英国和意大利小型企业的比较分析

对于Germansmes（19）和（20），他观察到负债率有一个反直觉的迹象，并用许多小企业主从外部来源偿还债务这一事实来解释这一现象。显示非线性关系且在这两个国家不常见的变量示例英国的总资产和意大利的员工数量都可以解释为中小企业规模的代表。从图2的总资产来看，我们可以推断英国小微企业的违约风险较高，这与德国中小企业的违约风险一致。然后，对于总资产超过2000万欧元的公司，当该变量增加时，GDP会下降。[4] 还注意到总资产的非n线性性质。最后，从员工数量图（图1）可以看出，当员工数量增加时，意大利小微企业的PD较高。对于中型企业来说，这种关系变得消极，尽管置信区间很宽。这些结果突出了从数据中得到的一些有趣的模式，但为了充分理解隐含的关系，进一步的研究将是有益的。5结论和扩展本文比较了英国和意大利中小企业破产的预测因素，利用2010年的公开信息对2011年的公司状况进行建模。由于两国的经济状况不同，信贷危机后时间段的选择使得这种比较尤其相关。虽然意大利的国债利率很高，但英国的情况并非如此，尽管后者的经济增长率较低。正如第2节所讨论的，两国中小企业在这两个经济体中发挥的相对重要性也存在差异。尽管存在这些差异，但仍有一些财务指标对预测破产具有重要意义。

这些指标包括盈利能力、杠杆率、流动性和规模。此外，非财务指标存在一些共性，因此突出了sof t信息对SME绩效分析的重要性。至于差异，可支持性指标对意大利来说更为频繁，而对英国来说，齿轮传动是一个重要的预测因素，不在意大利模型中。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，这是信贷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可以获得最佳的预测性能，因此，在建模中小企业破产时，有必要考虑违约的相对数量和非线性模式。与插补相比，WoE通常显示出更好的预测，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，并对所采用的一般方法进行了探索。进一步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。

在实践方面，考虑对两国都有重要意义的预测因素，并构建一个通用模型，目的是将其与国家特定模型进行比较。最后，可以探索不同的退出业务的中小企业群体，例如解散。图1：显示非线性模式的2个（4个）连续变量的平滑分量估计。这些是通过对意大利中小企业数据应用BGEVA模式l获得的。结果在预测量表上。该图显示了95%置信区间。y轴标题中括号内的数字是平滑曲线的估计自由度（Edf）。图2：显示非线性模式的2个（共4个）连续变量的平滑分量估计。这些是通过对意大利中小企业数据应用BGEVA模式l获得的。结果在预测量表上。该图显示了95%置信区间。y轴标题中括号内的数字是平滑曲线的估计自由度（Edf）。参考文献[1]Agresti，A.（2002）。分类数据分析。威利，纽约。[2] Altman，E.和Narayanan，P.（1997年）。商业失败分类模型的国际调查。金融市场、机构和工具，6，1–57。[3] Altman，E.和Sabato，G.（2007年）。中小企业信用风险建模：来自美国市场的证据。算盘，43（3），332–357。[4] Altman，E.、Saba t o，G.、Wilson，N.（2010）。非财务信息在中小企业风险管理中的价值。《信贷风险杂志》，第6期，第1-33页。[5] Becchetti，L.和Sierra，J.（2002年）。制造企业的破产风险和生产效率。《银行与金融杂志》，27，2099–2120。[6] Berg，D.（2007年）。广义加性模型的破产预测。

《商业和工业应用随机模型》，2 3，129–143。[7] Calabrese，R.、Marra，G.、Osmetti，S.A.（2013）。使用灵活的二元广义极值模型对中小企业进行破产预测。ArXiv，1307.6081，1–28。[8] Calabrese，R.和Osmetti，S.A.（20 13）。为中小企业贷款违约建模是一个罕见的事件：广义极值回归模型。《应用统计学杂志》，40（6），1172-1188。[9] Chuang，C.L.和Lin，R.H.（2009）。构建重新分配信用评分模型。ExpertSystems with Applications，361685–1694。[10] Ciampi，F.&Gordini，N.（2013）。通过Harti官方神经网络建立小企业违约预测模型：对意大利小企业的实证分析。《小企业管理杂志》，51（1），23–45。变量Logistic回归加性Logistic回归时间初始英国意大利英国所有16种模型短期名称Imp Woe Imp Woe Imp Woe Imp Woe Imp Woe Moe X 0 X SX 0 SX 12现金流量X 0 0 X SX 0 SX 0 SX 8现金流量opr ev X 0 X 0 X 0 0 10货币集中度0 0 X 0 0 0 2比特达利润率X 0 X 0 X 0 X 0 X 12杠杆率0 X 0 X 0 X 0 X 0 X 0 X 8利息率0 X 0 X 0 SX 0 X 0 X 8流动比率X 0 X 0 X 0 X 0 X 00 0 0 SX 0 0 6无董事X X X X X X SX X X 16无员工X 0 X X SX 0 X 12无子公司X X X X X X 0 X 15 OP rev X 0 X X X 0 X X 0 X X 0 X X X 0 SX 12税前PL0 X 0 0 0 SX 0 X 7利润率X X 0 X X X 0 X 0 14 ROCE 0 X 0 0 SX 0 0 6 ROE X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 SX 9持股基金X X X X X X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 0 X 0 X 0 0 X 0 0 0 5偿付能力比率X X X X X X 16 X资产X 0 X 0 X 0 SX 0 10表2：各国的逻辑和加性逻辑模型的重要变量。X——10%s.l.或更低时的变量ISSIGNICANT；SX-变量的平滑项在10%s.l。

或低变量Gev模型BGEVA模型times inItaly UK Italy UK所有16种模型简称Imp Woe Imp Woe Imp Woe Imp Woe Imp Woe Imp Woe Imp Woe X 0 X X 12现金流量X 0 X SX 0 X SX 8现金流量oprev X 0 X X 0 X X 0 X 10现金流量0 0 X 0 X 0 X 0 X 0 X 0 X 12杠杆率0 X 0 X 0 X 0 X 0 X 0 X 8利息率0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 8流动性比率X X X X X X 0 SX 0 X 1 X 0 X 0 SX SX X 6个董事X X X X X X X X X X 16无员工X X X X X X X X 0 X 12无子公司X X X X X X X X X X X X 1 5Op rev X X 0 X X X X X 0 X X X X X 12PL税前0 X 0 X 0 X 0 X 0 7Pro fitmargin X X X X X X X X X 0 14ROCE 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 9股东基金X X X X X X X X X 14股票流动性比率0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X 0 X X X X X 0 X X X X X X X X X X X X 14流动性比率X 0 SX X 10表3：显著变量Gev和BGEVA车型遍布全国。X-变量在10%s.l.或更低的水平上显著；SX-在10%的s.l.下，变量的平滑项非常重要。