京津冀科技型中小企业信用风险研究*

何平林 沈映春 李跟强

一、引言

2021年8月17日，习近平总书记在中央财经委员会第十次会议上强调，金融是现代经济的核心，关系发展和安全，要遵循市场化法治化原则，统筹做好重大金融风险防范化解工作。党的十九届六中全会审议通过的《中共中央关于党的百年奋斗重大成就和历史经验的决议》指出，要坚持金融为实体经济服务，全面加强金融监管，防范化解经济金融领域风险。作为国家安全的重要组成部分，守住不发生系统性金融风险的底线，确保金融安全是较长一段时期内我国经济发展的根本保障。虽然当下我国经济金融领域的风险总体可控，但企业债务比例偏高、盈利水平转弱所引致的信用风险隐患依然不可小觑。最高人民法院的“全国企业破产重整案件信息网”数据显示，2019～2021年我国企业破产案件公告数分别是18943件、44496件、69377件，呈现逐年大幅度上涨的趋势。30年来我国债券市场不断发展壮大，为企业直接融资提供了资金支持。但债券市场快速发展背后，也潜藏巨大的信用风险。受中美贸易摩擦以及新冠肺炎疫情等因素的影响，作为信用风险风向标的债券市场违约风险也日益增大。Wind数据显示，2018年起信用债违约进入高发期，共有125只债券出现违约，违约余额1209.61亿元，违约余额及数量均超过2015～2017年的总和。2019年违约余额更是达到历史新高，共有184只债券违约，违约余额1494.04亿元；2020年共有106只债券出现违约，违约余额1701.43亿元；2021年有71只债券违约，违约余额1621.39亿元，略有回调但总体违约情况形势不容乐观。债券展期是反映企业流动性压力状况的关键指标，2021年我国涉及展期的债券本金余额合计达636.33亿元，比2020年增长约60%。可以看出，我们必须把主动防范化解系统性金融风险放在更加重要的位置，见微知著、抓早抓小，实现早识别、早预警、早处置。

信用风险评估是市场监管部门和金融机构关注的焦点问题。信用是以偿还为条件的价值运动的特殊形式，它产生于融资行为和商品或劳务交易的赊销或预付之中，如银行信用、商业信用等。信用是市场经济的基础，是创新生态的重要组成部分。2022年1月4日召开的国务院常务会议决定实施企业信用风险分类管理，通过分类管理实现监管对诚信经营者“无事不扰”、对违法失信者“无处不在”。市场监管总局发布的《关于推进企业信用风险分类管理进一步提升监管效能的意见》提出力争用3年左右的时间，市场监管系统全面实施企业信用风险分类管理，有效实现企业信用风险监测预警，努力做到风险尽早发现、预警以及处置。对企业信用风险进行分类监管，首先需要科学构建信用风险分类指标体系，对信用风险进行分类。其次是风险监测和预警。通过大数据分析、重点指标监测等，及早发现企业风险，前移监管关口，化解风险隐患。当前我国面临需求收缩、供给冲击、预期转弱三重压力，中小企业受大宗商品价格上涨、疫情冲击等影响较大，融资行为与可持续发展面临诸多挑战，亟待研究其信用风险问题。在信用分析方法上，目前许多数学统计模型都被学术界或实务界经过改良修正后作为评估企业信用风险使用，如Logistic回归分析、类神经网络模型和Merton期权模型等，以数学方法辅助金融机构的信贷人员判断企业的违约风险，并比较授信客户之间的信用等级以选取对银行本身较有利的信用放款。

本文基于京津冀科技型新三板企业随机抽样的案例分析，从资产负债率、固定资产比、应收账款周转率、借款依存度、流动比率、现收比等六个变量，运用数据包络分析方法对中小企业信用风险进行测算分类并构建中小企业信用风险指数。

