京津冀科技型中小企業信用風險研究*

何平林 沈映春 李跟強

一、引言

2021年8月17日，習近平總書記在中央財經委員會第十次會議上強調，金融是現代經濟的核心，關系發展和安全，要遵循市場化法治化原則，統籌做好重大金融風險防范化解工作。黨的十九屆六中全會審議通過的《中共中央關于黨的百年奮斗重大成就和歷史經驗的決議》指出，要堅持金融為實體經濟服務，全面加強金融監管，防范化解經濟金融領域風險。作為國家安全的重要組成部分，守住不發生系統性金融風險的底線，確保金融安全是較長一段時期內我國經濟發展的根本保障。雖然當下我國經濟金融領域的風險總體可控，但企業債務比例偏高、盈利水平轉弱所引致的信用風險隱患依然不可小覷。最高人民法院的“全國企業破產重整案件信息網”數據顯示，2019～2021年我國企業破產案件公告數分別是18943件、44496件、69377件，呈現逐年大幅度上漲的趨勢。30年來我國債券市場不斷發展壯大，為企業直接融資提供了資金支持。但債券市場快速發展背后，也潛藏巨大的信用風險。受中美貿易摩擦以及新冠肺炎疫情等因素的影響，作為信用風險風向標的債券市場違約風險也日益增大。Wind數據顯示，2018年起信用債違約進入高發期，共有125只債券出現違約，違約余額1209.61億元，違約余額及數量均超過2015～2017年的總和。2019年違約余額更是達到歷史新高，共有184只債券違約，違約余額1494.04億元；2020年共有106只債券出現違約，違約余額1701.43億元；2021年有71只債券違約，違約余額1621.39億元，略有回調但總體違約情況形勢不容樂觀。債券展期是反映企業流動性壓力狀況的關鍵指標，2021年我國涉及展期的債券本金余額合計達636.33億元，比2020年增長約60%。可以看出，我們必須把主動防范化解系統性金融風險放在更加重要的位置，見微知著、抓早抓小，實現早識別、早預警、早處置。

信用風險評估是市場監管部門和金融機構關注的焦點問題。信用是以償還為條件的價值運動的特殊形式，它產生于融資行為和商品或勞務交易的賒銷或預付之中，如銀行信用、商業信用等。信用是市場經濟的基礎，是創新生態的重要組成部分。2022年1月4日召開的國務院常務會議決定實施企業信用風險分類管理，通過分類管理實現監管對誠信經營者“無事不擾”、對違法失信者“無處不在”。市場監管總局發布的《關于推進企業信用風險分類管理進一步提升監管效能的意見》提出力爭用3年左右的時間，市場監管系統全面實施企業信用風險分類管理，有效實現企業信用風險監測預警，努力做到風險盡早發現、預警以及處置。對企業信用風險進行分類監管，首先需要科學構建信用風險分類指標體系，對信用風險進行分類。其次是風險監測和預警。通過大數據分析、重點指標監測等，及早發現企業風險，前移監管關口，化解風險隱患。當前我國面臨需求收縮、供給沖擊、預期轉弱三重壓力，中小企業受大宗商品價格上漲、疫情沖擊等影響較大，融資行為與可持續發展面臨諸多挑戰，亟待研究其信用風險問題。在信用分析方法上，目前許多數學統計模型都被學術界或實務界經過改良修正后作為評估企業信用風險使用，如Logistic回歸分析、類神經網絡模型和Merton期權模型等，以數學方法輔助金融機構的信貸人員判斷企業的違約風險，并比較授信客戶之間的信用等級以選取對銀行本身較有利的信用放款。

本文基于京津冀科技型新三板企業隨機抽樣的案例分析，從資產負債率、固定資產比、應收賬款周轉率、借款依存度、流動比率、現收比等六個變量，運用數據包絡分析方法對中小企業信用風險進行測算分類并構建中小企業信用風險指數。

