基于logit模型的微型企业信用评价

内容提要：微型企业是在2008年金融危机后兴起的概念.微型企业缺乏有效的抵、质押品,同时也缺乏健全的财务制度,因此普遍面临融资难题.本文认为解决该难题的关键在于寻找合适的信用评价技术,而信用评价模型技术是可能的选项.本文试图通过logit模型来探索信用评价模型在微型企业信用评价中的应用.

关 键 词：企业融资微型企业信用评价小额信贷

中图分类号：F830.56文献标识码：A文章编号：章编号：1006-1770(2011)08-054-05

中小企业融资难一直是我国经济生活中引人注目的问题.近几年来,国内研究者将中小企业的范畴更为细化,将微型企业从中小企业概念中剥离出来,直接探讨微型企业的融资难题；另一方面,近几年来,我国城市商业银行等中小型银行逐步发展,从弱到强,中小型银行体系从模糊到清晰.哈尔滨商业银行、包头商业银行、台州银行等一大批中小银行将面向微型企业的小额信贷作为自己差异化竞争,谋生存、求发展的战略方向.因此,研究微型企业信用评价问题不仅能够解决微型企业的融资难题,还是中小商业银行差异化生存的战略方向.

目前,各商业银行面对微型企业的贷款主要在小额贷款大类中.而小额信贷所采用的信用评价方法主要是经验方法,或称为专家方法.依赖信贷人员主观判断的方法,受限于合格信贷人员的数量和较高的人力成本,很难大规模推广使用.而一个有效的信用评价模型,依赖信息技术的处理能力,不仅可以克服不能大规模推广的弊病,还能够提高评价结果的公平性.事实上,微型企业贷款单笔数额小、笔数多、交易数据丰富等特点,刚好符合了信用评分技术需要借助大量业务数据形成准确判断的要求.

一、微型企业信用评分的应用和发展

上世纪90年代,美国银行业开始使用信用评价方法审核小企业的贷款申请.富国银行开通了专门针对小企业贷款的“企业通”产品.10万美元以下的贷款,直接通过企业信用评分决定是否放款.同一时期,美国信用评分巨头FairIsaac公司推出了专门针对小企业进行评分的系统SBSS（SmallBusinessScoringService）.SBSS的主要目标是针对中小企业25万美元以下的小额贷款,10万美元以下的设备租赁和5万美元以下的信用卡业务的信用评分.这一系统目前仍然被300多家美国银行使用,并处理90%以上的小额商业贷款.

随着信用评分在美国小企业贷款中的运用迅速扩展,亚特兰大联邦储备银行在2000年进行了一次调查.针对1997年的业务情况,访问了美国资产规模前200的所有银行,有99家银行作了回应,其中就有61家报告对于绝大多数低于10万美元的贷款,都使用了小企业评分系统.亚特兰大联储银行的AllenN.Berger、W.ScottFrame等人对小企业信用评分的作用和影响作了一系列的实证研究分析.他们通过实证研究发现,得益于信用评分系统的采用,每家金融机构小企业贷款的金额平均增长了40亿美元,相当于市场份额增长了8.4%.AllenN.Berger(2005)进一步研究了小企业信用评分,得出由于信用评分系统的应用,不仅使得小企业贷款的总量得到了增长,还使得低收入地区和富裕地区一样获得了更多的贷款.同时该技术对大小银行的影响不同,大银行基于自己充沛的资金实力和技术能力,往往更倾向于使用评分技术,而小企业信用评分改善了它们由于信息不对称导致的在中小企业贷款上的劣势.AllenN.Berger(2009)进行了一次新的调查,与上次调查着眼于大银行不同,这次调查对象是资产总量在10亿美元以下的社区银行,结果显示46%的社区银行使用了信用评分.然而与大银行不同,使用信用评分的社区银行中,86%对小企业主使用客户评分（针对客户的评分系统）而非企业评分系统,2%使用小企业信用评分决定贷款,另外的12%则两种评分混合使用.对社区银行使用信用评分技术的实证分析表明,这一类型的银行在使用信用评分上存在着学习过程.在度过最初的学习期之后,小企业贷款量得到了增长,但市场份额并没有增长.社区银行使用信用评分技术后,其贷款总量的增加和质量的改善,受信用评分在贷款程序中使用方式影响.这些研究说明微型企业信用评分对大银行的意义要远远超过小银行,这可能归因于大银行由于其治理结构复杂,在处理微型企业客户时,与中小银行相比,存在更为严重的信息不对称问题.微型企业信用评分在应对这些问题方面可以发挥较好的作用.

