大数据背景下的中小企业信用风险评价与应用研究

摘要：大数据征信是利用数据分析和模型进行风险评估，为中小企业的信用风险评估提供了新的思路。本文首先分析影响中小企业信用风险的主要因素，运用大数据征信原理从融资企业的偿债能力、营运能力、盈利能力、成长能力、行业状况、金融服务记录、企业管理状况、宏观经济状况以及质押物特征等9个方面构建信用风险评估体系，运用层次分析法和灰色综合评价法相结合构建信用风险评价模型，并对3家中小企业进行信用风险评价实证研究，确定各个企业的信用风险等级。

作者 |  张永春、陈岩

来源 | 电子商务

1、引言

中小企业贷款的瓶颈是“缺乏高效率、低成本、高精度基础的征信服务”。如果资金方有能力以一种低成本的方式准确识别小企业是否可信，再加以辅助风控措施（担保、抵押等），资金通道可以就此打开，小微信贷就会变得顺畅而有序。大数据征信正是在这种社会背景下应运而生，为中小企业的信用评估提供了新的思路。

目前对信用风险的研究大致可分为两类。一种是基于传统征信方式的研究，另一类是基于大数据征信的信用评估研究。目前在对中小企业信用风险的研究上，大部分学者认为供应链金融是解决中小企业信用风险的重要方法，对大数据征信的研究相对较少。因此，本文将以大数据为研究背景，选择灰色综合评价法评估信用风险，该方法不仅能通过关联度的大小确定信用风险的等级，还能进行多个企业间风险大小的比较。希望能找出一套可行的风险评估方法，既能解决小企业融资难的问题，又能促进资金方信贷业务的发展。

2、基于大数据的信用风险评估指标建立和模型研究

2.1基于大数据的信用风险评估指标体系构建

本文构建的大数据风险评估体系，共分为三层。第一层是目标层，即中小企业信用风险；第二层是准则层，包括偿债能力（U1）、营运能力（U2）、盈利能力（U3）、成长能力（U4）、行业状况（U5）、金融服务记录（U6）、企业管理  状况（U7）、宏观经济状况（U8）和质押物特征（U9）九个方面；共设置21个评价指标。具体如表1所示。

表1：基于数据的信用风险评价体系

2.2灰色关联系数的计算

2.3灰色关联度的计算

1）计算第i个评价对象的灰色关联度ri

式中hij表示第i个评价对象第j个评价指标的归一化权重。

（2）多层次灰色综合评价

灰色综合评价法主要依据以下模型：

R=E×W

式中：R=[ r1，r2，⋯，rm ]T为m个被评价对象的评判结果向量；E为各指标的评判矩阵；W为各指标的权重系数，满足归一化。

2.4评估等级划分

信用等级通常是用来衡量借款企业的资信状况以及财务能力的重要标准，不仅可以给商业银行提供放贷决策所需要的信息，还可以为广大投资者做决策提供帮助。本文将风险等级划分为“风险极高、风险较高、风险适中、风险较低、风险极低”五个级别，各风险等级的具体描述如表2所示。

表2：信用等级划分表

3、评估模型的应用

本文选取3家规模相似的中小企业作为研究对象，选取2017 年度的财务数据以及其他资料作为数据样本，运用前面构建的灰色综合评价法对三家中小企业的信用风险进行评价，以验证本文风险评估模型的有效性。

3.1确定比较数列和参考数列

本文将收集到的样本数据作为比较数列，各指标的最优值作为参考数列，并运用层次分析法确定各指标的权重，结果如表3所示。

表3：评价指标原始数据

3.2计算灰色关联系数

根据灰色关联度公式（4）R=E×W，可以求出3家公司的综合关联度和排名，计算结果如下所示。

R=[0.573    0.719   0.675]T

根据评价结果以及风险等级划分表2可知，企业1信用风险极高，企业3信用风险较高，企业2信用风险适中。

END

编辑/卿碧钏

审校/詹钥凇 黄兹睿

责编/詹钥凇 齐庆武

关于我们

中国人民大学金融科技研究所（以下简称 “研究所”），英文名“Fintech Institute of Renmin University of China”，简称“RUC FinTech Institute” ，是专注于金融科技理论、应用与政策的新型智库和研究机构，也是人民大学金融科技学科“双一流”建设的延伸科研平台。研究所充分利用中国人民大学在金融、经济、管理、统计、法律以及计算机科学等方面的跨学科优势，打破学科壁垒，加强交叉融合，不断推进金融科技的前沿研究。研究所坚持理论联系实际，注重应用成果转化，不断加强学界、业界和政策部门的良性互动，重点打造一个“产学研政”四位一体的多元化平台，为推动金融科技行业健康可持续发展提供决策参考。

微信号：中国人民大学金融科技研究所

（扫码下方二维码关注我们）