二、信用風險理論與文獻綜述

信用風險和信用評級一直以來都是金融經濟領域關注的重要命題。信用風險又稱為違約風險，是指因債務人違約可能導致銀行、擔保公司等債權人資產面臨的風險。McNeil等(2015)認為信用風險是由于交易對手未能履行其合同義務(或違約)而產生的損失風險。信用評級機構從公共和私人資源收集信息，并使用金融和非金融、定量和非定量信息來衡量違約的概率(Attig et al.，2013; Cornaggia et al.，2017; Jiang et al.，2018)。銀行等金融機構基于數據挖掘技術，進行授信企業的信用風險評估，成為近年來授信評審實務中的重要策略。信用風險評估機構在增強企業信用意識、提高投資透明度、促使證券市場規范發展等方面具有十分重要的作用。Blume等(1998)、Jorion等(2009)、Alp(2013)、Baghai等(2014)基于美國的非金融類企業，研究了信用風險評級質量和標準問題。周宏等(2013)以評級機構與發債企業的串謀行為為切入點，分析了評級機構的數量選擇對企業債券信用風險監管的影響。本文認為，市場參與者大多通過信用評級來了解復雜的資本市場，而信用評價維度的合理性、影響因素及指標設置的科學性、評級方法的科學性與合理性是制約企業信用評級質量的關鍵因素。

關于信用風險評價維度，信用評級機構在評估一個公司的信用風險時，通常批判性地評估其會計信息質量、財務政策的風險和公司治理結構的完善程度等。Hsu等(2015)通過觀察公司創新能力來了解公司的信用風險，指出公司創新會影響公司的違約風險，認為一個更有創新競爭力的公司，其違約風險較低，原因是創新使得這些公司在市場上具有某種壟斷力量。Bonsall和Miller(2017)通過信息披露質量來觀察公司信用評級，認為可讀性較差的財務信息披露會導致較差的信用評級和信用評級機構之間更大的分歧。Akins(2018)認為，對于提供更好質量財務信息的公司，信用評級機構對這些公司的信用風險的分歧程度較低。Ashbaugh-Skaife等(2006)的研究表明，企業信用評級與董事會獨立性、董事會成員的持股比例和董事會專業化水平正相關，這表明公司治理對公司的信譽和信用風險至關重要。

許多國內外學者進一步研究了企業信用狀況的影響因素。Attig等(2013)研究了企業社會責任對信用評級的影響。研究發現，企業社會責任的力量和關注顯著影響信用評級，而與主要利益相關者相關的社會責任的各個組成部分(即社區關系、多樣性、員工關系、環境績效和產品特征)在解釋企業的信用風險方面極其重要。Kedia等(2017)指出大股東可以在公司治理中發揮重要作用，對公司的控制權激勵他們承擔監督管理層的成本，進而影響公司信用評級。常瑩瑩和曾泉(2019)研究發現，公司獲得高信用評級的概率與其環境信息透明度顯著正相關；環境信息傳遞出公司的特質風險、盈余持續性以及盈余質量等信息,從而影響評級決策。Ma等(2021)研究了CEO特征對公司信用評級的影響。Hasan和Taylor(2022)研究了品牌資本對公司信用評級的影響，通過對1994～2017年期間5787家美國上市公司的年度觀察樣本進行分析，發現品牌資本水平較高的公司具有較高的信用評級；進一步研究表明，信息不對稱程度、財務風險和公司治理水平這些調節變量強化了品牌資本對信用評級的影響。郭萌萌(2021)基于2008～2018年發行公司債的A股上市公司樣本，研究公司戰略是否影響信用評級決策。研究結果表明，公司戰略越激進，則其主體信用評級越低；公司戰略激進度通過經營風險和代理風險中介影響信用評級。王曉艷和郝文靜(2022)研究了分析師關注度對信用評級的影響，研究發現，分析師關注度能有效提升企業主體信用評級，媒體報道在分析師關注度與主體信用評級之間發揮了部分中介作用，即分析師關注度主要通過提升媒體關注度這一路徑對企業信用評級產生影響。

