非均衡數據下制造型企業金融信用風險研究

【摘" "要】 如何有效評估企業金融信用風險狀況是當前風險預警領域的研究重點。以我國制造型企業為例，首先通過主成分分析和K均值聚類對企業金融信用風險進行綜合打分和等級劃分，并深入探究指標重要性；然后使用SMOTE過采樣方法解決類別不均衡問題，以提升機器學習模型的預測效果；最后評估各機器學習模型的預測效果，將表現出色的模型作為壓力傳導模型，通過壓力測試分析不同細分行業中企業的抗壓能力。研究發現：1）不同信用指標對制造型企業金融信用風險的影響程度存在顯著差異，影響最大的是行業償債能力，影響最小的是企業經營能力；2）在壓力測試中，相較于其他模型，MLP模型的整體預測效果最佳，在逐級升壓情境下，其PMLP下降幅度和CVMLP上升幅度最小；3）隨著壓力因素的增加，各細分行業下制造型企業的抗壓能力曲線顯著下降，若以下降幅度為標準，通用設備制造企業具備較強的抗壓能力，而專用設備制造企業的抗壓能力較小。研究結果可以幫助利益相關者更有效地評估和管理制造型企業的金融信用風險，降低風險暴露的可能性，促進企業健康發展。

【關鍵詞】 制造型企業；金融信用風險；壓力測試；機器學習；非均衡數據

中圖分類號：TP183；F274；F832.4文獻標志碼：A 文章編號：1673-8004（2025）01-0026-20

一、引言

隨著全球經濟發展向實體經濟的回歸，制造型企業在經濟體系中扮演著至關重要的角色。《中國制造2025》作為國務院部署推進制造業強國戰略的重要行動綱領，明確了其戰略目標和任務。黨的二十大報告也提出要“建設現代化產業體系。堅持把發展經濟的著力點放在實體經濟上，推進新型工業化，加快建設制造強國、質量強國、航天強國、交通強國、網絡強國、數字強國”。然而，制造型企業面臨著各種金融信用風險，如資金問題、高融資成本和供應鏈中斷等問題，這可能對企業和金融體系產生嚴重影響。金融信用風險涉及企業是否能夠按時償還債務、維持健康的財務狀況以及在經濟壓力下的應對能力［1］。金融信用風險具體表現為多種形式，包括違約風險、市場風險和流動性風險等。違約風險與企業的財務健康狀況密切相關，金融機構通常會根據企業的財務狀況來評估其信用風險水平。若企業的財務狀況不佳，可能會被視為高風險客戶，這將導致貸款條件更加苛刻，甚至可能面臨貸款被拒的風險。尤其是在當前全球金融市場的不確定性和波動性上升的背景下，傳統的金融信用風險評估方法可能無法有效應對制造型企業面臨的多樣化和動態化的風險［2］。因此，采用更靈活高效的方法有效評估制造型企業金融信用風險是一個值得深入研究的重要課題。

壓力測試是一種系統性的方法，用于評估金融機構或企業在不同的壓力或危機情景下的表現。這種測試旨在模擬各種可能發生的應激情景，包括但不限于金融市場崩盤、經濟衰退和自然災害等，以便更好地理解潛在風險和損失［3］。目前，國內外已開展了一些運用壓力測試的金融研究工作。例如，德國的國際合作機構已將水資源壓力納入企業信用風險分析，并進一步將其應用于中美等國家銀行的環境風險壓力測試。國內的建設銀行于2020年聲稱已開始環境風險壓力測試，以火電和化工行業為研究對象，設置了低、中、高三種壓力情景，以評估客戶評級的變化情況［4］。此外，少數學者還將壓力測試應用于碳減排信用風險領域［5］。這些案例表明，壓力測試在金融信用風險管理中發揮著關鍵作用，特別是在面對不確定性和復雜的經濟環境時。

近年來，隨著科學技術不斷發展，機器學習已成為金融機構和企業用于識別、量化和管理風險的有力工具。在金融信用風險評估領域，傳統的信用評分模型通常基于歷史數據和統計方法，而機器學習則更全面地考慮了大量的非線性關系和因素，并利用大規模數據集更準確地評估企業的信用狀況［6］。例如，Abdelmoula［7］應用KNN模型研究了924家企業的信用數據，該模型在信用風險評估方面表現出色；潘永明等［8］通過信息增益模型進行最優特征提取，顯著提升SVM模型對企業信用風險的預測能力；Yuan等［9］采用ELDA-RF模型對社交媒體上的公眾情緒進行分析，發現公眾情緒可顯著增強模型對企業信用評級的預測效果。賈穎等［10］將貝葉斯高斯過程（GP）用作XGBoost的超參數優化器，發現 GP優化超參數的方法收斂速度更快，模型對信用風險的預測準確率更高。陳海龍等［11］提出了一種基于BA-SMOTE-FLLightGBM的信用風險預測模型，發現該融合模型具有卓越的違約預測效果。Li等［12］將XGBoost與MLP模型相結合，表明XGBoost特征選擇能夠顯著提升MLP信用風險評估模型的預測準確率。龍志等［13］構建了一種新的融合熵權TOPSIS-FCM-CNN的企業財務風險預警模型，該模型具有很好的預測效果。總體而言，信用風險預警模型正不斷得到優化和完善，便于精準地評價企業的信用風險。

綜上所述，現有研究通常將壓力測試和機器學習分別應用于信用風險分析。然而鮮有研究充分利用二者優勢，相互結合并應用于制造型企業金融信用風險預警領域，以便深入分析企業信用風險變化，為利益相關者的投資決策提供有力支持。為此，本文以深證A股2013—2022年制造型企業為例，首先通過主成分分析對信用風險進行評估，運用K均值聚類劃分不同風險等級，使用RF等算法和熵值法對指標重要性進行深入分析；其次，采用SMOTE過采樣方法解決類別不均衡問題，提升模型在新數據集下的預測效果；再次，進行制造型企業金融信用風險壓力測試，以評估各機器學習模型的預測效果，在這一過程中，選擇表現出色的MLP模型作為壓力傳導模型；最后，進行制造型企業金融信用風險抗壓能力的測試，對不同細分行業下的制造型企業進行比較分析。

