企业信用评价精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的企业信用评价主题范文，仅供参考，欢迎阅读并收藏。

第1篇：企业信用评价范文

关键词:企业信用模糊综合评判法 德尔菲法

引言

企业信用作为社会信用的三大组成部分之一,也是社会信用体系的基础和核心,因此,企业行为对构建良好社会主义市场经济秩序起着十分重要的作用。本文针对现存在的问题提出基于模糊综合评判下的企业信用评价,其中应用德尔菲法对各评价指标打分的方法确定其隶属度和权重,实现定性分析和定量分析相结合的对企业信用客观、综合的分析。

一、企业信用评价指标体系

企业信用评价是一种普遍反映企业信用风险的方法,本文根据企业的特点、将影响企业信用等级的因素分为企业外部因素(包括市场前景、国家法律政策、行业环境)、企业内部因素(包括组织结构、企业战略、竞争地位、行业承保)、企业管理因素(包括产品定价、投资管理、业务管理)和企业财务因素(包括企业财务制度、企业盈利能力、资产流动性)四个方面,在此基础上,选择有代表性、对企业信用影响较大的因素作为二级指标建企业信用评价指标体系。

二、构建综合评判模型

2.1 评语集的建立

企业的信用等级通常从高到低划为为四等,即信用好、信用较好、信用一般、信用差,分别用A、B、C、D表示,本文据此确定信用评语集V={ A; B; C;D}。

2.2确定评判集

以企业的信用为评价目标,将目标分解的具体指标。本文结合构建的企业的评价指标体系,确定一级评判因素集为U={企业内部因素,企业外部因素,企业管理因素,企业财务风险};根据二级评判指标确定的二级评判因素集为:

U1={组织结构,企业战略,竞争地位,行业承保};

U2={市场前景,国家法律政策,行业环境};

U3={产品定价,投资管理,业务管理};

U4={企业财务制度,企业盈利能力,资产流动性}

2.3确定评判矩阵R

评判矩阵R看为评语集X到因素集U的模糊关系,R∈F(X×U),用各项判据对每个评判对象进行评价。rij是对象对于xi因素ui的特征指标。可以把rij看为因素ui属于xi的程度。即因素ui对于xi的隶属度。rij∈[0,1]看作集合U的模糊集。本文结合德尔菲法确定因素ui属于xi的程度,即有专家打分的方式确定rij。

2.4 确定权重

权重系数是表示某一指标在整个指标体系中具有的重要程度.某种指标越重要,则该指标的权重系数越大,反之,权重系数越小。本文根据应用德尔菲法确定一级因素层的权重和二级因素层的权重。

2.5 确定评判函数f

评判函数f是一个m元函数,m个自变量都在[0,1]区间取值,对应的函数值可取任意实数。即d=f(z1, z2, z3 …. , zm) zi∈[0,1]本文根据模糊综合评价模型式Ⅰ:d1=a1z1+a2z2+……+amzm=。

2.6 综合评判模型构建

首先,根据模糊综合评价模型式Ⅰ:d1=a1z1+a2z2+……+amzm=。得到信用等级评判据集的关于评语级的隶属向量:D =(d1, d2 ,d3 ,d4)。d1, d2 ,d3 ,d 4表示U属于xi(i=1,2,3,4)的隶属度。

D =(d1, d2 ,d3 ,d4)=( R1 ×A1 , R2 ×A2 , R3 ×A3 , R4 ×A4 )。

其次,再将D作为一级评判据集的评判矩阵和模糊综合评价模型式Ⅰ,进行上一级综合评判,以此来确定此项目投资风险属于评语级X的隶属度v。根据隶属度判断项目的风险大小。

V=D×A=( R1 ×A1 , R2 ×A2 , R3 ×A3 , R4 ×A4 )×A

三、实例分析

根据图1所示企业信用评价指标体系,确定某企业的评价指标

3.1确定评判矩阵

应用德尔菲法参用专家打分的方式确定评判矩阵,对于组织结构一项假设有35%专家认为该企业信用等级属于A级,40%专家认为属于B级,15%专家认为属于C级,其余专家认为属于D级,则得r1j=(0.35,0.4,0.15,0.05)。其余各项因素也类似通过专家打分,得到如下评判矩阵:

3.2 应用德尔菲法确定权重

本文根据应用德尔菲法,利用专家经验确定一级因素层的权重:A={0.3, 0.2, 0.2, 0.3}

二级因素层的权重分别为:A1={0.3, 02, 03, 0.2} A2={0.3, 0.4, 0.3 } A3={0.4, 0.3, 0.3 }A4={0.2, 0.4, 0.4}

3.3 模型求解

计算

依次类推求得d2、d3、d4得

即企业信用等级属于C的隶属度是0.253最大;信用等级属于A的隶属度为0.236最小,说明企业的信用等级为C,信用一般,作为企业自身应进一步加强企业信用建设,提高信用等级。

四、结论

本文将模糊评判方法和德尔菲法结合,建立企业信用情况评价的模糊综合评判模型,其积极意义有如下:

1)将德尔菲法定性评价和糊评判方法定量评价相结合,再次实现了定量分析与定性分析的结合。

2)通过两种方法的结合,削弱了定性分析方法中人为因素的影响,使得评价结果更客观。

3)应用德尔菲法,结合专家经验知识将模糊评价中的模糊因素转化为可靠、符合实际的量化指标,提高评价结果的精度且能更加反映实际情况。

利用该模型对企业信用评价,当有多个拟合作对象时,通过信用隶属度的比较决定是否与其合作,是企业决策提供有效、可靠的分析方法。

参考文献:

[1]刘林.应用模糊数学[M]西安:陕西科学技术出版社,1996

第2篇：企业信用评价范文

[关键词]信用评价 层次分析法 优势 评价指标 应用

[中图分类号]F276.3；F832.4 [文献标识码]A [文章编号]1009-5349（2013）01-0158-02

一、信用评价

信用评价是以一套相关指标体系为考量基础，标示出个人或企业偿付其债务能力和意愿的过程。

二、对中小企业信用评价的难点

对中小企业信用评价的难点在于，无法对中小企业行业发展潜力、经营发展和偿债风险进行评估，从而导致银行等金融机构对中小企业的信贷能力产生怀疑，造成中小企业信用度缺失，进而出现融资难的现象，导致企业发展与企业信用逆反现象，使得企业信用降低。

三、选择合适的评价方法——层次分析法

层次分析法是一种能有效处理那种难以完全由定量方法处理的复杂问题的方法。将复杂的问题分解成目标、准则、方案等若干层次的系统，在每一层次按照一定准则对该层元素进行逐对比较，并按标度定量化，形成判断矩阵。通过计算判断矩阵的最大特征值以及相对应的正交化特征向量得出该元素对该准则的权重。

（一）运用层次分析法的优势

层次分析法是从中小企业发展的内外发展状况进行分析。将行业状况、经营状况、管理状况、财务状况等作为层次影响因素，对各层次因素进行细分，进一步对成本结构、盈利能力、负债能力等二级因素进行科学分析，得出各二级细分因素在企业信用评级中的权重比例以及评分结果，银行金融机构、担保机构等依据最终指标评分结果对中小企业所处行业状况、财务状况、经营状况等方面进行系统的风险性和收益评价，确定是否给中小企业实施贷款业务。

（二）层次分析法步骤

4.最终得出信用评价得分=100*权重。

四、对我国中小企业信用评价指标的选择

（一）行业状况

掌握行业的特征和风险程度，就能掌握被评价者在行业中的竞争地位，从行业的基本状况和发展趋势来判断被评价者的基本风险。考察的因素有：成本结构、行业周期性、行业盈利性、产品替代性。

（二）经营状况分析

要全面地评价企业信用，还需要分析企业身的经营管理风险。包括：经营策略分析、管理控制分析、管理层素质经验、组织结构分析。

（三）管理状况分析

企业的管理状况、领导层的素质和管理水平直接关系着企业的经济效益，对企业的管理现状进行分析，是对企业信用程度分析的必要环节。

（四）财务状况分析

企业的财务状况决定了企业的信用基础，任何企业的信用都要以财务基础为保障，企业财务与企业信用互相制约。因此，分析企业财务状况是对企业进行信用评价的关键。

五、层次分析法评价应用

（一）对某小企业基本信息状况进行层次分析法处理

以下是对某一小型太阳能企业基本信息的考察，搜集资料数据，掌握本企业所在行业基本情况。

成本结构：固定成本相对其他企业较大，流动成本适中，盈利能力一般；太阳能产业作为新型能源产业，有着良好的发展前景；行业盈利能力强，太阳能资源作为新型能源，绿色环保，加上技术先进化，企业利润随着市场规模的扩大，逐渐增加；行业依赖性大，同行业替代品较少，初步预测未来五年无新型产业能替代太阳能产业。通过专家学者对太阳能企业的行业分析，依据数据统计建立中小企业的初始矩阵图（包括财务状况、经营状况、管理状况），初步确立各指标的相对权重。

