李倩楠，孙玉娟

(华北理工大学 管理学院，河北 唐山 063009)



商业银行对微型企业信用风险评价

李倩楠，孙玉娟

(华北理工大学 管理学院，河北 唐山 063009)

关键词:商业银行；微型企业；信用风险；风险评价

摘要:针对我国微型企业融资难问题，根据微型企业特点，从财务因素和非财务因素两个角度出发构建了信用风险评价模型。对于财务指标，采用主成分分析法和Logistic回归分析建立财务因素信用评价模型；对于非财务指标，通过模拟人们在决策行为中的逻辑思维方式，结合多层次模糊综合评价法构建非财务因素信用评价模型。最后将这两种模型有机结合，实现了对微型企业信用风险的量化考核，为商业银行开展微型企业信贷业务提供了可靠的技术支持。

在我国，微型企业对于国民经济增长和社会稳定都发挥着重要作用。据统计，我国小微企业数量已超过5600万户，提供工作岗位约1.5亿个，其中新增岗位占全国就业岗位总数的70%以上，而在这些企业中，微型企业数量已经超过85%。并且，我国中小微企业的国内生产总值已经达到60%，缴纳的税收也占到全国税收总额的50%以上。在看到微型企业广阔发展前景的同时，不可否认，融资难一直是其最大的前进障碍。企业的发展离不开资金的支持，对于微型企业而言，股票、债权等外源融资很难涉及，银行信贷便成为最为直接可行的融资渠道。然而，从银行角度来讲，为避免不良贷款的发生，在面对企业的贷款申请时，银行更多侧重于对其财务状况和抵押担保情况的审核。而我国微型企业即使经营状况良好，但由于其财务制度不健全等原因，也很难从银行获得贷款。鉴于此，国家政府和相关机构相继出台了多项政策。2011年，国家发改委等四部门联合发布《中小企业划型标准规定》，首次引入微型企业的概念，为以后政府出台相应的政策扶持做好铺垫。2012年，《国务院关于进一步支持小型微型企业健康发展的意见》，明确指出了支持微型企业融资的各项具体措施。2015年，工信部颁布《国家小型微型企业创业示范基地建设管理办法》，为小微企业的创立和发展提供良好的环境和条件。从未来发展形势来看，李克强在2015年政府工作报告中着重提出，要推动大众创业、万众创新，使之成为我国经济增长的新引擎，这无疑将为我国微型企业的蓬勃发展注入新的活力。

无论是从国家宏观层面，还是从企业微观角度，微型企业的发展已经成为各界关注的焦点，微型企业的信用风险评价也已被提上议程。因此，深入研究微型企业的特点，剖析影响微型企业信用风险的关键因素，建立一套完善的微型企业信用风险评价体系迫在眉睫。

一、微型企业信用风险评价指标的选取

对于信用风险评价而言，指标体系是模型构建的基础。因此，为保证模型的客观准确性，本文在前人相关研究的基础上，结合微型企业自身发展特点，通过查阅相关文献、借鉴银行贷款审批标准和对微型企业财务人员进行访谈等手段，从财务因素和非财务因素两个角度建立了一套较为完整、合理、高效的信用风险评价指标体系。

(一)财务指标体系

财务指标可以在一定程度上反应出企业的经营管理状况。本文选取出了14个财务指标，主要涉及企业的偿债能力、盈利能力、营运能力和成长能力四个方面，具体财务指标见表1。

表1　财务指标

1偿债能力

偿债能力就是偿还欠款的效率，一个企业信用风险的大小主要取决于其偿债能力。因此，该项指标也就成为商业银行对于申请贷款企业最关心的核心问题。就微型企业而言，考虑到其自身发展特点和实际指标获取情况，本文选取流动比率、速动比率和现金比率反应其短期偿债能力，用资产负债率和产权比率评价其长期偿债能力。

2盈利能力

盈利能力即企业在有一段时间的经营活动中获取利润的能力，利润做为企业偿还债务的重要来源，自然也是债权人关心的重要问题。盈利能力通常以利润率的形式表现为企业收益水平的高低，本文选取销售净利率、总资产收益率和股东权益收益率三个指标衡量企业的盈利能力。

3营运能力

营运能力即企业对多项经济资源进行综合运用和管理的能力，主要体现在企业资金的使用效率和运行周转情况，具体评价指标包括流动资产周转率和总资产周转率。

4成长能力

成长能力不是对企业当前状况的反应，而是对其未来发展好坏程度的预测，是反映企业信用状况的一个间接指标，同时也是必不可少的指标。对于商业银行而言，判断企业的成长能力有利于预测企业未来的盈利能力。企业的成长能力越强，未来盈利水平就越高，银行越乐于向其放贷。体现企业成长能力的指标有销售收入增长率、净利润增长率、总资产增长率和净资产增长率。

