软信息与硬信息孰轻孰重——中小企业授信与信用风险视角

池仁勇，朱张帆

（浙江工业大学a.中国中小企业研究院；b.管理学院，浙江 杭州310012）

一、引 言

中小企业缺乏抵押和稳定财务数据等问题往往得不到银行等金融机构的授信，从而造成中小企业融资难等普遍问题。实际上，银企之间存在信息不对称，中小企业由于内部财务制度不健全，难以保证其财务报表上的结构信息客观反映实际经营状况，中小企业信用风险的关联性大打折扣。然而，一些非结构性软信息与中小企业日常生产经营活动密切相关，能够间接反映其生产经营状况和信用风险。因此，如果商业银行对中小微企业信用评估时考虑到软信息，那么，中小微企业信用能力将会大幅度提升，具有潜在成长性的中小企业就会受到银行授信，实现银行和中小企业双赢模式。本文将从理论探讨中小企业软信息（非结构性信息）对信用风险的影响，为商业银行信用政策提供理论依据。

二、文献综述

近年，软信息问题逐渐引起国内外学者研究关注，但至今学术界尚未对软信息形成一个统一的定义。Grunert，Norden和Weber认为软信息指非财务因素的定性化信息，尤其是管理技术评价，区别于结构化的财务数据信息［1]。硬信息也即结构化、程序化的数据，按照一定法律程序获取，并通过审计等，具有法律约束力和可追溯性［2]。林毅夫指出，“硬信息”通常指报表、有形的抵押品和法律形式的担保合同；“软信息”通常是难以量化的信息、无形资产和非法律形式的约束，如人与人之间的血缘关系和贸易关系、借款人的工作能力、借款人的经验和信誉、关联博弈等。硬信息和软信息分别与财务信息与非财务信息等价［3]。大多数文献都认为，企业软信息的范畴涵盖企业家品德、能力、企业生产经营诚信、市场信誉、内部控制、产品市场占有率等私有信息，这些信息通常难以被直接量化，只能在有限的范围内被关系密切的信贷市场参与者所了解［2，4-8]。综合来看，软信息大致具有以下基本特征：①难以进行量化，只能进行定性分析；②一般不具有法律约束力；③可比性较差；④不易观测、收集和证实；⑤获取渠道有限，获取成本较高［7]。因此，商业银行往往以硬信息作为信用风险评估的依据。对于软信息的获取，银行主要通过银企间长期业务往来及合作，即通过银企关系渠道积累软信息。实践中，银行运用软信息形成了一类特殊的信贷技术——关系型信贷技术，以区别于传统的基于财务信息的交易型信贷技术。关系型信贷是金融中介在长期和多渠道接触借款企业而积累的专有性信息基础上，进行贷款决策的一种信贷方式，其中的专有性信息即指软信息［9]。而围绕软信息和关系型信贷技术在学术研究上逐渐形成了关系型信贷理论。另一方面，银行运用获取的软信息和硬信息对贷款企业进行内部信用评级，并根据信用评级结果作出放贷决策。实证研究发现，信贷员和负责审批贷款的分行行长在一起工作的时间越长，两者信息交流越好，内部信用评级对信贷项目违约的预测作用越准确［10]。

基于软信息的关系型信贷理论有助于解释信息不对称条件下中小企业信贷配给等一系列问题。研究显示，密切的银企关系有助于增加中小企业的贷款可得性和贷款数额［11-12]，以及降低贷款成本［11-12]，而且通过银企关系渠道获得的软信息还有助于识别贷款违约风险［13]。

一些研究表明：软信息不仅对中小企业破产预测具有重要意义［14]，而且对中小企业的贷款违约预测也具有重要作用［15]；包含非财务变量或软信息变量的模型对中小企业破产预测或贷款违约预测的准确性，显著高于只包含财务变量的模型。不仅如此，最近的研究还发现，银行的关系信息（软信息）对大企业的贷款违约预测同样具有显著作用。例如，Chang 等使用国内银行的数据研究发现，在大企业和工业企业的贷款违约预测上，银行的关系信息对企业财务信息（硬信息）具有替代性，其替代程度取决于银企借贷关系的深度，借贷关系越深入，银行关系信息对财务信息的替代效应越显著［16]。

