试述违约中小企业违约和破产综述
最后更新时间：2024-03-02
作者：用户投稿
本站原创
点赞:23678
浏览:107363
本站原创
点赞:23678
浏览:107363
论文导读：险的要素分为两类：企业所有者的基本特征和企业的财务信息。世界妇女银行在哥伦比亚和多米尼加共和国的分支机构在美洲开发银行的资助下进行的研究项目中，根据重要程度列出了中小企业违约和破产的21个推断因素，包括：之前贷款的最长逾期天数、成为银行客户的时间、企业类型、申请人年龄、授信审批人员特征、电话所有权、家庭结
摘要：有效识别中小企业贷款的风险要素，准确预测和度量中小企业贷款的违约风险，是中小企业贷款难的关键。对于中小企业违约和破产的实证研究采用的方法有普通的多元回归（OLS）、简单-直观模型、传统的多元判别分析模型和逻辑回归模型等。影响中小企业信贷风险的要素除了传统的财务变量以外，还包括非财务因素，而且非财务的定性要素比定量的财务因素的作用更加重要。
关键词：中小企业；违约和破产；财务因素；非财务因素
中小企业贷款难是国际和国内都普遍面临的困境，也是学术界和政策制定者都广泛关注的一个重要问题。中小企业通常没有经过审计的财务报表，透明度低。因此，信息不对称是中小企业融资需求得不到满足的根本原因。有效识别中小企业贷款的风险要素，准确预测和度量中小企业贷款的违约风险，是中小企业贷款难的关键。
]。风险指数模型的优点是简单直观，但缺点则是主观性较强。
Samolyk（2000）已经将可能影响中小企业贷款违约风险的要素分为两类：企业所有者的基本特征和企业的财务信息[14]。世界妇女银行在哥伦比亚和多米尼加共和国的分支机构在美洲开发银行的资助下进行的研究项目中，根据重要程度列出了中小企业违约和破产的21个推断因素，包括：之前贷款的最长逾期天数、成为银行客户的时间、企业类型、申请人年龄、授信审批人员特征、电话所有权、家庭结构、企业成立年限、手头、分期还款期数、在目前居所居住年限、贷款逾期的期数、提前还款的期数、授信审批人员的经验、家庭经营的企业数、贷款申请与放款之间的间隔天数、总资产、偿还上笔贷款与申请本笔贷款之间的间隔天数、论文导读：究还是在中小企业信贷评分卡的推广应用和中小企业贷款业务的大量开展之后。其中以美国的中小企业贷款数据为样本的研究最多，其次是欧洲国家。2010年以俄罗斯、印度和中国等新兴市场国家中小企业贷款数据为样本的研究开始出现。由于中小企业贷款的具体数据属于各家金融机构的商业机密，外界难以获得。公开数据的样本量往往
应收账款、房屋所有权、负债/权益比率。其中除传统的财务要素外，还包含大量的非财务要素，这些非财务因素还具有很强的重要性。
最新的非参数方法如人工神经网络模型虽然在精确性方面具有一定的优势，但在中小企业违约和破产的实证研究中尚未有应用的先例。由于其计算过程缺乏透明度，难以满足监管部门对于商业银行内部评级模型的透明性要求而在实践当中只能作为逻辑回归模型的验证和补充方法使用。
由于中小企业贷款的具体数据属于各家金融机构的商业机密，外界难以获得。公开数据的样本量往往不足，难以满足构建信贷评分卡最低2000个违约样本的要求。假设中小企业贷款违约率为5%，样本总量至少要达到40000个。上述实证研究的样本总量均远低于该最低要求，还只是处于学术研究阶段。
由于不同国家或地区的风险环境不同，不同金融机构面对的客户群存在差异，具体的风险要素也会不同。上述研究中由于样本数据的差异，导致可供选择的要素种类不同，得到的结果也存在很大差异，并没达成统一的结果。
业客户群体也存在差异，影响中小企业贷款违约的风险要素也不尽相同。因此，任何国家和地区的金融机构在建立中小企业信贷记分卡系统时都不能简单的套用已有模型，都需要在历史数据积累的基础上，对影响中小企业违约和破产的风险要素进行准确的识别与度量，建立能够准确反映自身中小企业客户风险特征的模型。
（责任编辑：张恩娟）
参考文献：
Beer，W.Financial Ratios as Predictors of Failure[J].Journal of Accounting Research，1966（4）：71-111.
