1、外文翻译MODELINGCREDITRISKFORSMESEVIDENCEFROMTHEUSMARKETMATERIALSOURCEWILEYCHINAAUTHOREDWARDIALTMANGABRIELESABATOCONSIDERINGTHEFUNDAMENTALROLEPLAYEDBYSMALLANDMEDIUMSIZEDENTERPRISESSMESINTHEECONOMYOFMANYCOUNTRIESANDTHECONSIDERABLEATTENTIONPLACEDONSMESINTHENEWBASELCAPITALACCORD,WEDEVELOPADISTRESSPREDICTIO
2、NMODELSPECIFICALLYFORTHESMESECTORANDTOANALYZEITSEFFECTIVENESSCOMPAREDTOAGENERICCORPORATEMODELTHEBEHAVIOUROFFINANCIALMEASURESFORSMESISANALYZEDANDTHEMOSTSIGNIFICANTVARIABLESINPREDICTINGTHEENTITIESCREDITWORTHINESSARESELECTEDINORDERTOCONSTRUCTADEFAULTPREDICTIONMODELUSINGALOGITREGRESSIONTECHNIQUEONPANELD
3、ATAOFOVER2,000USFIRMSWITHSALESLESSTHAN65MILLIONOVERTHEPERIOD19942002,WEDEVELOPAONEYEARDEFAULTPREDICTIONMODELTHISMODELHASANOUTOFSAMPLEPREDICTIONPOWERWHICHISALMOST30PERCENTHIGHERTHANAGENERICCORPORATEMODELANASSOCIATEDOBJECTIVEISTOOBSERVEOURMODELSABILITYTOLOWERBANKCAPITALREQUIREMENTSCONSIDERINGTHENEWBAS
4、ELCAPITALACCORDSRULESFORSMESINTRODUCTIONSMALLANDMEDIUMSIZEDENTERPRISESAREREASONABLYCONSIDEREDTHEBACKBONEOFTHEECONOMYOFMANYCOUNTRIESALLOVERTHEWORLDFOROECDMEMBERS,THEPERCENTAGEOFSMESOUTOFTHETOTALNUMBEROFFIRMSISGREATERTHAN97PERCENTINTHEUS,SMESPROVIDEAPPROXIMATELY75PERCENTOFTHENETJOBSADDEDTOTHEECONOMYAN
5、DEMPLOYAROUND50PERCENTOFTHEPRIVATEWORKFORCE,REPRESENTING997PERCENTOFALLEMPLOYERSTHANKSTOTHESIMPLESTRUCTUREOFMOSTSMES,THEYCANRESPONDQUICKLYTOCHANGINGECONOMICCONDITIONSANDMEETLOCALCUSTOMERSNEEDS,GROWINGSOMETIMESINTOLARGEANDPOWERFULCORPORATIONSORFAILINGWITHINASHORTTIMEOFTHEFIRMSINCEPTIONFROMACREDITRISK
6、POINTOFVIEW,SMESAREDIFFERENTFROMLARGECORPORATESFORMANYREASONSFOREXAMPLE,DIETSCHANDPETEY2004ANALYZEASETOFGERMANANDFRENCHSMESANDCONCLUDETHATTHEYARERISKIERBUTHAVEALOWERASSETCORRELATIONWITHEACHOTHERTHANLARGEBUSINESSESINDEED,WEHYPOTHESIZETHATAPPLYINGADEFAULTPREDICTIONMODELDEVELOPEDONLARGECORPORATEDATATOS
7、MESWILLRESULTINLOWERPREDICTIONPOWERANDLIKELYAPOORERPERFORMANCEOFTHEENTIRECORPORATEPORTFOLIOTHANWITHSEPARATEMODELSFORSMESANDLARGECORPORATESTHEMAINGOALOFTHISPAPERISTOANALYZEACOMPLETESETOFFINANCIALRATIOSLINKEDTOUSSMESANDFINDOUTWHICHARETHEMOSTPREDICTIVEVARIABLESAFFECTINGANENTITIESCREDITWORTHINESSONEMOTI
