燕曉磊，李俠，劉忠文，田震

大數(shù)據(jù)視域下的中小微企業(yè)信貸風(fēng)險(xiǎn)評(píng)估[1]

燕曉磊，李俠，劉忠文，田震

（蚌埠工商學(xué)院 經(jīng)濟(jì)與金融學(xué)院，安徽 蚌埠 233010）

基于商業(yè)銀行的視角對(duì)中小微企業(yè)的信用風(fēng)險(xiǎn)評(píng)級(jí)問題進(jìn)行研究．采用數(shù)據(jù)挖掘方法構(gòu)建了中小微企業(yè)信用評(píng)分的指標(biāo)體系，運(yùn)用熵權(quán)法改進(jìn)的TOPSIS評(píng)價(jià)模型對(duì)123家中小微企業(yè)進(jìn)行信用評(píng)價(jià)．為了擴(kuò)大模型的適用范圍，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建了評(píng)分優(yōu)化模型，并對(duì)302家無(wú)信貸記錄的企業(yè)進(jìn)行信用評(píng)分，通過(guò)系統(tǒng)聚類方法將結(jié)果可視化展示．研究表明，企業(yè)的自身實(shí)力和盈利能力對(duì)企業(yè)信用的評(píng)價(jià)具有顯著影響．TOPSIS模型的評(píng)分結(jié)果同商業(yè)銀行給出的人工評(píng)定結(jié)果基本吻合，BP神經(jīng)網(wǎng)絡(luò)模型的最小均方誤差為0.008 3，總擬合優(yōu)度為0.82，能夠較好地?cái)M合樣本數(shù)據(jù)，研究結(jié)果可以為銀行制定中小微企業(yè)信貸決策提供參考．

中小微企業(yè)；信用評(píng)級(jí)；TOPSIS；BP神經(jīng)網(wǎng)絡(luò)

自進(jìn)入21世紀(jì)以來(lái)，政府大力支持自主創(chuàng)新，中小微企業(yè)如雨后春筍般涌現(xiàn)出來(lái)，在國(guó)民經(jīng)濟(jì)運(yùn)行中扮演著越來(lái)越重要的角色．2018年末，我國(guó)共有1 807萬(wàn)家中小微企業(yè)，占全部規(guī)模企業(yè)法人單位的99.8%，對(duì)GDP的貢獻(xiàn)度占到60%，提供了23 300.4萬(wàn)個(gè)就業(yè)崗位，占全部企業(yè)比重的79.4%[1]．可以說(shuō)社會(huì)的發(fā)展離不開中小微企業(yè)，同時(shí)中小微企業(yè)的發(fā)展亦需要資金的支持．中小微企業(yè)的融資渠道眾多，其中銀行貸款是其最主要的融資渠道之一．但是在實(shí)際中，由于中小微企業(yè)的規(guī)模相對(duì)較小，也缺少抵押資產(chǎn)，銀行更偏向于對(duì)信用評(píng)級(jí)較高的企業(yè)提供貸款．通常，銀行會(huì)根據(jù)企業(yè)的規(guī)模、盈利水平、償債能力、信譽(yù)情況等指標(biāo)來(lái)衡量其信用水平，并以此為依據(jù)制定包含貸款金額、貸款利率、貸款期限的信貸方案．如何利用企業(yè)有限的交易數(shù)據(jù)正確地衡量企業(yè)的信用水平對(duì)于銀行確定合理的信貸方案而言舉足輕重，同時(shí)對(duì)優(yōu)質(zhì)中小微企業(yè)獲得資金支持也具有重要的實(shí)際意義．

我國(guó)的信用評(píng)級(jí)研究自21世紀(jì)初開始萌芽，經(jīng)歷20多年的蓬勃發(fā)展形成了較為完善的研究體系．隨著中小微企業(yè)在我國(guó)經(jīng)濟(jì)主體中占據(jù)的比重不斷提升，中小微企業(yè)信用評(píng)級(jí)的研究也逐漸增多．同時(shí)，伴隨我國(guó)信用評(píng)級(jí)業(yè)務(wù)不斷拓展，及銀行同大企業(yè)間“銀企博弈”的加劇，中小微企業(yè)逐漸成為各大銀行關(guān)注的目標(biāo)客戶．因此，針對(duì)中小微企業(yè)的信用評(píng)級(jí)研究成為信用評(píng)級(jí)領(lǐng)域的熱點(diǎn)．