Altman， E. I.Financial Ratios， Discriminant Analysis
and the Prediction of Corporate Bankruptcy[J].The Journal of Finance，1968，23（4）：589-609.
[3]Altman， E.I，R.G.HaldemanZETA Analysis：A New
Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking & Finance，1977（1）： 29-54.
[4]Tamari，M.Financial Ratios as a Means of Forecasting Bankruptcy[J].Management International Review，1966（4）： 15-21.
[5]Moses， D，S. S. Liao.On Developing Models for Failure Prediction[J]. Journal of Comm摘自：写论文www.7ctime.com
ercial Bank Lending，1987（69）：27-38.
[6]Martin， D. Early Warning of Bank Failure：a Logit Regression Approach[J].Journal of Banking & Finance，1977（3）：249-276.
[7]Ohlson，J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980（18）：109-131.
[8]Zmijewski， M. E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research，1984（22）：59-86.
[9]Tam，K.Y，M.Kiang.Managerial Applications of Neural Networks： The Case of Bank Failure Predictions[J].Management Science，1992，38（7）： 926-947.[10]Altman， E.I，G. Marco. Corporate Distress Diagnosis：
Comparisons Using Linear Discriminant Analysis and Neural Networks（the Italian Experience）[J].Journal of Banking and Finance ，1994，18（3）：505-529.
[11]石庆炎，靳云汇.多种个人信用评分模型在中国应用的比较研究[J].统计研究，2004（6）：43-47.
[12]Edmister，R.O.An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction[J].Journal of Financial and Quantit论文导读： Credit-Scoring to Minimize Default Risk.Durham， North Carolina：Duke University，2010.Lehmann，B.Is it Worth the While？ The Relevance of Qualitative Information in Credit Rating.2003.Altman，E.，G.Sabato.The Value of Qualitative Information in E Risk Management.Jour
ative Analysis，1972（2）：1477-1493.
[13]Altman，E.I，G.Sabato.Modeling Credit Risk for Es： Evidence from the US Market[R].2005.
[14]Samolyk， K. Small Business Credit Markets： Why do We Rnow so Little about Them[R].FDIC Banking Review，2000.
[15]He，Y，R.Kamath. An Empirical Evaluation of
Bankruptcy Prediction Models for Small Firms： an Over-the-counter Market Experience[J].Academy of Accounting and Financial Studies Journal ，2005，9（1）：1-23.
[16]Agarwal，S，S.Chomsisengphet.Determinants of Small
Business Default[R].2005.
[17]Coros， A.R.Measuring the Likelihood of Small Business Loan Default： Community Development Financial Institutions （CDFIs） and the use of Credit-Scoring to Minimize Default Risk[D].Durham， North Carolina：Duke University，2010.
[18]Lehmann，B.Is it Worth the While？ The Relevance of Qualitative Information in Credit Rating[R].2003.
[19]Altman，E.，G.Sabato.The Value of Qualitative Information in E Risk Management[J].Journal of Financial Services Research，2008（40）： 15-55.
[20]Luppi，B， M.Marzo. A Credit Risk Model for Italian Es[R].2007.
[21]Ooghe， H，C. Spaenjers.Business Failure Prediction： Simple-intuitive Models Versus Statistical models[J].The IUP Journal of Business Strategy ，2009（4）：7-44.
