论文部分内容阅读
【摘要】“融资难”问题一直是困扰高科技中小企业发展的瓶颈问题，严重地阻碍和制约了中小企业的经营和发展。本文通过对创业板上市企业的11项非财务指标和13项财务指标进行了整理、清洗和标准化处理，采用主成分分析、财务评分法、聚类分析等方法，将高科技中小企业的信用风险划分为A、B、C、D四类。分析结果表明，高科技中小企业普遍存在信用状况偏低，风险承受能力较弱等问题，企业应该积极进行信用风险的管理和防范，努力提升管理水平和获利能力，是信用风险控制在合理的范围之内，是解决“融资难”问题的前提条件和出发点，具有重要的实践意义。
【关键词】高科技 中小企业 信用评级 商业信用融资
一、引言
科学技术是第一生产力。随着我国经济社会的蓬勃发展，中国企业开启了从劳动密集型向技术密集型产业的转型之路。通常，中小企业由其体量小、负担轻、管理扁平和决策集中等特点，拥有更大的创造性和灵活性，尤其是在应用型和发展型的技术创新上，表现得十分突出。截止到2015年底，我国拥有中小型高技术企业数量27，808家，约占高技术企业总数的93.85%，从业人员年平均人数6，220，024人，约占高技术企业从业人员总数的45.93%，2014年利税5650.80亿元，占高技术企业利税总额的46.36%。中小型高技术企业的存在，是推动我国技术创新和高技术产业发展的重要力量，在一定程度上避免了垄断行为的发生、刺激了有效需求的增长，使我国经济充满了活力。
但“融资难”一直是困扰高科技中小企业发展的瓶颈问题，严重地阻碍和制约了中小企业的经营和发展。当前，我国高科技中小企业的主要融资渠道是银行贷款。相关统计数据显示，以抵（质）押形式的中小企业贷款余额约占其贷款总额的50%左右，以企业保证形式的贷款余额约占32%，而以信用贷款形式的贷款余额仅占18%。同时，由于高科技中小企业普遍可供抵押的资产较少，信用记录相对空白，导致获得银行贷款的可能性和金额偏低。研究结果表明，当企业在银行、证券等正规金融市场融资受限时，通常采取商业信用融资的方式在产业上下游寻求解决方案。所谓商业信用，即在商品交易中以延期付款或预收账款进行购销活动而形成的借贷关系，它是公司间直接的信用行为。一方面，商业信用融资在一定程度上缓解了高科技中小企业所面临的融资约束，促进了企业发展，另一方面，过高的商业信用融资也为企业自身乃至整个购销链带来较高的信用风险，某一环节的信用崩塌将有可能推倒风险的多米诺骨牌，抑制整个产业链的发展。因此，通过识别高技术中小企业的信用风险来研究不同信用风险环境下适宜的商业信用融资，对企业信用风险的管理和防范，具有重要的实践意义。
二、研究基础与指标体系的建立
（一）研究基础简介
目前，利用聚类算法对中小企业进行信用评级及融资规模的研究尚出于起步阶段，中国人民大学吴晶妹团队发现资产类指标对中小企业信用风险的影响较大[1]；天津大学的赵冬梅、闫东玲选取了每股收益、净资产收益率、总资产收益率等12个财务指标，利用因子分析和聚类分析对样本企业进行信用等级评定，研究结果表明大多数企业的信用等级集中在BBB及BBB以下，中小制造企业偿债能力欠佳，违约情况严重[2]；武汉大学的吴凤，吴义能对创业板上市公司的21个财务数据项进行了主成分分析后，利用BP神经网络模型给出了其信用评级结果，发现创业板上市公司的信用水平基本处于中等偏下，整体信用状况较差[3]。但以上的研究都局限在财务指标对信用评级结果的影响。马宏、汪洪波通过对创业板上市公司的实证研究发现地域差别、企业的政治关系网络、高管个人的社交网络等社会资本对企业的商业信用融资有着显著的影响[4]。
（二）指标体系的建立
通过对本研究领域文献等资料的梳理，结合信用评级领域的最新评级理论，本文拟选定11个非财务指标和13个财务指标对创业板上市公司的信用状况进行评级，通过聚类算法对信用状况相似的企业进行分类，针对每一类别的信用等级研究其商业信用融资额度，藉以寻求补充银行信用融资不足以满足企业发展需求的补充方案。详细的指标体系见表1。
三、模型的构建与数据选取
（一）非财务指标的主成分/因子分析
本文首先利用SPSS Modeler14.1软件对非财务指标进行因子分析，提取出能够反映高科技中小企业非财务指标的公共因子，并通过对各公共因子賦值得到相应的非财务指标得分。如表1所示，特征值大于0.8的因子有6个，旋转前后的累计方差贡献率均为75.623%，旋转不改变因子解释能力。