二、信用风险理论与文献综述

信用风险和信用评级一直以来都是金融经济领域关注的重要命题。信用风险又称为违约风险，是指因债务人违约可能导致银行、担保公司等债权人资产面临的风险。McNeil等(2015)认为信用风险是由于交易对手未能履行其合同义务(或违约)而产生的损失风险。信用评级机构从公共和私人资源收集信息，并使用金融和非金融、定量和非定量信息来衡量违约的概率(Attig et al.，2013; Cornaggia et al.，2017; Jiang et al.，2018)。银行等金融机构基于数据挖掘技术，进行授信企业的信用风险评估，成为近年来授信评审实务中的重要策略。信用风险评估机构在增强企业信用意识、提高投资透明度、促使证券市场规范发展等方面具有十分重要的作用。Blume等(1998)、Jorion等(2009)、Alp(2013)、Baghai等(2014)基于美国的非金融类企业，研究了信用风险评级质量和标准问题。周宏等(2013)以评级机构与发债企业的串谋行为为切入点，分析了评级机构的数量选择对企业债券信用风险监管的影响。本文认为，市场参与者大多通过信用评级来了解复杂的资本市场，而信用评价维度的合理性、影响因素及指标设置的科学性、评级方法的科学性与合理性是制约企业信用评级质量的关键因素。

关于信用风险评价维度，信用评级机构在评估一个公司的信用风险时，通常批判性地评估其会计信息质量、财务政策的风险和公司治理结构的完善程度等。Hsu等(2015)通过观察公司创新能力来了解公司的信用风险，指出公司创新会影响公司的违约风险，认为一个更有创新竞争力的公司，其违约风险较低，原因是创新使得这些公司在市场上具有某种垄断力量。Bonsall和Miller(2017)通过信息披露质量来观察公司信用评级，认为可读性较差的财务信息披露会导致较差的信用评级和信用评级机构之间更大的分歧。Akins(2018)认为，对于提供更好质量财务信息的公司，信用评级机构对这些公司的信用风险的分歧程度较低。Ashbaugh-Skaife等(2006)的研究表明，企业信用评级与董事会独立性、董事会成员的持股比例和董事会专业化水平正相关，这表明公司治理对公司的信誉和信用风险至关重要。

许多国内外学者进一步研究了企业信用状况的影响因素。Attig等(2013)研究了企业社会责任对信用评级的影响。研究发现，企业社会责任的力量和关注显著影响信用评级，而与主要利益相关者相关的社会责任的各个组成部分(即社区关系、多样性、员工关系、环境绩效和产品特征)在解释企业的信用风险方面极其重要。Kedia等(2017)指出大股东可以在公司治理中发挥重要作用，对公司的控制权激励他们承担监督管理层的成本，进而影响公司信用评级。常莹莹和曾泉(2019)研究发现，公司获得高信用评级的概率与其环境信息透明度显著正相关；环境信息传递出公司的特质风险、盈余持续性以及盈余质量等信息,从而影响评级决策。Ma等(2021)研究了CEO特征对公司信用评级的影响。Hasan和Taylor(2022)研究了品牌资本对公司信用评级的影响，通过对1994～2017年期间5787家美国上市公司的年度观察样本进行分析，发现品牌资本水平较高的公司具有较高的信用评级；进一步研究表明，信息不对称程度、财务风险和公司治理水平这些调节变量强化了品牌资本对信用评级的影响。郭萌萌(2021)基于2008～2018年发行公司债的A股上市公司样本，研究公司战略是否影响信用评级决策。研究结果表明，公司战略越激进，则其主体信用评级越低；公司战略激进度通过经营风险和代理风险中介影响信用评级。王晓艳和郝文静(2022)研究了分析师关注度对信用评级的影响，研究发现，分析师关注度能有效提升企业主体信用评级，媒体报道在分析师关注度与主体信用评级之间发挥了部分中介作用，即分析师关注度主要通过提升媒体关注度这一路径对企业信用评级产生影响。