從收集到的研究文獻(xiàn)可以看出，針對(duì)中小微企業(yè)的信用評(píng)級(jí)研究主要集中于信用評(píng)級(jí)能否解決銀行與企業(yè)間信息不對(duì)稱問題和企業(yè)信用評(píng)級(jí)的研究方法2個(gè)方面．

對(duì)于信用評(píng)級(jí)能否解決銀行與企業(yè)間信息不對(duì)稱問題，目前，學(xué)術(shù)界認(rèn)為中小微企業(yè)信貸風(fēng)險(xiǎn)高，資產(chǎn)質(zhì)量差，銀行的放貸成本高，導(dǎo)致其對(duì)中小微企業(yè)的貸款積極性較低，其背后深層次的原因在于銀行與企業(yè)間信息不對(duì)稱影響了銀行授信[2]．由于信息不對(duì)稱以及中小微企業(yè)不穩(wěn)定的還款能力的影響，銀行在授信時(shí)通常會(huì)設(shè)置貸款限額或?qū)嵤┬刨J配給[3]．因此，中小微企業(yè)信用評(píng)級(jí)研究的本質(zhì)上是為了緩解銀行與企業(yè)間信息不對(duì)稱對(duì)中小微企業(yè)信貸市場(chǎng)的抑制效應(yīng)．

隨著統(tǒng)計(jì)分析方法、大數(shù)據(jù)與人工智能技術(shù)的迅速發(fā)展，企業(yè)信用評(píng)級(jí)經(jīng)歷了從主觀的定性分析到客觀的數(shù)據(jù)分析的發(fā)展過(guò)程．綜合來(lái)看，企業(yè)信用評(píng)級(jí)的研究大致分為3個(gè)階段，分別為經(jīng)驗(yàn)主義分析階段、統(tǒng)計(jì)分析階段和大數(shù)據(jù)分析階段[4-5]．

經(jīng)驗(yàn)主義分析階段即依靠主觀經(jīng)驗(yàn)判斷和企業(yè)以往的違約記錄情況對(duì)企業(yè)的信用狀況進(jìn)行判斷，主要包括著名的5C評(píng)估法、專家調(diào)查法和杜邦財(cái)務(wù)分析法等．此類方法多從主觀評(píng)價(jià)角度對(duì)定性信息采用主觀打分進(jìn)行量化，需要評(píng)級(jí)人員具有較強(qiáng)的職業(yè)素養(yǎng)和判斷能力，極易受到個(gè)人主觀因素的干擾．

統(tǒng)計(jì)分析階段即統(tǒng)計(jì)分析方法應(yīng)用于企業(yè)信用評(píng)級(jí)的階段．Altman[6]首次通過(guò)多元回歸分析方法構(gòu)建以制造業(yè)財(cái)務(wù)比率為基礎(chǔ)的Z-score模型（Z值計(jì)分模型）．1977年，Altman[7]等對(duì)Z值計(jì)分模型進(jìn)行改進(jìn)，提出了ZETATM模型，該模型從資產(chǎn)報(bào)酬率、收入穩(wěn)定性、債務(wù)償還能力、積累盈利、流動(dòng)比率、資產(chǎn)規(guī)模、資本化率７個(gè)指標(biāo)對(duì)貸款對(duì)象的償還能力進(jìn)行辨認(rèn)．這２類著名的統(tǒng)計(jì)信用評(píng)分模型開創(chuàng)了統(tǒng)計(jì)分析方法應(yīng)用于信用評(píng)級(jí)領(lǐng)域的先河，國(guó)內(nèi)學(xué)者也在此基礎(chǔ)上展開相關(guān)研究．鄒昆侖[8]等基于Altman的Z值計(jì)分模型，利用Fisher判別法從財(cái)務(wù)視角構(gòu)建了信用評(píng)級(jí)的判別函數(shù)，發(fā)現(xiàn)目前的信用評(píng)級(jí)有效性存在欠缺，對(duì)違約債券的甄別能力較弱；高盼[9]構(gòu)建了DEA-TOPSIS模型，運(yùn)用DEA方法篩選出相對(duì)有效企業(yè)，優(yōu)化決策環(huán)境，接著通過(guò)TOPSIS方法對(duì)篩選后的有效企業(yè)進(jìn)行排序，研究表明該方法有效緩解了TOPSIS方法逆序問題的影響，提高了信用評(píng)價(jià)模型的準(zhǔn)確度．

