郭 璇

(中鐵第一勘察設(shè)計(jì)院集團(tuán)有限公司， 陜西 西安 710043)

科技金融是為實(shí)現(xiàn)科技創(chuàng)新活動與金融資源配置相互融合、相互促進(jìn)而進(jìn)行的一系列系統(tǒng)的制度安排，對創(chuàng)新型國家的建設(shè)有著重要意義。目前我國資本供給的渠道以銀行信貸為主，科技企業(yè)的快速發(fā)展促使信貸業(yè)務(wù)增加，對銀行的發(fā)展也提出了新的要求。為此，在政府的推動下，銀行類金融機(jī)構(gòu)創(chuàng)新服務(wù)模式，成立了科技銀行，專為科技企業(yè)量身定制，為其提供發(fā)展所需的信貸資金。信貸風(fēng)險(xiǎn)評估是銀行信貸管理的重要環(huán)節(jié)，而建立科學(xué)合理的信貸風(fēng)險(xiǎn)評價(jià)體系、選用嚴(yán)謹(jǐn)可行的評估方法是銀行信貸風(fēng)險(xiǎn)評估的關(guān)鍵，可以提高對科技企業(yè)的信貸審批效率，降低信貸風(fēng)險(xiǎn)。

20世紀(jì)70年代之前，傳統(tǒng)的信貸風(fēng)險(xiǎn)評價(jià)依靠的是經(jīng)驗(yàn)和感覺，以定性分析為主，如德爾菲法、5C信用評價(jià)法等都是由信貸風(fēng)險(xiǎn)度量領(lǐng)域的專家根據(jù)經(jīng)驗(yàn)，對企業(yè)的信用質(zhì)量進(jìn)行評價(jià)。20世紀(jì)70年代以后，國外的學(xué)者研究出了一系列基于數(shù)理技術(shù)的信貸風(fēng)險(xiǎn)評價(jià)模型，通過定性分析與定量分析的結(jié)合，使企業(yè)信用狀況測量更為精確。從20世紀(jì)80年代開始，人工智能(AI)技術(shù)越來越多地用于客戶風(fēng)險(xiǎn)識別和評估，Davis (1992) 比較分析了神經(jīng)網(wǎng)絡(luò)與其他研究方法在信用評估中的效果，Rosenberg和Gleit (1994) 從應(yīng)用層面討論了神經(jīng)網(wǎng)絡(luò)在信貸決策中的作用[1]，West David(2000)在信貸評價(jià)研究中提出五種神經(jīng)網(wǎng)絡(luò)模型[2]，Cimpoeru和Smaranda Stoenescu(2011)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于信用風(fēng)險(xiǎn)評估，并證明神經(jīng)網(wǎng)絡(luò)優(yōu)于邏輯回歸[3]。國內(nèi)研究方面，郭文偉和陳澤鵬(2012)證明了Mixed-logistic信用風(fēng)險(xiǎn)評價(jià)模型的有效性[4];郭文偉、陳澤鵬、鐘明(2013)提出了基于MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建小企業(yè)信用風(fēng)險(xiǎn)預(yù)警模型[5];張宏民(2014)將神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合，建立了信用風(fēng)險(xiǎn)評價(jià)模型[6];馮貴艷(2016)將GA-BP神經(jīng)網(wǎng)絡(luò)作為信用評價(jià)方法，建立了針對建筑企業(yè)的信用評價(jià)模型[7];You Zhu,Chi Xie等(2016)在研究中構(gòu)建了基于邏輯回歸和人工神經(jīng)網(wǎng)絡(luò)的兩階段混合模型，預(yù)測中國中小企業(yè)在供應(yīng)鏈融資中的信貸風(fēng)險(xiǎn)，并證明了該模型具有很好的分類能力[8];黃薷丹(2018)分析比較了不同大數(shù)據(jù)算法的利弊,針對所搜集的樣本數(shù)據(jù)特征,選取了神經(jīng)網(wǎng)絡(luò)模型來構(gòu)建商業(yè)銀行企業(yè)客戶信貸風(fēng)險(xiǎn)評價(jià)體系,并進(jìn)行實(shí)證分析[9];霍源源、姚添譯、李江(2019)基于Probit模型構(gòu)建了制造業(yè)企業(yè)信用風(fēng)險(xiǎn)評估方法,通過指標(biāo)選取及檢驗(yàn)[10];常千、高天惠、朱家明(2021)以人工神經(jīng)網(wǎng)絡(luò)及模糊數(shù)學(xué)理論為基礎(chǔ)，針對中小微企業(yè)風(fēng)險(xiǎn)評價(jià)及銀行信貸策略規(guī)劃,構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型和模糊綜合評價(jià)模型[11]。