8、VATIONISTOSHOWTHESIGNIFICANTIMPORTANCEFORBANKSOFMODELINGCREDITRISKFORSMESSEPARATELYFROMLARGECORPORATESTHEONLYSTUDYTHATWEAREAWAREOFTHATFOCUSEDONMODELINGCREDITRISKSPECIFICALLYFORSMESISAFAIRLYDISTANTARTICLEBYEDMISTER1972HEANALYZED19FINANCIALRATIOSAND,USINGMULTIVARIATEDISCRIMINANTANALYSIS,DEVELOPEDAMODE
9、LTOPREDICTSMALLBUSINESSDEFAULTSHISSTUDYEXAMINEDASAMPLEOFSMALLANDMEDIUMSIZEDENTERPRISESOVERTHEPERIOD19541969WEEXPANDANDIMPROVEHISWORKUSING,FORTHEFIRSTTIME,THEDEFINITIONOFSMEASCONTAINEDINNEWBASELCAPITALACCORDSALESLESSTHAN50MILLIONANDAPPLYINGALOGITREGRESSIONANALYSISTODEVELOPTHEMODELWEEXTENSIVELYANALYZE
10、ALARGENUMBEROFRELEVANTFINANCIALMEASURESINORDERTOSELECTTHEMOSTPREDICTIVEONESTHEN,THESEVARIABLESAREUSEDASPREDICTORSOFTHEDEFAULTEVENTTHEFINALOUTPUTISNOTONLYANEXTENSIVESTUDYOFSMEFINANCIALCHARACTERISTICS,BUTALSOAMODELTOPREDICTTHEIRPROBABILITYOFDEFAULTPD,SPECIFICALLYTHEONEYEARPDREQUIREDUNDERBASELIITHEPERF
11、ORMANCEOFTHISMODELISALSOCOMPAREDWITHTHEPERFORMANCEOFAWELLKNOWNGENERICCORPORATEMODELKNOWNASZSCOREINORDERTOSHOWTHEIMPORTANCEOFMODELINGSMECREDITRISKSEPARATELYFROMAGENERICCORPORATEMODELWEACKNOWLEDGETHATOURANALYSISCOULDSTILLBEIMPROVEDUSINGQUALITATIVEVARIABLESASPREDICTORSINTHEFAILUREPREDICTIONMODELTOBETTE
12、RDISCRIMINATEBETWEENSMESASRECENTLITERATURE,EGLEHMANN2003ANDGRUNETETAL2004,DEMONSTRATETHECOMPUSTATDATABASEUSED,HOWEVER,DOESNOTCONTAINQUALITATIVEVARIABLESNEVERTHELESS,THEPERFORMANCEACCURACYOFTHEMODELUSEDTOPREDICTSMEDEFAULTISSIGNIFICANTLYHIGHBOTHONANABSOLUTEANDRELATIVEBASISWHILETHEREHAVEBEENMANYSUCCESS
13、FULMODELSDEVELOPEDFORCORPORATEDISTRESSPREDICTIONPURPOSES,ANDATLEASTTWOARECOMMONLYUSEDBYPRACTITIONERSONAREGULARBASIS,NONEWEREDEVELOPEDSPECIFICALLYFORSMESINADDITION,THOSEORIGINALZSCOREMODELSDEVELOPEDBYONEOFTHEAUTHORSCANBEIMPROVEDUPONBYTRANSFORMINGSEVERALOFTHEVARIABLESTOADJUSTFORTHECHANGINGVALUESANDDIS
14、TRIBUTIONSOFSEVERALOFTHEKEYVARIABLESOFTHOSEMODELSINPARTICULAR,APARSIMONIOUSSELECTIONOFVARIABLES,SOMEOFWHICHARETRANSFORMED,CANCOMPENSATEFORTHEFACTTHATOURMODELCANNOTMAKEUSEOFQUALITATIVEVARIABLESTHATAREAVAILABLEONLYFROMBANKSANDOTHERLENDINGINSTITUTIONSFILESTHEANALYSISISCARRIEDOUTONASAMPLEOF2,010USFIRMSW
