我国中小微企业信用风险因素识别及测度研究

满向昱 张天毅 汪 川 马 茹

一、引 言

中小微企业以其在增加就业、加快科技创新、促进经济增长等方面起到的作用，日益成为中国经济新的增长动力和创新的来源。尤其近年来，我国中小微企业发展迅速，根据2014年国家工商总局发布的《全国小型微型企业发展情况报告》，截至2013年年底，我国中小微企业的数量已超过企业总数的94%；在经济贡献方面，我国中小微企业创造的最终产品以及服务价值相当于国内生产总值（GDP）总数的60%，纳税额占到国家税收总额的50%，完成了全国65%的发明专利和80%以上的新产品开发工作；中小微企业在承担社会就业方面也表现突出，截至2013年年底，全国有70%的城镇居民和80%以上的农民工都在中小微企业就业。

另一方面，中小微企业因其生产规模较小，缺乏抵押品，始终面临着融资难题。目前来看，我国中小微企业筹集资金主要依赖传统的民间融资方法，因此生产规模的扩张比较困难。尤其在我国以间接融资为主的金融体系中，直接融资手段的缺乏使得企业更加依赖于商业银行信贷。但对于中小微企业而言，由于其中小微企业固定资产规模较低，缺乏银行需要的抵押品，往往很难获得信贷支持。不仅如此，对于商业银行而言，中小微企业由于其对于宏观和外部冲击更为敏感，面临较大不确定性，一旦经济进入下行阶段，中小微企业违约事件频频发生；且中小微企业较大型企业和国有企业更难以监管，其信用风险成为银行考虑的主要风险点之一。

从这个意义上讲，识别中小微企业信用风险对于解决中小微企业借款难题以及对于控制银行业风险，甚至对于促进“双创”和推动创新驱动的国家战略都意义重大。而要识别中小微企业信贷现状，就需要深挖中小微企业的相关数据，明确影响其信用风险的主要因素，并对其进行信用风险测度及预测。

本文以国内某大型商业银行中小微企业客户的贷款数据为基础，基于掌握的中小微企业信用风险特点，综合考虑可得的财务、企业、经营者个人等要素，构建中小微企业信用风险模型的指标体系，并建立基于Lasso⁃Logistic模型的中小微企业信用风险度量模型，识别影响中小微企业信用风险的关键因素，测度并预测中小微企业贷款的违约概率水平，同时对模型进行对比从而证实模型的有效性。

二、相关文献综述

目前来看，信用风险研究历程主要分为信用风险因素识别和信用风险评价模型创新这两个方面。早期信用风险的研究主要从信用风险的影响因素识别开始，信用风险影响因素主要分为宏观因素、企业财务因素等方面。Fama（1986）［1］通过数据分析的研究发现，企业违约概率呈周期性变化，在经济衰退期违约概率明显上升。Gersbach 和 Lipponer（2000）［2］通过构建相关系数的方法，发现宏观经济冲击提高了相关资产之间正向违约性。Jensen等（2003）［3］认为公司规模是一个重要的信息，它在一定程度上反映了公司资产的大小和抗击风险的能力。国内学者贾生华和史煜筠（2003）［4］借助问卷调查采用主成分分析法，总结出与制度环境相关的信用风险影响因素有政策环境、法制环境。张燃（2005）［5］通过建立模型对商业银行客户违约概率进行预测，发现违约企业在不同行业的分布存在明显差异。

随着统计、数学知识在信用风险评价领域应用逐渐增加，国内外学者开始利用模型对信用风险进行精准度量和预测。最先对信用风险进行定量分析的方法为专家打分法，Thomas（2000）［6］提到专家系统法中最常用的是“5C法”，即人的品格（character）、资金实力（capital）、偿付能力（capacity）、抵押品（collateral）和经济周期（cycle conditions）五个方面的专家进行打分并评判信用风险。梁琪（2005）［7］提到“5P法”，即对个人因素（Personal）、借款目的（Purpose）、偿还（Payment）、保障（Protection）和前景（Perspective）五个方面的因素进行打分评判信用风险。专家打分法的主要缺点是存在极大主观性，准确性较低，为了克服此问题，因此又开发出Logis⁃tic模型。王晓春（2012）［8］以 Logistic模型为基础，建立了基于财务与非财务因素的中小微企业风险计量模型，结论发现除流动比率、净利润增长率等少数指标外，其余大多数指标对计量小微企业违约概率不具有显著性。郭文伟等（2013）［9］对 Logistic模型做了改进探究，研究结果发现Mixed⁃Logistic模型有较高预测准确率。曹明生（2015）［10］基于 Logistic模型，对中小微企业信贷特征及国内外主流信用风险度量方法进行对比分析，实证结果显示小微企业的违约概率与经营场地所有权、总资产收益率、净资产增长率成正比，与关键人职称成反比。王新玲（2017）［11］利用Adaptive Logistic Lasso以及农村信贷可得性数据进行研究，发现该模型具有很高的解释力和精准度。

