中小企業(yè)違約和破產(chǎn)研究文獻(xiàn)綜述

林治乾

摘要：有效識(shí)別中小企業(yè)貸款的風(fēng)險(xiǎn)要素，準(zhǔn)確預(yù)測(cè)和度量中小企業(yè)貸款的違約風(fēng)險(xiǎn)，是破解中小企業(yè)貸款難的關(guān)鍵。對(duì)于中小企業(yè)違約和破產(chǎn)的實(shí)證研究采用的方法有普通的多元回歸（OLS）、簡(jiǎn)單-直觀模型、傳統(tǒng)的多元判別分析模型和邏輯回歸模型等。影響中小企業(yè)信貸風(fēng)險(xiǎn)的要素除了傳統(tǒng)的財(cái)務(wù)變量以外，還包括非財(cái)務(wù)因素，而且非財(cái)務(wù)的定性要素比定量的財(cái)務(wù)因素的作用更加重要。

關(guān)鍵詞：中小企業(yè)；違約和破產(chǎn)；財(cái)務(wù)因素；非財(cái)務(wù)因素

中小企業(yè)貸款難是國(guó)際和國(guó)內(nèi)都普遍面臨的困境，也是學(xué)術(shù)界和政策制定者都廣泛關(guān)注的一個(gè)重要問(wèn)題。中小企業(yè)通常沒(méi)有經(jīng)過(guò)審計(jì)的財(cái)務(wù)報(bào)表，透明度低。因此，信息不對(duì)稱是中小企業(yè)融資需求得不到滿足的根本原因。有效識(shí)別中小企業(yè)貸款的風(fēng)險(xiǎn)要素，準(zhǔn)確預(yù)測(cè)和度量中小企業(yè)貸款的違約風(fēng)險(xiǎn)，是破解中小企業(yè)貸款難的關(guān)鍵。

一、企業(yè)違約和破產(chǎn)研究方法比較

（二）風(fēng)險(xiǎn)指數(shù)模型

Tamari（1966）引入風(fēng)險(xiǎn)指數(shù)模型研究企業(yè)的財(cái)務(wù)健康狀況[4]。他選取部分財(cái)務(wù)指標(biāo)，根據(jù)各個(gè)指標(biāo)的相對(duì)重要性賦予權(quán)重；每項(xiàng)指標(biāo)根據(jù)一定規(guī)則被賦予一個(gè)分值，合計(jì)得到表明企業(yè)信用風(fēng)險(xiǎn)水平的“風(fēng)險(xiǎn)指數(shù)”。每個(gè)企業(yè)的風(fēng)險(xiǎn)指數(shù)在0-100之間，分值高則風(fēng)險(xiǎn)小，分值低則風(fēng)險(xiǎn)高。Moses&Liao（1987）的風(fēng)險(xiǎn)指數(shù)模型則是通過(guò)單變量分析確定每個(gè)財(cái)務(wù)比率的最優(yōu)臨界值，高于臨界值得分為1，低于臨界值得分為0，將所有變量的得分簡(jiǎn)單相加就得到風(fēng)險(xiǎn)指數(shù)[5]。風(fēng)險(xiǎn)指數(shù)模型的優(yōu)點(diǎn)是簡(jiǎn)單直觀，但缺點(diǎn)則是主觀性較強(qiáng)。

