摘    要：　大数据背景下, 文本、音频、视频等非结构化数据信息以及大数据处理模式开始在企业信用评价领域得到关注。在此背景下, 基于CSSCI关于企业信用的学术成果, 对国内企业信用研究的总体趋势以及具体的研究内容进行详细的梳理与总结, 针对我国企业信用现状研究、企业信用指标研究、企业信用评价模型研究、企业信用管理研究四个方面对企业信用研究文献展开了述评, 旨在总结现有文献的成果与不足, 明晰未来研究方向, 推动企业信用研究发展。

　　关键词：　企业信用评价; 大数据; 企业信用管理;
 

　　Abstract：　Under the background of big data, the application of unstructured data information, like texts, audio and video, etc and big data processing models begins to arouse great attention in enterprises credit evaluation. Based on CSSCI academic achievements on enterprise credits, this paper summarizes the general trend and detailed research contents of domestic enterprise credit and reviews enterprise credit research literature from four aspects: enterprise credit current status research, enterprise credit index research, enterprise credit evaluation model research and enterprise credit management research, aiming to summarize the achievements and deficiencies of existed literature, clarify the future research direction and promote the development of enterprise credit research.

　　Keyword：　enterprise credit; the big data; enterprise credit management;

　　一、前言

　　2017年12月8日, 习近平总书记讲话中强调我国应推动实施国家大数据战略, 加快建设数字中国。党的十九大报告再次强调了互联网、大数据、人工智能应与实体经济深度融合。大数据已提升至国家战略的地位。国务院办公厅于2014年发布《关于金融支持小微企业发展的实施意见》首次将大数据征信的概念引入以解决小微企业融资难的问题;2017年中共中央、国务院《关于营造企业家健康成长环境, 弘扬优秀企业家精神, 更好发挥企业家作用的意见》中再次强调要加强我国社会信用体系建设, 形成具备中国特色的金融法治体系。由于过去缺乏完善有效的企业信用监督管理制度, 以及企业信用调查程序和结果的公开透明度不高, 导致我国征信系统建立进展缓慢。因此, 大数据无疑是企业征信的有力工具。

　　随着大数据时代的来临、国家对信用体系建设的重视, 信用研究主题、研究方法等不断丰富。促进信用研究多样化的原因主要有: (1) 政府债券、各行各业债券与股票的发行都体现出对融资的强烈需求, 但供给方和需求方却面临信用市场信息的不对称, 导致信用风险加剧。信用体系作为多主体参与的系统, 是金融生态安全的重要保障, 因此信用体系建设吸引社会各界的关注, 使信用研究主题更加多样。 (2) 随着计算机技术的发展, 大数据的潮流, 数据挖掘技术与方法为信用风险评价、评级、识别等提供了更加科学的变量选取方法和更加精确的风险判别方法, 这些技术方法在实际信用评价中开始被银行等金融机构应用, 并初显成效, 进而促进了信用研究方法的创新与发展。 (3) 我国政府对市场逐渐放开, 但关于信用监管的制度并不完善, 而随着保障金融市场稳定的呼声越来越高, 企业的财务信息、审计报告等信息披露制度更加完善, 为信用研究提供了大量的数据进行实证研究, 促进了信用研究理论和实证的发展。

　　信用一词有丰富的内涵[1], 道德伦理上的信用是指诚信的履约行为, 法律上诸多法规对信用有明确规定, 经济学上信用是指借贷双方基于契约关系, 以诚信担保资金回流与增值的过程。如今, 信用更多地以经营性资信的方式体现, 信用也随着社会的发展, 走向普遍化、商业化、信息化。随着信用制度的不断完善、方法和技术的更迭、信用数据的披露, 现有的信用研究在理论和技术上存在许多不足, 所以有必要对以往的信用研究文献进行梳理、归纳, 探讨其中的不足之处。因此, 本文通过中国知网检索出所有CSSCI期刊上发表的信用研究文献, 进行研读与评述, 从而总结成果与不足, 思考未来的信用研究方向。

