中小企業(yè)信用風(fēng)險(xiǎn)計(jì)量風(fēng)險(xiǎn)研究的國內(nèi)外文獻(xiàn)綜述目錄TOC\o"1-3"\h\u7486中小企業(yè)信用風(fēng)險(xiǎn)計(jì)量風(fēng)險(xiǎn)研究的國內(nèi)外文獻(xiàn)綜述 157521.2.1國外研究綜述 1100191.2.2國內(nèi)研究綜述 445531.2.3文獻(xiàn)評述 71749參考文獻(xiàn) 71.2.1國外研究綜述（1）關(guān)于信用風(fēng)險(xiǎn)計(jì)量方法的研究國外關(guān)于信用風(fēng)險(xiǎn)計(jì)量方法的主要分為三大類：經(jīng)典統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)模型和信用風(fēng)險(xiǎn)高級計(jì)量模型。=1\*GB3①經(jīng)典統(tǒng)計(jì)模型Beaver（1966）率先提出一種使用財(cái)務(wù)比率預(yù)測公司破產(chǎn)的模型，他使用單變量判別分析法（Univariatediscriminantanalysis,UDA），從30個(gè)財(cái)務(wù)指標(biāo)中選取6個(gè)財(cái)務(wù)比率指標(biāo)，分別用均值比較、二分類檢驗(yàn)、似然比率分析（貝葉斯分析）三種方法，對美國1954-1964年間的79家破產(chǎn)公司和配對的79家正常公司進(jìn)行分析，結(jié)果發(fā)現(xiàn)現(xiàn)金凈流量/負(fù)債總額最有非常顯著的判別變量。Altman（1968）將多元判別分析法（Multivariatediscriminantanalysis,MDA）引入公司破產(chǎn)預(yù)測模型，解決了單變量判別分析法相關(guān)性分析不一致的問題。他的分析同樣基于一個(gè)匹配樣本集，包含33家破產(chǎn)公司和33家正常公司。Altman從22個(gè)財(cái)務(wù)比率指標(biāo)中選取了5個(gè)預(yù)測能力最強(qiáng)的指標(biāo)，用于對公司破產(chǎn)進(jìn)行整體預(yù)測。該模型因其被解釋變量（OverallIndex，綜合指數(shù)）用Z表示，被稱為Z評分模型（Z-Scoremodel）。此后很長時(shí)間，MDA成為預(yù)測違約情況的主流技術(shù)模型。MDA模型要求自變量滿足多元正態(tài)分布，且違約和未違約組離散矩陣（或方差-協(xié)方差矩陣）必須相同。但是實(shí)際情況經(jīng)常不滿足這兩個(gè)前提假設(shè)。此外，MDA模型中的系數(shù)無法像回歸方程的斜率那樣進(jìn)行解釋，因此無法度量不同變量的相對重要性。鑒于MDA模型的上述缺陷，時(shí)任紐約聯(lián)儲研究專家的Martin（1977）以1970-1976年間5700家商業(yè)銀行（其中58家破產(chǎn)銀行）的面板數(shù)據(jù)為實(shí)證樣本，首次使用Logit模型進(jìn)行破產(chǎn)預(yù)測。Ohlson(1980)利用Logit模型，基于九種預(yù)測指標(biāo)（七個(gè)財(cái)務(wù)比率和兩個(gè)二元變量），從COMPUSTAT數(shù)據(jù)庫挑選了1970-1976年間105家破產(chǎn)公司和2058家正常公司進(jìn)行分析，證明企業(yè)規(guī)模、財(cái)務(wù)結(jié)構(gòu)、市場表現(xiàn)、變現(xiàn)能力等因素顯著影響企業(yè)破產(chǎn)概率。Abdullahetal.(2019)采用邏輯回歸模型對馬來西亞的制造業(yè)中小企業(yè)破產(chǎn)情況進(jìn)行預(yù)測，發(fā)現(xiàn)負(fù)債比率是中小企業(yè)破產(chǎn)的主要影響因素，企業(yè)運(yùn)營年限和破產(chǎn)概率負(fù)相關(guān)，而企業(yè)規(guī)模和破產(chǎn)概率正相關(guān)。