董立武 对外经济贸易大学统计学院在职人员高级课程研修班学员

中小企业作为国家经济发展的主要力量，尤其是推动经济发展与处理就业问题方面起到较大优势。可是在企业发展过程中给予金融服务提出更为严格的需求，表现出显著的融资难的问题。现阶段处于资本市场欠发达的金融机制环境中，间接融资可以作为中小企业最佳的融资渠道。然而因为中小企业贷款风险比较大，所以商业银行需要加大力度支持中小企业的信贷发展。信用评分模型主要是评估中小企业贷款申请的相关内容，在很大程度上可加快企业信贷发展脚步，如何把信用评分模型科学的应用在中小企业信贷评估中，为中小企业持续化建设提供保障是重点内容，为此笔者进行具体分析。

一、信用评分模型基础概述

信用评分模型主要是对企业拖欠贷款对项目进行可能性模型预测，通过统计方法给予相同类型的贷款申请者的特征进行研究，识别能够对偿还贷款产生影响的关键性指标，同时结合指标与信用风险之间的关系进行权重赋予。分数往往在1-100之间，风险程度与分数的高低呈现正比关系。如果申请者的分数较高，银行将会批准申请项目，反之会拒绝申请项目。如果申请者分数位于“灰色”区域，信贷员将运用传统手段评估申请者，走进企业进行深层次的调查。信用评估模型结合企业的现有财务情况与欠款支付记录信息等，计算出对应的信用评分。信用评分可通过Score=W1F1+W2F2+`...+WiFi进行表示，（Wi代表第i个指标的权重、Fi是第i个指标值）。

针对信用评分模型类型，包含行为评分模型与神经网络模型。前者是通过统计研究的方法对多变量回归模型进行构造，完成预测企业拖欠贷款的工作。此种评分模型类型涉及线性概率模型、概率单位模型、分类判别模型与对数单位模型。不同之处是：线性概率模型主要指自变量和贷款违约率的线性关系；概率单位模型主要是贷款违约率对累计正态分布结构存有服从倾向；分类判别模型主要是判别贷款申请者的个体风险程度，以高风险形式与低风险形式为主；对数单位模型主要是贷款违约率对逻辑分布结构呈现服从倾向。后者是贷款评估过程中应用人工智能系统，借助一定的学习过程明确贷款者自身是否和贷款拖欠存有关系，自动化判别影响预测结果的关键性因素。通常而言，神经网络模型较标准统计模型具备灵活性，由于此种模型不需要假设函数形式与变量的统计变化，处理变量多重共线性项目。在多项指标判别时要思考神经网络模型的运用可行性，全方位凸显神经网络模型的优势。

二、信用评分模型在银行中应用的意义

信用评分技术在银行中的运用，能够最大化地减小银行信贷成本，对信用风险进行防范与控制，推动中小企业贷款的增长，追求企业处理融资难的问题。

（一）信用评分模型可控制贷款中出现信息不对称问题。总体而言，信用评分模型可对贷款申请者的偿债能力进行量化处理，促使银行全方位了解贷款者具备的信用风险程度，进而避免贷款期间产生信息不对称问题。我国的商业银行一直以来受到巨额不良资产的影响，风险大小作为挑选贷款对象的主要因素。商业银行强化贷款风险控制，从根源上掌握贷款风险信息，会导致大多数的中小企业排除在贷款范畴之外。由于在一些商业银行的管理者思想中，中小企业管理规模比较小，具备的信用能力不佳，所以存在着贷款信用风险。此种认知凸显在商业银行的信用等级评定标准中，既增加企业管理规模在信用评级中占据的权重，导致中小企业在评估信用中受到不良因素的影响。运用信用评分模型，预测企业贷款拖欠的可能性，创设完整的评分模型，能够降低主观因素对企业贷款审批产生的影响，客观层面凸显个项指标与信用风险之间的关系。通过信用评分模型进行贷款项目，便于商业银行客观地评价中小企业信用风险，给予各个企业实施针对性的方案。针对信用评分高的企业，商业银行会大力支持，及时进行信用贷款项目。针对信用评分不佳的中小企业，商业银行会谨慎调查，如果对企业放贷，会要求企业提供对应的抵押品。由此控制商业银行对于企业贷款采取疑虑，不放款的应对思路，更多的为中小企业提供资金支撑。

（二）信用评分模型减小银行贷款成本。长期以来，商业银行对中小企业的信贷支持表现出无所作为的局面，最主要的因素是中小企业贷款范围广，银行经营的成本比较高。中小企业运用资金的特征是支付范围广、资金监控难度大与付现金额大，同时经常和商业银行贷款资金的批发规模运作理念新矛盾。针对贷款担保，银行担忧贷款项目过于形式化，找不到对应的担保机构，面临抵押贷款手续存在费用高与变现难的困境。一般来说，中小企业的贷款频率是大规模企业的5倍，银行管理成本也随之增加，影响了银行向中小企业发放贷款的效率。运用信用评分模型之后，绝大多数的工作通过电脑系统智能完成，节约贷款处理时间，便于提升贷款效率，达到减少银行经营成本的目的。