　　首先, 本文较为详细地梳理和总结了我国企业信用研究的总体状况以及具体的研究内容, 对企业信用研究的基本情况进行简单的描述性统计分析, 借此展示目前企业信用的研究成果。然后, 对企业信用研究涉及的各个主题分别从基础理论、模型方法等角度进行述评, 总结现有文献的成果和发现其不足, 进而发现未来研究的机会与方向, 推动企业信用的深入研究。本文是我国少有的对国内企业信用研究进行文章发表年度、发表期刊、研究主体多维度梳理并从研究主体各个细分主题进行述评的文章。在企业信用研究领域, 本文具有一定的参考价值。

　　二、研究设计

　　本文以CSSCI期刊上关于信用研究的文献作为研究对象。CSSCI是获得公众认可的、权威的期刊, 在这些期刊上发表的文章的学术质量水平较高, 社会影响力大, 研究方向普遍走在学术的前沿, 具有一定的代表性[2]。总体来说, CSSCI的文章能够反映出各个阶段对信用研究的学术深度, 所以本文选择这些期刊的文章作为研究对象, 分析信用研究的现状。

　　首先, CSSCI从1998年开始发布, 所以1998年之前的文献, 文章不作为研究对象考虑。信用评级于20世纪初期出现在美国, 之后信用研究进入到不同的领域, 涉及不同的主体, 经历生涩到成熟的发展, 但由于我国对信用的评价意识较为薄弱, 我国的信用研究只经历了几十年的发展。因此, 本文对1998年至2017年所有发表在CSSCI期刊上的信用研究文献进行考察。

　　其次, 本文将“信用研究”的外延界定在政府、企业、银行、个人的信用研究, 包括信用评价 (由于信用研究出现信用评价、评级、评分等多种说法, 文章将其统称为信用评价) 指标体系建立、模型的构建以及制度研究方面, 具体包含利用调查数据、公开数据、私人渠道获取的数据、模拟数据等进行描述性统计分析、有效性检验以及案例研究等方法。对于一些关于信用担保、信用保险等与信用研究主题无关的研究文献, 或者是仅引入介绍国外信用研究经验的文献, 本文进行剔除。

　　本文主要通过两个步骤进行检索文献:第一步, 从中国知网的文献板块上高级检索中输入“信用”, 限定文献的年度, 剔除主题与信用研究无关的文献。第二步, 以防遗漏, 进行二次检查, 总共搜集570篇文献, 确定为最终样本数。文献来自于214种CSSCI期刊, 其中包括各个大学学报, 并且区分期刊的人文社会科学版与哲学社会科学版。其中企业信用研究268篇。

　　三、国内企业信用研究的总体状况

　　笔者从年度分布、期刊分布、研究内容3个角度对信用研究的发展历史进行统计分析, 了解国内信用研究的发展趋势。

　　(一) 年度分布

　　从图1可以看到, 信用研究的发展经过双高峰的发展:从1998年不断发展到2004年的高峰期, 2005年至2008年平均约有45篇文献, 其中企业信用研究文献约占总数的57%, 接着2009年又迎来了高峰。2017年1月至10月, 已出现24篇文献。CSS-CI平均每年产出30篇信用研究文献。可以得知, 企业信用研究文献是信用研究文献的重要组成部分, 其出现篇数趋势与信用研究文献大致相似, 整体上每年平均维持产出18篇的企业信用研究文献。

　　图1 年度分布

　　在2004年至2008年期间, 信用研究的文献明显多于其他年份, 在此期间发生了大事件“次贷危机”, 信用风险逐渐受到人们的重视, 在此阶段, 尤其是企业信用风险的评价与控制对中国金融稳定的重要性愈加彰显。2009年至2016年, 信用研究热潮逐渐退却但企业信用研究文献平均每年仍然约有15篇, 这段时期, 企业信用研究出现许多的方法研究, 如针对样本充足的情况, 配合实际案例数据支撑信用风险识别的精确性, 针对样本不足的情况, 利用非传统统计方法保证信用风险识别的鲁棒性。近年来, 随着大数据的发展, 企业信用研究由最初数据挖掘的概念引入[2], 逐渐地发展到如今大数据征信的广泛研究。