=2\*GB3②機(jī)器學(xué)習(xí)模型判別分析法和邏輯回歸模型基于統(tǒng)計(jì)學(xué)原理，可稱之為經(jīng)典的統(tǒng)計(jì)模型。上世紀(jì)90年代以來，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，基于機(jī)器學(xué)習(xí)的人工智能方法逐漸被用于違約預(yù)測模型。其中主要的模型有神經(jīng)網(wǎng)絡(luò)（NeuralNetwork，NN），支持向量機(jī)（Supportvectormachines，SVM），粗糙集理論（Roughsets，RS）、決策樹（Decisiontree，DT），遺傳算法（Geneticalgorithm，GA）等。Dutta和Shekhar（1988）首次將神經(jīng)網(wǎng)絡(luò)方法用于債券評級研究，其準(zhǔn)確率最高可達(dá)83%。Odom和Sharda(1990)在他們的研究中，使用了三層前饋網(wǎng)絡(luò)的人工神經(jīng)網(wǎng)絡(luò)（Artificialneuralnetworks，ANN）。他們在訓(xùn)練樣本中使用不同配比的破產(chǎn)企業(yè)與非破產(chǎn)企業(yè)數(shù)量，測試了不同配比水平對神經(jīng)網(wǎng)絡(luò)法和多元判別分析法預(yù)測能力的影響。結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)法在訓(xùn)練和測試結(jié)果上都要更加準(zhǔn)確和健壯。Zhangetal.（1999）闡釋了神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)貝葉斯分類理論之間的聯(lián)系。研究基于220家公司的匹配樣本的分析得出結(jié)論，神經(jīng)網(wǎng)絡(luò)模型在預(yù)測準(zhǔn)確率方面要優(yōu)于邏輯回歸模型，并且具有魯棒性。Piramuthu(2007)對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了優(yōu)化，用來評估和預(yù)測借款人的信用狀況。研究發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)分析法對數(shù)據(jù)的分布要求不嚴(yán)格，有較強(qiáng)的適用性。Ciampi和Gordini（2013）將ANN方法用于7000多家意大利小企業(yè)的研究，發(fā)現(xiàn)當(dāng)根據(jù)企業(yè)規(guī)模、地理區(qū)域和行業(yè)差異化計(jì)算模型參數(shù)時(shí)，人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度會顯著提高。Schebesch和Stecking（2005）提出用支持向量機(jī)模型將借款人劃分為“典型”和“關(guān)鍵”模式的兩個(gè)子集，以有效區(qū)分違約者,并認(rèn)為該類支持向量機(jī)可以適應(yīng)諸如好壞樣本配比不平衡和不同錯(cuò)誤類型的不同成本等信用評估中經(jīng)常出現(xiàn)的非標(biāo)準(zhǔn)情況。Chmielewska(2019)以波蘭的806家小企業(yè)為對象，分別使用邏輯回歸、決策樹、神經(jīng)網(wǎng)絡(luò)、梯度提升和支持向量機(jī)5種方法進(jìn)行建模。