三、信用评分模型在银行中应用的局限性

（一）对数据信息的要求严格。运用的样本信息应该足够多，并且涉及中小企业正常贷款拖欠贷款的信息样本。经济扩张以及萧条情况下的贷款违约率是存在差异的，因此信息要包含经济周期的多个发展阶段。指标以及信用风险的关系存在多样化变动，样本信息应该与时俱进吊证。经常性测试模型，测试期间尽可能不要运用起始信息，在误差足够大时优化模型结构。如果银行运用信用评分模式之后，可把中小企业的信贷业务延伸到更大范围内，使得新的申请者贷款表现和建立模型起始阶段运用的信息一致，不然无法进行正确预测。评分模型自身会给予申请贷款者带来影响，由于其转变贷款群体的管理成本模式，自然而然的影响信用评分模型准确性。

（二）对信贷风险的预测准确程度需要深入争论。对于信用评分模式的具体应用，准确度是最为关键的因素。即便评分模型能够减少企业运营成本，可若预测的信息不够准确，减少的成本一定会被坏账损失抵消。通过大量的贷款信息研究，贷款表现和信用评分模型之间呈现较高相关性，可不代表全部的研究结果均肯定信用评分模型足够准确，因此要关注信用评分模型是否能够保障信贷风险预测的准确性。

四、信用评分模型应用在中小企业信贷评估的相关思考

在运用信用评分模型过程中，应关注规避模型自身的局限性，科学的运用信用评分模型促进企业信贷评估工作，提高中小型企业信贷评估的综合水平。

（一）完善基础信息库，明确信用评分目标。要想在中小企业现在评估过程中运用信用评分模型，个人信用信息的匮乏是首要解决的问题。中小企业贷款的信用风险和业主自身的信用信息是密切相关的，信用评估模型的创设要建立在个体信用信息基础之上，然而我国对个体信用体系的创设处于起始阶段，目前仅仅有部分区域建立个人征信体系，对于全国性的个体信用信息库建立有待完善，此种情况给信用评分模型的运用带来一定困难。所以我国要发挥政府的职能，充分关注个体信用机制的建立。银行自身要注重企业财务数据的整理，优化现有的基础信息库，不同银行的客户群是存在差异特征的，以自身银行基础信息的整理工作为基础，才可更加科学的选取信用评分方法。除此之外，现阶段我国银行内部评分设置总是淡化经济周期的因素，在建立新模型的过程中，不只是要注重贷款者现有的风险，还要注重经济周期的变化趋势。我国银行存在着信息匮乏等相关问题，即便国外大规模商业银行也缺少相对完整的信息库，然而可以把内部评分模型和外部评分模型加以有效匹配，通过外部专业信用评分整理企业信息库。在此期间，要全方位发挥数据共享的优势，从根源上处理基础信息库完善的问题。

（二）制定信息披露评价标准，体现信息资料的真实性。信用评分结合公开披露的数据资料进行处理，可是我国依旧表现出会计凭证编造与财务会计报表虚假的情况，势必会降低信用评分模型应用的准确性。所以制定信息披露评价标准是至关重要的，立足于机制层面，确保企业给银行提供真实的数字信息，同时得到标准化的信用评分。信用贷款研究工作者也要提升真假信息辨别的基础能力，全面培养自身去伪存真的水平。

（三）结合定性与定量方法，强化模型检验。银行面临着授信中小企业财务信息不准确与不充分的困境，银行在企业提供的财务信息报表中难以真正掌握企业经营情况。所以在信用评分模型的运用时要思考定性影响因素。相关人员要关注依赖定性因素与专家判断结果之间的统一性，难以通过评分模型量化风险信息。银行在创建信用评分模型的过程中，要把统计信息当作核心工作，围绕专家判断结果对定性因素进行定量化处理。并且对业务大小与行业因素进行打分卡类型的设置，关注评分结果具备的可比性特征。除此之外，强化模型检验，诸多企业管理情况的变化比较大，应该结合企业信用评分加以时效性调整。检验信用评分结果是提高评分模型运用有效性的一种手段，给予信用评分模型要持续化进行检验，思考信用评分模型是否可反映银行客户的具体信用情况。良好的检验指标是优化信用评分模型的前提条件，因此在模型检验期间应树立相关人员检验意识，及时找到评分模型运用的问题，完善与优化信用评分模型。

（四）设置独立的管理部门，落实信用风险评估工作。在使用评分模型应用中，应该建立相对独立的管理部门，集中化管理风险信息。由于信用评分模型的应用相对广泛，所以在实际运用中要关注政策控制，通过信用评分维护部门与中心管理部门，对用户反馈的信息进行研究，修改信用评分模型的参数，使得信用评分模型运用更为实效。在此期间，信用评分管理部门要凸显政策权威，确保风险数据之间具备可比性。

结束语：综上所述，在我国银行信用风险管理技术的深入发展过程中，中小企业在经济水平提升方面产生显著的作用，商业银行为了更好的整合客户结构与延伸发展空间，要开中小企业客户市场，发挥信用评分技术的优势。在应用信用评分模型时，不只是要建立完整的评分模型，还要关注信用文化的培育，由于信用评分模型仅仅是银行信用风险管理的一个途径，所以商业银行要把信用评分模型当作入手点，加大力度进行信用文化的建设。建立行之有效的信用风险管理方案，把信用评分作用在银行授信政策、贷后管理与资产定价各个业务中，确保信用评分模型建立的效用充分发挥。