which corresponds to roughly €400,0

which corresponds to roughly €400,000.
A firm’s DISTANCE to its corresponding Creditreform office averages
to 22 km and varies greatly with a standard deviation of about
19.5 km. However, about half of all firms exhibit a distance of less
than 16 km to their Creditreform office. The mean of FIRMS_PER_-
EMPLOYEE is 10. We further report statistics of the four business
credit information factors (PAYMENT, CREDIT, ORDER, and OUTLOOK),
which are measured on a scale from 1 to 70 (higher numbers
indicate higher default risk). We observe 3069 default
events, which corresponds to an average default rate of 3.16%
(DEF).2 This number is consistent with related studies (e.g., Dietsch
and Petey, 2004). Panel B of Table 1 shows the means of the default
rates and the four business credit information factors by terciles of
firm and credit bureau characteristics. Results from t-tests, using
the first tercile as reference category, are reported. It can be seen that
both default rates and business credit information factors vary significantly
between tercile categories. We differentiate by terciles
here and in the subsequent analyses to be able to detect potential
non-monotonic patterns.
4. Empirical analysis
4.1. Business credit information and aggregate default prediction
accuracy
In a first set of analyses, we investigate whether business credit
information helps to improve default predictions based on an
aggregate prediction accuracy measure. Specifically, we estimate
two probit regression models with DEF as dependent variable to
obtain the probability of default over a 1 year horizon for all firms
in our sample.3 The first model includes only the base factors that
the credit bureau collects from public sources of information (Eq.
(1), ‘‘baseline model’’).
PDBaseline ¼ PðDEF ¼ 1Þ ¼ f ðbase factorsÞ ð1Þ
The explanatory variables are AGE, SALES, EMPLOYEES, and
industry, regional, legal form, and year fixed effects. The first three
variables span the dimensions age, firm quality, transparency, and
size, which have been used in earlier studies that relate to borrower
risk, default prediction and financial constraints (e.g., Altman,
1968; Petersen and Rajan, 1994; Berger and Udell, 1995;
Kallberg and Udell, 2003; Hadlock and Pierce, 2010). The combination
of these fixed effects reflects important determinants, such as
the leverage ratio, thereby mitigating the lack of additional observable
variables due to the small firm size analyzed in the present
study.
The second model includes all factors (Eq. (2), ‘‘full model’’),
including the four attributes that reflect business credit information
(hard business credit information factors: PAYMENT and
CREDIT; soft business credit information factors: ORDER and
OUTLOOK).4
PDFull ¼ PðDEF ¼ 1Þ
¼ f ðbase factors; hard & soft business credit information factorsÞ
ð2Þ
Based on these model estimations we calculate the accuracy ratio
(AR). The AR is a widely used measure of the aggregate quality
of default prediction models and can be derived from cumulative
accuracy profile curves. To obtain the latter, firms are ordered
according to their estimated probability of default on the x-axis
(from high to low). The percentage of correctly classified defaulters
is displayed on the y-axis. The cumulative accuracy profile curve of
a random default prediction model corresponds to the diagonal.
The AR, defined in the interval [0, 1], equals the ratio of the area between
the cumulative accuracy profile of the rating model and the
random model over the area between the cumulative accuracy profile
of a perfect model and the random cumulative accuracy profile.
The higher the AR the higher is the prediction accuracy of the model
(for details, see, e.g. Cantor and Mann, 2003; Engelmann et al.,
2003). We then examine the difference in the ARs to assess the
improvement in default predictions. If the difference is positive,
then the addition of business credit information helps to improve
default forecasts. Table 2 reports the results.
We obtain two key results. First, three of the four business credit
information factors (PAYMENT, CREDIT, and ORDER) in model (2)
are positive and highly significant (i.e., higher values for these
2

ผลลัพธ์ (ไทย) 1:

ซึ่งตรงกับประมาณ €400, 000.
ห่างจากค่าเฉลี่ยสำนักงาน Creditreform ความเกี่ยวข้องของบริษัท
ไป 22 กม. และเปลี่ยนแปลง มีค่าเบี่ยงเบนมาตรฐานประมาณ
19.5 km อย่างไรก็ตาม ประมาณครึ่งหนึ่งของบริษัททั้งหมดแสดงเป็นระยะทางน้อย
กว่ากิโลเมตรถึงสำนักงานของพวกเขา Creditreform ค่าเฉลี่ยของ FIRMS_PER_-
พนักงานคือ 10 เราไปรายงานสถิติของธุรกิจ 4
เครดิตข้อมูลปัจจัย (ชำระเงิน ใบลดหนี้ ใบสั่ง และ OUTLOOK),
ซึ่งวัดในระดับจาก 1 ถึง 70 (หมายเลขสูง
บ่งชี้ความเสี่ยงสูงกว่าค่าเริ่มต้น) เราสังเกตเริ่มต้น 3069
เหตุการณ์ ซึ่งสอดคล้องกับอัตราการเริ่มต้นเฉลี่ย 3.16%
(DEF) 2 หมายเลขนี้จะสอดคล้องกับการศึกษาที่เกี่ยวข้อง (เช่น Dietsch
และ Petey, 2004) แผง B ตาราง 1 แสดงวิธีการเริ่มต้น
อัตราและเครดิตข้อมูลปัจจัย โดย terciles ของธุรกิจ 4
ลักษณะบริษัทและสำนักงานสินเชื่อ ผลจาก t-ทดสอบ ใช้
tercile แรกเป็นอ้างอิงประเภท รายงานการ จะเห็นได้ที่
ปัจจัยข้อมูลสินเชื่อธุรกิจและราคาเริ่มต้นแตกต่างกันอย่างมีนัยสำคัญ
ระหว่างประเภท tercile เราแตกต่าง โดย terciles
ที่นี่ และ ในการวิเคราะห์ภายหลังสามารถตรวจสอบศักยภาพ
รูปแบบ monotonic ไม่
4 วิเคราะห์ผล
4.1 ข้อมูลสินเชื่อธุรกิจและเริ่มต้นรวมทำนาย
ถูกต้อง
ในชุดแรกของวิเคราะห์ เราตรวจสอบว่า ธุรกิจเครดิต
ข้อมูลช่วยในการปรับปรุงตามการคาดการณ์เริ่มต้นการ
รวมวัดความถูกต้องของการคาดเดา เราประเมินเฉพาะ
probit ถดถอยแบบจำลองที่สอง ด้วยเป็นตัวแปรขึ้นอยู่กับ
รับน่าเริ่มต้นผ่านฟ้า 1 ปีสำหรับบริษัททั้งหมด
ใน sample.3 ของเรา รุ่นแรกมีเพียงฐานปัจจัยที่
สำนักสินเชื่อรวบรวมจากแหล่งข้อมูลสาธารณะของข้อมูล (Eq.
(1) "แบบจำลองพื้นฐาน '') .
1Þ PðDEF ¼ PDBaseline ¼¼ f ðbase factorsÞ ð1Þ
อายุเป็นตัวแปรอธิบายการขาย พนักงาน และ
อุตสาหกรรม ภูมิภาค แบบฟอร์มกฎหมาย และปีที่คงลักษณะพิเศษ สามแรก
ครอบคลุมตัวแปรอายุขนาด คุณภาพของบริษัท ความโปร่ง ใส และ
ขนาด ที่ใช้ในการศึกษาก่อนหน้านี้ที่เกี่ยวข้องกับกู้
ความเสี่ยง การคาดเดาค่าเริ่มต้น และข้อจำกัดทางการเงิน (เช่น Altman,
1968 Petersen และระจัน 1994 เบอร์เกอร์และ Udell, 1995;
Kallberg และ Udell, 2003 Hadlock กเพียร์ซ 2010) ชุด
เหล่าถาวรผลสะท้อนดีเทอร์มิแนนต์สำคัญ เช่น
อัตราส่วนประสิทธิภาพการดำเนินงาน จึงช่วยบรรเทาการขาด observable เพิ่มเติม
ตัวแปรขนาดของบริษัทขนาดเล็กวิเคราะห์ในปัจจุบัน
ศึกษา.
รุ่นที่สองรวมทั้งหมดปัจจัย (Eq. (2), ''รุ่นเต็มนิ้ว),
รวมคุณลักษณะ 4 ประการที่สะท้อนข้อมูลสินเชื่อธุรกิจ
(ปัจจัยข้อมูลสินเชื่อธุรกิจยาก: ชำระเงิน และ
เครดิต เครดิตข้อมูลปัจจัยธุรกิจอ่อน: สั่ง และ
OUTLOOK) 4
PDFull ¼ PðDEF ¼ 1Þ
¼ f ðbase ปัจจัย &หนักนุ่มธุรกิจสินเชื่อข้อมูล factorsÞ
ð2Þ
ตามประมาณรุ่นนี้เราคำนวณ ratio
(AR) ความถูกต้อง AR เป็นการวัดคุณภาพรวมอย่างกว้างขวางใช้
ของเริ่มต้นแบบจำลองการคาดการณ์ และสามารถได้รับมาจากสะสม
เส้นโค้งส่วนกำหนดค่าถูกต้อง รับหลัง สั่งบริษัท
ตามความน่าเป็นการประมาณของค่าเริ่มต้นบนแกน x
(จากมากไปน้อย) เปอร์เซ็นต์ของ defaulters ลับถูกต้อง
อยู่บนแกน y โค้งโพรไฟล์สะสมความถูกต้องของ
แบบคาดเดาสุ่มเริ่มต้นตรงกับทแยงมุม
AR กำหนดในช่วง [0, 1], เท่ากับอัตราส่วนของพื้นที่ระหว่าง
โพสะสมความถูกต้องของแบบจำลองการประเมินและ
โมเดลตัวอย่างผ่านพื้นที่ระหว่างส่วนกำหนดค่าถูกต้องสะสม
แบบสมบูรณ์และส่วนกำหนดค่าถูกต้องสะสมแบบสุ่ม
สูง AR สูงมีความแม่นยำพยากรณ์ของแบบจำลอง
(รายละเอียด ดูเช่นคันทอร์และมานน์ 2003 Engelmann et al,
2003) เราแล้วตรวจสอบความแตกต่างของอาอาร์สเพื่อประเมินการ
ปรับปรุงในการคาดการณ์เริ่มต้น ถ้าผลต่างเป็นจำนวนเต็มบวก,
แห่งธุรกิจข้อมูลเครดิตช่วยปรับปรุง
เริ่มคาดการณ์ ตารางที่ 2 รายงานผล.
เราได้ผลลัพธ์ 2 หลัก สามแรก สินเชื่อธุรกิจ 4
ปัจจัยข้อมูล (การชำระเงิน สินเชื่อ และใบสั่ง) ในแบบจำลอง (2)
เป็นบวก และสูงอย่างมีนัยสำคัญ (เช่น สูงค่าเหล่านี้
2

