中小企業違約和破產研究文獻綜述

摘要：有效識別中小企業貸款的風險要素，準確預測和度量中小企業貸款的違約風險，是破解中小企業貸款難的關鍵。對于中小企業違約和破產的實證研究采用的方法有普通的多元回歸（OLS）、簡單-直觀模型、傳統的多元判別分析模型和邏輯回歸模型等。影響中小企業信貸風險的要素除了傳統的財務變量以外，還包括非財務因素，而且非財務的定性要素比定量的財務因素的作用更加重要。

關鍵詞：中小企業；違約和破產；財務因素；非財務因素

中小企業貸款難是國際和國內都普遍面臨的困境，也是學術界和政策制定者都廣泛關注的一個重要問題。中小企業通常沒有經過審計的財務報表，透明度低。因此，信息不對稱是中小企業融資需求得不到滿足的根本原因。有效識別中小企業貸款的風險要素，準確預測和度量中小企業貸款的違約風險，是破解中小企業貸款難的關鍵。

一、企業違約和破產研究方法比較

（二）風險指數模型

Tamari（1966）引入風險指數模型研究企業的財務健康狀況[4]。他選取部分財務指標，根據各個指標的相對重要性賦予權重；每項指標根據一定規則被賦予一個分值，合計得到表明企業信用風險水平的“風險指數”。每個企業的風險指數在0-100之間，分值高則風險小，分值低則風險高。Moses Liao（1987）的風險指數模型則是通過單變量分析確定每個財務比率的最優臨界值，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單相加就得到風險指數[5]。風險指數模型的優點是簡單直觀，但缺點則是主觀性較強。

（四）神經網絡模型

神經網絡是基于簡單的生物神經元模型的機器學習系統。神經網絡模型20世紀90年代開始被應用于企業違約和破產預測研究。Tam Kiang（1992）通過與線性方法的比較，證明神經網絡模型在企業破產和違約預測的準確性、適用性和穩健性方面都具有很好前景[9]。但Altman， Marco etc（1994）已經比較了傳統統計方法（包括線性判別分析法和邏輯回歸法）與人工神經網絡方法的優劣，指出人工神經網絡方法存在著權重設置無邏輯依據和過度擬合問題[10]。石慶炎和靳云匯（2004）指出，人工神經網絡模型的精確性要高于傳統的判別分析法和對數回歸法等信用評分方法，僅從預測精度的角度，人工神經網絡法有優勢[11]。但判別分析法和對數回歸法的預測精度也在可接受范圍內，能夠準確的區分“優質”客戶和“劣質”客戶。

二、中小企業違約和破產實證研究

20世紀90年代開始，信貸評分卡技術開始被應用于中小企業貸款的發放。信貸評分卡技術利用歷史數據和統計技術，分析各種風險要素對貸款違約率的影響程度，度量和預測中小企業貸款的違約風險。

（一）中小企業貸款的風險要素

由于認識到中小企業的風險特征與大企業存在顯著的差異，中小企業違約和破產研究的一個重要變化就是在傳統的財務要素的基礎之上，增加了對非財務要素的分析。如Edmister（1972）首次研究中小企業的信用風險問題時構建的分步式多元判別模型中包含的19個判別因素全部都是財務比率[12]。Altman Sabato（2005）以美國WRDS COMPUSTAT數據庫1994—2002年的中小企業貸款數據為樣本進行的實證研究，由于數據中沒有包括定性變量，只考慮了反映企業流動性、盈利性、杠桿率、利息覆蓋率和經營能力的五組財務變量[13]。但研究結果發現，中小企業與大企業的風險特征有顯著的差異，傳統的用于預測大企業違約和破產風險的方法并不適用于中小企業。