二、微型企业信用评价模型的选择

目前常用的信用评价模型有多元判别法、回归分析法、神经网络和数学规划方法.这些方法各有自己的优缺点,多元回归模型容易解释、使用,但对缺失值、极端值的处理不尽人意；判别分析模型通常检测设自变量的分布是正态分布,这与事实情况常常不符；神经网络模型可以处理多元回归不能模拟的非线性数量关系,从而能够更精确的模拟现实情况,但整个过程近似于一个黑箱,样本微小变化对结果的影响较大,抗干扰性差.

事实上,除此之外,还有基于期权定价的KMV模型、基于VAR方法的J.P.Man模型、基于保险方法的死亡率模型和CP的信用风险附加模型、基于资产组合的RAROC模型.这些新型模型起源于上世纪90年代,并且在大型企业的风险管理中得到迅速普及使用.这些方法往往依赖于成熟的证券、信贷市场均衡.这些在中小企业所处的环境中,往往不能得到,故这些新方法、新技术不在本文模型选择的视野内.

综合考虑,本文选择较为常用的logit模型作为微型企业信用评价的实证方法,来详细分析信用评价技术.

三、模型指标的选择

范柏乃介绍了中小企业信用评价指标遴选的一般方法：依次通过隶属度分析、相关分析和鉴别力分析,提取出合理的指标体系.范柏乃首先按偿债能力、经营能力、获利能力、管理能力、创新能力、成长能力分组搜集了中小企业的28项指标,作为筛选的基础.接下来,向全国近300位专家学者发出了调查问卷,要求各专家选出其中最重要的十个指标.问卷汇集之后,根据指标被选择次数占专家总数的比重,即隶属度,排除隶属度低于0.3的6个指标.在剩下的22个指标中,分析彼此的相关性,再剔除相关系数高于0.6的5个指标,之后再利用20家中小企业的数据计算余下17个指标的变差系数,排除两个不合格的指标,剩下的15个指标构成了最终的指标体系,整个指标的遴选过程就此完成.这15个指标主要体现了偿债能力、经营能力、创利能力、创新能力和成长能力.

本文在选择指标体系时参考了该文的研究成果,针对每一项能力选取一到两个指标来表示.为偿债能力设计了指标债务收入比（Debt_Sales）和小额信贷占比（Sm_Debt）.这里之所以选择债务收入比代替资产负债率,来反映企业偿债能力,是因为笔者在处理模型时,发觉这一变量更能直接反映还款资金的来源,从而对是否违约有更大的影响.另外,笔者在调查实践中发现,微型企业的实际借款情况比较复杂,除了向农信社、农行借小额贷款外,还进行一系列的民间融资.因此,笔者在模型中加入了小额信贷在企业总债务中的占比这一变量.

体现经营能力的指标是资产周转率（Sales_Assets）.资产周转率是销售收入与资产的比率值.资产周转率高意味着,微型企业的资产使用更有效率；业主的管理能力更强；在利润率相同的情况下,可以获得更多的利润.

模型中体现获利能力的指标是销售利润率（Profit_Sales）.销售利润率越高意味着,在相同销售收入的情况下,能够获得更多的利润.资产周转率和销售利润率的乘积为资产利润率（Profit_Assets）.这三个变量是会计学中杜邦分析体系的重要变量,能够全面的反映企业运行情况,故把资产利润率（Profit-Assets)也包含在模型中.