驗(yàn)證了兩個(gè)假設(shè)：一是財(cái)務(wù)比率指標(biāo)和非財(cái)務(wù)指標(biāo)都對小型企業(yè)的違約預(yù)測至關(guān)重要，二是高級統(tǒng)計(jì)模型和數(shù)據(jù)挖掘技術(shù)對于提升小型企業(yè)破產(chǎn)預(yù)測準(zhǔn)確性的效果不顯著，簡單模型和復(fù)雜模型一樣好用，因?yàn)閿?shù)據(jù)挖掘模型往往陷于過擬合。=3\*GB3③高級計(jì)量模型經(jīng)典統(tǒng)計(jì)模型和機(jī)器學(xué)習(xí)模型主要以歷史財(cái)務(wù)數(shù)據(jù)作為建?；A(chǔ)，因此也被稱為會計(jì)模型（Account-basedmodel）。另外一類計(jì)量模型以高級金融理論為基礎(chǔ)，這類模型主要有美國舊金山市KMV公司KMV公司的名稱取自三個(gè)創(chuàng)始人名字的首字母（KealKMV公司的名稱取自三個(gè)創(chuàng)始人名字的首字母（Kealhofer,Mcquown,Vasicek），該公司在2002年被穆迪收購（2）關(guān)于小微企業(yè)信用風(fēng)險(xiǎn)的研究Mester(1997)指出，與大企業(yè)相比，小企業(yè)的財(cái)務(wù)報(bào)表要簡略的多，而且企業(yè)主和企業(yè)的財(cái)務(wù)信息往往是混雜在一起的。Altman(2007)使用Logit回歸技術(shù)對1994-2002年期間2,000多家銷售額低于6,500萬美元的美國小型企業(yè)的面板數(shù)據(jù)進(jìn)行分析，開發(fā)了一種可以提前一年的違約預(yù)測模型，該模型的對驗(yàn)證集的預(yù)測能力較通用模型高近30％。并指出為有效管控信用風(fēng)險(xiǎn)，有必要設(shè)計(jì)應(yīng)用專門針對中小企業(yè)領(lǐng)域的風(fēng)險(xiǎn)預(yù)測模型和程序。Ciampi(2015)通過對意大利934家小企業(yè)（包括425家違約企業(yè)）進(jìn)行Logit回歸分析，研究小企業(yè)公司治理機(jī)制和經(jīng)營失敗之間的關(guān)系。結(jié)果發(fā)現(xiàn)與CEO和董事會主席的二元性、企業(yè)所有權(quán)集中度與小企業(yè)違約概率顯著負(fù)相關(guān)，外部董事人數(shù)與小企業(yè)違約概率顯著正相關(guān)，公司治理變量可以顯著提高小企業(yè)違約預(yù)測準(zhǔn)確率。Cornée(2019)利用Probit模型分析了法國社會銀行2001-2004年的389筆小企業(yè)貸款（其中違約貸款91筆）面板數(shù)據(jù)，發(fā)現(xiàn)企業(yè)管理水平、項(xiàng)目質(zhì)量、是否初創(chuàng)公司等“軟信息”可以明顯提高信貸違約預(yù)測準(zhǔn)確率；而且借款人信息越不透明，軟信息比硬信息的預(yù)測價(jià)值就越高；預(yù)測準(zhǔn)確性提高帶來的成本降低程度要大于信息搜集帶來的成本增加，因此“軟信息”在經(jīng)濟(jì)上是可行的。Minnis和Sutherland（2017）研究了銀行在發(fā)放小額商業(yè)貸款后使用財(cái)務(wù)報(bào)表來監(jiān)控借款人狀態(tài)的情況，發(fā)現(xiàn)納稅申報(bào)單可以作為財(cái)務(wù)報(bào)表的替代和補(bǔ)充，有效緩解信息不對稱。Matthiasetal.(2019)利用平衡記分卡框架內(nèi)的客戶、商業(yè)運(yùn)營能力、學(xué)習(xí)成長能力、財(cái)務(wù)融資狀況四個(gè)方面“軟信息”對金融危機(jī)期間的大約1.7萬家德國、意大利和英國公司信用評級進(jìn)行建模，發(fā)現(xiàn)結(jié)合了軟變量的信用模型可以優(yōu)化風(fēng)險(xiǎn)估計(jì)，但是模型對特定國家具有差異性，應(yīng)針對每個(gè)經(jīng)濟(jì)體的特征進(jìn)行調(diào)整。Kouetal.