Samolyk（2000）已經將可能影響中小企業貸款違約風險的要素分為兩類：企業所有者的基本特征和企業的財務信息[14]。世界婦女銀行在哥倫比亞和多米尼加共和國的分支機構在美洲開發銀行的資助下進行的研究項目中，根據重要程度列出了中小企業違約和破產的21個推斷因素，包括：之前貸款的最長逾期天數、成為銀行客戶的時間、企業類型、申請人年齡、授信審批人員特征、電話所有權、家庭結構、企業成立年限、手頭現金、分期還款期數、在目前居所居住年限、貸款逾期的期數、提前還款的期數、授信審批人員的經驗、家庭經營的企業數、貸款申請與放款之間的間隔天數、總資產、償還上筆貸款與申請本筆貸款之間的間隔天數、應收賬款、房屋所有權、負債/權益比率。其中除傳統的財務要素外，還包含大量的非財務要素，這些非財務因素還具有很強的重要性。

（二）對美國和歐洲中小企業違約和破產的實證研究

Altman Sabato（2005）用邏輯回歸法和多元判別分析法共構建了三個模型，對美國中小企業的違約風險進行實證研究。研究結果發現，邏輯模型的精確性顯著優于多元判別模型。He，Kamath etc（2005）以美國1990—1998年場外交易市場數據為樣本（該樣本是包含破產和未企業破產企業樣本各158個的對稱樣本），構建了兩個邏輯模型，一個只包含財務變量，一個增加了非財務變量。實證結果表明，包含非財務變量的模型對中小企業破產預測的準確性顯著高于只包含財務變量的模型[15]。而Agarwal，Chomsisengphet etc（2005）在Samolyk（2000）的基礎上[16]，進一步將風險要素細分為5類：（1）企業主特征。包括企業主的信用得分、企業主抵押、支票賬戶的平均余額；（2）企業特征。包括企業信用得分、企業財產抵押、經營年限；（3）貸款合約特征。包括貸款金額、風險溢價、內部評級；（4）宏觀經濟特征。包括失業率和9各州的虛擬變量；（5）行業特征。98個兩位數的SIC行業代碼。以2000年1月至2002年8月間美國多家金融機構的31000多筆中小企業授信業務為樣本。通過多元回歸分析發現，中小企業所有者的行為和中小企業本身的公司行為都是預測中小企業貸款違約的重要預警指標，但中小企業所有者的行為是決定中小企業貸款違約風險的主要因素。

Coravos（2010）以美國一家社區發展金融機構2002—2007年的530筆小企業貸款數據為樣本，分別采用OLS、邏輯回歸和多元邏輯回歸三種方法對小企業貸款違約進行了實證研究[17]。創新之處是將中小企業貸款的信用狀況定義為三種：（1）良好。沒有逾期記錄；（2）中等。曾經有30天或60天的逾期記錄；（3）差。即貸款逾期超過90天或企業倒閉。影響中小企業貸款的風險要素分為4類：（1）借款人的特征。包括FICO信用得分、教育經歷、管理經驗、種族、行業分類、性別、貸款前的債務收入比、行業年限、收入、資產、材料的所有權、以個人名義還是以公司名義貸款、公司結構（公司、合伙還是獨資）；（2）貸款合約特征，包括貸款金額、貸款利率、貸款利率與基準利率之差、是否浮動利率（虛擬變量，浮動=1，固定=0）、貸款年限、擔保形式（虛擬變量，小企業管理局擔保為1，非小企業管理局擔保則為0）、擔保比例；（3）貸款人的特征，包括信貸員的能力、對資金的時間限制（即資金是否必須在一定時間內借出，否則將被收回）、調整貸款的能力；（4）宏觀經濟變量，包括經濟的最大變化（如最大失業率）、經濟的平均變化（如平均失業率）、經濟整體健康程度（如標準普爾500指數）。研究結果表明，FICO信用得分是有效的預測變量；企業經營年限和管理經驗也是很好的預測變量，但經營年限對新成立的企業不具有預測性。

