基于組合預測的民營企業信用風險評價研究

中圖分類號：F276.5；F273.1 文獻標識碼：A 文章編號：1000-176X（2025）07-0055-14

一、問題的提出

隨著中國經濟的快速發展，作為推動社會主義市場經濟發展的重要主體，民營經濟已經成為推動高質量發展、建設現代化經濟體系的關鍵力量。2007年以來，民營經濟貢獻了 60% 以上的總投資、吸納了 80% 以上的就業[，對于推動經濟又好又快發展和滿足人民群眾對美好生活的需要發揮著重要作用。然而，民營經濟的發展也面臨著眾多約束，尤其是融資約束[2]。近年來，民營銀行的不良貸款率急劇上升，這進一步加劇了融資困境。中國民營企業面臨融資難、融資貴問題的一個重要原因在于，信息不對稱引發的民營企業信用風險評價存在偏差。要進一步激發民營企業活力，實現中國經濟高質量發展，其關鍵點在于對民營企業信用風險進行科學、客觀的評價。黨的二十屆三中全會審議通過的《中共中央關于進一步全面深化改革、推進中國式現代化的決定》指出：“完善民營企業融資支持政策制度，破解融資難、融資貴問題。”“加快建立民營企業信用狀況綜合評價體系，健全民營中小企業增信制度。”由此可見，科學審慎地評價民營企業信用風險具有重要的現實意義。然而，數字普惠金融在緩解企業融資約束的同時，也可能引發資源配置效率差異和區域性信貸供求不匹配的問題。因此，數字普惠金融發展水平成為影響民營企業信用風險的關鍵因素之一。因此，本文基于數字普惠金融視角對民營企業信用風險進行評價，不僅有助于推動民營經濟發展、完善數字普惠金融運行機制，還對建設中國特色經濟體制和實現高質量發展具有深遠意義。

二、文獻綜述

在民營企業信用風險方面，現有研究主要聚焦于兩個方面：第一，針對上市公司信用風險的研究主要側重于盈利能力、償債能力等企業財務指標[3]。第二，針對小微企業信用風險的研究則側重于“軟信息”和非財務因素，如互聯網金融、供應鏈關系等[4-5]。民營企業，尤其是在新三板上市的民營企業，兼具一定規模和半規范化特征，既缺乏上市公司信息披露的透明度，又比小微企業更具組織復雜性，這就使得傳統信用風險評價體系在評價民營企業信用風險時出現失靈現象，表現為傳統企業信用風險評價體系缺乏適用性的問題。具體而言，相比于抵押擔保模式的信貸交易，民營企業更傾向于信用貸款，然而目前大多數金融機構針對民營企業的信用風險評價體系還不夠完善。現有關于企業信用風險評價體系的研究多從盈利能力、償債能力、營運能力、成長能力等企業財務指標方面展開[6]，蔣曉妍等[]、段勝[8]則綜合考慮了金融市場約束對企業信用風險的影響。蘇蕙和郭煒[9]發現，地區數字普惠金融發展水平、宏觀經濟政策等非財務因素對民營企業信用風險的影響也不容忽視。蔣輝[10]考慮政策環境等非財務因素，構建了在非對稱信息環境中的企業信用風險評價體系。程硯秋和遲國泰[]發現，民營企業信用風險評價與企業法人或實際負責人的信用情況密切相關，企業負責人的居住狀況、本地居住時間、汽車和不動產的總價值等因素與企業的信貸違約行為存在顯著負相關關系。由此可見，影響民營企業信用風險的因素錯綜復雜，而民營企業經營周期短、抗風險能力弱等特性，使其信用風險更易受宏觀經濟波動和政策影響。因此，關于非財務因素對民營企業信用風險的影響還有進一步探究的空間。

在數字普惠金融方面，現有研究大多注重分析數字普惠金融對企業融資服務和成長發展的推動作用，即普惠金融政策的有效性[12-14]。郭峰等［15]發現，數字普惠金融具有地區性收斂趨勢、地域集中性和空間異質性。包鈞等[16]分析了數字普惠金融與企業融資約束之間的關系，并研究了數字普惠金融對國有企業和非國有企業影響的差異。解維敏等[17]、李羚銳和黃先軍[18]、曹裕等[19]發現，數字普惠金融能有效降低中小企業債務融資成本并緩解外部融資約束，從而提高金融資源配置效率和全要素生產率，對民營企業發展具有顯著推動作用。然而，現有研究對于數字普惠金融背景下的民營企業信用風險評價還缺乏深人的探討。民營企業長期面臨的融資難、融資貴問題，其本質上是金融排斥的體現。數字普惠金融的核心目標是減少金融排斥，提高中小微企業的金融服務可得性。因此，本文基于數字普惠金融視角評價民營企業信用風險，能夠將政策導向與民營企業信用風險評價相結合，探索如何在風險可控的前提下擴大金融服務的覆蓋范圍，助力民營企業高質量發展。

