基于Cox模型的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估研究

【中圖分類(lèi)號(hào)】F276.3；F275【文獻(xiàn)標(biāo)志碼】A【文章編號(hào)】1673-1069（2025）01-0060-07

1研究背景與意義

中小企業(yè)是我國(guó)國(guó)民經(jīng)濟(jì)的重要組成部分，是推動(dòng)國(guó)民經(jīng)濟(jì)與社會(huì)發(fā)展的主力軍之一，是建設(shè)現(xiàn)代化經(jīng)濟(jì)體系、實(shí)現(xiàn)高質(zhì)量發(fā)展的基礎(chǔ)，在增加就業(yè)、推動(dòng)創(chuàng)新、調(diào)節(jié)市場(chǎng)等方面發(fā)揮著重要作用。截至2023年底，我國(guó)中小企業(yè)數(shù)量超過(guò)5300萬(wàn)家，作為納稅人與生產(chǎn)者提供了 60% 以上的稅收和國(guó)內(nèi)生產(chǎn)總值，并提供了 70% 以上的技術(shù)創(chuàng)新成果與 80% 以上的城鎮(zhèn)就業(yè)崗位。

由于中小企業(yè)的經(jīng)營(yíng)效益有限，難以通過(guò)內(nèi)部融資獲得足夠的資金滿(mǎn)足企業(yè)發(fā)展需求，因此來(lái)自銀行或金融機(jī)構(gòu)的貸款成為主要的外部資金來(lái)源，2019年至2023年銀行業(yè)金融機(jī)構(gòu)向中小企業(yè)貸款情況如圖1所示。

對(duì)于商業(yè)銀行而言，中小企業(yè)是具有較高風(fēng)險(xiǎn)的服務(wù)對(duì)象，其本身存在經(jīng)營(yíng)不穩(wěn)定、財(cái)務(wù)透明程度較低等天然缺陷，在不良貸款率的壓力下，更偏向有足夠固定資產(chǎn)和抵押物的大型企業(yè)，這種融資供給結(jié)構(gòu)的失衡更加劇了中小企業(yè)的融資難題。

為維護(hù)金融系統(tǒng)穩(wěn)定運(yùn)行與社會(huì)經(jīng)濟(jì)穩(wěn)定，中小企業(yè)的信用風(fēng)險(xiǎn)情況十分值得關(guān)注。本文針對(duì)性地構(gòu)建信用風(fēng)險(xiǎn)評(píng)估模型，在Cox模型的原理結(jié)構(gòu)基礎(chǔ)上，引入回歸算法Lasso和分類(lèi)算法ExtraTree改進(jìn)Cox模型，能更好地識(shí)別中小企業(yè)信用風(fēng)險(xiǎn)，達(dá)成更高的預(yù)測(cè)精確度，從而有利于社會(huì)經(jīng)濟(jì)的穩(wěn)定發(fā)展。

2文獻(xiàn)綜述

2.1信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系

關(guān)于中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估指標(biāo)方面的研究，現(xiàn)存文獻(xiàn)對(duì)指標(biāo)的選擇主要考慮能夠反映公司經(jīng)營(yíng)狀況的財(cái)務(wù)指標(biāo)，主要包括盈利能力、經(jīng)營(yíng)能力、償債能力、發(fā)展能力等，考察企業(yè)基本財(cái)務(wù)能力對(duì)信用風(fēng)險(xiǎn)評(píng)估的影響。除常見(jiàn)財(cái)務(wù)指標(biāo)外，鄧曉嵐等研究證明股權(quán)結(jié)構(gòu)、公司治理、市場(chǎng)信息、審計(jì)意見(jiàn)等關(guān)于企業(yè)經(jīng)營(yíng)管理層面的非財(cái)務(wù)因素確實(shí)能夠提高信用風(fēng)險(xiǎn)評(píng)估的預(yù)測(cè)精度，田寶新等王雄元等還將宏觀經(jīng)濟(jì)指標(biāo)、股票價(jià)格等外部因素納入研究范圍。