Kinat的研究報告中①，對2002—2007年美國小企業管理局擔保的小企業貸款數據的實證研究發現，企業主個人的信用積分、企業主的管理經驗和企業經營年限是對小企業違約預測性最強的3個變量。而貸款金額、借款人的資產凈值、貸款時預計的盈虧平衡點、年份、個人收入、貸款用途、擔保比例、貸款時的負債/收入比率、企業主的股權投資、SBA類型、貸款時的個人債務/收入比率、借款人性別、農村/城市虛擬變量、企業類型（餐飲等）、種族等16個變量與貸款違約率的關系并不顯著。

Lehmann（2003）以德國一家商業銀行2000多筆小企業貸款的數據為樣本，構建了兩個邏輯回歸模型，其中一個模型包含了定性變量，另一個不包含定性變量[18]。結果發現，只有定量因素還不足以判斷小企業違約的風險，增加定性因素能顯著提高模型預測的準確性。而Altman，Sabato etc（2008）以英國2000—2007年間的小企業貸款數據為樣本，用邏輯回歸法建立了兩個違約預測模型[19]。一個只包含了Altman Sabato（2005）中的五組財務變量。另一個在Altman Sabato（2005）的基礎上增加了非財務的定性變量，實證結果也證實增加定性因素能夠顯著提高模型預測的有效性。

Luppi，Marzo etc（2007）以意大利一家商業銀行提供的意大利市場上3900家年銷售收入低于1000萬歐元的中小企業貸款數據為研究對象，采用似然比檢驗，從50個變量中選擇了20個解釋變量，包括盈利性、流動性、財務結構、規模和地理位置等[20]。以邏輯回歸法進行的實證檢驗發現，銷售額、利息稅項折舊及攤銷前盈利、利潤率等與違約率負相關，財務結構和債務水平與違約率正相關。

Ooghe，Spaenjers etc（2009）用反映增加值、盈利性、償債能力和流動性四個方面的8個財務比率建立了一個簡單-直觀（simple-intuitive models）模型，并用比利時1990—1999年的數據進行了實證檢驗[21]。通過與傳統的統計模型結果的比較發現，該簡單-直觀模型的預測結果同樣有效，而且更加簡單實用。

（三）對新型經濟體中小企業違約和破產的實證研究

2010年開始，對中小企業違約和破產的研究逐漸由美國和歐洲等發達國家擴展到新興市場國家。

Lugovskaya（2010）以俄羅斯火花數據庫收集的2000—2004年8967筆小企業貸款數據為樣本，采用線性判別分析法進行了實證研究[22]。將25個自變量分為五組，其中財務比率四組，包括經營效率變量2項、盈利性變量7項、穩健性變量5項和流動性變量8項。非財務要素一組，包括總資產、銷售收入和經營年限等3項。采用最大方差主成份分析法去掉了相關性較強的部分變量，最終保留了11個自變量。研究結果表明，流動性是最重要的判別要素，盈利性次之，企業規模和經營年限能夠提高判別模型的準確性。

Gumparthi（2010）和Gumparthi Manickavasagam（2010）都以印度中小企業貸款業務為研究對象[23]。Gumparthi（2010）采用普查的方法，通過對印度某非銀行金融機構所有從事建筑機械和商用車信貸業務的信貸人員和外勤人員進行問卷調查，識別確定影響中小企業貸款風險的要素，根據調查結果給不同要素賦予適當的權重，最終建立了一個專家型的中小企業信貸記分卡系統。該系統從定性因素和定量因素兩個方面對中小企業貸款進行風險判斷，將中小企業貸款風險要素分為四大類28種。其中，包括流動性風險要素5項；經營性風險要素11項；信用風險要素6項；市場風險要素6項。而Gumparthi Manickavasagam（2010）以印度非銀行金融機構2002—2009年度連續7年的數據進行了判別分析[24]。判別的要素包括客戶歷史、行業地位、與供應商的關系、與客戶的關系、競爭情況、流動性、杠桿率、銷售增長、PBDIT/銷售額、DSCR（債務覆蓋率）、誠信、家庭狀況、財務狀況、管理能力、管理承諾、連續性、雇員能力、內部控制、還款記錄、合規記錄等20項。

