京津冀科技型中小企業(yè)信用風(fēng)險研究*

何平林 沈映春 李跟強

一、引言

2021年8月17日，習(xí)近平總書記在中央財經(jīng)委員會第十次會議上強調(diào)，金融是現(xiàn)代經(jīng)濟的核心，關(guān)系發(fā)展和安全，要遵循市場化法治化原則，統(tǒng)籌做好重大金融風(fēng)險防范化解工作。黨的十九屆六中全會審議通過的《中共中央關(guān)于黨的百年奮斗重大成就和歷史經(jīng)驗的決議》指出，要堅持金融為實體經(jīng)濟服務(wù)，全面加強金融監(jiān)管，防范化解經(jīng)濟金融領(lǐng)域風(fēng)險。作為國家安全的重要組成部分，守住不發(fā)生系統(tǒng)性金融風(fēng)險的底線，確保金融安全是較長一段時期內(nèi)我國經(jīng)濟發(fā)展的根本保障。雖然當下我國經(jīng)濟金融領(lǐng)域的風(fēng)險總體可控，但企業(yè)債務(wù)比例偏高、盈利水平轉(zhuǎn)弱所引致的信用風(fēng)險隱患依然不可小覷。最高人民法院的“全國企業(yè)破產(chǎn)重整案件信息網(wǎng)”數(shù)據(jù)顯示，2019～2021年我國企業(yè)破產(chǎn)案件公告數(shù)分別是18943件、44496件、69377件，呈現(xiàn)逐年大幅度上漲的趨勢。30年來我國債券市場不斷發(fā)展壯大，為企業(yè)直接融資提供了資金支持。但債券市場快速發(fā)展背后，也潛藏巨大的信用風(fēng)險。受中美貿(mào)易摩擦以及新冠肺炎疫情等因素的影響，作為信用風(fēng)險風(fēng)向標的債券市場違約風(fēng)險也日益增大。Wind數(shù)據(jù)顯示，2018年起信用債違約進入高發(fā)期，共有125只債券出現(xiàn)違約，違約余額1209.61億元，違約余額及數(shù)量均超過2015～2017年的總和。2019年違約余額更是達到歷史新高，共有184只債券違約，違約余額1494.04億元；2020年共有106只債券出現(xiàn)違約，違約余額1701.43億元；2021年有71只債券違約，違約余額1621.39億元，略有回調(diào)但總體違約情況形勢不容樂觀。債券展期是反映企業(yè)流動性壓力狀況的關(guān)鍵指標，2021年我國涉及展期的債券本金余額合計達636.33億元，比2020年增長約60%?？梢钥闯?，我們必須把主動防范化解系統(tǒng)性金融風(fēng)險放在更加重要的位置，見微知著、抓早抓小，實現(xiàn)早識別、早預(yù)警、早處置。

信用風(fēng)險評估是市場監(jiān)管部門和金融機構(gòu)關(guān)注的焦點問題。信用是以償還為條件的價值運動的特殊形式，它產(chǎn)生于融資行為和商品或勞務(wù)交易的賒銷或預(yù)付之中，如銀行信用、商業(yè)信用等。信用是市場經(jīng)濟的基礎(chǔ)，是創(chuàng)新生態(tài)的重要組成部分。2022年1月4日召開的國務(wù)院常務(wù)會議決定實施企業(yè)信用風(fēng)險分類管理，通過分類管理實現(xiàn)監(jiān)管對誠信經(jīng)營者“無事不擾”、對違法失信者“無處不在”。市場監(jiān)管總局發(fā)布的《關(guān)于推進企業(yè)信用風(fēng)險分類管理進一步提升監(jiān)管效能的意見》提出力爭用3年左右的時間，市場監(jiān)管系統(tǒng)全面實施企業(yè)信用風(fēng)險分類管理，有效實現(xiàn)企業(yè)信用風(fēng)險監(jiān)測預(yù)警，努力做到風(fēng)險盡早發(fā)現(xiàn)、預(yù)警以及處置。對企業(yè)信用風(fēng)險進行分類監(jiān)管，首先需要科學(xué)構(gòu)建信用風(fēng)險分類指標體系，對信用風(fēng)險進行分類。其次是風(fēng)險監(jiān)測和預(yù)警。通過大數(shù)據(jù)分析、重點指標監(jiān)測等，及早發(fā)現(xiàn)企業(yè)風(fēng)險，前移監(jiān)管關(guān)口，化解風(fēng)險隱患。當前我國面臨需求收縮、供給沖擊、預(yù)期轉(zhuǎn)弱三重壓力，中小企業(yè)受大宗商品價格上漲、疫情沖擊等影響較大，融資行為與可持續(xù)發(fā)展面臨諸多挑戰(zhàn)，亟待研究其信用風(fēng)險問題。在信用分析方法上，目前許多數(shù)學(xué)統(tǒng)計模型都被學(xué)術(shù)界或?qū)崉?wù)界經(jīng)過改良修正后作為評估企業(yè)信用風(fēng)險使用，如Logistic回歸分析、類神經(jīng)網(wǎng)絡(luò)模型和Merton期權(quán)模型等，以數(shù)學(xué)方法輔助金融機構(gòu)的信貸人員判斷企業(yè)的違約風(fēng)險，并比較授信客戶之間的信用等級以選取對銀行本身較有利的信用放款。

