基于数据包络分析法的我国上市中小企业信用评分体系构建与实证研究.docxVIP

基于数据包络分析法的我国上市中小企业信用评分体系构建与实证研究

一、引言

1.1研究背景与意义

中小企业作为我国经济体系的重要组成部分，在推动经济增长、促进创新、增加就业等方面发挥着不可替代的作用。据相关数据显示，中小企业贡献了我国超过50%的税收，创造了60%以上的国内生产总值，提供了80%的城镇就业岗位，数量占企业总数的99%以上，已然成为经济发展和社会稳定的重要支柱。

在经济增长方面，中小企业凭借其经营灵活、市场反应迅速的特点，能够快速捕捉市场需求，及时调整生产和经营策略，为经济增长注入源源不断的动力。以科技创新领域为例，许多中小企业专注于细分领域的技术研发，不断推出具有创新性的产品和服务，不仅推动了自身的发展，也带动了整个行业的技术进步和产业升级。在就业创造上，中小企业以其劳动密集型的特点，吸纳了大量的劳动力，涵盖了从低技能到高技能的各个层次，为缓解就业压力、促进社会稳定做出了巨大贡献。

然而，中小企业在发展过程中面临诸多挑战，其中信用风险问题尤为突出。中小企业普遍存在规模较小、资产有限、抗风险能力较弱的特点。当市场环境发生波动，如原材料价格大幅上涨、市场需求突然下降时，中小企业往往难以承受冲击，导致经营困难，进而影响其按时偿还债务的能力，增加了信用风险。部分中小企业的财务制度不够健全，财务信息的真实性和透明度较低，使得金融机构难以准确评估其信用状况，进一步加剧了中小企业融资难度和信用风险。在融资方面，由于信用风险较高，银行等金融机构在为中小企业提供贷款时往往更为谨慎，设置较高的贷款门槛和利率，使得中小企业融资渠道狭窄，融资成本高昂。

准确评估中小企业的信用状况，对于解决中小企业融资难题、维护金融市场稳定具有重要意义。一方面，科学合理的信用评分模型可以为金融机构提供客观、准确的信用评估依据，帮助金融机构更好地识别中小企业的信用风险，降低不良贷款率，提高金融资源配置效率。另一方面，对于中小企业而言，良好的信用评分有助于增强其在金融市场上的竞争力，拓宽融资渠道，降低融资成本，促进中小企业的健康发展。此外，有效的信用评分体系还有助于规范市场秩序，促进公平竞争，推动整个市场经济的稳定发展。

1.2国内外研究现状

中小企业信用评分一直是学术界和实务界关注的焦点，国内外学者在该领域开展了大量研究，研究方法和模型不断演进。早期研究多基于财务指标，运用传统统计方法构建信用评分模型。随着信息技术的发展和数据挖掘技术的兴起，机器学习、人工智能等方法逐渐被应用于中小企业信用评分研究，为信用评估提供了新的思路和方法。

在国外，中小企业信用评分研究起步较早。Altman（1968）提出的Z-Score模型，通过选取多个财务比率构建线性判别函数，对企业破产风险进行预测，为信用评分研究奠定了基础。该模型在当时具有开创性意义，使得信用评估从主观判断向量化分析迈进。随后，Logit模型、Probit模型等基于统计学原理的方法也被广泛应用于信用评分领域。Logit模型通过对企业违约概率的估计，判断企业的信用状况，其优势在于能够处理因变量为二分类的情况，在信用风险评估中具有较高的准确性。Ohlson（1980）运用Logit模型对企业财务数据进行分析，成功预测了企业的违约风险。

随着金融市场的发展和数据量的增加，机器学习算法逐渐在中小企业信用评分中得到应用。神经网络模型以其强大的非线性映射能力和自学习能力，能够处理复杂的数据关系，在信用评分中展现出较高的精度。West（2000）比较了神经网络模型与传统统计模型在信用评分中的表现，发现神经网络模型在预测精度上具有明显优势。支持向量机（SVM）模型也因其在小样本、非线性问题上的良好表现，被应用于中小企业信用评分。SVM模型通过寻找最优分类超平面，将不同信用状况的企业进行分类，有效提高了信用评估的准确性。

数据包络分析法（DEA）在中小企业信用评分中的应用也逐渐受到关注。DEA方法作为一种非参数效率评价方法，无需预先设定生产函数形式，能够有效处理多输入多输出问题，在企业绩效评价、资源配置效率分析等领域得到广泛应用。在信用评分领域，DEA方法通过构建信用生产前沿面，将企业的财务指标等作为输入，信用评级作为输出，评估企业的信用效率，从而实现对企业信用状况的评价。Seiford和Zhu（1999）首次将DEA方法应用于银行分支机构的效率评价，为DEA方法在金融领域的应用提供了范例。此后，一些学者开始尝试将DEA方法应用于企业信用评分研究。

在国内，中小企业信用评分研究随着市场经济的发展和金融体系的完善不断深入。早期研究主要借鉴国外的理论和方法，结合我国中小企业的特点进行应用和改进。张玲（2004）运用多元判别分析方法，选取我国上市公司的财务数据，构建