Wang Zhou（2011）對中國的中小企業貸款違約進行了實證研究[25]。他們以中央財經大學民泰金融研究所提供的2004—2007年間的小企業貸款數據為樣本，選擇了涵蓋流動性、盈利性、增長性、償債能力和資產管理能力五大類的8個財務指標。反映中小企業和企業主特征的企業主性別、年齡、雇員人數、公司經營年限、與銀行合作年限等定性指標。分別構建了只包含財務指標、只包含非財務指標以及同時包含財務與非財務指標的三個邏輯回歸模型。研究結果發現，同時包含財務指標與非財務指標的模型能較好的反映企業的違約風險；而財務指標中流動比率和總資產收益率是較好預測的指標。

三、中小企業違約和破產研究評述

（一）研究方法

對于中小企業違約和破產的實證研究，采用的方法有普通的多元回歸（OLS）、簡單-直觀模型、傳統的多元判別分析模型和邏輯回歸模型等。其中，邏輯回歸模型的應用最廣泛，因為它能有效克服樣本的非對稱性問題和定性要素的非連續性問題。實證研究也證實邏輯回歸模型在中小企業違約和破產預測中具有較高的精確性。

最新的非參數方法如人工神經網絡模型雖然在精確性方面具有一定的優勢，但在中小企業違約和破產的實證研究中尚未有應用的先例。由于其計算過程缺乏透明度，難以滿足監管部門對于商業銀行內部評級模型的透明性要求而在實踐當中只能作為邏輯回歸模型的驗證和補充方法使用。

（二）樣本選擇

對于中小企業違約和破產的研究，要早于中小企業信貸評分卡的應用。但大量的研究還是在中小企業信貸評分卡的推廣應用和中小企業貸款業務的大量開展之后。其中以美國的中小企業貸款數據為樣本的研究最多，其次是歐洲國家。2010年以俄羅斯、印度和中國等新興市場國家中小企業貸款數據為樣本的研究開始出現。

由于中小企業貸款的具體數據屬于各家金融機構的商業機密，外界難以獲得。公開數據的樣本量往往不足，難以滿足構建信貸評分卡最低2000個違約樣本的要求。假設中小企業貸款違約率為5%，樣本總量至少要達到40000個。上述實證研究的樣本總量均遠低于該最低要求，還只是處于學術研究階段。

（三）風險要素

中小企業與大企業的風險特征存在顯著差異，影響中小企業信貸風險的要素除了傳統的財務變量以外，非財務因素也起著重要的作用。實證檢驗的結果也證明，對中小企業違約和破產預測，非財務的定性要素比定量的財務因素的作用更加重要（如He，Kamath etc（2005）、Lehmann（2003）、Altman，Sabato etc（2008）、Wang Zhou（2011）等）。

由于不同國家或地區的風險環境不同，不同金融機構面對的客戶群存在差異，具體的風險要素也會不同。上述研究中由于樣本數據的差異，導致可供選擇的要素種類不同，得到的結果也存在很大差異，并沒達成統一的結果。

四、對未來研究的展望

（一）研究方法上的創新

由傳統的參數分析法拓展到人工神經網絡法等非參數法。在實踐中，人工神經網絡模型等非參數方法雖然不符合監管部門的透明度要求，但可以作為邏輯模型等參數方法的驗證和補充，對其結果進行檢驗和確認。

（二）實證樣本的選擇

由于各個國家、地區的經濟環境不相同，中小企業的風險特征也千差萬別；即使同一國家或地區的不同金融機構面對的中小企業客戶群體也存在差異，影響中小企業貸款違約的風險要素也不盡相同。因此，任何國家和地區的金融機構在建立中小企業信貸記分卡系統時都不能簡單的套用已有模型，都需要在歷史數據積累的基礎上，對影響中小企業違約和破產的風險要素進行準確的識別與度量，建立能夠準確反映自身中小企業客戶風險特征的模型。

（責任編輯：張恩娟）

參考文獻：

[1]Beaver，W.Financial Ratios as Predictors of Failure[J].Journal of Accounting Research，1966（4）：71-111.