（四）神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是基于簡(jiǎn)單的生物神經(jīng)元模型的機(jī)器學(xué)習(xí)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)模型20世紀(jì)90年代開(kāi)始被應(yīng)用于企業(yè)違約和破產(chǎn)預(yù)測(cè)研究。Tam&Kiang（1992）通過(guò)與線性方法的比較，證明神經(jīng)網(wǎng)絡(luò)模型在企業(yè)破產(chǎn)和違約預(yù)測(cè)的準(zhǔn)確性、適用性和穩(wěn)健性方面都具有很好前景[9]。但Altman，Marcoetc（1994）已經(jīng)比較了傳統(tǒng)統(tǒng)計(jì)方法（包括線性判別分析法和邏輯回歸法）與人工神經(jīng)網(wǎng)絡(luò)方法的優(yōu)劣，指出人工神經(jīng)網(wǎng)絡(luò)方法存在著權(quán)重設(shè)置無(wú)邏輯依據(jù)和過(guò)度擬合問(wèn)題[10]。石慶炎和靳云匯（2004）指出，人工神經(jīng)網(wǎng)絡(luò)模型的精確性要高于傳統(tǒng)的判別分析法和對(duì)數(shù)回歸法等信用評(píng)分方法，僅從預(yù)測(cè)精度的角度，人工神經(jīng)網(wǎng)絡(luò)法有優(yōu)勢(shì)[11]。但判別分析法和對(duì)數(shù)回歸法的預(yù)測(cè)精度也在可接受范圍內(nèi)，能夠準(zhǔn)確的區(qū)分“優(yōu)質(zhì)”客戶和“劣質(zhì)”客戶。

二、中小企業(yè)違約和破產(chǎn)實(shí)證研究

20世紀(jì)90年代開(kāi)始，信貸評(píng)分卡技術(shù)開(kāi)始被應(yīng)用于中小企業(yè)貸款的發(fā)放。信貸評(píng)分卡技術(shù)利用歷史數(shù)據(jù)和統(tǒng)計(jì)技術(shù)，分析各種風(fēng)險(xiǎn)要素對(duì)貸款違約率的影響程度，度量和預(yù)測(cè)中小企業(yè)貸款的違約風(fēng)險(xiǎn)。

（一）中小企業(yè)貸款的風(fēng)險(xiǎn)要素

由于認(rèn)識(shí)到中小企業(yè)的風(fēng)險(xiǎn)特征與大企業(yè)存在顯著的差異，中小企業(yè)違約和破產(chǎn)研究的一個(gè)重要變化就是在傳統(tǒng)的財(cái)務(wù)要素的基礎(chǔ)之上，增加了對(duì)非財(cái)務(wù)要素的分析。如Edmister（1972）首次研究中小企業(yè)的信用風(fēng)險(xiǎn)問(wèn)題時(shí)構(gòu)建的分步式多元判別模型中包含的19個(gè)判別因素全部都是財(cái)務(wù)比率[12]。Altman&Sabato（2005）以美國(guó)WRDSCOMPUSTAT數(shù)據(jù)庫(kù)1994—2002年的中小企業(yè)貸款數(shù)據(jù)為樣本進(jìn)行的實(shí)證研究，由于數(shù)據(jù)中沒(méi)有包括定性變量，只考慮了反映企業(yè)流動(dòng)性、盈利性、杠桿率、利息覆蓋率和經(jīng)營(yíng)能力的五組財(cái)務(wù)變量[13]。但研究結(jié)果發(fā)現(xiàn)，中小企業(yè)與大企業(yè)的風(fēng)險(xiǎn)特征有顯著的差異，傳統(tǒng)的用于預(yù)測(cè)大企業(yè)違約和破產(chǎn)風(fēng)險(xiǎn)的方法并不適用于中小企業(yè)。

Samolyk（2000）已經(jīng)將可能影響中小企業(yè)貸款違約風(fēng)險(xiǎn)的要素分為兩類：企業(yè)所有者的基本特征和企業(yè)的財(cái)務(wù)信息[14]。世界婦女銀行在哥倫比亞和多米尼加共和國(guó)的分支機(jī)構(gòu)在美洲開(kāi)發(fā)銀行的資助下進(jìn)行的研究項(xiàng)目中，根據(jù)重要程度列出了中小企業(yè)違約和破產(chǎn)的21個(gè)推斷因素，包括：之前貸款的最長(zhǎng)逾期天數(shù)、成為銀行客戶的時(shí)間、企業(yè)類型、申請(qǐng)人年齡、授信審批人員特征、電話所有權(quán)、家庭結(jié)構(gòu)、企業(yè)成立年限、手頭現(xiàn)金、分期還款期數(shù)、在目前居所居住年限、貸款逾期的期數(shù)、提前還款的期數(shù)、授信審批人員的經(jīng)驗(yàn)、家庭經(jīng)營(yíng)的企業(yè)數(shù)、貸款申請(qǐng)與放款之間的間隔天數(shù)、總資產(chǎn)、償還上筆貸款與申請(qǐng)本筆貸款之間的間隔天數(shù)、應(yīng)收賬款、房屋所有權(quán)、負(fù)債/權(quán)益比率。其中除傳統(tǒng)的財(cái)務(wù)要素外，還包含大量的非財(cái)務(wù)要素，這些非財(cái)務(wù)因素還具有很強(qiáng)的重要性。