　　(二) 期刊分布

　　从表1可以看到, 种类繁多的CSSCI文献上有很多关于信用研究的成果, 其中统计与决策包含的信用研究文献最多, 总共有42篇, 企业信用研究文献有21篇, 说明企业信用研究备受统计学的关注;另外是《生产力研究》《金融研究》《数量经济技术经济研究》等, 这些杂志发表了大部分关于信用研究的数据处理、评价模型建立的内容。其他的零星散布在如《经济问题》等期刊上。

　　表1 期刊分布

　　(三) 研究内容

　　1. 信用研究词频分析

　　为了对CSSCI期刊中在信用研究内容有更加全面且清晰的认识, 本文针对570篇信用研究文献的摘要绘出词云图。词云图能够过滤文本中的低频词, 将出现频率高的关键词突出显示, 给予人们视觉的冲击。

　　首先集成和整理所有文献摘要形成文本数据源;然后借助Python“结巴”分词工具, 将文段进行分词处理, 对文段词汇进行统计分类汇总;最后使用Word Cloud生成词云图。

　　如图2所示, 信用研究领域信用风险、评价、评估、分析、评级等词语出现频数较高, 反映出信用研究中研究评价信用风险的主题较多, 因此, 模型、实证、数据、指标等词汇出现的频率也相对较高, 则可以更进一步地推测在该研究领域偏重于信用评价的实证研究。将词云图和词频数二者结合, 我们发现在信用研究中, 企业信用的研究是重要研究方向, 其中上市公司、中小企业、客户是信用研究的重点研究对象, KMV、神经网络、支持向量机是信用研究中常用的模型。

　　图2 词频分布图

　　2. 关注主体以及各自研究主题分布

　　表2 关注主体及细分主题分布

　　学者们主要是对个人、企业、金融机构、政府四个主体进行信用研究。从表2可以看出以企业信用为研究对象占多数, 较少研究政府信用。关注政府信用的研究文献占样本总数的14%, 这部分文献主要集中在政府信用建设与治理;关注个人信用的研究文献约占样本总数的22%, 这部分文献主要集中在个人信用评估的研究 (个人包括学生、农户、信用卡个人等) ;关注银行等金融机构的信用研究文献约占样本总数的17%, 这部分文献主要集中在银行信用风险的评估与测量模型的研究;关注企业信用的研究文献占样本总数的47%, 这部分文献主要集中在企业信用风险评价模型的研究。

　　四、大数据背景下企业信用研究述评

　　我国于2003年成立了中国人民银行征信管理局, 中国企业征信体系初步建成, 直至今天, 企业征信体系进入全面建设阶段。传统的企业征信面临着两大主要问题:第一, 企业信用法规制度的不完善。导致的后果是信用制度无法支撑企业征信工作的开展, 具体表现为:一方面各政府部门、金融机构以及专业征信机构, 信用指标各异, 信用评价缺乏统一的标准;另一方面企业可能恶意逃避信息披露责任, 导致数据收集困难, 数据收集成本高。

　　第二, 企业信用数据孤岛问题严重[3]。各个征信部门的企业信用数据不能共享, 导致数据采集成本更高, 数据更新更慢, 最终使企业征信体系建设落后[4]。传统企业征信系统的缺陷导致企业信用评价无法快速获取、及时更新, 特别是小微企业的信用评价。小微企业是科技创新的源泉, 但却由于小微企业内部上在企业治理、财务报表、信用制度方面不完善, 外部上传统金融体系融资方式和商业银行信贷模式的不足, 导致信息不对称严重, 无法对小微企业进行有效、及时、可靠的信用评价, 加剧了小微企业“融资难”的境况[5,6]。