本文在現有研究的基礎上將從以下方面獲得預期成果：1）有效地將壓力測試方法與主流的機器學習模型相融合，應用于制造型企業金融信用風險預警領域，豐富該領域的研究視角和方法；2）解決信用風險預警領域常見的樣本類別不均衡問題，并比較不同壓力測試下機器學習模型的預測效果，從中選擇表現出色的模型，為未來的研究提供有價值的模型選擇依據；3）在壓力情景不斷惡化的實驗中，分析不同細分行業下制造型企業的抗壓能力，并據此提出相關的金融信用風險防控建議。

二、研究設計

（一）數據來源與樣本選擇

作為國家經濟的重要支柱，制造型企業的信貸措施對于可持續發展至關重要。因此，本文以深證A股2013—2022年制造型企業為例，共計1 987家。在數據處理方面，對原始數據集進行如下操作：1）剔除指標缺失比例大于三分之一的企業樣本；2）采用分組均值法填充部分缺失值。最終得到8 254個樣本，共1 749家。數據均來源于CSMAR數據庫。

借鑒目前已有文獻的做法，采用簡單隨機抽樣，將數據集按照7：3的比例分為訓練集和測試集。訓練集用于機器學習模型的學習和參數調整，而測試集用于評估模型的分類預測性能。實驗均在基于Pytorch深度學習框架的PyCharm編程軟件上完成。

（二）指標選取

以往研究表明，財務比率指標在企業信用風險評估中具有重要的參考價值［14-17］。但考慮行業競爭程度對企業的潛在影響，可能會對其盈利能力產生不利影響，從而導致償債能力下降，信用風險增加［13］。因此，本文基于企業和行業自身角度，從償債能力、經營能力、盈利能力、現金流能力和發展能力這四個方面選取30個信用指標，以全面反映企業的經營績效、財務風險和信用狀況，如表1所示。

（三）基于金融信用風險預警模型的壓力測試設計

1.綜合評分與等級劃分

現有研究中，學者通常采用“是否被ST或*ST處理過”的標準，將企業的信用狀況簡單歸為“好”或“壞”。然而，這與實際情況并不完全相符。此外，這種二分法可能會限制模型為利益相關者提供更加精準的風險管控效用。因此，有必要對企業信用風險進行更細致劃分，并建立多類別預測的信用風險評估模型。

基于以上分析，本文首先采用主成分分析法［18］（Principal Component Analysis，簡稱PCA）來計算各制造型企業金融信用風險的綜合得分Gi。其中，若綜合得分Gi越高，意味著該制造型企業的金融信用風險越低，反之亦然。然后，通過應用K均值聚類［19］，對所有制造型企業的綜合得分Gi進行相似度分類，將信用風險分為A、B、C、D、E五個等級標簽，分別表示信用風險低、較低、中等、較高、高。

2.綜合評分與等級劃分

不同的信用指標對模型預測結果的影響程度存在顯著差異。為更深入地理解各信用指標在整個制造業或者不同信用風險等級企業中的重要性，從而協助各利益相關者制定科學合理的投資決策，需進行詳細分析。關于RF、XGBoost和CatBoost集成算法的介紹，詳見第3小節。因此，本文采用RF、XGBoost和Catboost集成算法來計算各信用指標的特征重要性。

3.機器學習模型選擇

目前在面對多分類問題時，企業信用風險預警模型主要分兩類：一是基于統計模型的判別分類方法，包括線性判別分析、Probit回歸和Logistic回歸等；二是基于機器學習的方法，包括最近鄰分類、決策樹和支持向量機等。第一類模型通常對輸入數據具有較高的要求，如要求數據符合或近似正態分布。而第二類模型可從大量復雜數據中自動學習非線性和非平穩關系，故具備更出色的預測效果。

為了深入探究壓力測試中不同模型的預測效果變化，本文選擇KNN、SVM（Linear）、SVM（Rbf）、RF、XGBoost、LightGBM、MLP機器學習算法構建信用風險預警模型。KNN通過構建特征向量來進行回歸或分類。在給定的測試樣本情境下，KNN會利用某種距離度量方法來選擇訓練集中與之最相近的K個訓練樣本，然后以這K個“鄰居”的信息為依據進行預測；SVM通過在特征空間中尋找最優超平面來解決分類問題。該算法旨在最大化數據樣本中支持向量與超平面之間的間隔距離，同時也能借助非線性核函數來處理數據的線性不可分問題。RF、XGBoost和LightGBM為集成算法，它們基于多個決策樹模型，通過諸如Bagging等策略方法進行集成學習，以提高分類或回歸的性能。MLP作為前饋神經網絡模型，由多個神經元層組成，每個神經元層之間實現全連接，通過強大的算法不斷優化神經元之間的連接，從而實現信息處理。

4.模型評估指標

本研究中制造型企業金融信用風險預警為多分類問題。因此，采用上述機器學習模型，并觀察其在預測效果上的變化。以下是所需的模型評估指標。

1）準確性檢驗。假設Pi表示第i個模型的企業總識別率，P（j=A，B，C，D，E）表示第i個模型的金融信用風險A、B、C、D、E等級企業樣本識別率，Pi表示第i個模型的企業樣本識別率的平均水平，其計算公式為：

式中，Pi值越高，表示第i個模型的準確性越高，反之亦然。

2）全面性檢驗。良好的模型預測效果不僅具備較高的Pi值，還需充分考慮該模型分別對信用風險為A、B、C、D、E等級企業樣本的預測效果。假設第i個模型識別率P（j=A，B，C，D，E）的標準差和變異系數分別為σi、CVi，計算公式為：

CVi=σiPi（3）

式中，i=1，2，…，7分別對應KNN、SVM（Linear）、SVM（Rbf）、RF、XGBoost、LightGBM、MLP模型，j=A，B，C，D，E。變異系數CVi值越小，即第i個模型的識別率Pi、P（j=A，B，C，D，E）之間的相對離散程度越小，表明第i個模型對不同信用風險等級企業的預測效果越均衡，模型的全面性越好，反之亦然。