在此我们建立信用评价结果集。这里以优、良、合格、不合格四个标准来评价中小企业的信用度，即评价集为V=（优、良、合格、不合格）。参数指标如下：40～50为优，30～40为良，20～30为合格，20以下为不合格。

（二）小太阳能制造企业信用评价指标分析

从上表统计本小太阳能制造企业信用评价指标得分来看：

1.出于行业发展分析：太阳能产业正处在新能源开创初期，作为新能源行业具有巨大的发展空间。

2.总体经营状况发展可观，本小企业能够正确的进行产品分析和市场评价，运用正确的经营策略，能保证企业在以后发展中处于基本稳定状态，良好的企业经营状况能够给企业带来良好的信用评价。

3.企业内部管理较为科学，组织结构适中，管理者知识技能和管理素质给企业的科学发展提供了软条件。为企业的长久发展具有战略性指导意义。

4.企业财务是公司一切事务发展的基础，良好的财务状况决定了企业具备较强的发展能力。企业总体处于一个好的发展状态，盈利能力较强，负债比率较低，说明企业值得信任，正常条件下不会出现资金信用缺失问题。

综述，企业总体信用度处在高分位置，表明企业信用度比较高，除企业自身存在小部分问题之外，总体信用能给银行评价机构一个可信赖答复。从企业信贷风险和银行收益角度考虑，银行可以给予本小企业一定金额的融资贷款业务，帮助企业实现技术、制度、产品创新。

【参考文献】

第3篇：企业信用评价范文

关键词：科技型创业企业；信用评价；BP神经网络

中图分类号：F27

文献标识码：A

文章编号：16723198（2015）23006203

1 引言

目前，科技型创业企业已成为推动国民经济持续健康发展的重要动力之一，然而在其发展和壮大过程中也最容易出现制约其发展的问题。由于科技型创业企业需要大量的资金投入，融资问题已成为影响其是否取得成功的关键因素。在国内企业取得融资的有限渠道中，银行和金融市场起着至关重要的作用，但往往由于市场信息的不对称以及企业信息不透明等因素的限制，出于规避高昂的监督成本和收益的高度不确定性等风险，银行和金融机构在放贷额度中给予科技型创业企业的融资额度相对有限。由于科技型创业企业的研发周期长，在缺乏有效的外部融资的状况下，即使项目有大好投资前景，企业也有较大的失败风险，最终无法发挥出科技型创业企业对企业技术创新的促进作用。因此，对国内科技型创业企业进行信用评价，建立适合其特征的信用评价模型，来提高其信用水平、财务信息透明度、拓宽其融资渠道十分必要。目前国内针对企业信用评价的研究有了一定的发展，但统一的主要针对科技型创业企业信用评价的指标体系和评价模型尚未形成。

传统的企业信用评价模型主要有专家打分法、信用评级方法和信用评分方法等，现代的信用评价模型主要有：KMV模型、财务比率分析模型、Logit回归模型、神经网络模型、模糊综合评价法和AHP（Analytical Hierarchy Process）法。由于企业的信用风险与反映企业信用风险状况的各项指标变量之间通常具有非线性的关系，而上述企业信用评价方法都不能有效解决变量之间的非线性关系，也不能有效解决指标变量存在的非正态分布问题。由于神经网络模型在解决变量间的非线性关系问题中具有优越性，在Odom（1990年）运用神经网络模型解决企业信用评价问题之后，神经网络模型逐渐获得了相关实践者和学者的极大关注。Tam（1991）、Kiang（1992）、Datta（1991）和Shekhar（1992）将神经网络模型用于银行破产预测，Altman（1994）将其用于对意大利企业经营成败状况进行预测，取得了比多元判别分析模型预测结果更加准确的结果。根据小微型科技企业信用状况的特点，何跃、蒋国银（2005）运用人工神经网络原理构建了三层BP神经网络信用评价模型，该模型的优点是具有较强的自学习和非线性处理能力，针对小微型科技企业信用状况的预测具有较高的预测结果。国内许多学者（鲍盛祥、殷永飞，2009；庞素琳，2012）认为，在变量之间是非线性关系的情况下，人工神经网络模型的精度优于传统的统计方法。

2 BP神经网络概述

BP神经网络具有准确性高、误差小、收敛速度快的显著优势，相比其他企业信用评价方法，BP神经网络模型的自学习能力和自联想功能较强，也不要求样本数据呈正态分布、满足先验概率已知以及协方差相等要求，同时也具有能够有效解决非线性分类问题、对样本数据容量不做具体要求等优势，是处理企业信用评价问题的理想方法。因此，本文使用BP神经网络来建立适合科技型创业企业的信用评价模型。

神经网络内部依次为输入层、隐含层、输出层，BP神经网络属于前向反馈神经网络，BP神经网络的学习算法包含了正向和反向传播两个过程，正向传播过程即为：指标变量信息由输入层经隐含层各神经元传向输出层，前层神经元的处理结果只对后层神经元的结果产生影响，如果最后输出层产生的结果与期望输出不符，则自动转变为反向传播过程。反向传播即为：将输出误差经隐含层神经元向输入层逐层反馈，在此过程中，网络会将误差均摊给各层的每一个神经元，从而网络可以取得各层神经元传来的误差信号，网络将其作为修正各神经元权值的依据，经过权值的不断调整使网络完成训练。权值的调整过程持续到预先设定的学习次数或输出误差减小到可接受程度为止。三层前馈BP神经网络的结构如图1所示。其中，X=（x1，x2，……，xn）代表输入向量，Y=（y1，y2，……，ym）代表输出向量，n和m分别代表输入和输出向量的维数。不同层间的神经元属于全互联接，每层次内的神经元没有任何连接。

来衡量其信用的高低。反映科技型创业企业经营和财务状况的财务指标具体包括偿债能力、盈利能力、营运能力和成长能力等方面。本文在借鉴现有企业信用评价研究成果并结合科技型创业企业的特征，选择出16项可以有效反映科技型创业企业特点的财务指标。为解决某些财务指标变量间高度的相关性问题，本文通过SPSS 19.0软件，使用因子分析法对这些指标变量进行分析和整理，在删除那些与科技型创业企业信用状况不相关或与其他指标高度相关的指标后，本文最终确定了包含12项指标变量的指标体系作为下文对科技型创业企业的信用状况进行评价的指标体系（如图1所示）。但由于保留的指标变量间还可能存在多重共线性问题，为保证评价结果的准确性、可靠性，本文再次对其进行因子分析来提取公因子，以特征根大于1且累计方差贡献率大于80%作为提取公因子的标准，通过分析本文提出了5个能够体现原始变量的主要信息的公因子，它们即为下文评价模型中的输入变量。

由于选取的样本企业的各项财务指标包含了不同的量纲和数量级，本文首先将各指标变量进行标准化处理，从而使各个指标变量都具有共同的数值特性。本文运用的标准化方法如下式所示：

Xij=xij-xjσj，其中，Xj为原始数据的均值，Xj=1ni=1xi，σj为原始数据的标准差，σj=1nni=1（xij-xj）。

4 科技型创业企业信用评价实证分析

4.1 BP神经网络的设计

BP神经网络可以根据实际情况来设置一个或者多个隐含层，当样本较多时，增加一个隐含层可以显著减小网络规模。由于包含单个隐含层网络可以通过适当调增神经元个数来实现任意非线性映射，所以，包含单个隐含层的神经网络即可解决大部分场合下问题。因此本文建立的BP神经网络模型包含单个隐含层。

（1）输入层和输出层神经元个数。输入层神经元个数等于输入变量的个数，由于本文得到了5个公因子，因此输入层神经元数n=5。输出层神经元的个数m取决于科技型创业企业信用评价结果类别。本文用输出“1”表示中小企业信用正常，用输出“0”表示中小企业信用较差，因此本文建立的模型的输出层神经元的个数为1。

（2）隐含层神经元个数。隐含层神经元个数的确定目前还没有一个理想的解析式，通常根据经验公式来确定。

常用的经验公式为：n1=n+m+a，其中m为输出层个数，n为输入层个数，a为[1，10]之间的常数，有上文可知，m=1，n=5，代入公式可知隐含层个数的取值范围为（3，13），经过实际对比分析，当隐含层选10时，训练误差较小，因此，本文设定隐含层个数为10。