此外，雷輝等創(chuàng)新性地從相關(guān)利益主體視角構(gòu)建企業(yè)社會(huì)責(zé)任因子研究信用風(fēng)險(xiǎn)，陳欣欣研究認(rèn)為利潤(rùn)質(zhì)量指標(biāo)與市場(chǎng)估值兩類(lèi)指標(biāo)能夠改進(jìn)模型的擬合精度。近年來(lái)，學(xué)者們已經(jīng)開(kāi)始研究文本等非結(jié)構(gòu)化數(shù)據(jù)用以擴(kuò)展信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，但研究仍停留在對(duì)關(guān)鍵字的頻率統(tǒng)計(jì)層面，無(wú)法進(jìn)一步系統(tǒng)科學(xué)地捕捉文本語(yǔ)義。因此，在構(gòu)建信用風(fēng)險(xiǎn)評(píng)估指標(biāo)體系時(shí)，應(yīng)考慮不同因素角度對(duì)中小企業(yè)信用風(fēng)險(xiǎn)的影響。

2.2信用風(fēng)險(xiǎn)評(píng)估方法研究

關(guān)于中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估方法的研究，學(xué)者們從不同角度出發(fā)做出了大量研究。傳統(tǒng)信用風(fēng)險(xiǎn)評(píng)估主要基于財(cái)務(wù)數(shù)據(jù)，通過(guò)專(zhuān)家打分法和數(shù)學(xué)統(tǒng)計(jì)法對(duì)企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)判。前者由評(píng)級(jí)專(zhuān)家利用5C法或5P法分析是否給企業(yè)貸款，后者的典型代表是 Z？ -score評(píng)分模型，1968年Altman建立Z-score信用評(píng)分模型，將多元判別方式應(yīng)用于判別企業(yè)風(fēng)險(xiǎn)，通過(guò) Z 值模型預(yù)警企業(yè)短期存在的違約風(fēng)險(xiǎn)，但這類(lèi)傳統(tǒng)評(píng)分方法不僅具有較強(qiáng)的主觀性，耗時(shí)耗力，而且沒(méi)有考慮其他財(cái)務(wù)因素可能造成的重大影響。除此以外，套用股價(jià)波動(dòng)模型的Credit-metrics投資組合理論模型可以分別估算債權(quán)類(lèi)金融產(chǎn)品和貸款組合，基于保險(xiǎn)精算方法的CreditRisk+違約模型可以推導(dǎo)企業(yè)債券投資組合損失，美國(guó)KMV公司提出的KMV模型能夠統(tǒng)計(jì)出一條連續(xù)的EDF曲線(xiàn)用以分析資產(chǎn)組合的損失分布，評(píng)估上市企業(yè)的信用風(fēng)險(xiǎn)違約概率。這些方法都需要服從嚴(yán)格的假設(shè)性，因此忽略了企業(yè)信用風(fēng)險(xiǎn)的復(fù)雜性。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)自主選代學(xué)習(xí)被應(yīng)用于企業(yè)信用風(fēng)險(xiǎn)研究。Martin基于Logistic回歸模型研究企業(yè)的違約概率，彎紅地\"引人博奔論和概率論對(duì)應(yīng)收賬款融資模式的風(fēng)險(xiǎn)進(jìn)行建模評(píng)估，鄧愛(ài)民等、朱宗元等分別將主成分分析法、Lasso回歸模型與Logistic結(jié)合建立風(fēng)險(xiǎn)評(píng)估模型等。多元線(xiàn)性判別模型、Logistic回歸模型等具有代表性的風(fēng)險(xiǎn)模型假定樣本服從正態(tài)分布，但在實(shí)際操作中難以滿(mǎn)足該假設(shè)，且此類(lèi)模型旨在研究樣本數(shù)據(jù)之間的線(xiàn)性關(guān)系，而財(cái)務(wù)危機(jī)可能導(dǎo)致數(shù)據(jù)呈現(xiàn)非線(xiàn)性特征，較大程度地影響模型預(yù)測(cè)的準(zhǔn)確性。