（二）對(duì)美國(guó)和歐洲中小企業(yè)違約和破產(chǎn)的實(shí)證研究

Altman&Sabato（2005）用邏輯回歸法和多元判別分析法共構(gòu)建了三個(gè)模型，對(duì)美國(guó)中小企業(yè)的違約風(fēng)險(xiǎn)進(jìn)行實(shí)證研究。研究結(jié)果發(fā)現(xiàn)，邏輯模型的精確性顯著優(yōu)于多元判別模型。He，Kamathetc（2005）以美國(guó)1990—1998年場(chǎng)外交易市場(chǎng)數(shù)據(jù)為樣本（該樣本是包含破產(chǎn)和未企業(yè)破產(chǎn)企業(yè)樣本各158個(gè)的對(duì)稱樣本），構(gòu)建了兩個(gè)邏輯模型，一個(gè)只包含財(cái)務(wù)變量，一個(gè)增加了非財(cái)務(wù)變量。實(shí)證結(jié)果表明，包含非財(cái)務(wù)變量的模型對(duì)中小企業(yè)破產(chǎn)預(yù)測(cè)的準(zhǔn)確性顯著高于只包含財(cái)務(wù)變量的模型[15]。而Agarwal，Chomsisengphetetc（2005）在Samolyk（2000）的基礎(chǔ)上[16]，進(jìn)一步將風(fēng)險(xiǎn)要素細(xì)分為5類：（1）企業(yè)主特征。包括企業(yè)主的信用得分、企業(yè)主抵押、支票賬戶的平均余額；（2）企業(yè)特征。包括企業(yè)信用得分、企業(yè)財(cái)產(chǎn)抵押、經(jīng)營(yíng)年限；（3）貸款合約特征。包括貸款金額、風(fēng)險(xiǎn)溢價(jià)、內(nèi)部評(píng)級(jí)；（4）宏觀經(jīng)濟(jì)特征。包括失業(yè)率和9各州的虛擬變量；（5）行業(yè)特征。98個(gè)兩位數(shù)的SIC行業(yè)代碼。以2000年1月至2002年8月間美國(guó)多家金融機(jī)構(gòu)的31000多筆中小企業(yè)授信業(yè)務(wù)為樣本。通過(guò)多元回歸分析發(fā)現(xiàn)，中小企業(yè)所有者的行為和中小企業(yè)本身的公司行為都是預(yù)測(cè)中小企業(yè)貸款違約的重要預(yù)警指標(biāo)，但中小企業(yè)所有者的行為是決定中小企業(yè)貸款違約風(fēng)險(xiǎn)的主要因素。