因此，本文采用logistic 模型，从非上市中小企业的硬信息和软信息两方面来研究企业信用风险的状况，力图解决以下三个问题：①非上市中小企业的软信息是否可以用来预测其信用风险的状况？②非上市中小企业的硬信息和软信息对其信用风险的预测作用如何？哪一类信息对于非上市中小企业的信用风险的预测更有价值？两类信息之间是否存在替代或者互补关系？③在现阶段，取得银行授信额度的非上市中小企业的特征如何？我们期望本文研究有助于深化对中小企业软信息价值的理解，同时也为商业银行开展中小企业信贷业务提供一定帮助。

三、样本及变量的选择

（一）研究样本与数据收集

本文对浙江省中小企业主和高层管理人员进行问卷调查，累计发放问卷1 097 份，实际收回1 097 份，删除一些缺失值或填写明显呈规律性和逻辑矛盾的无效问卷，最终有效问卷为749 份，有效问卷回收率为68.28%。样本企业规模、年龄、行业等情况见表1所列。

表1 样本企业基本情况

续表1

（二）变量定义

综合国内外最新理论观点，本文从企业主要财务指标衡量硬信息，从企业主受教育、兴趣爱好、社交情况、社会责任、守信情况等方面反映企业主软信息，从企业口碑、守信、人员流动等反映企业软信息。被解释变量分别采用信用风险和银行授信额度，并通过硬信息和软信息变量数据进行标准化处理，形成指数。调节变量选取银企关系作为代理变量，控制变量选择所处行业、企业规模、企业年龄等，见表2所列。

表2 变量定义

（三）同源方法偏差

由于在调研过程中问卷由单一个体填写，因而容易存在同源偏差问题，故需要对数据进行同源性偏差分析。我们采取Harman单因子分析法对回收的数据进行检验，以避免同源性问题带来的影响。首先将所有变量的所有条目进行探索性因子分析，我们得到多个特征值大于1的因子，其中首因子贡献率小于50%的方差，且自变量和因变量都载荷到了不同的因子上，因此，本次调研的数据同源性偏差问题并不严重，对后续研究影响不大，调研数据可靠。

（四）相关性分析

本文对硬信息综合指数、企业家软信息综合指数、企业软信息综合指数、信用风险等4 个变量的数据进行相关性分析。主要变量间的最大相关系数值为0.529，表明变量之间不存在高度相关性。信用风险与企业硬信息综合指数的相关系数为负但不显著，而与企业家软信息综合指数、企业软信息综合指数的相关系数为负并且在P值小于0.01下显著，初步表明对于非上市中小企业而言，企业的信用风险与企业的硬信息相关性不强，而与企业家的软信息、企业的软信息呈负相关，即企业主与企业的软信息质量越高，非上市中小企业的信用风险就越小。

（五）信效度检验

本文对企业家软信息与企业软信息这两个变量进行信、效度分析。结果表明，变量对应的Cron⁃bach'α值均大于0.8，表明问卷具有较高的内部一致性。变量对应的KMO 值均大于0.78，Bartlett 球形检验的显著性均为0.000，表明问卷的效度检验较好。

四、回归分析

（一）logistic回归结果及讨论

我们将企业硬信息综合指数、企业家软信息综合指数、企业软信息综合指数、银企关系对信用风险预测的logistic 逐步回归结果与拟合优度报告在表3中。

如表3 所列，从各个模型回归结果的Pseudo-R2值来看，模型5 的解释力度最大，模型4 次之。Pseudo-R2值从一定程度上说明了，综合考虑企业软硬信息的模型对于预测非上市中小企业的信用风险的效果更好。然而，R2作为拟合优度更多地出现在线性回归模型中，本文采用Pseudo-R2值来解释各个模型的拟合优度只能从一定程度上说明问题。因此，本文对表3 中五个模型进行Hosmer and Lemeshow Test 的卡方值与显著性分析。结果表明，各个模型的卡方值均较小且显著性均大于0.05，表明模型拟合优度可以接受。