經(jīng)典的機(jī)器學(xué)習(xí)算法如支持向量機(jī)、隨機(jī)森林、決策樹(shù)等已被廣泛應(yīng)用。孟杰4對(duì)比研究了隨機(jī)森林、支持向量機(jī)、邏輯回歸、分類(lèi)決策樹(shù)和神經(jīng)網(wǎng)絡(luò)在我國(guó)上市公司財(cái)務(wù)預(yù)警時(shí)的表現(xiàn)，而薛慧證明參數(shù)優(yōu)化后的LightGBM模型預(yù)測(cè)效果比隨機(jī)森林更好。梁創(chuàng)維運(yùn)用K均值聚類(lèi)將企業(yè)財(cái)務(wù)狀況劃分為健康、中等、困境邊緣和財(cái)務(wù)困境4類(lèi)，研究基于財(cái)務(wù)狀況多分類(lèi)的財(cái)務(wù)困境預(yù)警。

3基于Cox模型的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型

3.1Cox比例風(fēng)險(xiǎn)模型

鑒于傳統(tǒng)風(fēng)險(xiǎn)模型的局限性，本文引人生存分析方法研究中小企業(yè)信用風(fēng)險(xiǎn)，該模型能夠突破假定條件的，并考慮時(shí)間對(duì)于事件和風(fēng)險(xiǎn)的影響，包容一定程度內(nèi)的刪失數(shù)據(jù)，具有更穩(wěn)定的預(yù)測(cè)效果。Cox比例風(fēng)險(xiǎn)模型是生存分析方法中的一種半?yún)?shù)模型，最初應(yīng)用于醫(yī)學(xué)、生物制藥及可靠性工程實(shí)驗(yàn)，主要研究因變量對(duì)生存概率的作用。Lane、Looney和Wansley首次將Cox模型運(yùn)用于預(yù)測(cè)銀行在不同時(shí)間內(nèi)破產(chǎn)的概率，Shumway在數(shù)學(xué)上證明了帶時(shí)變協(xié)變量的Cox風(fēng)險(xiǎn)模型與多時(shí)期的Logit模型等價(jià)，錢(qián)俊研究刪失數(shù)據(jù)的比例對(duì)Cox模型的影響并提出了在應(yīng)用該模型時(shí)刪失數(shù)據(jù)的最大限度，馬超群等研究認(rèn)為 模型不受樣本觀測(cè)期選擇的影響。

常見(jiàn)的生存分析方法有非參數(shù)模型、參數(shù)模型和半?yún)?shù)模型3種類(lèi)型，本文選擇非參數(shù)模型 Cox 比例風(fēng)險(xiǎn)模型進(jìn)行分析，通常細(xì)分為生存函數(shù)、風(fēng)險(xiǎn)函數(shù)和概率密度等。

生存函數(shù)，又名累積生存率，表示某個(gè)特定個(gè)體生存時(shí)間超過(guò)時(shí)間還存活的概率，可以用 表達(dá)：

3.2基于機(jī)器學(xué)習(xí)改進(jìn) C o x 模型研究

由于中小企業(yè)信用風(fēng)險(xiǎn)的評(píng)估指標(biāo)之間可能存在高維度性與強(qiáng)相關(guān)性，而Cox模型在處理樣本量遠(yuǎn)小于自變量個(gè)數(shù)或協(xié)變量間存在強(qiáng)相關(guān)的生存數(shù)據(jù)時(shí)存在局限性，導(dǎo)致風(fēng)險(xiǎn)評(píng)估結(jié)果產(chǎn)生偏差，因此在信用風(fēng)險(xiǎn)評(píng)估的研究中引人特征變量選擇方法。傳統(tǒng)的篩選方法常需要服從嚴(yán)格的理論假設(shè)，其適用范圍與可操作性受到限制，本文引人Lasso回歸和ExtraTree算法，從估計(jì)參數(shù) β 和元素解釋變量 兩個(gè)方面對(duì)Cox模型進(jìn)行改進(jìn)，Lasso-ExtraTree-Cox模型的原理結(jié)構(gòu)圖如圖2所示。

