在中小企业的信贷市场中, 由于借款人和贷款人之间存在着明显的信息不对称, 致使借款人承担的风险上升, 贷款人借款的成本增加。为了缓解这种信息不对称, 越来越多的学者针对中小企业的信用评价体系展开了研究。Feldman认为信用评价可以改善中小企业信贷市场中借款人和贷款人之间信息不对称现象, 影响贷款定价。信用评价被金融机构, 尤其是银行广泛使用, 可以起到区分优良和不良信贷的作用, 使用信用评价体系可以降低信用过程的成本和与不良贷款相关的预期风险, 优化信贷决策, 节省时间和精力。

　　在大数据的时代背景下, 贾男和刘国顺认为, 应通过跨部门数据集成、厚数据抽样调查和网络数据采集三方面获取信用信息, 进行数据挖掘与信用模型研发。张超和朱维娜则构造了电子商务相关的中小企业信用指标体系。国内已有不少学者对互联网征信业务的发展趋势、现状及缺陷进行了探讨, 国外学者Sadatrasoul也通过回顾文献指出了数据挖掘技术主要应用于个人信用评分, 但鲜少有文献针对大数据背景下中小企业信用评价体系进行具体研究。事实上, 我国初步发展起来的互联网征信 (如芝麻信用、腾讯信用、京东白条等) 多集中在个人信用评分上, 还没有一个与企业 (尤其是中小企业) 信用评分相关的成熟互联网征信系统。故本文将基于大数据时代背景, 试图运用层次分析法构建一个结合互联网特质的、针对中小企业的信用评价体系。

　　1、大数据背景下中小企业信用评价体系构思

　　以往评定企业信用时, 信用评分指标多是来源于被评定企业的规模、运营能力、盈利能力和偿债能力。但由于中小企业的信息披露不完整, 财务账目不可靠, 仅仅依靠企业本身的一些财务指标来作为信用评价指标是远远不够的, 这也是为何我国银行更倾向于向大型企业提供贷款的原因之一。因此, 基于大数据高速发展的背景, 本文认为应综合应用企业董监高个人信用、企业信用、企业社会信用三个方面的信息来评价中小企业的信用。

　　1.1 企业董监高个人信用

　　任何一个企业的壮大发展都离不开管理层和治理层的才能。小企业在初期多是采用个人独资或者合伙制, 而合作者一般都是家庭成员或者关系亲密的友人, 在经历初期资本积累之后, 越来越多的中小企业都采用了“三会一总”的公司治理机构。无论是何种治理结构, 评定中小企业信用时都应当考虑到人的因素, 尤其是高管层的个人信息。高管的人口背景特征影响了个人信念和情绪, 进而会影响到高管的管理行为, 高管特征是影响企业决策和绩效的重要因素。我国大数据征信在个人征信上已经迈出了一大步, 诸如芝麻信用、腾讯信用、前海征信、鹏元征信、拉卡拉等都有了自己的一套个人征信体系, 此时只要借鉴和利用已经逐步成熟的个人征信系统 (如FICO分数) 并加上个人法律诉讼纠纷等相关信息, 通过数据整合, 获取与被评定真的中小企业相关的董监高相关个人信息即可。

　　1.2 企业信用

　　在企业信用评价方面, 以往的有关业务能力、盈利能力、偿付能力、无形资产的信用评价体系已经成型, 结合现阶段互联网电子商务的性质, 除了可以在文本挖掘、网络交易量、用户量、好评率上增加信息含量之外, 还应当考虑到被评定企业的合作伙伴的情况。因为中小企业规模小的内在原因, 企业发展受其合作伙伴的影响非常大, 有时一个重大合作伙伴的失信违约, 可能导致本企业经营困难甚至破产。企业间违约成本高, 信息相对透明, 将企业与企业“打包”, 不仅可以缓解信息不对称产生的信贷风险, 而且能打造一个强有力的供应链, 同时可以改善产业生态环境、促进结构性融资创新。何国钦也认为结构性融资创新可以提升中小企业的“边际信誉水平”和融资能力。故本文认为监测被评定企业的合作伙伴, 包含上游企业、下游企业以及整个相关行业的情况都是非常有必要的。在评定合作伙伴时, 该合作伙伴的财务状况、发展状况、偿债状况、社会信用等都应该考虑进来。