表3 软硬信息综合指数的logistic回归结果

在表3 模型1 中，企业硬信息综合指数对于企业信用风险的回归系数不显著，从一定程度上说明对于非上市中小企业来说，单纯硬信息指标不能有效预测其信用风险。模型2、模型3、模型4 是在考虑了更多软信息的基础上得到的回归结果，其中企业家软信息综合指数与企业软信息综合指数的系数为负且在P值小于0.01下显著，说明企业家软信息综合指数与企业软信息综合指数的质量越高，对于非上市中小企业的信用风险的预测就越准确。在模型5中，考虑银企关系对于银行预测非上市中小企业信用风险的结果显示，硬信息综合指数与银企关系的交互项系数为负且在P值小于0.01 的情况下显著，说明虽然非上市中小企业的财务制度不健全，难以受到外界的客观约束，无法提供高质量的财务报表，但是随着企业与银行的关系逐渐加深，银行对于企业硬信息质量（如财务报表的数据）的可参考性就增强，能够预测企业的信用风险情况。

（二）进一步的回归与讨论

下面进一步讨论哪些软硬信息指标对于非上市中小企业信用风险具有显著的预测作用。本文将软硬信息的指标对于信用风险的逐步回归模型汇报在表4中。

表4 软硬信息具体指标logistic回归结果

在表4中，模型6-10的Chi-square与显著性表明，模型的拟合优度均可以接受。从各模型的Pseudo-R2值来看，模型10 的Pseudo-R2值最大，表明模型10拟合程度最好，模型9次之。这也从一定程度上说明了银行预测非上市中小企业的信用风险时综合考虑企业和企业家软信息的必要性。以下对各模型的回归结果进行讨论。

（1）基于企业硬信息的模型分析。模型6的回归结果显示，销售收入、资产负债率、流动资产负债率、销售收入增长率、税前利润增长率对非上市中小企业信用风险具有显著影响。其中，销售收入与资产负债率对信用风险具有显著正向影响，流动资产负债率、销售收入增长率、税前利润增长率对信用风险具有显著负向影响。非上市中小企业的销售收入一般多以商业信用的形式呈现，销售收入越高，说明应收账款越多，存在坏账的概率就越大，企业现金流可能受到影响，从而增大了信用风险。资产负债率是非上市中小企业总负债除以总资产的比率，代表着使用财务杠杆的能力，资产负率越高，说明企业财务杠杆越大，从而企业信用风险越大。流动资产负债率、销售收入增长率、税前利润增长率从一定程度上反映了成长性与净现金流量，从而表明企业经营风险越小，信用风险越低。

（2）基于企业家软信息的模型分析。模型7的回归结果显示，非上市中小企业家的软信息特征对企业具有重要影响。企业家的学历对于企业信用风险具有显著负向影响，说明学历越高的企业家所经营管理的企业的信用风险越低。企业家的文化体育爱好，例如，喜欢看书、打高尔夫球等对企业信用风险具有显著负向影响。企业家的不良爱好，例如，酗酒、赌博等对于企业信用风险具有显著正向影响。富有社会责任感、热衷于公益慈善事业与言出必行的企业家，会给企业形成一个好的榜样，形成好的企业文化，企业的信用风险就越低。

（3）基于企业软信息的模型分析。模型8的回归结果显示，企业层面的软信息对企业信用风险有显著影响。非上市中小企业在市场上的口碑形象对企业信用风险有显著负向影响，企业在客户、供应商、消费者、业界的信用、口碑越好，反映了企业整体的实力较强，经营风险较低，从而企业的信用风险也较低。企业内部控制制度越完善，其信用风险也越低。另外，产品的市场占有率和员工流动率对企业信用风险也具有负向影响。

（4）基于企业家软信息与企业软信息的模型分析。模型9 结果与模型7、8 基本一致，模型7 和模型8中显著的变量在模型9中依然有较大部分保持显著，并且变量的系数方向未发生改变，说明软信息对企业信用风险具有较强解释能力。

（5）基于企业软硬信息与企业家软信息的模型分析。模型10 综合了模型6 与模型9 的回归结果。在10%的显著性水平上，销售收入、资产负债率、税前利润增长率、企业家学历、不良爱好、社交活动和企业的市场形象、市场占有率和内部控制这些变量依然显著，且变量系数符号未发生改变。在模型10 中，包含3 个硬信息指标与8 个软信息指标，这表明，在同时考虑硬信息指标与软信息指标对非上市中小企业信用风险进行预测时，软信息指标的重要性可能大于硬信息指标。