關于信用風險的分析方法，國外理論和實務界運用多種分析模型進行了研究。Beaver(1966)是較早研究企業信用風險的學者，以單變量模式構建了企業財務危機預警模型，以發生財務危機的79家企業作為研究樣本，并根據產業類別和資本規模進行配對抽樣79家正常企業，以資產負債率、流動比率等六大財務指標進行預警預測分析。Altman(1968)從流動性、盈利性、財務杠桿、償債能力、資產周轉速度等五大指標建立了多變量Z-Score模型，基于33家正常公司和33家財務危機公司進行了實證分析，結果表明，Z值如果低于1.81被評定為高風險易違約企業，Z值高于2.99則為財務非常安全公司。Altman等(1977)在Z值模型的基礎上進一步提出ZETA模型，選取53家正常公司和53家財務危機公司，基于27個財務比率進行判別分析，最終萃取出資產報酬率、盈余穩定性、利息保障倍數、流動比率、市值與總資產比、留存收益比率等七大指標進行信用風險識別。該模型可以廣泛應用于企業信用風險分析或者資產組合管理。Martin(1977)、West(1985)、Fritz和Hosemann (2000)以德國企業為研究對象，分別使用判別分析、基因算法、類神經網絡等多項定量研究方法建立了自動化的信用評分方式。West(2000)、Malhotra和Malhotra(2002)基于神經網絡方法分析企業信用風險。Premachandra等(2009)比較研究了DEA和Logistic回歸兩種不同的模型在預判企業信用風險中的效果，結果顯示DEA方法較之于Logistic回歸更有能力預測和識別信用違約公司。

我國學者也運用多種方法模型研究了信用風險問題。吳世農和盧賢義(2001)基于Logistic模型分析信用違約概率。王保華(2003)、鐘田麗和賈立恒(2005)、吳鳳和吳義能(2017)、梁榮等(2019)等基于神經網絡方法分析企業信用風險。張永娟等(2004)針對影響商業銀行信用風險的各種決定因素，提出了多層次模糊評判模型。彭建剛等(2008)采用某國有控股商業銀行貸款數據對聚合信用風險模型的科學性進行了論證，指出這一方法應用于我國商業銀行可提高經濟資本管理的效率。楊建模和楊勝剛(2009)驗證了DEA方法在企業信用評分中的可行性與有效性。丁輝(2021)運用支持向量機(SVM)方法對寧夏轄區樣本企業進行了信用評級分析。李成剛等(2021)從文本質量特征、文本詞匯特征和文本語調特征等角度量化計算文本相似度、文本情感值、文本可讀性三個維度文本披露指標，采用Logistic模型、決策樹模型、支持向量機和神經網絡模型四種方法構建上市公司信用風險預警模型。邱澤國等(2022)基于機器學習算法進行信用風險評估，以Lasso-RF兩階段特征選擇，比較了邏輯回歸、支持向量機、隨機森林、決策樹等信用評估分類算法的有效性。寧博等(2020)指出在金融發展水平較高、經濟規模更大的地區，非違約企業受信用債違約的影響相對更小。周雯等(2021)關注特定行業的信用風險問題，采用多分類Softmax模型對電力行業的信用評級關鍵要素挖掘進行了研究。黃益平和邱晗(2021)分析了大科技信貸在中小企業貸款領域的信用風險管理框架的工作機制及其宏觀影響。張目和呂知遠(2022)引入文本信息決策變量構建擴展模型，建議銀行在企業財務報表的基礎上引入文本信息決策，降低信息不對稱，提高信用風險識別能力。

本文的邊際貢獻是引入數據包絡分析方法，以京津冀科技型中小企業2015～2020年的數據為樣本，提出并設計出一套企業信用風險指數。本文的研究方法和編制的信用風險指數，能夠為京津冀中小企業信用評價標準化問題研究提供有益借鑒。國內外雖然目前已發展出許多中小企業的評級模型，但多數模型的可操作性以及評級實務的適用性均存在一定程度的不足，例如，Logistics、SVM等模型所構建的信用評級只適用于信用風險的影響因素、信用評級預警識別等方面的情景，如何基于有效的數理模型構建出無須指標權重的信用評價方法，一直是需要深入細化研究的領域。本文研究使用的數據包絡分析模型，不僅適用于特定企業信用風險值的測度，而且能夠用于構建中小企業信用風險指數，針對特定地區或者行業編制的信用風險指數能夠用于評價或者比較信用值的總體波動情況，該方法對于金融監管部門或者金融機構具有較好的適用性和可操作性。