在企業信用風險評價方面，現有研究主要采用信貸水平綜合評價和企業違約狀態的分類判別法。在信用風險評價模型不斷發展的過程中，機器學習方法的應用具有開創性意義。Odom和Sharda[20]將神經網絡模型引入銀行信貸數據分析領域，為企業信用風險的量化評價提供了新視角。Vapnik[21]提出了支持向量機（SupportVector Machine，SVM）方法，該方法在處理高維數據和非線性可分問題上具有一定優勢。梁翰[22、Jones等[23]采用了Logistic回歸模型對企業信用風險進行評價。上述方法雖具有較強的解釋性，但在評價民營企業面臨的復雜風險特征時仍存在預測精度不足的問題。近年來，機器學習方法的應用顯著提升了企業信用風險評價的預測精度。夏晗[24]構建了模糊積分支持向量機回歸集成的信用風險評價模型，發現該模型用于小微企業信用風險評價時具有較高的預測精度和效率。李健和張金林[25采用隨機森林算法，識別了企業融資過程中信用風險的主要影響因素，并據此建立了供應鏈金融預警模型。匡海波等[26]構建了能夠識別企業信用風險因素并全面反映中小企業信用風險程度的評價模型且能夠覆蓋全鏈條違約風險。沈隆等[27]采用Cos-K-Means模型聚類和算法遴選評價指標體系，實現了對上市公司違約風險的高精度預測。因此，利用大數據機器對民營企業信用風險進行評價，能夠有效彌補現有民營企業信用風險評價體系的不足，完善對民營企業信用風險評價的方法論基礎。

本文的邊際貢獻體現在以下三個方面。第一，本文將研究主體聚焦于在新三板上市的民營企業，結合民營企業信貸的短周期、少抵押、高信息不對稱的特征，引人數字普惠金融指數這一非財務指標，與財務指標形成互補，構建適用于民營企業的多維度信用風險評價體系，以彌補傳統信用風險評價模型過度依賴企業財務指標的單一維度問題。第二，針對民營企業數據高維、非線性的特征，通過指標篩選和機器學習方法對比，本文將Logistic回歸模型與SVM相結合，構建了LOG-SVM（Logistic Regression-SupportVector Machine）組合預測，并證明LOG-SVM組合預測是一種性能和泛化效果均較為理想的民營企業信用風險評價方法，擴展了信用風險評價體系研究方法的應用范圍和實踐場域。第三，本文考察了數字普惠金融對民營企業信用風險評價的影響，實證分析了普惠金融政策與民營企業信用風險之間的關系，將數字普惠金融指數引人民營企業信用風險評價，對匹配金融服務需求和推動民營經濟發展具有一定現實意義。

三、研究設計

（一）變量定義

依據證券交易的相關規定，若企業連續兩個財年凈利潤為負，其交易可能被暫停，信用評級也可能會被下調。因此，本文將因財務問題被特別標注為ST的企業作為違約案例的研究對象。具體而言，若企業連續兩個財年凈利潤為負，即被視為高信用風險企業。在模型構建中，被解釋變量為企業信用風險水平的二元分類變量。其中，高信用風險企業取值為1，低信用風險企業取值為0。

（二）模型設計

1.Alasso方法

為優化模型性能并實現指標降維，本文對特征變量進行指標篩選。自適應Lasso（AdaptiveLasso，Alasso）方法通過將懲罰項定義為系數絕對值的加權平均，從而實現對模型的優化，并且其能夠兼顧估計量的漸近正態性與有效性。因此，本文采用Alasso方法進行指標篩選和民營企業信用風險評價體系優化。

2.Logistic回歸模型

本文采用Logistic回歸模型分析各變量與民營企業信用風險之間的關系。被解釋變量 y 是二元分類變量，其中， y=1 表示發生違約，則企業被判定為違約企業； y=0 表示未發生違約，則企業被判定為非違約企業，影響被解釋變量 y 的解釋變量為 ，本文構建Logistic回歸模型如下：

其中， ρ 是企業違約發生的概率， θ 是回歸系數。將區間 [?+∞，?-∞] 投射到區間［0，1]，Logistic函數整體呈現S型變化趨勢。Logistic回歸模型屬于非線性模型，在參數估計過程中，不適宜采用最小二乘法。因此，本文采用極大似然估計法確定回歸模型中的參數值，這種方法能夠有效地處理非線性模型中的參數估計問題。本文設定參數估計模型如下：

對式（2）兩端求導數，可得到回歸方程組的待求參數 θ_i°

3.SVM

假設 Π_n 為樣本總數， x_i 為第 i 個樣本輸人， y_i 是實際輸出值，對于訓練集 T= {（x₁，y₁） ， ，…， ，定義模型 f（x） 是關于訓練集的平均損失經驗風險。結構風險最小化（SRM）旨在增強模型泛化性能，它在經驗風險的基礎上引入了對模型復雜性的懲罰。懲罰項可表示為 R_srm 。至此，結構風險最小策略轉換最優化問題，如式（3）所示：

其中，損失函數 L（?） 是評價模型擬合訓練數據理想程度的指標，其值越大，表明模型對訓練數據的擬合效果越不理想。懲罰函數 J（?） 是用于評價模型復雜程度的指標，其值越大，意味著模型結構越復雜。系數 λ 是用于評價模型擬合效果和復雜性的指標。

在利用SVM進行樣本分類時，樣本空間的線性可分性至關重要。對于具體的實際問題，無法事先知道特征的映射情況，因而也無法確定哪種核函數是合適的。如果核函數選取不當，則會造成樣本空間分類的不恰當，從而導致SVM的預測精度下降。因此，本文選取多項式核函數Poly、Sigmiod核函數和徑向核函數RBF三種核函數，并以總分類精確率作為評價結果，選出最適合本文研究的核函數。多項式核函數Poly、Sigmiod核函數和徑向核函數RBF分別如式（4）、式（5）和式（6）所示：