关于信用风险的分析方法，国外理论和实务界运用多种分析模型进行了研究。Beaver(1966)是较早研究企业信用风险的学者，以单变量模式构建了企业财务危机预警模型，以发生财务危机的79家企业作为研究样本，并根据产业类别和资本规模进行配对抽样79家正常企业，以资产负债率、流动比率等六大财务指标进行预警预测分析。Altman(1968)从流动性、盈利性、财务杠杆、偿债能力、资产周转速度等五大指标建立了多变量Z-Score模型，基于33家正常公司和33家财务危机公司进行了实证分析，结果表明，Z值如果低于1.81被评定为高风险易违约企业，Z值高于2.99则为财务非常安全公司。Altman等(1977)在Z值模型的基础上进一步提出ZETA模型，选取53家正常公司和53家财务危机公司，基于27个财务比率进行判别分析，最终萃取出资产报酬率、盈余稳定性、利息保障倍数、流动比率、市值与总资产比、留存收益比率等七大指标进行信用风险识别。该模型可以广泛应用于企业信用风险分析或者资产组合管理。Martin(1977)、West(1985)、Fritz和Hosemann (2000)以德国企业为研究对象，分别使用判别分析、基因算法、类神经网络等多项定量研究方法建立了自动化的信用评分方式。West(2000)、Malhotra和Malhotra(2002)基于神经网络方法分析企业信用风险。Premachandra等(2009)比较研究了DEA和Logistic回归两种不同的模型在预判企业信用风险中的效果，结果显示DEA方法较之于Logistic回归更有能力预测和识别信用违约公司。

我国学者也运用多种方法模型研究了信用风险问题。吴世农和卢贤义(2001)基于Logistic模型分析信用违约概率。王保华(2003)、钟田丽和贾立恒(2005)、吴凤和吴义能(2017)、梁荣等(2019)等基于神经网络方法分析企业信用风险。张永娟等(2004)针对影响商业银行信用风险的各种决定因素，提出了多层次模糊评判模型。彭建刚等(2008)采用某国有控股商业银行贷款数据对聚合信用风险模型的科学性进行了论证，指出这一方法应用于我国商业银行可提高经济资本管理的效率。杨建模和杨胜刚(2009)验证了DEA方法在企业信用评分中的可行性与有效性。丁辉(2021)运用支持向量机(SVM)方法对宁夏辖区样本企业进行了信用评级分析。李成刚等(2021)从文本质量特征、文本词汇特征和文本语调特征等角度量化计算文本相似度、文本情感值、文本可读性三个维度文本披露指标，采用Logistic模型、决策树模型、支持向量机和神经网络模型四种方法构建上市公司信用风险预警模型。邱泽国等(2022)基于机器学习算法进行信用风险评估，以Lasso-RF两阶段特征选择，比较了逻辑回归、支持向量机、随机森林、决策树等信用评估分类算法的有效性。宁博等(2020)指出在金融发展水平较高、经济规模更大的地区，非违约企业受信用债违约的影响相对更小。周雯等(2021)关注特定行业的信用风险问题，采用多分类Softmax模型对电力行业的信用评级关键要素挖掘进行了研究。黄益平和邱晗(2021)分析了大科技信贷在中小企业贷款领域的信用风险管理框架的工作机制及其宏观影响。张目和吕知远(2022)引入文本信息决策变量构建扩展模型，建议银行在企业财务报表的基础上引入文本信息决策，降低信息不对称，提高信用风险识别能力。

本文的边际贡献是引入数据包络分析方法，以京津冀科技型中小企业2015～2020年的数据为样本，提出并设计出一套企业信用风险指数。本文的研究方法和编制的信用风险指数，能够为京津冀中小企业信用评价标准化问题研究提供有益借鉴。国内外虽然目前已发展出许多中小企业的评级模型，但多数模型的可操作性以及评级实务的适用性均存在一定程度的不足，例如，Logistics、SVM等模型所构建的信用评级只适用于信用风险的影响因素、信用评级预警识别等方面的情景，如何基于有效的数理模型构建出无须指标权重的信用评价方法，一直是需要深入细化研究的领域。本文研究使用的数据包络分析模型，不仅适用于特定企业信用风险值的测度，而且能够用于构建中小企业信用风险指数，针对特定地区或者行业编制的信用风险指数能够用于评价或者比较信用值的总体波动情况，该方法对于金融监管部门或者金融机构具有较好的适用性和可操作性。