（三）软硬信息对于信用风险的预测能力

为了进一步分析硬信息指标与软信息指标对企业信用风险的预测能力，本文采用logistic回归模型预测企业信用风险，本文将结果汇报在表5 中。

表5 各模型对信用风险预测能力

表5 是用模型1-10 来预测样本中无信用风险的企业（561 家）与有信用风险的企业（188 家）的准确率情况。结果表明，同时包含软硬信息变量的模型4 准确率最高，达86.1%。仅包含软信息的模型2、模型3 准确率高于仅包含硬信息的模型1。以二级指标进行回归的模型6-10 中，同时包含软硬信息二级指标的准确率高，达90.5%。但仅包含软信息二级指标的模型7、模型8、模型9的准确率均高于仅包含硬信息具体指标的模型6。这意味着，对于非上市中小企业信用风险预测而言，软硬信息具有互补作用，应当综合考虑软硬信息对其的影响。同时，相比于硬信息，软信息中所包含的有价值的信息可能更多，软信息对硬信息具有替代作用。本文认为可能的原因有两点。首先，正如前文所述，非上市中小企业财务制度不健全且缺乏外部有效的监督机制，企业为了能够更好地获得银行贷款，可能会对企业部分财务信息进行粉饰，从而导致了硬信息数据的失真。银行如果仅仅凭着这些失真的硬信息对企业的信用风险进行评估，极有可能会低估信用风险。其次，非上市中小企业的软信息虽然不一定与财务状况有直接关联，但是与企业生产经营活动密切相关，因而对企业的信用风险具有较强的判别能力。

（四）稳健性检验

为了保证结果的稳健，本文进行了如下稳健性检验：①在市场上，中型企业经营状况一般较好，提供的硬信息指标失真的可能性较小，银行对于财务数据的可参考性就比较强，因此本文考虑剔除中型企业，以微型企业与小型企业为研究样本，进行稳健性检验，结果表明自变量的显著性与符号没有发生根本变化。②剔除变量两端5%的极端值。考虑回归结论有可能受到样本极端值的影响，我们在回归前将样本两端5%的极端值剔除，回归结果仍然保持稳健。

（五）企业授信额度与软硬信息的匹配

为了进一步分析现阶段银行对于非上市中小企业的授信情况是否充分考虑到软信息的影响，根据问卷调研的结果，我们将企业上一年度从银行获得的授信额度分为低额度授信与高额度授信，并且用授信额度作为因变量代替信用风险，重复表4模型分析，结果汇报在表6中。

表6 授信额度与软硬信息回归结果

表6 中，模型11-15 结果的Pseudo-R2值都较小，其中仅关注企业软信息的模型13的Pseudo-R2值为0.046，表明现阶段银行对于中小企业授信时，并没有充分考虑软信息的影响。同时，企业的市场形象、内部控制、市场占有率等对信用风险具有较强解释力的指标，与授信额度的回归结果在统计学上均不显著，表明银行在对中小企业授信时，并没有参考这些指标，这很可能造成信用好的企业得不到授信，信用不好的企业反而得到授信。

五、结果与讨论

本文以749 家非上市中小企业问卷数据为样本，基于硬信息与软信息的角度考察了中小企业信用风险的影响因素，通过logistic 回归建立了信用风险预测模型，最后对现阶段中小企业授信额度与软硬信息指数进行了分析，通过这些定量分析，得出如下几个重要结论：

第一，硬信息与软信息对预测非上市中小企业信用风险具有重要作用。一方面，非上市中小企业硬信息指标中销售收入、资产负债率、税前利润增长等对信用风险具有显著影响。另一方面，软信息指标中企业家层面特征与企业层面特征对信用风险也具有重要影响，尤其是企业家学历、企业市场占有率、市场形象、内控等变量对信用风险影响很大。同时，非上市中小企业银企关系越亲密，越有助于帮助银行识别企业的硬信息指标特征。

第二，基于软信息建立的信用风险模型，其预测效果总体上高于基于硬信息建立的模型。这表明，在预测非上市中小企业信用风险的问题上，软信息比硬信息具有更重要的作用，并且对硬信息具有替代性。另外，同时使用硬信息与软信息指标建立的信用风险模型比仅以硬信息或仅以软信息指标建立的模型具有更高的判别能力和预测能力，表明软信息对硬信息同时也具有互补性。

第三，银行作为中小企业信贷提供者，首先面临的问题就是如何准确评估企业信用风险，较好把握中小微企业违约风险，如果仅仅依据中小微企业财务数据等硬信息，很可能会导致信用风险评估失真，造成的结果是信用好的企业得不到授信，信用差的企业反而得到授信。