三、企業信用風險分析的數據包絡模型

數據包絡分析是由Charnes等(1978) 所提出的效率測度模型，是一種多目標決策工具。其根據決策單元(decision making unit, DMU)的多個投入(input)與產出(output)變量進行DMU之間的相對效率分析。在評估各DMU效率之前，DEA并未預設各項投入與產出之間的關系，而是經過DMU之間相對效率的比較，決定各個DMU的效率值，并可針對不具效率的DMU提供具體改進方向，調整投入與產出規模以達到較高的效率值。自從Charnes等發展了數據包絡分析的方法，以數學規劃方法奠定了決策單元的效率測算的基礎后，DEA已廣泛應用于各個領域的績效評價之中，并逐漸在金融領域中得到更多的應用，尤其在信用風險分析領域的使用日益深入。根據不同的研究假設，DEA在應用時有許多模式，而目前最常被使用的DEA模式為基于固定規模報酬(constant returns to scale)假設的CCR模式。

本文認為，傳統信用風險評估實務中廣泛使用的專家打分等方法存在“憑主觀授信”的缺點，從指標權重到信用風險結果均易受到人為因素影響，而數據包絡分析方法并不人為地確定指標權重值，通過分別加總產出屬性值和投入屬性值，將總的產出除以總的投入的比率作為相對效率。DEA模型無須事前確定變量權重，該模型可以克服主觀授信缺點，大大提升信用風險分析的客觀性和準確性。DEA方法運用線性規劃將所有決策單元的投入產出值投射在效率空間中，求出效率前沿(efficiency frontier)，位于效率包絡前沿面上的決策單元，投入產出組合具有帕累托最優效率，其效率值為1，即既定產出之下投入最少或既定投入之下產出最大。DEA方法主要評估多個決策單元的相對效率，經由DEAP軟件運行得到各決策單位效率值，可以處理橫截面數據和面板數據。本文所使用的是CCR模式，此模式是在固定規模報酬下衡量多項投入和多項產出下受評者的績效值，選擇適當的財務比率當作投入與產出變量，使用DEA模型測算出中小企業的信用值評分，具體數學模型如下：

(1)

(2)

(3)

(4)

四、科技型中小企業隨機抽樣及信用風險評估指標

目前，京津冀地區是中國北方經濟規模最大、最具活力的城市群。2015年11月，京津冀三地社會信用體系建設牽頭單位北京市經信委、天津市發改委、河北省發改委共同制定了《京津冀社會信用體系合作共建框架協議》，開啟了信用制度頂層設計、共享機制、獎懲聯動機制等方面的合作。2019年，京津冀三地聯合制定了《京津冀守信聯合激勵試點建設方案(2019—2023年)》，提出建立工作機制、完善標準規范體系、互認信用評價結果、開展誠信宣傳教育等四項重點任務和信用惠民、信用便企、特色示范區建設、信用創新驅動等四項專項行動。按照建設方案，到2023年京津冀地區信用合作機制全面建成，守信聯合激勵政策標準體系一體化全面形成，公共信用信息得到充分共享和有效應用，重點領域信用監管機制全面建立，信用服務網絡及信用服務市場基本健全，覆蓋京津冀地區的守信者受益局面基本形成，對優化區域營商環境發揮重要作用。

