论文部分内容阅读
改革开放以来,中小微企业在拥有庞大体量的同时为国家创造巨大的市场收益。中小微企业想要顺应时代潮流壮大自我,资金是关键。但由于中小微企业数据透明度不够,贷款风险因素杂,金融机构对中小企业申请贷款的批核谨慎而严格。因此制定出公正合理的信用评级体系和信用评级方法成为亟待解决问题。近几年李克强总理提出“双创”概念,在双创大环境下中小微企业要想快速发展,解决融资困境的关键就是加大研发创新投入,塑造企业活力。目前研究来看,信用评级体系中包含创新指标的体系较少,缺乏关于创新的完整指标,且从未探究创新与中小微企业信用等级的关系。本文选取四个指标来细化企业研发创新投入,数据采用wind数据库新三板中制造业,依此建立LOGISTIC回归分析模型,探究四个分指标对中小微企业信用评级的影响,通过SPSS结果中-2对数似然检验、Hosmer和Lemeshow的拟合优度检验、Wald检验等表明加入四个细化指标后模型整体拟合效果更好,预测准确率更高,有加入细化指标的必要性。本文结合中小微企业的划分标准和企业特点,依据中小微企业评级指标遴选原则,并结合创新投入对中小微企业信用评级的影响研究,将4个细化指标加入指标体系。借鉴已有研究成果的基础上,拟定9个一级指标30个二级指标,构建完整的中小微企业信用评级指标体系。由于支持向量机相对其他机器学习算法更擅长解决样本量过少、非线性和维度过高问题,因此本文敲定SVM模型作为评级模型,并且与评级领域普遍应用的随机森林、BP神经网络模型进行对比。以wind数据库新三板内516家中小微企业作为数据来源,首先将样本数据划分为训练集和测试集,利用SMOTE算法对样本进行均衡化预处理,使正负类样本均衡,比例达到1:1,然后利用学习曲线对模型参数进行优化,定出最优参数,最后将训练好的模型在测试集进行预测,测试结果通过Accuracy、Specificity、F1 measure、ROC曲线、AUC面积来评估,从各种指标评估结果可以看出模型效果极佳。最终将三个模型结果进行对比,结果表明SVM模型效果最佳,得出在中小微企业信用评级领域支持向量机适用性更高。