雖然統(tǒng)計(jì)分析方法克服了主觀經(jīng)驗(yàn)判別的偶然性和不穩(wěn)定性，但是由于統(tǒng)計(jì)分析方法對(duì)數(shù)據(jù)分布及模型假設(shè)的要求較為嚴(yán)格，應(yīng)用的范圍受到限制．隨著數(shù)據(jù)量的爆炸式增長(zhǎng)，該方法的弊端逐漸顯露出來(lái)．

近年來(lái)，經(jīng)濟(jì)迅速發(fā)展，銀行業(yè)務(wù)快速增長(zhǎng)，客戶信息數(shù)據(jù)爆炸式擴(kuò)增，數(shù)據(jù)資源愈加繁復(fù)多樣，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能分析方法因其在海量數(shù)據(jù)處理上的優(yōu)勢(shì)逐漸被學(xué)者引做信用評(píng)價(jià)方法．陳雄華[10]等運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)制造類和非制造類企業(yè)信用狀況進(jìn)行判別，研究發(fā)現(xiàn)模型能夠較好地?cái)M合樣本特征，具有廣泛的應(yīng)用前景；董申[11]等以70家發(fā)電企業(yè)為樣本，通過(guò)對(duì)比logistic回歸、決策樹、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)４種機(jī)器學(xué)習(xí)算法的評(píng)級(jí)展望準(zhǔn)確率，并將評(píng)級(jí)機(jī)構(gòu)的評(píng)級(jí)結(jié)果納入對(duì)比范疇，最終選擇BP神經(jīng)網(wǎng)絡(luò)構(gòu)建信用評(píng)級(jí)展望模型；車輝[12]等運(yùn)用主成分分析法篩選出壽險(xiǎn)企業(yè)信用評(píng)價(jià)指標(biāo)，應(yīng)用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)10家規(guī)模相異的壽險(xiǎn)公司的信用等級(jí)進(jìn)行評(píng)價(jià)，并將結(jié)果同專家評(píng)級(jí)結(jié)果相比對(duì)，發(fā)現(xiàn)該模型的評(píng)分偏離度較小，誤判率較低，對(duì)于壽險(xiǎn)企業(yè)信用體系建設(shè)具有一定的應(yīng)用意義．

歸根結(jié)底，中小微企業(yè)信用評(píng)級(jí)研究的目的主要是為了解決銀行與企業(yè)間信息不對(duì)稱導(dǎo)致銀行業(yè)信貸業(yè)務(wù)發(fā)展受限及中小微企業(yè)融資困難的問題．隨著客戶信息數(shù)據(jù)的爆炸式增長(zhǎng)，傳統(tǒng)的定性分析方法早已無(wú)法滿足信貸市場(chǎng)的需要，統(tǒng)計(jì)分析方法和大數(shù)據(jù)分析方法的應(yīng)用極大地促進(jìn)了對(duì)客戶風(fēng)險(xiǎn)識(shí)別及信用評(píng)級(jí)的研究．

本文通過(guò)結(jié)合統(tǒng)計(jì)評(píng)價(jià)方法與神經(jīng)網(wǎng)絡(luò)算法對(duì)中小微企業(yè)進(jìn)行信用評(píng)級(jí)，驗(yàn)證了熵權(quán)TOPSIS方法在信用評(píng)級(jí)領(lǐng)域的適用性，并通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法對(duì)模型進(jìn)行改進(jìn)，進(jìn)一步提高了模型的適用范圍，為銀行制定中小微企業(yè)信貸策略提供實(shí)質(zhì)參考．

