互联网新闻信息对上市中小企业信用违约风险评估影响的实证研究
基于大数据的供应链金融信用风险评估实证研究--以整车制造行业为例
收稿日期：2022-01-09修回日期：2022-02-10基于大数据的供应链金融信用风险评估实证研究——以整车制造行业为例周雷1、3邱勋2朱奕1毛晓飞3（1.苏州市职业大学商学院，江苏苏州215104；2.浙江金融职业学院金融管理学院，浙江杭州310018；3.东南大学经济管理学院，江苏南京211189）摘要：通过将前沿大数据征信技术与评分卡方法相结合，以整车制造行业供应链为场景，对供应链金融信用风险进行测度。
借助Python 软件，从“企查查”API 数据接口和万得数据库获取相关数据，对27家核心企业122条供应链多维指标进行数据挖掘、WOE 编码和变量筛选，构建指标体系。
然后，运用大数据和人工智能建模思路，建立涵盖14个特征解释变量的Logistic 回归模型，并运用多种工具训练和改进模型形成可用于实务的Logistic 评分卡。
经实证检验，最终确定的信用评估模型区分能力强，风险预测准确率能达到96.77%。
基于大数据的Logistic 评分卡将供应链信用等级数字化，相较于传统的信用评级更具有实用性，因此，大数据技术的运用对提升供应链金融信用风险评估和管理水平具有重要价值。
关键词：供应链金融；信用风险；Logistic 评分卡；人工智能中图分类号：F832文献标识码：B 文章编号：1674-2265（2022）05-0064-07DOI ：10.19647/ki.37-1462/f.2022.05.009作者简介：周雷，男，江苏苏州人，苏州市职业大学讲师、研究员，东南大学SRTP 项目指导教师，研究方向为金融科技；邱勋，男，江西于都人，浙江金融职业学院副教授，研究方向为金融科技；朱奕，女，江苏苏州人，苏州市职业大学商学院，研究方向为金融科技；毛晓飞，女，江苏镇江人，东南大学经济管理学院，研究方向为供应链金融。
基金项目：江苏高校哲学社会科学研究基金项目“数字经济时代金融科技服务实体经济高质量发展研究”(2022SJA1415)；浙江省高校科研资助项目“金融本质视角下的区块链金融风险监管研究”(Y201941951)。
软信息、关系借贷与信贷违约风险度量——基于房地产上市公司的实证研究
显著 的，则说 明银企关系 Ｒ能够提供硬信 息 Ｈ以外的有效信息 ，即软 信息 Ｓ；如果
银企 关系 Ｒ完全由硬信息 Ｈ决定 ，则银企 关系 Ｒ的回归系数应该是不显著 的，因为 银企 关系 Ｒ反映 的所有信息 已经全部包含 在硬信息 Ｈ中。 本文采用 Ｌ ｏ ｇ ｉ ｔ 模型建立公 司违约模型 ，令 Ｐ表示贷款发生违约 的概
软信 息和关系借贷理论 在银企 间信贷
交易领域得到了广泛应 用 ，但多数文献聚 焦 于 中小 企 业 融 资 问题 【 Ｃ ｈ ａ ｎ ｇ等 ， ２ ０ １ ０） ， 对公司违约的研究较为有限。 在少
数相 关文献中， Ｇｒ ｕ ｎ ｅ ｒ ｔ 等（ ２ ０ ０ ５） 针对德
理 论 在 公 司违 约研 究领 域 的应 用 提 供 了 经验 证 据 ，对 于优 化 违 约风 险度 量 模型
中都处于较高水平。在这一背景下， 准确度 量我国房地产公司信贷违约风险显得尤为重
结果 ，软信息相对硬信息 的重要性取 决于 借 贷关 系的深度 以及 硬信 息的可靠 程度 。 目前 ，国内公 司违 约研 究多基于财务数据 等硬信息 ， 而相对忽略 了软信息的作用 。 本 文基于我国房地产 上市公司银 行贷款数据 ， 通过设计一种 实证研究 方法 来检验软 信息 在度量公 司信贷违约风险 中的作用。
国公 司的研究表明 ，相 对于财务因素或者
银行 内部信 用评级 中反映 的非财务 因素 ，
两者 的组合能够更加准确地预 测公司违约。
◆ 中图分类号 ：Ｆ ８ ３ ０ 文献标识码 ：Ａ
元 。占全 部不 良贷款 的 ８ ． ３ ％ ，不 良率 为 ０ ． ９ ７ ％， 无论是绝对额还是不 良率在各行业
供应链金融模式下中小企业信用风险评估研究
供应链金融模式下中小企业信用风险评估研究随着全球经济一体化的深入发展，供应链金融已成为企业融资的主要渠道之一，而中小企业是整个供应链金融生态系统中不可或缺的一环。
由于中小企业的规模较小、信用风险较高，供应链金融模式下中小企业信用风险评估成为了供应链金融领域关注的焦点。
本文将围绕该主题展开，探讨供应链金融模式下中小企业信用风险评估的研究。
中小企业在供应链金融模式下面临着诸多信用风险，主要体现在以下几个方面：1.信息不对称中小企业通常缺乏透明、完整的财务报表和资信记录，而金融机构往往无法获取到充分的信息来评估其信用状况，导致信息不对称。