本文基于京津冀科技型新三板企業(yè)隨機抽樣的案例分析，從資產(chǎn)負債率、固定資產(chǎn)比、應(yīng)收賬款周轉(zhuǎn)率、借款依存度、流動比率、現(xiàn)收比等六個變量，運用數(shù)據(jù)包絡(luò)分析方法對中小企業(yè)信用風(fēng)險進行測算分類并構(gòu)建中小企業(yè)信用風(fēng)險指數(shù)。

二、信用風(fēng)險理論與文獻綜述

信用風(fēng)險和信用評級一直以來都是金融經(jīng)濟領(lǐng)域關(guān)注的重要命題。信用風(fēng)險又稱為違約風(fēng)險，是指因債務(wù)人違約可能導(dǎo)致銀行、擔保公司等債權(quán)人資產(chǎn)面臨的風(fēng)險。McNeil等(2015)認為信用風(fēng)險是由于交易對手未能履行其合同義務(wù)(或違約)而產(chǎn)生的損失風(fēng)險。信用評級機構(gòu)從公共和私人資源收集信息，并使用金融和非金融、定量和非定量信息來衡量違約的概率(Attig et al.，2013; Cornaggia et al.，2017; Jiang et al.，2018)。銀行等金融機構(gòu)基于數(shù)據(jù)挖掘技術(shù)，進行授信企業(yè)的信用風(fēng)險評估，成為近年來授信評審實務(wù)中的重要策略。信用風(fēng)險評估機構(gòu)在增強企業(yè)信用意識、提高投資透明度、促使證券市場規(guī)范發(fā)展等方面具有十分重要的作用。Blume等(1998)、Jorion等(2009)、Alp(2013)、Baghai等(2014)基于美國的非金融類企業(yè)，研究了信用風(fēng)險評級質(zhì)量和標準問題。周宏等(2013)以評級機構(gòu)與發(fā)債企業(yè)的串謀行為為切入點，分析了評級機構(gòu)的數(shù)量選擇對企業(yè)債券信用風(fēng)險監(jiān)管的影響。本文認為，市場參與者大多通過信用評級來了解復(fù)雜的資本市場，而信用評價維度的合理性、影響因素及指標設(shè)置的科學(xué)性、評級方法的科學(xué)性與合理性是制約企業(yè)信用評級質(zhì)量的關(guān)鍵因素。

關(guān)于信用風(fēng)險評價維度，信用評級機構(gòu)在評估一個公司的信用風(fēng)險時，通常批判性地評估其會計信息質(zhì)量、財務(wù)政策的風(fēng)險和公司治理結(jié)構(gòu)的完善程度等。Hsu等(2015)通過觀察公司創(chuàng)新能力來了解公司的信用風(fēng)險，指出公司創(chuàng)新會影響公司的違約風(fēng)險，認為一個更有創(chuàng)新競爭力的公司，其違約風(fēng)險較低，原因是創(chuàng)新使得這些公司在市場上具有某種壟斷力量。Bonsall和Miller(2017)通過信息披露質(zhì)量來觀察公司信用評級，認為可讀性較差的財務(wù)信息披露會導(dǎo)致較差的信用評級和信用評級機構(gòu)之間更大的分歧。Akins(2018)認為，對于提供更好質(zhì)量財務(wù)信息的公司，信用評級機構(gòu)對這些公司的信用風(fēng)險的分歧程度較低。Ashbaugh-Skaife等(2006)的研究表明，企業(yè)信用評級與董事會獨立性、董事會成員的持股比例和董事會專業(yè)化水平正相關(guān)，這表明公司治理對公司的信譽和信用風(fēng)險至關(guān)重要。