1　中小微企業(yè)信用評(píng)價(jià)指標(biāo)體系的構(gòu)建

1.1　數(shù)據(jù)來(lái)源

如今信息技術(shù)在銀行業(yè)的應(yīng)用已經(jīng)十分成熟，我國(guó)各大商業(yè)銀行已經(jīng)構(gòu)建了相對(duì)完備的銀行數(shù)據(jù)系統(tǒng)，并廣泛應(yīng)用于銀行經(jīng)營(yíng)管理的各個(gè)方面．本文數(shù)據(jù)來(lái)源于安徽省C農(nóng)商行信貸客戶2016—2020年的票據(jù)數(shù)據(jù)匯總，包括123家有信貸記錄以及302家無(wú)信貸記錄的中小微企業(yè)的相關(guān)數(shù)據(jù)．信譽(yù)評(píng)級(jí)為銀行內(nèi)部根據(jù)企業(yè)的實(shí)際情況人工評(píng)定，銀行對(duì)信譽(yù)評(píng)級(jí)為D級(jí)的企業(yè)原則上不予放貸．

圖1　企業(yè)信譽(yù)評(píng)級(jí)與守約記錄關(guān)系

表１　企業(yè)信用評(píng)級(jí)量化

1.2　數(shù)據(jù)預(yù)處理及相關(guān)指標(biāo)確定

1.2.1數(shù)據(jù)預(yù)處理根據(jù)企業(yè)信譽(yù)評(píng)級(jí)與守約記錄（見圖1），可以看出商業(yè)銀行的信用風(fēng)險(xiǎn)評(píng)級(jí)同中小微企業(yè)是否違約存在一定的相關(guān)關(guān)系．信譽(yù)評(píng)級(jí)為A級(jí)的企業(yè)沒有違約記錄；信用評(píng)級(jí)為B，C級(jí)的企業(yè)中有違約記錄的企業(yè)較少；而信用評(píng)級(jí)為D級(jí)的企業(yè)基本上都存在違約記錄．因此，可以認(rèn)為企業(yè)的信用風(fēng)險(xiǎn)等級(jí)從A至D依次增加．

為了便于對(duì)定性評(píng)級(jí)標(biāo)準(zhǔn)進(jìn)行量化，對(duì)評(píng)級(jí)進(jìn)行賦分．根據(jù)《企業(yè)信用評(píng)價(jià)評(píng)級(jí)標(biāo)準(zhǔn)》，４檔企業(yè)信用評(píng)級(jí)百分制分?jǐn)?shù)范圍見表1，取評(píng)級(jí)得分的平均數(shù)乘以0.01的結(jié)果對(duì)信用等級(jí)進(jìn)行量化，以便于同后續(xù)歸一化的結(jié)果進(jìn)行擬合比對(duì)．