4基于Cox模型的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型的構(gòu)建與分析

4.1評(píng)估指標(biāo)體系

由于銀行內(nèi)部違約信息難以獲取，本文將沿用已有文獻(xiàn)的研究方法，將中小企業(yè)被執(zhí)行ST視為企業(yè)違約。根據(jù)ST的定義而言，被執(zhí)行ST時(shí)企業(yè)的經(jīng)營(yíng)狀態(tài)不佳，易于陷人財(cái)務(wù)危機(jī)，而財(cái)務(wù)危機(jī)導(dǎo)致的資金鏈斷鏈?zhǔn)瞧髽I(yè)發(fā)生違約行為的直接原因。考慮Cox模型的特性，本文將企業(yè)首次上市交易的時(shí)間作為生存起始時(shí)間，設(shè)立觀測(cè)期為2019年1月1日至2023年12月31日，在此期間被執(zhí)行ST的中小企業(yè)作為違約樣本，其生存長(zhǎng)度表示為上市起至首次被執(zhí)行ST的時(shí)間段，獲取的數(shù)據(jù)信息為非截尾數(shù)據(jù)；非ST企業(yè)的生存長(zhǎng)度則為首次上市交易到觀測(cè)期為止的時(shí)間段，取得截尾數(shù)據(jù)。在觀測(cè)時(shí)間內(nèi)已經(jīng)發(fā)生違約事件的企業(yè)狀態(tài)設(shè)置為0，表現(xiàn)正常的企業(yè)狀態(tài)設(shè)置為1。

本文的評(píng)估對(duì)象是中小企業(yè)，但由于未上市的中小企業(yè)數(shù)據(jù)的不可得，選擇已經(jīng)全國(guó)中小企業(yè)股份轉(zhuǎn)讓系統(tǒng)中可以獲得數(shù)據(jù)的中小企業(yè)，剔除上市時(shí)間過(guò)短、不具有研究?jī)r(jià)值以及缺失過(guò)多數(shù)據(jù)的中小企業(yè)，最后得到研究對(duì)象為1390家企業(yè)，其中正常企業(yè)1280家，違約企業(yè)110家。指標(biāo)選擇如表1所示。

在違約分析背景下，會(huì)發(fā)生違約情況的企業(yè)占少數(shù)，在研究樣本中僅占 7.91% ，正常樣本和違約樣本的比例接近11：1，存在數(shù)據(jù)分布極不平衡的狀態(tài)。如果對(duì)數(shù)據(jù)不加以平衡化處理，那么使用模型進(jìn)行預(yù)測(cè)時(shí)因大基數(shù)樣本都為正常樣本導(dǎo)致違約預(yù)測(cè)偏低，影響模型預(yù)測(cè)的真實(shí)性。因此，本文在1390個(gè)總樣本的情況下，采用SMOTE過(guò)采樣算法，自動(dòng)合成相關(guān)違約企業(yè)的數(shù)據(jù)，從而豐富少數(shù)類(lèi)樣本的分類(lèi)性和多樣性。

經(jīng)過(guò)SM0TE算法處理后，得到1280個(gè)正常樣本以及1280個(gè)違約樣本，本文將1280對(duì)樣本分成5份，其中4份作為訓(xùn)練集，幫助模型更好地學(xué)習(xí)數(shù)據(jù)的特征和模式，從而提高模型的性能，第5份作為測(cè)試集用于最終評(píng)估模型的性能。