此外，模型性能綜合評估原則的重要性排序為：準確性＞全面性。

5.制造型企業金融信用風險的壓力測試

本文基于不同的壓力情景，對利益相關者可能面臨的制造型企業金融信用風險進行壓力測試。壓力測試流程如圖1所示。

圖1" 壓力測試流程

1）壓力情景構建。借鑒已有文獻的研究［5，20-23］，本文基于歷史數據波動率的方法來定義不同的壓力情景。首先，將經過數據預處理的數據集作為基準情景。然后，在基準情景的基礎上以百分之五的標準對每個信用指標分別惡化1個、2個、3個、4個、5個百分之五，分別表示輕度、較輕度、中度、較重度、重度壓力，共5種定義的壓力情景。需要說明的是，本文以“正向指標減去百分之五”來表示“惡化”效果，以“負向指標加上百分之五”來表示“惡化”效果。以重度壓力為例，本文用如下公式來代表“惡化”效果：

正向指標惡化效果=X×（1-5×5%）（4）

負向指標惡化效果=X×（1+5×5%）（5）

其中的輕度壓力情景被定義為比目前實際情況更具有挑戰性但仍有可能發生的溫和衰退情景。而重度壓力情景則被描述為極端的情況，但仍具備發生的潛在可能性，詳細情況如表2所示。

2）壓力傳導模型建立。壓力傳導模型通常采用兩種方法，即自下而上法和自上而下法。在銀行內部，金融風險分析師主要采用自下而上的方法。然而，在金融機構之外，研究人員通常面臨著不完整的數據，難以建立完整的數學模型來確定它們之間的邏輯關系。因此，本文選擇自上而下的方法。自上而下的壓力測試通常由研究者根據相關的知識背景來設定壓力情景和關鍵假設，其需要的人力和物力資源較少。

在研究壓力因素對測試指標的影響時，可選擇兩種方法。一是利用統計模型來建立相應的傳導關系，例如自回歸模型、Wilson模型等；二是使用機器學習模型對各企業進行壓力測試，然而這方面的文獻和討論相對有限。例如，佟孟華等［5］在其研究中采用FM模型來對工業企業的碳減排信用風險進行壓力測試。因此，本文依據第二種方法，選擇KNN、SVM（Linear）、SVM（Rbf）、RF、XGBoost、LightGBM和MLP模型作為壓力傳導模型，以開展壓力測試。

（四）整體設計流程

本文將整體實驗思路的研究流程設計成框架圖，如圖2所示。

三、實證分析

（一）基于PCA的綜合評分

為獲得各制造型企業的金融信用風險的綜合評分Gi，本文采用PCA進行相關實驗。首先，在進行PCA之前，需要對指標數據進行Z-score標準化處理，以消除量綱影響；然后，將其進行KMO和Bartlett球形檢驗，以判斷該數據集是否值得進行PCA實驗。KMO和Bartlett球形檢驗結果顯示，KMO樣本測度值為0.646且大于0.5，Bartlett球形檢驗結果中顯示p值小于0.05，拒絕原假設，表明本文選取的信用指標間重疊度較高，存在一定的相關性，可從中提取數量較少的主成分因子；最后，對該數據集進行PCA實驗，結果如表3所示。

表3報告了各主成分的解釋方差的變化情況。由表3可知，根據特征值法，前11個主成分的特征值大于1，并且方差累計貢獻率達到63.79%，表明前11個主成分能夠較好地代表原來30個信用指標所蘊含的信息。

根據不同的方差貢獻率作為主成分的權重，可以計算出各制造型企業的金融信用風險的綜合得分Gi：

若綜合得分Gi越高，表明該制造型企業的金融信用風險越低，反之亦然。本文將提取的主成分按照貢獻權重計算出綜合得分Gi，其描述性統計結果如表4所示。

由表4可知：在企業樣本75%分位數時，綜合得分Gi為-0.161 9，表明至少有3/4的制造型企業金融信用風險表現得分都為負數；均值為-0.002 6，標準差為0.480 2，最小值為-4.215 6，最大值為0.161 9，表明各制造型企業的金融信用風險表現存在明顯差異。

（二）基于K均值聚類的等級劃分

為獲得各制造型企業的金融信用風險的等級標簽，本文采用K均值聚類將信用風險劃分為A、B、C、D、E共5個等級標簽，分別表示信用風險低、較低、中等、較高、高。首先，為驗證綜合評分Gi在五類制造型企業之間是否存在顯著差異，采用ANOVA檢驗方法對該指標進行顯著性檢驗。檢驗結果表明，對于綜合評分Gi指標，聚類差異性檢驗結果中p值小于0.05，在該水平下呈現顯著性，拒絕了原假設，表明綜合評分Gi指標在K均值聚類分析劃分后的類別（風險等級）之間存在顯著差異，證明了K均值聚類的合理性。

表5報告了經過K均值聚類后各信用風險等級企業的詳細分布情況。從表5可以發現，K均值聚類后，各風險等級企業的綜合評分Gi的平均分差分別為0.711 5、0.603 0、0.370 2和2.718 5。值得注意的是，風險等級為D和E的制造型企業的平均分差最大，而E等級制造型企業的標準差最高，達到了0.877 7，表明這兩類企業間在經營方式和戰略目標上存在明顯差異，導致了金融信用風險的顯著差異。因此，利益相關者應特別關注E等級制造型企業的金融信用風險波動，以作出更為精準的投資決策。

此外在表5中，各信用風險等級企業的數量分布極不均衡。以信用風險等級為C的制造型企業為例，其數量達到3 710 家，而信用風險等級為E的制造型企業僅有16家。這易導致模型在分類預測任務中對C級企業數據過度擬合，對E級企業數據欠擬合，不利于結果分析。為解決這一類別的不均衡問題，本文使用SMOTE過采樣算法。

（三）指標重要性分析

為深入了解制造型企業中的信用風險特征，本文采用RF、XGBoost和Catboost集成算法進行指標重要性分析。RF、XGBoost和Catboost能夠基于特征（本文指30個信用指標）被采用于分割節點的次數來生成特征重要性（RFI）［24］。其中，RFI的數值越高，則表示該特征的重要性越高；反之亦然，結果如表6所示。