（3）训练函数的选择。本文建立的BP神经网络模型的输入层和输出层函数均为Sigmoid函数，并设定最大训练步长epoch=1500。

（4）样本原始数据来源。本文选择了100家在创业板和新三板上市的科技型创业企业的财务数据作为实证样本数据进行训练，各项数据取自于瑞思数据库和东方财富Choices数据库。为了确保能够得到可靠、准确的训练结果，样本企业行业的选取包含了电子、化工、制药、家电、生物科技、机械制造、金属加工等多个行业部门，能够反映科技型创业企业的特征。

4.2 实证分析与结果输出

本文运行Matlab2014a版本并运用编写的程序将100家企业各自的5项主因子作为输入变量，对网络进行训练和检验并对训练样本进行了仿真。本文将前90家企业数据作为训练样本来训练网络，将后10家企业数据作为检验样本代入网络以检验网络的预测精度。对于得出的预测结果设定以0.5为分界值，如过大于05，则将公司判定为信用好的企业，反之则判定为信用差的企业。由图2可知网络可以以较快的速度实现收敛。

为了抵消随机因素的影响，本文取相同的训练参数和测试样本代入网络重复运算20次，统计正确率和迭代次数（如图3所示），20次训练结果如表2。

由网络20次训练结果（表2）可知，使用BP神经网络模型对实证样本数据进行预测的结果和期望输出对比后，模型的平均正确率达到83%，预测精度较高，适合作为预测科技型创业企业信用状况的评价模型。实证结果表明，利用BP神经网络对科技型创业企业进行信用评价，具有较高的可操作性和准确性。

5 结论

本文在借鉴国内外现有的企业信用评价理论和相关研究成果的基础上，结合科技型创业企业的特点构建了适合对其进行信用评价的指标体系，然后在运用因子分析提取反映企业信用状况的公因子作为代入模型的指标变量，据此建立了BP神经网络信用评价模型，通过对国内100家在创业板和新三板上市公司的实际数据进行分析，得出的实证结果表明使用BP神经网络对科技型创业企业进行信用评价的平均正确率可以达到83%，具有较高的准确率和可操作性。因此，金融机构可以据此加强对科技型创业企业的信用评价，筛选优秀的科技型创业企业借款人以降低信用风险，同时也可改善科技型创业企业与金融机构之间的信息不对称程度，使科技型创业企业能够获得更多的融资机会，促使其能够以健康的方式持续的发展，进而充分发挥出其促进企业技术创新的作用。

参考文献

[1]庞素琳.信用评价与股市预测模型研究及应用统计学、神经网络与支持向量基方法[M].北京：科学出版社，2005.

[2]迟国泰，章穗，齐菲.小企业贷款信用评价模型及实证研究―基于最优组合赋权视角[J].财经问题研究，2012，（9）：5357.

[3]李菁苗，吴吉义，章剑林等.电子商务环境下中小企业信用评价[J].系统工程理论与实践，2012，（3）：555560.

[4]刘湘勤，龙海雯.银行结构、信用环境与中小企业发展：基于中国跨省数据的实证分析[J].西北大学学报（哲学社会科学版），2007，（6）：159161.

[5]谭庆美，吴金克，赵黎明.基于BP神经网络的中小企业信用评价研究[J].西北农林科技大学学报（社会科学版），2009，（5）：5762.

[6]邢乐成，梁永贤.中小企业融资难的困境与出路[J].济南大学学报（社会科学版），2013，（2）：17.

第4篇：企业信用评价范文

关键词：供应链金融；信用评价；模糊综合评价；可拓AHP；聚类分析

一、 引言

供应链金融自从2006年被中国资金管理者沙龙发掘并深入研讨后，越来越多地被国内各大企业和银行应用，已成为破解当前中小企业融资难题的创新金融产品。国内外学者针对供应链金融业务，分别从不同角度进行了分析。Allen N等人对中小企业融资提出了一些新的设想及框架，最早提出了供应链金融的思想。Gonzalo Guillen等研究了短期供应链融资，提出了合理的供应链管理模式可以影响资金融通与企业运作，从而增加供应链整体收益。本文提出应用模糊可拓层次分析法对供应链金融模式下的中小企业信用风险进行评价的方法，该方法利用可拓区间数来表示各指标间的相对重要性，比传统层次分析法更科学、更合理，通过专家打分建立可拓区间个体判断矩阵，计算出各层次个体判断指标权重，应用聚类分析法，将专家个体排序向量进行系统聚类，确定出专家权重系数，得出各层次综合权重，再结合模糊综合评价方法进行逐级评价，最终得到综合评价值。

二、 基于供应链金融的中小企业信用评价指标体系构建

本文借鉴传统信贷政策下中小企业信用评价的基本框架，根据供应链金融自身的特点，结合借款人的资信水平，重点考察单笔融资业务自我清偿的能力以及贷款人组织该笔供应链交易的能力，对供应链上中小企业进行信用评价。评价指标体系见图1。

三、 基于聚类分析与模糊可拓AHP中小企业信用评价模型

1. 可拓群组AHP。

（1）可拓判断矩阵的构造。本文采用Saaty提出的互反性1-9标度法作为判断矩阵标量化准则，在这一准则下，每位专家两两比较隶属于同一层次的各个指标的相对重要性，为反映人类认识的模糊性，用具有一定弹性的区间数来进行重要性标度，假设m个专家参与决策，则每人所得的区间判断矩阵分别记为，A1，A2，…，Am，其中Ak=（aijk）nn，aijk=[aijk-，aijk+]，k=1，2，…，m，i，j=1，2，…，n。

第三步，判断矩阵的一致性。若0?燮f?燮1?燮g，表示可拓判断矩阵具有较好的一致性。若不满足则需校正判断矩阵或请专家重新判断。

第四步，求出权重向量。

Sk=（Sk1，Sk2，…，Sknl）T=（2）

Sknl表示专家k给出的l层的第n个因素对上一层因素的权重向量。

2. 模糊综合评价。下面给出二级模糊综合评价的基本步骤：

（1）划分因素集。设因素集U={u1，u2，…，un}，评价尺度集V=（v1，v2，…，vm），根据U中各因素间的关系将U分成 k份，设第i个子集Ui={ui1，ui2，…，uin}，i=1，2，…，k。

（2）一级评价。利用一级模型对每个Ui进行综合评价，计算其综合评价向量，

Bi=Wi。Ri i=1，2，…，n（4）

式中，“。”为模糊合成运算；Wi为1ni阶权重向量； Ri为对Ui的nim阶单因素评价矩阵；Bi为Ui上的1m阶一级综合评价结果矩阵。

（3）多级综合评价。将每一个Ui作为一个元素，用Bi作为它的单因素评判，构成二级评判矩阵：

R=B1B2…Bn（5）

设关于U={u1，u2，…，un}的权重分配为W=（w1，w2，…，wn），则可以得到U的二级评判结果为：

B=W。R=（b1，b2，…，bm）（6）

按照最大隶属度原则，用bj=max（b1，b2，…，bm）对应的等级vj可以判定评判因素的等级。

（4）计算方案的综合评价值。若取评价尺度的隶属度集为V=（好，较好，中等，较差，差），并赋以相应的分值，如 V=（100，80，60，40，20），各级因素的综合得分即为

M=BVT（7）

四、 评价实例

A是某地的炼油企业，其上游供应商是中国石化公司的B分公司，B公司每月按照原油指标给A企业稳定的原油供应，A企业进行炼制生产，A企业与B公司采用预付货款的方式。由于A企业存在预付货款的资金需求，向银行申请基于预付货款的供应链金融融资。

聘请10位专家，按照A企业的基本状况、供应链的交易状况等，对照图1给出的评价指标体系，建立可拓判断矩阵，由于判断矩阵的对称性，这里仅列出申请企业基本情况维度的判断矩阵的右上三角形的量值（如表1），并给出模糊评价值的求法，其余各维度及总目标层的评价值可类似求出。

下面以专家3可拓判断为例计算权重向量。

x1-=（0.120，0.288，0.215，0.192，0.107，0.078）T

x1+=（0.122，0.277，0.214，0.190，0.115，0.080）T

f=0.911

所以判断矩阵的一致性良好。

由公式（2）可得S1=0.109，0.135，S2=0.262，0.305， S3=0.195，0.235，S4=0.174，0.210，S5=0.097，0.127， S6=0.071，0.088。

根据公式（3）有?籽1=V（S1?叟S6）=3，?籽2=V（S2?叟S6）=7.87， ?籽3=V（S3?叟S6）=5.75，?籽4=V（S4?叟S6）=5.36，?籽5=V（S5?叟S6）=2.38，?籽6=1，进行归一化处理，从而得出专家3对此因素给出的权重向量W31=（0.118，0.310，0.226，0.211，0.093，0.040），同理可得到其他专家给出的权重向量，这里不一一列举。集合专家自身权重可以得到在这个维度的综合权重W1=（0.117，0.305，0.211，0.192，0.096，0.080），给出此因素下指标的评价值矩阵，便可得到此因素的隶属度向量B1=（0.139，0.443，0.212，0.126，0.08）。