Coravos（2010）以美國(guó)一家社區(qū)發(fā)展金融機(jī)構(gòu)2002—2007年的530筆小企業(yè)貸款數(shù)據(jù)為樣本，分別采用OLS、邏輯回歸和多元邏輯回歸三種方法對(duì)小企業(yè)貸款違約進(jìn)行了實(shí)證研究[17]。創(chuàng)新之處是將中小企業(yè)貸款的信用狀況定義為三種：（1）良好。沒(méi)有逾期記錄；（2）中等。曾經(jīng)有30天或60天的逾期記錄；（3）差。即貸款逾期超過(guò)90天或企業(yè)倒閉。影響中小企業(yè)貸款的風(fēng)險(xiǎn)要素分為4類：（1）借款人的特征。包括FICO信用得分、教育經(jīng)歷、管理經(jīng)驗(yàn)、種族、行業(yè)分類、性別、貸款前的債務(wù)收入比、行業(yè)年限、收入、資產(chǎn)、材料的所有權(quán)、以個(gè)人名義還是以公司名義貸款、公司結(jié)構(gòu)（公司、合伙還是獨(dú)資）；（2）貸款合約特征，包括貸款金額、貸款利率、貸款利率與基準(zhǔn)利率之差、是否浮動(dòng)利率（虛擬變量，浮動(dòng)=1，固定=0）、貸款年限、擔(dān)保形式（虛擬變量，小企業(yè)管理局擔(dān)保為1，非小企業(yè)管理局擔(dān)保則為0）、擔(dān)保比例；（3）貸款人的特征，包括信貸員的能力、對(duì)資金的時(shí)間限制（即資金是否必須在一定時(shí)間內(nèi)借出，否則將被收回）、調(diào)整貸款的能力；（4）宏觀經(jīng)濟(jì)變量，包括經(jīng)濟(jì)的最大變化（如最大失業(yè)率）、經(jīng)濟(jì)的平均變化（如平均失業(yè)率）、經(jīng)濟(jì)整體健康程度（如標(biāo)準(zhǔn)普爾500指數(shù)）。研究結(jié)果表明，F(xiàn)ICO信用得分是有效的預(yù)測(cè)變量；企業(yè)經(jīng)營(yíng)年限和管理經(jīng)驗(yàn)也是很好的預(yù)測(cè)變量，但經(jīng)營(yíng)年限對(duì)新成立的企業(yè)不具有預(yù)測(cè)性。

Kinat的研究報(bào)告中①，對(duì)2002—2007年美國(guó)小企業(yè)管理局擔(dān)保的小企業(yè)貸款數(shù)據(jù)的實(shí)證研究發(fā)現(xiàn)，企業(yè)主個(gè)人的信用積分、企業(yè)主的管理經(jīng)驗(yàn)和企業(yè)經(jīng)營(yíng)年限是對(duì)小企業(yè)違約預(yù)測(cè)性最強(qiáng)的3個(gè)變量。而貸款金額、借款人的資產(chǎn)凈值、貸款時(shí)預(yù)計(jì)的盈虧平衡點(diǎn)、年份、個(gè)人收入、貸款用途、擔(dān)保比例、貸款時(shí)的負(fù)債/收入比率、企業(yè)主的股權(quán)投資、SBA類型、貸款時(shí)的個(gè)人債務(wù)/收入比率、借款人性別、農(nóng)村/城市虛擬變量、企業(yè)類型（餐飲等）、種族等16個(gè)變量與貸款違約率的關(guān)系并不顯著。

Lehmann（2003）以德國(guó)一家商業(yè)銀行2000多筆小企業(yè)貸款的數(shù)據(jù)為樣本，構(gòu)建了兩個(gè)邏輯回歸模型，其中一個(gè)模型包含了定性變量，另一個(gè)不包含定性變量[18]。結(jié)果發(fā)現(xiàn)，只有定量因素還不足以判斷小企業(yè)違約的風(fēng)險(xiǎn)，增加定性因素能顯著提高模型預(yù)測(cè)的準(zhǔn)確性。而Altman，Sabatoetc（2008）以英國(guó)2000—2007年間的小企業(yè)貸款數(shù)據(jù)為樣本，用邏輯回歸法建立了兩個(gè)違約預(yù)測(cè)模型[19]。一個(gè)只包含了Altman&Sabato（2005）中的五組財(cái)務(wù)變量。另一個(gè)在Altman&Sabato（2005）的基礎(chǔ)上增加了非財(cái)務(wù)的定性變量，實(shí)證結(jié)果也證實(shí)增加定性因素能夠顯著提高模型預(yù)測(cè)的有效性。

Luppi，Marzoetc（2007）以意大利一家商業(yè)銀行提供的意大利市場(chǎng)上3900家年銷售收入低于1000萬(wàn)歐元的中小企業(yè)貸款數(shù)據(jù)為研究對(duì)象，采用似然比檢驗(yàn)，從50個(gè)變量中選擇了20個(gè)解釋變量，包括盈利性、流動(dòng)性、財(cái)務(wù)結(jié)構(gòu)、規(guī)模和地理位置等[20]。以邏輯回歸法進(jìn)行的實(shí)證檢驗(yàn)發(fā)現(xiàn)，銷售額、利息稅項(xiàng)折舊及攤銷前盈利、利潤(rùn)率等與違約率負(fù)相關(guān)，財(cái)務(wù)結(jié)構(gòu)和債務(wù)水平與違約率正相關(guān)。