許多國內(nèi)外學(xué)者進一步研究了企業(yè)信用狀況的影響因素。Attig等(2013)研究了企業(yè)社會責任對信用評級的影響。研究發(fā)現(xiàn)，企業(yè)社會責任的力量和關(guān)注顯著影響信用評級，而與主要利益相關(guān)者相關(guān)的社會責任的各個組成部分(即社區(qū)關(guān)系、多樣性、員工關(guān)系、環(huán)境績效和產(chǎn)品特征)在解釋企業(yè)的信用風(fēng)險方面極其重要。Kedia等(2017)指出大股東可以在公司治理中發(fā)揮重要作用，對公司的控制權(quán)激勵他們承擔監(jiān)督管理層的成本，進而影響公司信用評級。?，摤摵驮?2019)研究發(fā)現(xiàn)，公司獲得高信用評級的概率與其環(huán)境信息透明度顯著正相關(guān)；環(huán)境信息傳遞出公司的特質(zhì)風(fēng)險、盈余持續(xù)性以及盈余質(zhì)量等信息,從而影響評級決策。Ma等(2021)研究了CEO特征對公司信用評級的影響。Hasan和Taylor(2022)研究了品牌資本對公司信用評級的影響，通過對1994～2017年期間5787家美國上市公司的年度觀察樣本進行分析，發(fā)現(xiàn)品牌資本水平較高的公司具有較高的信用評級；進一步研究表明，信息不對稱程度、財務(wù)風(fēng)險和公司治理水平這些調(diào)節(jié)變量強化了品牌資本對信用評級的影響。郭萌萌(2021)基于2008～2018年發(fā)行公司債的A股上市公司樣本，研究公司戰(zhàn)略是否影響信用評級決策。研究結(jié)果表明，公司戰(zhàn)略越激進，則其主體信用評級越低；公司戰(zhàn)略激進度通過經(jīng)營風(fēng)險和代理風(fēng)險中介影響信用評級。王曉艷和郝文靜(2022)研究了分析師關(guān)注度對信用評級的影響，研究發(fā)現(xiàn)，分析師關(guān)注度能有效提升企業(yè)主體信用評級，媒體報道在分析師關(guān)注度與主體信用評級之間發(fā)揮了部分中介作用，即分析師關(guān)注度主要通過提升媒體關(guān)注度這一路徑對企業(yè)信用評級產(chǎn)生影響。

關(guān)于信用風(fēng)險的分析方法，國外理論和實務(wù)界運用多種分析模型進行了研究。Beaver(1966)是較早研究企業(yè)信用風(fēng)險的學(xué)者，以單變量模式構(gòu)建了企業(yè)財務(wù)危機預(yù)警模型，以發(fā)生財務(wù)危機的79家企業(yè)作為研究樣本，并根據(jù)產(chǎn)業(yè)類別和資本規(guī)模進行配對抽樣79家正常企業(yè)，以資產(chǎn)負債率、流動比率等六大財務(wù)指標進行預(yù)警預(yù)測分析。Altman(1968)從流動性、盈利性、財務(wù)杠桿、償債能力、資產(chǎn)周轉(zhuǎn)速度等五大指標建立了多變量Z-Score模型，基于33家正常公司和33家財務(wù)危機公司進行了實證分析，結(jié)果表明，Z值如果低于1.81被評定為高風(fēng)險易違約企業(yè)，Z值高于2.99則為財務(wù)非常安全公司。Altman等(1977)在Z值模型的基礎(chǔ)上進一步提出ZETA模型，選取53家正常公司和53家財務(wù)危機公司，基于27個財務(wù)比率進行判別分析，最終萃取出資產(chǎn)報酬率、盈余穩(wěn)定性、利息保障倍數(shù)、流動比率、市值與總資產(chǎn)比、留存收益比率等七大指標進行信用風(fēng)險識別。該模型可以廣泛應(yīng)用于企業(yè)信用風(fēng)險分析或者資產(chǎn)組合管理。Martin(1977)、West(1985)、Fritz和Hosemann (2000)以德國企業(yè)為研究對象，分別使用判別分析、基因算法、類神經(jīng)網(wǎng)絡(luò)等多項定量研究方法建立了自動化的信用評分方式。West(2000)、Malhotra和Malhotra(2002)基于神經(jīng)網(wǎng)絡(luò)方法分析企業(yè)信用風(fēng)險。Premachandra等(2009)比較研究了DEA和Logistic回歸兩種不同的模型在預(yù)判企業(yè)信用風(fēng)險中的效果，結(jié)果顯示DEA方法較之于Logistic回歸更有能力預(yù)測和識別信用違約公司。

我國學(xué)者也運用多種方法模型研究了信用風(fēng)險問題。吳世農(nóng)和盧賢義(2001)基于Logistic模型分析信用違約概率。王保華(2003)、鐘田麗和賈立恒(2005)、吳鳳和吳義能(2017)、梁榮等(2019)等基于神經(jīng)網(wǎng)絡(luò)方法分析企業(yè)信用風(fēng)險。張永娟等(2004)針對影響商業(yè)銀行信用風(fēng)險的各種決定因素，提出了多層次模糊評判模型。彭建剛等(2008)采用某國有控股商業(yè)銀行貸款數(shù)據(jù)對聚合信用風(fēng)險模型的科學(xué)性進行了論證，指出這一方法應(yīng)用于我國商業(yè)銀行可提高經(jīng)濟資本管理的效率。楊建模和楊勝剛(2009)驗證了DEA方法在企業(yè)信用評分中的可行性與有效性。丁輝(2021)運用支持向量機(SVM)方法對寧夏轄區(qū)樣本企業(yè)進行了信用評級分析。李成剛等(2021)從文本質(zhì)量特征、文本詞匯特征和文本語調(diào)特征等角度量化計算文本相似度、文本情感值、文本可讀性三個維度文本披露指標，采用Logistic模型、決策樹模型、支持向量機和神經(jīng)網(wǎng)絡(luò)模型四種方法構(gòu)建上市公司信用風(fēng)險預(yù)警模型。邱澤國等(2022)基于機器學(xué)習(xí)算法進行信用風(fēng)險評估，以Lasso-RF兩階段特征選擇，比較了邏輯回歸、支持向量機、隨機森林、決策樹等信用評估分類算法的有效性。寧博等(2020)指出在金融發(fā)展水平較高、經(jīng)濟規(guī)模更大的地區(qū)，非違約企業(yè)受信用債違約的影響相對更小。周雯等(2021)關(guān)注特定行業(yè)的信用風(fēng)險問題，采用多分類Softmax模型對電力行業(yè)的信用評級關(guān)鍵要素挖掘進行了研究。黃益平和邱晗(2021)分析了大科技信貸在中小企業(yè)貸款領(lǐng)域的信用風(fēng)險管理框架的工作機制及其宏觀影響。張目和呂知遠(2022)引入文本信息決策變量構(gòu)建擴展模型，建議銀行在企業(yè)財務(wù)報表的基礎(chǔ)上引入文本信息決策，降低信息不對稱，提高信用風(fēng)險識別能力。

