陳洪海,王 慧,隋 新

(南京財經大學金融學院,江蘇南京210023)

1 引 言

作為數量最多的企業(yè)群體,小企業(yè)已發(fā)展成為激活市場競爭、促進經濟增長、創(chuàng)造就業(yè)機會的關鍵力量.小企業(yè)的經營發(fā)展與技術創(chuàng)新產生了強烈的外部融資需求,其貸款需求甚至分別高出大型和中型企業(yè)17.2%和8.2%[1].但較之大型企業(yè),小企業(yè)卻普遍存在著規(guī)模偏小、抗風險能力弱、信用積累時間短、有效抵押少、財務管理不甚規(guī)范、公司治理水平偏低、違約成本相對較小等信用風險特征.這與商業(yè)銀行對企業(yè)貸款客戶的授信工作的日趨嚴格和規(guī)范極不相稱.而銀企間的信息不對稱等問題,進一步促使商業(yè)銀行不愿意貸款給小企業(yè),在很大程度上導致小企業(yè)貸款依然貴、依然難.隨著商業(yè)銀行間市場競爭的日趨激烈,目前商業(yè)銀行也日益希望有效地開發(fā)小企業(yè)信貸市場,但為了控制信貸風險,商業(yè)銀行通常會對申請貸款的企業(yè)客戶進行信用評級,并基于企業(yè)客戶的信用評級結果做出信貸決策,以決定貸款與否、期限與利率.因此,科學合理地對小企業(yè)進行信用評級至關重要.而企業(yè)信用評級指標體系是企業(yè)信用評級的基礎,是以衡量企業(yè)信用風險為主要目的,利用定性或定量指標篩選方法,從大量備選指標中選擇出的一組能有效地反映企業(yè)綜合信用風險的評價指標.顯然,如果信用評級指標體系不合理,則小企業(yè)信用評級結果的合理性便無法得到保障.因此,如何構建一套科學合理的小企業(yè)信用評級指標體系,為小企業(yè)信用評級工作提供科學基礎,進而幫助商業(yè)銀行控制信貸風險和解決小企業(yè)融資難問題,正成為一項亟待解決的難題.

在理論界,學者們十分重視結構化模型[2]、風險量化[3]及支持向量機[4]等評級方法的研究和討論,但亦日益重視信用評級指標選取的相關研究[5].國內外傳統的信用評級指標體系主要是圍繞“5C”、“5P”及“LAPP”等信用評價體系構建的.目前,企業(yè)信用評級指標體系相關研究按照來源可分為三類.一是由穆迪、標準普爾、菲奇以及大公國際等評級機構提出的評級體系[6?9].二是由中國銀行等商業(yè)銀行建立的貸款企業(yè)評級體系[1].三是學術文獻中的信用評價指標體系.如Min等[10]以資本存量周轉率等11 個指標預測了企業(yè)的破產風險.吳青等[11]認為評價小企業(yè)信用的指標應包括行業(yè)與宏觀經濟狀況、企業(yè)主個人及企業(yè)信用等三類.Psillaki 等[12]認為利潤率、償債能力等指標可有效判別企業(yè)的信用風險.Chiang等[13]認為債務比率等22 個指標能有效識別高科技企業(yè)的違約風險.Petr等[14]則對比了美國與歐洲在信用評級指標選取上的普遍性差異.Chen等[15]給出了息稅前收入/總資產等12 個判別企業(yè)破產比較顯著的指標.上述信用評價指標的選取皆基于專家經驗,導致評價指標的選取過于主觀,其客觀一致性無法保障.

鑒于主觀遴選信用評價指標的弊端,篩選信用評價指標的定量方法日趨流行起來.如范柏乃等[16]通過隸屬度分析等方法建立了包含資產負債率等15 個指標的中小企業(yè)信用評價指標體系.趙志沖[17]等、遲國泰[18]等分別基于釋然比檢驗、F–檢驗,剔除了對企業(yè)違約狀態(tài)(違約與否)影響不顯著的指標,并皆通過剔除任意兩個相關程度高的評級指標中相對不重要的一個指標來降低指標集的信息重疊程度.此類指標篩選方法僅僅考慮或完全不考慮評級指標對違約狀態(tài)的影響.違約狀態(tài)是企業(yè)客戶違約風險最基本、最直接的反映,因此信用評價指標理應具有顯著識別企業(yè)違約狀態(tài)的能力.但違約狀態(tài)僅能粗略刻畫企業(yè)的信用風險,難以滿足評級實踐對精細劃分企業(yè)信用風險的客觀需要.以穆迪、標普及惠譽等三大國際知名的信用評級機構為例,其對企業(yè)信用等級的劃分最少的也有9個之多,而并非僅僅分為違約與否兩個等級而已.