SVM作為一種監督式統計學習技術，基于VC維理論及結構風險最小化（SRM）原則，屬于機器學習領域的一種方法。它主要應用于分類與回歸任務，尤其在處理小規模、非線性和高維數據模式的識別任務中具有顯著的優勢。SVM的優勢主要體現在兩個方面。其一，由于SVM策略著眼于結構風險最小化，能夠求解一個凸面規劃問題，這不僅賦予了其出色的泛化性能，還使其能夠找到全局最優解。其二，SVM通過核技巧將原始空間中的非線性樣本映射到更高維度的空間，并在該空間內構建線性分類器，有效處理了非線性問題。Logistic回歸模型雖然在魯棒性和解釋性方面表現優異，但在分類準確度上存在一定不足。此外，Logistic回歸模型和SVM都適用于非線性關系的擬合。因此，本文選擇將Logistic回歸模型與SVM相結合的方法，構建民營企業信用風險的LOG-SVM組合預測，旨在融合Logistic回歸模型和SVM的優勢，在保證模型預測精度的同時也兼顧穩定性。

（三）數據來源與預處理

1.數據來源

本文數據主要來源于Wind金融數據庫，民營企業信用風險指標包括企業基本信息、股本結構、財務報表、行情數據、估值指標、企業行為與事件、行業和產業鏈數據、企業治理數據和企業輿情數據等。本文參考既有文獻，并綜合考量了企業的注冊資本、經營能力、盈利能力、償債能力和成長能力等關鍵財務指標，構建民營企業信用風險評價指標體系。此外，本文指標體系還涵蓋了區域宏觀經濟狀況、企業員工構成等非財務指標。

本文的數字普惠金融指數來源于北京大學數字金融研究中心發布的數字普惠金融指數第三期（2011—2020年），樣本覆蓋了東部、中部、西部和東北地區，并依次從“超大城市一代表性地級市一貧困縣”的城市層級，結合人口分布密度層級，以及重點納入脫貧攻堅期的國家級貧困縣和鄉村振興重點縣進行抽樣。

2.數據預處理

為解決數據缺失值、量綱不一致和樣本分布不均等問題，本文對原始數據進行預處理。具體步驟為：

首先，為處理缺失值，本文采取變量缺失比率篩選和KNN插補法，對不同缺失程度的原始數據進行處理。第一步，基于各變量的數據缺失比率，剔除缺失率在 50% 以上的變量和遺漏行數超過 20% 的企業樣本。第二步，使用KNN插補法對缺失數據進行填補，最終保留4029條完整的企業樣本數據。其中，違約企業樣本有1032家，非違約企業樣本有2997家。

其次，為消除量綱影響，本文通過WOE（Weightof Evidence，WOE）方法分析各變量對目標變量的正負影響，用于判斷指標的影響方向，以便后續利用極差標準化方法進行標準化處理。

最后，由于被標記為ST的企業樣本量相對較少，為保證信用風險水平判別分類的樣本量平衡，本文利用欠采樣方法將所有標記為違約企業的樣本量納入模型數據集，并從非違約企業數據中抽取同樣的樣本量進行建模，最終保留2064家企業的 1：1 風險平衡樣本量。該數據集合按7：3的比例分配數據集，隨機抽取 70% 的樣本量（包含722家違約企業與722家非違約企業）構建建模集，剩余 30% 的樣本量（包含310家違約企業和310家非違約企業）作為檢驗集，用于評價模型預測精度。

（四）LOG-SVM組合預測精度評估

對企業信用風險判別模型的評估，主要是判斷預測模型對風險的區分能力，表現在其能否有效區分企業是否違約，本文使用KS值、ROC曲線和AUC值評價模型對風險的區分能力和模型預測精度。模型區分能力越強，損失就越小。但是，模型區分能力的強弱并不能代表模型預測精度。在實際應用中，相較于將非違約企業誤判為違約企業的第一類錯誤，判別的預測精確度更加關注將違約企業誤判為非違約企業的第二類錯誤[26]。①模型預測精度和模型的第二類錯誤率的計算模型分別如式（7）和式（8）所示：

Acc L= （ TP+TN ）/（ TP+TN+FP+FN ）

FPR FP/（ FP+TN ））

其中，Acc為模型預測精度，FPR為第二類錯誤率。當樣本實際屬于正常履約企業且系統準確判定其未違約企業時，則定義為真陽性（TruePositive，TP）；若樣本實質具備還款能力但模型誤判為違約企業，則定義為假陰性（FalseNegative，FN）；對于已發生違約的企業且模型精準識別其違約，則定義為真陰性（True Negative，TN）；若模型未能有效識別違約企業將其錯誤歸類為非違約企業時，則定義為假陽性（False Positive，FP）。可以看出，定義為假陽性的第二類錯誤的成本更高，其會給銀行等信貸金融機構帶來更多的損失。因此，在企業信用風險組合預測過程中，應在保證準確率的情況下，盡可能降低第二類錯誤率，即在模型總體準確率相同的情況下，本文更傾向接受第二類錯誤率相對更低的模型。