依照此法求出准则层的权重向量W=（0.338，0.114，0.305，0.164，0.079），总评价矩阵

R=0.139 0.443 0.212 0.126 0.080.687 0.251 0.044 0.015 0.0030.514 0.357 0.072 0.048 0.0090.435 0.418 0.113 0.030.0040.234 0.562 0.106 0.051 0.047

利用公式（6）和公式（7）计算出企业A信用评价综合得分为M=81.5，信用评价结果良好。若按传统模式进行信用评价，只考虑企业自身的情况，本例中用申请企业基本情况维度计算A企业信用评价得分为60.7，很难获得银行的信贷支持，这也是很多中小企业面临的融资困境，供应链金融信用评价体系从关注中小企业自身的风险，转变成关注供应链的整体风险，从对中小企业的静态财务数据进行评价，转变到关注单笔交易的自偿性，对交易全过程进行评价，银行通过对融资项下资产的有效控制，有效地解决了中小企业融资难题。

五、 结论及建议

本文所建立的模型，解决了构造判断矩阵和系统综合评价时人类认识的模糊性问题，聚类分析法的应用，解决

了群决策问题中专家权重的确定问题，在实际应用中，发现该方法具有数据处理方便、结论客观合理、可操作性强等特点，为供应链金融环境下中小企业的信用评价提供了有效的新途径。同时我们也应该注意到，在银行业刚刚开展供应链金融业务四五年的时间里引入和应用信用风险评价模型，企业信用数据的缺乏将是遇到的首要问题。银行必须切实做好收集、整理及存储企业的财务信息、信用信息以及与之相关的供应链信息，建立起自己的基础数据库，选择或开发适合自身的信用评价方法，才能提高信贷决策的科学性和准确性。

参考文献

1. Alen N．Berger，Gregorry F．Udell．A More Complete Conceptual Framewolrk for SME Finance. World Bank Conferenceon Small and Medium Ente- rprises：Overcoming Growth Constraints，USA，2004．

2. Gonzalo Guillen，Mariana Baderll．A Holis- tic Framework for Shortterm Supply Chain Mana- gement Integrating Productionand Corparate Fina- ncial Planning．Production Economics，2006，（7）：25-27．

3. 陈祥锋，石代论，朱道立．融通仓与物流金融服务创新．科技导报，2005，23（9）：30-33．

4. 弯红地．供应链金融风险模型分析研究．经济问题，2008，（11）：109-112．

5. 熊熊，马佳，赵文杰．供应链金融模式下的信用风险评价．南开管理评论，2009，12（4）：92-98．

6. 迟国泰，冯雪，赵志宏．商业银行经营风险预警模型及其实证研究．系统工程学报，2009，24（4）：408-416．

第5篇：企业信用评价范文

[关键词]信用评价 指标 模型

信用风险一直以来都是各个经济主体面临的重要金融风险,信用风险评价的研究在国际上得到了高度的重视和迅速的发展。次贷危机的爆发,使得信用评价研究的重要性更加不言而喻。我国的信用风险度量方法虽然起步较晚,但随着我国市场经济和金融市场地发展不断演进,越来越多的学者加入到信用评价的研究中来。

综观我国的信用评价研究,焦点主要集中在信用评价指标体系的建立、信用评价的分析方法和信用评价模型中的有效性研究三个方面。

一、信用评价指标体系的研究

在指标的选取上,许剑生(1997)认为现行企业信用等级评定指标体系存在着以企业资产负债表和损益表数据为主,忽略了对企业现金流量的分析和部分指标设置不科学两大缺陷。

夏红芳、赵丽萍(1998)则指出现行指标体系存在着与新财务管理准则的核算口径不统一、定性分析指标太多、单项指标设置内涵过宽三个方面做得不足。认为当前的指标系统未能全面反映企业经营情况。

周佰成等(2003)认为一个指标体系应能准确地反映评估对象的特点与实际水平。

李小燕、卢闯(2004)研究了基于业绩企业信用评价指标与股权所有者的利益相关性,从而提出改进和完善现有企业信用评价模型的构想。研究结果表明: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更相关。

田俊平(2005)在其硕士论文中提出现有信用评价指标较多关注企业的短期能力,应更多地关注反映企业长期能力的指标。

曲艳梅(2006)根据平衡计分卡原理,分别设计定性指标和定量指标的四个维度。其中定性指标的四个维度指标均衡分布,各为25分。而定量指标中的偿债能力指标定为50分。

综合现有文献中所采用的信用评价指标体系,信用评价所强调的是债权人的利益,而非股东的利益,故指标体系中最为看重的是体现偿债能力的指标。现有的指标体系普遍存在着定量指标比重过大,定性指标较少的现象,评价指标中所涉及的现金流量指标也较少。

二、信用评价的分析方法研究

当前我国学者研究得更多的是各种分析方法在信用评价模型中的应用。

最早用于建立信用评价模型的线性判别法(Liner Discriminate Analysis,简称LDA)是一种简单的参数统计方法。考虑到财务比率的多维性,信用评价模型中更为常用的是多元判别法(Multivariate Discriminate Analysis,简称MDA)。近年来,线性概率模型和Logistic回归模型,特别是神经网络法等也被广泛应用于企业信用评级。

最先将多元线性判别法用于信用分析的是美国的Redward•Altman于1968使用22个财务指标分析了美国破产企业和非破产企业,并从中选出5个最有代表性的关键指标建立了著名的五变量Z模型。该模型简单且成本低,在美国商业银行得到广泛应用。我国学者陈静(1999)使用多元判别法进行实证研究,建立了评价企业信用风险水平的现行判别模型。方洪全、曾勇(2004)以银行实际贷款数据样本为分析对象,使用SAS软件在66个财务指标中选取7个财务指标运用多元统计技术建立起4水平的线性判别模型,并根据对模型的检验证实了该判别模型对信用风险的定量评估有较强的解释和预测能力。

这些多元判别分析模型一般情况下只能对企业信用划分成两类,即还本付息和违约。这种分类不利于使用者对企业的风险进行更深层的管理。同时,由于多元判别分析法对变量数据要求较多,应用前提过于严格,而实际所使用的数据却有一定的违背,使得这种模型的误判率较高。

为了解决多元判别法应用前提的局限,美国学者Ohlson将多元逻辑回归(Logistic regression,简称Logit分析法)引入了信用评价研究中。使用Logit分析法的模型采用Logistic函数,在数据不满足正态分布情况下其判别正确率高于多元判别分析法的结果。

在国内,许多学者将Logit模型用于上市公司财务困境的预测研究,并取得了不错的效果。陈晓、陈治鸿(2000)使用Logit模型对ST公司和非ST公司进行了预测,其判别准确率为86.5%。常丽娟、张俊瑞(2007)建立了多元因变量Logit模型对69家进行了实证分析,并使用一个样本进行检验,评价结果与中介机构评价结果一致。

随着信息技术的发展,人工智能模型被引入到企业信用评估中,最典型的是人工神经网络(Artificial neural networks,简称ANN)的运用。神经网络对数据的要求不严格,处理非线性关系的变量具有良好的效果。但其工作的随机性较强,往往需要进行多重的训练。国外学者Altman、Marco、Jenson等都使用了神经网络分析法对公司的财务危机进行了预测研究,并取得了一定的成果。

王春峰、万海晖、张维(1999)使用神经网络法对100个企业样本进行了信用分析,研究结果中使用判别分析法的误判率为25.45%,神经网络法的误判率为18.18%。神经网络的预测准确性明显优于判别分析法。刘庆宏,刘列励(2009)对各类方法中的代表模型使用了两个数据集来验证他们的在信用评级应用中的评价效果,结论认为在各种方法中人工神经网络方法较为灵活与准确。但由于该研究数据为澳大利亚与德国企业的数据,未能代表其在中国的应用效果。

由于神经网络工作的随机性较大,需要人为地对网络结构进行调试,其应用受到了一定的限制。Altman(1997)经过研究后认为“神经网络分析方法在信用风险识别和预测中的应用,并没有实质性低优于线性判别模型”。

也有部分学者针对如何解决各种样本存在的问题,在模型中引入了各种处理方法进行改进。在解决小样本问题上,王春峰(2001)、胜(2004)的研究结果认为将cross-validation法引入信用风险评估建模技术,对于小样本情况更为有效。章华、卢太平(2006)考虑到企业财务信息不确定和样本的非典型分布特征,将灰靶模型引入对企业信用等级的评价。王慧玲等(2009)的研究表明在财务信用评价中引入熵模型,能够更加客观的确定评价指标的权重。