(2021)提出了一種基于網(wǎng)絡(luò)關(guān)系和支付交易數(shù)據(jù)的中小企業(yè)的破產(chǎn)預(yù)測模型，該模型完全不需要財(cái)務(wù)（會計(jì)）數(shù)據(jù)，顯示了網(wǎng)絡(luò)關(guān)系指標(biāo)和交易結(jié)算指標(biāo)對于風(fēng)險(xiǎn)評估的重要性。Kshetri(2016)的研究表明，中國等新興經(jīng)濟(jì)體中的低收入家庭和微型企業(yè)較難獲得融資的主要原因不是因?yàn)槿狈π庞?，而是因?yàn)殂y行等金融機(jī)構(gòu)缺乏獲得信用數(shù)據(jù)信息的能力。而諸如朋友信譽(yù)、個(gè)人興趣愛好、網(wǎng)上購物時(shí)間、購買物品類型、發(fā)表評論的歷史、閱讀書目等大數(shù)據(jù)的應(yīng)用有助于減少信息不透明性，降低信貸成本，提高融資可得性。Altmanetal.(2010)將監(jiān)管合規(guī)、司法數(shù)據(jù)、事件分析等非財(cái)務(wù)數(shù)據(jù)作為非上市公司有限會計(jì)數(shù)據(jù)的補(bǔ)充，對2000-2007年期間580萬筆非上市公司貸款賬戶（包括6.6萬筆違約貸款）進(jìn)行研究，結(jié)果發(fā)現(xiàn)，與追償債務(wù)有關(guān)的法律訴訟、公司備案歷史、審計(jì)報(bào)告/意見以及公司特定特征有關(guān)的數(shù)據(jù)，對于提高中小企業(yè)違約預(yù)測能力具有重要作用。1.2.2國內(nèi)研究綜述（1）關(guān)于信用風(fēng)險(xiǎn)計(jì)量方法的研究過去在傳統(tǒng)計(jì)劃經(jīng)濟(jì)體制下，我國商業(yè)銀行和資本市場對風(fēng)險(xiǎn)管理的重視程度不夠，對于信用風(fēng)險(xiǎn)評估理論的研究起步較晚。改革開放特別是近二十年來，商業(yè)銀行市場化程度逐步提高，經(jīng)營管理日益規(guī)范，對風(fēng)險(xiǎn)管理的要求和相關(guān)研究也逐步提高。國內(nèi)學(xué)者的研究主要集中于對風(fēng)險(xiǎn)評估模型的改進(jìn)和具體應(yīng)用等方面。=1\*GB3①經(jīng)典統(tǒng)計(jì)模型于立勇和詹捷輝（2004）使用商業(yè)銀行的132個(gè)制造業(yè)企業(yè)樣本，實(shí)證證明Logistic信用風(fēng)險(xiǎn)評估模型可作為較理想的違約預(yù)測工具。李萌（2005）利用商業(yè)銀行中195家上市企業(yè)的貸款數(shù)據(jù)，構(gòu)造了包含主成分分析法的logit模型，論證了該模型在識別借款人風(fēng)險(xiǎn)等級方面具有較高的預(yù)測能力和穩(wěn)定性，可作為商業(yè)銀行信用風(fēng)險(xiǎn)評價(jià)的有效工具。石曉軍（2005）研究了樣本配比比例和臨界點(diǎn)對Logistic違約模型效率的影響，認(rèn)為建模樣本中正常公司的占比不應(yīng)該過大，違約公司與正常公司配比為1:3且臨界值為0.647比較適合我國的具體情況。方匡南等（2016）考慮解釋變量間的網(wǎng)絡(luò)結(jié)構(gòu)關(guān)系，在此基礎(chǔ)上提出了基于網(wǎng)絡(luò)結(jié)構(gòu)Logistic回歸的企業(yè)財(cái)務(wù)危機(jī)預(yù)警體系。李戰(zhàn)江（2016）構(gòu)建了基于分層邏輯回歸的信用評估模型，克服了傳統(tǒng)回歸模型指標(biāo)可解釋性偏低的弊端。高麗君(2012)采用三種生存模型研究德國中小企業(yè)信用風(fēng)險(xiǎn)情況,結(jié)果表明貝葉斯平均生存模型的預(yù)測準(zhǔn)確性更高。