(二)非财务指标体系

由于微型企业的财务制度不透明，对于企业信用风险的评价仅靠财务指标比较片面，因此有必要选取一些非财务指标，从定性的角度考察企业的信用状况，具体非财务指标见表2。

1企业素质

从银行角度来讲，用非财务指标衡量一个企业的信用风险，首先要从企业自身出发，考察它的基本特征，包括企业的基本素质和信用状况。

2高层人员特征

企业的信用风险与高层人员的特征高度相关。尤其对于微型企业而言，组织架构较简单，可能一人同时担任多个职位，企业未来发展方向和运营模式更多由一个或少数几个人决定。因此，有必要将高层人员素质等基本特征纳入到对微型企业的信用风险评价中，主要包括主要出资人特征和高层管理者特征。

3外部环境

用非财务指标评价微型企业的信用风险，除了考察企业自身和企业内部人员状况外，还要注意企业外部宏观环境这一企业不可控因素的影响，具体包括国家相关政策、行业景气度和区域发展情况。

表2　非财务指标

二、微型企业信用风险评价模型的构建与效果分析

针对财务指标，需要通过样本企业的财务数据构建模型。为此，本文通过国家税务系统随机抽取出59家微型企业在2013年和2014年的财务报表，剔除关键数据缺失的企业，最终剩余52家微型企业，并根据表1计算这52家微型企业2014年的财务指标值。以问卷调查的方式，通过咨询商业银行资深信贷专家和审计人员，以信用风险为评价目的，将样本企业的财务状况分为两类：财务状况良好和财务状况较差。经统计，52家样本企业中，有45家财务状况良好，7家财务状况较差。

(一)财务因素信用风险评价——基于主成分分析法和Logistic回归分析

对于微型企业财务因素信用风险评价，本文采用二元Logistic回归分析。该模型能够计算出企业的违约概率，即信用风险值，便于与企业非财务因素的信用风险值结合，最终得出企业信用风险的综合得分。

在运用Logistic回归分析时，如果将上文选取的财务指标全部引入，会增加模型的复杂程度，不利于应用。同时，Logistic回归分析要求各指标不能共线，而本文基于全面性原则选取的财务指标，或多或少都会有多重共线问题。所以，在二元Logistic回归分析之前，需要将财务指标降维，提取出对企业信用风险影响程度较大的几个成分，并保证各成分的相互独立性。本文利用SPSS18.0软件对财务指标进行主成分分析。

1主成分分析法

(1)KMO和Bartlett球形度检验

对52家企业进行KMO和Bartlett球形度检验。输出结果显示，样本的KMO统计量的取值为0.518，大于0.5，Bartlett球形度检验的Sig.的值为0，小于0.05。所以，样本企业的数据适合进行主成分分析。

(2)确定主成分的个数和抽取原则

对于主成分的抽取方法，本文选取特征值大于1、累计方差贡献率大于80%的原则，输出结果见表3。

提取方法：主成份分析。

从上表可以看出，前6个主成分的特征值都是大于1的，这些主成分的累计方差贡献率为80.387%，大于80%，即6个主成分能够解释原始数据信息的80.387%。因此，本文提取6个主成分，分别记为H1,H2,H3,H4,H5,H6。

表3　解释的总方差

(3)写出主成分表达式

(1)

其中，成分矩阵见表4，6个主成分的特征值即为表3初始特征值的合计数。

表4　成份矩阵a

a. 已提取了 6 个成份。

根据主成分的系数矩阵写出相应主成分的计算公式：

H1=0.530*x1+0.530*x2+0.530*x3-0.002*x4-0.009*x5-0.005*x6-0.170*x7+

0.023*x8-0.201*x9-0.235*x10-0.106*x11+0.140*x12-0.015*x13-0.044*x14

(2)

H2=0.222*x1+0.222*x2+0.222*x3-0.073*x4-0.094*x5+0.001*x6+0.459*x7-

0.122*x8+0.322*x9+0.518*x10+0.197*x11-0.423*x12-0.044*x13+0.149*x14

(3)

H3=0.033*x1+0.032*x2+0.033*x3-0.074*x4+0.703*x5+0.006*x6+0.019*x7-

0.107*x8+0.063*x9+0.089*x10+0.068*x11+0.052*x12+0.679*x13-0.071*x14

(4)

H4=0.033*x1+0.032*x2+0.033*x3-0.071*x4-0.007*x5-0.153*x6-0.136*x7+

0.550*x8+0.309*x9+0.129*x10+0.423*x11+0.157*x12-0.074*x13-0.571*x14

(5)