Ooghe，Spaenjersetc（2009）用反映增加值、盈利性、償債能力和流動(dòng)性四個(gè)方面的8個(gè)財(cái)務(wù)比率建立了一個(gè)簡(jiǎn)單-直觀（simple-intuitivemodels）模型，并用比利時(shí)1990—1999年的數(shù)據(jù)進(jìn)行了實(shí)證檢驗(yàn)[21]。通過(guò)與傳統(tǒng)的統(tǒng)計(jì)模型結(jié)果的比較發(fā)現(xiàn)，該簡(jiǎn)單-直觀模型的預(yù)測(cè)結(jié)果同樣有效，而且更加簡(jiǎn)單實(shí)用。

（三）對(duì)新型經(jīng)濟(jì)體中小企業(yè)違約和破產(chǎn)的實(shí)證研究

2010年開(kāi)始，對(duì)中小企業(yè)違約和破產(chǎn)的研究逐漸由美國(guó)和歐洲等發(fā)達(dá)國(guó)家擴(kuò)展到新興市場(chǎng)國(guó)家。

Lugovskaya（2010）以俄羅斯火花數(shù)據(jù)庫(kù)收集的2000—2004年8967筆小企業(yè)貸款數(shù)據(jù)為樣本，采用線性判別分析法進(jìn)行了實(shí)證研究[22]。將25個(gè)自變量分為五組，其中財(cái)務(wù)比率四組，包括經(jīng)營(yíng)效率變量2項(xiàng)、盈利性變量7項(xiàng)、穩(wěn)健性變量5項(xiàng)和流動(dòng)性變量8項(xiàng)。非財(cái)務(wù)要素一組，包括總資產(chǎn)、銷售收入和經(jīng)營(yíng)年限等3項(xiàng)。采用最大方差主成份分析法去掉了相關(guān)性較強(qiáng)的部分變量，最終保留了11個(gè)自變量。研究結(jié)果表明，流動(dòng)性是最重要的判別要素，盈利性次之，企業(yè)規(guī)模和經(jīng)營(yíng)年限能夠提高判別模型的準(zhǔn)確性。

Gumparthi（2010）和Gumparthi&Manickavasagam（2010）都以印度中小企業(yè)貸款業(yè)務(wù)為研究對(duì)象[23]。Gumparthi（2010）采用普查的方法，通過(guò)對(duì)印度某非銀行金融機(jī)構(gòu)所有從事建筑機(jī)械和商用車信貸業(yè)務(wù)的信貸人員和外勤人員進(jìn)行問(wèn)卷調(diào)查，識(shí)別確定影響中小企業(yè)貸款風(fēng)險(xiǎn)的要素，根據(jù)調(diào)查結(jié)果給不同要素賦予適當(dāng)?shù)臋?quán)重，最終建立了一個(gè)專家型的中小企業(yè)信貸記分卡系統(tǒng)。該系統(tǒng)從定性因素和定量因素兩個(gè)方面對(duì)中小企業(yè)貸款進(jìn)行風(fēng)險(xiǎn)判斷，將中小企業(yè)貸款風(fēng)險(xiǎn)要素分為四大類28種。其中，包括流動(dòng)性風(fēng)險(xiǎn)要素5項(xiàng)；經(jīng)營(yíng)性風(fēng)險(xiǎn)要素11項(xiàng)；信用風(fēng)險(xiǎn)要素6項(xiàng)；市場(chǎng)風(fēng)險(xiǎn)要素6項(xiàng)。而Gumparthi&Manickavasagam（2010）以印度非銀行金融機(jī)構(gòu)2002—2009年度連續(xù)7年的數(shù)據(jù)進(jìn)行了判別分析[24]。判別的要素包括客戶歷史、行業(yè)地位、與供應(yīng)商的關(guān)系、與客戶的關(guān)系、競(jìng)爭(zhēng)情況、流動(dòng)性、杠桿率、銷售增長(zhǎng)、PBDIT/銷售額、DSCR（債務(wù)覆蓋率）、誠(chéng)信、家庭狀況、財(cái)務(wù)狀況、管理能力、管理承諾、連續(xù)性、雇員能力、內(nèi)部控制、還款記錄、合規(guī)記錄等20項(xiàng)。