ผลลัพธ์ (ไทย) 3:

ซึ่งสอดคล้องกับประมาณด้าน 400000 .
ของระยะห่างของสำนักงาน creditreform เฉลี่ย 22 กม.
สอดคล้องกันและแตกต่างกันอย่างมากกับส่วนเบี่ยงเบนมาตรฐานของเรื่อง
19.5 กิโลเมตร อย่างไรก็ตาม ประมาณครึ่งหนึ่งของบริษัททั้งหมดมีระยะไม่น้อยกว่า 16 กิโลเมตร creditreform
สำนักงานของพวกเขา ความหมายของ firms_per_ -
พนักงาน 10 . เรายังได้รายงานสถิติธุรกิจ
4ปัจจัยข้อมูลเครดิต ( เงิน , สินเชื่อ , เพื่อ , และ Outlook ) ,
ซึ่งวัดจากระดับ 1 ถึง 70 ( สูงกว่าตัวเลขบ่งชี้ความเสี่ยงโดยปริยาย
ที่สูง ) เราสังเกต 3069 เริ่มต้น
เหตุการณ์ ซึ่งสอดคล้องกับอัตราค่าเริ่มต้นเฉลี่ย 3.16 %
( Sample ) 2 . ตัวเลขนี้สอดคล้องกับการศึกษา ( เช่น ดิช
และ ปีเตอร์ , 2004 ) แผง B ของตารางที่ 1 แสดงวิธีการเริ่มต้น
อัตราและสี่สินเชื่อธุรกิจข้อมูลปัจจัยและลักษณะของ terciles
บริษัทข้อมูลเครดิตบูโร ผลลัพธ์ที่ได้จากแบบที่ใช้
tercile แรกเป็นประเภท อ้างอิงรายงาน จะเห็นได้ว่า ทั้งอัตราค่าเริ่มต้นและปัจจัยข้อมูล

เครดิตธุรกิจแตกต่างกันอย่างมากระหว่างประเภท tercile . เราแตกต่าง terciles
โดยที่นี่และในการวิเคราะห์ที่ตามมาสามารถตรวจสอบศักยภาพองค์กรรูปแบบอย่างเดียว
.
4 การวิเคราะห์เชิงประจักษ์
4.1 . ธุรกิจข้อมูลเครดิตและการรวมค่าความแม่นยำในการทำนาย

ชุดแรกของการวิเคราะห์ เราตรวจสอบว่า ข้อมูลเครดิต
ธุรกิจช่วยปรับปรุงการคาดการณ์เริ่มต้นขึ้นอยู่กับ
รวมทำนายความถูกต้องวัด โดยเฉพาะ เราประมาณการ
2 . เป็นรุ่นที่มีตัวพหุคูณตัวแปร

