|
这些指标包括盈利能力、杠杆率、流动性和规模。此外,非财务指标也有一些共性,因此突出了SOFT信息对SME绩效分析的重要性。至于差异,对于意大利来说,可支持性指标更为频繁,而对于英国来说,齿轮传动是一个重要的预测因素,在意大利模型中没有体现。为了提高预测精度,已经探索了许多不同的建模方法。广义极值(GEV)回归用于校正logistic回归的对称连接函数,这是信用风险建模的标准方法。通过应用基于GEV链接函数的非参数加性模型BGEVA,放宽了非线性假设。此外,还比较了两种处理缺失值的方法:多重插补和证据权重(WoE)翻译。结果表明,BGEVA具有最佳的预测性能,因此,在对中小企业破产进行建模时,有必要考虑违约的相关数量和非线性模式。与插补相比,WoE通常显示出更好的预测,这表明缺失值是有信息的,不能假设是随机缺失的。本研究首次尝试了解中小企业偿付能力的交叉计数驱动因素,并在所采用的一般方法中进行了探索。进一步的扩展可能包括探索其他国家和其他变量,尤其是非金融性质的变量,但这取决于数据可用性。可以通过结构方程模型研究因果关系。
|