此外,鑒于評級體系是信用評級工作的基礎,檢驗其合理性自然十分重要,但目前此方面的研究成果卻甚為少見.Shi等[19]認為信用評級指標體系各指標的總方差占篩選前全部指標總方差的比例越大,評級指標體系的信息貢獻越大,但卻忽略了不同指標原始數據在單位及量綱上的差異.而石寶峰[20]則在利用多重決定系數檢驗信用評價指標體系合理性時沒有考慮多元線性回歸模型解釋變量的差異,也未考慮兩組指標間共線性程度的差異,亦有待完善.

綜上,現有評級指標篩選的相關研究尚有兩個關鍵問題亟待解決.一是在篩選評級指標過程中,如何有效地兼顧指標對違約狀態(tài)的識別與精細劃分企業(yè)客戶信用風險這兩種能力,以保證評級指標皆具有顯著的信用風險識別能力;二是如何有效地檢驗評級指標體系的合理性,為后續(xù)評級工作提供保障.為此,本文提出一種系統的小企業(yè)信用評級指標篩選方法.首先,通過F–檢驗剔除對違約狀態(tài)識別能力弱的評級指標,保證被保留的指標均具有一定的違約風險識別能力.其次,提出一種基于信息解釋度的指標篩選方法,從信息解釋能力的角度解決現有主成分指標篩選方法[21,22]僅依據單個負載系數篩選指標不合理[23]的問題,并據此提出信用信息解釋度的概念及剔除綜合信用風險識別能力弱的指標.從而,通過這兩次指標篩選,保證被保留的評級指標既具有一定的違約風險識別能力,又具有精細刻畫小企業(yè)客戶綜合信用風險的能力,解決難點一.再次,根據信用評級指標體系對違約狀態(tài)的識別準確率越高、越穩(wěn)定,信用評級指標體系越合理的思路,檢驗小企業(yè)信用評級指標體系的合理性,豐富現有評級指標體系的合理性檢驗方法,解決難點二.最后,根據中國一家商業(yè)銀行的小企業(yè)信貸歷史數據進行了實證研究,建立了包含“總負債經營活動凈現金流比率”等22個指標的小企業(yè)信用評級指標體系.研究發(fā)現,本文建立的小企業(yè)信用評級指標體系識別信貸違約風險的準確率比現有主成分指標篩選方法構建的評級指標體系高,而且穩(wěn)定.

2 信用評級指標的篩選

2.1 小企業(yè)信用評級指標的海選

為了全面反映小企業(yè)信用風險特征,避免主觀遺漏重要的信用評級指標,有必要對影響小企業(yè)信用風險的因素進行海選.為此,本文給出了小企業(yè)信用評級指標海選的六項原則.一是信用評級指標的海選應充分反映信用風險這個核心概念,這是信用評級指標海選的最基本要求.二是廣泛借鑒已經經歷了一定信用評級實踐檢驗的、國際上影響廣泛的五C要素、五P要素和中國通常采用的五性要素.三是海選的評級指標中應包含能夠有效反映小企業(yè)成長性的指標.四是小企業(yè)常存在財務管理不規(guī)范的情況,因此應增加非財務指標的比例.五是應增加反映小企業(yè)經營決策者信用狀態(tài)的指標,以在一定程度上間接反映小企業(yè)的還款意愿.六是指標數據應可觀測,以滿足現代評級實踐的操作及定量分析需要.

2.2 剔除對違約與否影響不顯著的指標

2.2.1 定性指標打分及指標數據標準化

1)定性指標的打分.定性指標在定量分析中不能直接以其數據大小精確地加以衡量,因此有必要對海選的定性指標打分,打分后的定性指標數據可以標準化,從而滿足后續(xù)定量分析的需要.下文將結合實證分析中具體的定性指標來說明其打分標準.