综合相关文献,我们可以发现随着统计分析方法的发展,越来越多的方法被应用到信用评价模型的分析中来以解决样本数据存在的缺陷。尽管信用风险评估方法层出不穷,但主流的方法只有多元Logistic回归、多元判别分析和神经网络法三大类。当前在准确性上较为认可的是神经网络法。

三、信用评价模型有效性研究

现代信用风险度量模型主要包括Credit Metrics模型、基于精算方法的信用风险附加(Credit Risk)模型、信用证券组合(Credit Portfolio View)模型以及基于期权定价理论的KMV模型。国内对现代信用风险度量模型的涉及最初见于对信用风险模型的综述类和比较类文献。阳(2000)、梁世栋等(200)、春等(2004)分别对各种信用风险度量模型做了比较分析。李志光(2007)在其硕士论文中对Credit Metrics模型、KMV模型、Credit Risk模型、CPV模型进行了分析比较,得出了Credit Metrics模型比其他模型在我国商业银行更具适用性和可行性的结论。

而对于Credit Risk模型,常丽娟等(2007)认为在我国的银行贷款业务中,行业特征和风险会对各笔贷款的独立性产生影响,不符合Credit Risk模型将每笔贷款是为独立的重要假设,该模型在我国的适用性令人怀疑。

国内对CPV模型进行的研究较少。靳凤菊(2007)基于CPV模型,选取了综合领先指标、中国房地产开发企业综合景气指数和企业景气指数三个指标从宏观层面对房地产信贷的信用风险进行了研究。杨岗、陈帅(2009)对KMV模型与CPV模型进行比较分析后认为,CPV模型能更好地把握经济变化对信用风险的影响。谢赤等(2006)对Credit Metrics模型与CPV模型进行了比较研究,结论认为CPV模型有利于提高信用风险度量的精确性,特别适用于投机性债务人。

国内较多的研究验证集中于KMV模型在我国的适用性。主要研究成果有:薛锋等(2003)讨论了运用KMV模型分析我国上市公司信用风险的优缺点和运用前景。常丽娟、张俊瑞(2007)使用中国上市公司数据,对KMV模型做了有效性检验,研究结果认为KMV模型在我国股票市场环境下具备整体有效性,但由于我国股票市场信息效率存在一定的缺陷,模型的预测效力尚显不足。李磊宁等(2007)在KMV模型中引入了公司资产价值增长率,使得模型在我国的适用性有了提高。李博、王海生(2008)使用修正后的KMV模型进行信用风险评价并检验了模型识别我国房地产上市公司信用风险的能力,发现模型能较好的识别出ST与非ST公司之间信用风险的差别,但同时也认为其在我国上市公司的预测准确率同其在国外的预测准确率相比相对较低。夏红芳、马俊海(2008)利用KMV模型,通过对我国4家上市公司5年股票价格的违约距离实证分析表明,KMV模型的灵敏度和预测能力都相当好。

这些学者普遍认为KMV模型在我国的实用性不高,主要在于我国缺乏一个完善的违约数据库,难以确定一个较为准确客观的经验EDF值。且我国资本市场上处于初步发展阶段,企业信息披露存在不足。必须结合我国的实际情况,不断地对模型进行修订与校验,才能提高KMV模型在我国的有效性。

四、小结

近年来我国经济一直在保持持续增长,在增长的同时我国的社会信用体系建设却严重滞后。企业缺乏一个良好的信用氛围,对于社会保障各种信用关系的健康发展和整个金融市场的稳定有着一定的影响。目前我国政府也越来越重视这个问题,并相应出台了一系列政策措施。如何有效地、客观地对企业的信用进行评价,不仅有利于保障企业各相关经济关系主体的利益,更有助于我们今后继续推进社会的信用体系建设。

参考文献

[1]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[J].华东船舶工业学院学报,1998 (2).

[2]李小燕,卢闯等.企业信用评价模型、信用等级与业绩相关性研究[J].中国软科学,2003 (5).

[3]陈晓,陈治鸿.企业财务理论、方法及应用[J].投资研究,2000 (2).

[4]常丽娟,张俊瑞.企业财务信用评价与管理研究[M].大连:东北大学出版社,2007.

[5]王春峰,万海晖,张维.商业银行信用风险评估及其实证研究[J].管理科学学报,1998,1(1).

[6]李志光:Credit Metrics模型在我国商业银行信用风险管理的应用研究――基于我国商业银行某分机构的实证分析[D].上海财经大学,2007.

第6篇：企业信用评价范文

关于开展互联网企业信用等级评价工作的通知

各工作委员会，各会员单位，各互联网企业，各省、自治区、直辖市互联网协会：

为了贯彻落实中央关于“整顿和规范市场经济秩序，健全现代市场经济的社会信用体系”和“加强网络文化建设和管理，营造良好网络环境”的指示精神，根据国务院办公厅《国务院办公厅关于社会信用体系建设的若干意见》(〔2007〕17号)、工业和信息化部《关于2008年“阳光绿色网络工程”工作方案的通知》（信部电[2008]83号）、全国整规办和国资委有关《开展行业信用评价试点工作实施办法》（整规办发[2006]12号）等文件的要求，中国互联网协会作为工信部、全国整规办和国资委开展互联网企业信用评价工作的实施单位和试点单位，于近期成立了互联网企业信用等级评价中心（筹），制订了《中国互联网行业企业信用评价实施方案》（试行）及《企业信用等级评价标准》（网站企业与电信运营商），将接受互联网行业企业的自愿申报，开展信用等级评价工作。为了确保评价工作的“公开、公平、公正”，协会已聘请了国内权威的行业专家和信用评级专家全程参与和监督评审过程。现就有关工作通知如下：

一、 信用评价简介

1、企业信用评价等级分为三等九级（即AAA、AA、A、BBB、BB、B、CCC、CC和C）。

2、信用等级评价报告、证书和铜牌由中国互联网协会颁发。统一采用全国整规办和国资委制定的证书、铜牌样式和编号。

3、评价结果有效期为三年。在有效期内对企业每年进行一次复查，复查不合格者要相应下调信用级别。有效期满后企业可重新申请参加信用评价。

4、评价指标：包括企业综合素质、财务状况、管理水平、竞争力、社会信用记录等方面。

5、信用评价工作流程：《申请表》资格初审《受理通知函》提交《评价申报书》/材料缴费征信调查评价/审核公示终评向企业提交《评价报告》/证书/铭牌年度复查。

企业信用等级评价相关系列文件和资料，包括《实施方案》、《申请表》、《评价申报书》格式等，将在中国互联网协会网站企业信用等级评价专栏详尽，供企业查看、下载。

二、 信用评价结果应用

1、根据整规办和国资委有关文件精神和部署，评价结果将向社会公示，向整规办、国资委和商务部报备，并向中国人民银行、国家工商总局、国家质检总局和国家税务总局等政府部门推介。

2、评价结果将作为互联网企业经营许可证、生产许可证年检的参考依据，服务政府的市场监管。

3、配合各省市地方政府的信用体系建设工作，评价结果将作为对企业融资、获得政府资助、享受税收优惠等的参考依据。

4、在年度“中国互联网大会”等场合或以其他方式进行推介和宣传。

5、向金融机构和风险投资机构提供优秀企业的信用信息，增强企业融资能力。

三、 信用评价费用

根据全国整规办和国资委关于行业信用评价“不以盈利为目的”的原则，经协会理事长办公会议讨论通过，并经全国整规办和国资委报备，每个企业评价收费标准确定为1.5万元人民币。评级结果三年有效期内每年一次的复查不再收取任何费用。

四、 申报条件

1、评价对象：基础电信运营服务企业；电信增值服务提供商（网站、无线增值服务、域名注册、ISP、IDC等）；互联网和电信网的设备提供商、软件提供商及系统集成商等。

2、申报企业必须在中国境内依法登记注册且取得合法资质，互联网协会会员优先。

3、连续2年工商年检合格、2年内无严重不良信用记录。

4、各省、自治区、直辖市互联网协会的会员单位或省内互联网企业须有所在省协会出具的审核意见。

五、 首批申报截止时间

信用等级评价工作常年接受企业申报。有意参加“首批互联网企业信用等级评价活动”且符合申报条件的企业，请填写《申请表》（见附件1）并加盖公章后，于2008年8月18日前传真至我协会企业信用等级评价中心（联系方式附后）。