四、實證結果與分析

（一）民營企業信用風險評價指標體系篩選

本文在企業信用風險評價指標體系篩選過程中，同時納入財務健康、經營能力、盈利能力、研發狀況和企業所在地經濟狀況等高維度指標，可能存在信用評價指標變量間存在高度相關性問題，或者存在與企業信用評價關聯性較弱的數據冗余問題，這會直接影響參數估計的有效性。因此，有必要對評價指標進行冗余判別和篩選，以提升模型預測精度和泛化能力。現行指標篩選方法主要有兩種：經典指標選擇方法和正則化回歸方法。其中，經典指標選擇方法以基于信息準則的逐步回歸法為代表，采用前向、后向、雙向搜索策略實現指標篩選；而正則化回歸方法通過將懲罰函數嵌入損失函數對系數進行壓縮，在參數估計過程中同步實現指標降維。為最大程度避免指標篩選過程中評價信息的損失，本文采用ALasso方法作為篩選指標的手段，旨在解決最小二乘法在指標選擇和參數估計的局限性，特別是當指標間存在多重共線性時。Lasso通過在殘差平方和最小化的基礎上加入對回歸系數絕對值之和的約束，實現了指標選擇和系數壓縮。這種方法通過調整懲罰參數將不重要的變量系數壓縮至零，從而實現指標的自動選擇。在統計建模中，該方法突破原有范式限制，通過構建系數絕對值的加權正則化約束，在Lasso方法基礎上實現迭代升級。具體而言，該技術通過賦予各系數差異化權重的方式，對基礎模型的懲罰函數進行參數重構，形成具有指標選擇自適應特性的新型估計方法。Alasso作為Lasso的改進版本，進一步優化了這一過程，以期實現模型性能最優化，同時盡量減少所包含的指標數量。

本文采用Alasso方法篩選指標。最終確立信用評價指標體系，主要包含非財務指標，即宏觀經濟指標（數字普惠金融指數）；財務指標，主要包括營運能力、成長能力、償債能力、盈利能力和現金流充足能力（包含14個核心指標）的信用評價指標體系，其中，指標方向若為“ +^′ 表明該指標能夠降低企業信用風險，反之，則表明該指標提高了企業信用風險。本文信用評價指標體系如表1所示。

由表1可知，本文通過Alasso方法篩選后，得到的指標體系共包含15個指標，其中，企業的非財務指標為數字普惠金融指數。指標體系以財務指標為主，其中營運能力和的償債能力占主導地位。

為檢驗變量之間是否存在多重共線性問題，本文對信用評價指標進行多重共線性檢驗。多重共線性檢驗的方法包括容忍度法、方差膨脹因子法（VIF）、特征值和方差比法、條件指數法等。本文采用方差膨脹因子法（VIF）檢驗變量的多重共線性。多重共線性檢驗結果如表2所示。

由表2可知，在15個指標中，VIF最大值為1.660，表明各變量之間并不存在顯著的多重共線性問題，這同時也從反面論證了利用Alasso方法篩選指標可以在一定程度上解決多重共線性問題。

表2多重共線性檢驗結果

（二）基于數字普惠金融指數的民營企業分布

本文按照不同數字普惠金融指數區間的企業樣本分布情況，將2064個企業樣本劃分為七個組別，分別統計不同數字普惠金融指數區間內對應的低信用風險企業和高信用風險企業數量。基于數字普惠金融指數的民營企業分布情況如表3所示。由表3可知，在數字普惠金融指數更高的區間內，低信用風險企業更多，而在數字普惠金融指數更低的區間內，高信用風險企業更多。

為直觀地展示數字普惠金融指數與信用風險民營企業分布的趨勢關系，本文將原始表格數據轉換為比率形式，構建數字普惠金融指數區間與企業信用風險水平變化趨勢圖，如圖1所示。

由圖1可知，隨著數字普惠金融指數的提高，低信用風險企業呈現持續增長的趨勢。其中，數字普惠金融指數最小值區間和最大值區間兩端變化幅度較大。因此，由表1和圖1可知，數字普惠金融指數越高，相應的民營企業信用風險水平越低。

（三）民營企業信用風險評價實證研究

1.基于Logistic回歸模型的民營企業信用評價

為研究篩選后各指標對民營企業信用風險的影響，本文采用Logistic回歸模型分析各指標的影響方向和作用大小。本文在構建判別模型之前已經對變量進行選擇，所以選擇全變量進人的方式構建Logistic回歸模型。Logistic回歸結果如表4所示。

表4列（5）是變量在模型中的P值，可以看出，除 通過了 10% 水平下的顯著性檢驗外，其余變量均至少通過了 5% 水平下的顯著性檢驗，對于民營企業信用風險評價的結果顯著。此外，在卡方分布的 5% 顯著性水平下，列（3）中，Wald統計量檢驗的回歸系數均超過了臨界值3.841，因而拒絕原假設。這一結果表明，所有變量均通過了顯著性檢驗。其中，數字普惠金融指數（ X_-001 ）的回歸系數為0.237，表明數字普惠金融的發展降低了企業信用風險，進一步證實了數字普惠金融可以顯著降低民營企業信用風險。

如前文所述，本文的違約企業數據和非違約企業數據數量之比為 1：1 ，所以將模型的分類閾值設為0.500，即識別概率大于0.500則判定為違約企業，小于0.50判定為非違約企業。本文構建Logistic判別模型分類結果的混淆矩陣。①由結果可知，本文Logistic回歸模型的總準確率為80.81% ，因而具有良好的風險判別能力。其中，模型的第一類錯誤率為 13.87% ，第二類錯誤率為 24.52% 。

2.基于機器學習方法的民營企業信用評價

Logistic回歸在處理具有線性關系的數據時表現較好，而影響民營企業信用風險的因素較為復雜。由于機器學習方法在處理非線性數據時具有較強的解釋能力，且機器學習方法可以對數據進行穩健的二元分類，滿足本文關于民營企業信用風險的分類判別問題，從而提高預測準確性。本文結合Logistic回歸模型和SVM各自的優勢，構建LOG-SVM組合預測，充分發揮組合預測在不同應用場景中的適應性和穩定性優勢。本文分別采用SVM和神經網絡ANN模型對民營企業信用評價效果進行檢驗。