近几年来数据挖掘技术作为研究信用风险的新兴工具，其风险识别能力和预测效果均表现较好。Fan（2000）［12］分别使用支持向量机模型、多元判别分析模型与神经网络模型来预测澳大利亚企业财务失败的发生，研究发现支持向量机模型的总体预测准确性最高。胡海青等（2012）［13］基于供应链金融的视角，构建了SVM模型，并通过与BP神经网络模型的对比发现SVM分类模型更为准确，稳定性也更高。钱慧等（2013）［14］引入主成分分析和BP神经网络相结合的方法（BPNN），研究结果表明 PCA⁃BPNN方法对评估小微企业信用风险具有更好的实用性和延展性，它最大程度地保留了原有信息基础上先提取主成分，然后通过人工智能科学分类最终得到合理的判断。张奇等（2015）［15］引入一种基于Logistic与SVM混合的预警模型，明显提高了信用风险预测准确度。然而李扬等（2016）［16］研究表明现实中由于实际存在信用风险的企业数量少，样本间的不平衡性会影响SVM的预测结果，使得SVM预测准确率降低。温小霓和韩鑫蕊（2017）［17］建立了一个多层次的信用风险评价指标体系，在此基础上构建基于MLP神经网络的科技型中小企业信用风险评价模型，结果表明MLP信用风险评价模型具有较高的准确率。孟杰等（2018）［18］通过SVM构建信用风险评估模型，将逐级优化递减欠采样方法（ODR）和边界自适应合成抽样方法（BA⁃DASYN）与SVM相结合，研究结果表明，改进后的SVM模型在中小企业信用风险评估中具有较高的稳定性及预测能力。

综合上述国内外研究，由于中小微企业获取数据的难度比较大，大多文献的研究对象多集中于数据获取方便的已上市中小企业，对于未上市企业特别是微型企业的研究较为少见。在研究方法及内容上，由于中小微企业的特殊性，许多针对未上市中小微企业信用风险的研究尚停留在主观评价体系搭建阶段，早期完全使用定量方式对其信用风险进行因素识别并测度的研究较为罕见。基于此，本文拟从对中小微企业的现状分析入手，并利用获取难度较大的未上市企业数据，通过定量方法对其信用风险进行因素识别、测度及预测分析。

三、中小微企业界定

我国于2011年由国家工业和信息化部、国家统计局、国家发展与改革委员会、财政部联合印发了《中小企业划型标准规定》。该规定对于不同行业中小微企业的界定规则不同，但其划分标准均参考营业收入和从业人员这两个指标，划分方法详见表1。

表1 我国中小微企业分类标准

本文基于该分类方法，选取满足上述条件的496家中小微企业数据进行信用风险因素识别。由于数据极难获取，样本量所限致使本文无法进一步细分各行业中小微企业的信用风险敞口差异，因此未进行具体行业信用风险因素识别。

四、研究方法

本文基于某国有商业银行的中小微信贷数据，使用Lasso⁃Logistic模型对商业银行小微企业的信用风险进行识别。就本质而言，Lasso⁃Logistic模型是大数据方法和Logistic模型的结合。

（一）Lasso模型

Lasso（least absolute shrinkage and selection opera⁃tor）方法最早由 Tibshirani（1996）［19］提出，该方法因其在高维数据变量模型中具有较好的变量选择及参数估计的特征，受到广泛关注。Lasso方法主要增加了一项约束条件，使回归系数绝对值之和小于一个常数，进而在参数估计时实现变量压缩，产生了一些严格等于0的变量。以线性回归模型为例，其具体表达形式如下：

