摘?要：中小企業(yè)是國民經(jīng)濟的重要組成部分，是推動中國經(jīng)濟增長的重要因素。但中小企業(yè)的融資仍然是制約其發(fā)展的難題。對于中小企業(yè)來說，企業(yè)經(jīng)營者的信用狀況很大程度上決定了中小企業(yè)貸款未來的償還情況，中小企業(yè)主的個人維度信息將作為構(gòu)建信用評價的不可或缺的變量?；诖耍狙芯吭谇叭搜芯康幕A(chǔ)上，建立了Logistics回歸模型，并運用SPSS軟件對90家中小企業(yè)數(shù)據(jù)進行實證分析。研究結(jié)果表明，信用評價模型在預測和準確性上取得了較好的結(jié)果。

關(guān)鍵詞：中小微企業(yè);信用預測;Logistics模型

中圖分類號：F830?文獻標識碼：A?文章編號：1008-4428（2019）11-0133-02

一、 引言

自從1978年以來，我國中小微企業(yè)發(fā)展迅猛。截至2017年底2018年初，全國各類企業(yè)總數(shù)達到了1527.84萬戶。小型微型企業(yè)1169.87萬戶，占比76.57%。

從中可以看到，中小微企業(yè)在國民經(jīng)濟里占了非常重要的地位，是我國經(jīng)濟增長的強勁動力，然而目前中小微企業(yè)的資金支持遠遠不能滿足其發(fā)展的需要，中小微企業(yè)的信用擔保不穩(wěn)定、融資存在高風險是銀行等商業(yè)機構(gòu)不愿意貸款的主要原因。上述問題的本質(zhì)在于當前的中小微企業(yè)信用評價體系不能夠很好地反映其信用水平，這是中小微企業(yè)融資困難的一個重要原因。故，當前需要建立一個合理的中小微企業(yè)信用評價體系。

本文對中小微企業(yè)信用評價模型進行研究，分析中小微企業(yè)信用評價的指標，加入了企業(yè)主個人維度指標，構(gòu)建一個評價指標更加完善的中小微企業(yè)Logistics信用評價模型，最后運用SPSS軟件對數(shù)據(jù)進行實證分析，進而完善信用評價體系的相關(guān)研究。

二、 相關(guān)企業(yè)信用評價技術(shù)

在1950之前，主要通過專家自身的經(jīng)驗去評價企業(yè)信用，專家通過閱讀材料結(jié)合經(jīng)驗做出最后的信用評價，這種方式帶有極強的主觀性，造成誤判的也無法避免。到了1960年之后，人們開始采用定性的方法去研究企業(yè)信用評價，特別是統(tǒng)計方法的研究。

從以往的公司經(jīng)營成敗經(jīng)驗發(fā)現(xiàn)，公司的財務信息至關(guān)重要。最早采用公司財務比率進行信用分析的是威廉·H·比弗（1967），他通過將經(jīng)營失?。╢ailure）定義為一個公司無法償付到期債務，根據(jù)這一定義搜集了158 家公司（79 家失敗和79 家非失敗公司）的配對樣本，運用了兩分法檢驗單一財務比率對財務失敗的預測能力。之后，Altman（1968）通過對財務比率等變量采用統(tǒng)計方法進行篩選，建立了多元線性判別式分析模型，即Z-score模型，Z-score模型在預測公司成敗的問題上取得了較好的效果。邁耶和皮弗（1970）首先采用線性概率模型對公司運營失敗進行預測，但是后面發(fā)現(xiàn)該模型在應用上有較大的統(tǒng)計問題。到了1970年后期，學者的研究方向從線性回歸轉(zhuǎn)移到非線性回歸，在預測公司失敗的研究上多采用多元條件概率模型，到20世紀90年代后期出現(xiàn)了一批綜合性的信用評價方法。決策支持系統(tǒng)和多目標決策相繼被提出用于解決有關(guān)定性變量方面的問題。隨著計算機技術(shù)的發(fā)展，專家評估系統(tǒng)和人工神經(jīng)網(wǎng)絡也被逐漸應用到企業(yè)信用評價當中來。