核函數的確定是企業信用風險評價的關鍵，在使用SVM進行樣本分類的過程中，首先要確保樣本能在特征空間內實現線性區分，這使得特征空間的質量成為影響SVM預測準確率的關鍵因素。面對特定的實際問題，我們通常難以預知特征映射的具體狀況，因而難以確定哪種核函數最為適宜。基于此，本文選取了多項式核函數Poly、Sigmiod核函數和徑向核函數RBF三種常用的核函數進行檢驗，并通過比較總準確率選擇最適合SVM樣本數據的核函數，從而保證數據映射到合適的樣本空間。本文核函數的模型準確率檢驗結果如表5所示。

由表5可知，在默認參數下SVM的核函數為RBF時，對應的SVM總分類準確率最高，為73.69% 。因此，本文選取RBF為SVM的核函數，對訓練樣本集分類實證分析。

本文使用初始模型將數據集中企業是否違約作為被解釋變量，其余變量作為解釋變量，核函數選擇RBF，使用SVM構建訓練樣本集。

由SVM訓練集分類的混淆矩陣結果①顯示，基于RBF的SVM具有較強的判別精確性和泛化能力。主要表現為：一方面，SVM總準確率為 76.94% ，具有良好的判別能力。模型的第一類錯誤率為 24.84% ，第二類錯誤率為 21.29% 。因此，SVM對違約企業的預測效果要優于對非違約企業的預測效果。另一方面，本文基于交叉驗證（Cross-Validation，CV）SVM的泛化能力，兼顧評價效率和預測準確率，通過網格搜索與5折分層交叉驗證優化超參數。結果表明，最優超參數組合為 C=1.0 ， gamma=0.010 ，其交叉驗證準確率均值達 80.26% ，標準差僅為 3.82% ，高于其他組合，且在 1% 水平下顯著。這表明基于RBF的SVM具有較強的泛化能力，可用于更大范圍企業樣本的信用評價分析。

神經網絡ANN模型通過模擬生物神經元的信息處理機制，構建多層非線性映射結構，在企業信用風險評價中展現出獨特的建模優勢。其核心算法原理為：輸入層接收多維信用指標，經隱藏層激活函數實現特征非線性變換，最終由輸出層生成信用風險評價或違約概率預測值。相較于傳統模型，神經網絡ANN模型在企業信用風險評價中具有復雜模式識別和動態適應的優勢。一方面，通過多層感知機（MLP）結構自動提取高階交互特征，有效捕捉企業信用風險的隱性傳導非線性風險組合路徑。另一方面，基于反向傳播（Backpropagation）的權重更新機制，使模型能持續適應信用風險因子的時變特性。

本文比較了SVM和神經網絡ANN模型兩種機器學習模型對企業信用風險的判別準確率。結果顯示，神經網絡ANN模型的判別準確率 77.42% ，略高于SVM的 76.94% ，但SVM對高信用風險企業的判別準確率達到 78.71% ，高于神經網絡ANN模型的預測準確率 75.81% ，如前文所述，對于企業信用風險評價往往更關注對高信用風險企業的判別準確率。鑒于此，本文選用SVM進行后續的組合預測判別檢驗。

3.基于LOG-SVM組合預測的民營企業信用風險評價

本文采用LOG-SVM組合預測進行民營企業信用風險評價。LOG-SVM組合預測的優勢在于以下三個方面。其一，LOG-SVM組合預測提升了企業信用評價預測準確率，也提升了判別的可解釋性。Logistic回歸模型具有較好的穩定性與模型可解釋性，但預測精準度相對有限。SVM雖然存在理論解釋性較弱的問題，但在對高信用風險企業判別過程中表現出顯著的間隔最大化優勢，其總分類準確率存在很大提升空間。其二，LOG-SVM組合預測兼顧線性和非線性的回歸判別結果，提升判別準確率的同時，使判別結果更加穩健，可適應于不同類型企業信用風險評價。其三，LOG-SVM組合預測降低了對指標完整性的依賴程度。企業信用風險的構成因素往往是多維相互作用的，很難構建一整套完整的評價指標體系應用于企業信用判別，LOG-SVM組合預測能夠充分刻畫企業信用風險評價指標間的線性和非線性關系，并利用隱藏層表征潛在因素，抵消了指標完整性不足對判別結果影響。

本文選擇并行式模型集成方案作為方法論基礎，這一技術路線通過構建多元預測結果的線性加權整合機制，能有效實現系統優化。在參數優化過程中，首先需要確定各子模型的貢獻度參數，現有研究通常采用普通最小二乘準則（OLS），其目標函數設定為最小化預測誤差平方和。具體而言，設 ?f_1t 和 f_2t 分別為Logistic回歸模型和SVM在訓練集上的輸出結果，其中， χ_t 表示第t個樣本， t=1 ，2，…，n（n為樣本總量）； f_t 表示線性組合預測的預測結果，LOG-SVM組合預測中Logistic回歸模型和SVM的權重系數分別為0.719和0.281。本文LOG-SVM組合預測模型如式（9）所示：

f_t=0.719f_1t+0.281f_2t

基于概率融合策略，本文將Logistic回歸模型的預測概率分布與SVM的決策函數輸出值進行集成整合。依據樣本分布特征，本文設定決策閾值為0.500，通過貝葉斯決策原理構建分類規則：當判別概率大于或等于0.500時，判定為違約企業樣本；反之為非違約企業樣本。該分類機制下，訓練集樣本的判別結果呈現典型雙峰分布特征。

本文計算了LOG-SVM組合預測的樣本集分類預測結果①，結果顯示，LOG-SVM組合預測的整體預測準確率達到 80.81% ，較單一模型提升約兩個百分點。其整體誤判率為19. 19% ，低于兩種單一模型的平均誤判率（約 22.82% ），呈現雙向改善趨勢。具體表現為，準確判別低信用風險企業的能力提升了 3.06% ，準確判別高信用風險企業的能力提升了 4.20% 。這表明LOG-SVM組合預測在企業信用風險識別方面具有更好的預測精度。