这里之所以没有选择体现创新能力和成长能力的指标,是因为通过笔者的实际调查发现,处于企业发展初期的微型企业主们常常对创新能力和成长能力并没有清晰地理解；进入某一行业时往往具有随机性,很少是对发展前景有严格的判断之后,再进入该行业.考虑到本论文的研究对象是微型企业,而不是科技型、创新型企业,故不加入反映创新能力和成长能力的指标.此外,从数据的易取得性角度来说,创新能力和成长能力方面的指标,属于定性指标,调查过程中不容易获取；而我们选中的三项指标因为涉及利润、金额等硬性的指标,数据较易获取.

前文介绍过微型企业与规模较大的企业不同,企业主的个人特点对整个企业有决定性的影响.因此,本文的模型还包括了微型企业主学历（Degree）、婚姻状况(Married)和社会声誉(Reputation)3个变量.笔者认为一个具有优秀品格的人,比优秀的企业资产状况更重要,更值得信任,而个人学历、婚姻和社会声誉能够有效地反映微型企业主的道德品质.

终上所述,本文构建的模型包括以下变量：微型企业主学历（Degree）、婚姻状况(Married)和社会声誉(Reputation)、债务收入比（Debt_Sales）和小额信贷占比（Sm_Debt）、资产周转率（Sales_Assets）、销售利润率（Profit_Sales）和资产利润率（Profit_Assets）,共8个变量.

四、实证分析

本文所用实证数据的采集地为安徽省东部地区,是皖江城市带承接产业转移示范区的重要部分,符合本文要求的微型企业数目众多的要求.皖东地区地处华中,处于东西部之间的有利区域位置,使得其成为产业结构升级、大量新企业迅速诞生发展的一个优质样本.作为研究微型企业信用评价的论文,笔者认为皖东地区的发展现状完全能符合本文研究的需要.

数据采集的目标区域存在着两个集聚产业,铁器制造业和电子行业.铁器制造业主要生产农用拖拉机防滑轮、建筑用钢结构、铝合金管等等；电子行业生产遥控器、高压包等电子行业的元部件.两个产业都有大大小小的众多企业,其规模从资产千万以上的大中型企业,到小型的家庭加工作坊.数量众多的企业为本文有关微型企业的数据搜集准备了良好的条件.本文的数据主要来源于这两个行业的微型企业,另外还有一些个体经济的数据.

本文所用微型企业的相关数据来源于发放调查问卷和入户访谈.共回收调查问卷近50份,每份调查问卷涉及微型企业的指标有企业的性质、资产总额、总债务额、企业年收入、企业年利润额、业主对行业前景的预测；涉及业主信息的指标有学历、婚姻、社会声誉；涉及小额信贷的指标有无使用抵押、是否有过逾期现象、逾期多久、贷款数额、贷款用途、利率水平、还款方式等合计25个指标.表1为调查问卷中各变量的取值情况：

业主学历（Degree）最高为4,大专水平.这与本文调查的微型企业不属于科技型企业,而多分布于传统产业中是适应的.婚姻状况(Married)的期望值为0.93,且标准差相对较小,说明调查的微型企业业主大多都已结婚.社会声誉（Reputation）的期望值为3.6,说明绝大多数微型企业业主的社会评价较高.源数据中只有1户得到了“很差”的评价.之所以获得了“很差”的评价,是因为该企业业主病重,将实际控制权交给自己的儿子,而第二代不具有领导该企业的能力.

债务收入比(Debt_Sales)的最大值是4.5,最小值是0.05,均值是0.58；之所以有相对较高的均值,是因为有几户的比率很大,托高了整个均值.比率最高的4.5是一家破产的加油站,最后的年收入已经低到支撑不起企业的运行,更不要说还款了.

小额信贷占比（Sm_Debt）也是很重要的一个变量,这与微型企业的融资方式密切相关.在笔者的调查区域,微型企业可以向正规的金融机构,如农村信用社、农业银行申请一定额度的小额贷款,也可以通过民间信用的方式,向亲戚朋友、资金富余者借款.除此之外,最重要的融资方式来源于原材料的赊欠,即流动资金的占款,这通常会占一个较大的比例.鉴于上述指标都是基于企业的债务总额度,而本文讨论的是微型企业的还款情况,故小额贷款在其中的比重也是一个很重要的变量,特将其引入到模型中来.