=2\*GB3②機(jī)器學(xué)習(xí)模型肖斌卿等（2016）將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合，證明了模糊神經(jīng)網(wǎng)絡(luò)(fuzzyneuralnetwork，F(xiàn)NN)模型可以有效結(jié)合主觀和客觀數(shù)據(jù)，計(jì)算過程和決策規(guī)則明確，穩(wěn)健性好，在商業(yè)銀行小微企業(yè)信用評級中具有較BP神經(jīng)網(wǎng)絡(luò)模型更高的預(yù)測準(zhǔn)確率。張奇等（2015）以商業(yè)銀行貸款風(fēng)險(xiǎn)數(shù)據(jù)為基礎(chǔ)，提出一種基于logit回歸與SVM的企業(yè)風(fēng)險(xiǎn)混合預(yù)警體系，并證明該模型能夠有效刻畫解釋變量對于企業(yè)違約狀況的線性和非線性特征，且具有良好的泛化能力。肖文兵和費(fèi)奇（2006）以德國和澳大利亞共1690個(gè)標(biāo)準(zhǔn)信用數(shù)據(jù)為樣本，研究了基于SVM理論的個(gè)人信用計(jì)量方法，與線性判別模型、邏輯回歸模型、最近鄰估計(jì)、分類回歸樹和神經(jīng)網(wǎng)絡(luò)模型等相比,SVM具有較高的預(yù)測準(zhǔn)確度。韓璐和韓立巖（2017）提出正交支持向量機(jī)模型，解決變量維數(shù)災(zāi)難和多重共線性問題，結(jié)果表明正交支持向量機(jī)在預(yù)測精度和模型訓(xùn)練效率等方面具有良好表現(xiàn)。=3\*GB3③高級計(jì)量模型目前國內(nèi)學(xué)者對于高級計(jì)量模型的研究相對較少，其中又主要集中于KMV模型。馬若微（2006）將KMV模型運(yùn)用到我國上市公司財(cái)務(wù)困境預(yù)測中，證明了KMV模型在中國資本市場上具有可行性，且相比于基于歷史數(shù)據(jù)的經(jīng)典統(tǒng)計(jì)模型具有明顯優(yōu)勢。關(guān)于這方面的相關(guān)研究還有張能福和張佳（2010）等。（2）關(guān)于小微企業(yè)風(fēng)險(xiǎn)影響因素的研究馬九杰等（2004）利用logit模型對2002年中國三個(gè)省縣域的75家企業(yè)截面數(shù)據(jù)進(jìn)行實(shí)證研究，認(rèn)為企業(yè)家年齡、受教育程度等個(gè)人特征和是否持股等與企業(yè)信用風(fēng)險(xiǎn)顯著相關(guān)。匡海波等（2020）以2014-2018年940個(gè)中小企業(yè)板制造業(yè)企業(yè)為樣本，構(gòu)建了供應(yīng)鏈金融背景下符合“5C原則”的信用風(fēng)險(xiǎn)評價(jià)指標(biāo)體系，判別準(zhǔn)確率達(dá)90%以上。鄧愛民等（2016）以供應(yīng)鏈融資背景下第三方物流企業(yè)為研究對象，構(gòu)建了既包含傳統(tǒng)財(cái)務(wù)指標(biāo)，又包含物流競爭能力、服務(wù)水平、信用環(huán)境等非財(cái)務(wù)指標(biāo)的風(fēng)險(xiǎn)評價(jià)模型。遲國泰等（2016）以我國某商業(yè)銀行的1231筆小企業(yè)貸款為樣本，構(gòu)建了非財(cái)務(wù)指標(biāo)權(quán)重為56%的信用風(fēng)險(xiǎn)評級體系，實(shí)證結(jié)果顯示：與大中型企業(yè)相比，小企業(yè)貸款更容易受到外部宏觀經(jīng)濟(jì)環(huán)境影響，且受非財(cái)務(wù)指標(biāo)因素的影響較大。馬曉青等（2012）以某中小商業(yè)銀行小企業(yè)貸款為研究對象，認(rèn)為非財(cái)務(wù)因素中的基本存款戶是否在本行、銀行對客戶的支持力度、行業(yè)景氣指數(shù)等與違約概率負(fù)相關(guān)，貸款期限、員工人數(shù)、經(jīng)營場所面積、信貸關(guān)系持續(xù)年限、企業(yè)經(jīng)營年限等與違約概率正相關(guān)。