表6為基于機器學習算法的各三級指標的RIF數據。由表6得知，各個三級指標的RIF存在明顯的差異。具體地，RFI值較大的前5個三級指標分別是行業現金比率X17、行業資產負債率X18、行業營業成本率X24、行業流動比率X16、行業資產報酬率X22，RFI值較小的后5個三級指標分別是企業每股經營活動產生的凈流量增長率X15、行業全部現金回收率X26、企業資產負債率X3、企業折舊攤銷X10、企業應收賬款周轉率X4。結果表明，X17、X18、X24、X16和X22指標對制造型企業金融信用風險的影響程度較大，而X15、X26、X3、X10和X4指標的影響程度較小。因此，利益相關者應深入厘清各信用指標的重要性，重點關注RFI值較高的信用指標，有助于自身做出更加科學合理的投資決策。

此外，為更加清晰地了解制造型企業各二級指標的RFI值，本文根據表6中的“均值”分別匯總并計算出各二級指標的RFI值，結果如圖3所示。

圖3顯示了制造型企業的各二級指標的RFI大小分布情況，縱坐標表示指標的RIF值。由圖3可以發現，“行業自身狀況”包含的二級指標整體的RFI值明顯高于“企業自身狀況”。本文中，按照RFI值從大到小的順序對各二級指標進行排列：

行業償債能力＞行業盈利能力＞企業盈利能力＞行業經營能力＞行業現金流能力＞

企業發展能力＞行業發展能力＞企業現金流能力＞企業償債能力＞企業經營能力

可以看出，在制造型企業金融信用風險預警中，最重要的影響因素是所在行業的整體償債能力和盈利能力，因為這些因素代表了整個行業的發展前景。可見，金融信用風險的評估不僅依賴于企業自身的經營狀況，還需要考慮所在行業的整體盈虧情況，如此才能對制造型企業的金融信用風險進行全面評估。

為不同風險等級的企業準確提供針對性的建議，以探究在不同等級中發揮關鍵作用的二級指標。因此，本文通過熵值法分析各等級企業金融信用風險的二級指標的權重，如圖4所示。

圖4顯示了在不同風險等級企業下應用熵權法的各二級指標的權重，縱坐標表示指標的權重。發現各二級指標在不同風險等級企業中的權重存在顯著差異。例如，在“企業自身狀況”中，“盈利能力”在A等級企業中的權重值為0.147 4，而在E等級企業中的權重值為0.037 2，差值為0.110 2，二者大小存在明顯差異；在“行業自身狀況”中，“發展能力”在E等級企業中的權重值為0.174 9，而在D等級企業中的權重值為0.093 3，差值為0.081 6，二者大小依舊存在較大差距。導致這一結果的原因可能是業務性質，因為不同行業的企業在碳減排信用風險具有不同的業務性質。特別地，某些行業可能對碳減排有著更高的要求，因此特定的指標在這些行業中可能會更加突出。除此之外，還可能受市場條件、企業規模和政策法規等因素影響。這意味著可以為深入的風險評估提供重要線索，有助于不同企業更好地理解和應對其特定背景下的關鍵風險因素，以制定更具有針對性的風險管理策略和決策。

（四）模型分類預測

1.基于SMOTE的少數類別樣本擴充

經K均值聚類后，不同信用風險等級的企業數量分布為A∶B∶C∶D∶E，對應比例為363∶1 303∶3 710∶2 862∶16。顯然，A和E等級企業的數量有限，呈現出類別高度不均衡的特點。這類問題易導致機器學習模型出現過擬合現象，即模型過多地擬合B、C和D級企業的數據，而對A和E級企業的數據擬合不足，降低了模型的預測效果。

綜上所述，為解決樣本類別不均衡問題，本文通過SMOTE對少數類別樣本進行均衡處理。SMOTE是Chawla 等［25］于2002年提出的，通過生成額外的合成樣本來增加少數類別的樣本數量，并且能夠保持樣本的原有分布特征，平衡數據集，從而改善模型的預測性能。同時，相比于欠采樣算法，過采樣方法更適合在數據集較大、類別不平衡的情況下使用，而欠采樣可能會導致信息丟失［26］。為保證模型預測結果的穩健性，取100次實驗的均值作為最終結果，如圖5所示。

圖5表示基于SMOTE的100次實驗下各機器模型的企業識別率平均水平和變異系數的變化情況，圖5（a）的縱坐標表示企業識別率平均水平，圖5（b）的縱坐標表示變異系數。從圖5可以看出，第一，從“企業識別率平均水平Pi”指標來看，采用SMOTE過采樣算法的機器學習模型的Pi明顯高于未采用SMOTE過采樣算法的機器學習模型。具體地，未采用SMOTE的PKNN、PSVM（Linear）、PSVM（Rbf）、PRF、PXgboost、PLightGBM、PMLP分別為79.24%、77.74%、77.24%、81.47%、82.86%、81.80%、91.41%，而采用SMOTE的PKNN、PSVM（Linear）、PSVM（Rbf）、PRF、PXgboost、PLightGBM、PMLP分別為93.76%、95.09%、94.67%、96.24%、97.41%、97.48%、97.63%，差值的絕對值分別為14.52%、17.35%、17.43%、14.76%、14.55%、15.67%、6.22%。第二，從“變異系數CVi”指標來看，采用SMOTE的CVi明顯低于未采用的。例如，未采用SMOTE的CVKNN、CVSVM（Linear）、CVSVM（Rbf）、CVRF、CVXGBoost、CVLightGBM、CVMLP分別為0.189 9、0.252 3、0.259 6、0.227 8、0.234 1、0.264 9、0.097 4，而采用SMOTE的CVKNN、CVSVM（Linear）、CVSVM（Rbf）、CVRF、CVXGBoost、CVLightGBM、CVMLP分別為0.048 5、0.032 2、0.033 3、0.026 2、0.018 7、0.019 0、0.019 2，差值的絕對值分別為0.141 3、0.220 0、0.226 2、0.201 6、0.215 4、0.245 9、0.078 1。由此可見，SMOTE通過改善數據平衡、擴展決策邊界、減少過擬合以及生成信息豐富的合成樣本等方式，提高了模型的性能，特別是在處理類別不平衡問題時表現出色。同時這也驗證了SMOTE的有效性。