[22]Lugovskaya，L.Predicting Default of Russian Es on the Basis of Fi nancial and Non-fi Nancial Variables[J].Journal of Financial Services Marketing，2010，14（4）：301-313.
[23]Gumparthi，S.Risk Assesent M源于：毕业论文致谢词www.7ctime.com
odel for Assessing
NBFCs' （Asset Financing） Customers[J]. International Journal of Trade， Economics and Finance，2010（1）：121-130.
[24]Gumparthi，S，V.Manickasagam. Risk Classication
Based on Dsicriminant Analysis for Es[J].International Journal of Trade， Economics and Finance，2010，1（3）：242-246.
[25]Wang， W， X.Zhou.Could Traditi论文导读：onal FinancialIndicators Predict the Default of Small and Medium-sized Enterprises？ ——Evidence from Chinese Small and Medium-sized Enterprises.International Conference on Economics and Finance Research，201
Indicators Predict the Default of Small and Medium-sized Enterprises？ ——Evidence from Chinese Small and Medium-sized Enterprises[R].International Conference on Economics and Finance Research，2011.
摘要：有效识别中小企业贷款的风险要素，准确预测和度量中小企业贷款的违约风险，是中小企业贷款难的关键。对于中小企业违约和破产的实证研究采用的方法有普通的多元回归（OLS）、简单-直观模型、传统的多元判别分析模型和逻辑回归模型等。影响中小企业信贷风险的要素除了传统的财务变量以外，还包括非财务因素，而且非财务的定性要素比定量的财务因素的作用更加重要。
关键词：中小企业；违约和破产；财务因素；非财务因素
中小企业贷款难是国际和国内都普遍面临的困境，也是学术界和政策制定者都广泛关注的一个重要问题。中小企业通常没有经过审计的财务报表，透明度低。因此，信息不对称是中小企业融资需求得不到满足的根本原因。有效识别中小企业贷款的风险要素，准确预测和度量中小企业贷款的违约风险，是中小企业贷款难的关键。
一、企业违约和破产研究方法比较
(二)风险指数模型
Tamari（1966）引入风险指数模型研究企业的财务健康状况[4]。他选取部分财务指标，根据各个指标的相对重要性赋予权重；每项指标根据一定规则被赋予一个分值，合计得到表明企业信用风险水平的“风险指数”。每个企业的风险指数在0-100之间，分值高则风险小，分值低则风险高。Moses & Liao（1987）的风险指数模型则是通过单变量分析确定每个财务比率的最优临界值，高于临界值得分为1，低于临界值得分为0，将所有变量的得分简单相加就得到风险指数[5摘自：毕业论文翻译www.7ctime.com]。风险指数模型的优点是简单直观，但缺点则是主观性较强。
(四)神经网络模型
神经网络是基于简单的生物神经元模型的机器学习系统。神经网络模型20世纪90年始被应用于企业违约和破产预测研究。Tam & Kiang（1992）通过与线性方法的比较，证明神经网络模型在企业破产和违约预测的准确性、适用性和稳健性方面都具有很好前景[9]。但Altman， Marco etc（1994）已经比较了传统统计方法（包括线性判别分析法和逻辑回归法）与人工神经网络方法的优劣，指出人工神经网络方法存在着权重设置无逻辑依据和过度拟合问题[10]。石庆炎和靳云汇（2004）指出，人工神经网络模型的精确性要高于传统的判别分析法和对数回归法等信用评分方法，仅从预测精度的角度，人工神经网络法有优势[11]。但判别分析法和对数回归法的预测精度也在可接受范围内，能够准确的区分“优质”客户和“劣质”客户。二、中小企业违约和破产实证研究