2.融资成本高由于信用风险高，金融机构对中小企业的融资成本往往较高，这给中小企业的融资带来了很大压力。
3.流动性风险中小企业往往面临着流动性不足的问题，一旦出现资金链断裂，就会引发信用风险。
4.市场风险受市场行情波动的影响较大，中小企业面临着价格风险、市场需求不足等问题，从而增加了信用风险。
以上这些因素使得中小企业在供应链金融模式下的信用风险相对较高，因此如何评估和管理中小企业的信用风险成为了供应链金融领域的重要研究课题。
针对中小企业在供应链金融模式下的信用风险特点，研究者和从业者们提出了一系列的信用风险评估方法，主要包括以下几种：1.基于财务分析的方法这是目前常用的信用风险评估方法之一，通过对中小企业的财务报表进行分析，评估其偿债能力、盈利能力和经营稳定性等指标，从而判断其信用状况。
2.基于商业特征的方法这种方法主要基于中小企业的行业特征、商业模式、市场地位等因素，综合评估其信用风险。
对行业前景进行分析，评估中小企业所处的市场位置和影响力等。
3.基于担保物的方法这种方法将担保物作为评估中小企业信用风险的主要依据，通过评估担保物的价值和流动性等指标，来判断中小企业的信用风险。
4.基于企业信用评级的方法这是一种较为综合的评估方法，借助第三方机构对中小企业进行信用评级，通过评级的结果来对其信用风险进行评估。
基于决策树的上市公司信用风险模型实证研究
１
ｐ
为 该 节 点 所 含 样 本 中类 别 个 数 最 多 的类 别 ；
些样本。 设Ｓ为子集Ｓ ｉ 于ｃ类别的样本个数。 么利用属性ｖ 中属 ； 那 划
Ｌ ｇ ｔ 回归等 。信用等级评估是通过对企业或个人 的某些单一财 ｏ ｉｉ ｓｃ
务指标进行加权平均确定 的。该方法的最大缺陷在 于指标 和加权 值 的确定带有很大 的主观性 ，使得评估 结果 和实 际状况有很大 的 出入 。 因此需 要引入科 学方法来确定有效评估指标 ， 并建立准确 的 定量模 型来解决信用等级评估 的问题。 近年来 ， 息技术得到 了迅 信 速发展 ，如数据挖掘技术等能从海量数据中智能发现有用 的规则 和知识 ， 再加上我国上市公 司信息披露制度 的不断完善 ， 使得我们 的研究能够得到 的数据资料也不断的增多 ，这些有利条件 的出现
、
模 型 简 介
（ ） 二 Ｋ最近邻Байду номын сангаас 决策树是对已知类别 的数据样本进行归纳
Ｋ 最近邻法简称Ｋ Ｎ Ｎ 算法 ，在理论上是 比较
（ ） 策树算 法 一 决
成熟的方法 ， 最初于１６ 年 由Ｃ ｖｒ ａｔ ９８ ｏｅ 和Ｈ ｒ 提出 ， 其思路非 常简单直 观。 Ｎ 方法是一种有监督学习的分类算法 ，它并不需要产生额外 Ｋ Ｎ 的数据来描述规则 ， 它的规则就是数据（ 样本 ） 本身 ， 并不要求数据
（） ２
（） ３ （） ４
Ｓｉ ｉ
…
＋ｓ
使得我们对基于数据挖掘 的上市公司信用风险评估模 型的研究具
有 了数 据 基 础 和 技 术 基 础 。
一
这样利用属性ｖ 对样本集合进 行划分所获得的信息增益为 ：
《2024年中小企业融资困境及其金融支持研究》范文
《中小企业融资困境及其金融支持研究》篇一一、引言中小企业作为我国经济发展的重要力量，对于推动就业、促进创新、保持市场活力等方面起着举足轻重的作用。
然而，长期以来，中小企业面临着融资难、融资贵的问题，严重制约了其健康发展。
本文将就中小企业融资困境的现状、原因及金融支持措施进行深入研究和分析。
二、中小企业融资困境的现状1. 融资渠道狭窄中小企业的融资渠道相对单一，主要依赖于银行贷款、股权融资和债券融资等传统方式。
然而，由于企业规模小、信用等级较低，往往难以获得银行的贷款支持，股权和债券融资的门槛也较高，使得许多中小企业难以获取资金支持。
2. 融资成本高由于中小企业的信用风险较高，银行在提供贷款时往往要求较高的利率和抵押物，增加了企业的融资成本。
此外，企业还需要承担评估、担保等费用，进一步加重了企业的负担。
3. 政策支持不足尽管政府出台了一系列支持中小企业发展的政策措施，但部分政策落实不到位，企业在申请过程中仍面临诸多困难。
同时，政府对中小企业的金融支持力度仍需进一步加大。
三、中小企业融资困境的原因分析1. 信用体系不健全我国信用体系建设尚处于初级阶段，对中小企业的信用评估机制不健全，导致银行在为中小企业提供贷款时存在较大风险。
此外，部分中小企业存在财务信息不透明、失信等问题，也影响了其融资能力。
2. 银行信贷政策偏向大企业由于大企业具有较高的信用等级和稳定的盈利能力，银行在信贷政策上往往偏向大企业。
而中小企业的信贷需求往往难以得到满足。
3. 资本市场准入门槛高尽管资本市场为中小企业提供了股权和债券融资的途径，但由于准入门槛较高，许多中小企业难以达到要求。