企业信用等级评价中心将进行资格初审，确定评价企业名单，并出具《受理通知函》（见附件2）。

六、 信用信息保密承诺

1、按照全国整规办和国资委要求对企业工商注册基本信息和评价结果进行披露，以便公众查询，为参评企业扩大宣传；

2、在整个评价过程中，直接参与人员根据评价需要有权知晓企业各种信用信息，获得的信息仅用于此次评价目的；

3、除了上述两项以外，其他涉及包括评价报告在内的企业商业秘密信息的披露和转让，都必须取得权益人授权。

七、 联系方式

互联网企业信用等级评价专项工作由中国互联网协会委托的第三方专业机构——北京至诚在线信息服务有限公司承担。

地址：北京西城区德外新风街2号天成科技大厦B座三层

邮编：100088

咨询、投诉电话：010-82273323

电子邮箱：xinyong@isc.org.cn

传真：010-82273326

联系人：付迎、孙国兵

评价中心网址：

（1）中国互联网协会 企业信用评价专栏（查看、下载文件、表格等）；

（2）全国整顿和规范市场秩序办公室，中国反商业欺诈网：

请点击下载附件：

1、企业信用等级评价申请表

2、中国互联网企业信用等级评价受理通知函

第7篇：企业信用评价范文

【关键词】 中小企业; 担保; 信用评级; 组织实施

借助担保机构进行间接融资是中小企业克服资金瓶颈的重要途径。信用评级具有风险揭示、投资引导、价格发现和扶优限劣的功能,是银行、担保机构发放担保贷款的基础。本文结合江苏省中小企业担保融资状况调查,提出建立信用评价指标体系和组织实施方案,以期能为控制银行和担保机构风险,促进银企合作、破解中小企业融资难服务。

一、信用资源匮乏和信息不对称制约着中小企业融资

金融交易不同于一般的商品交易,它是以信息、信用为基础的资金所有权和使用权的暂时分离。资金所有者――银行为保证资金的流动性、安全性和收益性,渴望了解企业更多、更真实、更准确的信息和信用;而作为资金使用者,不少中小企业却存在着治理结构不完善、管理不规范、可抵押资产少、生命周期短等问题,信用资源普遍不足。一般来说,企业管理者拥有的企业信息要远远多于银行,信息不对称增加了金融交易的风险。

信用资源匮乏和信息不对称造成中小企业融资障碍,本质上是一种市场失灵的现象,需要市场以外的力量进行干预、解决,即引入第三方,通过社会信用资源共享放大个体信用。由于社会信用资源具有准公共产品性质,政府有责任参与其供给与生产。一方面由政府直接拨款和制定优惠政策鼓励民间出资,建立信用担保体系,解决中小企业信用不足的问题;另一方面是组织有关部门开展对中小企业的信用评级,以降低银行和担保机构可能承担的违约风险。根据财政部《中小企业融资担保机构风险管理暂行办法》第八条规定,担保机构担保责任余额一般不超过机构实收资本的5倍,最高不得超过10倍。2008年江苏省该指标不足4倍,银行对与担保机构合作为中小企业贷款顾虑重重。这说明,中小企业融资难主要不是担保机构资本金不足,而是中小企业信用资源建设滞后。

二、中小企业信用资源的内涵

企业信用是基于经济主体的内在责任,是与企业职工、投资人、债权人、客户和社会公共组织等客观主体进行经济往来的一种道德规范。信用实现是中小企业意识认同和行为实践的统一。根据中小企业的社会交往关系,其信用资源包括经济信用、行政信用(即守法信用)和社会信用。

(一)经济信用

中小企业经济信用是企业在获取物质利益过程中与关系人进行经济交往中所要遵从的信用规范,包括价格信用、质量信用和合同信用。价格信用指经济交往主体对交易物的价值要拥有完全信息,做到童叟无欺。质量信用指经济交往主体对交易物的质量拥有完全信息,做到货真价实。合同信用是指交易双方要遵守合同约定的权利义务,做到“履行承诺、依约而为”,它是经济信用中最根本、最核心的要求和体现。

(二)守法信用

守法信用是中小企业与公共管理组织交往中的信用表现形式。由于企业与公共管理组织的交往关系分为政府及授权组织、行业管理组织等交往关系,因而中小企业的守法信用相应的表现为行政守法信用和行业守法信用。

(三)社会信用

社会信用是企业基于科学发展观和人本原则,对生态环境、工作环境、股东和职工利益的关心和尊重,是成熟企业推崇的社会责任,是企业赢得社会尊重的核心成份。

三、影响中小企业信用实现的主要因素

影响中小企业信用实现的因素根据其重要性,可分为信用品质、信用能力、经济环境和社会环境。信用品质指企业履行信用的主观意识。信用能力指企业履行信用的财力、物力及软实力(包括无形资产和商誉),它是企业实现信用的物质基础。经济环境指企业履行信用时所处的金融环境、市场环境及经济周期。社会环境包括法制完善程度和社会信用氛围。前者表现为制度的完整性和强制力,后者表现为社会公众道德思想和行为水平,它对企业信用行为在心理层面上产生从众影响力。

为了解江苏省中小企业信用状况,笔者发放了200份调查问卷(中小企业和信用担保机构各100份),收回126份。收回问卷中信用担保企业占63%。分析显示,信用品质、信用能力、经济环境和社会环境,对江苏中小企业信用影响的权重分别达到32.24%、30.50%、24.08%、13.18%(见表1)。

(一)信用品质

由于江苏省中小企业,特别是私营企业普遍存在一股独大的治理结构,决定了企业法人(或负责人,下同)绝对的决策权力和地位,企业信用品质主要取决于企业法定代表人的品格;其次是取决于影响法定代表人信用意志和执行决策的管理团队素质,一般职工素质对企业信用实现影响甚微。

(二)信用能力

资产财务能力是企业当前信用能力的物质基础,经营运作能力是企业未来信用能力的保障。但在考查企业当前信用能力时,经营运作能力的影响力要低于资产财务能力。

(三)经济环境

在影响企业信用能力的三个经济环境因素中,国家金融政策力度最大,直接关系到中小企业融资的成败;其次是产品市场状况,一般而言,市场需求旺盛或产品竞争力强、产销率高的企业,信用资源就好;再次是经济周期。经历此次国际金融危机,中小企业负责人对经济周期的关注度空前提高,特别是以出口导向型为主的中小企业。

(四)社会环境

与前三个因素相比,社会环境对江苏省中小企业的信用影响力不是很高,说明法律完整性、强制力和社会舆论对企业实现信用的促进作用还有待进一步加强。

在四个因素中,信用品质和信用能力是企业实现信用的内在条件,对企业信用的影响权重合计为62.74%;经济环境和社会环境中企业实现信用的外在条件,对企业信用的影响权重为37.26%。这完全符合唯物辩证法内因起主导作用的原理。

四、中小企业信用评价指标体系构想

控制信贷风险、维护金融安全稳定始终是我国政府货币经济政策的重要目标。由于中小企业信用资源匮乏,提高自身信用的主动性差,2000年8月24日,国务院办公厅在印发《关于鼓励和促进中小企业发展的若干政策意见》时,就明确提出要建立和完善信用评估和风险控制制度。建立中小企业公共信用平台,将大大降低银行与企业的信息甄别成本和交易成本,解决了银企、银保双方信息不对称问题,改变银行、担保公司和企业的成本收益函数,实现盈利的帕累托优化。

信用评级是根据科学的指标体系对被评级企业履行经济责任的能力及其可信任程度进行客观公正的评价,并确定其信用等级。信用评级可分为外部信用评级和内部信用评级两种模式。外部信用评级由专业评级机构作出,基本程序包括评级准备、实地调研、初评建议、等级复评、结果反馈、结果公告、文件存档、跟踪服务等。内部信用评级是由各银行根据内部信贷条件评出,主要是预测企业的违约概率,针对不同的违约概率给出对应的信用等级,一般不对外公布。借鉴国内外信用评价、评级方法,结合我国中小企业的经营特点,其信用评级指标体系应包括信用品质和信用能力两部分,具体测评指标见表2、表3。

五、中小企业信用评级的组织与管理

公开、公正、权威的信用评级既是中小企业融资的先决条件,也是担保公司、商业银行控制风险求发展的基本要求。笔者根据近年三方合作开展担保业务的实际状况,认为对中小企业信用水平评价应由第四方担当。目前,作为“第四方”的信用评级机构主要是为大型企业,特别是上市公司服务,且行业发展不够规范。人民银行征信体系建设虽在一定程度上缓解了中小企业信用缺失的问题,但覆盖面很不够,且仅限于“征”,而没有评级。因此,有必要对信用评级的组织和管理方式进行改革。