三、企业信用风险分析的数据包络模型

数据包络分析是由Charnes等(1978) 所提出的效率测度模型，是一种多目标决策工具。其根据决策单元(decision making unit, DMU)的多个投入(input)与产出(output)变量进行DMU之间的相对效率分析。在评估各DMU效率之前，DEA并未预设各项投入与产出之间的关系，而是经过DMU之间相对效率的比较，决定各个DMU的效率值，并可针对不具效率的DMU提供具体改进方向，调整投入与产出规模以达到较高的效率值。自从Charnes等发展了数据包络分析的方法，以数学规划方法奠定了决策单元的效率测算的基础后，DEA已广泛应用于各个领域的绩效评价之中，并逐渐在金融领域中得到更多的应用，尤其在信用风险分析领域的使用日益深入。根据不同的研究假设，DEA在应用时有许多模式，而目前最常被使用的DEA模式为基于固定规模报酬(constant returns to scale)假设的CCR模式。

本文认为，传统信用风险评估实务中广泛使用的专家打分等方法存在“凭主观授信”的缺点，从指标权重到信用风险结果均易受到人为因素影响，而数据包络分析方法并不人为地确定指标权重值，通过分别加总产出属性值和投入属性值，将总的产出除以总的投入的比率作为相对效率。DEA模型无须事前确定变量权重，该模型可以克服主观授信缺点，大大提升信用风险分析的客观性和准确性。DEA方法运用线性规划将所有决策单元的投入产出值投射在效率空间中，求出效率前沿(efficiency frontier)，位于效率包络前沿面上的决策单元，投入产出组合具有帕累托最优效率，其效率值为1，即既定产出之下投入最少或既定投入之下产出最大。DEA方法主要评估多个决策单元的相对效率，经由DEAP软件运行得到各决策单位效率值，可以处理横截面数据和面板数据。本文所使用的是CCR模式，此模式是在固定规模报酬下衡量多项投入和多项产出下受评者的绩效值，选择适当的财务比率当作投入与产出变量，使用DEA模型测算出中小企业的信用值评分，具体数学模型如下：

(1)

(2)

(3)

(4)

四、科技型中小企业随机抽样及信用风险评估指标

目前，京津冀地区是中国北方经济规模最大、最具活力的城市群。2015年11月，京津冀三地社会信用体系建设牵头单位北京市经信委、天津市发改委、河北省发改委共同制定了《京津冀社会信用体系合作共建框架协议》，开启了信用制度顶层设计、共享机制、奖惩联动机制等方面的合作。2019年，京津冀三地联合制定了《京津冀守信联合激励试点建设方案(2019—2023年)》，提出建立工作机制、完善标准规范体系、互认信用评价结果、开展诚信宣传教育等四项重点任务和信用惠民、信用便企、特色示范区建设、信用创新驱动等四项专项行动。按照建设方案，到2023年京津冀地区信用合作机制全面建成，守信联合激励政策标准体系一体化全面形成，公共信用信息得到充分共享和有效应用，重点领域信用监管机制全面建立，信用服务网络及信用服务市场基本健全，覆盖京津冀地区的守信者受益局面基本形成，对优化区域营商环境发挥重要作用。