2)信用評級指標的一致化.將全部信用評級指標分為正向型指標(數值越大越好,如“利潤增長率”)、負向型指標(數值越小越好,如“未償還貸款總額占凈資產比例”)及區(qū)間型指標(數值在某一個特定區(qū)間內較好,如“居民消費價格指數”)三類,并根據信用評級指標的類型分別對其數據進行一致化處理,以消除指標類型的不一致.一致化后信用評級指標的數據類型均轉換為正向型指標,從而一致化后的信用評級指標的數值越大,小企業(yè)的信用水平就越高.這為后續(xù)不同小企業(yè)間信用綜合得分的大小比較提供了基礎.這三類指標一致化處理的具體公式讀者可參閱現有文獻[24]獲取,不贅述.

2.2.2 剔除違約狀態(tài)識別能力弱的指標

本文通過定量分析方法將依次剔除違約狀態(tài)識別能力弱、綜合信用風險識別能力弱及信息重疊程度高的指標,其原因可主要歸結為:1)剔除違約狀態(tài)識別能力弱指標的原因.違約與否是商業(yè)銀行信貸決策時關注的焦點.為此,本文利用數據挖掘中被廣泛使用的F–檢驗法,確定并剔除對違約狀態(tài)影響不顯著的評級指標,保證被保留的評級指標均對客戶違約風險具有一定的識別能力.2)進一步剔除綜合信用風險識別能力弱的信用評級指標的原因.F 檢驗法僅能剔除少量對違約狀態(tài)影響極不顯著的信用評級指標,無法滿足大量海選信用評級指標亟待篩選的客觀需要.同時,對違約狀態(tài)影響顯著與否雖十分重要,但卻也僅能粗略刻畫評級指標識別企業(yè)信用風險的能力,無法滿足精細刻畫企業(yè)客戶綜合信用風險的客觀需要.而下文基于指標的信用信息解釋度剔除綜合信用風險識別能力弱的評級指標卻剛好可以彌補這一不足.3)最終再剔除信息重疊指標的原因.首先,評級指標間信息重疊水平高會導致信用評價結果扭曲,因此有必要剔除信息重疊水平高的指標;其次,剔除違約狀態(tài)識別能力弱及綜合信用風險識別能力弱的指標均屬于剔除對評價結果影響不顯著的指標,因此根據指標篩選的顯著再相關標準[25]應在先剔除這兩類指標后再剔除信息重疊水平高的指標.本節(jié)介紹的是基于F–檢驗剔除違約狀態(tài)識別能力弱的評級指標的方法,具體如下.

檢驗統計量為[26]

其中Nj是信用違約狀態(tài)Y=j(j=0或1)的樣本數量,Y=0表示“非違約”,Y=1 表示“違約”;是違約狀態(tài)Y=j的所有樣本中,信用評級指標X的樣本均值;是信用評級指標X的總體均值;J為信用違約狀態(tài)不同取值的個數,顯然這里J= 2;s2j是信用評級指標X對應于違約狀態(tài)為Y=j的樣本構成的樣本方差;N為全部企業(yè)信貸樣本的數量.

F–檢驗的原假設H0:指標X與違約與否這個指標Y完全不相關.備擇假設為H1:指標X與違約與否這個指標Y相關.顯著性水平α下F–分布的臨界值為Fα(J ?1,N ?J),若F < Fα,則接受原假設H0,認為信用評級指標X對違約影響不顯著,剔除信用評級指標X;否則,則拒絕原假設H0,認為信用評級指標X對違約影響比較顯著,保留該信用評級指標X.這里取顯著性水平α=0.01.