　　在大数据背景下, 大数据技术以强大的数据集成、处理、分析优势, 打破企业信息数据中的“隐性壁垒”, 从而解决小微企业融资难问题[7], 摆脱以财务指标为核心的企业传统信用评价指标体系带来的局限性, 集成企业自身报表[8]、政府监管数据、第三方网络平台关于企业客户的数据、行业需求及其发展状况等的数据, 帮助形成以客户风险为导向的企业信用数据生态圈, 从而精准评估企业信用等级, 遏制金融风险。

　　本文通过对国内企业信用研究的总体发展状况进行整理后, 按照企业信用研究的细分主题, 对企业信用研究成果展开综述。

　　(一) 企业信用发展现状及其影响因素

　　一些学者主要围绕企业信用发展现状展开了研究。具体包括:

　　(1) 企业信用与银行风险管理。学者们通过调查分析了企业信用的缺失对银行风险管理的影响[9]。 (2) 企业信用缺失的现状及其影响因素。如叶陈毅探究民营企业信用困境并分析背后的原因[10], 学者们还对企业信用缺失造成的危害进行了论述[11,12,13]。 (3) 某因素对企业信用的影响。一些学者研究了股权与董事会治理[14]、公司资产规模[15]、社会资本构成[16]、公司治理[17]、金融危机[18]、不同生命周期下的并购类型[19]等具体因素对企业信用的影响与实证分析。

　　总的来说, 关于企业信用的研究中, 企业信用缺失的分析主要是现状的描述, 以对策建议型研究为主, 企业信用的影响因素分析主要是通过问卷调查或借助证券和股票信息平台、数据库等方式获取企业相关数据, 进行实证研究, 其中存在理论不够成熟、研究深度有待挖掘等问题。笔者认为步入大数据时代, 关于企业信用现状的数据信息呈爆炸式增长, 要深入了解企业信用发展现状及其影响因素, 除了借助原有的研究方法之外, 还可以采用数据挖掘方法, 深入了解和探析企业信用真实情况及其影响因素, 并且及时更新有关信用信息, 帮助形成理论发现, 进而促进理论实践。

　　(二) 企业信用评价指标体系研究

　　指标是开展预测和评价研究的基础, 因此学者们非常关注企业评价指标体系的研究。大多学者主要以企业财务指标构成企业信用评价指标体系, 主要有偿债能力、赢利能力、发展能力、经营能力、现金流量能力[20,21,22]。诚然, 企业财务数据能在一定程度上反映企业信用状况, 随着企业信用研究的深化, 学者们添加了许多非财务指标进一步充实了企业信用评价指标的研究, 如企业所有者的品格、企业创新能力、行业发展状况、该企业所处信用环境状况, 客户 (或股民) 对上市企业的评价、企业有无重要人员的更换、企业有无重大事项的发生等[23,24,25,26]非财务指标, 同时证实了这些指标对企业信用风险评价有重要作用。

　　总的来说, 企业信用评价指标体系研究呈现多样化的发展, 但同时也暴露一些不足: (1) 我国企业信用评价指标体系主要参考了国外企业信用评价指标, 但由于我国的企业信用环境尚未达到发达国家的水平, 导致企业, 特别是中小企业的信用评价指标无法适应国情[27,28]。 (2) 有些学者仅通过财务指标来评价企业信用, 可能忽略了其他企业信用特征, 同时在用财务指标评价企业信用时, 在企业信用评价特征与模型的选择上需要更加谨慎, 以防多重共线性对评价结果准确性的干扰。 (3) 有些学者对财务指标和非财务指标的选择主要通过专家打分、问卷调查等方法来确定权重进而构建指标体系[29], 这样的指标体系可能会由于主观性强导致适用性较弱。大数据的发展, 为企业 (特别是企业规模小、企业报表变化不稳定的中小企业) 信用评价指标体系的建立提供有效的数据收集和整理手段以及一些可靠的特征选择方法, 比如陈影等利用支持向量机模型简化中小企业信用指标, 胡心瀚等利用非参数的方法进行变量选择[30]。这些方法可以在模型建立与实践过程中更进一步地进行推广与使用, 帮助验证企业信用评价指标体系的有效性与科学性。