Wang&Zhou（2011）對(duì)中國(guó)的中小企業(yè)貸款違約進(jìn)行了實(shí)證研究[25]。他們以中央財(cái)經(jīng)大學(xué)民泰金融研究所提供的2004—2007年間的小企業(yè)貸款數(shù)據(jù)為樣本，選擇了涵蓋流動(dòng)性、盈利性、增長(zhǎng)性、償債能力和資產(chǎn)管理能力五大類的8個(gè)財(cái)務(wù)指標(biāo)。反映中小企業(yè)和企業(yè)主特征的企業(yè)主性別、年齡、雇員人數(shù)、公司經(jīng)營(yíng)年限、與銀行合作年限等定性指標(biāo)。分別構(gòu)建了只包含財(cái)務(wù)指標(biāo)、只包含非財(cái)務(wù)指標(biāo)以及同時(shí)包含財(cái)務(wù)與非財(cái)務(wù)指標(biāo)的三個(gè)邏輯回歸模型。研究結(jié)果發(fā)現(xiàn)，同時(shí)包含財(cái)務(wù)指標(biāo)與非財(cái)務(wù)指標(biāo)的模型能較好的反映企業(yè)的違約風(fēng)險(xiǎn)；而財(cái)務(wù)指標(biāo)中流動(dòng)比率和總資產(chǎn)收益率是較好預(yù)測(cè)的指標(biāo)。

三、中小企業(yè)違約和破產(chǎn)研究評(píng)述

（一）研究方法

對(duì)于中小企業(yè)違約和破產(chǎn)的實(shí)證研究，采用的方法有普通的多元回歸（OLS）、簡(jiǎn)單-直觀模型、傳統(tǒng)的多元判別分析模型和邏輯回歸模型等。其中，邏輯回歸模型的應(yīng)用最廣泛，因?yàn)樗苡行Э朔颖镜姆菍?duì)稱性問(wèn)題和定性要素的非連續(xù)性問(wèn)題。實(shí)證研究也證實(shí)邏輯回歸模型在中小企業(yè)違約和破產(chǎn)預(yù)測(cè)中具有較高的精確性。

最新的非參數(shù)方法如人工神經(jīng)網(wǎng)絡(luò)模型雖然在精確性方面具有一定的優(yōu)勢(shì)，但在中小企業(yè)違約和破產(chǎn)的實(shí)證研究中尚未有應(yīng)用的先例。由于其計(jì)算過(guò)程缺乏透明度，難以滿足監(jiān)管部門對(duì)于商業(yè)銀行內(nèi)部評(píng)級(jí)模型的透明性要求而在實(shí)踐當(dāng)中只能作為邏輯回歸模型的驗(yàn)證和補(bǔ)充方法使用。

（二）樣本選擇

對(duì)于中小企業(yè)違約和破產(chǎn)的研究，要早于中小企業(yè)信貸評(píng)分卡的應(yīng)用。但大量的研究還是在中小企業(yè)信貸評(píng)分卡的推廣應(yīng)用和中小企業(yè)貸款業(yè)務(wù)的大量開(kāi)展之后。其中以美國(guó)的中小企業(yè)貸款數(shù)據(jù)為樣本的研究最多，其次是歐洲國(guó)家。2010年以俄羅斯、印度和中國(guó)等新興市場(chǎng)國(guó)家中小企業(yè)貸款數(shù)據(jù)為樣本的研究開(kāi)始出現(xiàn)。