2.3 剔除綜合信用風險識別能力弱的指標

1)剔除綜合信用風險識別能力弱的評級指標原理

不難理解,在信用風險綜合評價中各信用評級指標彼此影響、相互作用,構成一個綜合了大量企業(yè)客戶綜合信用風險信息的復雜系統.因此,理應剔除解釋綜合信用風險信息能力弱的信用評級指標.為此,本文在現有主成分指標篩選方法基礎上,提出了一種基于信用信息解釋度的評級指標篩選方法.根據現有主成分指標降維方法在原始信用評級指標集信用違約信息損失很小的條件下,將一組數量眾多的信用評級指標降維為少數幾個互不相關的主成分.一個指標Xi蘊含的信用信息是通過該指標與各個主成分間的負載系數(相關系數)cij表示的,而現有主成分指標篩選方法卻僅依據單個負載系數的絕對值確定一個指標解釋原始指標集信息的能力并據此篩選指標其做法并不合理[23].本文測度并剔除解釋綜合信用風險信息能力弱的評級指標的思路如下:

首先,通過加權負載系數的絕對值ωj×|cij|,反映信用評級指標Xi通過主成分fj解釋原始信用評級指標集信用風險信息的能力.一個特定的負載系數cij僅僅表示指標Xi解釋主成分fj所蘊含的信用風險信息的能力.而據主成分理論可知,一個主成分fj所蘊含的信用風險信息占原始信用評級指標集信用風險信息的比例為方差貢獻率ωj.因此,必須用主成分fj解釋原始信用評級指標集信用風險信息的比例ωj,對負載系數的絕對值|cij|打個折扣,這個打了折扣后的加權負載系數ωj ×|cij|才能反映指標Xi通過主成分fj解釋原始指標集信用風險信息的能力.之后,通過負載系數絕對值的加權平均∑ωj ×|cij|,反映信用評級指標Xi解釋原始指標集綜合信用風險信息的能力,稱為該評級指標的信用信息解釋度(一般性的指標篩選問題中可稱之為信息解釋度).顯然,一個評級指標的信用信息解釋度越高,該指標蘊含的信用風險信息越多,越能夠精細地刻畫借款企業(yè)客戶的信用風險,該評級指標越應予以保留.這便是本文測度評級指標解釋綜合信用風險信息的能力,以及剔除解釋綜合信用風險信息能力弱指標的基本思路.

2)剔除綜合信用風險識別能力弱評級指標的步驟

步驟1計算信用評級指標Xi的信用信息解釋度

其中ωj是主成分fj解釋原始信用評級指標集信息總變異的比例,反映主成分fj解釋原始信用評級指標集信用風險信息的比例,且ω1ω2···ωm; 前p個主成分的方差貢獻率之和(累計方差貢獻率?p)表示這p個主成分解釋原始評級指標集全部信用信息的比例,若?p80%[27],則保留方差貢獻率相對較大的前p(

信用信息解釋度Ii的經濟含義:它表示信用評級指標Xi解釋原始信用評級指標集綜合信用風險信息的水平,反映信用評級指標Xi在原始信用評級指標集中的相對重要性.

步驟2計算信用評級指標的累計信用信息解釋率Rv,即前v個信用信息解釋度Ii最大的信用評級指標占全部m個原始信用評級指標信用信息解釋度的比例

其中Imi是全部m個原始信用評級指標中第i大的信用信息解釋度.

步驟3剔除信用信息解釋度小的信用評級指標.若累計信用信息解釋率Rv滿足

則保留信用信息解釋度Ii相對較大的前v個信用評級指標,剔除其余信用信息解釋度小的信用評級指標.R0為決策者確定的閾值.

在主成分分析理論中,若信息量大的幾個主成分占全部主成分信息的比例達到70% ～90%[24],就保留這幾個主成分.借此思想,為了剔除相對不重要的信用評級指標不妨取累計違約信息解釋率的閾值R0為70%.顯然,閾值R0越小,保留的信用評級指標就會越少,但指標集包含的信用風險信息就相對地越不全面;反之,閾值R0越大,保留的信用評級指標就會越多,自然指標集包含的信用信息就會越全面,但同時指標集內部的信息重疊現象也會越嚴重,越容易扭曲信用風險綜合評價的結果.而且,一個質量較高的評級模型客觀上也要求指標數量不宜太多[28].因此,決策者可根據決策需要適度調整閾值R0的大小.

步驟4剔除信息重疊程度高的信用評級指標.在剔除了解釋信用違約風險信息能力較弱的指標后,如果剩余的任意兩個評級指標Xi與Xj間的Person 相關系數rij的絕對值大于某個臨界點r0,則剔除信用評級指標Xi與Xj中信用信息解釋度相對較小的信用評級指標,以避免重疊信息扭曲企業(yè)客戶信用綜合評價結果.這里,將指標篩選的臨界點r0取為0.9[21].