此外，即使成功上市或发行债券，也需要承担较高的信息披露成本和市场监管压力。
四、金融支持措施研究1. 完善信用体系建立完善的信用评估机制和信用信息共享平台，提高中小企业的信用透明度。
同时，加大对失信行为的惩戒力度，提高中小企业的信用意识。
2. 优化银行信贷政策鼓励银行加大对中小企业的信贷支持力度，降低贷款利率和抵押物要求。
【S银行小微企业信贷业务风险管理研究的国内外文献综述7600字】
S银行小微企业信贷业务风险管理研究的国内外文献综述目录S银行小微企业信贷业务风险管理研究的国内外文献综述 (1)1.1国外对小微企业风险识别的研究 (1)（1）小微企业资金需求研究 (1)（2）信贷风险识别及管理研究 (1)1.2国内对小微企业风险识别有关研究 (2)（1）小微企业融资需求研究 (2)（2）小微企业信贷发展存在的问题及防范措施研究 (3)（3）信贷风险预警模型研究 (5)1.3 文献评析 (5)参考文献 (6)国内外一些专家曾借助各种学科知识，使用各种专业方法，从不同的角度对小微企业风险识别相关问题做了全面深入的探索分析，取得了很多研究成果，从而对我们的研究提供了学习与参考。
1.1国外对小微企业风险识别的研究风险管理研究起源于上个世纪三十年代，在美国兴起，并在50年代以后形成了一门独立的管理学科。
由于风险存在普遍性和广泛性，故小微企业信贷风险研究在国外也受到了重要的关注，不少国外学者对小微企业的相关理论和风险识别、量化、管控等做了大量研究。
（1）小微企业资金需求研究Macmillan(1931)最先指出小微企业经过一定程度的发展，会长时间需要资金支持，但是不管小微企业能否满足银行的放贷要求，其都得不到银行的资金供给，这就是著名的“麦克米伦缺陷”，反映了小微型企业融资困难[1]。
Stiglitz和Weiss(1981)认为逆向选择加大了信贷供给的不均。
即小微企业贷款困难的根本原因就是企业和银行两者信息的不对称。
由于小微企业存在着信息不透明的问题，银行无法评估小微企业真实的经营状况，难免会对其不够信任，这是小微企业贷款困难的一个重要原因[2]。
Rajanr G. Zingalesl (1998)指出，小微企业因为规模小，运营周期短、风险大，以及企业信息不透明、不对称，所以普遍存在信贷问题。
银行对小微企业贷款的要求通常十分苛刻，因此，小微企业如果需要资金，第一选择一般不是向银行贷款，而是寻求其他办法，比如个人借贷或者内部支持[3]。
互联网供应链金融模式下中小企业融资优势及风险评估
互联网供应链金融模式下中小企业融资优势及风险评估作者：李游来源：《经营者》2019年第14期摘要随着信息技术的发展和移动物联网的普及，供应链融资新模式开始兴起。
在这种模式下，中小企业的融资成本更低、效率更高，之前由于信息不对等造成的风险也大大降低。
但是这一模式在我国刚刚起步，从融资政策来说，系统配套还不完善，没能给予足够的支持，融资运行环境还需要改善，为这种模式提供更多的保障，为中小企业融资带来更多的便利。
关键词互联网供应链金融中小企业融资一、互联网供应链金融模式下中小企业融资的特点（一）互联网供应链金融的内涵实体经济和金融经济是密不可分的。
随着互联网的普及，互联网供应链金融的实质就是信息经济、实体经济和金融经济的结合，是一种成本更低、更便捷的信贷手段，用以实现金融末端的普惠。
大数据、云计算等技术被充分运用，供应链上潜在的风险可以得到及时识别和有效控制，整个供应链上的运行效率也得以大大提高。
在金融和产业相连接的基础上运用了互联网科技，金融和产业的渗透更加深入，形成了一个跨地域、跨平台、多行业、多来源的金融产业生态圈。
（二）在互联网供应链模式下中小企业融资的新特点在供应链金融这一创新的融资模式下，中小企业融资呈现出几个新的特点，主要有：授信行为可连续开展，贷款流程封闭化，专款专用，还贷资金则来自企业自身的业务收入;根据供应链上企业间真实的交易行为，中小企业的融资时间点、融资规模、用途等信息更加明确精准，并在融资上给予中小企业更大的包容性，把资金直接和具体项目对接，这也大大减轻了中小企业的融资压力;与传统金融相比，在供应链金融中不但有银行，电商平台、网贷平台以及民间资本都纷纷参与进来，也惠及了更多的中小企业，除了融资外，质押担保、仓储监管、价格评估等服务也在供应链金融中上线，从参与主体到服务内容都极具多元化。
二、互联网供应链金融模式给中小企业融资带来的主要优势（一）降低了时间成本和机会成本互联网作为一种信息平台和技术工具，帮助金融机构大大提高了了解中小企业信息的效率，在互联网供应链金融平台上，中小企业的信息得到迅速整理、分类和分析，原来的各种手续费、资料费等也都被省了下来。