中小企业是我国市场经济的重要组成部分，在国民经济中已经发展成为一支不可替代的力量。中小企业提供了50%以上的税收，创造了60%以上的国内生产总值，完成了70%以上的技术创新，提供了80%以上的城镇就业岗位，占企业总数的90%以上。中小企业所提供的就业机会是稳定就业的重要力量，特别是在经济成长趋缓时，中小企业更能发挥灵活的经营特质，展现出稳定经济波动以及防止失业状况恶化的重要功能。但是，必须要指出，中小企业与大型国企相比经营风险较大，较易受到宏观经济波动的影响。新三板作为一套契合中小企业特点和需要的制度安排，已成为资本市场服务中小企业的重要平台。截至2022年3月10日，我国新三板“创新层”有1217家企业。为了比较京津冀地区科技型中小企业的信用风险状况，我们从北京、天津、河北三省(市)的创新层企业中各随机抽取10家一共形成30家样本企业，目的是基于数据包络分析模型进行信用风险分类，为京津冀一体化背景下中小企业信用分级评价和分类监管提供理论方法借鉴。本文数据来源于Wind数据库。为了使30家企业具有典型的样本代表性，我们采用了分层抽样方法，即先将总体划分为子总体(或者称之为层)，再从不同层中随机抽取样品(个体)。分层抽样的优势是将科学分组法与随机抽样法结合在一起，对总体进行划类分层增大各层中个体特征的共同性，减小各抽样层变异性的影响，层内随机抽样实现所抽取的样本具有足够的代表性。为了减小抽样误差，分层抽样的基本原则是增加层内的同质性和层间的异质性。因此在具体抽样时，我们先将1217家创新层企业按京津冀地域分层，再进一步按照营业收入这一规模特征分层，以营业收入中位数值为锚划分子层，然后从不同的子层中独立、随机地抽取样本。

信用风险评估变量，输入变量意味着该比率越小越好，相对而言，输出变量则是该比率越大越好，表示在既定的输入之下，得到最大的输出；或是在既定的输出条件下尽量减少输入。本文认为企业信用风险的本质是资金效率，那些陷入财务困境的高信用风险企业的共同“生命特征”是资金效率低下乃至资金链岌岌可危。以此观点作为根本出发点，我们围绕债务与结构、造血能力、盈利与成长三个维度构建了企业信用风险评价指标体系，具体如图1所示。本文中的输入指标构建，首先是资产负债率，这是反映企业负债水平的核心指标；其次是固定资产百分比，用固定资产占总资产的比重来代表企业的财务结构以辨别轻资产企业还是重资产企业；最后是借款依存度，用长短期借款与净资产之比来衡量，反映单位股东投入下所背负的债务规模。本文中的输出指标构建，首先是流动比率来代表中小企业的偿债能力；其次是“现收比”指标，我们用销售商品、提供劳务收到的现金与营业收入之比来代表中小企业的造血能力；最后，我们用应收账款周转率来代表企业经营效率。京津冀科技型中小企业信用值评估的输入变量和输出变量如表1所示。

图1 企业信用风险评价指标体系

表1 京津冀中小企业信用值评估的输入变量和输出变量

续表

五、信用风险定量测算结果与分析

我们基于DEAP软件，对随机抽样的京津冀30家样本企业进行了信用风险测算，对模型输出结果乘以100得到样本企业的信用值，如图2所示。我们计算得到每个企业的信用分值，按照信用风险状况由低到高将样本企业分为四类：信用风险低(A类)、信用风险一般(B类)、信用风险较高(C类)、信用风险很高(D类)。如图2所示，我们以信用值得分为100分的7家企业归为信用风险A类，信用风险低的企业占随机抽取的样本总量的23%，其中天津4家、北京3家；以信用值得分60～100分之间的2家企业归为信用风险B类，信用风险一般的企业占样本总量的7%，其中天津1家、北京1家；以信用值得分40～60分之间的2家企业归为信用风险C类，信用风险较高企业占样本总量的7%，其中河北1家、北京1家；以信用值得分40分以下的19家企业归为信用风险D类，信用风险很高企业占样本总量的63%，其中天津5家、河北9家、北京5家。在本案例样本范围之内可以观察出的情况是，科技型中小企业信用风险状况不容乐观。

