企业信用评级指标体系研究综述

摘要：改革开放以来，我国市场经济建设步伐逐步加快，国际经济一体化进程开始加速，信用评级这个略显陌生的名词逐渐深入到经济发展的各个领域，并起着举足轻重的作用。在08年美国经济危机席卷全球之后，人们在质疑国际信用评级机构的透明度、性、公信力的同时，更应该着重完善企业评级在市场经济中的客观性与公正性。本文通过对国内外学者对信用评级指标体系的研究进行梳理与综述，期望能对信用评级指标体系的深入研究提供参考与指导。

关键词：指标体系；信用评级；企业

A Summary Of Researches On Credit Rating Index System Of Enterprise

Abstract：Since the reform and opening -up started some 20 years ago，our Market economy are developing deeply and more quickly. The International economic integration process begins to accelerate. Credit rating ,a strange noun to us, has gone deep into the economic development of various fields, and plays a prominent role. When the economic crisis first broke out in the United States in 2008,it swept through the global rapidly. At the same time that people focus on the transparency, independence and credibility of the international credit rating,we shoud pay more attention on the improvement of enterprise rating in the market economy. In this paper, through reviewing the researches in credit rating index system done by scholars at home and abroad, I look forward to deepening the understanding of the Credit Rating.

Key words: index system;credit rating; enterprise

信用评级作为一种服务产品，最早起源于1837年，路易斯•塔班在纽约建立了以企业为评级对象的最早的信用评级机构，而1909年约翰·穆迪(John Moody)在美国《铁路投资分析》(Moody’s Analysis of Railroad investlnent)中第一次对铁路债券进行了信用评估。随后穆迪创建了世界第一家企业信用评估机构。1922年，标准普尔公司的前身——普尔出版公司也开始对工业债券进行评级。1931年，美国制定了相关金融法规规范了民间信用评级，奠定了现代信用评级的基础。1974年美国发生了自30年代后最为严重的经济危机，在这次经济危机之后，人们开始关注信用评级，信用风险意识的增强促进了信用评级的迅猛发展。

经过100多年的发展历史，信用评级逐步从传统的单变量评级模式进化为更加完善的多变量评价模式。除了专家系统、评分系统和信用打分系统等传统方法外，新的信贷风险管理方法主要有KMV模型、VAR(Value at Risk)模型、EVA(Economic Value Added)模型和Z评分模型、AHP(Analytic Hierarchy Process)法等。

相对国外信用评级的发展而言，我国起步较晚，最早追溯到20世纪80年代省、市级人民银行内部设立的评级委员会；1986年我国学者吴世农、黄世忠引入了对上市公司财务困境的预测模型研究；1992年，首家全国性证券评估机构——中国诚信证券评估有限公司成立。随着我国经济步伐的加快，近些年来，信用评级在我国得到了空前的发展。目前我国信用评级机构已发展到40多家，遍及全国20多个省市。但是由于发展过快，信用评级相关的法律、法规建设相对滞后，信用评级市场缺乏有效的机制管理与统一规划，使得信用评级存在制度混乱，评级工作不规范，评级机构缺乏性与公正性，评级方法不科学等各种问题。为了完善和发展资本需要，维护市场经济秩序，降低金融风险，建立信用评级指标体系，完善相关制度，已成为我国急需解决的问题之一。

一、信用评级的内涵

    关于信用评级的内涵，国内外学者们并没有形成统一认识。我国学者吴晶妹教授（2001）指出，信用评级是对被评估对象的资金、信誉进行考量，从质和量两方面进行检验和计量，并科学、客观地做出全面评价的过程。而学者朱宝宪（2002）认为，信用评级是不同信用主体承担债务的能力，并使用特定的符号来表示。石新武先生（2003）将资信评估的含义概括如下：所谓资信评估就是由资信评估机构，根据科学的指标体系，采用严谨的分析方法，运用明确的文字符号，对各类经济组织和金融工具的资信状况进行客观公正的评估，并确定它的资信等级的一种评价活动。吴刚（2006）则认为信用评级是运用概率理论，公正、客观、科学的评价有关事项的法律、法规、制度和有关标准化的规定，采用规范化的程序和科学化的方法，对评级对象履行相应经济承诺的能力及其可信程度进行调查、审核和测定，最后以简单、直观的符号来标识其评价结果。穆迪公司认为信用评级是对借款人由于某种原因不能偿还贷款，使贷款人蒙受损失的可能性进行分析。标准普尔公司认为，评级是对信用风险的评价过程，而信用风险仅是投资者在投资决策过程中考虑的因素。