本文的邊際貢獻是引入數(shù)據(jù)包絡(luò)分析方法，以京津冀科技型中小企業(yè)2015～2020年的數(shù)據(jù)為樣本，提出并設(shè)計出一套企業(yè)信用風(fēng)險指數(shù)。本文的研究方法和編制的信用風(fēng)險指數(shù)，能夠為京津冀中小企業(yè)信用評價標準化問題研究提供有益借鑒。國內(nèi)外雖然目前已發(fā)展出許多中小企業(yè)的評級模型，但多數(shù)模型的可操作性以及評級實務(wù)的適用性均存在一定程度的不足，例如，Logistics、SVM等模型所構(gòu)建的信用評級只適用于信用風(fēng)險的影響因素、信用評級預(yù)警識別等方面的情景，如何基于有效的數(shù)理模型構(gòu)建出無須指標權(quán)重的信用評價方法，一直是需要深入細化研究的領(lǐng)域。本文研究使用的數(shù)據(jù)包絡(luò)分析模型，不僅適用于特定企業(yè)信用風(fēng)險值的測度，而且能夠用于構(gòu)建中小企業(yè)信用風(fēng)險指數(shù)，針對特定地區(qū)或者行業(yè)編制的信用風(fēng)險指數(shù)能夠用于評價或者比較信用值的總體波動情況，該方法對于金融監(jiān)管部門或者金融機構(gòu)具有較好的適用性和可操作性。

三、企業(yè)信用風(fēng)險分析的數(shù)據(jù)包絡(luò)模型

數(shù)據(jù)包絡(luò)分析是由Charnes等(1978) 所提出的效率測度模型，是一種多目標決策工具。其根據(jù)決策單元(decision making unit, DMU)的多個投入(input)與產(chǎn)出(output)變量進行DMU之間的相對效率分析。在評估各DMU效率之前，DEA并未預(yù)設(shè)各項投入與產(chǎn)出之間的關(guān)系，而是經(jīng)過DMU之間相對效率的比較，決定各個DMU的效率值，并可針對不具效率的DMU提供具體改進方向，調(diào)整投入與產(chǎn)出規(guī)模以達到較高的效率值。自從Charnes等發(fā)展了數(shù)據(jù)包絡(luò)分析的方法，以數(shù)學(xué)規(guī)劃方法奠定了決策單元的效率測算的基礎(chǔ)后，DEA已廣泛應(yīng)用于各個領(lǐng)域的績效評價之中，并逐漸在金融領(lǐng)域中得到更多的應(yīng)用，尤其在信用風(fēng)險分析領(lǐng)域的使用日益深入。根據(jù)不同的研究假設(shè)，DEA在應(yīng)用時有許多模式，而目前最常被使用的DEA模式為基于固定規(guī)模報酬(constant returns to scale)假設(shè)的CCR模式。

本文認為，傳統(tǒng)信用風(fēng)險評估實務(wù)中廣泛使用的專家打分等方法存在“憑主觀授信”的缺點，從指標權(quán)重到信用風(fēng)險結(jié)果均易受到人為因素影響，而數(shù)據(jù)包絡(luò)分析方法并不人為地確定指標權(quán)重值，通過分別加總產(chǎn)出屬性值和投入屬性值，將總的產(chǎn)出除以總的投入的比率作為相對效率。DEA模型無須事前確定變量權(quán)重，該模型可以克服主觀授信缺點，大大提升信用風(fēng)險分析的客觀性和準確性。DEA方法運用線性規(guī)劃將所有決策單元的投入產(chǎn)出值投射在效率空間中，求出效率前沿(efficiency frontier)，位于效率包絡(luò)前沿面上的決策單元，投入產(chǎn)出組合具有帕累托最優(yōu)效率，其效率值為1，即既定產(chǎn)出之下投入最少或既定投入之下產(chǎn)出最大。DEA方法主要評估多個決策單元的相對效率，經(jīng)由DEAP軟件運行得到各決策單位效率值，可以處理橫截面數(shù)據(jù)和面板數(shù)據(jù)。本文所使用的是CCR模式，此模式是在固定規(guī)模報酬下衡量多項投入和多項產(chǎn)出下受評者的績效值，選擇適當?shù)呢攧?wù)比率當作投入與產(chǎn)出變量，使用DEA模型測算出中小企業(yè)的信用值評分，具體數(shù)學(xué)模型如下：

