保险专业资源下载网站

摘 要：全球金融危机对企业信用风险度量提出更高要求。本文从中小企业的信用风险度量角度出发，分析对我国中小企业的信用风险度量的适用模型，并采取实证方法对Logistic模型的度量效果分析检验。分析结果表明，Logistic模型在中小企业的信用分析度量中具有较好的适用性。
关键词：Logistic模型 中小企业 信用风险度量
随着全球金融危机的爆发，对企业信用的评价成为银行信贷管理中日益重要的课题。作为融资弱势群体的中小企业的信用评价和度量，更加成为银行一个让人头疼的问题。中小企业信用风险的度量成为一个重要课题。
1 几种信用风险度量模型的比较分析
信用风险的度量，在国际上尚未形成成熟的模型。国际上主流信用风险度量方法和模型也都有各自的优缺点。
一般认为，传统信用分析方法和信用评级方法简便易行，对数据的要求不是很严格。但是这两种方法主观性较强，不同评级机构或者不同专家对同一对象的分析可能得出不同的结论，评级结果的公正性也受到多种因素的影响。
多元判别分析法可以找到具有判别能力的财务比率、能够衡量企业的整体绩效。但是，这种方法要求变量符合正态分布、变量和信用风险之间呈现线性关系的假设，使得多元判别分析模型仅适用于有准确财务数据的公司，即公司有一定的规模，发展相对比较成熟，对中小企业的适用性则较差。
KMV模型适用于对上市公司的信用风险评估；另外，该模型基本上属于一种静态模型，但实际情况绝非如此，尤其是中小企业，由于发展不成熟，企业的资本结构在不断发生变化。因此将KMV模型运用到国内中小企业信用风险管理工作仍不适合。神经网络模型的运行模型对于弱化权重确定重的人为因素十分有益、具有很强的容错能力、还能处理复杂的非线性关系问题。
但是，要得到一个较好的神经网络结构非常耗费人力和时间。一般认为，神经网络模型适用于授信后评价过程，较少用于信用评价前期。
CreditMetric模型度量对同经济环境、不同宏观条件下信用等级转移概率是固定的假设会引起评估结果偏差。1997年麦肯锡公司提出信用组合观点(CreditPortfolio View)对信用等级转移概率矩阵进行修正，但该模型的操作比较复杂，稳定性较差，仍需继续完善。