二、国外学者对信用评级的研究

（一）信用风险的定量管理研究

Altman（1968）率先将逐步多元区别分析法应用于财务危机、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，再按各种样本的行业与规模寻找类似的公司进行配对比较，选用了22项财务比率，利用逐步多元区别分析逐步选出5个最有预测能力的财务比率，结合成一个线性模型。这就是后人所熟知的Z值模型。后来，AItman(1977)将多元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，并拉大实验组对与对照组的样本数据差异。0hlson以1970—1975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Logit分析具有较高的正确率。Messier和Hanse（1998）从知识获取角度探讨了比较专家系统在信用风险领域的应用。Odom和Sharda（1990）用Altman制定的财务指标作为神经网络(ANN)的输入，这些财务指标分别为: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。在他们选定的128个样本中，一半为破产企业，另外一半为非破产企业。研究表明:神经网络对于这些企业的第一类预测的准确率在 77.8%—81.5%之间，对第二类预测的准确率在78.6%—85.7%之间。Tam和Kiang（1990）利用三层BP神经网络来训练预测模型、根据输入到网络的样本训练出神经网络的一套权值，在网络训练后可将任何新输入公司划分为破产企业和非破产企业。

（二）信用等级的决定因素研究

Beaver（1966）就1954—19年间的危机公司随机抽取79家样本公司，以观察14个财务比率在公司出现危机前五年的差异程度。研究结果发现判别能力最高的财务指标分别是现金流/总负债、净收入/总资产、总债务/总资产。Blum（1974）在财务危机预测的自变量中引入“现金流量/负债总额”的现金流量相关信息.，并发现此变量是最具区别能力的财务比率之一。Rose，Andcios & Giroux（1982）将总体经济变量加入预测模型中，发现多项总体经济指标确实对公司经营的成败呈现显著影响，包括道琼斯工业指数、失业率、AAA级公司债利率、自由准备、毛储蓄率、企业投资变动、企业平均每小时产出，以及耐用品新订单对GNP之比等。Casey & Bartczak（1985）采用以营运资本为基础的现金流量表，然而研究表明：把营运现金流量加入一般财务比率的自变量中并不能提升解释或预测力。Gentry，Newbold & Whitford（1985）选取8个现金流量相关变量:来自营业活动的现金流量、营业资金、融资、固定设备成本、资本支出、股利、其他资产与负债的资金流量，以及现金与有价证券的变动等。用于破产与预测的研究。实证结果发现，来自营业的现金流量无法改善整体分类准确度，但是现金股利的减少对财务危机具有十分显著的预测能力。

（三）信用等级的预测研究

Horrigan（1966）使用多元回归模型预测穆迪与标准普尔公司的评级，对各个不同的等级赋于主观数值，如AAA为9，AA为8，以此类推，最低C为1。最后回归的模型预测正确率对穆迪为58%，对标准普尔为52%。Pinches & Mingo（1973）率先利用因素分析与区别分析来预测发行债券的信用等级。即先利用因素分析法将众多的观察变量缩减为几个相互的重要因素，再建立区别模型，其对穆迪预测正确率为65%。

三、国内学者对信用评级的研究

随着资本市场的迅速发展，市场信用隐患日益增大，为了更好的对企业信用风险进行预测与把握，优化自身风险控制体系。近些年来，我国学者对信用评级进行了各方面的深入研究，简单来说主要分为以研究信用评级模型为主的信用评级方法的研究，以研究评级指标为主的指标体系研究，以及对上市公司的实证研究与对中小型企业评级体系的构建四个方面。

（一）信用评级方法的研究

张维，李玉霜（1998）对商业银行信用风险评估进行了综述，重点介绍了Z模型，改进了Zeta判别分析模型、MDA、Logistic模型、主要成分分析、聚类分析、数学规划以及神经网络模型等。王春峰，王海晖（1999）用ANN对国内商业银行的客户能否偿还债务进行了比较详细的分析，他们用 AItman的5个财务指标作为ANN的输入，样本总数近100家企业。同时他们用LDA对同样的样本集做了预测，结果表明，神经网络模型所得到的判别准确率高于LDA方法。陈忠阳（2000）分析了Credit Metrics模型与KMV模型的基本思想和求解过程，对CM与KMV比较，并指出两者在量化中的问题。杨星，张义强（2004）建立了基于期权理论的信用风险管理方法的分析框架。利用我国上市公司 1997一2001年股票价格波动的时间序列和截面数据，对中国上市公司的违约频率进行了实证分析。