梳理國內(nèi)外相關(guān)研究文獻(xiàn)可見，基于數(shù)理技術(shù)的信貸風(fēng)險(xiǎn)評價(jià)模型不斷發(fā)展，從最初的判別分析模型、logistic回歸分析模型，到?jīng)Q策樹法，再到人工神經(jīng)網(wǎng)絡(luò)，為實(shí)踐中控制信貸風(fēng)險(xiǎn)評價(jià)提供了較為堅(jiān)實(shí)的理論依據(jù)。本文在綜合國內(nèi)外研究成果的基礎(chǔ)上，引入BP神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建科技型企業(yè)的信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，選取深交所創(chuàng)業(yè)板上市公司中176家科技企業(yè)為實(shí)證研究樣本，運(yùn)用因子分析法，利用MATLAB R2014a軟件對模型進(jìn)行訓(xùn)練和測試。以期為科技銀行甄別出信用等級高、市場前景好的科技企業(yè)提供借鑒，從而提高信貸審批效率，降低信貸風(fēng)險(xiǎn)，將有限的金融資源流向優(yōu)質(zhì)的科技項(xiàng)目，促進(jìn)科技金融的發(fā)展。

一、科技企業(yè)信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)體系構(gòu)建

對于科技企業(yè)信貸風(fēng)險(xiǎn)評價(jià)，選擇合適的評價(jià)指標(biāo)是達(dá)到準(zhǔn)確和客觀要求的關(guān)鍵，評價(jià)指標(biāo)的選取是評價(jià)的前提和基礎(chǔ)。評價(jià)企業(yè)信貸風(fēng)險(xiǎn)指標(biāo)體系雖然在理論上和實(shí)踐上有一定的差異，但基本思路趨于一致，即通過選擇較為典型的財(cái)務(wù)和非財(cái)務(wù)指標(biāo)，從償債能力、盈利能力、營運(yùn)能力、發(fā)展能力等方面進(jìn)行評價(jià)。針對科技企業(yè)信貸風(fēng)險(xiǎn)評估指標(biāo)體系，趙昌文，陳春發(fā)等(2009)提出評價(jià)高新技術(shù)企業(yè)信用狀況的七要素，并篩選出17個(gè)定量指標(biāo)和3個(gè)定性指標(biāo)[12]；汪泉和曹陽(2014)詳細(xì)分析了科技企業(yè)信貸風(fēng)險(xiǎn)特點(diǎn)，提出 “SPECAIL”信用評價(jià)法對科技金融的信用風(fēng)險(xiǎn)進(jìn)行識別、度量與控制[13]；霍源源、姚添譯、李江(2019)認(rèn)為流動資產(chǎn)比率、資產(chǎn)負(fù)債率及總資產(chǎn)增長率等10個(gè)財(cái)務(wù)變量可以顯著地反映企業(yè)償付能力和發(fā)展能力,并作為風(fēng)險(xiǎn)測度模型的解釋變量[10]；于穎(2021)從投貸聯(lián)動角度，提出了包括技術(shù)風(fēng)險(xiǎn)、財(cái)務(wù)風(fēng)險(xiǎn)、其他風(fēng)險(xiǎn)等3個(gè)一級指標(biāo)、11個(gè)二級指標(biāo)、44個(gè)三級指標(biāo)的銀行科技信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)體系構(gòu)建[14]。本文考慮科技企業(yè)的“科技”屬性，在現(xiàn)有文獻(xiàn)的基礎(chǔ)上，選擇技術(shù)開發(fā)人員比重、研發(fā)投入占營業(yè)收入比重、資本化研發(fā)支出占研發(fā)投入比重、資本化研發(fā)支出占當(dāng)期凈利潤比重等4個(gè)典型指標(biāo)考察科技企業(yè)的創(chuàng)新能力，并將其納入到信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)體系。從而形成了包括償債能力、盈利能力、營運(yùn)能力、發(fā)展能力、創(chuàng)新能力等5個(gè)一級指標(biāo)、17個(gè)二級指標(biāo)的科技企業(yè)信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，如圖1所示。