4.信用風險評價模型結果對比

本文采用受試者工作特征（ROC）曲線與Kolmogorov-Smirnov（KS統計量）作為核心評價指標對企業信用風險評價模型進行比較分析。ROC曲線的構建基于閾值遍歷法，通過計算不同臨界值下的真陽性率TPR=TP/（ TP+FN. ）和假陽性率 FPR=FP/ （ FP+TN ）生成特征曲線，其曲線圍成的面積（AUC）可量化為模型的風險判別能力：當 AUC=1 時，模型具有完美的風險判別能力（理論狀態）；當 0.500 時，模型沒有風險判別能力；而當AUC $＼mathord { ＼left. ＼langle 0 . 5 0 0 ＼right. ＼kern - delimiterspace }$ 時，模型風險判別能力低于隨機基準。KS值通過度量非違約企業與違約企業分布的累積差異，評價模型的企業信用風險判別能力，當KS值超過0.200時，則模型具備有效的風險判別能力。

本文基于Alasso方法篩選民營企業信用風險指標體系，分別采用Logistic回歸模型、SVM和LOG-SVM組合預測，對民營企業信用風險進行評價，并選取準確率、第二類錯誤率、ROC曲線，及其對應的AUC值、K-S值對三者的預測結果進行比較，以此比較不同模型在加入數字普惠金融指數前后的預測結果。模型評價結果對比如表6所示。

由表6可知，在引入數字普惠金融指數作為非財務指標變量后，不同模型的預測準確率有顯著提升，同時第二類錯誤率顯著降低。加人數字普惠金融指數前，Logistic回歸模型、SVM和LOG-SVM組合預測的準確率分別為 76.55% 、75. 75% 和 78.96% ；加人數字普惠金融指數后，三個模型的準確率分別為 80.81% 、 76.94% 和 80.81% 。第二類錯誤率分別降低了 4.26% 、1. 19% 和 1.85% 。表明加入數字普惠金融指數后，LOG-SVM組合預測對民營企業信用風險評價的準確度更高。對于Logistic回歸模型和SVM的單一模型，雖然其在特定情況下表現出色，但二者的預測能力往往受限于模型本身的假設和特性。相比之下，LOG-SVM組合預測通過結合Logistic回歸模型和SVM的優點，能夠在多個指標上實現更高的預測精度。具體來說，加人數字普惠金融指數后LOG-SVM組合預測不僅在準確率上有所提升，而且在第二類錯誤率、AUC值和K-S值等關鍵指標上也有明顯提升，且均為不同模型下的最優評價值。這表明LOG-SVM組合預測在民營企業信用風險評價時，不僅提升了預測精度，還增強了模型的泛化性和穩健性，這對于金融機構在風險管理和決策過程中具有重要的實際意義。隨著機器學習方法和統計學研究方法的不斷進步，未來的企業信用風險評價模型有望在準確性和泛化性上實現更大的突破。

此外，本文還分別刻畫了Logistic回歸模型、SVM和LOG-SVM組合預測在加入數字普惠金融指數后對民營企業信用風險評價的ROC曲線圖， D 其中，ROC圍成的面積為AUC值，可衡量模型預測準確性。結果表明，LOG-SVM組合預測的AUC值高于單一模型，再次驗證了LOG-SVM組合預測對民營企業信用風險評價的性能更好。

五、研究結論與政策建議

（一）研究結論

民營企業的健康和快速發展對經濟發展至關重要。普惠金融政策的深化實施，也對民營企業信用風險管理提出了新的要求。本文基于數字普惠金融視角，聚焦于如何提升民營企業信用風險評價的科學性與有效性，不僅深化了對數字普惠金融影響民營企業信用風險評價的理解，同時為提升民營企業信用風險評價精確度、優化普惠金融政策與服務效能提供了切實可行的理論支撐與實踐路徑。

本文將數字普惠金融指數納入評價體系，構建了民營企業信用風險評價指標體系。為解決民營企業經營風險決定因素的高維性與非線性問題，本文提出了LOG-SVM組合預測，并檢驗了LOG-SVM組合預測的應用價值。研究發現，數字普惠金融發展能夠有效降低民營企業信用風險。普惠金融政策不僅有助于緩解融資約束，還能通過優化金融生態環境降低企業信用風險，激發企業市場活力。研究還發現，傳統的償債能力與營運能力指標依然是信用評估的核心決定因素。然而，將數字普惠金融指數納入評價指標體系，能夠更準確地刻畫民營企業在當前金融政策環境下的風險特征，顯著提升企業信用風險評價模型的預測能力——Logistic回歸模型、SVM和LOG-SVM組合預測的準確率分別有不同程度的提升。本文還驗證了LOG-SVM組合預測的優勢，相較于單一的Logistic回歸模型和SVM，本文構建的LOG-SVM組合預測展現出更優越的預測效果。這驗證了組合預測在處理高維、非線性信用風險數據方面的有效性與穩健性。

（二）政策建議

數字普惠金融的發展能夠有效推動民營企業信用體系的構建，提升區域內民營企業的風險承擔能力。雖然中國高度重視數字普惠金融的發展實施，但民營企業融資難、融資貴的問題仍然嚴峻。造成這種現象的主要原因在于，現行民營企業信用風險評價體系存在針對性弱、維度不全面等問題，同時又面臨著普惠“門檻”、信息不對稱、風險監管不全面等挑戰，因而普惠金融政策在具體落實中可能存在效率不高、區域不平衡等困境。如何量化民營企業信用風險各個影響因素間的關系，構建適合民營企業經營特征的信用風險評價體系，對有效緩解民營企業的融資約束和金融排斥，發揮金融機構在民營經濟體系中的“造血”功能，具有十分重要意義。基于此，本文提出以下政策建議：