4.2多重共線(xiàn)性判斷

多重共線(xiàn)性通常由多個(gè)原因共同導(dǎo)致，可能導(dǎo)致模型預(yù)測(cè)失真、假設(shè)檢驗(yàn)失效，難以區(qū)分各個(gè)變量的貢獻(xiàn)程度。多重共線(xiàn)性判斷使用VIF檢驗(yàn)，即方差膨脹因子檢驗(yàn)，通過(guò)觀察多元線(xiàn)性回歸分析中的VIF值判斷多重共線(xiàn)性程度，通常將TOLgt;0.1 且VIFlt;10 定義為指標(biāo)變量之間共線(xiàn)性可以容忍的區(qū)間，在該區(qū)間內(nèi)的指標(biāo)變量視為不存在共線(xiàn)性的問(wèn)題。

4.3預(yù)警實(shí)證分析

通過(guò)似然比進(jìn)行檢驗(yàn)，將38個(gè)因子構(gòu)成的評(píng)估指標(biāo)體系帶入Lasso-ExtraTree-Cox模型進(jìn)行分析，降維后可以得到 27 個(gè)指標(biāo)。其中，原假設(shè)為 H₀：β_i≠0，備擇假設(shè)為H₁ ：存在β_i≠0，Cox PH 模型的 0mnibus 檢驗(yàn)結(jié)果如表3所示。

顯示模型整體的 ，則應(yīng)拒絕原假設(shè)，接受備擇假設(shè)，即對(duì)模型總體檢驗(yàn)具有顯著意義，也就是說(shuō)存在至少一個(gè)偏回歸系數(shù)不為零的因子，因此可以基于該模型對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步分析。Lasso-ExtraTree-Cox模型擬合結(jié)果如表4所示。

模型擬合結(jié)果顯示，僅有 這3個(gè)指標(biāo)未能通過(guò) 模型統(tǒng)計(jì)學(xué)檢驗(yàn)。

因此該Cox模型風(fēng)險(xiǎn)函數(shù)可以表示為：

圖3、圖4分別依據(jù)生存函數(shù)和風(fēng)險(xiǎn)函數(shù)繪制，從圖中可以看出隨著時(shí)間的增加，生存概率總體趨勢(shì)下降，風(fēng)險(xiǎn)概率上升趨勢(shì)，呈反方向變動(dòng)。 模型中小企業(yè)的生存時(shí)間都在10年以上，此時(shí)可以認(rèn)為這些公司在10年內(nèi)的生存概率接近于1，這表明中小企業(yè)在這時(shí)間段內(nèi)的經(jīng)營(yíng)狀況表現(xiàn)較好，發(fā)生財(cái)務(wù)危機(jī)的概率較小。這與我國(guó)中小企業(yè)股份轉(zhuǎn)讓系統(tǒng)對(duì)中小企業(yè)的掛牌要求密不可分，需依法設(shè)立且存續(xù)滿(mǎn)兩年，業(yè)務(wù)明確，具有持續(xù)經(jīng)營(yíng)能力，公司治理機(jī)制健全，合法規(guī)范經(jīng)營(yíng)，這些要求確保了中小企業(yè)在掛牌后具有一定存續(xù)能力，不會(huì)迅速出現(xiàn)“ST”的現(xiàn)象。在第10年后，生存函數(shù)出現(xiàn)明顯下降趨勢(shì)，此時(shí)技術(shù)支持和資金支持跟不上企業(yè)轉(zhuǎn)型升級(jí)所需條件，無(wú)法在最好的時(shí)機(jī)占據(jù)大量的市場(chǎng)份額，會(huì)出現(xiàn)較嚴(yán)重的財(cái)務(wù)危機(jī)。

4.4Cox模型判別能力檢驗(yàn)

由于Cox比例風(fēng)險(xiǎn)模型存在一定局限性，不僅無(wú)法處理樣本量遠(yuǎn)小于自變量的數(shù)據(jù)集，更重要的是在面對(duì)存在強(qiáng)相關(guān)性和高維特征的生存數(shù)據(jù)時(shí)，難以得到準(zhǔn)確有效的分析結(jié)果。基于Cox模型這一缺陷，本文將采用Lasso、Catboost、ExtraTree3種機(jī)器學(xué)習(xí)方法對(duì)Cox模型進(jìn)行改進(jìn)。