　　(三) 企业信用评价模型的建立

　　学者们建立的企业信用评价模型成果丰富。具体包括: (1) 企业信用评价标准。不同的学者基于研究时企业信息的可获取性并综合研究难度的考虑, 对企业信用的评价标准不一, 主要有以下四种:以等级作为评价标准[31,32];以“ST”“*ST”“非ST”作为标准[33,34,35,36];以“信用风险度”作为企业信用风险衡量标准[37,38];以贷款是否良性[39]、违约率[40]或者违约与否[41]作为评判标准。不同的企业信用评价标准展现了企业信用评价方法的多元化。 (2) 企业信用评价模型。一些学者研究了KMV模型在企业信用风险测量中的应用, 随着互联网的发展, 可用信息海量增长, 数据挖掘技术逐渐被应用于评估企业信用, 比如盛夏利用数据挖掘方法对信用评级变动进行预测[42], 基于Adaboost模型的网络借贷信用预测模型具有较高的分类精度[43]。 (3) 企业信用的比较研究。在企业信用的地域比较分析上, 杨秀云在建立企业信用管理风险的KMV模型过程中, 分别比较了各个区域、各个产业之间企业信用的差异[44];在企业性质上, 李晟等比较研究了国有与非国有银行的信用差别[45];在企业信用模型的比较上, 较多学者在这方面做了研究, 针对上市公司信用, 帅青红等比较了决策树模型与logistic模型的信用评估应用[46], 针对小企业信用, 王磊建立了logistic回归、随机森林、神经网络等多个模型并比较其表现[47]。

　　总的来说, 企业信用评价模型的建立过程中在以下方面可以进一步完善:

　　(1) 大数据背景下, 各个领域不断与数据挖掘技术相融合, 在个人信用风险评估中, 利用用户画像、大数据预处理技术、神经网络模型、决策树、随机森林、多分类器组合等方法[48,49,50,51,52,53]进一步提高了个人信用风险评价的精准性, 在企业信用评价领域, 也可以利用大数据技术, 形成企业画像, 帮助金融机构清晰了解企业。 (2) 不同的评价模型对同一企业信用评价结果不一样, 对此, 笔者认为在评价企业信用时应考虑到模型评价的鲁棒性从而选取最合适的模型。 (3) 企业数据, 特别是小微企业数据, 可能会出现噪声多或者缺失多、类分布不平衡的现象, 目前企业信用评价研究关于这方面的数据处理的研究与应用较少, 针对该现象可以借鉴银行对个人的信用评价[54,55,56,57,58]利用大数据处理技术与数据挖掘模型解决该问题。

　　(四) 企业信用风险的控制与管理体系及体制建设

　　企业信用风险的控制与防范有赖于企业信用管理体系与体制的建立和健全, 目前文献大多从企业信用现状的角度研究企业信用风险的控制与管理。有的学者以企业信用管理现状为起点, 提出建立企业管理体系的建议[59,60];有的学者通过问卷调查, 研究企业信用管理制度缺失造成的后果从而给予企业相关管理措施与建议[61];近些年大数据的发展为控制企业信用风险带来了福音, 学者们开始构想借助政府、金融机构、个人、企业本身及其企业上下游利益相关方的数据集成, 建设企业信用大数据平台, 借助大数据技术动态监控企业信用风险, 帮助企业进行信用维护与管理[62]。

　　总的来说, 学者们主要通过问卷调查、案例分析等方法探索企业信用风险管理路径, 大多是停留在思考并建议企业该如何进行信用管理或信用风险控制的经验研究阶段。笔者认为分析信用风险管理和管理体制现状以及探索解决企业信用管理体制缺陷固然很重要, 但在此同时也应该考虑到不同行业、区域的企业信用管理的内在条件与外部环境差异, 这些差异可能会导致研究提出的建议、对策针对性不足。此外, 关于企业信用管理体制改革变迁、企业信用管理体制完善程度对企业信用水平的影响等的文献研究尚少。

