发帖
雷达卡
作者：许林，梁婧怡
单位：华南理工大学经济与贸易学院
原文刊发：《金融科学》2019年第1辑
网址：jrkx.cbpt.cnki.net
原标题为：我国科技型中小企业风险评价体系研究——基于修正KMV 与Logit模型的实证
引用格式：许林 梁婧怡.我国科技型中小企业风险评价体系研究——基于修正KMV 与Logit模型的实证[J].金融科学，2019(1):59-83.
许林，华南理工大学经济与贸易学院金融系副教授，硕士生导师，系副主任，英国杜伦大学（DurhamUniversity）访问学者。主要研究领域为基金投资与分形市场、公司金融与金融计量等，主持教育部等省部级课题5项，中央高校基本科研业务费5项，政府委托课题1项，参加国家自科基金、国家社科基金和企业政府委托课题等多项，独立出版学术专著与教材各1部。近年来在《统计研究》、《系统工程理论与实践》、《中国管理科学》、《财贸经济》、Fractals重要核心期刊上发表学术论文70余篇，被《人大复印报刊资料》全文转载多篇。
研究背景
科技型中小企业科技含量高、创新能力强、决策机制灵活，但其发展过程中依然存在融资难、经营管理水平低下、易受宏观经济环境的影响、政策优惠覆盖面不足、科技人才缺失等问题，并伴随产生各种风险。若不重视风险识别，提早预防或尽力化解风险，不仅不利于科技型中小型企业融资，最终还会影响到整个高科技产业的生存和持续发展。因此，进行科学、公正、客观的风险评价是我国科技型中小企业持续健康发展的基础，也是商业银行等金融机构做信贷决策的重要参考，具有重要的理论价值与现实意义。
在对风险的界定和识别、风险评价方法的比较分析、风险测算评价研究三个方面，国内已有研究大多以大中型企业或普通中小型企业为主，对科技型中小企业的研究主要以信用风险居多，而对于企业发展过程中的风险进行系统评价的文献比较缺乏，对高成长性的科技型中小企业还未建立行之有效的风险评价体系。
主要内容
基于上述背景，许林、梁婧怡发表在《金融科学》2019年第1辑的《我国科技型中小企业风险评价体系研究 ——基于修正KMV 与Logit模型的实证》一文论述了基于KMV和Logit模型的风险评价体系，并对其评价效果进行了实证研究，补充了已有文献，对于为高成长性的科技型中小企业建立有效的风险评价体系具有现实指导意义。
首先，本文对科技型中小企业风险进行了概述并对其评价方法进行了比较分析。在对风险进行概述时，本文首先对科技型中小企业进行定义并将科技型中小企业面临的风险划分为信用风险和非信用两大类，非信用风险包含除信用风险以外的其他各类风险。为保证评价过程的全面、准确和可操作性，本文提出在风险评价过程中还需考虑科技型中小企业远高于大型成熟企业的成长性和收益性。在比较风险评价方法方面，本文对主要包括专家分析法、信用评级法和信用评分法的传统的信用风险评价方法和主要包括KMV模型、Credit Metrics模型、信用风险附加模型（CreditRisk+）和信贷组合模型（CreditPortfolio View）的现代信用风险度量模型从多个方面进行了比较，提出KMV模型更适用于我国目前的实际情况。
此后本文进行了实证分析。在样本选取方面，本文从中小板、创业板市场上选取样本企业共26家，将13家风险企业设为A组，剩余与其进行对照的13家正常企业设为B组。在信用风险度量方面，本文主要使用KMV模型，此后利用违约距离对我国科技型中小企业信用风险测算效果进行评价。实证分析后发现，不论是从整体上看，还是细分中小板或创业板市场来看，样本时期内每一季度风险企业的违约距离均小于与之对照的正常企业，违约概率更大，信用风险更大，这与事实相符。但在临近风险出现的日期，利用违约距离反而出现错误结论。由此得出，KMV模型中的违约距离可以在横向和纵向上作为评价科技型中小企业信用风险的一个参考指标，但其结果并非十分准确。模型的总体误判率为33.0%，即准确率仅为 67.0%，还需配合其他评价方法以增加准确率。在非信用风险度量方面，本文主要采用的是Logit模型。经由主成分分析，本文选取了现金流量充足性、偿债能力、科技水平和股票市场因素作为科技性中小企业的主要风险评价指标。其中科技性指标较好地反映出科技型中小企业的重要特点。结果表明：模型整体拟合较好，指标系数均显著，对样本企业的预测准确率达到77.1%，可以较好判断企业的各种风险，但结论的推广性有待进一步检验。
文章结论
我国商业银行现阶段大多采用贷款5 级分类法评价企业的信用风险，存在比较大的主观性。本文选取KMV 模型和Logit 模型，试图突破定性分析的局限性，从定量分析的角度判定科技型中小企业的风险水平。虽然运用样本数据得到的准确性并不让人满意，但当公开数据不断完善，KMV模型和Logit 模型的适用性会逐渐加强，更好地为商业银行等金融机构的信贷决策提供参考。
本文建立的风险评价体系并未对各个风险设置相对权重，一定程度上会削弱研究结果的准确性。未来的研究可以尝试使用商业银行内部获取的非上市企业数据以扩大样本容量；还可以按照行业、地区分类研究；或引入更多的风险影响因素，如GDP、价格水平等宏观经济变量，或行业、地理位置等产业变量，以进一步提高模型的准确性。
相关原文请关注对外经济贸易大学金融学院官网 ：http://sbf.uibe.edu.cn/xzyj/jrkx ... 125134424/78005.htm
京公网安备 11010802022788号