將數(shù)據(jù)集分為1024組訓(xùn)練集和256組測(cè)試集，引入C-Index指數(shù)計(jì)算生存分析中的 模型預(yù)測(cè)值與真實(shí)之間的區(qū)分度，使用 R 分析模型的總體預(yù)測(cè)準(zhǔn)確率。其中，C-Index的取值范圍在0.5～1，當(dāng) C-Index=0.5 時(shí)，說(shuō)明模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果完全不一致，該模型沒(méi)有預(yù)測(cè)作用；當(dāng)C-Index 時(shí)，則說(shuō)明模型預(yù)測(cè)結(jié)果與實(shí)際完全一致。

以Cox模型為基礎(chǔ)模型，引入Lasso回歸、ExtraTree算法、Catboos算法這3種機(jī)器學(xué)習(xí)模型，對(duì)中小企業(yè)信用風(fēng)險(xiǎn)預(yù)警結(jié)果進(jìn)行對(duì)比和交叉實(shí)驗(yàn)，具體結(jié)果如表5所示。

由表5所示，在總體的預(yù)測(cè)準(zhǔn)確率上，Lasso-ExtraTree-Cox組合模型在該數(shù)據(jù)集中表現(xiàn)最優(yōu)，其C-Index達(dá)到了0.7876，這是因?yàn)長(zhǎng)asso能通過(guò)L1正則化項(xiàng)限制了特征系數(shù)的取值范圍，對(duì)異常值和噪聲具有較強(qiáng)的魯棒性，并將一些不重要的特征系數(shù)壓縮為零，減少欠擬合現(xiàn)象，從而有效地提高了模型的準(zhǔn)確性與穩(wěn)定性；而ExtraTree模型以純隨機(jī)的方式選擇特征和聞值進(jìn)行分叉集成決策樹(shù)，能保持某些特征的強(qiáng)勢(shì)區(qū)分度，減少過(guò)擬合，高效地處理高維特征數(shù)據(jù)。Lasso-Extra Tree-Cox模型有效地組合了Lasso模型正則化系數(shù)與ExtraTree模型泛化能力的優(yōu)點(diǎn)，進(jìn)一步提高了Cox模型的預(yù)測(cè)準(zhǔn)確率。

在基礎(chǔ)對(duì)比模型中，Lasso-Cox模型表現(xiàn)較好，但正則化項(xiàng)對(duì)模型參數(shù)的懲罰存在過(guò)重的可能，容易造成欠擬合問(wèn)題。ExtraTree-Cox模型在實(shí)際操作中卻表現(xiàn)不佳，這可能是ExtraTree決策樹(shù)規(guī)模較大且分叉特征屬性完全隨機(jī)選取導(dǎo)致的過(guò)擬合現(xiàn)象，致使其在特征維度較高的情況下難以有效地提高模型的準(zhǔn)確率。Catboost本身不直接用于降維，是一種基于梯度提升的算法，主要著眼于分類(lèi)、回歸等任務(wù)，其評(píng)估結(jié)果與基準(zhǔn)模型基本一致。

在對(duì)比交叉實(shí)驗(yàn)中，Lasso-Catboos組合對(duì)Cox模型的準(zhǔn)確性影響雖為正向但并不明顯，Catboos模型對(duì)數(shù)據(jù)的多次排列的能力，對(duì)Lasso模型正則化項(xiàng)懲罰過(guò)重或數(shù)據(jù)不夠復(fù)雜導(dǎo)致的易于欠擬合缺陷沒(méi)有得到改善。Catboost-ExtraTree組合則表現(xiàn)不佳，Catboost模型采用的基于梯度有序提升的算法進(jìn)一步加劇了ExtraTree模型的過(guò)擬合現(xiàn)象，致使Cox模型的準(zhǔn)確性下降。