中小企業是我國市場經濟的重要組成部分，在國民經濟中已經發展成為一支不可替代的力量。中小企業提供了50%以上的稅收，創造了60%以上的國內生產總值，完成了70%以上的技術創新，提供了80%以上的城鎮就業崗位，占企業總數的90%以上。中小企業所提供的就業機會是穩定就業的重要力量，特別是在經濟成長趨緩時，中小企業更能發揮靈活的經營特質，展現出穩定經濟波動以及防止失業狀況惡化的重要功能。但是，必須要指出，中小企業與大型國企相比經營風險較大，較易受到宏觀經濟波動的影響。新三板作為一套契合中小企業特點和需要的制度安排，已成為資本市場服務中小企業的重要平臺。截至2022年3月10日，我國新三板“創新層”有1217家企業。為了比較京津冀地區科技型中小企業的信用風險狀況，我們從北京、天津、河北三省(市)的創新層企業中各隨機抽取10家一共形成30家樣本企業，目的是基于數據包絡分析模型進行信用風險分類，為京津冀一體化背景下中小企業信用分級評價和分類監管提供理論方法借鑒。本文數據來源于Wind數據庫。為了使30家企業具有典型的樣本代表性，我們采用了分層抽樣方法，即先將總體劃分為子總體(或者稱之為層)，再從不同層中隨機抽取樣品(個體)。分層抽樣的優勢是將科學分組法與隨機抽樣法結合在一起，對總體進行劃類分層增大各層中個體特征的共同性，減小各抽樣層變異性的影響，層內隨機抽樣實現所抽取的樣本具有足夠的代表性。為了減小抽樣誤差，分層抽樣的基本原則是增加層內的同質性和層間的異質性。因此在具體抽樣時，我們先將1217家創新層企業按京津冀地域分層，再進一步按照營業收入這一規模特征分層，以營業收入中位數值為錨劃分子層，然后從不同的子層中獨立、隨機地抽取樣本。

信用風險評估變量，輸入變量意味著該比率越小越好，相對而言，輸出變量則是該比率越大越好，表示在既定的輸入之下，得到最大的輸出；或是在既定的輸出條件下盡量減少輸入。本文認為企業信用風險的本質是資金效率，那些陷入財務困境的高信用風險企業的共同“生命特征”是資金效率低下乃至資金鏈岌岌可危。以此觀點作為根本出發點，我們圍繞債務與結構、造血能力、盈利與成長三個維度構建了企業信用風險評價指標體系，具體如圖1所示。本文中的輸入指標構建，首先是資產負債率，這是反映企業負債水平的核心指標；其次是固定資產百分比，用固定資產占總資產的比重來代表企業的財務結構以辨別輕資產企業還是重資產企業；最后是借款依存度，用長短期借款與凈資產之比來衡量，反映單位股東投入下所背負的債務規模。本文中的輸出指標構建，首先是流動比率來代表中小企業的償債能力；其次是“現收比”指標，我們用銷售商品、提供勞務收到的現金與營業收入之比來代表中小企業的造血能力；最后，我們用應收賬款周轉率來代表企業經營效率。京津冀科技型中小企業信用值評估的輸入變量和輸出變量如表1所示。

圖1 企業信用風險評價指標體系

表1 京津冀中小企業信用值評估的輸入變量和輸出變量

續表

五、信用風險定量測算結果與分析

我們基于DEAP軟件，對隨機抽樣的京津冀30家樣本企業進行了信用風險測算，對模型輸出結果乘以100得到樣本企業的信用值，如圖2所示。我們計算得到每個企業的信用分值，按照信用風險狀況由低到高將樣本企業分為四類：信用風險低(A類)、信用風險一般(B類)、信用風險較高(C類)、信用風險很高(D類)。如圖2所示，我們以信用值得分為100分的7家企業歸為信用風險A類，信用風險低的企業占隨機抽取的樣本總量的23%，其中天津4家、北京3家；以信用值得分60～100分之間的2家企業歸為信用風險B類，信用風險一般的企業占樣本總量的7%，其中天津1家、北京1家；以信用值得分40～60分之間的2家企業歸為信用風險C類，信用風險較高企業占樣本總量的7%，其中河北1家、北京1家；以信用值得分40分以下的19家企業歸為信用風險D類，信用風險很高企業占樣本總量的63%，其中天津5家、河北9家、北京5家。在本案例樣本范圍之內可以觀察出的情況是，科技型中小企業信用風險狀況不容樂觀。