(1)

(2)

(3)

(4)

四、科技型中小企業(yè)隨機抽樣及信用風(fēng)險評估指標

目前，京津冀地區(qū)是中國北方經(jīng)濟規(guī)模最大、最具活力的城市群。2015年11月，京津冀三地社會信用體系建設(shè)牽頭單位北京市經(jīng)信委、天津市發(fā)改委、河北省發(fā)改委共同制定了《京津冀社會信用體系合作共建框架協(xié)議》，開啟了信用制度頂層設(shè)計、共享機制、獎懲聯(lián)動機制等方面的合作。2019年，京津冀三地聯(lián)合制定了《京津冀守信聯(lián)合激勵試點建設(shè)方案(2019—2023年)》，提出建立工作機制、完善標準規(guī)范體系、互認信用評價結(jié)果、開展誠信宣傳教育等四項重點任務(wù)和信用惠民、信用便企、特色示范區(qū)建設(shè)、信用創(chuàng)新驅(qū)動等四項專項行動。按照建設(shè)方案，到2023年京津冀地區(qū)信用合作機制全面建成，守信聯(lián)合激勵政策標準體系一體化全面形成，公共信用信息得到充分共享和有效應(yīng)用，重點領(lǐng)域信用監(jiān)管機制全面建立，信用服務(wù)網(wǎng)絡(luò)及信用服務(wù)市場基本健全，覆蓋京津冀地區(qū)的守信者受益局面基本形成，對優(yōu)化區(qū)域營商環(huán)境發(fā)揮重要作用。

中小企業(yè)是我國市場經(jīng)濟的重要組成部分，在國民經(jīng)濟中已經(jīng)發(fā)展成為一支不可替代的力量。中小企業(yè)提供了50%以上的稅收，創(chuàng)造了60%以上的國內(nèi)生產(chǎn)總值，完成了70%以上的技術(shù)創(chuàng)新，提供了80%以上的城鎮(zhèn)就業(yè)崗位，占企業(yè)總數(shù)的90%以上。中小企業(yè)所提供的就業(yè)機會是穩(wěn)定就業(yè)的重要力量，特別是在經(jīng)濟成長趨緩時，中小企業(yè)更能發(fā)揮靈活的經(jīng)營特質(zhì)，展現(xiàn)出穩(wěn)定經(jīng)濟波動以及防止失業(yè)狀況惡化的重要功能。但是，必須要指出，中小企業(yè)與大型國企相比經(jīng)營風(fēng)險較大，較易受到宏觀經(jīng)濟波動的影響。新三板作為一套契合中小企業(yè)特點和需要的制度安排，已成為資本市場服務(wù)中小企業(yè)的重要平臺。截至2022年3月10日，我國新三板“創(chuàng)新層”有1217家企業(yè)。為了比較京津冀地區(qū)科技型中小企業(yè)的信用風(fēng)險狀況，我們從北京、天津、河北三省(市)的創(chuàng)新層企業(yè)中各隨機抽取10家一共形成30家樣本企業(yè)，目的是基于數(shù)據(jù)包絡(luò)分析模型進行信用風(fēng)險分類，為京津冀一體化背景下中小企業(yè)信用分級評價和分類監(jiān)管提供理論方法借鑒。本文數(shù)據(jù)來源于Wind數(shù)據(jù)庫。為了使30家企業(yè)具有典型的樣本代表性，我們采用了分層抽樣方法，即先將總體劃分為子總體(或者稱之為層)，再從不同層中隨機抽取樣品(個體)。分層抽樣的優(yōu)勢是將科學(xué)分組法與隨機抽樣法結(jié)合在一起，對總體進行劃類分層增大各層中個體特征的共同性，減小各抽樣層變異性的影響，層內(nèi)隨機抽樣實現(xiàn)所抽取的樣本具有足夠的代表性。為了減小抽樣誤差，分層抽樣的基本原則是增加層內(nèi)的同質(zhì)性和層間的異質(zhì)性。因此在具體抽樣時，我們先將1217家創(chuàng)新層企業(yè)按京津冀地域分層，再進一步按照營業(yè)收入這一規(guī)模特征分層，以營業(yè)收入中位數(shù)值為錨劃分子層，然后從不同的子層中獨立、隨機地抽取樣本。