小额信贷占比最大的是1,最小的是0.05.取值最小的是一家家庭作坊式的铁器厂,共向农信社贷了5000元作为起步资金.在调查时,所有本息已全部结清.当时,该厂的总负债额为10万,也就是说主要是通过民间融资的方式解决自己的资金缺口.比值偏低的一个重要原因是企业规模较小,业主人脉不广,很难取得正规金融机构的贷款.小额贷款占比较低的事实说明了处于初创时期的微型企业,获取小额信贷的困难程度.

资产利润率（Profit_Assets）综合体现了资产周转率（Sales_Assets）和销售利润率（Profit_Sales）的影响.资产周转率和销售利润率是杜邦分析体系中最重要的两个变量.资产周转率反映着企业的经营效率,间接体现着业主的经营能力.在同等利润率的情况下,资产周转率高的企业能够获得更大的流,陷入经营困境的可能性更小,故偿还小额贷款的可能性更大.销售利润率高的企业,则能够获得更多的利润,从而还款的资金来源更有保证.

在实际调查研究中发现,资产周转率和销售利润率受行业特征影响明显,铁器制造业的微型企业资产周转率通常较高,而电子行业的资产周转率较低.两个比率之间存在一定的反比关系,资产周转率高的行业通常利润率较低,资产周转率低的企业,销售利润率较高,从而保证各行业的资产利润率大致保持一致.资产利润率的标准差为0.26,和销售利润率的标准差0.25相差不大,远低于资产周转率的标准差1.18.这说明了资产利润率远比资产周转率取值稳定.

由表中所知,模型中所有变量之间的相关性数值最大为0.49,说明变量之间的相关性不高,符合模型对数据的要求.

本文的实证分析是通过StataSE11.0进行的.上文引进了8个变量,影响微型企业还款的各方面因素都有包括.接下来的建模过程参考了约化建模理论,通过逐步舍弃不显著的变量,来构建一个较为“简单”的模型：

首先,本文研究包含所有8个变量的logit模型,其回归结果如下：

logit(Pi/1-Pi)等于

-10.37+0.71Degree+3.44Reputation-1.70Debt_Sales

(3.19)(0.71)(3.44)(2.91)

+2.32Sm_Debt-0.52Sales_Assets-8.56Profit_Sales+8.70Profit_Assets

(4.59)(1.69)(8.63)(9.57)

PseudoR2等于0.6885(伪可决系数),prob>chi2等于0.0030

各系数的Z值情况如下表所示：

因大都数微型企业业主都结了婚,故变量婚姻状况(Married)直接被系统自动排除.模型的伪可决系数为0.6885,变量的整体显著性高达99.70%.这说明所有变量作为一个整体来说,对各个业主的还款可能性有很大的解释能力.但单个变量的Z检验结果并不理想.“P>|Z|”的取值全都高于0.3,这说明了单个变量的显著性并不明显,变量之间存在着共线性.接下来的处理措施就是去除一些冗余的变量.

有Z检验的取值可知,变量Degree的显著性最低,故在新模型中,我们首先排除Degree.其次,资产周转率（Sales_Assets）和销售利润率（Profit_Sales）的系数符号与现实经验相违背.笔者认为这是由于资产周转率、销售利润率与资产利润率之间的共线性造成的.事实上,在表2中,我们可以观察到它们之间相对较高的相关性.在新模型中,我们排除了资产周转率（Sales_Assets）和销售利润率（Profit_Sales）.新模型回归结果如下：

logit(Pi/1-Pi)等于

-9.76+2.80Reputation-2.08Debt_Sales+2.10Sm_Debt

(6.39)(2.80)(1.34)(2.72)

+7.68Profit_Assets

(5.56)

PseudoR2等于0.6224(伪可决系数),prob>chi2等于0.0005

各系数的Z值情况如下表所示：

从表4的数值可知,在去掉多余的变量之后,各变量的显著性有了明显的提高.虽然模型的伪决定系数从0.6885降到0.6224,但这一降低与变量显著性的提高相比是值得的.