其中，Xi、Yi为对应的自变量及因变量，βj为变量系数，t为约束值。本文采用方匡南等（2014）［20］所提出的如下带惩罚系数的形式：

其中，λ为对应的惩罚系数，通过调节λ的大小，可对变量进行不同程度的压缩。Lasso方法可将回归系数小于某个常数的系数全部压缩成0，从而挑选出对因变量解释程度较强的自变量。该方法优点在于保持了子集选择的可解释性并且计算简便，适用于高维和数据集变量之间存在多重共线性等情形。

（二）Logistic模型

Logistic回归模型是一种处理因变量为0－1变量的模型，该模型并非对因变量直接建模，而是对因变量取某个值的概率进行建模，基于此概率建立的模型可以用来预测各中小微企业信贷违约可能性的大小。

具体而言，Logistic模型假设违约事件分布服从Lo⁃gistic分布，设企业违约概率为P，则企业不违约（即能按时还贷款）的概率是1－P。设影响企业还贷与否的自变量为X1，X2，…，Xm，因变量为y。当y＝1时，表示企业发生违约；y＝0时，则表明企业未发生违约。在自变量的作用下，企业违约的概率表示为：

经Logistic变换，得

其中，βi表示自变量Xi变动一单位时，企业违约概率与不违约概率之比的对数的变动值。通过模型运算，若所估计的概率P的值接近于1，则表明该企业违约的可能性较大；反之当概率P的值接近0，表明该企业的违约概率较小。Logistic模型通常采用极大似然估计（maximum likelihood estimate，MLE）估计回归系数b，同时得到回归系数的标准误。根据最大似然原理，设Q＝1－P，则最大似然函数可表示为：

通过以上估计方法，即可获得各变量的解释系数，进而分析并预测被解释变量的概率结果。Logis⁃tic模型对数据的要求较为灵活，不需要保持自变量与因变量的线性关系，也不需要满足正态分析，并且能够解决部分因变量是离散型变量的问题。

（三）Lasso⁃Logistic 模型

鉴于Logistic的模型优势以及Lasso方法对变量的压缩效果，本文借鉴张婷婷和景英川（2016）［21］提及的惩罚Logistic回归模型，使用基于Lasso变量筛选方法的Logistic模型（简称“Lasso⁃Logistic”）对中小微企业的违约情况进行拟合分析，筛选影像中小微企业信用风险的重要因素，同时对企业的违约概率进行测度。

设存在n组观测值（xi1，xi2，…，xim，yi），i＝1，2，…，n，其中因变量yi表示第i个企业的违约情况，yi∈｛0，1｝，y＝1表示企业发生违约，y＝0则表明企业未发生违约，而xi1，xi2，…，xim为影响企业违约概率的m项因素。设企业违约概率（即企业未能如期还款）为P，则在自变量的作用下，中小微企业的违约概率可具体表示为：

根据极大似然估计方法，Lasso⁃Logistic模型的参数估计值为：

其中lnL（β）为原logistic模型的对数似然函数。设Pi＝P（yi＝1｜xi1，xi2，…，xim），Qi＝1 －Pi＝P（yi＝0｜xi1，xi2，…，xim），令z（xi）＝β0＋β1xi1＋…＋βmxim，则lnPi＝z（xi）－ ln（1 ＋e［z（xi）］），lnQi＝－ln（1 ＋e［z（xi）］），进而可得极大似然函数 lnL（β）为：

因此，可得到Lasso⁃Logistic模型的参数估计值为：

五、实证分析

（一）信用风险指标体系构建

在罗晓光等（2015）［22］对企业信用风险探究结果以及财务指标分析的基础上，本文试图从控制人、企业、贷款现状三个层面出发，建立21项指标（见图1），实现对中小微企业还款能力及还款意愿的全面分析，为构建信用风险识别及测度模型奠定基础。其中，对企业的指标构建主要包括两方面：一是企业基本面信息，主要涉及企业所在行业、企业规模、企业成立年限、从业人员等；二是企业财务状况，主要包括企业的盈利、营运及偿债等方面能力。

图1 中小微企业信用风险因素识别及测度模型指标体系

基于以上指标构建体系，本文设立了指标对应变量，其中违约情况（Y）为被解释变量，其余变量为解释变量。解释变量中，贷款期限、实际控制人学历、实际控制人性别、企业所属行业及企业规模为离散型变量，用D1，…，D5表示，其余解释变量为连续型变量，用X1，…，X16表示。具体变量设置及说明如表2所示。