信用風(fēng)險評估變量，輸入變量意味著該比率越小越好，相對而言，輸出變量則是該比率越大越好，表示在既定的輸入之下，得到最大的輸出；或是在既定的輸出條件下盡量減少輸入。本文認為企業(yè)信用風(fēng)險的本質(zhì)是資金效率，那些陷入財務(wù)困境的高信用風(fēng)險企業(yè)的共同“生命特征”是資金效率低下乃至資金鏈岌岌可危。以此觀點作為根本出發(fā)點，我們圍繞債務(wù)與結(jié)構(gòu)、造血能力、盈利與成長三個維度構(gòu)建了企業(yè)信用風(fēng)險評價指標體系，具體如圖1所示。本文中的輸入指標構(gòu)建，首先是資產(chǎn)負債率，這是反映企業(yè)負債水平的核心指標；其次是固定資產(chǎn)百分比，用固定資產(chǎn)占總資產(chǎn)的比重來代表企業(yè)的財務(wù)結(jié)構(gòu)以辨別輕資產(chǎn)企業(yè)還是重資產(chǎn)企業(yè)；最后是借款依存度，用長短期借款與凈資產(chǎn)之比來衡量，反映單位股東投入下所背負的債務(wù)規(guī)模。本文中的輸出指標構(gòu)建，首先是流動比率來代表中小企業(yè)的償債能力；其次是“現(xiàn)收比”指標，我們用銷售商品、提供勞務(wù)收到的現(xiàn)金與營業(yè)收入之比來代表中小企業(yè)的造血能力；最后，我們用應(yīng)收賬款周轉(zhuǎn)率來代表企業(yè)經(jīng)營效率。京津冀科技型中小企業(yè)信用值評估的輸入變量和輸出變量如表1所示。

圖1 企業(yè)信用風(fēng)險評價指標體系

表1 京津冀中小企業(yè)信用值評估的輸入變量和輸出變量

續(xù)表

五、信用風(fēng)險定量測算結(jié)果與分析

我們基于DEAP軟件，對隨機抽樣的京津冀30家樣本企業(yè)進行了信用風(fēng)險測算，對模型輸出結(jié)果乘以100得到樣本企業(yè)的信用值，如圖2所示。我們計算得到每個企業(yè)的信用分值，按照信用風(fēng)險狀況由低到高將樣本企業(yè)分為四類：信用風(fēng)險低(A類)、信用風(fēng)險一般(B類)、信用風(fēng)險較高(C類)、信用風(fēng)險很高(D類)。如圖2所示，我們以信用值得分為100分的7家企業(yè)歸為信用風(fēng)險A類，信用風(fēng)險低的企業(yè)占隨機抽取的樣本總量的23%，其中天津4家、北京3家；以信用值得分60～100分之間的2家企業(yè)歸為信用風(fēng)險B類，信用風(fēng)險一般的企業(yè)占樣本總量的7%，其中天津1家、北京1家；以信用值得分40～60分之間的2家企業(yè)歸為信用風(fēng)險C類，信用風(fēng)險較高企業(yè)占樣本總量的7%，其中河北1家、北京1家；以信用值得分40分以下的19家企業(yè)歸為信用風(fēng)險D類，信用風(fēng)險很高企業(yè)占樣本總量的63%，其中天津5家、河北9家、北京5家。在本案例樣本范圍之內(nèi)可以觀察出的情況是，科技型中小企業(yè)信用風(fēng)險狀況不容樂觀。

圖2 京津冀科技型中小企業(yè)信用值評分結(jié)果

根據(jù)數(shù)據(jù)包絡(luò)分析模型計算的結(jié)果，7個決策單元一起構(gòu)成信用值的包絡(luò)前沿面，其他23個決策單元的信用風(fēng)險相對較大，河北省的新三板樣本企業(yè)信用值得分均低于50分，平均值僅為21.96分。究竟是什么原因，導(dǎo)致這些新三板企業(yè)與效率包絡(luò)面上的決策單元出現(xiàn)顯著差距? 上述差距有多大? 如何通過有效的信用風(fēng)險管理使之加以改進? 通過投影值分析可以解決上述問題。我們將 DEAP 軟件的一部分運行結(jié)果整理成表2。首先從輸入變量角度進行分析，決策單元T9資產(chǎn)負債率偏高；決策單元T8、H11、H17財務(wù)結(jié)構(gòu)有缺陷，固定資產(chǎn)占總資產(chǎn)的比重過高；借款依存度過高，導(dǎo)致絕大部分新三板企業(yè)信用風(fēng)險較高。河北省的樣本企業(yè)除了H13之外，其他所有企業(yè)的借款依存度指標表現(xiàn)不佳，這是河北省的樣本企業(yè)信用值總體偏低的根本原因。流動比率指標表現(xiàn)較差，也是絕大部分新三板企業(yè)信用風(fēng)險高的重要原因。河北省的樣本企業(yè)除了決策單元H12之外，其他所有企業(yè)的流動比率指標較差，這是河北省的樣本企業(yè)信用值總體偏低的又一原因。一些決策單元(T2、T9、H15、H20、B30)造血能力不足，現(xiàn)收比指標表現(xiàn)較差。從表2可以看出，50%的河北省樣本企業(yè)應(yīng)收賬款周轉(zhuǎn)率指標表現(xiàn)較差，該因素是上述企業(yè)拉低信用值的最為突出的薄弱環(huán)節(jié)。