H5=0.016*x1+0.015*x2+0.015*x3-0.107*x4-0.048*x5-0.032*x6-0.333*x7-

0.424*x8+0.399*x9-0.107*x10+0.502*x11+0.359*x12-0.083*x13+0.369*x14

(6)

H6=0.011*x1+0.010*x2+0.011*x3+0.697*x4+0.004*x5-0.700*x6-0.033*x7-

0.035*x8-0.009*x9+0.028*x10+0.053*x11-0.056*x12+0.078*x13+0.092*x14

(7)

其中，xi(i=1,2,…,14)为各财务指标值。

2) Logistic回归分析

(8)

其中，P为企业信用状况良好的概率，Hi(i=1,2，…，6)为财务指标的主成分，β0为常数，βi(i=1,2，…，6)为主成分的系数。

根据公式2-公式7计算各企业6个主成分得分，再利用SPSS18.0，令主成分以向前步进(条件)的方式进入模型，以0.6为阈值，将最大迭代次数设定为50次。

结果显示，在12次迭代后，模型的Cox & Snell R方为0.417，NagelkerkeR方为0.763，拟合效果较好。最终只有变量H1进入模型，其显著性水平为0.011，在0.05的水平上显著，并且β0=4.216，β1=-0.138，带入公式8得，

(9)

对于模型的预测效果，在7家信用状况较差的企业中，模型准确预测6家，预测准确率达到85.7%；在45家信用状况良好的企业中，模型准确预测44家，预测准确率达到97.8%。模型综合预测准确率为96.2%，预测效果比较好。

(二)非财务因素信用风险评价——基于层次分析法和模糊综合评价法

企业的非财务指标多为定性指标，为了能够通过这些指标较为客观的反映非财务因素对微型企业信用风险的影响，本文首先利用层次分析法来确定指标权重，然后用模糊综合评价法来评价非财务因素对企业信用风险的影响。此外，一级财务状况指标在整个指标体系中的权重也利用层次分析法来确定。

1层次分析法确定指标权重

(1)构造判断矩阵

本文采用问卷调查的方式对中国农业银行、中国建设银行、中国工商银行的10位信贷专家进行咨询，利用Satty1-9标度法得出各级指标判断矩阵。以专家M对一级指标相对重要性判断为例，最终形成的判断矩阵为：

(2)计算各层指标的排序权向量并做一致性检验

1对于矩阵A，利用方根法计算每个指标的权重，

(10)

(11)

3计算判断矩阵的最大特征根λmax,

(12)

4一致性检验

对判断矩阵进行一致性检验，基本公式有两个；

(13)

其中，CI为一致性指数，当CI0.1时，判断矩阵基本完全一致，各元素权重可以接受；当CI>0.1时，判断矩阵不完全一致，需要调整和修正，直到新的判断矩阵基本完全一致为止。

(14)

表5　RI取值表

所以，矩阵A基本完全一致，认为一级指标权重合理，可用。

以同样方法，分别计算出其他各指标的权重，并做一致性检验。经计算，所有判断矩阵均基本完全一致，则认为各级指标权重合理。

(3)群决策

按照上述两步，根据其他9位专家的判断矩阵，分别计算出各指标的权重，并计算这10组指标权重的算术平均数，最终得出，财务因素对微型企业信用风险的影响程度为0.396 0，非财务因素的影响程度为0.604 0(0.354 3+0.153 0+0.096 7)。若将财务因素对微型企业信用风险的影响剔除，将非财务因素的影响程度记作1，则形成的新的非财务因素各指标权重见表6。

表6　非财务因素各指标权重

2模糊综合评价法

(1)确定评价因素论域

根据表2可以确定：一级评价因素论域U={u1,u2,u3}={企业素质，高层人员特征，外部环境}；二级评价因素论域U1={u11,u12}={企业基本素质，企业信用状况}，U2={u21,u22}={主要出资人特征，高层管理者特征}，U3={u31,u32,u33}={国家相关政策，行业景气度，区域发展情况}；依此类推，列出三级评价因素论域。

(2)确定评语等级论域

本文结合微型企业的特点，将各指标的评语分为5级，依次为A级、B级、C级、D级、E级。其中，A级表示企业信用最高，E级表示企业信用最低。

(3)计算各评价因素权重，写出相应排序权向量

(4)建立模糊关系矩阵

(15)

(5)对模型各级指标进行综合评价

(16)

其中， X'°R'称为合成算子，本文采用幂平均算子，其基本公式为：

(17)

按照上述方法，对其他所有三级指标进行综合评价，得出一级综合评价结果。利用一级综合评价结果构造二级指标的模糊关系矩阵，然后仿照上述第(3)、(5)步得出二级综合评价结果。以此类推，计算出三级综合评价结果Y=(y1,y2,y3,y4,y5)，即模型最终的综合评价结果。