图2 京津冀科技型中小企业信用值评分结果

根据数据包络分析模型计算的结果，7个决策单元一起构成信用值的包络前沿面，其他23个决策单元的信用风险相对较大，河北省的新三板样本企业信用值得分均低于50分，平均值仅为21.96分。究竟是什么原因，导致这些新三板企业与效率包络面上的决策单元出现显著差距? 上述差距有多大? 如何通过有效的信用风险管理使之加以改进? 通过投影值分析可以解决上述问题。我们将 DEAP 软件的一部分运行结果整理成表2。首先从输入变量角度进行分析，决策单元T9资产负债率偏高；决策单元T8、H11、H17财务结构有缺陷，固定资产占总资产的比重过高；借款依存度过高，导致绝大部分新三板企业信用风险较高。河北省的样本企业除了H13之外，其他所有企业的借款依存度指标表现不佳，这是河北省的样本企业信用值总体偏低的根本原因。流动比率指标表现较差，也是绝大部分新三板企业信用风险高的重要原因。河北省的样本企业除了决策单元H12之外，其他所有企业的流动比率指标较差，这是河北省的样本企业信用值总体偏低的又一原因。一些决策单元(T2、T9、H15、H20、B30)造血能力不足，现收比指标表现较差。从表2可以看出，50%的河北省样本企业应收账款周转率指标表现较差，该因素是上述企业拉低信用值的最为突出的薄弱环节。

表2 京津冀中小企业信用值的松弛变量和剩余变量

续表

为了进一步研究京津冀区域科技型中小企业信用风险水平的时间序列波动情况，便于对京津冀区域科技型中小企业不同年度信用风险总体涨落情况进行横向对比，我们以2015～2020年数据为样本，基于数据包络分析模型，提出并构建了京津冀中小企业信用风险指数。指数具有相对性，是用来描述社会经济现象动态波动的相对数，可以用来测度一个变量在不同时间或不同空间的相对变化。指数具有综合性，它是由一组变量或项目多年度的变化数值综合对比形成的。指数具有平均性，两个综合量对比形成的指数反映了个别量的平均变动程度。编制中小企业信用风险指数时，我们首先计算出2015～2020年京津冀科技型中小企业的信用值；接下来我们按照地域特征进行分组，计算出河北省、天津市、北京市科技型中小企业的信用水平波动的平均值；最后我们以100作为标杆进行数值逆转，以逆转值作为中小企业信用风险指数值，具体情况如图3、图4、图5所示。

图3 2015～2020年河北省科技型中小企业信用风险指数

图4 2015～2020年天津市科技型中小企业信用风险指数

图5 2015～2020年北京市科技型中小企业信用风险指数

第一，河北省科技型中小企业信用风险总体高于天津市和北京市的企业。这一现象的深层次原因可以从表2中找到：河北省样本中90%的科技型中小企业流动比率指标与北京市和天津市相比偏弱；90%的中小企业现收比指标与北京市和天津市相比偏弱；50%的中小企业应收账款周转率指标与北京市和天津市相比偏弱。对标北京市和天津市科技型中小企业，河北省企业信用监管部门的重点工作方向是着力引导中小企业在流动比率、现收比、应收账款周转率等指标优化上发力，通过辖区内中小企业整体提质增效来改进河北省总体企业信用风险指数表现。

第二，2015～2017年京津冀科技型中小企业信用风险曾经都呈现出不断下降的良好趋势。国家金融与发展实验室(NIFD)数据显示，截至2015年底我国债务总额为168.48万亿元，全社会杠杆率为249%。分结构来看，居民部门债务率为40%、金融部门为21%、政府部门为40%。非金融企业部门债务率高达131%，比2014年增加7个百分点，这表明非金融企业部门加杠杆的趋势非但没有得到有效的遏制，反而呈现进一步加剧的态势。针对这种情况，2015年12月的中央经济工作会议提出“去产能、去库存、去杠杆、降成本、补短板”五大任务。图3至图5表明去杠杆政策有效，2015～2017年京津冀科技型中小企业的信用风险畸高的状况得到了有效控制。