1.2.2中小微企業(yè)信用評(píng)價(jià)指標(biāo)選取企業(yè)信用評(píng)價(jià)指標(biāo)體系繁復(fù)多樣，不同學(xué)者基于各自的研究視角有著不同的選擇．Gulsoy[13]等根據(jù)某銀行中小企業(yè)信用評(píng)價(jià)流程，確定了12項(xiàng)評(píng)估標(biāo)準(zhǔn)，其中客觀標(biāo)準(zhǔn)部分包括企業(yè)資金的流動(dòng)性、盈利能力、活動(dòng)結(jié)構(gòu)等指標(biāo)；李岳鑫[14]等在運(yùn)用AHP法和DEA模型對(duì)中小微企業(yè)的信用水平進(jìn)行評(píng)分時(shí)，主要從財(cái)務(wù)狀況、信用狀況、企業(yè)發(fā)展、創(chuàng)新能力4個(gè)維度出發(fā)，構(gòu)建科創(chuàng)型中小微企業(yè)信用評(píng)價(jià)指標(biāo)體系，其中財(cái)務(wù)狀況主要包括企業(yè)的償付能力、盈利能力和運(yùn)營(yíng)能力，信用狀況主要包括貸款償還能力、貸款交付能力和納稅能力；平萍[15]利用德爾菲法同C農(nóng)商行現(xiàn)行的評(píng)價(jià)指標(biāo)相結(jié)合，建立了多層次的中小微企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，其中包括反映企業(yè)硬信息的財(cái)務(wù)指標(biāo)：償債能力、盈利能力、營(yíng)運(yùn)能力和成長(zhǎng)能力．目前，大量信用評(píng)級(jí)相關(guān)的文獻(xiàn)普遍采用原本應(yīng)用于大型上市企業(yè)信用評(píng)級(jí)模型的評(píng)價(jià)指標(biāo)，并且指標(biāo)體系的構(gòu)建主要涵蓋企業(yè)的靜態(tài)財(cái)務(wù)指標(biāo)，不能有效地反映企業(yè)的實(shí)際交易活動(dòng)對(duì)企業(yè)信用評(píng)分的影響．本文的評(píng)價(jià)指標(biāo)體系借鑒上述學(xué)者的研究方法并基于企業(yè)的實(shí)際交易數(shù)據(jù)挖掘確定，能夠更全面地反映中小微企業(yè)的綜合信息．

在盡量避免指標(biāo)間相互解釋的前提下，從企業(yè)自身實(shí)力、企業(yè)盈利能力、企業(yè)信譽(yù)、企業(yè)供應(yīng)關(guān)系穩(wěn)定性這4個(gè)角度構(gòu)建C農(nóng)商行中小微企業(yè)信用評(píng)價(jià)指標(biāo)體系（見圖2）．企業(yè)自身實(shí)力主要包括企業(yè)銷

圖2　企業(yè)信用評(píng)價(jià)指標(biāo)體系

年利潤(rùn)率和年利潤(rùn)增長(zhǎng)率的計(jì)算公式分別為

違約記錄是定性變量，可以通過(guò)設(shè)置0，1兩個(gè)變量值來(lái)反映，即

進(jìn)項(xiàng)額變異系數(shù)的計(jì)算公式為

2　中小微企業(yè)信用評(píng)分模型的建立

2.1　指標(biāo)歸類驗(yàn)證

由于所選取的三級(jí)指標(biāo)數(shù)量大于5，同時(shí)為了驗(yàn)證指標(biāo)選取的合理性，采用主成分分析法，運(yùn)用SPSS26軟件對(duì)指標(biāo)進(jìn)行歸類驗(yàn)證．

表2　主成分及方差貢獻(xiàn)率

主成分分析中，旋轉(zhuǎn)成分載荷矩陣中各個(gè)指標(biāo)變量在各主成分上的載荷是變量與各主成分的相關(guān)系數(shù)，某一變量在某公共因子上的載荷絕對(duì)值越大，則表示該變量同此主成分關(guān)系越密切．

運(yùn)用方差最大法對(duì)成分矩陣進(jìn)行正交旋轉(zhuǎn)，得到旋轉(zhuǎn)成分載荷矩陣（見表3）．

表3　旋轉(zhuǎn)成分載荷矩陣

由主成分分析可以認(rèn)為文中確定的指標(biāo)體系具有一定的合理性，因此，可以通過(guò)運(yùn)用構(gòu)建的指標(biāo)體系進(jìn)行中小微企業(yè)信用評(píng)分．

2.2　中小微企業(yè)信用評(píng)分模型的建立

樣本中共計(jì)123個(gè)評(píng)價(jià)對(duì)象，9個(gè)評(píng)價(jià)指標(biāo)．其中8個(gè)指標(biāo)均為效益性指標(biāo)，僅有進(jìn)項(xiàng)額變異系數(shù)為成本型指標(biāo)，本文首先對(duì)指標(biāo)進(jìn)行正向化處理．