大数据背景下互联网金融信贷风险预测研究
现代营销中旬刊一、引言随着移动互联网及大数据、人工智能产业浪潮的逐渐蓬勃兴起，“数字经济”业务模式随之走向深入发展，金融行业开始推进“数字化”业务转型，市场上已经不再是“一手交钱，一手交货”的单一运营管理模式，银行、互联网金融、小额贷款等企业开始利用大数据技术，为消费者提供个性化的信用服务。
然而，在消费者享受借贷所带来的便利的同时，这些企业也承受着巨大的违约风险，借贷人如果不能按照协议偿还债务，将会给这些金融机构带来严重的经济损失，风险管理与控制依旧是金融行业需要解决的重大问题。
在大数据时代，互金平台自身已经拥有了海量级数据，将风险控制与大数据结合，充分利用数据挖掘技术探索贷款人背后的信息规律。
机器学习理论是一门为了模拟出人的大脑学习的活动，或是一种为了可以实现模拟人类大脑学习的活动过程,而可以使用高性能计算机系统进行仿真研究活动的一种方法，是当代人工智能主要的基础研究热点领域方向之一。
为了快速应对目前一些相对复杂领域的未来预测方法和风险评价技术问题，基于机器学习原理的未来预测计算方法可利用模拟人类脑的学习思考活动特性，在金融风险的投资行为预测、股票市场价格预测、投标效果评价方法等多个相关领域内被应用。
从研究互联网金融平台行为的角度来看，机器学习理论对于深度研究基于用户特性的贷款违约问题具有重要学术意义。
构建信贷风险评估模型，及时精准发现危险用户，可以高效地对消费者进行信用评估，提高贷款违约预测能力，有效控制违约损失。
目前国内外针对小额信贷风险的预测及模型建立的实证研究，主要学者有廖绚等人首次用逻辑回归模型预测借款人是否逾期还款，并对贷款违约发生的相关影响风险因素也进行了预测分析研究；刘红生等人第一次利用逻辑回归预测模型构建我国中小企业银行短期综合贷款利率风险的预测分析模型；沈玉溪等人第一次用决策树方法对P2P 对信贷数据质量进行定量预测，分析结果指出借款人收入、借款归还期限、信用等级均是未来影响借款人发生违约情况的三项主要决定因素；李进利用随机森林建立绿色信贷风控模型，结果表明该模型效果要好于逻辑回归，但面对大规模不平衡信贷数据时，模型性能有待提升；胡绪华等人利用BP 神经网络可以解决非线性问题的特点，建立基于BP 神经网络的商业银行信贷风控模型。
供应链金融融资模式下中小企业信用风险评估以汽车行业实证研究为例
供应链金融融资模式下中小企业信用风险评估以汽车行业实证研究为例一、简述随着全球化经济的发展和市场竞争的加剧，中小企业在推动经济增长、促进就业和创新发展等方面发挥着不可替代的作用。
由于中小企业普遍存在经营规模较小、财务状况不够透明、信用记录不够完善等问题，其融资难、融资贵的问题一直困扰着企业发展。
供应链金融作为一种新型的融资模式，通过整合供应链资源，为中小企业提供灵活多样的融资解决方案，有效缓解了中小企业融资困境。
在供应链金融融资模式下，中小企业的信用风险评估成为了一个重要的问题。
由于供应链金融涉及多个参与主体和复杂的业务流程，中小企业的信用风险不仅受到自身经营状况的影响，还受到供应链上下游企业以及整个市场环境的影响。
如何科学、准确地评估中小企业的信用风险，对于保障供应链金融融资模式的安全、稳定和可持续发展具有重要意义。
本文以汽车行业为例，对供应链金融融资模式下中小企业的信用风险评估进行实证研究。
汽车行业作为国民经济的重要支柱产业，具有产业链长、关联度高、带动性强等特点，中小企业在汽车行业供应链中扮演着重要的角色。
通过对汽车行业中小企业的信用风险评估进行研究，可以更加深入地了解供应链金融融资模式下中小企业的信用风险特点，为金融机构制定更加科学合理的融资策略提供有益的参考。
本文首先梳理了供应链金融融资模式的相关理论和研究现状，分析了中小企业信用风险评估的重要性和方法。
结合汽车行业的实际情况，构建了中小企业信用风险评估指标体系，并运用适当的评估方法进行实证研究。
根据实证研究结果，提出了针对性的建议和对策，为供应链金融融资模式下中小企业的信用风险评估提供有益的借鉴和参考。
1. 供应链金融融资模式概述供应链金融融资模式，作为一种创新的金融服务形式，旨在通过整合和优化供应链中的资金流、信息流和物流，为供应链上的企业提供更加灵活、高效的融资解决方案。
该模式以核心企业为依托，通过对其上下游企业的信用评估和风险管理，实现对整个供应链金融资源的优化配置。
２０１９－２０２１ 年我国上市银行信用风险度量研究——基于ＫＭＶ 模型