5結(jié)語(yǔ)

本文以Cox比例風(fēng)險(xiǎn)模型為基礎(chǔ)模型，構(gòu)建了Lasso-ExtraTree-Cox模型對(duì)中小企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，利用中小企業(yè)的年度數(shù)據(jù)，從財(cái)務(wù)因素與非財(cái)務(wù)因素兩方面評(píng)估中小企業(yè)的信用風(fēng)險(xiǎn)，得到的結(jié)果總結(jié)如下：

第一，在Lasso-ExtraTree-Cox模型中，指標(biāo)體系經(jīng)過(guò)降維后通過(guò)0mnibus檢驗(yàn)，根據(jù)擬合結(jié)果建立生存函數(shù)和風(fēng)險(xiǎn)函數(shù)并繪制累積折線(xiàn)圖，能簡(jiǎn)單直觀地分析各個(gè)指標(biāo)與時(shí)間對(duì)中小企業(yè)信用風(fēng)險(xiǎn)的影響，證明Lasso-ExtraTree-Cox模型在該領(lǐng)域適用。

第二，Lasso-ExtraTree-Cox模型與其他模型相比，能夠更有效地處理高維度、強(qiáng)相關(guān)的數(shù)據(jù)，不僅具備Lasso回歸通過(guò)L1正則化限制特征系數(shù)，簡(jiǎn)單清晰的解釋模型并提高Cox模型的穩(wěn)定性與精確度的優(yōu)點(diǎn)，還結(jié)合了ExtraTree算法的泛化能力，在增強(qiáng)了模型的隨機(jī)性，減少過(guò)擬合現(xiàn)象的同時(shí)，也改進(jìn)了Lasso回歸可能產(chǎn)生的欠擬合問(wèn)題，存在一定互補(bǔ)性，有效地構(gòu)建了基于 模型的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估模型，具有一定的研究意義與實(shí)際價(jià)值。

基于上述結(jié)論，本文分別針對(duì)政府、中小企業(yè)上市公司和投資者給出建議。對(duì)政府而言，應(yīng)發(fā)揮宏觀調(diào)控對(duì)資本市場(chǎng)的健康穩(wěn)定運(yùn)行的引領(lǐng)作用，通過(guò)上述指標(biāo)和模型科學(xué)合理地預(yù)測(cè)上市公司的發(fā)展情況，從而加強(qiáng)對(duì)中小企業(yè)的有效監(jiān)管，合理引導(dǎo)資本市場(chǎng)的投資行為；對(duì)中小企業(yè)而言，應(yīng)當(dāng)重視在模型中表現(xiàn)突出的指標(biāo)，制定針對(duì)性管理措施，加強(qiáng)內(nèi)部控制，降低發(fā)生信用風(fēng)險(xiǎn)的可能性；對(duì)投資者而言，可以參考改進(jìn)后Cox模型的評(píng)估結(jié)果，結(jié)合財(cái)務(wù)報(bào)表和市場(chǎng)信息，綜合判斷企業(yè)的投資價(jià)值，較大程度上降低投資風(fēng)險(xiǎn)。

研究的不足之處在于未上市中小企業(yè)數(shù)據(jù)與銀行內(nèi)部貸款信息的不可獲得性，只能選取全國(guó)中小企業(yè)股份轉(zhuǎn)讓系統(tǒng)中的企業(yè)數(shù)據(jù)，同時(shí)未考慮企業(yè)年報(bào)中的文本信息，數(shù)據(jù)庫(kù)不夠全面與龐大，研究結(jié)果可能因此產(chǎn)生一定程度偏差，效果不夠明顯。后續(xù)將繼續(xù)這一方面的研究，為中小企業(yè)信用風(fēng)險(xiǎn)研究提供更準(zhǔn)確有效的模型選擇和參考。

【參考文獻(xiàn)】

【1】鄧曉嵐，王宗軍，李紅俠，等.非財(cái)務(wù)視角下的財(cái)務(wù)困境預(yù)警——對(duì)中國(guó)上市公司的實(shí)證研究[管理科學(xué)，2006（3）：71-80.