此外，盡管SVM（Rbf）模型在“企業識別率平均水平Pi”上的提升幅度最高、LightGBM模型在“變異系數CVi”上的下降幅度最大，然而，就模型整體的預測效果而言，MLP模型的表現最為出色。這是因為MLP模型具備以下優勢：1）在模型反向傳播過程中，MLP模型能夠利用梯度下降算法來較好地解決各指標的貢獻度分配問題［27］；2）通過引入激活函數（如Relu函數），MLP模型具有較強的擬合能力，能夠逼近現實中任意復雜的非線性函數。考慮到MLP模型具備出色的預測效果，本文將MLP模型選作壓力傳導模型。

2.基于機器學習模型的金融信用風險壓力測試

為評估各機器學習模型在制造型企業金融信用風險壓力測試中的預測效果，本文設置五種壓力情景。具體地，本文以圖5中的實驗結果作為基準情景，然后再設置其他五種壓力情景。具體的壓力測試結果如表7至表12所示。

由表7可知，對于模型的準確性，從“企業識別率平均水平Pi”一列看，由大到小進行排序為：

PMLP＞PLightGBM＞PXGBoost＞PRF＞PSVM（Linear）＞PSVM（Rbf）＞PKNN＞90%

MLP模型的準確性排名第一，獲得最佳的分類效果；對于模型的全面性，已知變異系數CVi越小，數據的相對離散程度越低，即模型的全面性越好。按照CVi由大到小排序為：

CVKNN＞CVSVM（Rbf）＞CVSVM（Linear）＞CVRF＞CVMLP＞CVXGBoost＞CVLightGBM＞0.01

本文對變異系數CVi≥0.02的模型不予考慮，則有0.02＞CVMLP＞CVXGBoost＞CVLightGBM＞0.01。綜上，根據“準確性＞全面性”的原則，在基準情景下MLP模型更適用于制造型企業金融信用風險預警領域。

由表8可知，對于模型的準確性，從“企業識別率平均水平Pi”一列看，由大到小進行排序為：

PKNN＞PMLP＞PSVM（Rbf）＞PSVM（Linear）＞PXGBoost＞PRF＞PLightGBM＞65%

KNN模型的準確性排名第一，獲得最佳的分類效果；對于模型的全面性，已知變異系數CVi越小，數據的相對離散程度越低，即模型的全面性越好。按照CVi由大到小排序為：

CVLightGBM＞CVRF＞CVXGBoost＞CVSVM（Linear）＞CVSVM（Rbf）＞CVMLP＞CVKNN＞0.09

本文對變異系數CVi≥0.2的模型不予考慮，則有0.2＞CVSVM（Rbf）＞CVMLP＞CVKNN＞0.09。綜上，根據“準確性＞全面性”的原則，在輕度壓力情景下，KNN模型更適用于制造型企業金融信用風險預警領域。

由表9可知，對于模型的準確性，從“企業識別率平均水平Pi”一列看，由大到小進行排序為：

PSVM（Linear）＞PKNN＞PMLP＞PSVM（Rbf）＞PRF＞PLightGBM＞PXGBoost＞50%

SVM模型的準確性排名第一，獲得最佳的分類效果；對于模型的全面性，已知變異系數CVi越小，數據的相對離散程度越低，即模型的全面性越好。按照CVi由大到小排序為：

CVXGBoost＞CVLightGBM＞CVRF＞CVSVM（Rbf）＞CVMLP＞CVKNN＞CVSVM（Linear）＞0.2

本文對變異系數CVi≥0.3的模型不予考慮，則有0.3＞CVKNN＞CVSVM（Linear）＞0.2。綜上，根據“準確性＞全面性”的原則，在較輕度壓力情景下，SVM模型更適用于制造型企業金融信用風險預警領域。

由表10可知，對于模型的準確性，從“企業識別率平均水平Pi”一列看，由大到小進行排序為：

PKNN＞PMLP＞PSVM（Rbf）＞PRF＞PSVM（Linear）＞PLightGBM＞PXGBoost＞35%

KNN模型的準確性排名第一，獲得最佳的分類效果；對于模型的全面性，已知變異系數CVi越小，數據的相對離散程度越低，即模型的全面性越好。按照CVi由大到小排序：

CVXGBoost＞CVSVM（Linear）＞CVLightGBM＞CVSVM（Rbf）＞CVRF＞CVMLP＞CVKNN＞0.3

本文對變異系數CVi≥0.6的模型不予考慮，則有0.6＞CVMLP＞CVKNN＞0.2。綜上，根據“準確性＞全面性”的原則，在中度壓力情景下，KNN和MLP模型更適用于制造型企業金融信用風險預警領域。

由表11可知，對于模型的準確性，從“企業識別率平均水平Pi”一列看，由大到小進行排序為：

PKNN＞PMLP＞PRF＞PSVM（Rbf）＞PLightGBM＞PSVM（Linear）＞PXGBoost＞30%

KNN模型的準確性排名第一，獲得最佳的分類效果；對于模型的全面性，已知變異系數CVi越小，數據的相對離散程度越低，即模型的全面性越好。按照CVi由大到小排序：

CVXGBoost＞CVSVM（Linear）＞CVSVM（Rbf）＞CVLightGBM＞CVRF＞CVMLP＞CVKNN＞0.4

本文對變異系數CVi≥0.7的模型不予考慮，則有0.7＞CVRF＞CVMLP＞0.4。綜上，根據“準確性＞全面性”的原則，在較重度壓力情景下，KNN模型更適用于制造型企業金融信用風險預警領域。