圖1 科技企業(yè)信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)體系圖

二、樣本分析與數(shù)據(jù)處理

(一)樣本設(shè)計(jì)

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的實(shí)證分析包括兩個(gè)階段：第一階段要對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，第二階段在完成訓(xùn)練的基礎(chǔ)上進(jìn)行測試，所以本文的樣本分為訓(xùn)練樣本和測試樣本。類似于評價(jià)指標(biāo)的選取，樣本的設(shè)計(jì)也需要遵循一定原則，首先，樣本必須具備相關(guān)性，即與研究內(nèi)容相關(guān)，本文所選取的樣本企業(yè)必須為科技企業(yè)。其次，樣本要具備適度性，樣本容量既不能太小，也不能太大，樣本容量太小不具備代表性，會影響結(jié)果的準(zhǔn)確性和普適性，反之，又會不經(jīng)濟(jì)，造成浪費(fèi)，增加研究人員的壓力。

本文根據(jù)研究特點(diǎn)及樣本選取原則，并結(jié)合科技企業(yè)的界定，選取深交所創(chuàng)業(yè)板上市公司176家科技企業(yè)為研究樣本，利用國泰安數(shù)據(jù)庫以及這176家企業(yè)2020年的年度報(bào)告收集整理數(shù)據(jù)，剔除部分指標(biāo)數(shù)據(jù)殘缺的企業(yè)，最終獲得由160家科技企業(yè)組成的實(shí)證樣本。將其中120家樣本企業(yè)作為訓(xùn)練樣本，40家樣本企業(yè)作為測試樣本。

(二)數(shù)據(jù)的處理

1.數(shù)據(jù)歸一

在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，輸入向量與權(quán)值相乘并減去閾值后傳遞給激活函數(shù)進(jìn)行處理，激活函數(shù)是sigmoid函數(shù)。為了避免神經(jīng)元飽和，消除原始數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的影響，需要將輸入數(shù)據(jù)的范圍與經(jīng)過隱含層和輸出層處理后的輸出范圍相適應(yīng)，即對指標(biāo)數(shù)據(jù)進(jìn)行歸一化處理。歸一化處理的方式有很多種，本文運(yùn)用公式1對指標(biāo)數(shù)據(jù)進(jìn)行處理，使得數(shù)據(jù)的范圍位于[0,1]之間。

(公式1)

2.KMO 和Bartlett 球形檢驗(yàn)

考慮到定性分析選取的17個(gè)指標(biāo)中的一些指標(biāo)之間可能存在很強(qiáng)的內(nèi)部依賴關(guān)系，因此有必要尋找相關(guān)性較強(qiáng)的指標(biāo)的公共因子，從而達(dá)到精簡指標(biāo)的目的。本文運(yùn)用因子分析法，抽取指標(biāo)間的公共因子，以包含絕大多數(shù)重要信息的少數(shù)綜合指標(biāo)替代原始指標(biāo)，減少指標(biāo)數(shù)量，降低輸入維，提高訓(xùn)練效率。本文運(yùn)用KMO 和Bartlett球形檢驗(yàn)可以用來判斷進(jìn)行因子分析的可行性判斷，經(jīng)過SPSS分析，KMO檢驗(yàn)得到的取樣適切性量數(shù)為0.604，Bartlett球形檢驗(yàn)的顯著性為0.000，小于0.01，符合進(jìn)行因子分析的條件。