與現有主成分指標篩選方法的主要差別.現有主成分指標篩選方法[21]僅僅依據單個負載系數確定一個指標解釋原始指標集綜合信息的水平.而據式(2)可知,本文方法在確定一個指標的信息解釋度時,既考慮了一個指標的信息蘊含于多個負載系數之中的事實,又考慮了各負載系數所在的主成分對原始指標集綜合信息的解釋能力(方差貢獻率)的差異.

2.4 信用評級指標體系的合理性檢驗

1)檢驗思路

鑒于費歇爾判別法應用廣泛且具有較高的準確度和可靠性[29],本文利用費歇爾判別法確定小企業(yè)信用評級指標體系對違約與否判別的準確率.進而,根據該準確率越高、越穩(wěn)定,評級指標體系識別企業(yè)違約風險的能力就越大,評級指標體系越合理的思路,檢驗信用評級指標體系的合理性.

2)檢驗方法

假設小企業(yè)信用評級指標體系內各信用評級指標分別為Z1,Z2,...,Zp,違約樣本的數量為n1,非違約樣本的數量為n2.在此基礎上,利用費歇爾判別法檢驗小企業(yè)信用評級指標體系合理性的步驟簡述如下.

步驟1確定樣本Ai=(zi1,zi2,...,zip)所屬違約狀態(tài)總體的標準.在的條件下,若y(zi1,zi2,...,zip)> y0,則判定樣本Ai屬于非違約總體G2;若y(zi1,zi2,...,zip)< y0,則判定樣本Ai屬于違約總體G1.

步驟2小企業(yè)信用評級指標體系合理性檢驗.若小企業(yè)信用評級指標體系識別信貸樣本所屬信用違約狀態(tài)的準確率Rp達到90%以上,則認為該小企業(yè)信用評級指標體系識別企業(yè)違約風險的能力強,即

其中nrp是全部n個信貸樣本中被全部p個信用評級指標正確識別是否違約的樣本數量.顯然,樣本所屬違約狀態(tài)識別準確率Rp越大,越說明小企業(yè)信用評級指標體系整體識別信用違約風險的能力越大,小企業(yè)信用評級指標體系越顯合理.同時,分別基于30%、70%及100%的小企業(yè)信貸樣本確定小企業(yè)評級指標體系對違約狀態(tài)識別的準確率,以檢驗違約狀態(tài)識別準確率的穩(wěn)定性.

3 小企業(yè)信用評級指標體系構建

3.1 小企業(yè)信用評級海選指標體系的建立

1)數據來源及評級指標海選

本文基于《中小企業(yè)劃型標準規(guī)定》,從中國某商業(yè)銀行信貸系統中提取了3 111個小企業(yè)信貸樣本,依據本文提出的6 項信用評級指標海選原則海選評級指標.比如,在信用評級海選指標的選擇上我們考慮到小企業(yè)通常具有成長性比較高、經營決策易受少數決策者左右等特點,引入了諸如“營業(yè)收入增長率”及“法人代表信用卡記錄”等指標.最終,構建了包含X1企業(yè)償債能力、X2企業(yè)盈利能力、X3企業(yè)營運及成長能力、X4企業(yè)內部及法人代表的非財務因素以及X5企業(yè)外部宏觀條件共計5 個準則層、85個指標的小企業(yè)信用評級海選指標體系.

2)定性信用評級指標的打分

在定量分析中定性指標無法直接通過其數據大小精確地加以衡量,因此有必要對“學歷”等27個定性指標進行打分,以滿足指標數據標準化及后續(xù)定量分析的需要.為了盡可能地保證定性指標打分的合理性,本研究廣泛借鑒、分析了國內外關于信用評級定性指標打分的理論研究成果,并與項目合作銀行負責小企業(yè)信貸業(yè)務的69位各級業(yè)務骨干對定性指標的打分標準進行了多輪次、反復的合理性論證,最終確定了本文所涉及的27個定性指標的具體打分標準,具體打分標準列于表1.

表1 定性的信用評級指標打分標準Table 1 Scoring standard of qualitative credit rating indices

3)信用評級指標的一致化

為了保證不同信用評級指標類型一致性,將85個海選的評級指標劃分為正向、負向及區(qū)間型三種類型的指標,并根據一致化處理公式分別進行評級指標數據的一致化處理.一致化后的指標均為正向型.