20世纪90年始，信贷评分卡技术开始被应用于中小企业贷款的发放。信贷评分卡技术利用历史数据和统计技术，分析各种风险要素对贷款违约率的影响程度，度量和预测中小企业贷款的违约风险。(一)中小企业贷款的风险要素
由于认识到中小企业的风险特征与大企业存在显著的差异，中小企业违约和破产研究的一个重要变化就是在传统的财务要素的基础之上，增加了对非财务要素的分析。如Edmister（1972）首次研究中小企业的信用风险问题时构建的分步式多元判别模型中包含的19个判别因素全部都是财务比率[12]。Altman & Sabato（2005）以美国WRDS COMPUSTAT数据库1994—2002年的中小企业贷款数据为样本进行的实证研究，由于数据中没有包括定性变量，只考虑了反映企业流动性、盈利性、杠杆率、利息覆盖率和经营能力的五组财务变量[13]。但研究结果发现，中小企业与大企业的风险特征有显著的差异，传统的用于预测大企业违约和破产风险的方法并不适用于中小企业。Samolyk（2000）已经将可能影响中小企业贷款违约风险的要素分为两类：企业所有者的基本特征和企业的财务信息[14]。世界妇女银行在哥伦比亚和多米尼加共和国的分支机构在美洲开发银行的资助下进行的研究项目中，根据重要程度列出了中小企业违约和破产的21个推断因素，包括：之前贷款的最长逾期天数、成为银行客户的时间、企业类型、申请人年龄、授信审批人员特征、电话所有权、家庭结构、企业成立年限、手头、分期还款期数、在目前居所居住年限、贷款逾期的期数、提前还款的期数、授信审批人员的经验、家庭经营的企业数、贷款申请与放款之间的间隔天数、总资产、偿还上笔贷款与申请本笔贷款之间的间隔天数、论文导读：究还是在中小企业信贷评分卡的推广应用和中小企业贷款业务的大量开展之后。其中以美国的中小企业贷款数据为样本的研究最多，其次是欧洲国家。2010年以俄罗斯、印度和中国等新兴市场国家中小企业贷款数据为样本的研究开始出现。由于中小企业贷款的具体数据属于各家金融机构的商业机密，外界难以获得。公开数据的样本量往往
应收账款、房屋所有权、负债/权益比率。其中除传统的财务要素外，还包含大量的非财务要素，这些非财务因素还具有很强的重要性。
(二)对美国和欧洲中小企业违约和破产的实证研究
Altman & Sabato（2005）用逻辑回归法和多元判别分析法共构建了三个模型，对美国中小企业的违约风险进行实证研究。研究结果发现，逻辑模型的精确性显著优于多元判别模型。He，Kamath etc（2005）以美国1990—1998年场外交易市场数据为样本（该样本是包含破产和未企业破产企业样本各158个的对称样本），构建了两个逻辑模型，一个只包含财务变量，一个增加了非财务变量。实证结果表明，包含非财务变量的模型对中小企业破产预测的准确性显著高于只包含财务变量的模型[15]。而Agarwal，Chomsisengphet etc（2005）在Samolyk（2000）的基础上[16]，进一步将风险要素细分为5类：（1）企业主特征。包括企业主的信用得分、企业主抵押、支票账户的平均余额；（2）企业特征。包括企业信用得分、企业财产抵押、经营年限；（3）贷款合约特征。包括贷款金额、风险溢价、内部评级；（4）宏观经济特征。包括失业率和9各州的虚拟变量；（5）行业特征。98个两位数的SIC行业代码。以2000年1月至2002年8月间美国多家金融机构的31000多笔中小企业授信业务为样本。通过多元回归分析发现，中小企业所有者的行为和中小企业本身的公司行为都是预测中小企业贷款违约的重要预警指标，但中小企业所有者的行为是决定中小企业贷款违约风险的主要因素。源于：毕业设计论文www.7ctime.com三、中小企业违约和破产研究评述
(一)研究方法
对于中小企业违约和破产的实证研究，采用的方法有普通的多元回归（OLS）、简单-直观模型、传统的多元判别分析模型和逻辑回归模型等。其中，逻辑回归模型的应用最广泛，因为它能有效克服样本的非对称性问题和定性要素的非连续性问题。实证研究也证实逻辑回归模型在中小企业违约和破产预测中具有较高的精确性。最新的非参数方法如人工神经网络模型虽然在精确性方面具有一定的优势，但在中小企业违约和破产的实证研究中尚未有应用的先例。由于其计算过程缺乏透明度，难以满足监管部门对于商业银行内部评级模型的透明性要求而在实践当中只能作为逻辑回归模型的验证和补充方法使用。
