中小企业评价信用风险论文范文

一、信用评分法

和前两种方法相比，信用评分法是一个量化法最著名的模型就是Z计分模型（Z-score）：它的基本思想是利用数理统计中的辨别方法分析银行的贷款情况，建立一个可以在最大程度上区分信贷风险度的模型，得到最能够反映借款人的财务状况的好坏，具有预测和分析价值的比率，从而对企业进行信用风险状况评估。模型如下：X1=流动资本/总资产；X2=留存收益/总资产；X3=息税前收益/总资产；X4=优先股和普通股市值/总负债；X5=销售额/总资产=主营业务收入净额/总资产。Z<1.8，财务状况较差，信用风险高，拒绝贷款；1.8≤Z≤2.99，为灰色区，误判的概率较大；2.99<Z，财务状况良好，信用风险低，可以贷款。Z-score模型主要是利用财务指标进行加权平均，该模型有2大缺陷：①企业财务数据反映的是过去的信息，利用这些数据进行风险度量的结果也只是对过去风险水平的测量；②中小企业多半不是上市公司，财务指标原始数据获得困难。

二、现代判别法

（一）统计模型法。统计模型法是典型的定量评级法，根据中小企业信用数据，统计模型，计算其违约风险的大小常见的有Logit模型和Probit模型。1、Logit模型。Logit模型是通过一个取值为0和1之间的Logistic函数来进行二类模式分类。不要求数据满足正态分布，这是其最大优点；另外，自变量、因变量之间不是线性关系，模型如下：xk（k=1，2，…m）为信用风险影响变量（多为企业财务指标），ck（k=0，1，2，…，m）为技术系数，通过回归估计获得。回归值p∈（0，1）为中小企业信用风险分析的判别结果。如果p接近于0，则被判定为“差类”企业；若p接近于1，则被判定为“好类”企业。即p值离0越远，企业违约风险越小；反之，违约风险越大。2、Probit模型。Probit模型假定误差项服从标准正态分布，样本企业的债信质量得分也服从标准正态分布。Xi与B分别为解释变量与回归系数构成的向量；Yi*为样本公司有财务危机的倾向。当Yi*>0时，表示样本企业有债务危机倾向；当Yi*<0时，表示无债务危机倾向。统计模型确实可以凭借统计分析提供有参考价值的依据，比较容易在评级效果上取得一致性。但存在两点缺陷：①缺乏有力的理论基础支持区别函数中的权重及自变量。在信用评分模型中的权重及自变量通常只能维持短期的稳定状态，特别是当金融市场发生变化时，其他的财务比率也许在解释违约风险概率上容易造成预测模型的不稳定。②模型忽略了难以计量但又重要的因素，如借款人声誉。

（二）人工智能法。人工智能法主要包含专家系统和神经网络。1、专家系统。专家系统其实是模拟专家运用知识进行推理的计算机程序，将专家解决问题的推理过程再现从而成为专家的决策工具或为非专业决策者提供专业性建议。专家系统一般采用归纳推理法，分析一系列案例，发现其规律。归纳推理有两种途径：一是利用大量案例信息来发现规律的信息驱动型；二是利用先验模型指导来发现规律的意识模型驱动型。利用计算机的人工智能法大大降低了风险评估的难度，但是专家系统中知识的获取始终是瓶颈，极大地影响着专家系统在信用分析领域的应用前景。2、神经网络（PNN）。神经网络是一种具有模式识别能力、自组织、自适应、自学习特点的计算机制，该方法主要将知识编码用于整个权值网络，具有包容错误的能力，同时对数据的分布没有严格要求，也不必要详细表述自变量与因变量之间的函数关系。该模型原理是通过神经网络的分类功能进行信用风险分析的。首先找出影响分类的因素，作为PNN的输入量，然后通过有导师的或无导师的训练形成神经网络的信用风险分析模型，用于新样本的判别。

三、结论

信用风险度量方法大致经历了从定性到定量；从指标分析到模型分析；从财务指标分析到资产市场价值分析；从只考虑公司这个微观客体到把宏观经济因素考虑在内。考虑到我国中小企业大部分为非上市公司，Z-score模型无法普遍推行使用。另外，我国中小企业信用数据库尚不成熟，历史信用数据积累少，质量较差，当前运用现代信用风险度量技术评估我国中小企业信用风险尚不成熟。但是，目前银行单独使用传统分析法，将大部分资金匮乏的中小企业拒之门外，逼迫中小企业求助民间贷款，年利息高达30%。“贷款越来越少，利息越来越高”成了中小企业发展的罩门。因此，度量中小企业信用风险的最有效办法是将传统方法与现代判别法相结合，同时载入财务数据与非财务数据，进行多元统计分析。

作者：赵池北单位：宿迁职业技术学院