如表3所示，利用高载荷的因子对各公共因子进行命名，分别为F1—行业因子，F2——知识产权因子，F3—著作权因子，F4—税收及行政处罚因子，F5—行政许可因子，F6—高管学历因子，并以各公共因子的方差占公共因子方差总和的百分比作為权重，得到非财务部分的Score值，计算公式如下图所示。
（二）财务指标的总得分
本文通过对财务报表的相关数据对净资产、销售收入、资产负债率、流动比率、速动比率等13项财务指标进行了计算、赋值、加总和标准化处理，得到该公司财务指标得分。
（三）聚类分析模型
聚类分析又称之为群分析[5]，它是研究分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类分析是通过比较个数据之间的差异，将性质相差较大的归为不同类，而相差较小的归为同一类的统计方法。聚类分析的准则在于，属于同一类的个体间距离（点与点之间）尽量小，而不同类之间的距离（类与类之间）尽可能大。常用的聚类算法有：层次聚类法（CURE、BIRCH等）、分割聚类法（K-means等）、密度聚类法（OPTICS、DBSCAN等）、网络聚类法（STING等）以及模型聚类法（COBWEB、SOM神经网络等）。
本文通过以上得到的非财务指标和财务指标两方面的标准化得分以及商业信用融资比例、净资产收率作为聚类模型的输入项，利用SPSS软件的两步聚类法进行聚类分析。 注：商业信用融资比例=（应付账款+应付票据+预收款项）/资产总计
（四）样本选取与数据来源
本文以2009～2015年7年间创业板上市的496家企业为研究对象，分析这些公司2016年的企业基本信息、财务比率数据和企业经营数据对企业信用风险的影响。其中创业板上市公司的企业基本情况和历年财务数据来自国泰安数据库，企业经营数据来自苏州朗动网络科技有限公司运营的“企查查”平台。
四、实证结果与分析
运用SPSS软件对496家样本企业的财务指标得分、非财务指标得分、商业信用融资比例以及净资产收益率进行聚类，结果显示4级分类效果较好，聚类轮廓最为清晰，各类之间的差异明显。具体聚类结果见表7。
4级别分类结果表明，类1所占比例39.1%，其财务部分得分均值、非财务部分得分均值均为最高，商业融资比例最低，而净资产收益率13%略低于类3，属于信用等级最高的高科技中小企业，其信用状况和承担风险的能力都较高，定义为A类；类2所占比例次之，其财务部分得分略低于类1，但非财务部分得分最低，商业融资比例及净资产收率均为9%，属于信用等级居中的高科技中小企业，该信用类别的企业财务运转良好，商业信用融资比例较低，净资产收益率居中，其信用状况一般但风险承担能力较强，定义为B类；类3所占比例15%，其财务評分和非财务评分均值上课，商业信用融资比例和净资产均为最高，分别为29%和14%，其信用状况良好，但信用融资比例较高，风险承受能力一般，定义为C类；类4所占比例21%，其财务得分最低，非财务部分得分居中，信用融资比例14%，但净资产收益率为0，其信用状况和风险承受能力都比较查，应该警惕信用风险，定义为D类。
五、结论与讨论
本文通过对我国创业板496家上市企业的非财务指标进行因子分析，财务指标进行赋值分析，并在此基础上对财务标准得分、非财务标准得分、商业信用融资比例以及净资产收益率进行了聚类分析，最后构建了高科技中小企业信用评级体系。结果显示信用状况在A、B、C类的企业分别占总企业数量的39.1%、24.9%、15.0%，而信用状况占D级的企业为21.0%，可见高科技中小企业的大部分企业应该警惕信用风险，从加强企业的内部管理、技术研发以及财务管理等方面着手，将商业信用融资比例控制在合理的范围之类，尽力提高净资产的收益率。本文建立的信用评级体系，考量了企业的管理水平、行业地位、技术能力、税收情况、行政影响以及财务比率等方面的能力，全面而有针对性的对高科技中小企业进行信用状况和风险承受能力等方面的评价。有别与传统的9级评级，本文的评级结果更加适用于中小规模的高科技企业，有助于企业对自身的信用状况进行了解和掌握，并针对得分较为异常的指标类进行信改善，提升信用水平；同时也有助于银行、金融机构对被评价企业进行贷前审批和贷后管理，具有重要的实践意义。
参考文献
[1]杨龙光，吴晶妹.统计与聚类视角的中國中小企业信用评级研究[J].四川大学学报，2014，195（6）：89-97.
[2]赵冬梅，闫东玲.基于因子分析和聚类分析的中小制造企业信用评级研究[J].电子设计工程，2015，23（7）：82-85.