【2】田寶新，王建瓊.基于財(cái)務(wù)與非財(cái)務(wù)要素的上市公司財(cái)務(wù)困境預(yù)警實(shí)證研究[J]金融評(píng)論，2017，9（5）：103-115+126.

【3】王雄元，曾敬.年報(bào)風(fēng)險(xiǎn)信息披露與銀行貸款利率[]金融研究，2019（1）：54-71.

【4】雷輝，龍澤.企業(yè)社會(huì)責(zé)任效率與生產(chǎn)前沿面研究[]財(cái)經(jīng)理論與實(shí)踐，2016，37（06）：107-113.

【5】陳欣欣.地方政府債務(wù)對(duì)制造業(yè)企業(yè)融資約束的影響研究[J]投資與合作，2023（10）：16-19.

【6】陳藝云.基于信息披露文本的上市公司財(cái)務(wù)困境預(yù)測(cè)：以中文年報(bào)管理層討論與分析為樣本的研究[J]中國(guó)管理科學(xué)，2019，27（7）：23-34.

【7】Altman， E.IFinancial Ratios，Discriminant Analysis and thePrediction of Corporate Bankruptcy[J].Joumal of Finance，1968，23（4）：589-609.

【8】侯溢溢，徐妍.基于KMV模型的地方政府債券違約風(fēng)險(xiǎn)研究[J]中國(guó)市場(chǎng)，2023（02）：34-36.

【9】劉呂科，郭代.風(fēng)險(xiǎn)管理模型的內(nèi)在局限性探析[]海南金融，2014（06）：72-76.

【10】Martin D.Early Warming of Bank Failure[J]Journal of Banking andFinance，1977，1（3）：249-276.

【11】彎紅地.供應(yīng)鏈金融的風(fēng)險(xiǎn)模型分析研究[J].經(jīng)濟(jì)問(wèn)題，2008（11）：109-112.

【12】鄧愛(ài)民，王珂.中小企業(yè)在供應(yīng)鏈金融業(yè)務(wù)中信用風(fēng)險(xiǎn)評(píng)估的實(shí)證研究[J]征信，2015（9）：22-28.

【13】朱宗元，蘇為華，王秋霞.新三板融資環(huán)境下中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估[J]統(tǒng)計(jì)與信息論壇，2018.33（10）：107-113.

【14】孟杰.隨機(jī)森林模型在財(cái)務(wù)失敗預(yù)警中的應(yīng)用[J]統(tǒng)計(jì)與決策，2014（4）：179-181.

【15】薛慧.基于LightGBM模型的電力上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究[D]成都：西南財(cái)經(jīng)大學(xué)，2021

【16】梁創(chuàng)維.基于財(cái)務(wù)狀況多分類(lèi)的財(cái)務(wù)困境預(yù)警研究[J]現(xiàn)代商業(yè)，2021（30）：169-171.

【17】W illiam R. Lane，Stephen W. Looney，James W.Wansley.Anapplication ofthe cox proportional hazards model to bank failre[].Journal of Banking amp; Finance，1986，10（4）：511-531.

【18】Shumway Tyler.Forecasting Bankruptcy more Accurately： A SimpleHazard Rate Model[J]Journal of Business，2001（74）：101-124.

【19】錢(qián)俊.生存分析中刪失數(shù)據(jù)比例對(duì)Cox回歸模型影響的研究[D].廣州：南方醫(yī)科大學(xué)，2009.

【20】馬超群，何文.基于Cox的財(cái)務(wù)困境時(shí)點(diǎn)預(yù)測(cè)模型研究[J].統(tǒng)計(jì)與決策，2010（21）：38-42.