２０１９－２０２１年我国上市银行信用风险度量研究基于ＫＭＶ模型瞿山川(对外经济贸易大学ꎬ北京㊀１０００２９)摘㊀要:近年来ꎬ中国面临着 供给冲击 需求收缩 预期转弱 的三重压力ꎬ这将进一步加大商业银行的信用风险ꎮ信用风险的产生会增加交易成本㊁降低投资者投资意愿ꎬ从而影响经济的发展ꎮ公司通常会采用信用风险度量方法及时预测信用违约情况ꎬ以提高商业银行的风险控制能力ꎬ保证信用交易的正常运行ꎮ而ＫＭＶ模型具有良好的风险预测能力ꎬ可以为银行违约风险监管提供参考ꎮ关键词:ＫＭＶ模型ꎻ信用风险ꎻ上市银行中图分类号:Ｆ８３０.４㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀文章编号:１６７１－６７２８(２０２２)１８－００８３－０４㊀㊀随着经济增速放缓ꎬ银行增量市场减小ꎬ存量竞争激烈ꎬ银行面临净息差收窄㊁信用风险持续暴露等经营压力ꎬ净利润增速也处于低位ꎮ银行作为间接融资体系下的主要融资渠道也因此遭受了巨大冲击ꎮ因此ꎬ及时评估影响和风险并采取良好的风控措施ꎬ是银行业赢得这场金融风暴的关键ꎮ信用风险是商业银行面临的首要风险ꎮ银行业能否抵御新冠疫情对产业链与居民生活的冲击ꎬ其风险抵御能力是否会受到影响ꎬ其信用风险状况是否仍然可控ꎮ以上问题的顺利解决ꎬ在后疫情时期各地疫情持续反复的大环境下十分重要ꎮ因此ꎬ研究银行业在疫情暴发前后的信用风险变化ꎬ能使商业银行未来在应对类似突发事件时及时采取相应风控措施ꎬ有针对性地加强信用风险管理ꎬ这对银行业的未来健康㊁持续发展具有重要意义ꎮ在相关定性分析中ꎬ钟震ꎬ郭立探讨了新冠肺炎疫情对中小银行的影响及对策ꎮ陆岷峰分析了疫情危机与信用风险叠加背景下中小商业银行的防范对策ꎮ在运用ＫＭＶ模型对企业进行信用风险的研究中ꎬ王灏威ꎬ许嘉文利用ＫＭＶ模型对新冠疫情前后上市房地产企业信用风险进行了研究并指出疫情使中小房地产企业违约概率显著增加ꎮ余钊研究了疫情对信托行业的信用风险的影响并分析疫情影响信托业信用风险的原因ꎬ分析得出有９２.８６％的信托公司的信用风险在疫情发生后上升ꎮ综合上述文献可以看出ꎬ利用ＫＭＶ模型分析疫情对整个银行业信用风险影响的相关研究较少ꎮ基于此ꎬ文章将采用ＫＭＶ模型对银行业在疫情前后所面临的信用风险进行实证分析ꎬ为银行业在后疫情时期如何进一步加强信用风险管理提供量化基础ꎮ一㊁理论模型ＫＭＶ模型将企业的股权看作一种看涨期权ꎬ执行价格是企业的负债ꎬ标的物为企业资产价值ꎮ当企业的资产价值小于负债时ꎬ企业将选择违约ꎬ否则不违约ꎮ根据Ｂｌａｃｋ－Ｓｃｈｏｌｅｓ－Ｍｅｒｔｏｎ期权定价模型ꎬ企业资产价值和股权价值的关系为:Ｅ＝ＶＮ(ｄ１)－Ｄｅ－ｒ(Ｔ－ｔ)Ｎ(ｄ２)其中ꎬ企业的股权价值波动率与资产价值波动率的关系为:ｄ１＝ｌｎ(Ｖ/Ｄ)＋(ｒ＋σ２ｖ/２)(Ｔ－ｔ)σｖＴ－ｔｄ２＝ｄ１－σｖＴ－ｔìîíïïïï股权价值波动率(σＥ)和公司资产价值波动率(σｖ)之间的关系式为:σＥσｖ＝ＶＥ Ｎ(ｄ１)式中ꎬＤ为负债的账面价值ꎬＴ为到期时间ꎬｔ为现在时间ꎬｒ为无风险利率ꎬＶ为资产市场价值ꎮσｖ为资产价值波动率ꎬＥ为股权市场价值ꎬσＥ为企业股权市场价值波动率ꎮＫＭＶ模型假设公司的资产价值３８作者简介:瞿山川(２００１—㊀)ꎬ男ꎬ汉族ꎬ四川成都人ꎮ主要研究方向:保险学ꎮ服从正态分布ꎬＮ(ｄ)为标准累积正态分布函数ꎬ由股权市场价值Ｅ及其波动率σＥ以及负债账面价值Ｄꎬ利用ＢＳＭ期权定价模型求出公司资产市场价值Ｖ及其波动率σｖꎮ违约距离是企业的资产价值在风险期限内由当前水平降至违约点的相对距离ꎬ可表示为:ＤＤ＝Ｅ(Ｖ)－ＤＰＥ(Ｖ)σｖ其中ꎬＥ(Ｖ)是预期资产价值ꎬＤＰ是公司的违约点ꎮ二㊁实证分析(一)样本选择根据ＫＭＶ模型的计算原理及特点ꎬ研究对象数据应满足有较高公开性和时效性的特征ꎮ因此文章从ｃｈｏｉｃｅ金融终端选取１８家于２０１９年１月１日前上市的商业银行为样本ꎬ包括中国银行㊁农业银行㊁工商银行㊁建设银行㊁交通银行共５家国有控股银行ꎬ中信银行㊁光大银行㊁招商银行㊁浦发银行㊁民生银行㊁华夏银行㊁平安银行㊁兴业银行共８家全国性股份制银行ꎬ北京银行㊁江苏银行㊁上海银行㊁宁波银行㊁南京银行共５家２０２１年资产规模１.５万亿元以上的城市商业银行ꎮ文章以其２０１９－２０２１年相关财务数据为基础ꎬ结合ＫＭＶ模型对上市商业银行进行信用风险研究ꎬ详见表１ꎮ表１㊀样本银行股票代码及财务数据统计表股票代码名称股票代码名称ＳＨ.６０１９８８/０３９８８.ＨＫ中国银行ＳＨ.６０００１６/０１９８８.ＨＫ民生银行ＳＨ.６０１２８８/０１２８８.ＨＫ农业银行ＳＨ.６０００１５华夏银行ＳＨ.６０１３９８/０１３９８.ＨＫ工商银行ＳＺ.０００００１平安银行ＳＨ.６０１９３９/００９３９.ＨＫ建设银行ＳＨ.６０１１６６兴业银行ＳＨ.６０１３２８/０３３２８.ＨＫ交通银行ＳＨ.６０１１６９北京银行ＳＨ.６０１９９８/００９９８.ＨＫ中信银行ＳＨ.６００９１９江苏银行ＳＨ.６０１８１８/０６８１８.ＨＫ光大银行ＳＨ.