3.2 信用評級指標的篩選

3.2.1 基于違約狀態(tài)識別能力的信用評級指標篩選

本節(jié)將利用F–檢驗剔除對小企業(yè)違約狀態(tài)影響不顯著的評級指標,保證保留下來的評級指標皆對違約風險具有一定的識別能力.以85個海選的評級指標中“凈資產收益率”的篩選為例,將該指標與小企業(yè)樣本違約狀態(tài)數據(違約記為1,未違約記為0)一并代入式(1),得到指標“凈資產收益率”的F–檢驗值F= 5.962.同時,設顯著性水平為α= 0.01,由于F–分布的臨界值為F0.01(2?1,3 111?2) = 6.643,因此接受原假設“H0:指標“凈資產收益率”與違約狀態(tài)指標Y 完全不相關”,剔除“凈資產收益率”這個評級指標.類似地,共累計剔除對小企業(yè)違約狀態(tài)影響不顯著的評級指標23個,即暫時保留了62個評級指標,其Z標準化[24]數據列于表2第1行～第62 行第3列～第3 113 列.3 111個小企業(yè)信貸樣本對應的違約狀態(tài)列于表2最后一行第3列～第3 113列.

表2 F–檢驗后的小企業(yè)信用評級海選指標Table 2 Primary election of credit rating indices for small enterprises after F–test

3.2.2 基于綜合信用風險識別能力的信用評級指標篩選

本節(jié)將剔除剩余62個指標中綜合信用風險識別能力弱的指標,具體步驟如下.

步驟1方法適用性檢驗.本文信用信息解釋度是基于現有主成分降維法的部分參數確定的,因此同主成分降維法一樣需要先利用巴特利特球度檢驗和KMO檢驗進行適用性檢驗.本文的巴特利特球度檢驗統計量的概率P值為0.000,小于設定的顯著性水平0.05,而且KMO=0.892達到了0.5以上[31],因此方法適用性檢驗通過.巴特利特球度檢驗和KMO檢驗結果可由統計軟件IBM SPSS21方便得到.

步驟2計算信用評級指標的信用信息解釋度.根據文獻[27]可以獲得前18個主成分的方差貢獻率向量(ω1,ω2,...,ω18)=(24.252%,13.264%,...,1.254%)(因累計方差貢獻率?18=81.146%>80%,故保留前18個主成分).同時,亦不難得到負載系數矩陣C= (cij)62×18,取絕對值后列于表3第3列～第20 列.再將表3第3列～第20列的數據、(ω1,ω2,...,ω18)的數據代入式(2),得到待篩選的62個信用評級指標各自的信用信息解釋度Ii(i=1,2,...,62),將其與表3第2 列各指標依次對應地列于表3第21列.

步驟3計算累計信用信息解釋率.將表3第21列各指標的信用信息解釋度代入式(3),得到信用信息解釋度較大的前v個信用評級指標的累計信用信息解釋率Rv,v=1,2,...,62,列于表3第22列.

步驟4剔除信用信息解釋度小的評級指標.據表3第22列第1行～第32行可知累計信用信息解釋率滿足:R31= 69.781%< R0= 70%< R32= 71.258%.因此,暫時保留表3第21列中信用信息解釋度最大的32個信用評級指標,并依信用信息解釋度由大至小的順序,將指標篩選結果列于表3第23列.

表3 基于信用信息解釋度的指標篩選Table 3 Indices screening based on default information interpretation degree

步驟5基于信息重疊的評級指標篩選.以暫時保留的32個指標中“X24成本費用凈利率”與“X9凈利潤現金含量”為例,兩者Person相關系數的絕對值達到了0.918,大于臨界點0.9.指標X24的信用信息解釋度為0.193 125,大于指標X9的信用信息解釋度0.125 024.因此,剔除信用信息解釋度較小的指標X9.類似地,最終累計剔除了10個信息重疊程度高的指標,剩余的22個評級指標共同構成了小企業(yè)信用評級指標體系,列于表4第2列.