(二)样本选择
对于中小企业违约和破产的研究，要早于中小企业信贷评分卡的应用。但大量的研究还是在中小企业信贷评分卡的推广应用和中小企业贷款业务的大量开展之后。其中以美国的中小企业贷款数据为样本的研究最多，其次是欧洲国家。2010年以俄罗斯、印度和中国等新兴市场国家中小企业贷款数据为样本的研究开始出现。由于中小企业贷款的具体数据属于各家金融机构的商业机密，外界难以获得。公开数据的样本量往往不足，难以满足构建信贷评分卡最低2000个违约样本的要求。假设中小企业贷款违约率为5%，样本总量至少要达到40000个。上述实证研究的样本总量均远低于该最低要求，还只是处于学术研究阶段。
(三)风险要素
中小企业与大企业的风险特征存在显著差异，影响中小企业信贷风险的要素除了传统的财务变量以外，非财务因素也起着重要的作用。实证检验的结果也证明，对中小企业违约和破产预测，非财务的定性要素比定量的财务因素的作用更加重要（如He，Kamath etc（2005）、Lehmann（2003）、Altman，Sabato etc（2008）、Wang & Zhou（2011）等）。由于不同国家或地区的风险环境不同，不同金融机构面对的客户群存在差异，具体的风险要素也会不同。上述研究中由于样本数据的差异，导致可供选择的要素种类不同，得到的结果也存在很大差异，并没达成统一的结果。
四、对未来研究的展望
(一)研究方法上的创新
由传统的参数分析法拓展到人工神经网络法等非参数法。在实践中，人工神经网络模型等非参数方法虽然不符合监管部门的透明度要求，但可以作为逻辑模型等参数方法的验证和补充，对其结果进行检验和确认。(二)实证样本的选择
由于各个国家、地区的经济环境不相同，中小企业的风险特征也千差万别；即使同一国家或地区的不同金融机构面对的中小企论文导读：www.7ctime.comercial Bank Lending，1987（69）：27-38.Martin， D. Early Warning of Bank Failure：a Logit Regression Approach.Journal of Banking & Finance，1977（3）：249-276.Ohlson，J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy.Journal of Accounting Resea业客户群体也存在差异，影响中小企业贷款违约的风险要素也不尽相同。因此，任何国家和地区的金融机构在建立中小企业信贷记分卡系统时都不能简单的套用已有模型，都需要在历史数据积累的基础上，对影响中小企业违约和破产的风险要素进行准确的识别与度量，建立能够准确反映自身中小企业客户风险特征的模型。
（责任编辑：张恩娟）
参考文献：
Beer，W.Financial Ratios as Predictors of Failure[J].Journal of Accounting Research，1966（4）：71-111.
Altman， E. I.Financial Ratios， Discriminant Analysis
and the Prediction of Corporate Bankruptcy[J].The Journal of Finance，1968，23（4）：589-609.
[3]Altman， E.I，R.G.HaldemanZETA Analysis：A New
Model to Identify Bankruptcy Risk of Corporations[J].Journal of Banking & Finance，1977（1）： 29-54.
[4]Tamari，M.Financial Ratios as a Means of Forecasting Bankruptcy[J].Management International Review，1966（4）： 15-21.
[5]Moses， D，S. S. Liao.On Developing Models for Failure Prediction[J]. Journal of Comm摘自：写论文www.7ctime.com
ercial Bank Lending，1987（69）：27-38.