　　五、结论与展望

　　随着数据时代的发展, 数据的丰富与可获得使企业信用研究的发展实现了理论到实证的跨越, 企业信用的实证研究检验了既有的企业信用评价理论的正确性与科学性, 同时企业信用研究也从银行信用研究与个人信用研究的发展中吸取了许多理论上和技术实现上的研究经验。大数据技术的愈发成熟, 为企业信用研究提供了更多的创新方法, 比如在企业信用发展现状研究中提供数据挖掘工具以探究企业信用缺失的根源, 在企业信用指标体系研究中提供新的途径发现关键指标, 在企业信用模型研究中提供稳定性强的数据挖掘模型提升信用风险的识别精度, 在企业信用管理建设研究中提供大数据平台解决小微企业“融资难”的问题。

　　企业信用研究的发展和应用是个长期的过程, 需要借助计算机科学、统计学、人工智能、经济学、管理学、法学等学科的相关理论与工具来分析企业信用这一主题, 在此过程中不能实行“拿来主义”, 取之即用, 应该不断地夯实和丰富企业信用研究的理论基础, 进而支撑实证研究的发展。这样, 企业信用研究将不断加入新的元素, 充分发挥数据的力量, 为银行、金融平台等提供有效、科学的放贷依据, 为企业本身的管理以及金融机构的风险管理提供可行的解决方案, 为市场经济的稳定运行提供有力的保障。

　　参考文献:

　　[1]吴晶妹.从信用的内涵与构成看大数据征信[J].首都师范大学学报 (社会科学版) , 2015 (6) :66-72.
　　[2]邹志仁.中文社会科学引文索引 (CSSCI) 之研制、意义与功能[J].南京大学学报 (哲学?人文科学?社会科学版) , 2000 (4) :145-154.
　　[3]冯文芳.互联网金融背景下小微企业大数据征信体系建设探析[J].国际金融, 2016 (3) :74-80.
　　[4]刘香.我国征信体系的建设与发展研究[J].时代金融, 2017 (24) :193-194.
　　[5]肖斌卿, 柏巍, 姚瑶, 李心丹.基于LS-SVM的小微企业信用评估研究[J].审计与经济研究, 2016 (6) :102-111.
　　[6]高俊光, 刘旭, 朱辰辰.小微企业信用评估的数据挖掘方法综述[J].金融理论与实践, 2015 (10) :98-101.
　　[7]陈颖, 颜伟忠.大数据技术下小微型企业信用建设研究:以小微型企业信用大数据平台建设为例[J].经济师, 2015 (7) :251-253.
　　[8]管薇薇, 周凯.信用风险数据集市的构建探讨[J].电脑知识与技术, 2014, 10 (22) :5155-5158+5164.
　　[9]朱穗颖, 邹新月, 吕先进.银行信用风险管理与防范的数理分析[J].求索, 2001 (3) :8-10.
　　[10]叶陈毅, 夏德, 周兴荣.略论民营企业的信用困境及其治理[J].现代财经-天津财经大学学报, 2008 (12) :33-37.
　　[11]周瑞玲.论中小企业信用缺失的现状与对策[J].生产力研究, 2007 (10) :125-126.
　　[12]孙荃.中小企业信用危机的症结分析及治理对策研究[J].财贸经济, 2002 (7) :70-73.
　　[13]孙育红.对我国企业信用缺失的几点思考[J].当代经济研究, 2002 (5) :50-53.
　　[14]李维安, 李建标.股权、董事会治理与中国上市公司的企业信用[J].管理世界, 2003 (9) :103-109+156.
　　[15]张荣, 陈银忠, 周勇.上市公司资产规模对公司信用风险的影响[J].统计与决策, 2006 (2) :61-62.
　　[16]陈晓红, 吴小瑾.中小企业社会资本的构成及其与信用水平关系的实证研究[J].管理世界, 2007 (1) :153-155.
　　[17]晏艳阳, 李学政.公司治理对企业信用影响的实证研究[J].财经理论与实践, 2007 (4) :69-73.
　　[18]张圣忠, 王丹, 李倩, 李敏.金融危机对中国物流企业信用风险影响的实证分析[J].统计与决策, 2010 (16) :81-83.
　　[19]高咏玲, 杜晗, 佟岩.生命周期视角下并购类型对上市公司信用风险的影响:基于KMV模型的实证研究[J].科学决策, 2017 (3) :35-48.
　　[20]蒋翠侠, 黄韵华, 许启发.基于Lasso二元选择分位数回归的上市公司信用评估[J].系统工程, 2017, 35 (2) :16-24.
　　[21]段翀, 刘忻梅.基于CCSD模型的上市企业信用风险评价研究[J].征信, 2014, 32 (3) :14-18+52.
　　[22]胡胜.距离判别方法在我国上市公司信用风险评估中的应用研究[J].开发研究, 2011 (3) :158-160.
　　[23]侯昊鹏.中小企业信用评级指标体系的缺陷与重构[J].天府新论, 2013 (5) :60-64+104.
　　[24]毕达宇, 夏晓旭, 王婧.用户在线评论数据挖掘的网商信用度分析[J].现代图书情报技术, 2014, (Z1) :77-83.
　　[25]舒歆.小微企业信用评级指标体系构建研究[J].金融理论与实践, 2015 (5) :105-108.
　　[26]马晓青, 刘莉亚, 胡乃红, 王静.小企业信用评估的模型构建与实证分析[J].财经研究, 2012, 38 (5) :28-37.
　　[27]侯昊鹏.国内外企业信用评级指标体系研究的新关注[J].经济学家, 2012 (5) :88-97.
　　[28]范柏乃, 朱文斌.中小企业信用评价指标的理论遴选与实证分析[J].科研管理, 2003 (6) :83-88.
　　[29]霍海涛.高科技中小企业信用风险指标体系及其评价方法[J].北京理工大学学报 (社会科学版) , 2012, 14 (1) :60-65.
　　[30]胡心瀚, 叶五一, 缪柏其.上市公司信用风险分析模型中的变量选择[J].数理统计与管理, 2012, 31 (6) :1117-1124.
　　[31]吴凤, 吴义能.我国创业板上市公司信用评级研究[J].统计与决策, 2017 (6) :182-185.
　　[32]楼裕胜.基于模糊神经网络的企业信用风险评估模型研究[J].中南大学学报 (社会科学版) , 2013, 19 (5) :21-25.
　　[33]杨秀云, 蒋园园, 段珍珍.KMV模型在我国商业银行信用风险管理中的适用性分析及实证检验[J].财经理论与实践, 2016, 37 (1) :34-40.