表4 與現有方法的對比Table 4 Comparison with the existing method

3.3 小企業(yè)信用評級指標體系的合理性檢驗

3.3.1 違約風險識別的準確率及穩(wěn)定性檢驗

為了檢驗小企業(yè)信用評級指標體系的合理性,本節(jié)將從違約風險識別的準確率、穩(wěn)定性兩個角度系統檢驗小企業(yè)信用評級指標體系的合理性.

步驟1確定全部信貸樣本違約狀態(tài)識別的準確率.根據文獻[30]可以得到費歇爾判別函數y=?0.224Z1+0.253Z2+0.209Z3+···?0.341Z22,費歇爾判別的臨界值y0=?0.000 12.從而,根據上文樣本所屬違約狀態(tài)總體的判別標準可以判定全部3 111個小企業(yè)樣本所屬的違約總體,列于表5第5列.

進而,通過對比表5第5列～第6列可以確定全部信貸樣本所屬違約狀態(tài)是否得到正確識別,表5第7列以“√”表示樣本所屬違約狀態(tài)得到了正確識別,以“×”表示樣本所屬違約狀態(tài)識別錯誤.在此基礎上,表5第7 列容易得到全部3 111個信貸樣本(100%的信貸樣本)被識別的準確率R22為96.9%.顯然,本文建立的小企業(yè)信用評級指標體系具有較高的信用風險識別能力.

表5 違約狀態(tài)的判別Table 5 Identification of default status

步驟2識別違約狀態(tài)準確率的穩(wěn)定性分析.本文隨機選取了全部3 111個信貸樣本的30%的信貸樣本、70%的信貸樣本,分別計算了以信用評級指標體系識別樣本所屬信用違約狀態(tài)的準確率,分別為95.1%及97.2%.不難發(fā)現,本文建立的小企業(yè)信用評級指標體系準確識別企業(yè)客戶違約風險的能力不但很大,而且很穩(wěn)定.就此而言,本文建立的小企業(yè)信用評級指標體系是合理的.此外,在將式(4)中閾值R0分別調整為80%和90%的前提下,所獲得的兩套新的評級指標體系識別違約狀態(tài)的準確率亦均達到了90%以上,分別達到了95.7%和90.4%,這說明本文建立的指標篩選模型較為魯棒.

3.3.2 與現有指標篩選方法的對比

本文工作的重點在于信用評級指標的系統篩選,而文中的信息解釋度方法是基于現有主成分指標篩選方法改進提出的.因此,可將上文模型中“2.3 節(jié)”中的信息解釋度方法替換為現有主成分指標篩選方法,而其余指標篩選步驟保持不變,并將篩選后得到的列于表4第3列的信用評級指標體系與列于表4第2 列的本文方法構建的小企業(yè)信用評級指標體系識別違約風險的準確率進行對比,以進一步說明本文指標篩選方法的有效性.現有主成分指標篩選方法的運用過程可參閱現有文獻[21,22]詳盡了解,不贅述.根據表4最后一行可知,本文方法比現有主成分指標篩選方法構建的小企業(yè)信用評級指標體系識別全部企業(yè)客戶樣本違約狀態(tài)的準確率高了近20%.因此,就違約風險識別能力而言本文方法構建的小企業(yè)信用評級指標體系相對更優(yōu).這一結果,也不難從現有方法構建的小企業(yè)信用評級指標體系中包含了較多不甚符合信貸評級實踐情況的評級指標中找到部分原因,如“X58城鄉(xiāng)居民人均儲蓄年末余額/(元/人)”、“X60居民消費價格指數(以上一年為100)”及“X61城市居民人均可支配收入/元”等.

4 結束語

本文以建立商業(yè)銀行小企業(yè)客戶信用評級指標體系為目的,提出了集信用評級指標海選,剔除違約狀態(tài)及綜合信用風險識別能力弱的評級指標,檢驗信用評級指標體系合理性等一套系統的小企業(yè)信用評級指標體系構建方法.同時,基于中國一家商業(yè)銀行的小企業(yè)信貸業(yè)務的歷史數據進行了實證研究,構建了小企業(yè)信用評級指標體系.研究表明,本文建立的小企業(yè)信用評級指標體系識別信用風險的準確率不但高,而且穩(wěn)定.此外,除信用評級指標海選外,本文的評級指標定量篩選及評級體系合理性檢驗等方法亦可應用于其余類型企業(yè)的信用評級指標體系的構建.