圖2 京津冀科技型中小企業信用值評分結果

根據數據包絡分析模型計算的結果，7個決策單元一起構成信用值的包絡前沿面，其他23個決策單元的信用風險相對較大，河北省的新三板樣本企業信用值得分均低于50分，平均值僅為21.96分。究竟是什么原因，導致這些新三板企業與效率包絡面上的決策單元出現顯著差距? 上述差距有多大? 如何通過有效的信用風險管理使之加以改進? 通過投影值分析可以解決上述問題。我們將 DEAP 軟件的一部分運行結果整理成表2。首先從輸入變量角度進行分析，決策單元T9資產負債率偏高；決策單元T8、H11、H17財務結構有缺陷，固定資產占總資產的比重過高；借款依存度過高，導致絕大部分新三板企業信用風險較高。河北省的樣本企業除了H13之外，其他所有企業的借款依存度指標表現不佳，這是河北省的樣本企業信用值總體偏低的根本原因。流動比率指標表現較差，也是絕大部分新三板企業信用風險高的重要原因。河北省的樣本企業除了決策單元H12之外，其他所有企業的流動比率指標較差，這是河北省的樣本企業信用值總體偏低的又一原因。一些決策單元(T2、T9、H15、H20、B30)造血能力不足，現收比指標表現較差。從表2可以看出，50%的河北省樣本企業應收賬款周轉率指標表現較差，該因素是上述企業拉低信用值的最為突出的薄弱環節。

表2 京津冀中小企業信用值的松弛變量和剩余變量

續表

為了進一步研究京津冀區域科技型中小企業信用風險水平的時間序列波動情況，便于對京津冀區域科技型中小企業不同年度信用風險總體漲落情況進行橫向對比，我們以2015～2020年數據為樣本，基于數據包絡分析模型，提出并構建了京津冀中小企業信用風險指數。指數具有相對性，是用來描述社會經濟現象動態波動的相對數，可以用來測度一個變量在不同時間或不同空間的相對變化。指數具有綜合性，它是由一組變量或項目多年度的變化數值綜合對比形成的。指數具有平均性，兩個綜合量對比形成的指數反映了個別量的平均變動程度。編制中小企業信用風險指數時，我們首先計算出2015～2020年京津冀科技型中小企業的信用值；接下來我們按照地域特征進行分組，計算出河北省、天津市、北京市科技型中小企業的信用水平波動的平均值；最后我們以100作為標桿進行數值逆轉，以逆轉值作為中小企業信用風險指數值，具體情況如圖3、圖4、圖5所示。

圖3 2015～2020年河北省科技型中小企業信用風險指數

圖4 2015～2020年天津市科技型中小企業信用風險指數

圖5 2015～2020年北京市科技型中小企業信用風險指數

第一，河北省科技型中小企業信用風險總體高于天津市和北京市的企業。這一現象的深層次原因可以從表2中找到：河北省樣本中90%的科技型中小企業流動比率指標與北京市和天津市相比偏弱；90%的中小企業現收比指標與北京市和天津市相比偏弱；50%的中小企業應收賬款周轉率指標與北京市和天津市相比偏弱。對標北京市和天津市科技型中小企業，河北省企業信用監管部門的重點工作方向是著力引導中小企業在流動比率、現收比、應收賬款周轉率等指標優化上發力，通過轄區內中小企業整體提質增效來改進河北省總體企業信用風險指數表現。

第二，2015～2017年京津冀科技型中小企業信用風險曾經都呈現出不斷下降的良好趨勢。國家金融與發展實驗室(NIFD)數據顯示，截至2015年底我國債務總額為168.48萬億元，全社會杠桿率為249%。分結構來看，居民部門債務率為40%、金融部門為21%、政府部門為40%。非金融企業部門債務率高達131%，比2014年增加7個百分點，這表明非金融企業部門加杠桿的趨勢非但沒有得到有效的遏制，反而呈現進一步加劇的態勢。針對這種情況，2015年12月的中央經濟工作會議提出“去產能、去庫存、去杠桿、降成本、補短板”五大任務。圖3至圖5表明去杠桿政策有效，2015～2017年京津冀科技型中小企業的信用風險畸高的狀況得到了有效控制。