3.因子分析

在KMO和Bartlett球形檢驗(yàn)的基礎(chǔ)上，本文利用SPSS軟件對所選的160家科技企業(yè)的17個(gè)信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)進(jìn)行因子分析。首先從Excel表中將評價(jià)指標(biāo)數(shù)據(jù)轉(zhuǎn)入SPSS；然后點(diǎn)擊“分析/降維/因子分析”，并進(jìn)行“描述統(tǒng)計(jì)”“抽取”“旋轉(zhuǎn)”及“選項(xiàng)”的基礎(chǔ)設(shè)置，其中提取方法采用主成分分析法；最后得到SPSS因子分析結(jié)果，見表1所示。

由表1可見，前六個(gè)公共因子的累積方差百分比為79.429%，大于75%，近乎達(dá)到80%。因此，本文根據(jù)總方差解釋表抽取前六個(gè)因子為公共因子，分別用A、B、C、D、E、F來代表，并結(jié)合因子荷載矩陣分析可得：公共因子A反映科技企業(yè)盈利能力信息，主要包括x4(資產(chǎn)報(bào)酬率)、x5(凈資產(chǎn)收益率)、x6(營業(yè)凈利率)、x7(成本費(fèi)用利潤率)4項(xiàng)原始指標(biāo)；公共因子B反映科技企業(yè)償債能力信息，主要包括x1(流動比率)、x2(速動比率)、x3(資產(chǎn)負(fù)債率)3項(xiàng)原始指標(biāo)；公共因子C反映科技企業(yè)營運(yùn)能力信息，主要包括x8(應(yīng)收賬款周轉(zhuǎn)率)、x9(存貨周轉(zhuǎn)率)、x10(總資產(chǎn)周轉(zhuǎn)率)3項(xiàng)原始指標(biāo)；公共因子D反映科技企業(yè)發(fā)展能力信息，主要包括x11(凈資產(chǎn)收益率增長率)、x12(凈利潤增長率)、x13(營業(yè)收入增長率)3項(xiàng)原始指標(biāo)；公共因子E反映科技企業(yè)研發(fā)投入資本化能力信息，主要包括x16(資本化研發(fā)支出占研發(fā)投入比重)、x17(資本化研發(fā)支出占當(dāng)期凈利潤比重)2項(xiàng)原始指標(biāo)；公共因子F反映企業(yè)進(jìn)行科技研發(fā)投入的人力、財(cái)力、物力，主要受到x14(技術(shù)開發(fā)人員比重)、x15(研發(fā)投入占營業(yè)收入比重)2項(xiàng)原始指標(biāo)的影響。

將整個(gè)評價(jià)指標(biāo)體系反映的信貸風(fēng)險(xiǎn)綜合信息用R表示，根據(jù)總方差解釋表中的結(jié)果，得到6個(gè)公共因子對R的信息貢獻(xiàn)率表達(dá)式為：

R=0.2492A+0.1678B+0.1179C+0.1017D+0.0905E+0.0672F

(公式2)

進(jìn)一步將A、B、C、D、E、F等6個(gè)公共因子值帶入R中，得到原始評價(jià)指標(biāo)x1、x2、…x17對R的信息貢獻(xiàn)率表達(dá)式，式中各指標(biāo)的權(quán)重即為各指標(biāo)對評價(jià)體系整體的貢獻(xiàn)率。

