如何开展企业信用评级工作

一、判别分析方法:

分析方法是将已知的违约和非违约企业分为两个总体，从这些总体的特征中找出一个判别函数，用来判断任何一个观测向量应该属于哪个总体，检验两个或两个以上的矩阵在测量的指标变量中是否存在显著差异，如果存在，指出哪些指标。

1968年，奥特曼率先将判别分析应用于财务分析、企业破产和信用风险分析，建立了如下著名的线性判别分析模型:

z = 0.012x 1+0.014x 2+0.033 x3+0.006 x4+0.999 X5，

其中，X1为流动资本/总资产，X2为留存收益/总资产，X3为利息和税收收益/总资产，X4为权益市值/总负债账面价值，X5为销售收入/总资产。临界值为2.675。如果Z小于临界值，借款人被归类为违约组，信用等级低。相反，它被归类为正常组，具有较高的信用等级。分数在1.81到2.99之间时，奥特曼发现判断误差较大，重复区域为灰色。

虽然以Z模型为代表的线性判别分析模型非常适合信用评级，但这种方法存在一些问题:(1)限制条件过于严格，如要求样本数据服从多元正态分布，协方差矩阵相同；(2)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；(2)模型基于历史数据，对未来发展的预测不够。

二、综合评价法

综合评价法是对受各种因素影响的事物或现象进行总的评价，即根据给定的条件给每个对象一个实数，通过总分法或加权平均等其他计算方法得到一个综合得分，然后据此评价其优先级。

从信用评级本身的性质来看，企业信用评级是一个不确定、模糊的问题。因此，综合评价法的发展趋势足以将模糊理论结合到企业信用评级中，从而使评级结果更加科学准确。

三、人工神经网络方法

所谓人工神经网络，是基于模仿生物大脑结构和功能的信息处理系统或计算机，简称人工神经网络。人工神经网络的基本框架是模仿生物神经细胞，分为输入层、隐含层和输出层。每一层颜色包括几个代表处理单元的点。输入层的节点负责接收不同于人脑输入的外部信息。人工神经网络接收的输入信息是各种变量的量化信息，一个输入变量对应一个输入节点。隐藏层中的节点负责处理从输入层传输来的信息，并将其转换为要传输到输出层的中间结果。输出层的节点将隐藏层的信息与阈值进行比较，得到系统的最终结果并输出。

与传统的统计方法相比，人工神经网络具有以下特点:(1)具有自组织和学习的能力；(2)能够描述输入数据中变量之间的非线性关系；(3)可以根据样本和环境的变化进行动态调整，因为企业的各项财务指标与信用风险之间往往存在非线性关系。因此，人工神经网络更适合于企业信用评估。

第四，模糊分析法

传统的数学或统计方法是建立在精确的假设基础上的，但在自然科学、社会科学和工程技术中存在许多模糊性或不确定性。人类的认知模式、思维模式甚至推理逻辑也涉及到很多不确定性。因此，传统的方法无法解决这类不确定性问题，而模糊数学将数学的应用范围从精确拓展到模糊现象领域，提出了隶属函数理论，在很大程度上确定了事物属于概念或不属于概念，因此描述模糊问题比精确数学更合理。

同样，企业的信用等级也是一个模糊问题。很难用“是”或“否”的概念来判断其信用状况。因此，运用模糊分析法对信用状况进行综合评价更为科学。

企业信用评级作为一个完整的体系，包括信用评级的要素和指标、信用评级的等级和标准、信用评级的方法和模型等。其中，信用评级指标和信用评级方法是信用评级体系中的两个核心内容，也是信用评价体系中关系最密切、影响最大的两个内容。