表2 模型变量设置及说明

在贷款现状方面，银行在放贷过程中，需充分衡量企业的还款能力及实际贷款需求，在辅以担保的基础上，提供与需求相匹配的信贷金额。因此，本文选取了贷款抵质押金额占比及贷款期限两项指标来衡量中小微企业的贷款情况，贷款抵质押比例及贷款期限会在一定程度上影响企业的还款意愿，进而进一步影响其信用风险。

在实际控制人方面，作为实际控制企业并实际支配企业行为的自然人，中小微企业实际控制人的素质背景对其信用风险很可能有直接影响。本文选取年龄、性别、从业年限及学历四项指标来反映实际控制人的行业经验及教育背景，进而间接反映实际控制人的信用水平和还款意愿。

续前表

在企业基本面信息方面，本文主要选取了企业所在行业、企业规模、企业成立年限及从业人数等指标。

除中小微企业的基本面信息外，中小微企业的财务状况在一定程度上也可以反映其经营发展及信用状况，本文将各项财务指标进行分类，以体现企业的盈利、营运及偿债能力。其中，盈利能力可为偿还债务提供资金保障；营运能力反映了企业资金周转能力及企业的流动性；偿债能力方面，本文选取速动比率及银行负债资产比分别反映企业的短期偿债能力、长期偿债能力，选取流动比率及货币资金流动负债比来反映企业的资产负债结构，以实现对企业偿债能力的综合测度。

（二）数据来源及预处理

本文实证分析的数据来自国家社科基金项目《小微企业信用风险生成路径与评估体系构建》的一手数据，样本选自2016年12月末国内某银行贷款信息截面数据，总样本量为496。在构建模型前，本文对数据进行了缺失值处理、标准化，以及测试集、训练集的构建，以提高数据质量。表3列示了496家中小微企业主要变量指标的描述性统计分析结果。

表3 实证分析主要数据的描述性统计分析结果

表4 数据缺失值情况

由上述描述性统计表可知，我国中小微企业平均成立年限在14年左右，其实际控制人年龄平均数为50.42，实际控制人平均从业年限在20年以上。我国中小微企业平均总资产报酬率与净资产报酬率处于较高水平，均在11%以上。中小微企业不同指标的变异系数差异较大，如企业成立年限、实际控制人从业年限、实际控制人年龄等指标变异系数较小，说明中小微企业经营时长以及实际控制人年龄差异较小。与此相反，中小微企业的净资产报酬率、应收账款平均周转天数、流动资产周转率、速动比率等财务指标变异系数较大，说明中小微企业财务状况差异比较明显，中小微企业之间经营状况差距较大。

1.缺失值处理。

本文对原始数据进行检测，发现总资产报酬率（X6）、净资产报酬率（X7）等7项自变量存在数值缺失情况，缺失值占比共计1.40%。基于此，本文采用了多重插补方法（multiple imputation）进行缺失值处理。

多重插补法可运算出若干组“完全数据集”并模拟缺失数据的分布，既体现出缺失数据的不确定性，又很好地维持了变量之间的关系。基于此，本文最终通过使用R语言中的mice程序包完成了中小微企业信用风险模型中各项缺失值的填补。

2.数据标准化。

由于自变量中既有连续变量，还有离散变量，不同指标变量的量纲和量纲单位往往不同，为使模型参数估计系数具有可比性，本文对基础数据进行了标准化处理。

针对离散型变量，即违约情况（Y）、贷款期限（D1）、实际控制人学历（D2）、实际控制人性别（D3）、企业所属行业（D4）及企业规模（D5）六个变量，本文采用独热编码（one⁃hot encoding）方法，为各变量的每种特征类别（假设为N个特征类别）进行编码，最终形成N个二元特征。采用独热编码方法对离散型特征进行编码，可使变量内各特征之间的距离计算更加合理，为模型构建奠定基础。

针对连续性变量，即抵质押总额占贷款余额比例（X1）、实际控制人从业年限（X2）、实际控制人年龄（X3）、企业成立年限（X4）、从业人数（X5）、总资产报酬率（X6）等16个变量，本文采用数据归一化的方法，将各连续型变量数据进行中心化和标准化处理，具体运算公式如下：