何光輝等（2015）研究了商業(yè)銀行小微企業(yè)違約影響因素，認(rèn)為與私營企業(yè)相比，國有企業(yè)的違約概率更大。池仁勇等（2020）考察了700多家非上市中小企業(yè)問卷調(diào)查數(shù)據(jù)，認(rèn)為“軟信息”對中小企業(yè)信用風(fēng)險(xiǎn)的預(yù)測效果比“硬信息”更好，甚至具有替代性。其中“軟信息”指標(biāo)中的學(xué)歷、興趣愛好、社交情況等企業(yè)家特征和企業(yè)口碑、信用記錄、市場競爭力和內(nèi)部控制情況等企業(yè)特征等對信用風(fēng)險(xiǎn)具有顯著影響。滿向昱等（2018）通過對中小微企業(yè)貸款進(jìn)行Lasso-Logit模型分析，認(rèn)為貸款抵質(zhì)押情況、企業(yè)規(guī)模、企業(yè)經(jīng)營年限、從業(yè)人數(shù)、資產(chǎn)負(fù)債率、應(yīng)收賬款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率等對中小企業(yè)信用風(fēng)險(xiǎn)有顯著影響。王曉春等（2012）分析了會計(jì)指標(biāo)和非會計(jì)指標(biāo)在小微企業(yè)風(fēng)險(xiǎn)度量中的作用，認(rèn)為大多數(shù)會計(jì)指標(biāo)對于違約風(fēng)險(xiǎn)影響不具有顯著性，而小微企業(yè)資金結(jié)算情況、下游客戶集中度等非會計(jì)指標(biāo)對于違約風(fēng)險(xiǎn)影響顯著。糜仲春等（2007）建立了綜合非財(cái)務(wù)指標(biāo)和財(cái)務(wù)指標(biāo)的中小企業(yè)風(fēng)險(xiǎn)評估體系，取得了良好的評估效果。1.2.3文獻(xiàn)評述國外對信貸風(fēng)險(xiǎn)的研究主要使用計(jì)量模型，其中以Z評分模型、邏輯回歸模型和神經(jīng)網(wǎng)絡(luò)模型為主流。MDA等經(jīng)典統(tǒng)計(jì)模型的優(yōu)點(diǎn)是簡單、不容易過擬合，但是預(yù)測精度低，只能使用數(shù)量變量、指標(biāo)解釋性弱。Logit回歸的優(yōu)點(diǎn)是可解釋性強(qiáng)、不容易過擬合，可同時(shí)使用數(shù)量和質(zhì)量變量，但對小樣本的建模能力偏低。ANN等機(jī)器學(xué)習(xí)方法預(yù)測精度高，可同時(shí)使用數(shù)量和質(zhì)量變量，但指標(biāo)可解釋性差，容易過擬合。國內(nèi)學(xué)者也從實(shí)證檢驗(yàn)和案例剖析等角度，結(jié)合國外思路和成功經(jīng)驗(yàn)對小微貸款風(fēng)險(xiǎn)評級、度量進(jìn)行探索和改進(jìn)。在評價(jià)指標(biāo)方面，小微企業(yè)普遍存在管理不規(guī)范、信息搜集困難、規(guī)模不經(jīng)濟(jì)等天然弱質(zhì)性，信貸風(fēng)險(xiǎn)難以有效識別。基于此，在評估指標(biāo)選擇上，國內(nèi)外研究越來越認(rèn)識到非財(cái)務(wù)指標(biāo)的重要作用，由原來的財(cái)務(wù)指標(biāo)轉(zhuǎn)向財(cái)務(wù)指標(biāo)和非財(cái)務(wù)指標(biāo)并重。參考文獻(xiàn)[1]Altman,E.I..Financialratios,discriminantanalysisandthepredictionofcorporatebankruptcy[J].JournalofFinance,1968,23(4):589-609.