15、ITHSALESLESSTHAN65MILLIONINCLUDING120DEFAULTS,SPANNINGTHETIMEPERIOD1994TO2002SECTION2PROVIDESASURVEYOFTHEMOSTRELEVANTLITERATUREABOUTFAILUREPREDICTIONMETHODOLOGIESFIRST,THECHOICEOFUSINGALOGISTICREGRESSIONTODEVELOPASPECIFICSMECREDITRISKMODELISADDRESSEDANDJUSTIFIEDTHEN,FOLLOWSANOVERVIEWANDANALYSISOFTHE
16、FINDINGSOFTHEMOSTRECENTSTUDIESABOUTSMESSECTION3DEVELOPSAMODELTOPREDICTONEYEARSMEDEFAULTWEEXAMINEDIFFERENTSTATISTICALALTERNATIVESTOIMPROVETHEPERFORMANCEOFOURMODELANDCOMPARETHERESULTSRESULTSUSINGALOGISTICALTECHNIQUEARECONTRASTEDWITHOTHERALTERNATIVES,PRINCIPALLYDISCRIMINANTANALYSISSECTION4EMPHASISESTHE
17、VALUEOFDEVELOPINGASPECIFICMODELINORDERTOESTIMATESMEONEYEARPROBABILITYOFDEFAULTINPARTICULAR,THEBENEFITS,INTERMSOFLOWERCAPITALREQUIREMENTSFORBANKSOFAPPLYINGASPECIFICSMEMODELARESHOWNWEDEMONSTRATETHATIMPROVINGTHEPREDICTIONACCURACYOFACREDITRISKMODELISLIKELYTOHAVEBENEFICIALEFFECTSONTHEBASELIICAPITALREQUIR
18、EMENTSFORSMESWHENTHEADVANCEDINTERNALRATINGBASEDAIRBAPPROACHISUSEDAND,ASSUCH,COULDRESULTINLOWERINTERESTCOSTSFORSMECUSTOMERSSECTION5PROVIDESOURCONCLUSIONSLOGISTICREGRESSIONFIRST,WERUNTHELOGISTICREGRESSIONUSINGTHEUNLOGGEDVARIABLESADETAILEDDISCUSSIONOFTHISMODELISPROVIDEDINAPPENDIXAALLOFTHESLOPESSIGNSFOL
19、LOWOUREXPECTATIONSIEWEEXPECTAPOSITIVERELATIONSHIPBETWEENTHEKPGANDALLTHEPREDICTORSEXCEPTSHORTTERMDEBT/BVOFEQUITYANDTHEWALDTESTFOREACHOFTHEPREDICTORSISSTATISTICALLYSIGNIFICANTALSOTHELOGLIKELIHOODTESTISSTATISTICALLYSIGNIFICANT,IEWECANARGUETHATTHEREISASIGNIFICANTLYSTRONGRELATIONSHIPBETWEENTHESELECTEDPRE
20、DICTORSANDTHEDEFAULTEVENTTHEHOSMERLEMESHOWTESTHOSMERANDLEMESHOW,1989,WHICHISUSEDTOUNDERSTANDWHETHERUSINGANAPPROPRIATESTATISTICALTECHNIQUEINTHISCASETHELOGISTICREGRESSION,ISSTATISTICALLYSIGNIFICANTPVALUEEQUALTO0421ASWEWERENOTMAKINGANAPPROPRIATECHOICEUSINGTHELOGISTICREGRESSIONHOWEVER,THERESULTOFTHEHOSM
21、ERLEMESHOWTESTCANBEMISLEADINGSINCEITCANBEDUEONLYTOTHEWIDERANGEOFVALUESOFTHEORIGINALPREDICTORSLASTLY,WEOBSERVETHEMEASURESOFASSOCIATIONSOMERS“D”,GOODMANANDKRUSKALS“GAMMA”ANDKENDALLS“TAUB”TOCOMPARETHISMODELWITHTHEONEDEVELOPEDUTILIZINGTHELOGARITHMICVALUESOFTHEPREDICTORSWEDEPICTOURFIRSTMODELINTABLE3,WHER