根據(jù)具體狀況不同，采用構(gòu)建中小微企業(yè)信用評價模型的方法也有所不同。國內(nèi)學者也對中小企業(yè)信用評分模型進行了比較和分析，發(fā)現(xiàn)Logistics回歸模型相對于其他方法比較優(yōu)秀。但是在對中小微企業(yè)的信用指標選擇上，學者們多數(shù)集中在企業(yè)的財務信息上，而中小微企業(yè)中有很大一部分是企業(yè)主個人企業(yè)，企業(yè)的信用與企業(yè)主個人相關(guān)性較大，中小微企業(yè)所有者的信用狀況在很大程度上決定了企業(yè)貸款的償還。

綜上，本文在基于公司財務指標的前提下，加入部分企業(yè)主個人的財務指標，運用Logistics模型，評價中小微企業(yè)的信用，這能很好地反映企業(yè)真實的信用狀況。

三、 建模分析

（一）數(shù)據(jù)準備及特征變量選取

根據(jù)我國2011年7月發(fā)布的新的中小企業(yè)劃分標準，報告中將中小企業(yè)劃分為中型、小型和微型三大類。

基于此，本文通過企業(yè)調(diào)查的數(shù)據(jù)得到了90份樣本數(shù)據(jù)，既包含了上市公司，又包含了個體經(jīng)營企業(yè)等。根據(jù)企業(yè)是否拖欠工人工資、客戶貸款和其他債務，以及是否履行合同不力等行為將企業(yè)定義為壞客戶，反之則定義為好客戶。如此，可將得到的數(shù)據(jù)劃分為60個好客戶、30個壞客戶。

本文綜合考慮三大報表，將各報表的數(shù)據(jù)互相結(jié)合、對比。以償債水平、盈利水平、營運水平以及成長水平四個方面維度作為基礎(chǔ)，來構(gòu)建中小微企業(yè)信用評價指標體系。在此基礎(chǔ)上將中小企業(yè)主的收支情況、信用記錄等信息作為變量納入模型，最終我們將38個特征變量作為初選變量選入。其中包括4個企業(yè)特征變量，16個體現(xiàn)企業(yè)內(nèi)部財務狀況的特征變量，18個企業(yè)主特征變量。

通過設(shè)定相關(guān)系數(shù)閾值為0.65，對變量進行相關(guān)性檢驗。變量間相關(guān)系數(shù)大于0.8，可以作為判斷變量間是否具有多種共線性的臨界點。根據(jù)隸屬度以及設(shè)定的閾值，刪除了6個變量，最終結(jié)果保留32個變量進入下一步的Logistics回歸模型。

（二）Logistics結(jié)果

在經(jīng)過上述變量的篩選以及多重共線性處理后，將選入的變量數(shù)據(jù)導入SPSS軟件中做Logistics回歸分析。分別通過向前和向后逐步篩選對選入的變量做進一步的分析和剔除，反復多次之后再運用enter 方法進行再次回歸分析，得到最終的模型結(jié)果。經(jīng)過多種方法嘗試和回歸結(jié)果比較，發(fā)現(xiàn)向前（有條件）方法的回歸結(jié)果較好，但是篩選出來的變量較少，有些較為理想的變量未被選入，故采用enter方法將部分變量強制進入回歸，得到了較好的結(jié)果，如表1所示。

從表1看到部分方程中的變量顯著大于0.05，但從表2可以看到方程的-2對數(shù)似然值為52.086，內(nèi)戈爾科R方的值為0.681大于0.5小于1，可以認為回歸模型的顯著性水平和擬合優(yōu)度良好，霍斯默-萊梅肖檢驗顯著性水平P值為0.997，接近于1，故不應該拒絕原假設(shè)?？梢哉J為樣本實際值得到的分布與預測值得到的分布沒有顯著差異，回歸模型的擬合度較好。