６０１２２９上海银行ＳＨ.６０００３６/０３９６８.ＨＫ招商银行ＳＺ.００２１４２宁波银行ＳＨ.６０００００浦发银行ＳＨ.６０１００９南京银行(二)参数设定违约点值(ＤＰ):ＤＰ为商业银行短期负债与长期负债一半的和ꎮ无风险利率ｒ:选取中国银行２０１９－２０２１年公布的一年期整存整取基准利率ꎬ即ｒ＝１.５％ꎮ时间范围Ｔ:设定为２０１９－２０２１年ꎮ负债面值Ｄ:根据上市银行２０１９－２０２１年财务报表中的负债总额分别进行估计ꎬ债务期限设定为一年ꎮ股权价值＝流通股数ˑ日收盘价＋非流通股数(限售股)ˑ每股净资产(公司若两地(Ａ＋Ｈ)上市ꎬ则两者相加)ꎮ(三)计算过程１.计算股权价值波动率σＥ假定股票价格服从标准正态分布ꎬ则股票日对数收益率为:μｉ＝ｌｎ(Ｓｉ＋１Ｓｉ)其中ꎬＳｉ为第ｉ天的收盘价ꎬμｉ为第ｉ天的收益率ꎬ股票日收益率的波动率通过计算日均标准差得到:σｎ＝１ｎ－１ðｎｉ＝１(μｉ－Ｅ(μ))２其中Ｅ(μ)＝１ｎðｎｉ＝１μｉ将股票价格数据代入上述公式ꎬ并根据当年实际股票交易日获取Ｎ的数据可得出日收益波动率ꎮ日收益波动率与年收益波动率关系为:σＥ＝σｎˑＮ２.计算资产价值和资产价值波动率通过Ｂ－Ｓ－Ｍ模型得到样本银行２０１９－２０２１年年的资产价值和资产价值波动率ꎬＭａｔｌａｂ计算结果详见表２ꎮ表２㊀２０１９－２０２１年年样本银行股权价值与股权波动率ꎬ资产价值与资产价值波动率名称２０１９年２０２０年２０２１年Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率南京银行０.２４７３２３０.０１４０３２０.２６４１０３０.０１４９５６０.３１８５６６０.０１７４３江苏银行０.１９０３４０.００８０５０.２２６１３４０.００８３１４０.２８８２１５０.０１００８９北京银行０.１５６０８０.００７７１９０.１７９７３９０.００６７１０.０９８２０１０.００３２７５上海银行０.１８６９６４０.０１１７６６０.１８６１９４０.００８９８７０.１５１５４４０.００６２４５宁波银行０.２８６６６９０.０３３４５０.３６７５２９０.０４５７７４０.３７５８１０.０４５３１４华夏银行０.１６６１５６０.００７７６９０.１８７１２３０.００６８６３０.１２１６９９０.００３９４９光大银行０.２２３００１０.０１０９６５０.２９４９６６０.０１１８４３０.１９７００６０.００６１６１民生银行０.１５２１３１０.００６５５３０.１８６４４３０.００６３１０.１４１２４９０.００３５８中信银行０.２０２６４８０.００９０２９０.２２８８７１０.００７５１５０.１４８８１６０.００４１２１平安银行０.３１５００９０.０２５８５３０.３４３２４０.０２９１８７０.３９１０６９０.０２６２８１浦发银行０.２０４６０１０.０１１２２５０.２１９１２０.００８３２４０.１７７９７５０.００５８６５兴业银行０.２５０９０５０.０１５１４７０.２７４１７３０.０１５８３６０.３４５７１４０.０１７１７６招商银行０.２４８７０２０.０３１１５１０.３０８７５５０.０４０４０６０.３４０１８０.０４５７７１交通银行０.１６６９８８０.００７３８４０.２０２６６５０.００６４７８０.１５０２３７０.００４７７８中国银行０.１３８９６９０.００６８１４０.１６２４３８０.００６３５４０.０９２９７０.００３２７９４８续表名称２０１９年２０２０年２０２１年Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率Ａ＋Ｈ的权重波动率资产价值波动率农业银行０.１３５２７９０.００７４５３０.１５３２３８０.００６８１７０.１０２３１８０.００４０４１建设银行０.１７３５２２０.０１１９３０.２４９１７７０.０１３７０８０.１８７２２８０.００８８７２工商银行０.１５８５３７０.０１１４６８０.１９６３３７０.０１１０１４０.１４１７２３０.００６９９㊀㊀３.计算违约距离与ＥＤＦ在此模型下ꎬ决定公司预期违约概率的是违约距离ＤＤꎮ违约距离与企业违约的可能性呈负相关关系ꎬ即当违约距离减小ꎬ违约概率就相对越高ꎮ２０１９－２０２１年样本银行数据详见表３ꎮ表３㊀２０１９－２０２１年样本银行的违约距离与ＥＤＦ类型名称２０１９年２０２０年２０２１年违约距离ＥＤＦ违约距离ＥＤＦ违约距离ＥＤＦ城市商业银行南京银行３.０２７０.００１２３４２.８３３０.００２３０６２.３１７０.０１０２４３江苏银行３.４５６０.０００２７４２.６７１０.００３７７８２.０２３０.０２１５１７北京银行４.５４６０.０００００３３.３９５０.０００３４３５.７２３０.００００００上海银行４.１４５０.