大数据背景下的中小企业信用风险评价与应用研究
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大数据背景下的 中小企业信用风险评价与应用研究
文／张永春 陈岩
摘要：大数据征信是利用数据分析和模型进行风险评估，为 据的方法和数据挖掘的手段深入分析了中国p2p平台面临的风 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 险以及识别手段。陈剑、王艳[8]通过对KDS公司大量数据的查
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 询，深入剖析了大数据与信用风险的关系，最后以2008年美
偿债能力、营运能力、盈利能力、成长能力、行业状况、金融服 国金融危机为例阐述了大数据的局限性。杜永红[9]定性的讲述
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 了互联网金融在大数据背景下的发展模式，并根据不足之处提
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 出可行性建议。刘爱华[10]通过分析阿里小贷的业务模式及其
（1）确定比较数列和参考数列
链金融信用风险时，构建了风险评估体系，并采用logistic模型
在灰色系统理论中，将受评对象作为比较数列，参考数列
进行实证分析。逯宇铎、金艳 玲[5]认为使用logistic模型分析 供应链金融信用风险具有较好 的实用性，当测量变量较多的
目标层
准则层
表1 基于大数据的信用风险评价体系
中小企业贷款的瓶颈是“缺乏高效率、低成本、高精度 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
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 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
确识别小企业是否可信，再加以辅助风控措施（担保、抵押 企业融资难的问题，又能促进资金方信贷业务的发展。
通货膨胀率（M81）
盈利能力（U3）
宏观经济状况（U8）
净资产净利率（M32）
GDP增长率（M82）
销售收入增长率（M41）
成长能力（U4）
利润增长率（M42）
质押物特征（U9）
行业状况（U5）
市场占有率（M51） 发展阶段（M52）
存放时间（M91） 价格稳定性（M92）
变现能力（M93）
34
是评价对象的最优值。本文假设有m个评价对象，每个评价对 象有n个评价指标，则比较数列可以表示为：
强的优势，灰色综合评价法是评价信用风险很好的模型选择，盈 建议。
利能力和偿债能力是影响信用风险最重要的因素。
综上所述，目前在对中小企业信用风险的研究上，大部分
关键词：大数据；中小企业；信用风险；灰色综合评价
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
引言
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
（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。
为中小企业信用风险不仅受宏观经济影响，而且受企业自身盈
2.2 灰色关联系数的计算
利能力的影响。在风险Fra Baidu bibliotek估模型的选择上，方焕[4]在评估供应
（3）计算灰色关联系数rij 对于参考数列X0，有X1，X2，…Xn个比较数列，其关联系 数计算如下。
(3)
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。 表2 信用等级划分表
风险等级
风险描述
此类企业经营状况恶化，难以保障持续经营，对外 负债较高，大部分资产处于抵押状态，零增长甚至 风险极高 负增长，面临破产的危险，信用等级较低，综合评 价值在0~0.6之间。
中 小 企 业 信 用 风 险 （E）
偿债能力（U1） 流动比率（M12）
金融服务记录（U6） 违约情况记录（M62）
现金比率（M13）
抵押担保率（M63）
总资产周转率（M21）
管理费用率（M71）
营运能力（U2）
企业管理状况（U7）
流动资产周转率（M22）
企业人员素质（M72）
收入利润率（M31）
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 对大数据的应用，得出其在利用大数据征信时的经验和方法。
价实证研究，确定各个企业的信用风险等级。结果表明：基于大 刘新海、韩涵[11]采用电信大数据作为重要的替代数据在供应链
数据征信原理的评价指标体系对于评价中小企业信用风险具有很 金融企业中的运用进行案例分析，发现其中存在的问题并提出
X = { Xij|i=1，2，3，⋯，m；j=1，2，3，⋯，n } 参考数列可以表示为： X* = { Xij*|i=1，2，3，⋯，m；j=1，2，3，⋯，n } （2）指标数据的无量纲化 采用均值法对数据标准化，即将数列中的每个数据除于该 数列的平均值。计算公式为：
(1)
其中： 表示标准化数据，Bi为原始数据， 表示数列的 均值。
指标层 资产负债比率（M11）
准则层
指标层 银行信用等级（M61）
时候会存在多重共线性，因此 将lasso算法和logistic模型相结 合。Matoussi、Hamadi[6]结合 logistic模型和BP神经网络对商 业银行信用风险进行研究。
另一类是基于大数据征信 的信用评估研究。大数据征信是 指金融机构根据企业的日常经营 活动中留下的痕迹以及企业人 员的行为进行信用评估的一种方 法。Jennifer.J.Xu[7]等利用大数
统征信方式的研究，在信用风险影响因素研究方面，Philip 是目标层，即中小企业信用风险；第二层是准则层，包括偿债
Lowe[1]指出宏观经济因素是影响信用风险的重要因素，进一 能力（U1）、营运能力（U2）、盈利能力（U3）、成长能力
步分析了宏观经济因素是如何在信用风险模型中发挥作用。芮 娟、潘淑娟[2]在中小企业信用风险的研究中认为信用风险不可 避免，并找到影响信用风险的关键因素。夏立明、宗恒恒[3]认
此类企业发展受阻，盈利能力下降，经营恶化，或 者遭受严重的自然灾害，对外负债较多，但抵押资 风险较高 产较少，银行信用等级较低，灰类评价值在0.6~0.7 之间。
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
2、基于大数据的信用风险评估指标建立和模型研究
的信用评估提供了新的思路。
2.1 基于大数据的信用风险评估指标体系构建