R=0.1829x1+0.1802x2-0.1472x3+0.2478x4+0.2227x5+0.2466x6+0.2583x7

+0.0997x8+0.023x9+0.0771x10+0.2062x11+0.1776x12+0.0344x13+0.0385x14

+0.0505x15+0.1163x16+0.0794x17

(公式3)

表1 因子分析總方差解釋表

三、基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測試

(一)企業(yè)初始信貸狀況評價(jià)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練需要已知樣本企業(yè)的初始信貸狀況作為期望輸出。由于目前科技銀行的相關(guān)業(yè)務(wù)還不成熟，不僅難以獲得科技企業(yè)的信貸狀況數(shù)據(jù)，而且難以保證數(shù)據(jù)客觀性。因此，本研究將在因子分析的基礎(chǔ)上采用“3σ”法則對企業(yè)的初始信貸狀況做出評價(jià)。

目前，我國銀行在評估信貸質(zhì)量時(shí)遵照央行頒布的《貸款風(fēng)險(xiǎn)分類指導(dǎo)原則》，按照風(fēng)險(xiǎn)的大小進(jìn)行分類，將貸款質(zhì)量劃分為五級，即正常、關(guān)注、次級、可疑和損失五個(gè)等級。因此，本文在對企業(yè)初始信貸狀況進(jìn)行評價(jià)時(shí)參照銀行信貸的五級劃分標(biāo)準(zhǔn)，將企業(yè)初始信貸狀況分為AA(正常)、A(關(guān)注)、BB(次級)、B(可疑)、C(損失)五類，具體見表2所示。

表2 企業(yè)初始信貸狀況劃分標(biāo)準(zhǔn)

將樣本中各科技企業(yè)的信貸風(fēng)險(xiǎn)綜合信息R與表2所示的信貸狀況劃分方法相對應(yīng)，即可得到科技企業(yè)的初始信貸狀況。

(二)基于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測試

1.BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

結(jié)合BP神經(jīng)網(wǎng)絡(luò)的基本原理，本文構(gòu)建了一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)模型，即隱含層的個(gè)數(shù)為1。模型中各要素的設(shè)定遵循以下規(guī)則：BP神經(jīng)網(wǎng)絡(luò)的輸入維根據(jù)樣本的指標(biāo)數(shù)確定；輸出維根據(jù)信貸風(fēng)險(xiǎn)評價(jià)對輸出結(jié)果的要求設(shè)定；對于隱含層神經(jīng)元數(shù)量的確定比較復(fù)雜，沒有普遍公認(rèn)的理論和方法作為指導(dǎo)，本文根據(jù)已有研究成果并結(jié)合反復(fù)試錯(cuò)的方法來決定。

從160家科技企業(yè)的實(shí)證樣本中抽取120家科技企業(yè)作為訓(xùn)練樣本，訓(xùn)練樣本的信貸風(fēng)險(xiǎn)評價(jià)指標(biāo)為經(jīng)過因子分析抽取出的6個(gè)綜合評價(jià)指標(biāo)，因此，確定BP神經(jīng)網(wǎng)絡(luò)的輸入維為6。輸出層的輸出結(jié)果要與初始信貸狀況相比較以實(shí)現(xiàn)對BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，樣本企業(yè)的初始信貸狀況有五個(gè)等級，設(shè)定輸出維為5，輸出向量與信貸等級一一對應(yīng)：AA級為(1，0，0，0，0)，A級為(0，1，0，0，0)，BB級為(0，0，1，0，0)，B級為(0，0，0，1，0)，C級為(0，0，0，0，1)。經(jīng)過多次訓(xùn)練試錯(cuò)，確定隱含層神經(jīng)元數(shù)量為4的時(shí)候效果最優(yōu)，誤差相對最小。