成本型指標(biāo)即極小型指標(biāo)的正向化公式為

正向化后，所有指標(biāo)數(shù)據(jù)構(gòu)成的矩陣為

利用熵權(quán)法求解指標(biāo)權(quán)重，令

通過(guò)使用MATLAB軟件求解得到各個(gè)指標(biāo)的權(quán)重，結(jié)果見表4．

表4　信用評(píng)價(jià)指標(biāo)權(quán)重

由表4可以看出，企業(yè)自身實(shí)力所占的權(quán)重最大，為0.784 7．企業(yè)供應(yīng)關(guān)系穩(wěn)定性緊隨其后，說(shuō)明企業(yè)自身實(shí)力和企業(yè)供應(yīng)關(guān)系穩(wěn)定性對(duì)于中小微企業(yè)信用評(píng)分的影響較大．

記標(biāo)準(zhǔn)化矩陣為

通過(guò)使用MATLAB軟件求解得到各企業(yè)信用的相對(duì)接近度（歸一化評(píng)分），因篇幅限制僅展示前10家和后10家企業(yè)的評(píng)分結(jié)果（見表5）．

表5　企業(yè)信用評(píng)分

將模型評(píng)分結(jié)果同C農(nóng)商銀行內(nèi)部對(duì)123個(gè)企業(yè)的信用評(píng)級(jí)的量化數(shù)據(jù)進(jìn)行對(duì)比（見圖3）．

圖3　企業(yè)信用評(píng)分與銀行評(píng)分曲線

由圖３可以看出，模型評(píng)分結(jié)果同銀行所給出的評(píng)級(jí)結(jié)果基本吻合，因此可以認(rèn)為構(gòu)建的TOPSIS模型所得出的量化評(píng)分適用于中小微企業(yè)的信貸風(fēng)險(xiǎn)評(píng)價(jià)．指標(biāo)的選取依賴于原始交易數(shù)據(jù)的挖掘處理，能夠客觀反映企業(yè)的真實(shí)情況，從而克服原有中小微企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系的主觀性和過(guò)于偏向財(cái)務(wù)分析方面的不全面的缺點(diǎn)．同時(shí)，通過(guò)主成分分析模型驗(yàn)證了指標(biāo)體系的合理性．在指標(biāo)權(quán)重的求解上選取熵權(quán)法克服了主觀賦權(quán)的偶然性，使評(píng)分模型能夠客觀地對(duì)中小微企業(yè)的信用水平做出量化評(píng)分，結(jié)果更具可靠性．

2.3　中小微企業(yè)信用評(píng)分優(yōu)化模型的構(gòu)建

由于302家無(wú)信貸記錄的企業(yè)不包含違約記錄數(shù)據(jù)，因此嘗試在指標(biāo)體系剔除違約記錄這一指標(biāo)，構(gòu)建了新的無(wú)信貸記錄企業(yè)的信用評(píng)分指標(biāo)體系，并運(yùn)用附有熵權(quán)的TOPSIS模型再次對(duì)123家有信貸記錄的企業(yè)進(jìn)行信用評(píng)分，得出的結(jié)果與銀行給出的信用評(píng)級(jí)的量化結(jié)果的偏差程度變大，模型精度下降．因此，本文通過(guò)使用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)模型進(jìn)行優(yōu)化，提高模型的預(yù)測(cè)精度，從而得出更為準(zhǔn)確的302家無(wú)信貸記錄企業(yè)的信用評(píng)分結(jié)果．

通過(guò)MATLAB 2018軟件實(shí)現(xiàn)本文構(gòu)建的信用評(píng)分優(yōu)化模型．將123家有信貸記錄企業(yè)的指標(biāo)數(shù)據(jù)及評(píng)分?jǐn)?shù)據(jù)的前75%作為訓(xùn)練集，后25%作為測(cè)試集導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型．運(yùn)行結(jié)果見圖5．模型迭代到第７代時(shí)取得最小均方誤差，為0.008 3，總擬合優(yōu)度為0.82，說(shuō)明模型收斂速度快，預(yù)測(cè)精度較高，能夠高度擬合樣本數(shù)據(jù)．