第三，2017～2018年京津冀科技型中小企业信用风险出现了再次飙升。2017年开始，特朗普政府挑起了又一轮中美贸易摩擦。总体来看，中美贸易摩擦对于我国本身深层次结构性改革总方向和国有企业本质上难有较大撼动，但对于在我国的跨国企业以及我国科技型中小企业确实造成了经营上的巨大压力和冲击。中美贸易摩擦对中小企业的供应链、人员收入、市场份额、研发投入、发展战略等都产生了重要影响。一些企业将劳动密集型生产工厂转移至东南亚国家，导致我国一些中小型企业逐渐失去了在传统产业的竞争优势。另外，一些投资人改变投资计划不愿将富裕资金注入中小型企业，导致一些企业资金链断裂，融资失败。从图3至图5还可以看出，除北京市外，天津市和河北省的中小企业信用风险指数在新冠肺炎疫情之后再次出现了上升趋势。这说明在新冠肺炎疫情的背景下，科技型中小企业的盈利水平和偿债能力再次出现了变弱的预警信号。

六、结论及政策建议

(一)结论

社会信用体系建设是推进国家治理体系和治理能力现代化的重要内容，只有实施企业信用风险分类管理，才能推动监管更加精准有效。本文以京津冀科技型中小企业的数据进行分层抽样，以数据包络分析方法为工具，对科技型中小企业的信用风险进行分类测算分析。结果显示：信用风险低的A类企业占比23%；信用风险一般的B类企业占比7%；信用风险较高的C类企业占比7%；信用风险很高的D类企业占比63%(其中天津5家、河北9家、北京5家)。可以看出，京津冀科技型中小企业的信用风险总体状况不容乐观。同时，本文基于数据包络分析方法提出并设计了中小企业信用风险指数。信用风险指数的波动表明：在去杠杆的宏观政策推动下，2015～2017年科技型中小企业的信用风险畸高的状况得到有效控制；在中美贸易摩擦等因素影响下，2017～2018年科技型中小企业信用风险出现了飙升；2019～2020年京津冀科技型中小企业的信用值再次出现了变弱的预警信号。信用风险指数的波动具有良好的风向标作用，可以较好地观测中小企业信用风险在不同时间或不同空间的相对变化。

(二)政策建议

第一，从政府监管部门层面看，本文测算的分类结果可以应用于市场监管系统各业务领域对企业的监管工作，作为配置监管资源的参考依据。本文引入的数据包络分析信用风险评价可使监管部门的政策和执法工具箱更加丰富，有助于增强政府监管的针对性和有效性，降低监管成本。以信用值得分实现差异性监管，赋能信用监管效能提升。在信用值精准测算的基础上通过差异化监管措施，真正做到监管行为对诚信经营者“无事不扰”、对违法失信者“无处不在”。本文建议京津冀区域尽快形成所有企业信用信息的统一归集、存储、共享；建议建立京津冀信用风险动态评估机制，开展季度、年度信用风险分类评价、分类监管并实现预警奖惩。

第二，从银行等金融机构和信用评级中介机构层面看，本文的研究方法和编制的中小企业信用风险指数，能够为中小企业信用评价标准化问题研究提供有益借鉴。银行、担保公司等金融机构以及信用评级中介机构，应当不断丰富企业信用风险评估的方法体系，建议基于数据包络分析模型、熵值法模型等非参数方法进行企业信用风险评估，提升中小企业信用评级的科学性。

第三，从科技型中小企业自身层面看，建议不断丰富企业信用风险管理的方法体系，通过引入数据包络分析等方法测算和监控供应商以及企业自身信用值，针对低风险和重点领域信用风险实施对标管理。借助数据包络模型中的投影值分析，找到增大企业信用风险的短板性指标，通过信用预警管理不断提升企业信用值。建议科技型中小企业通过观测分析区域和行业信用风险指数的波动情况，进行科学的投资和经营决策。