　　1.3 企业社会信用

　　企业社会形象和社会影响与企业信用密不可分, 乔治·斯蒂纳与约翰·斯蒂纳认为, 企业盈利越多, 相应的承担的社会责任也越大, 企业发展不顺自然会削减社会项目甚至采用非道德手段摆脱困境。故本文认为在评定中小企业信用时, 应当引入社会信用指标, 从社会形象和社会影响两个指标来考量。可以通过文本挖掘、数据抓取、词频统计等技术分析媒体报道及社区评论, 企业参与的公益事业并结合中国企业信用数据库中的信用等级评价来综合评定企业社会形象。一个经营良好有利润的企业将会有良好的社会形象, 良好的社会形象比如也会促进企业的进一步发展, 它们是相辅相成的。另一方面, 企业项目乃至整个企业的业务对社会就业、教育、环境、健康的影响同时也将影响企业社会信用, 这是一个促进市场经济繁荣、符合当下企业发展趋势的良性循环。

　　2、层次结构模型的构建与权重计算

　　结合本文第一部分有关“大数据背景下中小企业信用评价体系构思”, 本文构建出了一个详细的层次结构模型, 如表1所示。层次分析法可以将专家的知识纳入计算机软件, 通过指标建模、评定优先级、计算机评估权重从而做出决策。根据表1中层次结构模型, 按照1-9标度法进行对比赋值, 两两指标比较判断后构建出相应的判断矩阵, 通过比较矩阵计算最大特征根和特征向量, 利用一致性指标进行一致性检验。经过一致性检验后, 所有CI值均小于0.1, 通过一致性检验。由于篇幅原因, 仅给出通过专家赋值对各层进行权重计算后得出各层指标的权重, 结果显示在表1各指标相应的括号中。

表1 大数据背景下中小企业信用评价体系层次结构模型 (含权重)

　　3、结论和展望

　　在互联网高速发展的现在, 信息处理与交互变得容易许多, 而大数据背景下, 中小企业的发展也并存着无数机遇与挑战。为了缓解中小企业“融资难、融资贵”的困境, 可以利用大数据、云计算、文本信息挖掘、信息交互等技术手段, 将各种各样不同类型、来源的数据整合到一起, 用更多、更准确、更完备的指标体系来评价中小企业的信用水平。

　　本文利用层次分析法, 突破了传统评价中小企业时仅依靠有关盈利能力、偿付能力等被评定企业财务信息的框架, 从企业董监高个人信用、企业信用、企业社会信用三个方面构建了一个大数据背景下中小企业信用评价体系。其中, 在企业信用这一方面, 在传统评价指标的基础上增加了被评定企业合作伙伴这一方面的指标。从前, 获得如此复杂多样的数据是需要耗费大量时间和成本的, 但在大数据蓬勃发展的当代使获得这些信息的边际成本大大降低, 例如可以以合作的方式从各大网站交互获取数据、利用词频统计来分析媒体报道和社区评论等等, 从多方面多角度获取充分可靠的信息来评定中小企业的信用已经成为可能。

　　但基于层次分析法是一种定性和定量兼具的方法, 在计算权重时, 专家组主观判定起到了一定作用, 不同专家主体可能会得出不同的权重系数, 只要判断合理且能通过一致性检验, 本文构建的信用评价体系都是可行的。正因为该信用评价体系具有一定的灵活性, 所以可以根据被评定的不同企业性质, 得到不同的判断矩阵和权重系数, 以便得到更合适、更准确的信用评价。

　　参考文献
　　[1]Eisenbeis R A.Recent developments in the application of credit-scoring technique to the evaliation of commercial loan[J].Ima Journal of Management Mathematics, 1996, 7 (4) :271–290.
　　[2]Feldman R.Small business loans, small banks and big change in technology called credit scoring[J].Region, 2009, 11 (3) :19-25.
　　[3]贾男, 刘国顺.大数据时代下的企业信用体系建设方案[J].经济纵横, 2017, (02) :40-44.
　　[4]张超, 朱维娜.基于层次分析法的互联网金融中小企业信用评价体系构建[J].征信, 2014, 32 (10) :25-29.
　　[5]林平.征信市场发展:国际趋势、我国的差距与对策[J].南方金融, 2016, (10) :3-8+23.
　　[6]Sadatrasoul S M, Gholamian M R, Siami M, et al.Credit scoring in banks and fnancial institutions via data mining techniques:A literature review[J].Journal of Ai&Data Mining, 2013, 1 (2) :119-129.
　　[7]何国钦.基于信誉链的中小企业结构性融资创新[J].上海金融, 2009, (08) :94-95+83.
　　[8]乔治·斯蒂纳, 约翰·斯蒂纳, 张志强.大师经典系列:企业、政府与社会[M].华夏出版社, 2002:143-144.

TAG标签： 信用评价     中小企业     数据