[3]吴凤，吴义能.我国创业板上市公司信用评级研究[J].统计与决策，2017，（6）：182-185.
[4]马宏，汪洪波.高科技中小企业社会资本对商业信用融资的影响——基于深证创业板上市公司的实证分析[J].西南民族大学学报（人文社科版），2015（2）：131-138.
[5]马立平.聚类分析法[J].数据，2000（5）：36-37.
【关键词】高科技 中小企业 信用评级 商业信用融资
一、引言
科学技术是第一生产力。随着我国经济社会的蓬勃发展，中国企业开启了从劳动密集型向技术密集型产业的转型之路。通常，中小企业由其体量小、负担轻、管理扁平和决策集中等特点，拥有更大的创造性和灵活性，尤其是在应用型和发展型的技术创新上，表现得十分突出。截止到2015年底，我国拥有中小型高技术企业数量27，808家，约占高技术企业总数的93.85%，从业人员年平均人数6，220，024人，约占高技术企业从业人员总数的45.93%，2014年利税5650.80亿元，占高技术企业利税总额的46.36%。中小型高技术企业的存在，是推动我国技术创新和高技术产业发展的重要力量，在一定程度上避免了垄断行为的发生、刺激了有效需求的增长，使我国经济充满了活力。
但“融资难”一直是困扰高科技中小企业发展的瓶颈问题，严重地阻碍和制约了中小企业的经营和发展。当前，我国高科技中小企业的主要融资渠道是银行贷款。相关统计数据显示，以抵（质）押形式的中小企业贷款余额约占其贷款总额的50%左右，以企业保证形式的贷款余额约占32%，而以信用贷款形式的贷款余额仅占18%。同时，由于高科技中小企业普遍可供抵押的资产较少，信用记录相对空白，导致获得银行贷款的可能性和金额偏低。研究结果表明，当企业在银行、证券等正规金融市场融资受限时，通常采取商业信用融资的方式在产业上下游寻求解决方案。所谓商业信用，即在商品交易中以延期付款或预收账款进行购销活动而形成的借贷关系，它是公司间直接的信用行为。一方面，商业信用融资在一定程度上缓解了高科技中小企业所面临的融资约束，促进了企业发展，另一方面，过高的商业信用融资也为企业自身乃至整个购销链带来较高的信用风险，某一环节的信用崩塌将有可能推倒风险的多米诺骨牌，抑制整个产业链的发展。因此，通过识别高技术中小企业的信用风险来研究不同信用风险环境下适宜的商业信用融资，对企业信用风险的管理和防范，具有重要的实践意义。
二、研究基础与指标体系的建立
（一）研究基础简介
目前，利用聚类算法对中小企业进行信用评级及融资规模的研究尚出于起步阶段，中国人民大学吴晶妹团队发现资产类指标对中小企业信用风险的影响较大[1]；天津大学的赵冬梅、闫东玲选取了每股收益、净资产收益率、总资产收益率等12个财务指标，利用因子分析和聚类分析对样本企业进行信用等级评定，研究结果表明大多数企业的信用等级集中在BBB及BBB以下，中小制造企业偿债能力欠佳，违约情况严重[2]；武汉大学的吴凤，吴义能对创业板上市公司的21个财务数据项进行了主成分分析后，利用BP神经网络模型给出了其信用评级结果，发现创业板上市公司的信用水平基本处于中等偏下，整体信用状况较差[3]。但以上的研究都局限在财务指标对信用评级结果的影响。马宏、汪洪波通过对创业板上市公司的实证研究发现地域差别、企业的政治关系网络、高管个人的社交网络等社会资本对企业的商业信用融资有着显著的影响[4]。
（二）指标体系的建立
通过对本研究领域文献等资料的梳理，结合信用评级领域的最新评级理论，本文拟选定11个非财务指标和13个财务指标对创业板上市公司的信用状况进行评级，通过聚类算法对信用状况相似的企业进行分类，针对每一类别的信用等级研究其商业信用融资额度，藉以寻求补充银行信用融资不足以满足企业发展需求的补充方案。详细的指标体系见表1。
三、模型的构建与数据选取
（一）非财务指标的主成分/因子分析
本文首先利用SPSS Modeler14.1软件对非财务指标进行因子分析，提取出能够反映高科技中小企业非财务指标的公共因子，并通过对各公共因子賦值得到相应的非财务指标得分。如表1所示，特征值大于0.8的因子有6个，旋转前后的累计方差贡献率均为75.623%，旋转不改变因子解释能力。
如表3所示，利用高载荷的因子对各公共因子进行命名，分别为F1—行业因子，F2——知识产权因子，F3—著作权因子，F4—税收及行政处罚因子，F5—行政许可因子，F6—高管学历因子，并以各公共因子的方差占公共因子方差总和的百分比作為权重，得到非财务部分的Score值，计算公式如下图所示。
（二）财务指标的总得分
