如何对企业进行信用评价（对企业信用评价方法的回顾及思考）

1、对信用评价方法的回顾

1.1、信用评价方法是一个不断发展的过程

对信用评价方法的最早探索可追溯到20世纪之前，随着分析工具的丰富以及数据处理能力的提高，信用评价方法也逐渐向复杂化发展。信用评价方法从定性的经验判断向定量的指标衡量发展，从单一的历史财务数据分析到考虑多种信用影响因素。

企业信用评级方法的发展主要经历了四个阶段，一是从银行信贷决策中产生的、基于信用形成要素的专家判断；二是利用财务比率的综合分析法；三是利用财务报表信息挖掘企业风险的多元判别模型；四是现代社会多样化的基于数理模型的信用度量。

1.2、阶段1：基于信用形成要素的专家判断

1.2.1、专家判断是最早的信用评价方法

专家判断起源于银行信贷业务，是西方商业银行在长期经营的过程中总结出对借款人信用风险分析的方法，是一种建立在长期经营经验上的主观判断方法。20世纪以前，信用评价主要采用专家判断的方法。

1.2.2、专家判断能够全面考虑债务人信用情况

基于信用形成要素的专家判断评价方法较为全面地涵盖了影响债务人信用的因素，将债务人的品德、借款的用途与期限、还款来源、担保情况以及经营环境等影响信用的因素都纳入考察范围中，拥有丰富行业经验的专家对贷款方的信用形成要素逐一进行评估，最终得出是否发放贷款的决策。

1.2.3、专家判断考察的具体信用形成因素

专家打分法有不同的种类，主要是各银行基于对经营习惯的总结，将构成企业信用的要素进行归纳分类：5C要素、5P要素、5W要素、4F要素。这几种信用评价方法虽然指标不尽相同，但实质内容上大同小异。在信用评价过程中，由专家结合从业经验，分析借款人在各项要素下资质，从而最终做出是否授信的决策。

1.2.4、专家判断的不足之处

虽然专家判断方法能够较为全面地覆盖债务人的各项信用要素，但这些评价依赖专家的经验判断，存在一定的主观性，并且受限于专家的知识面。在专家判断法的体系下，随着信贷业务量的增加，需要的分析人员增加，金融机构的审查成本上升。此外，金融机构内部人员的流动，过度依赖专家分析法或许导致不同时期评审标准发生差异，造成信用评价结果前后不一致。

1.3、阶段2：财务比率综合分析法

1.3.1、财务比率综合分析法的由来

为了避免专家经验带来的主观判断误差，定量客观的财务指标逐渐成为信用评价的参考标准。1928年亚历山大·沃尔提出了信用能力指数的概念，首次将财务比率应用到信用评价中，因此这种方法也称为沃尔比重法。沃尔选取了流动比率、负债权益比率、固定资产比例、存货周转率、应收账款周转率、固定资产周转率和自有资金周转率7个财务指标，将目标企业与行业进行对比，并得出最终综合得分。

1.3.2、财务比率综合分析法的应用场景

沃尔比重法提出之初主要是应用于企业的信用评价，将财务比率用线性关系联系起来，提供了除了定性的专家判断之外利用财务比率定量分析的思路，并且操作简单。目前，沃尔比重法侧重于分析企业经营情况，财务指标的选择也随着评估对象的特质而改变，不再局限于传统的7个指标。

1.3.3、财务比率综合分析法的实际应用

财务比率综合分析法在实际应用中需要先选择合适的财务指标并给定每个指标在总评分（以100分为标准分）中的比重，同时确定行业平均作为标准比率，得到相对比率，最终累计各指标得分，综合衡量企业的经营情况在行业中的水平，从而判断企业的信用风险程度。下面图表通过举例，对沃尔比重法的应用进行简要说明。

1.3.4、财务比率综合分析法的不足之处

沃尔提出的这种分析方法，面临的不足体现在三个方面：一是选取的这七个指标是否具有普适性，有待论证。二是权数的准确性也有待考虑；三是如果有一项指标偏离较大，则会对总体得分产生很大的影响，不能体现企业的总体水平。为了弥补偏离度较大问题，该方法可进行调整，限制某一指标偏离的对整体得分的影响。