００００１７３.７７０.００００８２４.２７８０.０００００９宁波银行３.０８９０.００１００５２.４２７０.００７６２２２.３６１０.００９１１１股份制商业银行华夏银行４.１６４０.００００１６３.２２３０.０００６３５４.５１４０.０００００３光大银行３.１７４０.０００７５３２.１６４０.０１５２１８２.７０.００３４７２民生银行４.３６６０.０００００６３.０５０.００１１４５２.９６５０.００１５１１中信银行３.３３５０.０００４２６２.４２４０.００７６７１３.１５４０.０００８０５平安银行２.６３６０.００４１９０２.４３６０.００７４２５２.００９０.０２２２７５浦发银行３.６１５０.０００１５０２.８１７０.００２４２４３.１２７０.０００８８４兴业银行３.０４８０.００１１５２２.７４８０.００３０００２.０５２０.０２０１０４招商银行３.５９６０.０００１６１２.９１３０.００１７９１２.６５１０.００４００８国有控股商业银行交通银行４.０３２０.００００２８２.６７６０.００３７２７３.５９４０.０００１６３中国银行５.０８７０.００００００３.８７１０.００００５４６.３１０.００００００农业银行５.４７６０.００００００４.４０７０.０００００５６.１８１０.００００００建设银行４.５８３０.０００００２２.９７１０.００１４８３３.７１８０.０００１００工商银行５.０８５０.００００００３.７９８０.００００７３５.００１０.００００００(四)结果分析８家样本银行在２０１９年疫情暴发前的资产价值波动率ꎬ如图１所示ꎬ平均为０.０１３２１ꎬ２０２０年疫情暴发期为０.０１４１９ꎬ２０２１年后疫情时期为０.０１２４０ꎮ２０１９－２０２１年ꎬ样本银行资产价值波动率先上升后下降的趋势一定程度表明疫情的发生对银行业的资产端有一定的影响ꎮ其中零售业务占比较大的宁波银行㊁招商银行在疫情暴发的２０２０年波动幅度最大ꎮ这可能是由于零售类消费类贷款和以批发零售㊁住宿餐饮㊁旅游为代表的对公贷款不良率抬升明显所致ꎮ图１㊀２０１９－２０２１年样本银行资产价值波动率情况通过计算违约距离(如图２所示)可以发现ꎬ疫情暴发前样本银行的平均违约距离为３.９１５ꎬ疫情暴发时期的平均违约率为３.０３３ꎬ后疫情时期为３.５９３ꎮ该数据普遍高于巴曙松ꎬ蒋峰针对我国所有上市Ａ股企业提出的违约预警线２.２的水平ꎬ一方面说明我国商业银行整体风险可控ꎻ另一方面说明疫情的暴发显著降低了银行的违约距离ꎬ加剧了信用风险ꎮ但随着新冠疫情于２０２１年得到缓和ꎬ各行各业有序复工复产ꎬ后疫情时期银行业整体违约距离有所降低ꎬ信用风险控制水平得到提升ꎮ这可能是由于前期行业拨备计提力度较大ꎬ风险抵补充足ꎬ使得上市银行具备良好的风险承受能力所致ꎮ图２㊀２０１９－２０２１年样本银行违约距离变化情况通过计算ＥＤＦ(图３)可以发现ꎬ样本银行的违约距离与期望违约率成反比关系ꎮ绝大部分样本银行在疫情暴发时期的期望违约率均有一定程度的上升ꎬ其中国有控股商业银行由于其资本更为充足ꎬ在样本银行中的表现最为稳健ꎮ图３㊀２０１９－２０２１年样本银行ＥＤＦ变动情况三㊁疫情对银行信贷风险的影响(一)信贷资产质量下滑由于新冠疫情导致的停工停产负面影响波及面广ꎬ既极大冲击了制造业产业链上下游ꎬ也显著降低了餐饮㊁旅游㊁交运等行业的经济效益ꎬ对小微企业的经营能力和盈利能力产生了明显的负面冲击ꎮ因此ꎬ商业银行的信贷投放及资产驱动型负债规模与匹配５８受到影响ꎬ导致信用风险和流动性风险在一定程度上有所增加ꎮ此外ꎬ由于新冠疫情后商业银行不断加大金融信贷支持力度ꎬ多措并举提升普惠金融服务质效ꎻ同时企业信用风险存在滞后性ꎬ疫情对企业的偿付能力影响存在时滞ꎬ因此疫情防控期间的大量增量贷款的潜在风险也不容忽视ꎮ根据样本银行历年年报可知ꎬ过半数以上的样本银行不良贷款率在２０２０年呈现出较明显的上升趋势ꎬ如图４所示ꎮ图４㊀２０１９－２０２１年样本银行不良贷款率情况(二)未来投资偏好将趋向保守２０２０年ꎬ在旧挑战(全球经济减速)和新冲击(疫情全球蔓延㊁油价暴跌和外围证券市场暴跌)的共同夹击之下ꎬ２０２０年一季度ＧＤＰ增速创改革开放以来的新低ꎮ新冠疫情的出现将长期影响企业和居民部门的心理预期ꎬ未来宏观经济下行压力也将压制投资者的风险偏好ꎬ观望情绪加重ꎬ将最终影响金融服务有效需求和供给ꎬ从而对银行信用风险产生一定的负面影响ꎮ(三)银行盈利指标下降总资产收益率(ＲＯＡ)和净资产收益率(ＲＯＥ)方面ꎬ受利率下行与拨备增提的影响ꎬ大部分上市银行的ＲＯＡ与ＲＯＥ指标均有所下行ꎮ净息差方面ꎬ受存款成本刚性㊁贷款基础利率(ＬＰＲ)下行和金融普惠背景下利率优惠等因素影响ꎬ股份制与国有银行将面临较大的净息差收窄压力ꎮ近年来ꎬ商业银行持续加大减费让利的力度ꎬＬＰＲ也经历多次下调ꎬ银行贷款利率呈现持续下行态势ꎬ而负债端成本仍较高ꎬ在多重因素影响下银行净息差普遍收窄ꎮ银保监会披露的数据也显示出净息差收窄的趋势ꎬ商业银行２０２１年末净息差为２.