(一)信用评级监管机构

人民银行是由国务院指定的征信管理部门,因而应由其牵头设立信用评级监管机构,负责信用评级机构的认可,建立和完善我国信用评级机构的认可制度。一是明确评级机构获得认可的条件,包括最低资本金、分析师的资格与数量、已有业务量的大小等;二是建立正式的程序对提交申请的评级机构加以评估;三是建立淘汰机制,被认可的评级机构一旦违反独立、公正的评级原则,将被取消评级资格;四是认可制度和结果应向社会公开,以确保认可过程的透明度和公信力;五是在银行、工商、税务、质检、海关等部门配合下,构建企业信用基础数据公共平台。

(二)信用评级机构

信用评级机构既是解决企业信用级别缺失的组织保障,又是信用体系建设中的重要组成部分。目前,国内从事企业信用服务的机构大体有三类:第一类是中资的企业信用服务公司;第二类是政府部门以及各商业银行系统附属的有关机构;第三类是合资、独资机构及国外公司在中国的办事处。第一、三类机构应该是重点培育和发展的对象,引进国外的、发展自己的。第二类则需要在评级市场化、第三方评估发展的基础上,逐步进行取舍、整合。在实现信用评级市场化的过程中,逐步形成专业化、权威性的信用评级机构。

评级机构应具有三性:第一,专业性。评级机构应拥有自己的分析专家和专业人士,从资料搜集、整理分析到结果公布都具有高度的专业性。第二,独立性。评级机构社会地位应比较超脱,在监管体系中扮演着“中立者”的角色,确保评级过程、评级结果独立。第三,非强制性。评级机构作出的评比等级只是一种社会监督手段,不具有行政强制力,应具有明显的非强制性的特征。

对信用级别达不到银行信贷标准的企业,各级中小企业局应与企业开户结算银行合作进行信用培植,以提高中小企业的品质信用、经济信用和守法信用。政府应把信用培植纳入金融生态环境建设任务中,为提高全社会信用水平创造良好的组织和制度环境。

【参考文献】

第8篇：企业信用评价范文

（一）客户信用评价是出口企业应收账款管理的基石商务部研究院院长柴海涛在2008年9月份指出，我国外贸企业国际业务的坏帐率高达5%，远远超出发达国家0.5%的水平，这意味着我国每年的出口要新产生300亿至350亿美元的坏帐。而商务部下属的一家机构对我国1000家外贸企业的调查显示，68%的企业有过因贸易对方信用缺失而利益受损的遭遇，其中损害最严重的就是信用风险所造成的拖欠货款和合同违约，我国企业“应收账款延迟收付”的比例超过50%。金融危机中，出口企业的海外商账问题尤显突出。信用评价体系是应收账款事前管理的核心内容，是防范应收账款风险的第一道屏障，也是应收账款后续管理的基石，对交易对手的信用评价体系缺失是造成坏账的根源。

（二）以财务指标为主导的出口是企业客户信用评价体系推广的制约因素具体表现在：

（1）信息资源限制是以财务指标为主导的出口企业客户信用评价方法的根本制约因素。首先，信息渠道障碍。除上市公司外，企业一般不愿对外公开财务信息，在买方占优的条件下，多数交易中，客户为非上市公司，处于相对劣势地位的出口企业很难充分获得进行评价所需的客户的财务信息。其次，信息沟通障碍。除语言差异外，财务指标计算的基础――财务会计报告通常受制于各国的会计法规或准则框架，各国之间存在一定的差异，这在一定程度上会限制信息的沟通效果，从而影响评价结果。在调查中81%的企业表示未能实现的原因之一是无法获得客户的相关信息或获得信息的成本太高。最后，信息质量障碍：一是财务信息具有一定的主观性，主要指财务信息在形成过程中，会计政策和处理方法收到主观判断和选择的影响；二是财务信息具有滞后性，财务信息反映的是客户过去交易或事项导致的财务状况和经营业绩，而信用评价关心的是客户未来的支付能力；三是会计信息失真现象大量存在，财务信息的真实性很难验证。

（2）其他资源限制是以财务指标为主导的出口企业客户信用评价方法的现实制约因素。出口企业中，中小企业占大多数，以出口大省――浙江为例，有70%左右的出口中是中小企业实现的。中小企业资金、人力资源等方面的限制通常使过于复杂的评价模型难于操作。

从上述约束条件的可见，出口企业信用评价体系主要应保证信息的可获取、评价体系易于执行。

二、基于非财务指标的出口企业客户信用评价体系构建的原则

（一）信息渠道的畅通性、可靠性 非财务指标信息 主要有以下来源渠道：一是企业以往的交易纪律记录；二商业机构或资信调查机构所提供的客户信息资料及信用等级标准资料；三是委托往来银行信用部门向与客户有关联业务的银行索取资料；四是同其他与同一客户有业务往来的企业相互交换该客户的信用资料；五是其他可靠来源。

（二）指标体系的全面性和前瞻性 以非财务指标为主导的信用评价指标体系在建立时全面考虑影响客户未来支付能力的主要因素，包括影响信用环境、信用表征、信用基础和信用意愿与能力等因素。

（三）评价方法的科学性和可操作性 鉴于出口企业的资源限制，在方法的设计上，以易于执行和客观科学为主要原则。

三、出口企业客户信用评价非财务指标设计和内涵描述

本着全面性、前瞻性、科学性和可行性的原则，考虑到影响出口企业客户信用的各方面因素，选用信用环境、信用表征、信用基础与信用能力作为出口企业信用评价的第一层即基准层指标，再进一步构建第二层即具体层指标。具体指标构建如表1所示：

（一）信用环境 信用环境是指影响客户信用的客观经济环境因素。相对于国内贸易而言，出口贸易的环境更为复杂，对于最终的货款支付有更大影响，稳定好的环境是信用实现的重要保证。我们将环境因素氛围出口企业客户所在地的经济环境、社会政治环境和贸易政策环境三个方面。

（二）信用表征信用表征主要反映那些有关客户表面、外在的、客观的特点。客户信用同其内部组织管理的规范性有很大联系，而客户内在的信用能力和意愿通常也可以从其表面特征寻找到一定的痕迹，通过与客户的接触和对同行的咨询，可以积累客户的相关信息，从而得到其表面印象、业内信誉和组织管理的评价依据。

（三）信用基础 信用基础是指客户信用形成的基础。以往交易的付款记录是客户信用的有力证据，而交易的担保条件、结算货币和结算方式是信用形成的基础，担保条件是信用实现的保证，而结算货币汇率的稳定性是货款能否支付的重要影响因素，不同的结算方式对于出口企业的保护程度有很大差异的。

（四）信用意愿与能力 信用意愿与能力是指能够直接反映客户信用意愿能力的指标。以往交易的付款记录是反映客户信用意愿和能力的重要参考。主要交易金额的大小对于客户的压力不同，大额交易的负担较重，信用风险较大。资本总额是客户承担责任的基础和限额，是信用能力的根本体现。

四、指标权重的确定

由于非财务指标的度量具有一定的主观性，采用德尔菲专家调查法和层次分析法（AHP）相结合的方式确定各指标的权重。

（一）确定基准层的权重具体包括：

（1）构造判断矩阵。课题组邀请了12位来自高校、企业和银行的专家对基准层和具体层的指标重要程度分别进行判断，根据统计结果，采用T.L.Saaty的标度法构造基准层的判断矩阵如表2所示：

（2）用n次根法将矩阵的各行向量进行归一化处理，得到权重向量（0.142，0.087，0.385，0.385）

（3）一致性检验。计算矩阵的最大特征值λmax=4.021，CI=0.007，查表RI=0.89，则CR=0.080.1，通过一致性检验。

（二）确定具体层各指标的权重汇总如表3。

五、基于非财务指标的出口企业客户信用评价模型

（一）评判集的确定规定评判集为V={优，良，中，差}，用V={ V1，V2，V3，V4}表示。对于“优”和“良”的客户，企业可以给予赊销政策，其差别体现在具体的信用条件上；对于评价为“中”的客户，企业可以进一步考证是否给予赊销政策，对于评价为“差”的客户，企业原则上不给予赊销政策。

（二）单因素的模糊判断 单因素的模糊判断即对一个因素进行评判，以确定评判对象对评价集的隶属度。假设评判对象按因素集Ui中第j个因素Uij进行评判，则有：

rijk =Vijk/T

其中，rijk――评判集中第k个因素的隶属度；Vijk――表示所有评价中因素Uij隶属于评语Vk的份数；T――评价专家的评价总份数

由于本文中V={ V1，V2，V3，V4}，所以

Rijk={ rij1，rij2，rij3，rij4}

Rijk――表示因素Uij的评判结果的模糊集合。

假设Ui中有x个因素，则所有因素的评判结果构成的评判矩阵为：

Ri=ri11ri12ri13 ri14ri21ri22ri23 ri24… ………rix1rix2rix3 rix4

（三）二级模糊综合评判 在单因素评价的基础上，进行综合评判，即综合考虑所有因素的影响，以便得出更为合理的评判结果，表示如下：

Bi={Bi1，Bi2，Bi3，Bi4}

= WijRi

=（ Wi1 ，Wi2，Wi3 ……Wix） ri11 ri12 ri13 ri14ri21 ri22 ri23 ri24… ………rix1 rix2 rix3 rix4

