中小和微型企業的授信管理指標與授信政策－批次信保案件的應用

在台灣，中小和微型企業為經濟發展的重點之一，然而財務資訊不透明與擔保品不足的缺點，使得此類企業的融資管道狹窄。為了提升銀行承貸的意願，政府乃藉著中小企業信用保證基金，陸續推出授權、專案及批次的信保服務，以減緩銀行的信用風險。部分銀行看準此類企業的放款不僅實質利率高，且只要經由信保基金保證之後，債權銀行之信用風險就大幅降低，遂將授信的焦點轉向中小和微型企業。由於信保基金的損失等同於全民買單，近年來信保基金便利用風險賠付限額與代償率的門檻設置，間接地向所有銀行傳達，若不積極地建立理想的信用評分模型，以篩選並承作良好的申貸案件，則債權銀行不僅無法賺取合理的報酬，還要自行負擔保證以外的可觀損失。建立完備的信用評分模型，並提出精確的授信政策，既然是本國銀行的當務之急，本研究乃根據個案銀行之批次信貸案件，將該行審查時使用之授信管理指標建構成基本模型。另將個案銀行自行蒐集或訂定的企業特性指標，和查詢聯徵中心信用資料庫的重要指標，有效地整合成不同構面的衍生模型，藉此提供更完整的信用管理指標，並以該指標設計不同的門檻標準，作為個案銀行准駁申貸案件的政策依據。全文除深入地討論各授信管理指標納入實證模型的原因，以及其對違約發生比的正負向影響外，主要重點則在驗證個案銀行的授信條件或准駁門檻是否合宜？研究結果發現，中小和微型企業的財務報表嚴重失真，導致借戶的「營授比」與違約發生存在不合理的負向關係；營收衰退率和401表的營收成長率無法顯著地影響違約與否。在舉債規模方面，實證發現微型企業在聯徵系統顯示的金融負債餘額、雙卡的總動用金額、總信貸餘額和額度動用率，均未顯著影響違約，此結果或多或少提醒銀行，宜格外審慎檢視此類企業在聯徵的債務資訊。至於總體環境與經濟事件對違約發生的檢討方面，雙卡風暴之後，發卡銀行核卡態度的改變，導致此類企業的負責人及其配偶的現金卡張數，負向且不顯著地影響違約發生比。再者，國內銀行家數過多（over-banking）、資金浮濫，以及逆選擇的授信態度，養成借戶「債多不愁」4的心態，造成體質不佳的企業，還能苟延殘喘地存活，不僅提高銀行未來的逾放比率，也傷害金融秩序的維持，值得各界警惕。再者，實證發現利用聯徵中心的信用資訊建立的衍生模型，在區別正常與違約客戶上，略優於個案銀行自行蒐集之信用資訊構成的衍生模型。實務上，有部分企業為了取得更多的申貸資金，或更容易地通過審查，而過度美化提供的資訊，並導致誤判其違約機率，授信審查時不得不嚴加防範。

關鍵字

批次信用擔保；中小企業融資；迴歸；授信政策

並列摘要

This research evaluates and proposes quantified financial and non-financial variables in a bank's credit rating model for SMEs, using logistic regression on a sample of 22 variables- 11 basic variables from our case bank and 11 derived ones. It further uses a T-test and a nonparametric test, i.e. a Wilcoxon test, to explore if there is any difference while estimating probabilities of default (PDs).Our empirical analysis concludes that: 1. The research fails to reject the hypothesis that PDs in the basic model and in the derived model 3 have a common average and a common median. In other words, the current credit rating system of our case bank is rather ideal as it's not significantly possible that the bank would accept a bad client or turn away a good client. 2. By further dividing the applications into approved cases and disapproved cases, as well as non-defaulters and defaulters, we examine the PDs of the two empirical models and found no significant difference. This shows our case bank's basic model and credit rating system are rather ideal; Moreover, it suggests that the derived model, where new positive or negative values are assigned to the variables, may be helpful for the bank in deciding on lending policies, lending standards and thresholds for credit rating variables. 3. Overall, with the 11 new financial and non-financial variables added, our case bank's credit rating model shows significant increase in its predictive ability.