由表12可知，對于模型的準確性，從“企業識別率平均水平Pi”一列看，由大到小進行排序為：

PMLP＞PRF＞PKNN＞PLightGBM＞PXGBoost＞PSVM（Rbf）＞PSVM（Linear）＞30%

MLP模型的準確性排名第一，獲得最佳的分類效果；對于模型的全面性，已知變異系數CVi越小，數據的相對離散程度越低，即模型的全面性越好。按照CVi由大到小排序為：

CVSVM（Linear）＞CVSVM（Rbf）＞CVXGBoost＞CVLightGBM＞CVMLP＞CVRF＞CVKNN＞0.6

本文對變異系數CVi≥0.8的模型不予考慮，則有0.8＞CVMLP＞CVRF＞CVKNN＞0.6。綜上，根據“準確性＞全面性”的原則，在重度壓力情景下，MLP模型更適用于制造型企業金融信用風險預警領域。

為更直觀感受不同壓力情景下各模型的企業識別率平均水平Pi和變異系數CVi的變化，本文將上述表7至表12中的Pi和CVi分別繪制成相應的折線圖，如圖6所示。

圖6顯示了在不同壓力情景下各模型的企業識別率平均水平Pi和變異系數CVi的變化，圖6（a）的縱坐標表示企業識別率平均水平，圖6（b）的縱坐標表示變異系數。從圖6（a）可看出，隨著壓力由輕度逐漸增加至重度，各模型的企業識別率平均水平Pi出現了不同幅度的下降。值得一提的是， SVM（Linear）模型在這個過程中表現出最大的下降幅度，而MLP模型的下降幅度最小。此外，從圖6（b）也可觀察到，隨著壓力的增加，各模型的變異系數CVi的上升幅度存在顯著差異。其中，SVM（Linear）模型的CVSVM（Linear）上升幅度最大，而KNN和MLP模型的上升幅度相對較小。出現上述結果的原因可能是SVM（Linear）模型在處理非線性數據時性能相對較差，因此在不斷施加壓力的情景下，其預測性能受到更大沖擊，從而導致PSVM（Linear）明顯下降和CVSVM（Linear）明顯上升。相反，MLP模型因其包含神經元和激活函數等結構，具備較強的非線性擬合能力，因此在各個壓力情景測試下都表現出相對較好的穩定性，其預測效果的下降幅度較小。

綜上所述，不同壓力情景下的機器學習模型性能變化反映了制造型企業金融信用風險的動態性，以及各模型在應對不同程度風險時的表現差異。其中，基于MLP的制造型企業金融信用風險預警模型在壓力測試實驗中預測效果表現最佳。上述結論可幫助利益相關者更好地選擇和調整模型，以適應不同風險情景下的信用風險評估需求。

（五）進一步分析

為深入研究不同細分行業中制造型企業的抗壓能力，本文進行以下實驗。由于經過數據預處理后，各細分行業中的企業樣本量有所減少。因此，為保證實驗結果的穩健性，本文選取樣本量較大的前9名細分行業的制造型企業作為測試集。

考慮到數據獲取的不完整性和以上細分行業包含的風險等級標簽數量不一致，例如C39行業中包含A、B、C、D、E共5個風險等級標簽，而C26行業中僅包含B、C、D共3個風險等級標簽。同時，本文參考佟孟華等的研究［5］，以MLP模型在壓力情景下的企業總識別率PMLP的變異系數CVMLP來反映該細分行業下制造型企業的抗壓能力。這是因為抗壓能力越強的制造型企業通常能夠在面對外部壓力和不確定性時維持經營的穩定性和持續盈利。因此，在不同壓力情景下，MLP模型的PMLP表現差異較小，即CVMLP值較小。相關的計算公式為：

CVMLP=σMLPPMLP（9）

式中，k∈{輕度，較輕度，中度，較重度，重度}，若細分行業的CVMLP越小，則表明該細分行業下制造型企業的抗壓能力越強，反之亦然。實驗結果如表13所示。

注：計算機通信及其他電子設備制造業（行業代碼：C39）、化學原料及化學制品制造業（行業代碼：C26）、醫藥制造業（行業代碼：C27）、電氣機械及器材制造業（行業代碼：C38）、專用設備制造業（行業代碼：C35）、通用設備制造業（行業代碼：C34）、汽車制造業（行業代碼：C36）、橡膠和塑料制品業（行業代碼：C29）、非金屬礦物制品業（行業代碼：C30）。

表13報告了不同壓力情景下制造型企業金融信用風險的MLP模型壓力測試結果。由表13可以看出，隨著壓力的不斷增加，各細分行業下MLP模型的制造型企業總識別率PMLP隨之呈現出不同的下降幅度。以計算機通信及其他電子設備制造業為例，在5種不同的壓力情景以及基準情景測試下，PMLP的數值分別為：基準情景90.93%、輕度壓力56.52%、較輕度壓力25.39%、中度壓力16.18%、較重度壓力15.12%、重度壓力13.65%，對應的差值分別為34.41%、31.13%、9.31%、1.06%、1.47%，可以看出MLP模型的制造型企業總識別率PMLP出現明顯的性能下降。這種性能下降的原因可能是隨著壓力情景的不斷加劇，制造型企業面臨著更大的金融風險和不確定性。這些風險可能包括但不限于市場不景氣、供應鏈問題以及資金緊張等，干擾了MLP模型對企業信用風險的準確預測，從而導致其性能下降［28］。可見，在制造型企業金融信用風險評估中，需要綜合考慮各種因素，以便準確地識別和管理信用風險，特別是在高壓力情景下。未來的研究可以探討如何改進機器學習模型，以提高其在這些壓力情景下的預測性能。

為直觀了解各細分行業制造型企業在不同壓力情景下的抗壓能力變化，本文將表13中的PMLP和CVMLP結果用圖進行展示，如圖7所示。

圖7顯示了不同壓力情景中各細分行業下MLP模型的制造型企業總識別率PMLP和變異系數CVMLP，圖7（a）中的縱坐標表示企業識別率平均水平，圖7（b）中的縱坐標表示變異系數。從圖7（a）可以發現，隨著壓力的不斷增加，各細分行業的PMLP整體上隨之呈現下降趨勢。值得注意的是，專用設備制造業和計算機通信及其他電子設備制造業的PMLP下降趨勢最為明顯，通用設備制造業和汽車制造業的PMLP僅表現出較小的下降幅度。此外，由圖7（b）將變異系數CVMLP按照由大到小的順序排序：