常数项的取值为-9.76.这意味着在社会声誉、资产利润率、债务收入比、小额信贷占比都取零的情况下,Pi取值会偏低,趋向于0.这说明在社会声誉较低、企业运行状况较差、资金使用效率低的情况下,本模型认为业主不太可能顺利完成还款.

社会声誉(Reputation)的系数取值为正,说明微型企业业主较高的社会声誉能提高还款概率.这条结论包含着两个原因：一方面,具有较高社会声誉的微型企业业主,通常具有出色的经营能力,故相关企业的实力通常高于平均水平；另一方面,社会声誉能够反作用于业主.业主常常不希望既有的“好名声”被一次违约的信用记录打破,因此有较高社会声誉的微型企业业主在还款方面有比一般业主更大的还款压力,从而具有更高的还款概率.后一点,在笔者的调查过程中,得到了证实.很多微型企业业主向笔者强调“无论如何也不能有违约信用记录,否则将为以后的贷款带来困难!”

资产利润率（Profit_Assets）,综合反映了企业的获利能力和资产使用效率.一个拥有较强获利能力的企业必然有较高的销售利润率,同时资产周转率较高的企业必然在资金使用效率上表现出色.销售利润率和资产周转率相乘,就是资产利润率,决定着企业的利润.

在本文的实证模型中,资产利润率的系数为7.68,说明资产利润率数值的增加有利于提升业主的还款概率.这符合现实经济规律,资产利润率的提高增加了企业来源,这减小了企业因还款而存在的资金链压力.

小额信贷占比（Sm_Debt）的系数为2.10,说明随着小额信贷比例的增加,业主的还款可能性也在提高.这可能与小额信贷较高的管理技术、严格的风险管理有关.小额信贷是最近几年推出的金融产品,故相关管理技术,远比传统的贷款先进,从而有较小的违约比例.这一点在实地调查中得到了证实,笔者所拜访的近期借贷的微型企业,还没有遇到一例违约的；违约的企业基本上来源于历史上的借款.

债务收入比（Debt_Sales）的系数为-2.08,说明随着负债总额占年收入比率的增长,业主的履约还款的概率在下降.还款资金的直接来源就是企业的销售收入.销售收入相较于负债总额,规模越大,企业还款的压力越小,履约可能性越大.

本文将履约和违约的概率分界点定在1/2处.用上述模型检验对照组的数据,预测的正确性如下所示：

如上表所示,违约业主的预测正确率为50%,低于履约业主的预测正确率87.50%.模型在不同类型业主预测上的差异可能是由于样本数据中履约业主所占比例较大,违约业主数据量较小造成的.较多的数据使得模型能够对履约业主的特征进行更准确的拟合,提高了履约预测准确程度.整个验证数据的预测正确率为80%,说明该logit模型的总体预测能力是比较高的.

结论

本文的研究表明,合适的微型企业信用评价模型能够较为准确地预测还款情况.微型企业信用评价模型完全有能力在微型企业融资过程中发挥重要作用.这种数量化的评价方法,符合微型企业贷款笔数多,额度小的特点.它相较于人工审批,不仅能同时处理更多的贷款申请,还能避免审批过程中的人为偏见.

微型企业信用评价模型从理论走向实践,可以先从贷款笔数多、数据量丰富、模式稳定的微型企业小额贷款开始,然后再扩展到其它的微型企业贷款形式.在应用过程中,我们可以广泛借鉴消费信贷中成熟的模型开发、实施经验,来探索微型企业信用评价的模式.

此外,随着电子商务的发展,一方面,以各类网店为主体的网上交易积累了丰富的交易数据；另一方面,阿里巴巴等知名公司适时推出了网络小额信贷,解决从事电子商务的小企业融资难题.新的交易方式、贷款形式,给微型企业信用评价模型技术提供了广泛的应用前景.信用评价模型在解决微型企业融资难的过程中将大有作为.