中小企业违约及破产探究文献综述

《中小企业违约及破产探究文献综述》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、中小企业违约及破产探究文献综述摘要：有效识别中小企业贷款的风险要素，准确预测和度量中小企业贷款的违约风险，是破解中小企业贷款难的关键。对于中小企业违约和破产的实证研究采用的方法有普通的多元回归（OLS）、简单-直观模型、传统的多元判别分析模型和逻辑回归模型等。影响中小企业信贷风险的要素除了传统的财务变量以外，还包括非财务因素，而且非财务的定性要素比定量的财务因素的作用更加重要。关键词：中小企业；违约和破产；财务因素；非财务因素中小企业贷款难是国际和国内都普遍面临的困境，也是学术界和政策制定者都广泛关注的一个重要问题。中小企业通常没有经过审计的财务报表，透明度低。因此，信息不对称

2、是中小企业融资需求得不到满足的根本原因。有效识别中小企业贷款的风险要素，准确预测和度量中小企业贷款的违约风险，是破解中小企业贷款难的关键。一、企业违约和破产研究方法比较（二）风险指数模型Tamari（1966）引入风险指数模型研究企业的财务健康状况［4］。他选取部分财务指标，根据各个指标的相对重要性赋予权重；每项指标根据一定规则被赋予一个分值，合计得到表明企业信用风险水平的“风险指数”。每个企业的风险指数在0-100之间，分值高则风险小，分值低则风险高。Moses&Liao(1987)的风险指数模型则是通过单变量分析确定每个财务比率的最优临界值，高于临界值得分为1,低于临界值得

3、分为0,将所有变量的得分简单相加就得到风险指数［5］。风险指数模型的优点是简单直观，但缺点则是主观性较强。(四)神经网络模型神经网络是基于简单的生物神经元模型的机器学习系统。神经网络模型20世纪90年代开始被应用于企业违约和破产预测研究。Tam&Kiang(1992)通过与线性方法的比较，证明神经网络模型在企业破产和违约预测的准确性、适用性和稳健性方面都具有很好前景［9］。但Altman,Marcoetc(1994)已经比较了传统统计方法(包括线性判别分析法和逻辑回归法)与人工神经网络方法的优劣，指出人工神经网络方法存在着权重设置无逻辑依据和过度拟合问题［10］。石庆炎和靳云汇

4、(2004)指出，人工神经网络模型的精确性要高于传统的判别分析法和对数回归法等信用评分方法，仅从预测精度的角度，人工神经网络法有优势［11］。但判别分析法和对数回归法的预测精度也在可接受范围内，能够准确的区分“优质”客户和“劣质”客户。二、中小企业违约和破产实证研究20世纪90年代开始，信贷评分卡技术开始被应用于中小企业贷款的发放。信贷评分卡技术利用历史数据和统计技术，分析各种风险要素对贷款违约率的影响程度，度量和预测中小企业贷款的违约风险。(一)中小企业贷款的风险要素由于认识到中小企业的风险特征与大企业存在显著的差异，中小企业违约和破产研究的一个重要变化就是在传统的财务要素的

5、基础之上，增加了对非财务要素的分析。如Edmister(1972)首次研究中小企业的信用风险问题时构建的分步式多元判别模型中包含的19个判别因素全部都是财务比率［12］oAltman&Sabato(2005)以美国WRDSCOMPUSTAT数据库1994—2002年的中小企业贷款数据为样本进行的实证研究，由于数据中没有包括定性变量，只考虑了反映企业流动性、盈利性、杠杆率、利息覆盖率和经营能力的五组财务变量［13］。但研究结果发现，中小企业与大企业的风险特征有显著的差异，传统的用于预测大企业违约和破产风险的方法并不适用于中小企业。Samolyk(2000)已经将可能影响中小企业贷

6、款违约风险的要素分为两类：企业所有者的基本特征和企业的财务信息［14］o世界妇女银行在哥伦比亚和多米尼加共和国的分支机构在美洲开发银行的资助下进行的研究项目中，根据重要程度列出了中小企业违约和破产的21个推断因素，包括：之前贷款的最长逾期天数、成为银行客户的时间、企业类型、申请人年龄、授信审批人员特征、电话所有权、家庭结构、企业成立年限、手头现金、分期还款期数、在目前居所居住年限、贷款逾期的期数、提前还款的期数、授信审批人员的经验、家庭经营的企业数、贷款申请与放款之间的间隔天数、总资产、偿还上笔贷款与申请本笔贷款之间的间隔天数、应收账款、房屋所有权、负债/权益比率。其中除传统的

7、财务要素外，还包含大量的非财务要素，这些非财务因素还具有很强的重要性。(一)对美国和欧洲中小企业违约和破产的实证研究Altman&Sabato(2005)用逻辑回归法和多元判别分析法共构建了三个模型，对美国中小企业的违约风险进行实证研究。研究结果发现，逻辑模型的精确性显著优于多元判别模型。He,Kamathetc(2005)以美国1990—1998年场外交易市场数据为样本(该样本是包含破产和未企业破产企业样本各158个的对称样本)，构建了两个逻辑模型，一个只包含财务变量，一个增加了非财务变量