其中，X为原数值，μ为样本均值，σ为样本标准差，X∗为归一化后的最终数值。通过对数据进行归一化处理，各变量的量纲得以消除，在随后的模型构建中可有效地提高模型拟合优度。

3.构建测试集及训练集。

为更好地对模型的拟合结果进行分析评价，本文按照2∶1的比例分配测试集及训练集（于立勇和詹捷辉，2004［23］）。将基于测试集数据进行变量筛选、Lasso⁃Logistic模型参数估计，随后根据参数估计结果，对训练集进行预测，进而测算模型的预测准确率，验证模型有效性。具体样本分布如下：

表5 模型样本分布情况

在496个待分配样本中，训练集选取了200个非违约样本、130个违约样本，测试集选取了87个非违约样本、79个违约样本。

（三）我国中小微企业信用风险影响因素识别

本文选用R语言中的glmnet软件包构建Lasso⁃lo⁃gistic模型，并采用广义交叉验证方法（李浩宇，2017［24］）选取相应的惩罚系数 λ，系数路径图及 λ与变量数目对应走势如图2所示。

图2 λ与变量数目对应走势

由图2可知，该模型惩罚系数的取值范围为［0.008 888，0.029 790］。Tibshirani（1996）［19］在《Regression Shrinkage and Selection via the Lasso》 中认为，惩罚系数在此区间内取值的模型，模型的预测偏差比较小。图3反映了随着惩罚系数λ取值逐渐增加，模型的压缩程度也逐步增大，对被解释变量影响程度较大的解释变量逐步显现。

图3 Lasso回归系数路径图

为识别影响中小微企业信用风险的重要指标，本文呈现了变量筛选的动态结果，以更清晰地展示各指标对中小微企业影响程度的差别。具体筛选结果如表6所示。

表6 模型解释变量筛选结果

依据上述变量被剔除的先后顺序，本文对各解释变量的显著程度进行排序及分类，将解释变量平均划入“重要”“比较重要”“比较不重要”三类中，具体内容如表7所示。

表7 对中小微企业信用风险影响的指标重要性分类

由表6及表7发现，随着惩罚系数λ的不断提升，与中小微企业信用风险相关性较小的指标相继被剔除，各项指标变量对中小微企业信用风险影响的重要性确有差异，根据分析结果进行关键影响因素的识别具有十分重要的意义。

综上所述，对中小微企业信用风险影响的关键因素主要包括抵质押总额占贷款余额比例、企业规模、企业成立年限、企业从业人数、应收账款平均周转天数、流动资产周转率、银行负债资产比等指标，在对中小微企业进行信用风险评估时，可重点关注这些指标。中小微企业风险承受能力较弱，当整体宏观经济环境较差时，中小微企业均面临亏损、破产等现象，宏观因素对于企业个体信用风险识别区分度小，因此中小微企业信用风险识别的研究基本不涉及宏观指标因素。

（四）我国中小微企业信用风险测度及预测

基于前述分析，借鉴Tibshirani（1996）在《Re⁃gression Shrinkage and Selection via the Lasso》的研究结论，本文选取了图2中靠近左虚线的惩罚系数λ取值（倪新洁等，2015［25］），即λ＝0.008 889。根据选定λ值，最终筛选出净资产报酬率、总资产报酬率、实际控制人学历、实际控制人年龄、所属行业、流动比率、贷款期限、企业成立年限、应收账款平均周转天数、流动资产周转率、抵质押总额占贷款余额比例、从业人数、银行负债资产比、企业规模14项解释变量，对其进行Lasso⁃Logistic模型拟合，参数估计结果如表8所示。

表8 Lasso⁃Logistic模型参数估计结果

其中模型对应公式为：

在0.1显著性水平下显著的指标变量中，对企业违约概率有正效应的变量为银行负债资产比，银行负债资产比越高，中小微企业违约概率越高；而对企业违约概率有负效应的变量有企业规模、抵质押总额占贷款余额比例、从业人数、流动资产周转率、净资产报酬率、流动比率、企业成立年限，指标值越高，企业的违约概率越低。在开展中小微企业信贷过程中，需要重点关注这些指标并分析测算对信用风险的潜在影响。值得一提的是，净资产报酬率及企业规模这两个变量的系数估计绝对值较大，在评估中小微企业信用水平时需要引起重视。其中，净资产报酬率可反映出企业扣除负债后单位净资产的盈利能力，这项指标可以较为客观真实地展现中小微企业的实际盈利能力，进而影响企业的还款能力；而企业规模这一指标是从企业资产、营业收入等角度确立的，可以较为综合地反映企业的整体实力，因而从基本面上展现出企业的信用水平。