圖5　神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果

利用BP神經(jīng)網(wǎng)絡(luò)的評(píng)分結(jié)果，通過(guò)系統(tǒng)聚類方法劃分302家無(wú)信貸記錄企業(yè)的信譽(yù)評(píng)級(jí)，并將聚類結(jié)果（不包含信譽(yù)評(píng)級(jí)為D的企業(yè)）通過(guò)Python 3.8軟件進(jìn)行可視化展示（見圖6）．由圖6可以看出，B，C等級(jí)的企業(yè)數(shù)量最多，這與中小微企業(yè)的規(guī)模和信貸市場(chǎng)的占有率較為契合．

圖6　302家無(wú)信貸記錄企業(yè)信用評(píng)級(jí)分布

3 　結(jié)論與建議

本文綜合考量了多層次變量對(duì)企業(yè)信用評(píng)價(jià)的影響，通過(guò)數(shù)據(jù)挖掘得到企業(yè)信用評(píng)價(jià)的指標(biāo)，結(jié)合主成分分析方法驗(yàn)證了所構(gòu)建的指標(biāo)體系的合理性．使用熵權(quán)法確定評(píng)價(jià)指標(biāo)體系的權(quán)重，結(jié)果顯示企業(yè)的自身實(shí)力和盈利能力對(duì)企業(yè)信用的評(píng)價(jià)具有顯著影響，銀行在對(duì)企業(yè)放貸進(jìn)行決策時(shí)應(yīng)當(dāng)重點(diǎn)考察這２個(gè)指標(biāo)．緊接著運(yùn)用TOPSIS方法對(duì)中小微企業(yè)的信用進(jìn)行評(píng)分，其評(píng)分結(jié)果與銀行內(nèi)部評(píng)級(jí)結(jié)果基本吻合．在對(duì)302家無(wú)信貸記錄企業(yè)的信譽(yù)評(píng)級(jí)中，采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)企業(yè)的信用評(píng)分進(jìn)行預(yù)測(cè)，結(jié)果顯示預(yù)測(cè)精度較高，擬合程度較好，可視化結(jié)果清晰明了，對(duì)于商業(yè)銀行制定中小微企業(yè)的貸款策略具有實(shí)質(zhì)意義．

通過(guò)分析可知，銀行在制定中小微企業(yè)貸款策略上要綜合考慮企業(yè)自身的實(shí)力和信用水平，同時(shí)要細(xì)化中小微企業(yè)信用評(píng)分體系，聯(lián)合征信部門，對(duì)各個(gè)部門的內(nèi)部信息進(jìn)行整合，實(shí)現(xiàn)信息的共享．嚴(yán)控貸款準(zhǔn)入門檻，確保借款企業(yè)具有相符合的貸款資質(zhì)，以規(guī)避風(fēng)險(xiǎn)，保障銀行最大的收益期望值．

[1] 中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局．中小微企業(yè)成為推動(dòng)經(jīng)濟(jì)發(fā)展的重要力量：第四次全國(guó)經(jīng)濟(jì)普查系列報(bào)告之十二[EB/OL]．（2019-12-18）[2021-07-31]．http://www.stats.gov.cn/tjsj/zxfb/201912/t20191218_1718313.html．

[2] 吳江，盧方元．信息不對(duì)稱條件下中小企業(yè)貸款難的博弈分析[J]．統(tǒng)計(jì)與決策，2005（21）： 24-26．

[3] 于學(xué)花，欒謹(jǐn)崇．基于信貸配給理論的中小企業(yè)融資方略[J]．企業(yè)經(jīng)濟(jì)，2005（9）：144-146．

[4] 顧洲一．基于XGBoost模型的銀行信貸高風(fēng)險(xiǎn)客戶識(shí)別研究：以我國(guó)Y銀行為例[J]．上海立信會(huì)計(jì)金融學(xué)院學(xué)報(bào)，2020（1）：17-28．

[5] 李海姣，黃健青．我國(guó)房地產(chǎn)上市公司信用評(píng)級(jí)研究：基于BP神經(jīng)網(wǎng)絡(luò)方法[J]．上海立信會(huì)計(jì)金融學(xué)院學(xué)報(bào)，2020（2）：15-26．