ขอรับ ความน่าจะเป็นของการเริ่มต้นมากกว่า 1 ปีสำหรับทุก บริษัท ขอบฟ้า
ในตัวอย่างของเรา 3 รุ่นแรกมีเพียงฐานปัจจัยที่
เครดิตสำนักรวบรวมจากแหล่งข้อมูลสาธารณะของข้อมูล ( อีคิว
( 1 ) , ' 'baseline รุ่น '
' ) pdbaseline ¼ P ð . ¼ 1 Þ¼ F ðฐานปัจจัยÞð 1 Þ
ตัวแปรการอายุ , พนักงานขาย , ,และ
อุตสาหกรรม , ภูมิภาค , แบบฟอร์มทางกฎหมาย และปี ถาวรผล 3
ตัวแปรแรกช่วงขนาดอายุ มั่นคง โปร่งใส คุณภาพและ
ขนาด ซึ่งมีการใช้ในการศึกษาก่อนหน้านี้ที่เกี่ยวข้องกับกู้
ความเสี่ยง เริ่มต้นพยากรณ์ทางการเงินและเงื่อนไข ( เช่น อัลท์แมน
1968 ; และ ปีเตอร์สัน ราชันย์ , 1994 ; Berger และ udell , 1995 ;
kallberg และ udell 2546 ; ตัวแทนและแทง , 2010 )การรวมกันของเหล่านี้ผลสะท้อนปัจจัยคงที่

ที่สำคัญ เช่น อัตราต่อรอง เพื่อบรรเทาการขาดของตัวแปรสังเกต
เพิ่มเติมเนื่องจาก บริษัท ขนาดเล็กที่ใช้ในการศึกษา
.
แบบที่ 2 รวมทุกปัจจัย ( อีคิว ( 2 ) , ' เต็มรูปแบบ ' ' )
รวมทั้งสี่ แอตทริบิวต์ที่สะท้อนข้อมูลสินเชื่อธุรกิจ
( ฮาร์ดข้อมูลปัจจัยการชำระเงินสินเชื่อธุรกิจและสินเชื่อธุรกิจข้อมูลเครดิต
; นุ่มด้านการสั่งซื้อและ
Outlook ) 4
pdfull ¼ P ð . ¼ 1 Þ
¼ F ðฐานปัจจัย ยาก&นุ่มข้อมูลสินเชื่อธุรกิจ ปัจจัยÞ
ð 2 Þ
ตามประมาณการแบบจำลองเหล่านี้เราคำนวณอัตราส่วนความถูกต้อง
( AR ) AR เป็น ใช้กันอย่างแพร่หลาย วัดของ
คุณภาพรวมแบบจำลองการทำนายค่าเริ่มต้นและสามารถได้มาจากสะสม
ความถูกต้องโปรไฟล์ของเส้นโค้ง ที่จะได้รับหลัง บริษัทจะสั่งซื้อ
ตามประมาณการความน่าจะเป็นของการเริ่มต้นในแกน x
( สูง ) ร้อยละจำแนกถูกต้อง defaulters
จะปรากฏบนแกน Y . สะสมความโค้งของโปรไฟล์
สุ่มค่าเริ่มต้นการทำนายรูปแบบสอดคล้องกับแนวเส้นทแยงมุม
AR ที่กําหนดในช่วง [ 0 , 1 ] เท่ากับอัตราส่วนของพื้นที่ระหว่าง
โปรไฟล์ของคะแนนสะสมความถูกต้องรูปแบบและรูปแบบสุ่ม
บริเวณระหว่างสะสมความถูกต้องโปรไฟล์
ของแบบจำลองที่สมบูรณ์แบบและสุ่มโปรไฟล์ความแม่นยำสะสม .
สูงกว่า AR สูงกว่าการคาดการณ์ความแม่นยำของแบบจำลอง
( สำหรับรายละเอียดดู เช่น คันทอร์และ Mann , 2003 ; เองเกิลเมิ่น et al .
, 2003 ) เราตรวจสอบความแตกต่างใน Ars เพื่อประเมินการพัฒนาในการทำนายค่าเริ่มต้น ถ้าความแตกต่างบวก
แล้วเพิ่มข้อมูลธุรกิจสินเชื่อช่วยปรับปรุง
คาดการณ์ค่าเริ่มต้น ตารางที่ 2 รายงานผล
เราได้รับผลลัพธ์สองคีย์ ก่อนสามสี่เครดิต
ธุรกิจข้อมูลปัจจัย ( เงิน , บัตรเครดิตและคำสั่ง ) รูปแบบ ( 2 )
ที่เป็นบวกและสูงอย่างมีนัยสำคัญ ( เช่น ค่าสูงกว่านี้
2