22、ETHEFINALSCORETHATCANBEAPPROXIMATEDWITHTHEPROBABILITYTHATAFIRMDOESNOTDEFAULTISGIVENBYTHESUMOFTHECONSTANT428ANDTHEPRODUCTBETWEENTHESLOPESANDTHEVALUEOFEACHOFTHEPREDICTORSASWEWILLDEMONSTRATE,THERESULTSEGTHEACCURACYRATIOIS75PERCENTAREACCURATE,BUTCERTAINLYTHEYCOULDBEIMPROVEDTOGIVEUSMORECONFIDENCEINTHEREL
23、IABILITYOFTHEMODELTABLE3MODELDEVELOPEDWITHUNLOGGEDPREDICTORSTHISTABLESHOWSTHEMODELDEVELOPEDUSINGTHEUNLOGGEDVALUESOFTHEVARIABLESTOPREDICTTHEPROBABILITYOFTHEFIRMBEINGBANKRUPTPLOGPD/1PD428018EBITDA/TOTALASSETS001SHORTTERMDEBT/EQUITYBOOKVALUE008RETAINEDEARNINGS/TOTALASSETS002CASH/TOTALASSETS019EBITDA/IN
24、TERESTEXPENSESWETHENUTILIZETHELOGARITHMICTRANSFORMEDPREDICTORSINANATTEMPTTOINCREASETHEACCURACYOFTHEMODELTHEEBITDA/TOTALASSETSEBITDA/TAANDTHERETAINEDEARNINGS/TOTALASSETSRE/TAVARIABLES,FOLLOWINGALTMANANDRIJKEN2004,ARETRANSFORMEDASFOLLOWSEBITDA/TALN1EBITDA/TA,RE/TALN1RE/TAACTUALLY,THEDISTRIBUTIONSOFTHE
25、SETWOVARIABLESARENEGATIVELYSKEWEDANDTHEINFORMATIONCONTENTINTHEFATTAILSOFTHEDISTRIBUTIONISRELATIVELYLOWSO,WITHTHISTRANSFORMATIONWECANGIVEMOREPOWERTOTHEVALUESTHATAREMORESIGNIFICANTFORTHEREGRESSIONMOREOVER,INTHISWAYWEPARTIALLYCORRECTFORTHETRENDOFTHEUNLOGGEDVARIABLESWHICHWERECONTINUOUSLYDRIFTINGDOWNOVER
26、THEYEARSFOREXAMPLE,THERE/TAVARIABLEHADAMEANABSOLUTEVALUEIN1980OFALMOST20PERCENTAGEPOINTSHIGHERTHANTHEAVERAGEVALUEFORUSCOMPANIESIN2004THEOTHERTHREEVARIABLESHAVETHESTANDARDLOGTRANSFORMATIONAFTERTHESETRANSFORMATIONS,THEREGRESSIONRESULTSLOOKMUCHMOREPROMISINGSEEAPPENDIXBFORADETAILEDDISCUSSIONOFTHISMODELS
27、DEVELOPMENTWALDANDLOGLIKELIHOODTESTSARESTATISTICALLYSIGNIFICANTASBEFOREANDTHESLOPESAREALLREASONABLESEETABLE4THISTIME,THEHOSMERLEMESHOWTESTISNOTSTATISTICALLYSIGNIFICANTPVALUEEQUALTO0978THEMEASURESOFASSOCIATIONSSHOWHIGHERVALUESTHANBEFORE,SUGGESTINGTHATTHEREVISEDMODELSHOULDHAVEHIGHERPREDICTIONACCURACYT