[6]Martin， D. Early Warning of Bank Failure：a Logit Regression Approach[J].Journal of Banking & Finance，1977（3）：249-276.
[7]Ohlson，J.A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980（18）：109-131.
[8]Zmijewski， M. E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models[J].Journal of Accounting Research，1984（22）：59-86.
[9]Tam，K.Y，M.Kiang.Managerial Applications of Neural Networks： The Case of Bank Failure Predictions[J].Management Science，1992，38（7）： 926-947.[10]Altman， E.I，G. Marco. Corporate Distress Diagnosis：
Comparisons Using Linear Discriminant Analysis and Neural Networks（the Italian Experience）[J].Journal of Banking and Finance ，1994，18（3）：505-529.
[11]石庆炎，靳云汇.多种个人信用评分模型在中国应用的比较研究[J].统计研究，2004（6）：43-47.
[12]Edmister，R.O.An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction[J].Journal of Financial and Quantit论文导读： Credit-Scoring to Minimize Default Risk.Durham， North Carolina：Duke University，2010.Lehmann，B.Is it Worth the While？ The Relevance of Qualitative Information in Credit Rating.2003.Altman，E.，G.Sabato.The Value of Qualitative Information in E Risk Management.Jour
ative Analysis，1972（2）：1477-1493.
[13]Altman，E.I，G.Sabato.Modeling Credit Risk for Es： Evidence from the US Market[R].2005.
[14]Samolyk， K. Small Business Credit Markets： Why do We Rnow so Little about Them[R].FDIC Banking Review，2000.
[15]He，Y，R.Kamath. An Empirical Evaluation of
Bankruptcy Prediction Models for Small Firms： an Over-the-counter Market Experience[J].Academy of Accounting and Financial Studies Journal ，2005，9（1）：1-23.
[16]Agarwal，S，S.Chomsisengphet.Determinants of Small
Business Default[R].2005.
[17]Coros， A.R.Measuring the Likelihood of Small Business Loan Default： Community Development Financial Institutions （CDFIs） and the use of Credit-Scoring to Minimize Default Risk[D].Durham， North Carolina：Duke University，2010.
[18]Lehmann，B.Is it Worth the While？ The Relevance of Qualitative Information in Credit Rating[R].2003.
[19]Altman，E.，G.Sabato.The Value of Qualitative Information in E Risk Management[J].Journal of Financial Services Research，2008（40）： 15-55.
[20]Luppi，B， M.Marzo. A Credit Risk Model for Italian Es[R].2007.
[21]Ooghe， H，C. Spaenjers.Business Failure Prediction： Simple-intuitive Models Versus Statistical models[J].The IUP Journal of Business Strategy ，2009（4）：7-44.
[22]Lugovskaya，L.Predicting Default of Russian Es on the Basis of Fi nancial and Non-fi Nancial Variables[J].Journal of Financial Services Marketing，2010，14（4）：301-313.
[23]Gumparthi，S.Risk Assesent M源于：毕业论文致谢词www.7ctime.com
odel for Assessing
NBFCs' （Asset Financing） Customers[J]. International Journal of Trade， Economics and Finance，2010（1）：121-130.
[24]Gumparthi，S，V.Manickasagam. Risk Classication
Based on Dsicriminant Analysis for Es[J].International Journal of Trade， Economics and Finance，2010，1（3）：242-246.
[25]Wang， W， X.Zhou.Could Traditi论文导读：onal FinancialIndicators Predict the Default of Small and Medium-sized Enterprises？ ——Evidence from Chinese Small and Medium-sized Enterprises.International Conference on Economics and Finance Research，201
1.上一页12345
onal FinancialIndicators Predict the Default of Small and Medium-sized Enterprises？ ——Evidence from Chinese Small and Medium-sized Enterprises[R].International Conference on Economics and Finance Research，2011.