一是發揮數據要素作用，發揮新技術、新科技在民營企業信用風險評價方面的作用，構建開放共享的民營企業信用風險評價體系。目前，民營企業信用風險評價中存在的主要問題之一是信息不對稱，這降低了民營企業的融資效率。因此，要以政府為主導，整合政府、企業和社會的數據要素，規范數據的采集和使用，確保數據的準確性和一致性，為金融機構對民營企業信用風險評價提供更全面、更準確的數據支持，如整合稅務、海關、市場監管等部門的政務數據，以及企業的管理數據、交易流水、供應鏈數據等，形成多維信用檔案，解決信息碎片化問題。同時，推廣5G、人工智能和大數據技術在金融服務領域的應用，探索高維、不確定數據環境下民營企業信用風險評價方法，充分發揮數據要素和技術在民營企業信用風險評價中的獨特價值。構建標準化、高適應性且具有開放性的民營企業信用風險評價體系，確保評價體系的科學性、準確性和全面性。

二是以民營經濟為側重點，加強區域數字普惠金融體系建設。依托數字普惠金融發展，引導金融資源向民營企業傾斜，助力民營企業降低信用風險。民營企業在社會主義市場經濟中具有其獨特性，企業之間的各項指標水平千差方別，既有小微企業的靈活性與抵抗風險能力，也有中型企業的規模化經營需求，更有大型民企的產業鏈整合特征。因此，政府應加大對數字普惠金融發展的政策支持力度，通過財政補貼、設立專項發展基金等手段，鼓勵金融機構因地制宜地向民營企業提供更多的數字普惠金融服務，以緩解民營企業的融資困難程度，降低企業信用風險，如通過大數據分析精準定位民營企業融資需求，利用區塊鏈技術優化信貸流程，減少中間環節成本，提升融資效率。同時，完善數字普惠金融基礎設施建設，重點提升偏遠地區網絡覆蓋與數字終端可得性，縮小城鄉間數字金融服務鴻溝，推廣金融機構線上金融服務平臺，讓民營企業能夠更便捷地獲得金融服務。根據區域數字普惠金融指數的差異，制定和實施有針對性的普惠金融政策，確保政策的有效性和可持續性，助力不同地區民營企業實現高質量發展。

三是推進數字普惠金融與民營企業信用風險評價的協同發展，發揮數字普惠金融在信用風險評價方面的作用。政府部門、金融機構和民營企業之間應建立數字普惠金融與信用風險評價的聯動機制，通過制度性安排明確各方數據共享責任，避免信息不對稱導致的評價偏差，如相關部門可定期召開聯席會議，共享信用信息，共同制定企業信用風險防控策略，推動數字普惠金融服務與民營企業信用評價指標的動態銜接。政府可以通過政策引導，促進金融機構將數字普惠金融發展與民營企業信用風險評價相結合，在提供數字普惠金融服務的同時，采用科學的評價模型準確識別和控制信用風險，并隨著數字普惠金融發展水平的不斷提高，動態調整民營企業的信用評級和授信額度。此外，建立健全普惠金融政策和民營企業信用風險評價體系的監測和評價機制，定期對政策實施效果進行跟蹤和評價，重點關注政策覆蓋廣度、風險防控精度與企業滿意度等核心指標。根據評價結果及時調整和完善相關政策，確保普惠金融政策能夠有效降低民營企業信用風險，促進民營企業健康和快速發展。

參考文獻：

[1]梅冬州，溫興春，吳娛.財政擴張、信用違約和民營企業融資困境[J].經濟研究，2021，56（3）：116-131.

[2］羅黨論，甄麗明.民營控制、政治關系與企業融資約束——基于中國民營上市公司的經驗證據[J].金融研究，2008（12）：164-178.

[3]遲國泰，章彤，張志鵬.基于非平衡數據處理的上市公司ST預警混合模型[J].管理評論，2020，32（3）：3-20.

[4］龔玲玲，遲國泰，杜永強.小企業信用評價體系構建方法——基于顯著性判別原理[J].技術經濟，2014，33（5）：97-101.

[5]熊熊，郭翠，張維，等.中小企業貸款利率定價的計算實驗方法[J].系統工程理論與實踐，2009，29（12）：9-14.

[6］遲國泰，潘明道，齊菲.一個基于小樣本的銀行信用風險評級模型的設計及應用[J].數量經濟技術經濟研究，2014，31（6）：102-116.

[7］蔣曉妍，劉爽，占曉杰，等.民營企業融資困境的解決機制研究——以新常態下民營銀行的發展為背景[J].經濟問題，2019（7）：54-61.

[8］段勝.關于民營企業融資難融資貴問題的思考——基于四川省民營企業的調查分析[J].西南金融，2019（3）：3-11.

[9]蘇蕙，郭煒.銀行小微企業信貸風險評價指標優化[J].財會月刊，2020（1）：27-32.

[10]蔣輝.非對稱信息下小微企業信用評價指標體系的構建[J].財會月刊，2017（14）：51-55.

[11］程硯秋，遲國泰.企業負責人背景特征與信貸違約行為間關系的實證研究——基于大連地區小企業的信貸數據[J].技術經濟，2015，34（3）：97-104.