由于中小企業(yè)貸款的具體數(shù)據(jù)屬于各家金融機(jī)構(gòu)的商業(yè)機(jī)密，外界難以獲得。公開(kāi)數(shù)據(jù)的樣本量往往不足，難以滿足構(gòu)建信貸評(píng)分卡最低2000個(gè)違約樣本的要求。假設(shè)中小企業(yè)貸款違約率為5%，樣本總量至少要達(dá)到40000個(gè)。上述實(shí)證研究的樣本總量均遠(yuǎn)低于該最低要求，還只是處于學(xué)術(shù)研究階段。

（三）風(fēng)險(xiǎn)要素

中小企業(yè)與大企業(yè)的風(fēng)險(xiǎn)特征存在顯著差異，影響中小企業(yè)信貸風(fēng)險(xiǎn)的要素除了傳統(tǒng)的財(cái)務(wù)變量以外，非財(cái)務(wù)因素也起著重要的作用。實(shí)證檢驗(yàn)的結(jié)果也證明，對(duì)中小企業(yè)違約和破產(chǎn)預(yù)測(cè)，非財(cái)務(wù)的定性要素比定量的財(cái)務(wù)因素的作用更加重要（如He，Kamathetc（2005）、Lehmann（2003）、Altman，Sabatoetc（2008）、Wang&Zhou（2011）等）。

由于不同國(guó)家或地區(qū)的風(fēng)險(xiǎn)環(huán)境不同，不同金融機(jī)構(gòu)面對(duì)的客戶群存在差異，具體的風(fēng)險(xiǎn)要素也會(huì)不同。上述研究中由于樣本數(shù)據(jù)的差異，導(dǎo)致可供選擇的要素種類不同，得到的結(jié)果也存在很大差異，并沒(méi)達(dá)成統(tǒng)一的結(jié)果。

四、對(duì)未來(lái)研究的展望

（一）研究方法上的創(chuàng)新

由傳統(tǒng)的參數(shù)分析法拓展到人工神經(jīng)網(wǎng)絡(luò)法等非參數(shù)法。在實(shí)踐中，人工神經(jīng)網(wǎng)絡(luò)模型等非參數(shù)方法雖然不符合監(jiān)管部門的透明度要求，但可以作為邏輯模型等參數(shù)方法的驗(yàn)證和補(bǔ)充，對(duì)其結(jié)果進(jìn)行檢驗(yàn)和確認(rèn)。

（二）實(shí)證樣本的選擇

由于各個(gè)國(guó)家、地區(qū)的經(jīng)濟(jì)環(huán)境不相同，中小企業(yè)的風(fēng)險(xiǎn)特征也千差萬(wàn)別；即使同一國(guó)家或地區(qū)的不同金融機(jī)構(gòu)面對(duì)的中小企業(yè)客戶群體也存在差異，影響中小企業(yè)貸款違約的風(fēng)險(xiǎn)要素也不盡相同。因此，任何國(guó)家和地區(qū)的金融機(jī)構(gòu)在建立中小企業(yè)信貸記分卡系統(tǒng)時(shí)都不能簡(jiǎn)單的套用已有模型，都需要在歷史數(shù)據(jù)積累的基礎(chǔ)上，對(duì)影響中小企業(yè)違約和破產(chǎn)的風(fēng)險(xiǎn)要素進(jìn)行準(zhǔn)確的識(shí)別與度量，建立能夠準(zhǔn)確反映自身中小企業(yè)客戶風(fēng)險(xiǎn)特征的模型。

（責(zé)任編輯：張恩娟）

參考文獻(xiàn)：

[1]Beaver，W.FinancialRatiosasPredictorsofFailure[J].JournalofAccountingResearch，1966（4）：71-111.

[2]Altman，E.I.FinancialRatios，DiscriminantAnalysis

andthePredictionofCorporateBankruptcy[J].TheJournalofFinance，1968，23（4）：589-609.

[3]Altman，E.I，R.G.HaldemanZETAAnalysis：ANew

ModeltoIdentifyBankruptcyRiskofCorporations[J].JournalofBanking&Finance，1977（1）：29-54.

[4]Tamari，M.FinancialRatiosasaMeansofForecastingBankruptcy[J].ManagementInternationalReview，1966（4）：15-21.