（二）信用评级指标的研究

根据企业财务管理通则，夏红芳、赵丽萍（1998）构造企业债券信用评级指标体系，并确定了15项财务指标，同时采用神经网络方法，对江苏省4家企业债券进行评级，结果表明该方法具有较好的操作性和可行性。李宗怡（2000）对美国大银行内部信用评级体系进行了介绍，阐述了评级体系设计和评级体系效率之间的关系。邹小凡，余君，钱英（2005）企业信用评估体系的选择方面，提出不仅要选择各种财务指标、还要用管理、人才资源、制度建设、历史记录等指标全面考察企业的信用状况，而且还应将企业放在整个行业甚至整个国民经济中考察其信用状况。学者沈沛龙（2006）将17个比较重要的财务变量分为流动性指标、盈利性指标、偿债能力指标、杠杆比率指标、活动性指标等5大类，以营运比率、总资产收益率、权益比率、总资产周转率4个指标作为输入变量建立了财务困境判别分析模型，并对公司财务风险进行评级。谢春恋（2009）通过广泛的调查研究，分别按大型企业、中小型企业及微型企业三种类型，搜集企业财务数据，进行剖面分析、单变量判别分析、相关性分析及主成分分析，探索影响企业偿债能力水平的财务指标体系，建立企业信用评级模型，然后对研究所得的指标体系及信用评级模型进行实证研究。结果表明，信用评级模型能够较为准确地预测和评价企业的信用水平，具有较好的可行性和适用性。阐士行（2010）针对建立信用评级模型过程中的关键步骤——选择指标的若干种方法进行了比较，用实证分析的方法进行了对比分析，提出了一些在实务中可以操作应用的方法。

（三）上市公司信用评级方法的实证研究

我国学者陈静（1999）以199日年的27家ST企业与27家非ST企业，使用1995一1997年的财务数据进行两类信用判别，多元判别。使用负债比率、净资产收益率、流动比率、营运资产/总资产、总资产周转率等指标数据，结果发现在ST企业发生亏损的前三年能较好地预测经营失败。高培生（2000）的报告则显示我国公司的财务报表数据存在不同程度的失真不会使判别模型失效，利用会计数据律立服务于不同行业的具体判别模型是可行的。吴德胜(2004) 通过遗传算法繁衍样本策略，克服了小样本建立模型的缺陷，律立适合于我国商业企业的信用评分指标体系，并依据该指标体系和遗传优化样本建立了基于反向传播回归神经网络的信用评估模型，利用样本公司实际指标数据对该模型的评分效果进行了比较研究。实证研究结果表明，利用该模型的评分效果比采用从小样本建立的模型优越，判别准确率高达 83.3%。刘展、冯宪宗（2004）针对我国目前缺乏适用的、高效的系统信用评估模型的现状，研究了由希腊学者提出的M.H.DIS信用评估模型。在对该模型详细介绍的基础上，选用我国35家上市公司 1999年财务数据作为训练样本，利用Matlab软件利用M.H.DIS模型的基本思想，构建了经验信用评估曲线、并利用60家上市公司2000年财务数据为检测样本进行检验，获得较好的实证检测效果。通过以上研究分析，文章提出该模型适合我国目前基本国情，具有良好的推广前景。李小燕，卢闯（2004）选取了来自国内某银行提供的1998年至2001年期间授信的76家上市公司为样本，运用实证研究的方法，研究基于业绩的企业信用评价指标与股东所有者权益的相关性，从而提出改进和完善现有企业信用评价模型的构想。有关实证研究表明，企业信用评价指标体系中的业绩指标较非业绩指标与企业的信用等级相关性更高。

