中小企业信用评价研究【开题报告】

《中小企业信用评价研究【开题报告】》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、开题报告中小企业信用评价研究一、立论依据1.研究意义、预期目标研究意义：长期以来，信用问题尤其是中小企业的信用问题一直是我国社会经济生活中一个十分突出的矛盾和问题。不守合同司空见惯，假冒伪劣商品充斥市场、坑蒙拐骗随处可见，企业间相互拖欠习以为常，逃避银行债务和偷税漏税行为横行，走私骟汇猖獗，证券市场假账、“基金黑幕”等违规事件层出不穷，图书影像市场盗版迭出，如此等等。“信用贫困”、“信用危机”已经成为严重困扰我国经济发展的一个制约因素，许多企业和消费者都深受其害。因此，建立科学有效的信用风险管理体系已成为当前紧迫的任务，而其核心是对企业和个人的信用评

2、价。本文通过定量和定性分析，建立了一种综合评价中小企业信用的方法，可以帮助银行和担保机构对中小企业做出正确的评价和选择，从而确定信贷资产损失的不确定程度，最大限度地防范信贷风险。对中小企业自身而言，进行信用评价可以时时提醒企业注意自身的经营状况，提高经营管理水平。信用等级高的企业，在经济交往中可以获得更多的信用政策优惠，在融资成本较低的基础上更容易获得金融机构的资金支持。此外，信用评价还可以为其他用户提供参照，帮助企业选择可靠的交易伙伴，防范商业风险。预期目标：本文以中小企业信用评价为研究对象，探讨对中小企业进行信用评价的合理模式和方法，进而为解决中

3、小企业信用缺失问题提供科学的理论依据。首先，介绍了中小企业的相关知识并回顾了企业信用评价方面的理论；其次，在充分借鉴国内外的评价指标体系的情况下，构建了适合我国中小企业的信用评价指标体系，使之能够全面的、有效地、真实的反应中小企业的信用状况；然后，选取层次分析法作为最适合于中小企业的信用评价方法，并结合具体企业，利用该方法对现实中的中小企业进行信用评价和使用说明，对新模型的信用评价得分作了分析，并给出信用评价结果。62.国内外研究现状（1）国外信用评价发展状况国外对企业信用的研究已经相当成熟，包括定义与概念，解释现象的理论基础，分析模型等。目前，国际

4、上比较流行的信用风险评价模型包括：KMV公司(1993)的EDF模型、J.P.摩根(1997)的以VAR方法为基础的CreditMetrics模型、瑞士银行金融产品部CSFB(1997)的CreditRisk+模型以及麦肯锡公司(1998)的CPV模型等。而在对中小企业信用风险评价中，国外一般不使用现代信用风险模型，而是广泛采用了基于统计判别方法的预测模型，这些方法都是在Fisher于1936年做出的启发性研究之后提出来的。总的来说，这些模型都被表述为一类分类系统，它们接受定义在已选变量集合上的一个随机观测值样本，建立判别函数，进行分类，以多元判别分

5、析法（MDA）和Logit分析法等信用评分模型为主。例如，Beaver（1966）研究并提出了企业信用的单变量模型，通过对失败和未失败企业的对比研究，选取了35个财务指标进行统计分析，得出“现金流量/负债总额”指标最能反映企业信用。A1tman(1968)将逐步多元判别分析法(MDA)应用于财务危机、公司破产以及违约风险分析。以1946—1965年中宣告破产的33家公司作为研究样本的实验组，再按各样本的行业与规模寻找类似的对照公司进行配对比较，选用了22项财务比率，利用逐步多元判别分析法逐步选出5个最具预测能力的财务比率，结合成一个线性模型，这就是后

6、人所熟知的Z值模型。1977年他又将原模型加入两项变量并稍作调整，建立了改进的Zeta判别分析模型。Ohlson(1980)首度将假设条件较为宽松的Logit分析应用于信用风险评估领域，得出有4项财务资料对评估破产概率有明显的影响，如：资产报酬率，规模，短期流动性，资本结构。他以1970-1976年间105家破产公司及2058家正常公司为研究对象，实证结果表明该方法具有较高的正确率。EdwardIAltman和GabrieleSabato(2005)通过使用Logit回归技术对1994-2004年期间超过2000家的美国公司（规模小于6500万美元）

7、的固定样本数据进行分析，为中小企业建立了一种危机预警模型，并通过与普通公司模型的比较，来分析其有效性。随着信息技术的发展，特别是人工智能模型被引入信用风险中，产生了很多新的信用评价方法。Messier和Hansen(1988)从知识获取角度探讨比较了专家系统在信用风险领域的应用。Odom和Sharda(1990)首次将人工神经网络方法（ANN6）引入信用评价，神经网络方法得到研究者和实践者的广泛关注。Odom用A1tman制订的财务指标作为ANN的输入，这些财务指标为：现金流量／总负债、保留盈余／总资产、总负债／总资产、现金流量／销售收入。他们收集了

8、128个样本，破产和非破产的企业各占一半。研究结果为：神经网络对于这些企业的第一类预测准确率在77.8％—8