企業信用評估建模綜述

鄭玉嬌

摘要：企業信用評估建模的研究當中構建模型作為核心部分，本文將有關文獻研究按照建模方法的思路進行梳理，希望對信用評估建模研究有一個清晰的介紹。

關鍵詞：企業信用評估；建模

一、引言

企業信用評估建模是指借用一些分類方法，從歷史數據中學習總結訓練模型，從而可以利用經過訓練的評估模型來對新的樣本公司的未來的信用狀況級別進行預測評價。企業信用評估建模的研究當中，構建模型作為核心部分，其方法從基于傳統方法到基于人工智能方法。本文將企業信用評估的有關文獻研究，按照建模方法的思路進行梳理。

二、基于傳統統計方式的單分類器信用評估建模

單分類器就是利用單一的分類方法對企業的信用狀況進行區分。傳統統計方式的單分類器信用評估模型有Z-score模型、Probit模型、Lagit模型。其中Z-score模型、Zeta判別分析模型是采用Lleast Square Method思想，而Probit模型和Logit模型則與不同，是運用Maximum Llikelihood Method思想。

1.Z-score模型：Z-score模型屬于判別公司在經營和財務方面是否有風險的多元判別辨析模型，模型當中包含五個變量：總資產、未分配利潤、營運資本、收入、總債務和銷售，分辨函數表達式為：Z=0.012IX+0.014IX2+0.033IX3+0.006IX4+0.999IX5。為了檢驗模型，Ahman將z值的結果與標準普爾或者穆迪等評級機構對企業信用評判結果比較驗證模型的有用性。陳靜分別利用Z-score模型和Beaver的單變量分析進行信用評估的實證研究，分析結果Z-score模型在信用評估表現出的預測能力更好。陳文俊在研究信用評估建模時，將Z-score模型中的預測變量和結果判斷方法進行了修正，利用41家ST公司和對等的非ST公司進行實證分析，檢驗了模型的有效性。根據z值判別信用風險：

2.Log istic模型：Ohlson率先將Logistic方法構建商業銀行使用的評判信用模型。李萌從不良貸款率、T檢驗、主成分分析組合出發，基于Logistic方式組合建立出判斷信用風險的模型。李關政在財務特征中添加系統風險特征因素，結合Logistic構造一種模型用于評判公司的信用風險。

3.Pmbk模型：Probit模型被用于企業信用評估的思想與Logistic模型相似，通過極大似然函數思想獲得極大值，然后判別信用級別。Zmijewski運用Probit建模分辨信用類別。高培業和張道奎基于制造業，結合財務指標和Probit模型進行風險評價。蔣亞琦利用我國上市旅游企業的財務數據構建Probit多元信評模型，模型的實證結果預測準確率為73.75%。

三、基于人工智能方法的單分類器信用評估建模

人工智能技術的應用，其用于信用分類的技術獲得了長足的發展。這些方法相比較傳統的統計模型分類器，可以突破許多數據要求制約。

1.分類樹方法：分類樹是一種非參數識別技術，葉結點代表樣本企業所屬類別。張維基于遞歸分類樹建立一種商業銀行使用的風險判斷模型，實證研究也表明了分類樹模型由于統計判別模型。周啟清研究了利用Bagging和分類樹建立企業信用判別組合模型的實現過程。

2.神經網絡方法：Artificial Neural Networks被研究學者引入財務領域的而分類建模。龐素琳利用PNN建立模型用于識別和預警上市公司的信用級別。吳斌卿通過實證分析發現模糊神經網絡建立的評估模型比BP-NNS能更好地評判小微企業的信用類別。

3.粗糙集方法：粗糙集在信用風險評價領域的應用研究日趨繁榮。杜婷將粗糙集引入個人信用評估中，利用德國的信用數據進行了實證檢驗。顧婧借鑒粗糙集思想，構建了VPRS模型來識別新興技術企業的信用級別類型。

四、結語

人們旨在尋找一種優越的方法或者技術來組合搭建一種有利的模型，從信用類型級別而醍醐出所存在的風險。基于傳統的統計方法來建立企業信用類別評判模型時過程會有些簡便，但是每類模型都對數據的分布具有一定的約束性要求，因而它們的使用范圍受到較大限制。基于人工智能技術來評判公司地信用級別對編程技術有更嚴格地要求，但是有較好的預測性能，盡管每種方法依舊具有一定的缺陷。企業信用評估的建模研究還有很大的研究空間，將不同的方法進行組合從而來建模將會是以后的研究發現方向。