[2]AltmanE.I.,HaldemanRobertG.,NarayananP..ZETATManalysisAnewmodeltoidentifybankruptcyriskofcorporations[J].JournalofBanking&Finance,1977,1(1):29-54.[3]Altman,E.I,Joseph,S.PredictingBankruptcy:TheValueLineRelativeFinancialStrengthSystemvs.theZeta?BankruptcyClassificationApproach[J].FinancialAnalystsJournal,1983,39(6):60-67.[4]Altman,E.I,Saunders,A.CreditriskmeasurementDevelopmentsoverthelast20years[J].JournalofBanking&Finance,1998,21(11):1721–1742.[5]Altman,E.I,Sabato,G.Wilson,N.Thevalueofnon-financialinformationinsmallandmedium-sizedenterpriseriskmanagement[J].TheJournalofCreditRisk,2010,6(2).[6]JalalAkhavein,W.ScottFrameandLawrenceJ.White.TheDiffusionofFinancialInnovations:AnExaminationoftheAdoptionofSmallBusinessCreditScoringbyLargeBankingOrganizations[J].TheJournalofBusiness,2005,78(2):577-596.[7]H.A.Alakaetal.Systematicreviewofbankruptcypredictionmodels:Towardsaframeworkfortoolselection[J].ExpertSystemsWithApplications,2018,94:164–184.[8]NurAdianaHiauAbdullah,AbdHalimAhmad,NasruddinZainudin,etal.PredictingFinanciallyDistressedSmall-andMedium-sizedEnterprisesinMalaysia[J].GlobalBusinessReview,2019,20(3):627-639.[9]Beaver,W.H..FinancialRatiosasPredictorsofFailure[J].JournalofAccountingResearch,1966,4:71-111.[10]Balcaen,S,Ooghe,H.35yearsofstudiesonbusinessfailure:anoverviewoftheclassicstatisticalmethodologiesandtheirrelatedproblems[J].TheBritishAccountingReview,2006,38:63–93.[11]池仁勇,朱張帆.軟信息與硬信息孰輕孰重——中小企業(yè)授信與信用風(fēng)險(xiǎn)視角[J].華東經(jīng)濟(jì)管理,2020,34(03):112-118.[12]陳菁泉,付宗平.農(nóng)村土地經(jīng)營權(quán)抵押融資風(fēng)險(xiǎn)形成及指標(biāo)體系構(gòu)建研究[J].宏觀經(jīng)濟(jì)研究,2016(10):143-154.[13]陳曉蘭,任萍.基于Logistic混合模型的企業(yè)信用風(fēng)險(xiǎn)評價(jià)研究[J].山東財(cái)政學(xué)院學(xué)報(bào),2011(02):90-93.[14]巴曙松.關(guān)于解決當(dāng)前小微經(jīng)營者融資難問題的政策建議[J].人民論壇·學(xué)術(shù)前沿,2020(12):22-30.[15]