目前对信用风险的研究大致可分为两类。一种是基于传
本文构建的大数据风险评估体系，共分为三层。第一层
文／张永春 陈岩
摘要：大数据征信是利用数据分析和模型进行风险评估，为 据的方法和数据挖掘的手段深入分析了中国p2p平台面临的风 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 险以及识别手段。陈剑、王艳[8]通过对KDS公司大量数据的查
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 询，深入剖析了大数据与信用风险的关系，最后以2008年美
偿债能力、营运能力、盈利能力、成长能力、行业状况、金融服 国金融危机为例阐述了大数据的局限性。杜永红[9]定性的讲述
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 了互联网金融在大数据背景下的发展模式，并根据不足之处提
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 出可行性建议。刘爱华[10]通过分析阿里小贷的业务模式及其
（1）确定比较数列和参考数列
链金融信用风险时，构建了风险评估体系，并采用logistic模型
在灰色系统理论中，将受评对象作为比较数列，参考数列
进行实证分析。逯宇铎、金艳 玲[5]认为使用logistic模型分析 供应链金融信用风险具有较好 的实用性，当测量变量较多的
目标层
准则层
表1 基于大数据的信用风险评价体系
中小企业贷款的瓶颈是“缺乏高效率、低成本、高精度 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
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 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
确识别小企业是否可信，再加以辅助风控措施（担保、抵押 企业融资难的问题，又能促进资金方信贷业务的发展。
通货膨胀率（M81）
盈利能力（U3）
宏观经济状况（U8）
净资产净利率（M32）
GDP增长率（M82）
销售收入增长率（M41）
成长能力（U4）
利润增长率（M42）
质押物特征（U9）
行业状况（U5）
市场占有率（M51） 发展阶段（M52）
存放时间（M91） 价格稳定性（M92）
变现能力（M93）
34
是评价对象的最优值。本文假设有m个评价对象，每个评价对 象有n个评价指标，则比较数列可以表示为：
强的优势，灰色综合评价法是评价信用风险很好的模型选择，盈 建议。
利能力和偿债能力是影响信用风险最重要的因素。
综上所述，目前在对中小企业信用风险的研究上，大部分
关键词：大数据；中小企业；信用风险；灰色综合评价
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
引言
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
（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。
为中小企业信用风险不仅受宏观经济影响，而且受企业自身盈
2.2 灰色关联系数的计算
利能力的影响。在风险Fra Baidu bibliotek估模型的选择上，方焕[4]在评估供应
（3）计算灰色关联系数rij 对于参考数列X0，有X1，X2，…Xn个比较数列，其关联系 数计算如下。
(3)
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。 表2 信用等级划分表
风险等级
风险描述
此类企业经营状况恶化，难以保障持续经营，对外 负债较高，大部分资产处于抵押状态，零增长甚至 风险极高 负增长，面临破产的危险，信用等级较低，综合评 价值在0~0.6之间。
中 小 企 业 信 用 风 险 （E）
偿债能力（U1） 流动比率（M12）
金融服务记录（U6） 违约情况记录（M62）
现金比率（M13）
抵押担保率（M63）
总资产周转率（M21）
管理费用率（M71）
营运能力（U2）
企业管理状况（U7）
流动资产周转率（M22）
企业人员素质（M72）
收入利润率（M31）
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 对大数据的应用，得出其在利用大数据征信时的经验和方法。
价实证研究，确定各个企业的信用风险等级。结果表明：基于大 刘新海、韩涵[11]采用电信大数据作为重要的替代数据在供应链
数据征信原理的评价指标体系对于评价中小企业信用风险具有很 金融企业中的运用进行案例分析，发现其中存在的问题并提出
X = { Xij|i=1，2，3，⋯，m；j=1，2，3，⋯，n } 参考数列可以表示为： X* = { Xij*|i=1，2，3，⋯，m；j=1，2，3，⋯，n } （2）指标数据的无量纲化 采用均值法对数据标准化，即将数列中的每个数据除于该 数列的平均值。计算公式为：
(1)
其中： 表示标准化数据，Bi为原始数据， 表示数列的 均值。
指标层 资产负债比率（M11）
准则层
指标层 银行信用等级（M61）
时候会存在多重共线性，因此 将lasso算法和logistic模型相结 合。Matoussi、Hamadi[6]结合 logistic模型和BP神经网络对商 业银行信用风险进行研究。
另一类是基于大数据征信 的信用评估研究。大数据征信是 指金融机构根据企业的日常经营 活动中留下的痕迹以及企业人 员的行为进行信用评估的一种方 法。Jennifer.J.Xu[7]等利用大数
统征信方式的研究，在信用风险影响因素研究方面，Philip 是目标层，即中小企业信用风险；第二层是准则层，包括偿债
Lowe[1]指出宏观经济因素是影响信用风险的重要因素，进一 能力（U1）、营运能力（U2）、盈利能力（U3）、成长能力
步分析了宏观经济因素是如何在信用风险模型中发挥作用。芮 娟、潘淑娟[2]在中小企业信用风险的研究中认为信用风险不可 避免，并找到影响信用风险的关键因素。夏立明、宗恒恒[3]认
此类企业发展受阻，盈利能力下降，经营恶化，或 者遭受严重的自然灾害，对外负债较多，但抵押资 风险较高 产较少，银行信用等级较低，灰类评价值在0.6~0.7 之间。
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
2、基于大数据的信用风险评估指标建立和模型研究
的信用评估提供了新的思路。
2.1 基于大数据的信用风险评估指标体系构建
目前对信用风险的研究大致可分为两类。一种是基于传
本文构建的大数据风险评估体系，共分为三层。第一层