　　[34]帅青红, 方玲, 匡远竞.基于决策树与Logistic的上市公司信用评估比较研究[J].西南民族大学学报 (人文社会科学版) , 2013, 34 (5) :135-140.
　　[35]邓晶, 秦涛, 黄珊.基于Logistic模型的我国上市公司信用风险预警研究[J].金融理论与实践, 2013 (2) :22-26.
　　[36]曾诗鸿, 王芳.基于KMV模型的制造业上市公司信用风险评价研究[J].预测, 2013, 32 (2) :60-63+69.
　　[37]王建新, 于立勇.基于信用风险度的商业银行风险评估模型研究[J].管理工程学报, 2007 (4) :85-90.
　　[38]张大斌, 周志刚, 刘雯, 焦鹏.上市公司信用风险测度的不确定性DE-KMV模型[J].系统工程学报, 2015, 30 (2) :165-173.
　　[39]肖斌卿, 杨旸, 李心丹, 李昊骅.基于模糊神经网络的小微企业信用评级研究[J].管理科学学报, 2016, 19 (11) :114-126.
　　[40]唐振鹏, 陈尾虹, 黄友珀.上市公司信用风险的度量[J].统计与决策, 2016 (24) :174-179.
　　[41]李志辉, 李萌.我国商业银行信用风险识别模型及其实证研究[J].经济科学, 2005 (5) :61-71.
　　[42]盛夏, 李斌, 张迪.基于数据挖掘的上市公司信用评级变动预测[J].统计与决策, 2016 (15) :159-162.
　　[43]蒋翠清, 梁坤, 丁勇, 段锐.基于改进Adaboost的信用评价方法[J].运筹与管理, 2017, 26 (2) :135-139.
　　[44]杨秀云, 蒋园园, 段珍珍.KMV模型在我国商业银行信用风险管理中的适用性分析及实证检验[J].财经理论与实践, 2016, 37 (1) :34-40.
　　[45]李晟, 张宇航.中国上市商业银行信用风险分析及比较:基于KMV模型及面板数据[J].中央财经大学学报, 2016 (10) :31-38.
　　[46]帅青红, 方玲, 匡远竞.基于决策树与Logistic的上市公司信用评估比较研究[J].西南民族大学学报 (人文社会科学版) , 2013, 34 (5) :135-140.
　　[47]王磊, 范超, 解明明.数据挖掘模型在小企业主信用评分领域的应用[J].统计研究, 2014, 31 (10) :89-98.
　　[48]付永贵, 朱建明.基于大数据的网络供应商信用评估模型[J].中央财经大学学报, 2016 (8) :74-83.
　　[49]林汉川, 张万军, 杨柳.基于大数据的个人信用风险评估关键技术研究[J].管理现代化, 2016, 36 (2) :95-97.
　　[50]张振敏, 李翠, 程志超.基于支持向量机的小微企业信用分类模型研究[J].征信, 2015, 33 (5) :28-31.
　　[51]孙同阳, 谢朝阳.基于决策树的P2P网贷信用风险评价[J].商业经济研究, 2015 (2) :81-82.
　　[52]萧超武, 蔡文学, 黄晓宇, 陈康.基于随机森林的个人信用评估模型研究及实证分析[J].管理现代化, 2014, 34 (6) :111-113.
　　[53]向晖, 杨胜刚.基于多分类器组合的个人信用评估模型[J].湖南大学学报 (社会科学版) , 2011, 25 (3) :30-33.
　　[54]张岩, 王智茂.我国中小银行信用风险基础数据缺陷处理方法研究[J].数量经济技术经济研究, 2016, 33 (12) :129-143.
　　[55]李毅, 姜天英, 刘亚茹.基于不平衡样本的互联网个人信用评估研究[J].统计与信息论坛, 2017, 32 (2) :84-90.
　　[56]迟国泰, 潘明道, 齐菲.一个基于小样本的银行信用风险评级模型的设计及应用[J].数量经济技术经济研究, 2014, 31 (6) :102-116.
　　[57]衣柏衡, 朱建军, 李杰.基于改进SMOTE的小额贷款公司客户信用风险非均衡SVM分类[J].中国管理科学, 2016, 24 (3) :24-30.
　　[58]张景肖, 魏秋萍, 张波.信用评分模型中稀有事件特殊采样处理方法探讨[J].统计与信息论坛, 2012, 27 (11) :15-19.
　　[59]庞建敏.企业信用管理研究:基于企业的案例分析[J].金融研究, 2007 (11) :162-171.
　　[60]卢玉平.对我国企业信用体系建设的思考[J].生产力研究, 2005 (5) :95-97.
　　[61]陈晓红, 王地宁.企业信用管理制度的缺失与后果:基于838户企业调查数据的经验研究[J].金融研究, 2009 (1) :194-206.
　　[62]陈颖.大数据技术下企业信用体系建设的研究:以建设企业信用大数据平台为例[J].当代经济, 2015 (23) :14-17.

TAG标签： 企业信用评价     企业信用管     大数据