28、HEACCURACYRATIOJUMPEDFROM75PERCENTTO87PERCENTWHENWETRANSFORMEDEACHOFTHEORIGINALFIRMVARIABLESBYUSINGTHEIRLOGARITHMSHOWEVER,TODECIDEIFTHEREVISEDMODELISREALLYBETTERTHANTHEONEBUILTWITHTHEORIGINALPREDICTORS,WETESTANDCOMPARETHEIRPREDICTIONACCURACYONAHOLDOUTSAMPLETABLE4MODELDEVELOPEDWITHLOGGEDPREDICTORSTHI
29、STABLESHOWSTHEMODELDEVELOPEDUSINGTHELOGGEDVALUESOFTHEVARIABLESTOPREDICTTHEPROBABILITYOFTHEFIRMBEINGBANKRUPTLOGPD/1PD5348409LN1EBITDA/TOTALASSETS113LNSHORTTERMDEBT/EQUITYBOOKVALUE432LN1RETAINEDEARNINGS/TOTALASSETS184LNCASH/TOTALASSETS197LNEBITDA/INTERESTEXPENSESCONCLUSIONSWEHAVEINVESTIGATEDWHETHERBAN
30、KSSHOULDSEPARATESMALLANDMEDIUMSIZEDFIRMSFROMLARGECORPORATESWHENTHEYARESETTINGTHEIRCREDITRISKSYSTEMSANDSTRATEGIESTHEFINDINGSDEMONSTRATETHATMANAGINGCREDITRISKFORSMESREQUIRESMODELSANDPROCEDURESSPECIFICALLYFOCUSEDONTHESMESEGMENTWEIMPROVEUPONTHEEXISTINGLITERATUREINVARIOUSWAYSFIRST,WEUSE,FORTHEFIRSTTIME,T
31、HEDEFINITIONOFSMEPROVIDEDBYTHENEWBASELCAPITALACCORDSALESLESSTHAN65MILLIONTHATWILLBECOMERELEVANTFORBANKSINABOUTTWOYEARS,WHENBASELIIWILLBEINFORCEGATHERINGDATAONUSSMES,WEANALYZEACOMPLETESETOFFINANCIALRATIOSEXPLORINGCAREFULLYTHEIRCHARACTERISTICSSECOND,BYUTILIZINGWELLKNOWNSTATISTICALTECHNIQUES,FIVEFINANC
32、IALRATIOSAREFOUNDINCOMBINATIONTOBETHEBESTPREDICTORSOFSMEDEFAULTANDWEUSETHEMTODEVELOPACREDITRISKMODELSPECIFICFORSMESTHISMODELISUSEDASANINSTRUMENTTOSHOW,ONAHOLDOUTSAMPLE,THEDIFFERENTPERFORMANCEOFASPECIFICSMEMODELVERSUSAGENERICCORPORATEMODELZSCOREMODELRESULTSSTRONGLYCONFIRMOUREXPECTATIONSTHEPERFORMANCE
33、,INTERMSOFPREDICTIONACCURACY,OFOURSPECIFICSMEMODELISALMOST30PERCENTHIGHERTHANTHEPERFORMANCEOFTHEGENERICCORPORATEMODELINDEED,WEDEMONSTRATETHATBANKSWILLLIKELYENJOYSIGNIFICANTBENEFITSINTERMSOFSMEBUSINESSPROFITABILITYBYMODELINGCREDITRISKFORSMESSEPARATELYFROMLARGECORPORATESALSOMDADEFAULTPREDICTIONMODELSA
34、REDEMONSTRATEDASLIKELYTOHAVEALOWERABILITYTODISCRIMINATEBETWEENDEFAULTEDANDNONDEFAULTEDCLIENTSTHANLOGISTICMODELSWHENTHESAMEVARIABLESAREUSEDASPREDICTORSLAST,WESHOWTHATMODELINGCREDITRISKSPECIFICALLYFORSMESALSORESULTSINSLIGHTLYLOWERCAPITALREQUIREMENTSAROUND05PERCENTFORBANKSUNDERTHEAIRBAPPROACHOFBASELIIT