借助MATLAB R2014a實(shí)現(xiàn)編程，本文構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)信貸風(fēng)險(xiǎn)評價(jià)模型，在算法的選擇上采用動量BP算法，即通過在梯度下降算法中加入動量因子的方式，加速收斂，縮短訓(xùn)練時(shí)間。訓(xùn)練采用批量處理的方式，將那些用于訓(xùn)練的樣本數(shù)據(jù)同時(shí)輸入，通過計(jì)算樣本的偏差對權(quán)值和閾值做出相應(yīng)的調(diào)整和修正。權(quán)值的初始化利用rand函數(shù)實(shí)現(xiàn)，為一個(gè)較小的隨機(jī)數(shù)，同時(shí)將閾值合并到權(quán)值中，相當(dāng)于多了一個(gè)恒為1的輸出。激活函數(shù)選用logsig(S型對數(shù))函數(shù)，動量因子設(shè)定為0.8，學(xué)習(xí)率設(shè)定為0.1，設(shè)定迭代的次數(shù)不超過3 000次，訓(xùn)練希望達(dá)到的誤差為0.01。

在MATLAB R2014a中運(yùn)行程序，訓(xùn)練誤差如圖2所示，觀察到誤差(errRec)從第一次迭代中的0.2 896開始，在經(jīng)過237次迭代之后達(dá)到0.008 188，小于訓(xùn)練目標(biāo)誤差，停止訓(xùn)練。

圖2 BP神經(jīng)網(wǎng)絡(luò)errRec收斂圖

2.BP神經(jīng)網(wǎng)絡(luò)的測試

運(yùn)用40家科技企業(yè)的指標(biāo)數(shù)據(jù)對訓(xùn)練好的模型進(jìn)行測試，得到的測試結(jié)果與期望結(jié)果的對比情況如表3所示。對比結(jié)果，模型的輸出的正確率為87.5%，錯(cuò)誤判斷表現(xiàn)在將4家AA級科技企業(yè)誤判為A級，將1家C級科技企業(yè)誤判為BB級。《貸款風(fēng)險(xiǎn)分類指導(dǎo)原則》中將BB、B、C這三類合稱為不良貸款，測試結(jié)果沒有出現(xiàn)將后三類貸款劃分為AA或A級貸款的狀況，說明BP神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確的劃分優(yōu)良貸款和不良貸款，在對科技企業(yè)信貸風(fēng)險(xiǎn)評價(jià)中表現(xiàn)出較高的準(zhǔn)確性。

表3 測試樣本企業(yè)預(yù)測與初始信貸狀況對比表

四、研究結(jié)論與建議

(一)借助BP神經(jīng)網(wǎng)絡(luò)不斷優(yōu)化評價(jià)模型

目前對企業(yè)開展的信貸風(fēng)險(xiǎn)評價(jià)已經(jīng)在定性分析的基礎(chǔ)上引入了定量分析模型，但仍然處于探索階段，存在許多不足，需要進(jìn)一步探索和優(yōu)化。因此，在信貸風(fēng)險(xiǎn)評價(jià)過程中選擇好的信貸風(fēng)險(xiǎn)評價(jià)模型，對于提高信貸風(fēng)險(xiǎn)評價(jià)的效率和準(zhǔn)確性非常重要。通過實(shí)證分析結(jié)果，可以看出BP神經(jīng)網(wǎng)絡(luò)在區(qū)分優(yōu)良貸款和不良貸款中表現(xiàn)出較高的準(zhǔn)確性。因此，銀行在對科技企業(yè)的貸款申請進(jìn)行審批的過程中，可以借助BP神經(jīng)網(wǎng)絡(luò)的分類功能以及在處理非線性問題時(shí)表現(xiàn)出的優(yōu)良特性，優(yōu)化信貸風(fēng)險(xiǎn)評價(jià)模型，提高對科技企業(yè)信貸等級劃分的準(zhǔn)確性，降低信貸風(fēng)險(xiǎn)。但是，受樣本量的影響，當(dāng)前基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)方法評價(jià)精度仍有待進(jìn)一步提高，因此，有必要將存量科技型企業(yè)的信貸業(yè)務(wù)以基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)方法進(jìn)行復(fù)盤，通過“數(shù)據(jù)投喂”，不斷提升基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)方法的精度。