本文通过对财务报表的相关数据对净资产、销售收入、资产负债率、流动比率、速动比率等13项财务指标进行了计算、赋值、加总和标准化处理，得到该公司财务指标得分。
（三）聚类分析模型
聚类分析又称之为群分析[5]，它是研究分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法。聚类分析是通过比较个数据之间的差异，将性质相差较大的归为不同类，而相差较小的归为同一类的统计方法。聚类分析的准则在于，属于同一类的个体间距离（点与点之间）尽量小，而不同类之间的距离（类与类之间）尽可能大。常用的聚类算法有：层次聚类法（CURE、BIRCH等）、分割聚类法（K-means等）、密度聚类法（OPTICS、DBSCAN等）、网络聚类法（STING等）以及模型聚类法（COBWEB、SOM神经网络等）。
本文通过以上得到的非财务指标和财务指标两方面的标准化得分以及商业信用融资比例、净资产收率作为聚类模型的输入项，利用SPSS软件的两步聚类法进行聚类分析。 注：商业信用融资比例=（应付账款+应付票据+预收款项）/资产总计
（四）样本选取与数据来源
本文以2009～2015年7年间创业板上市的496家企业为研究对象，分析这些公司2016年的企业基本信息、财务比率数据和企业经营数据对企业信用风险的影响。其中创业板上市公司的企业基本情况和历年财务数据来自国泰安数据库，企业经营数据来自苏州朗动网络科技有限公司运营的“企查查”平台。
四、实证结果与分析
运用SPSS软件对496家样本企业的财务指标得分、非财务指标得分、商业信用融资比例以及净资产收益率进行聚类，结果显示4级分类效果较好，聚类轮廓最为清晰，各类之间的差异明显。具体聚类结果见表7。
4级别分类结果表明，类1所占比例39.1%，其财务部分得分均值、非财务部分得分均值均为最高，商业融资比例最低，而净资产收益率13%略低于类3，属于信用等级最高的高科技中小企业，其信用状况和承担风险的能力都较高，定义为A类；类2所占比例次之，其财务部分得分略低于类1，但非财务部分得分最低，商业融资比例及净资产收率均为9%，属于信用等级居中的高科技中小企业，该信用类别的企业财务运转良好，商业信用融资比例较低，净资产收益率居中，其信用状况一般但风险承担能力较强，定义为B类；类3所占比例15%，其财务評分和非财务评分均值上课，商业信用融资比例和净资产均为最高，分别为29%和14%，其信用状况良好，但信用融资比例较高，风险承受能力一般，定义为C类；类4所占比例21%，其财务得分最低，非财务部分得分居中，信用融资比例14%，但净资产收益率为0，其信用状况和风险承受能力都比较查，应该警惕信用风险，定义为D类。
五、结论与讨论
本文通过对我国创业板496家上市企业的非财务指标进行因子分析，财务指标进行赋值分析，并在此基础上对财务标准得分、非财务标准得分、商业信用融资比例以及净资产收益率进行了聚类分析，最后构建了高科技中小企业信用评级体系。结果显示信用状况在A、B、C类的企业分别占总企业数量的39.1%、24.9%、15.0%，而信用状况占D级的企业为21.0%，可见高科技中小企业的大部分企业应该警惕信用风险，从加强企业的内部管理、技术研发以及财务管理等方面着手，将商业信用融资比例控制在合理的范围之类，尽力提高净资产的收益率。本文建立的信用评级体系，考量了企业的管理水平、行业地位、技术能力、税收情况、行政影响以及财务比率等方面的能力，全面而有针对性的对高科技中小企业进行信用状况和风险承受能力等方面的评价。有别与传统的9级评级，本文的评级结果更加适用于中小规模的高科技企业，有助于企业对自身的信用状况进行了解和掌握，并针对得分较为异常的指标类进行信改善，提升信用水平；同时也有助于银行、金融机构对被评价企业进行贷前审批和贷后管理，具有重要的实践意义。
参考文献
[1]杨龙光，吴晶妹.统计与聚类视角的中國中小企业信用评级研究[J].四川大学学报，2014，195（6）：89-97.
[2]赵冬梅，闫东玲.基于因子分析和聚类分析的中小制造企业信用评级研究[J].电子设计工程，2015，23（7）：82-85.
[3]吴凤，吴义能.我国创业板上市公司信用评级研究[J].统计与决策，2017，（6）：182-185.
[4]马宏，汪洪波.高科技中小企业社会资本对商业信用融资的影响——基于深证创业板上市公司的实证分析[J].西南民族大学学报（人文社科版），2015（2）：131-138.
[5]马立平.聚类分析法[J].数据，2000（5）：36-37.