[6] Altman E I．Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy[J]．The Journal of Finance，1968，23（4）：589-609．

[7] Altman E I，Haldeman R G，Narayanan P．ZETATManalysis A new model to identify bankruptcy risk of corporations[J]．Journal of Banking & Finance，1977（1）：29-54．

[8] 鄒昆侖，陸萍．基于Z模型對(duì)中國(guó)企業(yè)債信用評(píng)級(jí)的實(shí)證研究[J]．宏觀經(jīng)濟(jì)研究，2018（5）：72-83，175．

[9] 高盼．DEA-TOPSIS模型在小微企業(yè)信用評(píng)價(jià)中的應(yīng)用[J]．征信，2021，39（5）：71-76．

[10] 陳雄華，林成德，葉武．基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級(jí)評(píng)估[J]．系統(tǒng)工程學(xué)報(bào)，2002（6）：570-575．

[11] 董申，王倩．基于機(jī)器學(xué)習(xí)的信用評(píng)級(jí)展望研究：以發(fā)電企業(yè)為例[J]．農(nóng)村金融研究，2017（3）：41-46．

[12] 車輝，趙子薇．基于遺傳神經(jīng)網(wǎng)絡(luò)的壽險(xiǎn)業(yè)信用評(píng)級(jí)優(yōu)化研究[J]．保險(xiǎn)職業(yè)學(xué)院學(xué)報(bào)，2019，33（5）：21-28．

[13] Gulsoy N，Kulluk S．A data mining application in credit scoring processes of small and medium enterprises commercial corporate customers[J]．Wiley Interdisciplinary Reviews：Data Mining and Knowledge Discovery，2019，9（3）：e1299．

[14] 李岳鑫，王有遠(yuǎn)，史永立．基于AHP和DEA的科創(chuàng)型中小企業(yè)信用評(píng)價(jià)研究[J]．科技和產(chǎn)業(yè)，2020，20（7）：109-113．

[15] 平萍．C農(nóng)村商業(yè)銀行小微企業(yè)信用風(fēng)險(xiǎn)評(píng)價(jià)研究[D]．西安：西安石油大學(xué)，2020．

credit risk assessment of micro, small and medium-size enterprises from the perspective of big data

YAN Xiaolei，LI Xia，LIU Zhongwen，TIAN Zhen

（School of Economics and Finance，Bengbu College of Technology and Business，Bengbu 233010，China）

The credit risk ratingof micro，small and medium-size enterprises was researched based on the perspective of a commercial bank．Data mining method is used to construct the credit scoring index system of micro，small and medium-size enterprises，and TOPSIS evaluation model improved by entropy weight method is used to evaluate 123 micro，small and medium-size enterprises．In order to expand the application scope of the model，the BP neural network algorithm is used to build the scoring optimization model．Credit scoring is carried out on 302 enterprises without credit record，and the results are visualized by system clustering method．It can be concluded that the enterprise′s own strength and profitability have a significant impact on the evaluation of enterprise credit．The results of TOPSIS model are basically consistent with the manual evaluation results given by commercial banks．The minimum mean square error of BP neural network model is 0.008 3，and the total goodness of fit is 0.82，which can better fit the sample data．The substantive reference can be provided by the research results for banks to make credit decisions for micro, small and medium-size enterprises．

micro，small and medium-size enterprises；credit rating；TOPSIS；BP network

1007-9831（2022）05-0031-09

O29∶F832.4

A

10.3969/j.issn.1007-9831.2022.05.006

2021-11-03

安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（202013611013）——基于大數(shù)據(jù)視角的中小微企業(yè)信貸風(fēng)險(xiǎn)評(píng)估與貸款策略研究：以安徽省C農(nóng)商行為例

燕曉磊（1999-），男，安徽宿州人，在讀本科生．E-mail：yphcdxl@163.com

李俠（1985-），女，安徽蚌埠人，講師，碩士，從事統(tǒng)計(jì)學(xué)研究．E-mail：444507629@qq.com