(二)合理構(gòu)建科技企業(yè)信貸風(fēng)險(xiǎn)評估評價(jià)指標(biāo)體系

指標(biāo)體系是否合理決定著評價(jià)結(jié)果是否準(zhǔn)確，并影響科技企業(yè)的發(fā)展和銀行信貸風(fēng)險(xiǎn)。在選取評價(jià)指標(biāo)時(shí)，首先，應(yīng)根據(jù)信貸風(fēng)險(xiǎn)評價(jià)的要求以及科技企業(yè)的特點(diǎn)，遵循系統(tǒng)性、全面性、科學(xué)性和重要性以及可操作性原則。其次，在具體指標(biāo)選取的過程中，要將這些原則相結(jié)合進(jìn)行考慮，不可偏頗，不能為了達(dá)到系統(tǒng)性和全面性就不考慮可操作性方面的限制。本文按照設(shè)定的指標(biāo)選取原則構(gòu)建了包含5個(gè)一級指標(biāo)，17個(gè)二級指標(biāo)的信貸風(fēng)險(xiǎn)評價(jià)體系，在實(shí)務(wù)操作中，應(yīng)綜合分析被評價(jià)科技企業(yè)的具體特性，對指標(biāo)體系進(jìn)行不斷完善，特別是在非財(cái)務(wù)指標(biāo)的選擇上，可以聘請經(jīng)驗(yàn)豐富的專業(yè)人員，對科技企業(yè)所處的行業(yè)特點(diǎn)以及整體宏觀環(huán)境等進(jìn)行評價(jià)，從而使指標(biāo)體系更加全面合理。再次，科技企業(yè)公司治理模式、企業(yè)發(fā)展時(shí)期、經(jīng)營者的管理素質(zhì)和能力等非量化因素對全面評估科技企業(yè)信貸風(fēng)險(xiǎn)狀況具有十分重要意義。因此，在評估指標(biāo)體系構(gòu)建時(shí)，需要合理把握財(cái)務(wù)與非財(cái)務(wù)因素、定量化和定性化因素的構(gòu)成關(guān)系，并不斷完善評價(jià)指標(biāo)體系，使指標(biāo)體系在盡可能全面反應(yīng)信貸風(fēng)險(xiǎn)的基礎(chǔ)上更加精煉，更加合理，從而提高信貸風(fēng)險(xiǎn)評價(jià)效率。

(三)充分考慮科技企業(yè)的特殊性，綜合評價(jià)科技企業(yè)信貸風(fēng)險(xiǎn)

本文在對原始信貸評價(jià)指標(biāo)進(jìn)行因子分析時(shí)，信貸風(fēng)險(xiǎn)綜合信息系數(shù)R中部分指標(biāo)的權(quán)重與同類指標(biāo)相比表現(xiàn)出了較大的差異，這些差異反應(yīng)了科技企業(yè)的特性導(dǎo)致的信貸風(fēng)險(xiǎn)影響因素的特殊性，應(yīng)當(dāng)予以重點(diǎn)關(guān)注。

盈利性指標(biāo)比償債性指標(biāo)的權(quán)重更大，由此可見，對科技企業(yè)信貸風(fēng)險(xiǎn)影響最大的因素是企業(yè)的盈利能力。技術(shù)研發(fā)的不確定、市場接受度不明朗是導(dǎo)致科技企業(yè)高風(fēng)險(xiǎn)的關(guān)鍵，盈利能力是企業(yè)通過自身經(jīng)營活動創(chuàng)造資金的能力，傳遞出企業(yè)科技創(chuàng)新能否獲得成功，決定著企業(yè)能否實(shí)現(xiàn)由高風(fēng)險(xiǎn)到高效益的轉(zhuǎn)變。因此，在做出針對科技企業(yè)的信貸風(fēng)險(xiǎn)評價(jià)時(shí)，應(yīng)該著重關(guān)注反映其盈利能力的因素。