[2]Altman， E. I.Financial Ratios， Discriminant Analysis

and the Prediction of Corporate Bankruptcy[J].The Journal of Finance，1968，23（4）：589-609.

[3]Altman， E.I，R.G.HaldemanZETA Analysis：A New

Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking Finance，1977（1）： 29-54.

[4]Tamari，M.Financial Ratios as a Means of Forecasting Bankruptcy[J].Management International Review，1966（4）： 15-21.

[5]Moses， D，S. S. Liao.On Developing Models for Failure Prediction[J]. Journal of Commercial Bank Lending，1987（69）：27-38.

[6]Martin， D. Early Warning of Bank Failure：a Logit Regression Approach[J].Journal of Banking Finance，1977（3）：249-276.

[7]Ohlson，J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980（18）：109-131.

[8]Zmijewski， M. E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research，1984（22）：59-86.

[9]Tam，K.Y，M.Kiang.Managerial Applications of Neural Networks： The Case of Bank Failure Predictions[J].Management Science，1992，38（7）： 926-947.

[10]Altman， E.I，G. Marco. Corporate Distress Diagnosis：

Comparisons Using Linear Discriminant Analysis and Neural Networks（the Italian Experience）[J].Journal of Banking and Finance ，1994，18（3）：505-529.

[11]石慶炎，靳云匯.多種個人信用評分模型在中國應用的比較研究[J].統計研究，2004（6）：43-47.

[12]Edmister，R.O.An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction[J].Journal of Financial and Quantitative Analysis，1972（2）：1477-1493.

[13]Altman，E.I，G.Sabato.Modeling Credit Risk for SMEs： Evidence from the US Market[R].2005.

[14]Samolyk， K. Small Business Credit Markets： Why do We Rnow so Little about Them[R].FDIC Banking Review，2000.

[15]He，Y，R.Kamath. An Empirical Evaluation of

Bankruptcy Prediction Models for Small Firms： an Over-the-counter Market Experience[J].Academy of Accounting and Financial Studies Journal ，2005，9（1）：1-23.

[16]Agarwal，S，S.Chomsisengphet.Determinants of Small

Business Default[R].2005.

[17]Coravos， A.R.Measuring the Likelihood of Small Business Loan Default： Community Development Financial Institutions （CDFIs） and the use of Credit-Scoring to Minimize Default Risk[D].Durham， North Carolina：Duke University，2010.

[18]Lehmann，B.Is it Worth the While？ The Relevance of Qualitative Information in Credit Rating[R].2003.

[19]Altman，E.，G.Sabato.The Value of Qualitative Information in SME Risk Management[J].Journal of Financial Services Research，2008（40）： 15-55.

[20]Luppi，B， M.Marzo. A Credit Risk Model for Italian SMEs[R].2007.

[21]Ooghe， H，C. Spaenjers.Business Failure Prediction： Simple-intuitive Models Versus Statistical models[J].The IUP Journal of Business Strategy ，2009（4）：7-44.

[22]Lugovskaya，L.Predicting Default of Russian SMEs on the Basis of Fi nancial and Non-fi Nancial Variables[J].Journal of Financial Services Marketing，2010，14（4）：301-313.

[23]Gumparthi，S.Risk Assessment Model for Assessing

NBFCs' （Asset Financing） Customers[J]. International Journal of Trade， Economics and Finance，2010（1）：121-130.

[24]Gumparthi，S，V.Manickavasagam. Risk Classication

Based on Dsicriminant Analysis for SMEs[J].International Journal of Trade， Economics and Finance，2010，1（3）：242-246.

[25]Wang， W， X.Zhou.Could Traditional Financial

Indicators Predict the Default of Small and Medium-sized Enterprises？ ——Evidence from Chinese Small and Medium-sized Enterprises[R].International Conference on Economics and Finance Research，2011.