表2 京津冀中小企業(yè)信用值的松弛變量和剩余變量

續(xù)表

為了進一步研究京津冀區(qū)域科技型中小企業(yè)信用風(fēng)險水平的時間序列波動情況，便于對京津冀區(qū)域科技型中小企業(yè)不同年度信用風(fēng)險總體漲落情況進行橫向?qū)Ρ?，我們?015～2020年數(shù)據(jù)為樣本，基于數(shù)據(jù)包絡(luò)分析模型，提出并構(gòu)建了京津冀中小企業(yè)信用風(fēng)險指數(shù)。指數(shù)具有相對性，是用來描述社會經(jīng)濟現(xiàn)象動態(tài)波動的相對數(shù)，可以用來測度一個變量在不同時間或不同空間的相對變化。指數(shù)具有綜合性，它是由一組變量或項目多年度的變化數(shù)值綜合對比形成的。指數(shù)具有平均性，兩個綜合量對比形成的指數(shù)反映了個別量的平均變動程度。編制中小企業(yè)信用風(fēng)險指數(shù)時，我們首先計算出2015～2020年京津冀科技型中小企業(yè)的信用值；接下來我們按照地域特征進行分組，計算出河北省、天津市、北京市科技型中小企業(yè)的信用水平波動的平均值；最后我們以100作為標桿進行數(shù)值逆轉(zhuǎn)，以逆轉(zhuǎn)值作為中小企業(yè)信用風(fēng)險指數(shù)值，具體情況如圖3、圖4、圖5所示。

圖3 2015～2020年河北省科技型中小企業(yè)信用風(fēng)險指數(shù)

圖4 2015～2020年天津市科技型中小企業(yè)信用風(fēng)險指數(shù)

圖5 2015～2020年北京市科技型中小企業(yè)信用風(fēng)險指數(shù)

第一，河北省科技型中小企業(yè)信用風(fēng)險總體高于天津市和北京市的企業(yè)。這一現(xiàn)象的深層次原因可以從表2中找到：河北省樣本中90%的科技型中小企業(yè)流動比率指標與北京市和天津市相比偏弱；90%的中小企業(yè)現(xiàn)收比指標與北京市和天津市相比偏弱；50%的中小企業(yè)應(yīng)收賬款周轉(zhuǎn)率指標與北京市和天津市相比偏弱。對標北京市和天津市科技型中小企業(yè)，河北省企業(yè)信用監(jiān)管部門的重點工作方向是著力引導(dǎo)中小企業(yè)在流動比率、現(xiàn)收比、應(yīng)收賬款周轉(zhuǎn)率等指標優(yōu)化上發(fā)力，通過轄區(qū)內(nèi)中小企業(yè)整體提質(zhì)增效來改進河北省總體企業(yè)信用風(fēng)險指數(shù)表現(xiàn)。

第二，2015～2017年京津冀科技型中小企業(yè)信用風(fēng)險曾經(jīng)都呈現(xiàn)出不斷下降的良好趨勢。國家金融與發(fā)展實驗室(NIFD)數(shù)據(jù)顯示，截至2015年底我國債務(wù)總額為168.48萬億元，全社會杠桿率為249%。分結(jié)構(gòu)來看，居民部門債務(wù)率為40%、金融部門為21%、政府部門為40%。非金融企業(yè)部門債務(wù)率高達131%，比2014年增加7個百分點，這表明非金融企業(yè)部門加杠桿的趨勢非但沒有得到有效的遏制，反而呈現(xiàn)進一步加劇的態(tài)勢。針對這種情況，2015年12月的中央經(jīng)濟工作會議提出“去產(chǎn)能、去庫存、去杠桿、降成本、補短板”五大任務(wù)。圖3至圖5表明去杠桿政策有效，2015～2017年京津冀科技型中小企業(yè)的信用風(fēng)險畸高的狀況得到了有效控制。

第三，2017～2018年京津冀科技型中小企業(yè)信用風(fēng)險出現(xiàn)了再次飆升。2017年開始，特朗普政府挑起了又一輪中美貿(mào)易摩擦。總體來看，中美貿(mào)易摩擦對于我國本身深層次結(jié)構(gòu)性改革總方向和國有企業(yè)本質(zhì)上難有較大撼動，但對于在我國的跨國企業(yè)以及我國科技型中小企業(yè)確實造成了經(jīng)營上的巨大壓力和沖擊。中美貿(mào)易摩擦對中小企業(yè)的供應(yīng)鏈、人員收入、市場份額、研發(fā)投入、發(fā)展戰(zhàn)略等都產(chǎn)生了重要影響。一些企業(yè)將勞動密集型生產(chǎn)工廠轉(zhuǎn)移至東南亞國家，導(dǎo)致我國一些中小型企業(yè)逐漸失去了在傳統(tǒng)產(chǎn)業(yè)的競爭優(yōu)勢。另外，一些投資人改變投資計劃不愿將富裕資金注入中小型企業(yè)，導(dǎo)致一些企業(yè)資金鏈斷裂，融資失敗。從圖3至圖5還可以看出，除北京市外，天津市和河北省的中小企業(yè)信用風(fēng)險指數(shù)在新冠肺炎疫情之后再次出現(xiàn)了上升趨勢。這說明在新冠肺炎疫情的背景下，科技型中小企業(yè)的盈利水平和償債能力再次出現(xiàn)了變?nèi)醯念A(yù)警信號。