在衡量發(fā)展能力的指標(biāo)中，營業(yè)收入增長率與其他兩項(xiàng)指標(biāo)的權(quán)重相比明顯小很多，這一差異表明在評價(jià)科技企業(yè)信貸風(fēng)險(xiǎn)時(shí)雖然要關(guān)注其成長能力，不能要求科技企業(yè)同普通企業(yè)一樣一直保持均勻的營業(yè)收入增長率。因?yàn)闋I業(yè)收入取決于價(jià)格和銷量兩個(gè)因素，價(jià)格的高低反映產(chǎn)品本身的特質(zhì)，銷量的大小反映產(chǎn)品的市場需求和市場占有率，這兩個(gè)因素恰好體現(xiàn)了科技企業(yè)的關(guān)鍵點(diǎn)——科技產(chǎn)品成果化和市場化?？萍计髽I(yè)對信貸資金大量需求的時(shí)候，也正是在尋找創(chuàng)收點(diǎn)的時(shí)候，不可能保持較高的營業(yè)收入增長率，而是會隨著科技產(chǎn)品成果化、市場化的成功呈現(xiàn)突破性增長、呈現(xiàn)一個(gè)階梯型狀態(tài)。

創(chuàng)新能力方面，資本化研發(fā)支出占研發(fā)投入比表現(xiàn)出比技術(shù)人員比、研發(fā)投入占營業(yè)收入比更大的權(quán)重，這一點(diǎn)更好的解釋了科技企業(yè)高于一般企業(yè)的信貸風(fēng)險(xiǎn)源于其創(chuàng)新技術(shù)成果化、產(chǎn)業(yè)化的不確定性。在對科技企業(yè)的信貸風(fēng)險(xiǎn)進(jìn)行評價(jià)時(shí)，既要重點(diǎn)關(guān)注科技產(chǎn)品或服務(wù)成果化的情況，同時(shí)也要考慮到不同企業(yè)科技產(chǎn)品的特殊性，對于研發(fā)周期較長的科技企業(yè)，在短期內(nèi)可能難以取得較高的研發(fā)支出資本化比重，此時(shí)就要綜合科技產(chǎn)品的特性予以確定。

(四)在非上市科技企業(yè)中試點(diǎn)BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)

本文以上市科技企業(yè)為研究對象，構(gòu)建的基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)對非上市科技型企業(yè)也同樣具有借鑒意義。在非上市科技型企業(yè)信貸風(fēng)險(xiǎn)評價(jià)中試點(diǎn)采用基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)方法，具有兩大優(yōu)勢：一是采用基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)方法可以有效控制銀行的信貸風(fēng)險(xiǎn)，幫助銀行進(jìn)軍在非上市科技型企業(yè)信貸的“藍(lán)海市場”，提高銀行信貸效率。二是提升金融服務(wù)實(shí)體經(jīng)濟(jì)的效率，緩解中小科創(chuàng)型企業(yè)“融資難、融資貴”的問題，以金融工具促進(jìn)實(shí)體經(jīng)濟(jì)高質(zhì)量發(fā)展。當(dāng)然，在非上市科技型企業(yè)應(yīng)用基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)模型時(shí)，需要根據(jù)非上市科創(chuàng)型企業(yè)的行為特征，不斷優(yōu)化非上市科創(chuàng)型企業(yè)指標(biāo)體系，加強(qiáng)指標(biāo)間權(quán)重關(guān)系研究，進(jìn)而優(yōu)化基于BP神經(jīng)網(wǎng)絡(luò)的信貸風(fēng)險(xiǎn)評價(jià)模型，提高銀行對非上市科技型企業(yè)信貸風(fēng)險(xiǎn)評價(jià)的效率和信度。