――表示Wi与Ri的合成方式

Bik（k=1，2，3，4） ――表示综合考虑所有因素的影响时，评判对象对评价集中四个标度的隶属度

二级评判后，如果Bi1+Bi2+Bi3+Bi4≠1，则要对Bi1，Bi2，Bi3，Bi4进行归一化处理，得到归一化的Bi为Bi’即：

Bi’={Bi1’，Bi2’，Bi3’，Bi4’}

（四）一级模糊综合评判 针对二级模糊综合评判的结果，构建一级模糊综合评判矩阵：

R=Bi1’Bi2’Bi3’Bi4’

B={b1，b2，b3，b4}

=WiR

=（ Wi，W2，W3 ……Wi）Bi1'Bi2'Bi3'Bi4'

二级评判后，如果bi1+bi2+bi3+bi4≠1，则要对bi1，bi2，bi3，bi4进行归一化处理，得到归一化的B为B’即：

B’={b1’，b2’，b3’，b4’}

为客户信用评价的最终结果。

（五）模糊综合评判结论从上述结果显示评价集中“优”、“良”、“中”和“差”占的比重分别为b1’，b2’，b3’和b4’，最后采用最大隶属度法对评判结果进行处理，例如在评判结果B’中b1’值最大，表明评语“优”所占比重最大，则该客户的信用评价为“优”。

六、基于非财务指标的出口企业客户信用评价模型的应用

课题组以出口企业A公司的客户M公司为例，应用上述模型。首先由A公司组织评价专家组，成员由公司的高管、信用管理人员和行业协会专家共10进行分别评价，评价结果统计如表4所示：

（一）单因素模糊评判根据上述评价数据可以求得单因素R值为：

R1=0.20.50.3 00.7 0.20.1 00.50.30.1 0.1

R2=0.30.40.20.10.20.40.20.20.10.3 0.5 0.1

R3=0 0.30.50.20 0.10.70.20.2 0.70.1 0 0.2 0.30.4 0.1

R4= 0.40.50.10 0.10.50.30.10.10.20.60.1

（二）二级模糊综合评判M公司信用评价的二级模糊综合判断如下：

B1={B11，B12，B13，B14}

= W1R1

= （ W11 ，W12，W13 ） = r 111r112r113 r114 r121r122r123 r124r131r132r133 r134

=（ 0.249 ，0.157 ，1.594） =0.2 0.50.300.7 0.20.100.5 0.30.1 0.1

=（0.4566，0.3342，0.1499，0.0594）

因为B11+B12+B13+B14=1，所以对B1={B11，B12，B13，B14}不需要进行归一化处理，即B1‘=B1，同理可得，B2=（0.1866，0.3703，0.2891，0.1540）

B3=（0.0450，0.2629，0.5247，0.1674）

B4=（0.2619，0.4510，0.2411，0.0460）

（三）一级模糊综合评判 针对二级模糊综合评判的结果，构建一级模糊综合评判矩阵，可得：

W=Bi1’ Bi2’Bi3’Bi4’= 0.45660.33420.14990.05940.18660.37030.28910.15400.04500.26290.52470.16740.26190.45100.24110.0460

考虑出口企业客户信用评判模型中的基准层因素的权重，得到一级评判结果B，即：

B={b1，b2，b3，b4}

=WiR

=（ Wi1 ，Wi2，Wi3 ……Wix） W=Bi1’ Bi2’Bi3’Bi4’

=（0.142，0.087，0.385，0.385）

W=0.45660.33420.14990.0594 0.18660.37030.28910.15400.04500.26290.52470.16740.26190.45100.24110.0460

=（0.1994， 0.3549，0.3416， 0.1041）

因为B1+B2+B3+B1=1，所以对B1={B1，B2，B3，B4}不需要进行归一化处理，即B‘=B=（0.1994， 0.3549，0.3416， 0.1041）为出口企业A公司客户M公司信用评价的最终结果。

（四）模糊评判结果分析由上述计算和分析可见，客户M公司的信用评价集中“优”、“良”、“中”和“差”的比例分别为19.94%，35.49%，34.16%和，10.41%，其中“良”占的比重最大，根据最大隶属度法，M公司的信用评分为“良”，但同时注意到“中”的比例达34.16%，比较高，A公司对M公司应提供谨慎的信用政策。

参考文献：

［1］刘滢、金汉光：《外贸业务中的信用风险及其管理》，《财贸研究》2008年第1期。

第9篇：企业信用评价范文

和前两种方法相比，信用评分法是一个量化法最著名的模型就是Z计分模型（Z-score）：它的基本思想是利用数理统计中的辨别方法分析银行的贷款情况，建立一个可以在最大程度上区分信贷风险度的模型，得到最能够反映借款人的财务状况的好坏，具有预测和分析价值的比率，从而对企业进行信用风险状况评估。模型如下：X1=流动资本/总资产；X2=留存收益/总资产；X3=息税前收益/总资产；X4=优先股和普通股市值/总负债；X5=销售额/总资产=主营业务收入净额/总资产。Z<1.8，财务状况较差，信用风险高，拒绝贷款；1.8≤Z≤2.99，为灰色区，误判的概率较大；2.99<Z，财务状况良好，信用风险低，可以贷款。Z-score模型主要是利用财务指标进行加权平均，该模型有2大缺陷：①企业财务数据反映的是过去的信息，利用这些数据进行风险度量的结果也只是对过去风险水平的测量；②中小企业多半不是上市公司，财务指标原始数据获得困难。

二、现代判别法

（一）统计模型法。统计模型法是典型的定量评级法，根据中小企业信用数据，统计模型，计算其违约风险的大小常见的有Logit模型和Probit模型。1、Logit模型。Logit模型是通过一个取值为0和1之间的Logistic函数来进行二类模式分类。不要求数据满足正态分布，这是其最大优点；另外，自变量、因变量之间不是线性关系，模型如下：xk（k=1，2，…m）为信用风险影响变量（多为企业财务指标），ck（k=0，1，2，…，m）为技术系数，通过回归估计获得。回归值p∈（0，1）为中小企业信用风险分析的判别结果。如果p接近于0，则被判定为“差类”企业；若p接近于1，则被判定为“好类”企业。即p值离0越远，企业违约风险越小；反之，违约风险越大。2、Probit模型。Probit模型假定误差项服从标准正态分布，样本企业的债信质量得分也服从标准正态分布。Xi与B分别为解释变量与回归系数构成的向量；Yi*为样本公司有财务危机的倾向。当Yi*>0时，表示样本企业有债务危机倾向；当Yi*<0时，表示无债务危机倾向。统计模型确实可以凭借统计分析提供有参考价值的依据，比较容易在评级效果上取得一致性。但存在两点缺陷：①缺乏有力的理论基础支持区别函数中的权重及自变量。在信用评分模型中的权重及自变量通常只能维持短期的稳定状态，特别是当金融市场发生变化时，其他的财务比率也许在解释违约风险概率上容易造成预测模型的不稳定。②模型忽略了难以计量但又重要的因素，如借款人声誉。

（二）人工智能法。人工智能法主要包含专家系统和神经网络。1、专家系统。专家系统其实是模拟专家运用知识进行推理的计算机程序，将专家解决问题的推理过程再现从而成为专家的决策工具或为非专业决策者提供专业性建议。专家系统一般采用归纳推理法，分析一系列案例，发现其规律。归纳推理有两种途径：一是利用大量案例信息来发现规律的信息驱动型；二是利用先验模型指导来发现规律的意识模型驱动型。利用计算机的人工智能法大大降低了风险评估的难度，但是专家系统中知识的获取始终是瓶颈，极大地影响着专家系统在信用分析领域的应用前景。2、神经网络（PNN）。神经网络是一种具有模式识别能力、自组织、自适应、自学习特点的计算机制，该方法主要将知识编码用于整个权值网络，具有包容错误的能力，同时对数据的分布没有严格要求，也不必要详细表述自变量与因变量之间的函数关系。该模型原理是通过神经网络的分类功能进行信用风险分析的。首先找出影响分类的因素，作为PNN的输入量，然后通过有导师的或无导师的训练形成神经网络的信用风险分析模型，用于新样本的判别。

三、结论