六、結(jié)論及政策建議

(一)結(jié)論

社會信用體系建設(shè)是推進國家治理體系和治理能力現(xiàn)代化的重要內(nèi)容，只有實施企業(yè)信用風(fēng)險分類管理，才能推動監(jiān)管更加精準有效。本文以京津冀科技型中小企業(yè)的數(shù)據(jù)進行分層抽樣，以數(shù)據(jù)包絡(luò)分析方法為工具，對科技型中小企業(yè)的信用風(fēng)險進行分類測算分析。結(jié)果顯示：信用風(fēng)險低的A類企業(yè)占比23%；信用風(fēng)險一般的B類企業(yè)占比7%；信用風(fēng)險較高的C類企業(yè)占比7%；信用風(fēng)險很高的D類企業(yè)占比63%(其中天津5家、河北9家、北京5家)。可以看出，京津冀科技型中小企業(yè)的信用風(fēng)險總體狀況不容樂觀。同時，本文基于數(shù)據(jù)包絡(luò)分析方法提出并設(shè)計了中小企業(yè)信用風(fēng)險指數(shù)。信用風(fēng)險指數(shù)的波動表明：在去杠桿的宏觀政策推動下，2015～2017年科技型中小企業(yè)的信用風(fēng)險畸高的狀況得到有效控制；在中美貿(mào)易摩擦等因素影響下，2017～2018年科技型中小企業(yè)信用風(fēng)險出現(xiàn)了飆升；2019～2020年京津冀科技型中小企業(yè)的信用值再次出現(xiàn)了變?nèi)醯念A(yù)警信號。信用風(fēng)險指數(shù)的波動具有良好的風(fēng)向標作用，可以較好地觀測中小企業(yè)信用風(fēng)險在不同時間或不同空間的相對變化。

(二)政策建議

第一，從政府監(jiān)管部門層面看，本文測算的分類結(jié)果可以應(yīng)用于市場監(jiān)管系統(tǒng)各業(yè)務(wù)領(lǐng)域?qū)ζ髽I(yè)的監(jiān)管工作，作為配置監(jiān)管資源的參考依據(jù)。本文引入的數(shù)據(jù)包絡(luò)分析信用風(fēng)險評價可使監(jiān)管部門的政策和執(zhí)法工具箱更加豐富，有助于增強政府監(jiān)管的針對性和有效性，降低監(jiān)管成本。以信用值得分實現(xiàn)差異性監(jiān)管，賦能信用監(jiān)管效能提升。在信用值精準測算的基礎(chǔ)上通過差異化監(jiān)管措施，真正做到監(jiān)管行為對誠信經(jīng)營者“無事不擾”、對違法失信者“無處不在”。本文建議京津冀區(qū)域盡快形成所有企業(yè)信用信息的統(tǒng)一歸集、存儲、共享；建議建立京津冀信用風(fēng)險動態(tài)評估機制，開展季度、年度信用風(fēng)險分類評價、分類監(jiān)管并實現(xiàn)預(yù)警獎懲。

第二，從銀行等金融機構(gòu)和信用評級中介機構(gòu)層面看，本文的研究方法和編制的中小企業(yè)信用風(fēng)險指數(shù)，能夠為中小企業(yè)信用評價標準化問題研究提供有益借鑒。銀行、擔保公司等金融機構(gòu)以及信用評級中介機構(gòu)，應(yīng)當不斷豐富企業(yè)信用風(fēng)險評估的方法體系，建議基于數(shù)據(jù)包絡(luò)分析模型、熵值法模型等非參數(shù)方法進行企業(yè)信用風(fēng)險評估，提升中小企業(yè)信用評級的科學(xué)性。

第三，從科技型中小企業(yè)自身層面看，建議不斷豐富企業(yè)信用風(fēng)險管理的方法體系，通過引入數(shù)據(jù)包絡(luò)分析等方法測算和監(jiān)控供應(yīng)商以及企業(yè)自身信用值，針對低風(fēng)險和重點領(lǐng)域信用風(fēng)險實施對標管理。借助數(shù)據(jù)包絡(luò)模型中的投影值分析，找到增大企業(yè)信用風(fēng)險的短板性指標，通過信用預(yù)警管理不斷提升企業(yè)信用值。建議科技型中小企業(yè)通過觀測分析區(qū)域和行業(yè)信用風(fēng)險指數(shù)的波動情況，進行科學(xué)的投資和經(jīng)營決策。