35、HANAPPLYINGAGENERICCORPORATEMODELTHISISTRUEWHATEVERTHEPERCENTAGEOFSMEFIRMSCLASSIFIEDASRETAILORASCORPORATESTHISISDUETOTHEHIGHERDISCRIMINATIONPOWEROFASPECIFICSMECREDITRISKMODELAPPLIEDONASMESAMPLEOURFINDINGSALSOCONFIRM,TOSOMEEXTENT,WHATHASBEENFOUNDINTHEOTHERSTUDIESIE,THATSMALLANDMEDIUMSIZEDENTERPRISESA
36、RESIGNIFICANTLYDIFFERENTFROMLARGECORPORATESFROMACREDITRISKPOINTOFVIEWHOWEVER,WEDEMONSTRATETHATBANKSSHOULDNOTONLYAPPLYDIFFERENTPROCEDURESINTHEAPPLICATIONANDBEHAVIORALPROCESSTOMANAGESMESCOMPAREDTOLARGECORPORATEFIRMS,BUTTHESEORGANIZATIONSSHOULDALSOUSEINSTRUMENTS,SUCHASSCORINGANDRATINGSYSTEMS,SPECIFICAL
37、LYADDRESSEDTOTHESMEPORTFOLIOTHUS,BANKSSHOULDCAREFULLYCONSIDERTHERESULTSOFTHISSTUDYWHENSETTINGTHEIRINTERNALSYSTEMSANDPROCEDURESTOMANAGECREDITRISKFORSMES译文中小企业信用风险建模来自美国市场的证明资料来源WILEY中国网站作者爱德华一世奥特曼；加布里埃莱萨巴托考虑到中小企业在一国经济中起到的重要作用以及新巴塞尔资本协议中对它的大量关注，我们特别为中小企业建立了一种危机预警模型，并通过与普通公司模型的比较，来分析它的有效性。为了构建这样一个默认的预测
38、模型，我们分析了中小型企业金融措施的行为，以及选取了对预测实体公司的信用最重要的变量。通过使用LOGIT回归技术对19942004年期间超过2000家的美国公司（规模小于6500万美元）的固定样本数据进行分析，我们建立了一个默认的为期一年的预测模型。这个模型样本外的预测能力比一般的公司模型高出30。一个相关的目的是来观察我们这个模型在符合新巴塞尔资本协议对中小企业的规定的情况下，对于减少银行资本需求的能力。导言中小企业理所当然地被看作是全世界许多国家的经济支柱。经合组织的成员国中，中小企业所占的比例超过了所有企业总数的97。在美国,中小企业提供了美国经济大约75的净工作，雇佣了大约50的私人劳
39、动力,代表了美国997的企业家。由于大多数中小企业的结构简单，它们就能够迅速地对经济状况的改变（比如公司在短期内开始成长为一个大公司或者经营失败）做出反应并满足当地消费者的需求。从信贷风险的角度来看,中小企业之所以与大型企业不同有很多原因。例如，DIETSCHANDPETEY2004分析了德国和法国的一些中小企业，发现虽然它们具有更高的风险，但对比大型企业，他们彼此之间的资产相关系数较小。事实上，假设我们运用一个基于大公司数据的默认的预测模型来对中小企业进行分析，将导致较低的预测效果以及相比于单独使用较差的企业投资组合业绩。本文的研究目的之一是体现出将中小型企业与大型公司的信用风险模型区分开来
40、的重要性。EDMISTER（1972）发表的一篇文章是我们发现的唯一一项以中小型企业信用风险模型为重点的研究。他分析了19种财务比率，使用多元素判别类分析，开发出了一项预测小型企业违约模型。他的研究以19541969年间的一些中小企业为样本。我们第一次采用新巴塞尔资本协定中关于中小企业的定义来拓展他的研究，并运用数据回归分析来发展其模型。我们广泛分析了一系列的金融相关指标，以找到最具预测性质的指标。然后用这些变量来预测金融违约事件。本文不仅仅对中小企业的金融特征进行了广泛研究，也预测了他们违约率的模型，特别是在新巴塞尔资本协定2中要求的一年违约率。本文将这个模型与著名的一般公司模型（又称阿特曼
41、ZSCORE模型）进行比较，以显示将中小型企业与大型公司的信用风险模型区分开来的重要性。诚然，我们还可以运用一些定性的变量来预测财务破产模型，以更好区分不同类型中小企业。COMPUSTAT数据库并不包含定性的变量，但是该模型预测中小企业违约率的准确性却是不容置疑的。关于公司财务困难预测目的的成功模型不胜枚举，其中至少有两个是经常被大家使用的，但是他们都不是为中小企业特别设计的。此外，通过转变一些变量来适应那些模型中关键变量的价值分布可以改进阿特曼ZSCORE模型。特别是，有针对性得选择变量，这样通过转变某些变量可以弥补我们模型不能充分利用定性变量的缺憾。这些定性变量往往只能从银行或是其他主要机
