中小企业信用评价研究文献综述.docVIP

文献综述 （20_ _届） 中小企业信用评价研究 20世纪60年代以来，企业信用评价一直是国际学术界和金融界引人注目的重要研究课题，并在信用的评价方法和实际应用方面取得了长足的进展。本文在仔细参考相关文献后，对国内外信用评价方法主要的研究情况作了概述。 1 信用评价的理论研究概述 国际上常用的信用评价方法主要经历了以下3个阶段的发展： 第一阶段：传统信用评价法。1970年以前，大多数金融机构基本上是依据银行专家的经验和主观分析来评估信用风险的，即专家通过对待评对象的财务、经营、经济环境等信息的分析判断，得出评价结果，并依此将评价对象的信用划分为不同等级。这一时期比较有代表性的分析工具有5C分析法、LAPP法则、CAMPARI分析法。 第二阶段：财务比率综合分析法。主要有杜邦财务分析法和沃尔比重评分法。 第三阶段：基于各种财务指标的信用度量分析模型。这种模型以关键的财务比率为基础，组合在一起并赋予不同的权重，通过模型产生一个信用分值或违约概率，如果这个分数或概率超过一定的值，则受评企业将被视为高风险企业。建立基于财务指标的信用评分的基本模型主要有多元判别分析模型、Logit分析模型、人工神经网络模型等。 2 信用评价的理论研究综述 2.1 国外对信用评价的研究综述 国外对企业信用的研究已经相当成熟，包括定义与概念，解释现象的理论基础，分析模型等。目前，国际上比较流行的信用风险评价模型包括：KMV公司(1993)的EDF模型、J.P.摩根(1997)的以VAR方法为基础的Credit Metrics模型、瑞士银行金融产品部CSFB(1997)的Credit Risk+模型以及麦肯锡公司(1998)的CPV模型等。 而在对中小企业信用风险评价中，国外一般不使用现代信用风险模型，而是广泛采用了基于统计判别方法的预测模型，这些方法都是在Fisher于 1936 年做出的启发性研究之后提出来的。总的来说，这些模型都被表述为一类分类系统，它们接受定义在已选变量集合上的一个随机观测值样本，建立判别函数，进行分类，以多元判别分析法（MDA）和Logit分析法等信用评分模型为主。例如，Beaver（1966）研究并提出了企业信用的单变量模型，通过对失败和未失败企业的对比研究，选取了35个财务指标进行统计分析，得出“现金流量/负债总额”指标最能反映企业信用。A1tman(1968)将逐步多元判别分析法(MDA)应用于财务危机、公司破产以及违约风险分析。以1946—1965年中宣告破产的33家公司作为研究样本的实验组，再按各样本的行业与规模寻找类似的对照公司进行配对比较，选用了22项财务比率，利用逐步多元判别分析法逐步选出5个最具预测能力的财务比率，结合成一个线性模型，这就是后人所熟知的Z值模型。1977年他又将原模型加入两项变量并稍作调整，建立了改进的Zeta判别分析模型。Ohlson(1980)首度将假设条件较为宽松的Logit分析应用于信用风险评估领域，得出有4项财务资料对评估破产概率有明显的影响，如：资产报酬率，规模，短期流动性，资本结构。他以1970-1976年间105家破产公司及2058家正常公司为研究对象，实证结果表明该方法具有较高的正确率。Edward I Altman和Gabriele Sabato(2005)通过使用Logit回归技术对1994-2004年期间超过2000家的美国公司（规模小于6500万美元）的固定样本数据进行分析，为中小企业建立了一种危机预警模型，并通过与普通公司模型的比较，来分析其有效性。 随着信息技术的发展，特别是人工智能模型被引入信用风险中，产生了很多新的信用评价方法。Messier和Hansen(1988)从知识获取角度探讨比较了专家系统在信用风险领域的应用。Odom和Sharda(1990)首次将人工神经网络方法（ANN）引入信用评价，神经网络方法得到研究者和实践者的广泛关注。Odom用A1tman制订的财务指标作为ANN的输入，这些财务指标为：现金流量／总负债、保留盈余／总资产、总负债／总资产、现金流量／销售收入。他们收集了128个样本，破产和非破产的企业各占一半。研究结果为：神经网络对于这些企业的第一类预测准确率在77.8％—81.5％78.6％85.7％Tam和Kiang(1992)利用三层BP神经网络来训练预测模型，根据输入到网络的样本训练出神经网络的一套权值，在网络训练之后，可以将任何新输入公司划分为破产或非破产。 2.2 国内对信用评价的研究综述 2.2.1 信用评价方法方面的研究综述 我国的信用评价发展相对于世界其他国家发展较晚，开始于20世纪80年代末。信用评价方法从最直接的多元回归模型，到线性判别模型、线性概率模型、累积概率模型，再到突破传统统计方法的以人工神经网络、现代金融理论为基