基于网络结构Logistic模型的企业信用风险预警研究【摘要】：随着计算机和互联网的快速发展，特别是在大数据时代，企业积累了大量有关企业经营、财务等相关数据，变量众多且变量间关系纷繁复杂，如果利用传统的logistic回归建立企业信用风险预警模型往往效果不好。本文在充分考虑变量间的网络结构关系基础上，提出了网络结构Logistic模型，通过惩罚方法同时实现变量选择和参数估计。蒙特卡洛模拟表明网络结构Logistic模型要优于其他方法。最后，我们将之应用到我国企业信用风险预警中，充分考虑财务指标间的网络结构关系，科学地选择评估指标，构建更加适合我国国情的企业信用风险预警方法关键词：企业信用风险；网络结构；logistic模型中图分类号：O212文献标识码：AForecastingofEnterprise'sCreditRiskBasedonNetwork-logisticModelWiththerapiddevelopmentofcomputerandtheInternet,especiallyintheeraofbigdata,someenterpriseshasaccumulatedalotabouttheiroperationandfinancerelateddata,variablesarenumerousandtheirrelationshiparecomplicated.Ifweusethetraditionallogisticregressiontobuilduptheenterprisecreditrisk,theperformanceusuallyisn’tgood.Inthispaper,weproposenetwork-logisticmodelbasedonconsideringthenetworkrelationshipamongvariables,viapenalizedmethodtoconductvariableselectionandparametersestimationsimultaneously.Simulationresultsshowthatnetwork-logisticperformbetterthanothercomparedmethods.Finally,weapplyittoforecastenterprise’screditrisk,underconsideringthenetworkrelationshipbetweenfinancialindicators,selectsignificantvariablesandbuildupasuitablecreditriskforecastingmodelforChinaenterprises.Keywords:Enterprise'screditrisk;Network;Logisticmodel引言随着国际形势的变化与中国经济改革的深化，上市公司遭遇前所未有的挑战，面临的风险越来越大。信用风险已经成为金融机构、投资者、政府监管部门所面临的核心风险。而企业的信用风险通常的表现形式就是财务困境。一旦上市公司遇到财务困境，将给投资者带来巨大的损失，也给公司带来巨大的生产经营压力。不过，企业财务陷入危机是一个渐进的过程，不但具有先兆，而且可以通过财务指标分析进行危机预警。建立一套有效的信用风险预警模型，能帮助公司经营者改善公司的经营状况和财务状况，能使借贷者避免高风险贷款，投资者避免或减少投资损失。上市公司信用风险预警是通过财务比率数据分析预测企业出现财务危机的可能性。从方法角度来看，信用风险预警方法主要有多元线性判别分析、机器学习、logistic回归等，但是这些方法均存在不同程度的缺陷。多元线性判别分析对预测变量有着严格的联合正态分布要求，或者要求协方差矩阵相等，然而大量实证结果表明多数财务比率数据并不满足这一假设条件。机器学习模型除存在过度拟合问题外，需大量样本数据，而信用风险企业数据由于其自身的特殊性收集较为困难。对于传统的logistic模型，随着计算机和互联网的发展，企业搜集的信息纷繁复杂、变量众多，对建模带来较大的难度，此外，各财务指标之间的关系也错综复杂，彼此之间往往呈网络结构关系。本文在充分考虑变量间的网络结构关系基础上，提出了网络结构logistic模型，通过惩罚方法同时实现变量选择和参数估计，并将之应用到我国企业信用风险预警中，充分考虑企业财务指标间的网络结构关系，科学地选择评估指标，以期构建更加适合我国国情的企业信用风险预警方法。一、文献综述从1966年Beaver利用单一的财务比率来预测财务状况起，公司信用风险分析已经有近50年的历史。Altman(1968)率先应用多元判别分析的方法对美国企业破产进行预测。但应用线性判别模型的条件为总体服从正态分布且协方差矩阵相等，这些条件在实际中很难得到满足。Ohlson(1980)以美国的105家破产公司和2058家正常公司为样本，建立了Logit财务困境预测模型并通过实证研究证明Logit模型预测效果好于多元线性判别分析。但由于财务指标间的多重共线性，Logit模型在变量选择时存在限制。为解决指标间共...