42、构的文件内获得。此项分析以1994到2002年间2010个美国公司为样本，包括120家违约的企业。第二部分是与破产预测方法相关的文献概况。首先，我们提出并分析了采用数据回归分析来开发中小型企业信用风险模型。然后，本文分析了中小型企业的最新报道。第三部分开发了一个预测一年内小型企业破产的模型。我们分析了不同的数据以提高我们模型的效率，并对研究结果进行了比较。特别是运用数理方法与运用差别分析的方法所得到的结果。第四部分的重点在于开发一个估计中小型企业一年破产率的模型的价值，特别是对那些利用中小企业模型的银行在其在降低资本需求方面的好处。我们发现提高信用风险模型预测准确度有助于降低巴塞尔资本2中关于
43、对中小企业的资本要求，与此同时，我们也运用AIRB方法，这样双管齐下，中小企业顾客的利息成本也能够降低。第五部分是本文的结论。首先，我们运用未记录回归分析（关于这一模型的详细讨论见附录A），所有迹象都应证了我们的预测（例如我们希望KPG和除了短期债务或BV股权的所有预测量都呈现正关联）每个预测量的WALD测试、关联测试在数据上都很重要。我们可以肯定所选预测量与违约事件关联很大。HOSMERLEMESHOW测试表明运用合适的数据性方法对于整个测试在数据层面上而言很重要。本文用的逻辑回归分析方法不是一个很合适的方法。但是，HOSMERLEMESHOW的测试结果可能具有误导性，因为它只包括一些原始预
44、测量的价值范围。最后，我们观察了关联性的测量标准，将这个模型与那些运用预测量对数价值的模型进行比较。表3显示了我们的第一个模型，终值是常量与每个预测量价值的总和。根据我们的分析，结果基本准确（准确率为75），但是如果大家对这个模型的可靠性更加认同，我们的结果将会更加准确。表3未记录预测的模型该表表明，该模型开发利用的未记录的变量值来预测该破产的（P）的公司的可能性。LOGPD/1PD428018息税前利润/资产总额001短期借款/股票账面价值008留存收益/资产总额002现金/资产总额019息税前利润/利息费用然后我们运用了一些对数转换过的预测量来提高我们模型的准确度。EBITDA/总资产EB
45、ITDA/TA模型和留存收益/总资产RE/TA变量,ALTMANANDRIJKEN变量（2004）转换如下EBITDA/TALN1EBITDA/TA,RE/TALN1RE/TA。实际上，这两个变量的分布不均衡，在分布链末端的信息内容相对较低。因此，通过特定的转换，我们能够给价值更多的权限，这对于数据回归十分重要。此外，在某种程度上，我们能够优化未记录变量近年来一直走低的趋势。例如，RE/TA变量在1980年的平均绝对值比2004年美国公司的平均值多近20。其他3个变量有标准的记录转换。经过了这些转换，回归结果显得更加积极（详见附表B关于这个模型的发展）。沃尔德测试和登录可能性测试统计和以前一样
46、重要，它们显示出的数据都合情合理。但是在本文的模型中，HOSMERLEMESHOW测试在数据上却不是那么重要（P值等于0978）。关联测量值高于从前，这意味着改进后的模型应当有更准确的预测性。当我们利用变量对数改变原始公司变量时，准确度从75上升到87。但是，为了确认改进后的模型是否真的优于根据原始预测量建的模型，我们对持有的样本在预测准确度方面进行了测试和比较。表4带记录预测的模型该表表明，该模型开发利用的带记录的变量值来预测该破产的的公司的可能性。LOGPD/1PD5348409LN1息税前利润/资产总额113LN短期借款/股票账面价值432LN1留存收益/资产总额184LN现金/资产总额
47、197LN息税前利润/利息费用结论我们研究了银行在建立信用风险模型系统、战略时是否应当将中小型企业与大型企业分开。结论是管理中小型企业的信用风险需要专门为中小型企业设计的模型和步骤。我们在现有文献的基础上改进了这些模型。首先，我们第一次运用新巴塞尔资本协定中关于中小企业的定义。当新巴塞尔资本协定产生效力时，这个定义与银行业将息息相关。从美国中小型企业中收集数据，我们全面分析财务比率，并分析了它们的特点。其次，通过运用著名的数据方法，5种财务比率综合运用，成为了中小企业违约的最准确的预测量。我们运用这种组合开发出一种针对中小企业的信用风险模型。这种模型是一种工具，显示出了特定中小企业模型和一般公司模型（ZSCORE模型）的区别。结果与我们预计的一样。我们的中小企业模型的预测准确率比普通公司模型高出近30。此外，研究显示银行在建立信用风险模型系统时将中小型企业与大型企业分开会更有效率。此外，当运用相同的变量当作预测量时，MDA违约预测模型在区分违约和非违约客户上不如数理模型高效。最后，我们发现无论公司大小，利用中小企业模型的银行比运用一般公司模型的银行在资本要求方面的门槛更低。这是由于专门为中小公司设计的信用风险模型更有针对性。我们的调查还在某种程度上证实了在其他领域的一些研究，例如，就信用风险而言，中小型企业和大型企业截然不同。