(6)计算评价对象的综合得分

将各评语等级分别赋值：A级-100；B级-80；C级-60；D级-40；E级-20。最终评价结果

C=100y1+80y2+60y3+40y4+20y5

(18)

(三)信用风险综合评价及模型效果分析

运用加权平均算法综合评价信用风险。根据上文已经确定的财务指标和非财务指标权重0.3960和0.6040，结合公式1、公式8和公式19，得出微型企业信用风险的综合得分为，

F=0.3960*100P+0.6040C

(19)

将公式19整理得，

F=39.6P+0.604C

(20)

为了检验模型的预测准确率，本文调取5家商业银行共30家微型企业的相关资料。通过运用本文模型，统计显示，有24家没有违约和2家出现违约的企业预测正确，准确率达到86.67%，预测效果较好。

三、结论

本文对于微型企业信用风险的评价，首先从财务状况、企业素质、高层人员特征和外部环境四个角度构建了指标体系。为了充分发挥定量指标的客观性和真实性，减少人为因素干扰，本文对定量和定性指标分别建模：对于财务指标，采用主成分分析法和Logistic回归分析建立财务因素信用评价模型；对于非财务指标，通过模拟人们在决策行为中的逻辑思维方式，结合多层次模糊综合评价法构建非财务因素信用评价模型。最后将这两种模型有机结合，实现了对微型企业信用风险的量化考核，为商业银行开展微型企业信贷业务提供了可靠的技术支持。

此外，从模型中的具体指标可以看出，企业的财务状况对其信用风险的影响程度最大，但仍没有达到绝对控制地位，其原因在于：微型企业一般成立时间较短，处于创业初期，各方面发展不稳定，加上其信息不透明，财务数据并不能完全反映企业的信用状况。因此，商业银行在办理微型企业信贷业务时，要深入挖掘企业的非财务信息，有必要时，可建立微型企业信息库，以便全面、实时掌握企业客户的发展动态。从非财务指标中还可以看出，企业的纳税情况、还贷情况、还账情况、主要出资人的持股比例合理性及其个人信用情况是企业自身的可控因素。微型企业为能够从银行顺利获得贷款，首先应从这几个方面加强企业自身建设。

参考文献：

[1]国家工商总局全国小型微型企业发展报告课题组. 全国小型微型企业发展情况报告[EB/OL]. http://www.saic.gov.cn/zwgk/tjzl/zxtjzl/xxzx/201403/t20140331_143497.html...，2014-3-31.

[2]鲁成. 商业银行的中小企业信用风险评价方法研究-以机械制造行业上市公司为例. 南京：南京航空航天大学，2012.

[3]过新伟. 我国中小企业信用风险度量研究. 天津：南开大学，2012.

[4]庄涛. 商业银行小微企业信用风险评价研究. 西安：西安科技大学，2013.

[5]徐志春. 我国商业银行中小企业信用风险管理研究. 武汉：华中科技大学，2012.

[6]楼来来. 基于AHP-FEC模型的小企业信用风险评价方法. 杭州：浙江工业大学，2013.

[7]A. A. West. An Alterative Approach to Predicting Corporate Bondations . Journal of Accounting Research,1970,(7):118-127.

[8]Altman, Haldeman, Narayanan. ZETA Analysis: A New Model to Identify Bankruptcy Risk of Corporations . Journal of Banking and Finance, 1977(1): 29-54.

[9]Bernd Engelmann, Evelyn Hayden, Dirk Tasche. Testing Rating Accuracy. www.risk.net, January 2003,Risk.

Abstract:Aiming at the problem of financing difficult of miniature enterprises in China and based on the characteristics of these companies, this article selects financial and non-financial factors, and finally builds a credit risk evaluation model. For the financial indicators, principal component analysis and Logistic regression analysis are adopted to establish the credit evaluation model of financial factors; for non-financial indicators, through simulating the logic way of thinking during people's decision-making behavior, this article combines with multi-level fuzzy comprehensive evaluation method to build credit evaluation model of non-financial factors. The combination of the two models in the end implements the quantitative assessment of microenterprise credit risk, and provides reliable technical support for carrying out microenterprise credit business of commercial banks.

Credit Risk Evaluation of Miniature Enterprises in Commercial Banks

LI Qian-nan, SUN Yu-juan

(College of Management, North China University of Science and Technology, Tangshan Hebei 063009, China)

Key words:commercial bank; miniature enterprise; credit risk; risk evaluation

中图分类号：F832.42

文献标识码：A

文章编号：2095-2708(2016)01-0045-08