为进一步分析评估Lasso⁃Logistic模型的效果，本文基于前文构建的指标变量体系，进一步构建了全变量Logistics、向前回归 Logistics、向后回归 Logistics及逐步回归Logistics模型。表9列出各模型的估计结果。

表9 参数估计－模型比较

基于以上估计结果，本文进一步对训练集及测试集数据进行模型模拟（逯宇铎和金艳玲，2016［26］），得出各模型的预测情况及预测准确率，表10列举了各模型的预测结果。在对训练集的预测方面，三个模型对训练集的预测准确率分别为83.94%、82.73%、83.33%。在对测试集的预测方面，三个模型对训练集的预测准确率分别为74.70%、77.11%、75.30%。

表10 模型预测情况比较

Lasso⁃Logistic模型与其他模型相比，不仅可以压缩变量并根据变量筛选顺序得出各变量的显著程度差异，进而识别影响中小微企业信用风险的关键因素，同时，在对测试集进行预测时，Lasso⁃Logistic模型的预测准确率均高于其他模型，表明该模型具有较强的外推性，这在一定程度上也显示了Lasso⁃Logistic模型在变量选择及模型拟合上的优势。

六、结论和政策建议

本文主要运用Lasso⁃Logistic模型对我国中小微企业信用风险的影响因素进行识别，并对信用风险进行测度，主要结论如下：

第一，从实际控制人、企业及贷款现状三个层面识别我国中小微企业信用风险影响因素，较为全面有效。根据Lasso模型的变量筛选结果，对中小微企业信用风险影响的关键因素主要包括抵质押总额占贷款余额比例、企业规模、企业成立年限、企业从业人数、应收账款平均周转天数、流动资产周转率、银行负债资产比等指标，这些指标对中小微企业违约风险有显著性影响。

第二，中小微企业信用风险可用Lasso⁃Logistic模型进行测度，此模型在拟合及预测方面具有较好效果。此外，通过比较Lasso⁃Logistic模型与其他模型在对测试集进行预测时，其预测准确率均高于其他模型，具有较好的外推性。因此，本文认为，Lasso⁃Lo⁃gistic模型较适用于中小微企业的信用风险识别及测度。

在政策建议方面，首先，由于企业的经营能力及控制人的管理经验对中小微企业的信用风险水平有关键作用，且流动资产周转率、净资产报酬率、流动比率对中小微企业信用风险的影响也较为重要。因此，就中小微企业本身而言，中小微企业需不断加强内部治理，提升盈利能力及运营能力，进而增强还款能力，同时不断改善其运营及盈利指标，合理负债，在确保现有竞争力的基础上不断扩充企业规模，提升信用水平及还款能力。

其次，对于银行而言，银行需重点关注中小微企业的企业规模、企业成立年限、从业人数、抵质押总额占贷款余额比例、银行负债资产比、流动资产周转率、净资产报酬率、流动比率等指标，深入了解企业的这些指标的历史变化情况，并全面掌握该中小微企业的整体情况、控制人信息及财务状况，在对中小微企业发放贷款前确保对该企业进行深入的调研分析。

最后，对于政府而言，政府根据中小微企业发展特征，进行规范性监督、行业引导及指导帮扶。目前我国中小微企业普遍存在财务状况不透明、企业及个体界限不清、经营管理不规范、内部运营混乱等诸多问题，因此建议政府建立系统全面的中小微企业登记及征信系统，对中小微企业及其实际控制人、管理人员的基本信息及信用状况进行全面统计及监督，及时发现、公布并惩处信用较差的中小微企业，整治中小微企业的发展乱象。除此之外，针对中小微企业在不同行业的发展差异，对其进行行业引导有助于行业协调发展。目前信用风险较高的中小微企业的信用风险多集中于制造业、批发和零售业等低端产业，政府部门需有加强引导中小微企业的行业秩序，实现各行业的合理发展。