０８％ꎬ较２０２０年末下降０.０２个百分点ꎮ盈利指标的下降将直接影响银行业的资产与拨备情况ꎬ一定程度上加剧信用风险ꎮ四㊁疫情反复背景下银行业信用风险防范对策(一)宏观层面财政政策方面ꎬ中央银行应实行宽松的货币政策ꎬ适时调低法定存款准备率ꎬ既要扶持小微企业发展ꎬ稳定市场信心ꎬ也要保证商业银行拥有充足的资金与超额准备ꎮ监管方面ꎬ相关部门需加强信贷部门流动性监管ꎬ利用压力测试评估信贷资产恶化程度并督促银行完善流动性风险预警机制ꎬ防止包商银行破产事件再次重现ꎮ此外ꎬ相关部门应建立逆周期动态调节机制和差异化管理机制ꎬ在经济下行时期有序调降拨备覆盖率ꎬ提高贷款风险容忍度ꎬ缓解银行存款压力ꎮ(二)微观层面业务流程方面ꎬ商业银行应当加强服务流程线上化建设ꎬ既提升金融服务便捷性与可得性ꎬ也具有良好的可追溯性ꎬ易于后续对风险资产开展数据分析ꎮ业务结构方面ꎬ商业银行应当拓展中间业务收入规模ꎬ构筑第二增长曲线以实现轻资本及内生增长的目标ꎬ在保证收益的同时从根本上减少信用风险ꎮ资本补充渠道方面ꎬ商业银行应采用多元化方式如发行二级资本债㊁永续债与非公开定向增发方式补充核心资本ꎬ提高资本充足率ꎬ有效应对权益端的冲击ꎮ此外ꎬ还应当合理利用衍生金融工具化解银行的不良资产ꎮ风控方面ꎬ商业银行应当加大金融科技投入ꎬ依托大数据和模型进行风险评估从而实现科技赋能银行风控管理ꎬ利用大数据等技术手段改进风险监测体系ꎬ实现降本增效ꎬ达到对困难企业和个人的精准识别与贷后的精确追踪与管理ꎬ遏制可能出现的不良现象ꎮ五㊁结语综上所述ꎬ商业银行应做好中长期资本规划ꎬ密切持续关注资产质量变迁ꎬ积极应对和化解在中长期可能面临的不良压力ꎮ参考文献:[１]钟震ꎬ郭立.新冠肺炎疫情对中小银行的影响及对策研究[Ｊ].武汉金融ꎬ２０２０(３):３７－４１ꎬ５９.[２]陆岷峰.中小商业银行:疫情危机㊁信用风险叠加与防范对策[Ｊ].华北金融ꎬ２０２０(６):６９－７７.６８。
- 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)。
互联网新闻信息对上市中小企业信用违约风险评估影响的实证
研究
中小企业在我国国民经济中占有重要位置,长期以来由于中小企业与金融机
构的信息不对称导致难以进行违约风险评估和预警,形成企业融资难、金融机构
呆坏账多的恶性循环。尽管很多研究表明财务指标能有效评估企业信用违约风险,
但中小企业财务指标可信度较低,财务造假、关联关系复杂等诸多因素,给对中小
企业进行信用违约风险评估带来较大困难。而非财务指标由于缺乏统一标准,难
以获取和量化等原因导致难以进行有效运用。近几年我国互联网高速发展,使得
企业大量相关信息互联网化、公开化,成为重要的非财务信息来源。
云计算、语义分析及大数据等现代信息技术的发展又使得互联网信息数据的
收集、整理、分析、使用成为可能。但关于互联网信息对企业信用违约风险的实
质影响研究还鲜有涉及。本文聚焦互联网新闻信息,将其作为重要的非财务指标
加入信用违约风险评估模型中进行比较分析,研究互联网新闻信息是否有助于中
小企业信用违约风险评估。本文选择中小企业版的80家上市公司进行实证分析,
具体研究了以下内容:1.对上市公司财务变量进行筛选和分析。
上市公司的财务数据对于企业信用违约风险有重要影响,本文收集上市公司
连续三年的年度财务报表并提取26个财务指标,通过因子分析将其归为六个维
度的主要影响因子。2.对互联网新闻信息进行提取和量化。由于互联网新闻信息
分布零散且都是文本信息,因此需要通过爬虫及挖掘等技术手段进行抓取并借助
文本分析技术进行提炼,本文将互联网新闻信息按照媒体影响力、情绪指标、出
现频率等进行分类及量化,形成互联网新闻信息指标。3.利用Logistic回归模型
构建信用违约风险评估模型并进行比较。
本文分析单纯财务指标以及加入互联网新闻信息后的混合指标对模型判别
有效性的差异,验证互联网新闻信息变量对企业信用违约风险判别的有效性影响。
研究结果表明增加互联网新闻信息变量能有效提升上市公司信用违约风险评估
的判别有效性,说明互联网新闻信息有助于加强对上市公司信用违约风险的识别,
但其判别的准确率随着距离违约事件越久而呈现下降,需注意互联网新闻信息的
时效性。在实际应用中如能在传统财务指标基础上考虑更多互联网信息,可以更
多维度地反映中小企业的信用状况,有助于解决信息不对称的问题,帮助金融机
构更好地评估企业信用违约风险,提高中小企业违约风险识别率,也为解决中小
企业融资问题提供借鉴。