郑玉娇

摘要：企业信用评估建模的研究当中构建模型作为核心部分，本文将有关文献研究按照建模方法的思路进行梳理，希望对信用评估建模研究有一个清晰的介绍。

关键词：企业信用评估；建模

一、引言

企业信用评估建模是指借用一些分类方法，从历史数据中学习总结训练模型，从而可以利用经过训练的评估模型来对新的样本公司的未来的信用状况级别进行预测评价。企业信用评估建模的研究当中，构建模型作为核心部分，其方法从基于传统方法到基于人工智能方法。本文将企业信用评估的有关文献研究，按照建模方法的思路进行梳理。

二、基于传统统计方式的单分类器信用评估建模

单分类器就是利用单一的分类方法对企业的信用状况进行区分。传统统计方式的单分类器信用评估模型有Z-score模型、Probit模型、Lagit模型。其中Z-score模型、Zeta判别分析模型是采用Lleast Square Method思想，而Probit模型和Logit模型则与不同，是运用Maximum Llikelihood Method思想。

1.Z-score模型：Z-score模型属于判别公司在经营和财务方面是否有风险的多元判别辨析模型，模型当中包含五个变量：总资产、未分配利润、营运资本、收入、总债务和销售，分辨函数表达式为：Z=0.012IX+0.014IX2+0.033IX3+0.006IX4+0.999IX5。为了检验模型，Ahman将z值的结果与标准普尔或者穆迪等评级机构对企业信用评判结果比较验证模型的有用性。陈静分别利用Z-score模型和Beaver的单变量分析进行信用评估的实证研究，分析结果Z-score模型在信用评估表现出的预测能力更好。陈文俊在研究信用评估建模时，将Z-score模型中的预测变量和结果判断方法进行了修正，利用41家ST公司和对等的非ST公司进行实证分析，检验了模型的有效性。根据z值判别信用风险：

2.Log istic模型：Ohlson率先将Logistic方法构建商业银行使用的评判信用模型。李萌从不良贷款率、T检验、主成分分析组合出发，基于Logistic方式组合建立出判断信用风险的模型。李关政在财务特征中添加系统风险特征因素，结合Logistic构造一种模型用于评判公司的信用风险。

3.Pmbk模型：Probit模型被用于企业信用评估的思想与Logistic模型相似，通过极大似然函数思想获得极大值，然后判别信用级别。Zmijewski运用Probit建模分辨信用类别。高培业和张道奎基于制造业，结合财务指标和Probit模型进行风险评价。蒋亚琦利用我国上市旅游企业的财务数据构建Probit多元信评模型，模型的实证结果预测准确率为73.75%。

三、基于人工智能方法的单分类器信用评估建模

人工智能技术的应用，其用于信用分类的技术获得了长足的发展。这些方法相比较传统的统计模型分类器，可以突破许多数据要求制约。

1.分类树方法：分类树是一种非参数识别技术，叶结点代表样本企业所属类别。张维基于递归分类树建立一种商业银行使用的风险判断模型，实证研究也表明了分类树模型由于统计判别模型。周启清研究了利用Bagging和分类树建立企业信用判别组合模型的实现过程。

2.神经网络方法：Artificial Neural Networks被研究学者引入财务领域的而分类建模。庞素琳利用PNN建立模型用于识别和预警上市公司的信用级别。吴斌卿通过实证分析发现模糊神经网络建立的评估模型比BP-NNS能更好地评判小微企业的信用类别。

3.粗糙集方法：粗糙集在信用風险评价领域的应用研究日趋繁荣。杜婷将粗糙集引入个人信用评估中，利用德国的信用数据进行了实证检验。顾婧借鉴粗糙集思想，构建了VPRS模型来识别新兴技术企业的信用级别类型。

四、结语

人们旨在寻找一种优越的方法或者技术来组合搭建一种有利的模型，从信用类型级别而醍醐出所存在的风险。基于传统的统计方法来建立企业信用类别评判模型时过程会有些简便，但是每类模型都对数据的分布具有一定的约束性要求，因而它们的使用范围受到较大限制。基于人工智能技术来评判公司地信用级别对编程技术有更严格地要求，但是有较好的预测性能，尽管每种方法依旧具有一定的缺陷。企业信用评估的建模研究还有很大的研究空间，将不同的方法进行组合从而来建模将会是以后的研究发现方向。