fā)展階段,將政府?dāng)?shù)據(jù)最大限度地開(kāi)放出來(lái),讓社會(huì)進(jìn)行充分融合和利用,有利于釋放數(shù)據(jù)能量,激發(fā)創(chuàng)新活力。在我國(guó)加快推進(jìn)社會(huì)信用體系建設(shè)時(shí)期,政府、企業(yè)、個(gè)人等不同信用主體都已認(rèn)識(shí)到信用的重要性,但難點(diǎn)在于如何去識(shí)別不同主體的信用狀況。本文構(gòu)建的企業(yè)信用價(jià)值指標(biāo)體系,其指標(biāo)信息的獲取是基于長(zhǎng)三角地區(qū)高度開(kāi)放的數(shù)量大、覆蓋面廣的公共信用信息的前提,這使得信用評(píng)價(jià)結(jié)果更為準(zhǔn)確,對(duì)從信用信息的可得性角度進(jìn)一步挖掘企業(yè)信用價(jià)值有一定的實(shí)踐意義。

3.政府及相關(guān)部門在各重點(diǎn)領(lǐng)域應(yīng)加強(qiáng)對(duì)企業(yè)各方面信息的識(shí)別。研究結(jié)果顯示,在285 家企業(yè)中有20 家誠(chéng)信行為不足的企業(yè)被誤判為誠(chéng)信行為優(yōu)秀,這一結(jié)果有可能會(huì)給決策方帶來(lái)重大損失。因此,政府及相關(guān)部門對(duì)于這類現(xiàn)象要引起重視,在進(jìn)行項(xiàng)目招投標(biāo)過(guò)程中,應(yīng)從多渠道獲取企業(yè)相關(guān)信息,并加強(qiáng)對(duì)信息的識(shí)別,以最大可能選擇優(yōu)質(zhì)企業(yè)從而確保項(xiàng)目完成的質(zhì)量。本文是以招投標(biāo)領(lǐng)域企業(yè)為研究對(duì)象,但研究結(jié)果也可為其他重點(diǎn)領(lǐng)域如招商引資、政府與社會(huì)資本合作項(xiàng)目、政府采購(gòu)等領(lǐng)域的企業(yè)信用評(píng)價(jià)提供借鑒,以科學(xué)評(píng)價(jià)方法讓有主觀履約意愿和具備客觀履約能力的“雙優(yōu)”企業(yè)最大概率中標(biāo),不僅能減少該領(lǐng)域腐敗現(xiàn)象的發(fā)生,也有利于整個(gè)社會(huì)效益的提高和公共利益的最大化。

4.各部門及機(jī)構(gòu)可對(duì)不同信用主體采用本研究所提出的信用評(píng)價(jià)方法。本文從企業(yè)信用內(nèi)涵出發(fā),從挖掘誠(chéng)信行為與信用能力二者之間相互關(guān)系的視角進(jìn)行企業(yè)信用價(jià)值研究,對(duì)傳統(tǒng)的企業(yè)信用一體化評(píng)價(jià)方法進(jìn)行了創(chuàng)新,為多維度、多層次分析企業(yè)信用價(jià)值提供了思路。從信用內(nèi)涵出發(fā)開(kāi)展信用價(jià)值研究的方法不僅可以用于企業(yè)信用特征的研究,也可用于政府以及個(gè)人等不同信用主體信用狀況的分析,因此在一定程度上拓寬了分析的視野,同時(shí)也是我國(guó)社會(huì)誠(chéng)信體系建設(shè)的內(nèi)在需要。

5.可從不同視角分析企業(yè)信用存在的問(wèn)題。本文以公共信用信息為基礎(chǔ)對(duì)誠(chéng)信行為與信用能力關(guān)系進(jìn)行分析,未來(lái)借助大數(shù)據(jù)手段獲取的公共信用信息將越來(lái)越豐富,整體評(píng)價(jià)質(zhì)量也將不斷提高,從而對(duì)企業(yè)信用的評(píng)價(jià)也更為準(zhǔn)確。研究結(jié)果表明誠(chéng)信行為優(yōu)秀的企業(yè)信用能力也較強(qiáng),即誠(chéng)信行為與信用能力具有一致性,誠(chéng)信行為優(yōu)秀、信用能力強(qiáng)的企業(yè)在市場(chǎng)競(jìng)爭(zhēng)中具有明顯的優(yōu)勢(shì)。當(dāng)然也可能存在不一致的情況,若存在不一致,根據(jù)所構(gòu)建的企業(yè)信用價(jià)值指標(biāo)體系,可從監(jiān)測(cè)數(shù)據(jù)和企業(yè)自身運(yùn)營(yíng)過(guò)程中的相關(guān)指標(biāo)進(jìn)行分析,為深入挖掘企業(yè)信用存在的問(wèn)題提供思路,從微觀角度看也有助于企業(yè)對(duì)自身問(wèn)題的查找。

6.評(píng)價(jià)結(jié)果有利于在社會(huì)經(jīng)濟(jì)管理中推廣使用。誠(chéng)信行為和信用能力是信用內(nèi)涵的兩個(gè)重要方面,誠(chéng)信行為體現(xiàn)企業(yè)的守信意愿,信用能力則反映企業(yè)的履約能力。信用管理的核心是信用評(píng)價(jià)結(jié)果,企業(yè)的守信意愿為政府的業(yè)務(wù)監(jiān)管提供了決策依據(jù),而企業(yè)的履約能力更多的是體現(xiàn)其經(jīng)濟(jì)實(shí)力,從而為市場(chǎng)交易中交易對(duì)手的識(shí)別提供決策信息。需要指出的是,本研究構(gòu)建的企業(yè)信用價(jià)值指標(biāo)體系在財(cái)務(wù)方面的指標(biāo)數(shù)據(jù)偏少,因此在一定程度上對(duì)企業(yè)能力分析稍顯不足,后期研究將在信用信息質(zhì)量不斷提高的同時(shí)提升信用評(píng)價(jià)的精度。