第三，2017～2018年京津冀科技型中小企業信用風險出現了再次飆升。2017年開始，特朗普政府挑起了又一輪中美貿易摩擦。總體來看，中美貿易摩擦對于我國本身深層次結構性改革總方向和國有企業本質上難有較大撼動，但對于在我國的跨國企業以及我國科技型中小企業確實造成了經營上的巨大壓力和沖擊。中美貿易摩擦對中小企業的供應鏈、人員收入、市場份額、研發投入、發展戰略等都產生了重要影響。一些企業將勞動密集型生產工廠轉移至東南亞國家，導致我國一些中小型企業逐漸失去了在傳統產業的競爭優勢。另外，一些投資人改變投資計劃不愿將富裕資金注入中小型企業，導致一些企業資金鏈斷裂，融資失敗。從圖3至圖5還可以看出，除北京市外，天津市和河北省的中小企業信用風險指數在新冠肺炎疫情之后再次出現了上升趨勢。這說明在新冠肺炎疫情的背景下，科技型中小企業的盈利水平和償債能力再次出現了變弱的預警信號。

六、結論及政策建議

(一)結論

社會信用體系建設是推進國家治理體系和治理能力現代化的重要內容，只有實施企業信用風險分類管理，才能推動監管更加精準有效。本文以京津冀科技型中小企業的數據進行分層抽樣，以數據包絡分析方法為工具，對科技型中小企業的信用風險進行分類測算分析。結果顯示：信用風險低的A類企業占比23%；信用風險一般的B類企業占比7%；信用風險較高的C類企業占比7%；信用風險很高的D類企業占比63%(其中天津5家、河北9家、北京5家)。可以看出，京津冀科技型中小企業的信用風險總體狀況不容樂觀。同時，本文基于數據包絡分析方法提出并設計了中小企業信用風險指數。信用風險指數的波動表明：在去杠桿的宏觀政策推動下，2015～2017年科技型中小企業的信用風險畸高的狀況得到有效控制；在中美貿易摩擦等因素影響下，2017～2018年科技型中小企業信用風險出現了飆升；2019～2020年京津冀科技型中小企業的信用值再次出現了變弱的預警信號。信用風險指數的波動具有良好的風向標作用，可以較好地觀測中小企業信用風險在不同時間或不同空間的相對變化。

(二)政策建議

第一，從政府監管部門層面看，本文測算的分類結果可以應用于市場監管系統各業務領域對企業的監管工作，作為配置監管資源的參考依據。本文引入的數據包絡分析信用風險評價可使監管部門的政策和執法工具箱更加豐富，有助于增強政府監管的針對性和有效性，降低監管成本。以信用值得分實現差異性監管，賦能信用監管效能提升。在信用值精準測算的基礎上通過差異化監管措施，真正做到監管行為對誠信經營者“無事不擾”、對違法失信者“無處不在”。本文建議京津冀區域盡快形成所有企業信用信息的統一歸集、存儲、共享；建議建立京津冀信用風險動態評估機制，開展季度、年度信用風險分類評價、分類監管并實現預警獎懲。

第二，從銀行等金融機構和信用評級中介機構層面看，本文的研究方法和編制的中小企業信用風險指數，能夠為中小企業信用評價標準化問題研究提供有益借鑒。銀行、擔保公司等金融機構以及信用評級中介機構，應當不斷豐富企業信用風險評估的方法體系，建議基于數據包絡分析模型、熵值法模型等非參數方法進行企業信用風險評估，提升中小企業信用評級的科學性。

第三，從科技型中小企業自身層面看，建議不斷豐富企業信用風險管理的方法體系，通過引入數據包絡分析等方法測算和監控供應商以及企業自身信用值，針對低風險和重點領域信用風險實施對標管理。借助數據包絡模型中的投影值分析，找到增大企業信用風險的短板性指標，通過信用預警管理不斷提升企業信用值。建議科技型中小企業通過觀測分析區域和行業信用風險指數的波動情況，進行科學的投資和經營決策。