[5]Moses，D，S.S.Liao.OnDevelopingModelsforFailurePrediction[J].JournalofCommercialBankLending，1987（69）：27-38.

[6]Martin，D.EarlyWarningofBankFailure：aLogitRegressionApproach[J].JournalofBanking&Finance，1977（3）：249-276.

[7]Ohlson，J.A.FinancialRatiosandtheProbabilisticPredictionofBankruptcy[J].JournalofAccountingResearch，1980（18）：109-131.

[8]Zmijewski，M.E.MethodologicalIssuesRelatedtotheEstimationofFinancialDistressPredictionModels[J].JournalofAccountingResearch，1984（22）：59-86.

[9]Tam，K.Y，M.Kiang.ManagerialApplicationsofNeuralNetworks：TheCaseofBankFailurePredictions[J].ManagementScience，1992，38（7）：926-947.

[10]Altman，E.I，G.Marco.CorporateDistressDiagnosis：

ComparisonsUsingLinearDiscriminantAnalysisandNeuralNetworks（theItalianExperience）[J].JournalofBankingandFinance，1994，18（3）：505-529.

[11]石慶炎，靳云匯.多種個(gè)人信用評(píng)分模型在中國(guó)應(yīng)用的比較研究[J].統(tǒng)計(jì)研究，2004（6）：43-47.

[12]Edmister，R.O.AnEmpiricalTestofFinancialRatioAnalysisforSmallBusinessFailurePrediction[J].JournalofFinancialandQuantitativeAnalysis，1972（2）：1477-1493.

[13]Altman，E.I，G.Sabato.ModelingCreditRiskforSMEs：EvidencefromtheUSMarket[R].2005.

[14]Samolyk，K.SmallBusinessCreditMarkets：WhydoWeRnowsoLittleaboutThem[R].FDICBankingReview，2000.

[15]He，Y，R.Kamath.AnEmpiricalEvaluationof

BankruptcyPredictionModelsforSmallFirms：anOver-the-counterMarketExperience[J].AcademyofAccountingandFinancialStudiesJournal，2005，9（1）：1-23.

[16]Agarwal，S，S.Chomsisengphet.DeterminantsofSmall

BusinessDefault[R].2005.

[17]Coravos，A.R.MeasuringtheLikelihoodofSmallBusiness LoanDefault：CommunityDevelopmentFinancialInstitutions（CDFIs）andtheuseofCredit-ScoringtoMinimizeDefaultRisk[D].Durham，NorthCarolina：DukeUniversity，2010.

[18]Lehmann，B.IsitWorththeWhile？TheRelevanceofQualitativeInformationinCreditRating[R].2003.

[19]Altman，E.，G.Sabato.TheValueofQualitativeInformationinSMERiskManagement[J].JournalofFinancialServicesResearch，2008（40）：15-55.

[20]Luppi，B，M.Marzo.ACreditRiskModelforItalianSMEs[R].2007.

[21]Ooghe，H，C.Spaenjers.BusinessFailurePrediction：Simple-intuitiveModelsVersusStatisticalmodels[J].TheIUPJournalofBusinessStrategy，2009（4）：7-44.

[22]Lugovskaya，L.PredictingDefaultofRussianSMEsontheBasisofFinancialandNon-fiNancialVariables[J].JournalofFinancialServicesMarketing，2010，14（4）：301-313.

[23]Gumparthi，S.RiskAssessmentModelforAssessing

NBFCs'（AssetFinancing）Customers[J].InternationalJournalofTrade，EconomicsandFinance，2010（1）：121-130.

[24]Gumparthi，S，V.Manickavasagam.RiskClassication

BasedonDsicriminantAnalysisforSMEs[J].InternationalJournalofTrade，EconomicsandFinance，2010，1（3）：242-246.

[25]Wang，W，X.Zhou.CouldTraditionalFinancial

IndicatorsPredicttheDefaultofSmallandMedium-sizedEnterprises？——EvidencefromChineseSmallandMedium-sizedEnterprises[R].InternationalConferenceonEconomicsandFinanceResearch，2011.