（四）我国中小企业信用评级体系构建研究

近年来，我国对中小企业信用评级的研究比较活跃。我国学者牛草林（2005）从研究中小企业的特点着手，构建一套适用于中小企业的信用评级体系，全面客观地评价中小企业的信用状况，解决中小企业在融资过程中遇到的不公正待遇问题，从信用评级的角度解决中小企业融资难的问题。吴刚（2006）以解决中小企业融资难问题为出发点，以建立中小企业信用评级体系为突破口，通过分析研究商业银行现行企业信用评级指标体系在对中小企业进行评级时的缺陷，并根据中小企业的特点及实际情况，借鉴目前国际、国内信用评级的理论和实践经验，对商业银行现行企业信用评级指标体系进行了修正，改进了一套适用于中小企业信用评级的指标体系。赵家敏，黄英婷（2006）则在各种信用评级方法进行简要分析的基础上，提出基于层次分析法构建我国商业银行中小企业信用评级模型。其中包括两个模块：一是中小企业信用评级指标体系优化模块，二是基于层次分析法的指标权重确定模块。通过可量化的“硬指标”的分析，以及对不可量化的“软指标”权重的确定，保证对中小企业评级的客观、公正和有效。最后提出了各商业银行应建立能够支持中小企业贷款的信息系统，各中小企业应提高信息披露的正确性等相应的配套措施。吴青（2007）认为：小企业贷款以其经营成本高和风险难以度量而阻碍了银行对其的经营。《巴塞尔协议Ⅱ》中对小企业贷款最低监管资本的特殊规定降低了银行经营此项业务的资本负担，减少了银行的资金成本。内部评级系统的建立和实施，还可能进一步降低银行的操作成本，提高银行对小企业贷款的风险管理能力，使银行的小企业贷款数量增加，并为小企业货款的开发与建设奠定基础。乔薇（2008）根据我国中小企业的特点和构建信用评级指标体系的基本原则，借鉴国内外的做法，运用层次分析法计算各指标的权重，然后运用多级模糊综合评价法得到信用评级模型，并将模型应用于一个实例分析，验证了该模型的科学性和可行性。

四、总结

截至目前为止，我国对企业信用评级指标体系的研究仍然不够成熟，对这一题目的研究还存在较大的发展空间，尤其在我国经济腾飞的发展阶段，中小企业在我国国民经济发展中扮演着越来越重要的角色，如何解决中小企业融资难，正确对中小企业的信用风险进行合理科学的评级规划，对促进中小企业发展，完善市场经济运作机制具有重大意义。

参考文献：

[1] 张维，李玉霜商业银行信用风险分析综述，管理工程学报[J].1998，3:20-2

[2]焦咏梅,浅议中小企业信用评级体系[J].甘肃科技纵横,2005,34(5)

[3]张鹏.中小企业信用评级体系研究[D].2009.

[4]陈忠阳,信用风险量化管理模型发展探析，国际金融研究[J].2000，2:7-12。

[5]杨星，张义强,中国上市公司信用风险管理实证研究在信用评估中的应用，中国软科[J].2004，l:43-47。

[6] 夏红芳，赵丽萍,企业债券信用评级指标体系及神经网络方法，华东船舶工业学院学[J].1998，2:40-44。

[7] 李宗怡,美国大银行内部信用风险评级体系及其借鉴，国外财经[J].20O0，2:7-12。

[8] 谢春恋.企业信用评级指标体系研究[D].2009.

[9] 陈静,上市公司恶化预测的实证分析，会计研究[J].1999，4:31-38。

[10]高培业,企业失败判别模型实证研究，统计研究[J].2000，10:46-51

[11]阐士行,商业银行信用评级筛选财务指标方法效果对比与校验[D].2010

[12] 刘展，冯宗宪,M.H.DIS模型在我国上市公司信用评估中的应用研究，系统工程理论与实践[J].2004，4:76-82 

[13] 邹小凡，余君，钱英企业信用评估指标体系与评价方法研究，数理统计与管理[J].2005，1:37-44。

[14]李小燕，卢闯,基于业绩的企业信用评价模型的构想，会计研究[J].2004，5:71-7

[15]牛草林,中小企业信用评级体系的构建，财会通讯[J].2005，8:110-113

[16] 赵家敏，黄英婷我国商业银行中小企业信用评级模型研究，金融论坛[J].2006，4:16-2

[17] 康书生，鲍静海，史娜，李纯杰中小企业新用户评级模型的构建，河北大学学报[J].2007，2:26-33

[18] 吴青《巴塞尔协议》、内部喜欢用评级及小企业贷款，国际金融研究[J].2007，5:44-53。

[19] 乔薇.中小企业信用评级模型及其应用——基于一个新的信用评级指标体系[D].2008.

[20]Altman，E.I.Financial Radios，Discriminate Analysis and the Prediction Of Corporate BankruPtcy.Journal of Finance[J].1968，23:1-209.

[21]Ohlson,J.A.Financial Radios and the Probabilistic Predietion of Bankruptcy. Journal Of Accountlng Research[J]1980，18:109-130.