中小企业违约和破产研究文献综述 林治乾摘要：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（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]Altman&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]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、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二）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实证结果表明，包含非财务变量的模型对中小企业破产预测的准确性显著高于只包含财务变量的模型[15]而Agarwal，Chomsisengphetetc（2005）在Samolyk（2000）的基础上[16]，进一步将风险要素细分为5类：（1）企业主特征包括企业主的信用得分、企业主抵押、支票账户的平均余额；（2）企业特征包括企业信用得分、企业财产抵押、经营年限；（3）贷款合约特征包括贷款金额、风险溢价、内部评级；（4）宏观经济特征包括失业率和9各州的虚拟变量；（5）行业特征98个两位数的SIC行业代码。
以2000年1月至2002年8月间美国多家金融机构的31000多笔中小企业授信业务为样本通过多元回归分析发现，中小企业所有者的行为和中小企业本身的公司行为都是预测中小企业贷款违约的重要预警指标，但中小企业所有者的行为是决定中小企业贷款违约风险的主要因素Coravos（2010）以美国一家社区发展金融机构2002—2007年的530笔小企业贷款数据为样本，分别采用OLS、逻辑回归和多元逻辑回归三种方法对小企业贷款违约进行了实证研究[17]创新之处是将中小企业贷款的信用状况定义为三种：（1）良好没有逾期记录；（2）中等曾经有30天或60天的逾期记录；（3）差即贷款逾期超过90天或企业倒闭影响中小企业贷款的风险要素分为4类：（1）借款人的特征包括FICO信用得分、教育经历、管理经验、种族、行业分类、性别、贷款前的债务收入比、行业年限、收入、资产、材料的所有权、以个人名义还是以公司名义贷款、公司结构（公司、合伙还是独资）；（2）贷款合约特征，包括贷款金额、贷款利率、贷款利率与基准利率之差、是否浮动利率（虚拟变量，浮动=1，固定=0）、贷款年限、担保形式（虚拟变量，小企业管理局担保为1，非小企业管理局担保则为0）、担保比例；（3）贷款人的特征，包括信贷员的能力、对资金的时间限制（即资金是否必须在一定时间内借出，否则将被收回）、调整贷款的能力；（4）宏观经济变量，包括经济的最大变化（如最大失业率）、经济的平均变化（如平均失业率）、经济整体健康程度（如标准普尔500指数）。
研究结果表明，FICO信用得分是有效的预测变量；企业经营年限和管理经验也是很好的预测变量，但经营年限对新成立的企业不具有预测性Kinat的研究报告中①，对2002—2007年美国小企业管理局担保的小企业贷款数据的实证研究发现，企业主个人的信用积分、企业主的管理经验和企业经营年限是对小企业违约预测性最强的3个变量而贷款金额、借款人的资产净值、贷款时预计的盈亏平衡点、年份、个人收入、贷款用途、担保比例、贷款时的负债/收入比率、企业主的股权投资、SBA类型、贷款时的个人债务/收入比率、借款人性别、农村/城市虚拟变量、企业类型（餐饮等）、种族等16个变量与贷款违约率的关系并不显著Lehmann（2003）以德国一家商业银行2000多笔小企业贷款的数据为样本，构建了两个逻辑回归模型，其中一个模型包含了定性变量，另一个不包含定性变量[18]结果发现，只有定量因素还不足以判断小企业违约的风险，增加定性因素能显著提高模型预测的准确性而Altman，Sabatoetc（2008）以英国2000—2007年间的小企业贷款数据为样本，用逻辑回归法建立了两个违约预测模型[19]一个只包含了Altman&Sabato（2005）中的五组财务变量。
另一个在Altman&Sabato（2005）的基础上增加了非财务的定性变量，实证结果也证实增加定性因素能够显著提高模型预测的有效性Luppi，Marzoetc（2007）以意大利一家商业银行提供的意大利市场上3900家年销售收入低于1000万欧元的中小企业贷款数据为研究对象，采用似然比检验，从50个变量中选择了20个解释变量，包括盈利性、流动性、财务结构、规模和地理位置等[20]以逻辑回归法进行的实证检验发现，销售额、利息税项折旧及摊销前盈利、利润率等与违约率负相关，财务结构和债务水平与违约率正相关Ooghe，Spaenjersetc（2009）用反映增加值、盈利性、偿债能力和流动性四个方面的8个财务比率建立了一个简单-直观（simple-intuitivemodels）模型，并用比利时1990—1999年的数据进行了实证检验[21]通过与传统的统计模型结果的比较发现，该简单-直观模型的预测结果同样有效，而且更加简单实用三）对新型经济体中小企业违约和破产的实证研究2010年开始，对中小企业违约和破产的研究逐渐由美国和欧洲等发达国家扩展到新兴市场国家Lugovskaya（2010）以俄罗斯火花数据库收集的2000—2004年8967笔小企业贷款数据为样本，采用线性判别分析法进行了实证研究[22]。
将25个自变量分为五组，其中财务比率四组，包括经营效率变量2项、盈利性变量7项、稳健性变量5项和流动性变量8项非财务要素一组，包括总资产、销售收入和经营年限等3项采用最大方差主成份分析法去掉了相关性较强的部分变量，最终保留了11个自变量研究结果表明，流动性是最重要的判别要素，盈利性次之，企业规模和经营年限能够提高判别模型的准确性Gumparthi（2010）和Gumparthi&Manickavasagam（2010）都以印度中小企业贷款业务为研究对象[23]Gumparthi（2010）采用普查的方法，通过对印度某非银行金融机构所有从事建筑机械和商用车信贷业务的信贷人员和外勤人员进行问卷调查，识别确定影响中小企业贷款风险的要素，根据调查结果给不同要素赋予适当的权重，最终建立了一个专家型的中小企业信贷记分卡系统该系统从定性因素和定量因素两个方面对中小企业贷款进行风险判断，将中小企业贷款风险要素分为四大类28种其中，包括流动性风险要素5项；经营性风险要素11项；信用风险要素6项；市场风险要素6项而Gumparthi&Manickavasagam（2010）以印度非银行金融机构2002—2009年度连续7年的数据进行了判别分析[24]。
判别的要素包括客户历史、行业地位、与供应商的关系、与客户的关系、竞争情况、流动性、杠杆率、销售增长、PBDIT/销售额、DSCR（债务覆盖率）、诚信、家庭状况、财务状况、管理能力、管理承诺、连续性、雇员能力、内部控制、还款记录、合规记录等20项Wang&Zhou（2011）对中国的中小企业贷款违约进行了实证研究[25]他们以中央财经大学民泰金融研究所提供的2004—2007年间的小企业贷款数据为样本，选择了涵盖流动性、盈利性、增长性、偿债能力和资产管理能力五大类的8个财务指标反映中小企业和企业主特征的企业主性别、年龄、雇员人数、公司经营年限、与银行合作年限等定性指标分别构建了只包含财务指标、只包含非财务指标以及同时包含财务与非财务指标的三个逻辑回归模型研究结果发现，同时包含财务指标与非财务指标的模型能较好的反映企业的违约风险；而财务指标中流动比率和总资产收益率是较好预测的指标。