1.4、阶段3：基于财务指标的多元判别模型

1.4.1、多元判别模型是基于财务指标的线性模型

沃尔比重法通过线性关系将财务指标联系起来，但权重的确定缺乏准确性。多元线性判别分析模型改善了沃尔比重法权重的缺陷，通过大量企业历史数据挖掘权重，选择能够影响企业*、违约可能性的财务指标进行预测，并且拥有较高的预测准确性。

1.4.2、多元判别模型更加科学地利用财务数据

专家评价方法依赖个人经验，沃尔比重引入了较为定量客观的财务指标，但专业人员仍在探寻合乎逻辑的信用评价体系。随着计量工具的成熟，专业人员转向从大量历史数据中探讨规律。多元判别模型充分挖掘财务数据隐藏的规律，并通过大量历史数据研究能够建立信用等级划分临界值，用来判断企业的信用风险程度。这些线性模型均在实际企业信用风险预测中有一定的准确性，因此也得到了广泛的应用。

1.4.3、几种常见的多元判别模型

模型1：Z值线性判别分析模型

Altman建立的Z值线性判别分析模型是最为著名的多元判别模型之一。通过模型给企业打分，如果Z值小于临界值2.675，企业则存在较大的信用风险，划入违约组；反之则划入正常组。

Z=0.012X1 0.014X2 0.033X3 0.006X4 0.999X5

其中，X1为营运资本/总资产，X2为留存收益/总资产，X3为息税前利润/总资产，X4为所有者权益市值/总负债账面值（上市公司），X4为所有者权益账面价值/总负债（非上市公司），X5为销售收入/总资产。

模型2：Chesser信用预测模型

Delton Chesser通过判别分析选择了决定企业信用等级的6个财务比率指标，并建立了相应数学模型：

Y=-2.0434-5.24X1 0.0053X2-6.6507X3 4.4009X4-0.0791X5-0.1020X6

其中，X1为（现金 有价证券）/资产总额，X2为销售收入/（ 现金 有价证券），X3为息税前收益/资产总额，X4为负债总额/资产总额，X5为固定资产净值/净资本，X6为净营运资本/净销售收入。

在获得Y值得基础上，计算企业履行合同概率P，表达式为：

P=1/(1 e^(-Y))

模型3：Bathory信用分析模型

Alexander Bathory建立了计算简单、数据容易获得，而且不仅可以度量企业实力强弱，而且还能够预测企业*可能性的企业信用评判模型。

Y=X1 X2 X3 X4 X5

其中，X1为（税后利润 折旧 递延税）/流动负债（银行贷款，应付税金），X2为税前利润/营运资本，X3为*权益/流动负债，X4为有形资产净值/总负债，X5为营运资本/总资产。

模型4：营运资产评价模型

营运资产评价模型表述如下：

Q=X1 X2-X3-X4

其中，X1为流动比率，X2为速动比率，X3流动负债权益率=流动负债/净资产，X4为总负债权益比率=负债总额/净资产

1.4.4、多元判别模型的不足之处

多元判别模型受限于样本数据，并且受到线性回归模型的假设限制，现实中常常存在样本量不足，且不符合正态分布假设等问题。模型主要考虑财务因素，没有考虑行业特征、企业规模、管理水平等非财务因素的影响，难以全面覆盖信用形成因素。此外，由于该模型以历史数据为基础，随着行业、地域等因素的变化，模型拟合度可能降低，对企业未来的信用状况预测准确性降低。

1.5、阶段4：基于数理模型的现代信用度量

1.5.1、现代信用度量模型是量化模型

1990年以来金融机构业务朝着多元化的方向发展，对信用管理的要求越来越高。为适应业务管理需求的变化，专家们根据风险管理理论创建了多种以数理模型为基础的现代企业信用评级模型，尽可能多地考虑外部影响因素，并量化信用风险。

1.5.2、现代信用度量更加精准地衡量企业信用状况

现代信用度量模型基于数理模型进行风险度量，拥有数理模型的精确性的特点，能够更加精准、客观地衡量企业信用状况。这些数理模型也突破财务指标的局限性，不再受限于企业的历史数据以及线性回归模型对样本正态分布的假设，还加入了其他信用影响因素，更加全面衡量企业信用风险。