將最終得到的變量及模型回歸系數(shù)帶入LogitP=ln （P1-P）得到Logistic回歸方程：

（三）ROC曲線、AUC值與臨界值的確定

如圖1所示，ROC曲線接近圖的左上角，與對角線的距離較遠，可以判斷該Logistics信用評價模型在區(qū)分好壞客戶上結(jié)果較好。并且可以從表3看到AUC（Area Under the Curve）的值為0.931，接近于1，同樣說明了模型有較強的辨識好壞客戶的能力。

SPSS軟件的默認截斷值是0.5，即若是模型預測值如果大于0.5，則判斷為好客戶;否則判斷為壞客戶。默認的截斷值設(shè)置得過小容易導致較大的誤判，即將會違約的客戶判斷為好客戶的概率變大，這在實際應用中會帶來本金的損失。可以從模型的預測分類表4中看出，本文能夠正確識別壞客戶的比率只有73.3%，但是模型的整體準確率卻能達到84.7%，所以需要ROC曲線來重新確定臨界值。

如表5所示，當預測好客戶的概率為0.4200時，尤登指數(shù)的最大值為0.729，那么該點所對應的尤登指數(shù)值即為臨界值。即在實際應用中模型預測值大于0.729，則判斷為好客戶，反之則為壞客戶。

四、 研究結(jié)果

對于中小微企業(yè)來說，中小微企業(yè)經(jīng)營者的信用狀況很大程度上決定了中小微企業(yè)貸款未來的償還情況，將中小微企業(yè)主的收支狀況、信用記錄等信息作為構(gòu)建企業(yè)信用評價模型不可或缺的變量?；诖耍疚脑诮梃b前人的基礎(chǔ)上，引入了企業(yè)維度變量同時加入了企業(yè)主個人維度的變量，運用SPSS軟件，利用90家中小企業(yè)數(shù)據(jù)構(gòu)建了Logistics回歸模型，比起以往的信用模型在準確性和易用性上有很大的提升。研究結(jié)果表明，模型在主要關(guān)注的目標即識別好壞客戶以及預測方面取得較好的結(jié)果。將來可以將模型進一步拓展，將其開發(fā)成信用評分卡，使得模型在使用上具有更好的簡便性和操作性。

參考文獻：

[1]胡航.企業(yè)信用評價模型的研究與實現(xiàn)[D].西安：西安電子科技大學，2012：121-130.

[2]張金貴，侯宇.基于Logit 模型的中小企業(yè)信貸風險實證分析[J].會計之友，2014（30）：41-45.

[3]劉小龍.基于Logistic 模型的中小企業(yè)財務危機預警研究[D].上海：東華大學，2014：135-139.

[4]鄭玉華，崔曉東.公司財務預警Logit模型指標選擇與實證分析[J].財會月刊，2013（24）：15-18.

[5]王千紅，張敏.我國中小企業(yè)信用違約風險識別的實證研究[J].上海經(jīng)濟， 2017（1）： 91-100.

[6]Miyamoto.M.Credit Risk Assessment for a Small Bank by Using a Multinomial Logistic Regression Model[J].International Journal of Finance & Accounting，2014，3（5）：327-334.

[7]鄧愛民，王珂.中小企業(yè)在供應鏈金融業(yè)務中信用風險評估的實證研究[J].征信，2015（9）：23.

[8]施林麗，李晨宇，季琛.基于Logistic 回歸模型的中小企業(yè)信用評價[J].高師理科刊，2018，38（5）：10-17.

[9]朱艷敏.基于信用評分模型的小微企業(yè)貸款的可獲得性研究[D].蘇州：蘇州大學，2014.

[10]李戰(zhàn)江.微型企業(yè)信用評價指標體系的構(gòu)建[J].技術(shù)經(jīng)濟，2017，36（2）：109-116.

[11]朱艷敏，陳超. Z_score模型最優(yōu)分割點的確定方法比較：基于違約風險預測能力的分析[J].南方金融，2013（8）：74-77.

作者簡介：

李日揚，男，海南澄邁人，北京郵電大學經(jīng)濟管理學院研究生。