由此可以發現，首先是專用設備制造業的C（值為0.973 2）最大，表明該細分行業下制造型企業的抗壓能力最弱；然后依次為計算機通信及其他電子設備制造業、橡膠和塑料制品業、化學原料及化學制品制造業、電氣機械及器材制造業、醫藥制造業、非金屬礦物制品業、汽車制造業；最后是通用設備制造業的C（值為0.090 1）最小，表明該細分行業下制造型企業的抗壓能力最強。

四、結論及政策建議

制造型企業的發展對國家經濟發展有著至關重要的作用。基于此，本文從企業與行業自身角度構建了較為全面的制造型企業金融信用風險指標體系。首先，通過PCA評估金融信用風險，采用K均值聚類劃分風險等級，使用熵值法分析指標重要性；隨后，運用SMOTE解決企業類別不均衡問題，提升模型預測性能；接著，進行金融信用風險壓力測試，選定表現優異的MLP模型；最后，測試制造型企業的金融信用風險抗壓能力，并進行不同細分行業間的比較分析。主要研究結論如下：

第一，各項信用指標對制造型企業金融信用風險的影響程度存在顯著差異。在整體制造業分析中，一級指標“行業自身狀況”所包含的二級指標在整體RFI值方面明顯高于一級指標“企業自身狀況”。注意的是，行業償債能力是影響信用風險最重要的指標，相反，影響信用風險最小的指標是企業經營能力；在不同風險等級企業分析中，行業償債能力指標對5個不同風險等級的企業都保持相對較高的權重，而企業經營能力指標在這5個風險等級的企業表現出明顯的權重差異。如對于高風險制造型企業，企業經營能力指標的權重較高，而對于低風險制造型企業，企業經營能力指標的權重則較低。

第二，眾多機器學習模型中，MLP模型在壓力測試中表現出最佳的預測效果。具體而言，在處理非均衡數據、進行基準情景、中度壓力和重度壓力測試時，相較于其他機器模型，MLP模型均展示出更高的準確性。此外，在逐漸升級的壓力情景中，MLP模型的企業識別率平均水平Pi下降幅度最小、變異系數CVi上升幅度也最小。這表明MLP模型能夠有效地抵消大部分外部沖擊，同時保持較高的預測準確率水平。可見，MLP模型更加適用于制造型企業金融信用風險壓力測試實驗。

第三，隨著壓力測試情景的惡化，各細分行業的PMLP呈現出不同的下降趨勢。具體而言，依據本文公式（6）的計算結果，在通用設備制造業中，制造型企業的C值為0.090 1，表明其具備較強的抗壓能力，而在專業設備制造業中，制造型企業的C值為0.973 2，表明其抗壓能力較弱。這一結果可能是因為不同行業具有不同的經濟特性和市場環境。例如，通用設備制造企業可能因其廣泛的市場和多樣化的產品組合而具有較強的抗壓能力，使得PMLP保持在一個較高的穩定水平。而專業設備制造企業可能因更依賴特定市場和產品，容易受到市場波動的影響，故表現出較弱的抗壓能力，導致PMLP存在明顯的下降趨勢。

基于上述研究結論，本文提出如下建議：

第一，制定差異化的風險管理策略。制造型企業的金融信用風險與諸多利益相關者的投資資金回報率直接相關。為更有效地管理信用風險，需要根據不同信用風險等級采取不同措施。例如，對于高風險制造型企業，利益相關者應重點關心企業經營能力，并要求其在經營運轉、戰略決策和財務狀況方面進行高質量信息披露，以便投資者詳細了解其風險水平，進行科學投資決策。在進行細分行業投資時，利益相關者需充分考慮行業間差異、行業競爭程度和市場前景等因素。例如，投資者可重點對通用設備制造企業進行大量投資，而對專業設備制造企業應謹慎投資，以避免無效投資，造成資金的損失，最大化保障自身合法權益，而企業也應注重高質量發展，重點發展技術密集型產業，完善工業信息化支持環境，推動工業結構轉型［29］。

第二，推動機器學習模型在金融風險管理中的應用（如本研究中的MLP模型）具有重要意義。當前，隨著互聯網技術的快速發展，企業和金融機構積累了大量文本或非文本數據，其中包含豐富的信息和潛在的規律。這些數據可以被用于數據挖掘，通過機器學習模型深入挖掘其中的關聯性和趨勢性。同時，通過信息共享建立數據聯合體或共享平臺，可以整合多方數據資源，提高數據的質量和可用性。通過對這些數據的分析和挖掘，可以更全面地了解企業的經營狀況和金融風險，為風險評估提供更加可靠的數據支持。

第三，鼓勵利益相關者根據具體情況來設置金融信用風險壓力測試情景，是提升風險管理有效性的關鍵一步。有效的壓力測試結果有助于銀行等金融機構更準確地評估壓力因素變化對企業或行業信用風險的影響，從而及時采取相應的風險管理措施。然而，要實現這種有效性，必須合理地設定壓力測試情景。現實中，并不存在一種適用于所有情況的通用壓力測試情景設定方法。因此，為了實現更精準的壓力測試，可考慮增加壓力情景的數量以及宏觀經濟、競爭對手和行業差異等因素，以便根據具體情況設計出全面而有效的壓力測試情景。

參考文獻：

［1］" "黃益平，邱晗.大科技信貸：一個新的信用風險管理框架［J］.管理世界，2021（2）：12-21.

［2］" "黃愛華.金融風險預警機制的構建問題芻議［J］.重慶文理學院學報（社會科學版），2014（1）：106-108.

［3］" "巴曙松，朱元倩.壓力測試在銀行風險管理中的應用［J］.經濟學家，2010（2）：70-79.

［4］" "杜坤倫，李賢彬，李后強.壓力測試機制助力重大風險防控研究——基于金融風險管控的視角［J］.財經科學，2020（6）：41-50.

［5］" "佟孟華，邢秉昆，趙作倫，等.基于FM模型的工業企業碳減排信用風險預警研究［J］.數量經濟技術經濟研究，2021（2）：147-165.

［6］" "劉志惠，黃志剛，謝合亮.大數據風控有效嗎？——基于統計評分卡與機器學習模型的對比分析［J］.統計與信息論壇，2019（9）：18-26.