[12]謝絢麗，沈艷，張皓星，等.數字金融能促進創業嗎？——來自中國的證據[J].經濟學（季刊），2018，17（4）：1557-1580.

[13］梁榜，張建華.數字普惠金融發展能激勵創新嗎？——來自中國城市和中小企業的證據[J].當代經濟科學，2019，41（5）：74-86.

[14]喻平，豆俊霞.數字普惠金融、企業異質性與中小微企業創新[J].當代經濟管理，2020，42（12）：79-87.

[15]郭峰，王靖一，王芳，等.測度中國數字普惠金融發展：指數編制與空間特征[J].經濟學（季刊），2020，19（4）：1401-1418.

[16]包鈞，謝霏，許霞紅.中國普惠金融發展與企業融資約束[J].上海金融，2018（7）：34-39.

[17]解維敏，吳浩，馮彥杰.數字金融是否緩解了民營企業融資約束？[J].系統工程理論與實踐，2021，41（12）：3129-3146.

[18]李羚銳，黃先軍.數字普惠金融對企業信用風險的影響研究[J].金融理論與實踐，2022（12）：43-53.

[19］曹裕，楊方杰，劉凡璠.資源配置視角下數字普惠金融對區域創新創業的影響研究[J].湖南大學學報（社會科學版），2023，37（6）：36-43.

[20]ODOM MD，SHARDA R.A neural network model for bankruptcy prediction[R].1990 IJCNN International JointConference on Neural Networks，1990.

[21]VAPNIK VN.Anoverviewof statistical learning theory[J].IEEE transactions onneural networks，1999，10（5）：988-999.

[22］梁翰.M市工商銀行小微企業信貸風險識別及防范策略研究[D].綿陽：西南科技大學，2019：1.

[23]JONES S，JOHNSTONE D，WILSON R.An empirical evaluation of the performance of binary clasifiers in theprediction of credit ratings changes[J]. Journal of bankingamp; finance，2O15（7） ：72-85.

[24]夏晗.基于支持向量機回歸集成的小微企業信用風險度評估模型研究[J].征信，2019，37（4）：21-27.

[25]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，2019，41（8）：178-196.

[26]匡海波，杜浩，豐昊月.供應鏈金融下中小企業信用風險指標體系構建[J].科研管理，2020，41（4）：209-219.

[27]沈隆，周穎，趙軒鐸.基于余弦相似度的企業違約預測模型及實證[J].系統工程理論與實踐，2022，42（7）：1826-1842.

ResearchonCreditRiskEvaluationofPrivateEnterprises Based on Combination Forecasting

QIUYu1，XINGTiancai1， 2

（1.School of Finance，Dongbei University of Finance and Economics，Dalian 116o25，China; Qingdao Institute of Finance，Dongbei UniversityofFinance and Economics，Qingdao 2661o5，China

Summary：Asan indispensable componentof the socialist market economy，thehigh-qualitydevelopmentof private enterprisesuniversall face severechalengesof“financing dificulties and high financing costs\"，withone underlying causebeingthe underdeveloped credit risk evaluation systemforthem.Therefore，scientificall constructing and refining thecreditrisk evaluationsystemforprivateenterprises isintrinsicallylinkedtoand mutuallyreinforcing withadvancing the deepening of inclusive finance.

This study，fromthe perspectiveof inclusivefinance，selects4O35private enterprises listedontheNational Equities Exchange and Quotations （NEEQ，or“New Third Board\"） in 2O23 as the research sample. Addresing the acute financing constraintsconfronting China’sprivateenterprises，this studyinnovativelyintroducesthedigitalinclusivefinanceindexas a key variableandconstructs amulti-dimensional evaluation indexsystem tocharacterize private enterprises‘creditrisk. Utilizing theadaptive Lasso method for variableselection，this studycomprehensively evaluatesand predictscreditrisk through logisticregression，support vector machine （SVM），andLOG-SVM combination forecating that integratesthe strengthsofboth.Thearticalfindsthat：First，financial indicatorsreflectingsolvencyconstitutethemostfundamentaland explanatoryelementsinthecreditevaluationsystemforprivate enterprises.Second，asignificantnegativecorelationexists betweenregional inclusive finance levelsand local private enterprises’credit risk，demonstrating that healthyregional inclusivefinanceectivelymitigatestheircreditriskexposure.Third，Incorporatingthedigitalinclusivefinancendex enhances theexplanatorypowerand predictionacuracyofthelogistic，SVM，andLOG-SVMcombination forecating.Forth， theLOG-SVMcombination forecating exhibits superior prediction accuracyand stabilitycompared tostandalonelogisticor SVM models.

Basedonthese findings，thisartical proposes the following policy implications.First，it is necessary to leverage data asakeyfactorofroctiontotablshmpreesie，adardized，amicallated，ndnlyceblit information platformandrisk evaluationsystemforprivateenterprises.Second，itisnecessry tostrengthen the developmentandoptimizationofregional inclusive financeservicesystems，fullutilizing the technological advantagesof digitalinclusivefinanceiserviceacessibilitycostcontrol，andriskmanagement.Thiswillgudemoreiancialsouces toflowpreciselyandeficientlytoprivateenterprises，therebyloweringtheirfinancingbariersandcosts.Third，through institutionaldesignand policycordination，wecanensure thatthe benefitsof inclusivefinancedevelopmentaremore effectively translated intotangible improvementsincreditrisk evaluationcapabilitiesandcorporate financing environments.This willultimately maximize the value of inclusive finance inoptimizing credit risk management.

Key Words：private enterprise;credit risk evaluation;digitalinclusive finance;LOG-SVMcombination forecasting

（責任編輯：李明齊）