1.5.3、典型的现代信用度量模型

在数理模型中，KMV模型与Credit metrics模型是目前国际金融界最流行的两个信用风险管理模型。

KMV模型——信用监控模型（credit monitor model）

KMV模型基于期权定价理论，应用股票市场实时数据，量化评估上市企业的信用风险，根据股票价值及波动率推算出企业资产价值及其波动率，从而计算企业EDF（预期违约频率）。由于股票市场交易数据可获得性强，KMV模型也能够及时更新企业信用状况。

信用矩阵（Credit metrics）模型

J.P.摩根公司于1997年推出了信用风险量化度量和管理模型——信用矩阵(Credit metrics)，对贷款和私募债券这些缺乏公开交易价格数据的资产价值和风险进行计算。Credit metrics模型数据来源主要为企业的历史信用评级，进而估计下一年度评级发生变化的概率、违约贷款的回收率，计算非交易性资产的市值和波动率，从而对个别贷款或贷款组合的VaR值进行计算。

1.5.4、现代信用度量模型的缺陷

KMV模型与Credit metrics模型作为现代的信用评价模型能够为投资者提供更加科学的信用评价，降低了主观因素对信用评估的影响。但这两种方法还是受限于模型的假设，模型分布的假设难以反映信用风险的真实分布，还有一些道德因素等未能体现。以新技术为基础的信用度量模型优势也仅限数理模型，仍然未能解决信用风险形成的内在因素不断变化的问题，在实践运用中还存在重重障碍。

2、总结：对信用评价方法的思考

信用评价方法的出现以及发展旨在将借款人的信用资质高低进行区分，进而降低债权人的风险，提高金融机构的资金使用效率。信用风险管理从银行信贷业务开始发展，逐渐衍化为各行业债权人对债务管理的重要管理内容之一，而如何科学有效地进行信用评价也一直是从业者不断探索的问题。

2.1、模型无法识别信息质量

随着信用评价方法的发展，越来越多的信息被纳入评价体系，信息的充分度得到了提高，但该评价体系却无法改善甚至无法识别信息的质量。例如，部分企业存在财务粉饰的情况，财务数据表现良好导致模型出现误判。因此信用评价过程，还应包括对信息质量的判断审查。

自亚历山大·沃尔提出财务比例综合分析法以来，研究人员尝试通过定量信息探讨一套简易可行的评价体系；但必须认识到，对信息来源的核对以及信息质量的审查是我们信用评价的起点。虽然多元判断体系下对定量分析方法做进一步的完善，甚至后期出现的KMV模型与Credit metrics模型纳入了更为丰富的信息，但整体上模型对信息质量的识别仍处于较为乏力的状态。

2.2、对于过往信息的依赖

随着信用评价理念以及工具的发展，信用评价的方法也逐步多样化。信用评价模型更多是聚焦借款人（发行人）自身的业务特点及财务信息，这些主要为过往信息，基于历史数据的信息对未来做出判别。但实际上，信用风险形成的内外部因素处于不断变化的状态。尤其是信用评价模型对于宏观经济变化带来的影响，或者其他非财务因素的变化，其预测性较弱。

KMV模型通过引入股票市场价格实时行情来判断投资者对该企业未来发展的综合预期，但大部分发债企业并非上市公司，同时在新兴市场，股票价格的波动剧烈，并不完全反映企业的真实情况。信用审查的过程中，要将过去信息、经验与未来前瞻性相结合。

2.3、信用评价模型的发展方向

信用评价方法是一个不断发展的过程。针对提高信用风险度量的准确性，信用度量越来越多地应用数学、统计、计算机等学科的技术，出现了应用模糊数学、层次分析法、主成分分析法、人工神经网络等新技术方法来开展信用评级的方法。信用评价方法从定性的经验判断向定量的指标衡量发展，从单一的历史财务数据分析到考虑多种信用影响因素。随着技术的发展，未来或将出现更为高效的模型，不仅可以纳入更丰富的信息体系，还能够挖掘样本的深层信息，及时识别信息的质量，进行综合评价。

3、风险提示

需要认识到单一评价方法的不足，在信用评价过程中，要结合外部经济环境、行业发展趋势、企业的财务表现进行综合评价。此外，结合我国实际情况，部分企业存在财务粉饰状况，还应加强对信息质量的审查。