［7］" "ABDELMOULA A K. Bank credit risk analysis with k-nearest-neighbor classifier： case of tunisian banks［J］. Accounting and Management Information Systems， 2015，14（1）：79-106.

［8］" "潘永明，王雅杰，來明昭.基于IG-SVM模型的供應鏈融資企業信用風險預測［J］.南京理工大學學報，2020（1）：117-126.

［9］" "YUAN H， LAU R Y K， WONG M C S， et al. Mining emotions of the public from social media for enhancing corporate credit rating［C］//2018 IEEE 15th International Conference on e-Business Engineering （ICEBE）.IEEE，2018：25-30.

［10］ 賈穎，趙峰，李博，等.貝葉斯優化的XGBoost信用風險評估模型［J］.計算機工程與應用，2023（20）：283-294.

［11］ 陳海龍，楊暢，杜梅，等.基于邊界自適應SMOTE和Focal Loss函數改進LightGBM的信用風險預測模型［J］.計算機應用，2022（7）：2256-2264.

［12］ LI Y，STASINAKIS C，YEO W M. A hybrid XGBoost-MLP model for credit risk assessment on digital supply chain finance［J］.Forecasting，2022，4（1）：184-207.

［13］ 龍志，陳湘州.企業財務風險預警模型的構建與檢驗［J］.財會月刊，2023（24）：54-61.

［14］ 周鈺穎.社會責任、財務風險與現金股利穩定性［J］.重慶文理學院學報（社會科學版），2019（3）：24-31.

［15］ 李健，張金林.供應鏈金融的信用風險識別及預警模型研究［J］.經濟管理，2019（8）：178-196.

［16］ 李成剛，賈鴻業，趙光輝，等.基于信息披露文本的上市公司信用風險預警——來自中文年報管理層討論與分析的經驗證據［J］.中國管理科學，2023（2）：18-29.

［17］ 姚爽，高江波，黃瑋強.制造業上市公司信用風險預警研究——基于FA-BA-BP神經網絡模型［J］.財會通訊，2022（12）：136-140.

［18］ 王正軍，王結晶，崔浩哲.基于PCA-BP神經網絡的醫藥企業財務壓力測試研究［J］.會計之友，2021（16）：32-38.

［19］ 孫娜.基于K均值聚類分析法的城市房地產投資風險研究［J］.企業經濟，2014（12）：93-97.

［20］ 李偉.商業銀行系統性金融風險壓力測試模擬研究［J］.財經問題研究，2018（6）：58-65.

［21］ 董申，王金玲，陶然，等.商業銀行大型集團客戶信用風險壓力測試——基于蒙特卡洛模擬方法［J］.金融監管研究，2019（5）：18-29.

［22］ 楊云，仲偉周，王佳琪，等.碳達峰情景下碳價對高耗能行業違約風險影響研究——基于高碳省份微觀財務數據的視角［J］.蘇州大學學報（哲學社會科學版），2022（6）：126-139.

［23］ ZHANG S，ZHANG J，LI X， et al. Estimating the grade of storm surge disaster loss in coastal areas of China via machine learning algorithms［J］.Ecological Indicators，2022，136：108533.

［24］ 姚定俊，顧越，陳威.基于RF-LSMA-SVM模型的中小微企業信用風險評價研究［J］.工業技術經濟，2023（7）：85-94.

［25］ CHAWLA N V，BOWYER K W，HALL L O，et al. SMOTE： synthetic minority over-sampling technique［J］. Journal of Artificial Intelligence Research，2002，16：321-357.

［26］ 李艷霞，柴毅，胡友強，等.不平衡數據分類方法綜述［J］.控制與決策，2019（4）：673-688.

［27］ BAESENS B，SETIONO R，MUES C，et al. Using neural network rule extraction and decision tables for credit-risk evaluation［J］.Management Science，2003，49（3）：312-329.

［28］ 馬毓璟，孔隴，夏嬌.“雙碳”背景下重污染行業ESG評價與優化路徑研究［J］.重慶文理學院學報（社會科學版），2023（4）：62-73.

［29］ 胡學英，葉國良，高建設.制造業高質量發展目標下中部地區工業競爭力評價研究［J］.長江師范學院學報，2022（4）：43-55.

責任編輯：吳" "強；校對：羅清戀

Research on Financial Credit Risk of Manufacturing Enterprises Under Unbalanced Data： Based on Stress Testing and Machine Learning

LONG Zhi1，2，CHEN Xiangzhou1，2

（1.Business School， Hunan University of Science and Technology， Xiangtan Hunan 411201， China;

2.Hunan Strategic Emerging Industries Research Base， Xiangtan Hunan 411201， China）

Abstract： How to effectively assess the financial credit risk status of enterprises is the current research focus in the field of risk warning. Taking Chinese manufacturing enterprises as an example， firstly， through the principal component analysis and K-mean clustering to comprehensively score and classify the financial credit risk of enterprises， an exploration was made on the importance of indicators in depth; then， SMOTE oversampling was used to solve the problem of category imbalance in order to improve the prediction effect of the machine learning model; finally， an evaluation was made on the prediction effect of each machine learning model， and taking the model with outstanding performance as the stress transfer model， an analysis was made on the stress resistance of enterprises under different segments through stress testing. The study found that：1）there is a significant difference in the degree of influence of each credit indicator on the financial credit risk of manufacturing companies. For example， the most influential is the industry solvency， and the least influential is the enterprise operating ability；2）in the stress test， compared with other models， the MLP model has the best overall prediction effect， with the smallest decrease in PMLP and the smallest increase in CVMLP；3） with the increase of stress factors， the stress resistance curve of manufacturing enterprises under each sub-sector decreases significantly. Taking the decline as a criterion， the general equipment manufacturing enterprises have stronger stress resistance， while the specialized equipment manufacturing enterprises have smaller stress resistance. The research results can help stakeholders more effectively assess and manage the financial credit risk of manufacturing enterprises， reduce risk exposure， and promote the healthy development of enterprises.

Key words： manufacturing enterprises; financial credit risk; stress testing; machine learning; unbalanced data