摘要:中小微企業(yè)是我國經(jīng)濟(jì)發(fā)展的重要力量,但商業(yè)銀行對(duì)這類企業(yè)普遍存在“惜貸”行為。銀行通常依據(jù)企業(yè)交易票據(jù)信息等對(duì)其信貸風(fēng)險(xiǎn)做出評(píng)估,并依據(jù)相關(guān)因素來確定是否放貸及額度、利率等信貸策略。本文基于樣本企業(yè)數(shù)據(jù),用有效發(fā)票開票頻率等指標(biāo)作為反應(yīng)供求穩(wěn)定性等的因素,基于數(shù)據(jù)建立隨機(jī)森林分類模型,并將相關(guān)數(shù)據(jù)代入模型進(jìn)行訓(xùn)練,通過訓(xùn)練得到樣本企業(yè)的信譽(yù)評(píng)級(jí)和是否違約,基于中的 Logistic 回歸的評(píng)分卡模型,得到各個(gè)企業(yè)的風(fēng)險(xiǎn)評(píng)估得分與違約率,最后固定貸款總額為一億時(shí)對(duì)額度策略與利率策略進(jìn)行修正,得到該信貸總額下對(duì) 302 家企業(yè)的貸款額度和貸款年利率,并對(duì)信貸決策方案進(jìn)行了修正。分析樣本數(shù)據(jù)中 2020 年的價(jià)稅合計(jì)數(shù)據(jù),構(gòu)造虛擬 GDP,通過分析 2020 年 1 月的虛擬 GDP,來自國家統(tǒng)計(jì)局的 2020 年第一季度、上半年的 GDP 數(shù)據(jù),確定上下界[-10,10],從 10 個(gè)行業(yè)挑選出增長率在上下界以外的 6 個(gè)行業(yè),利用熵權(quán)法確定各個(gè)行業(yè)的影響因子。把影響因子帶入所得的違約率、評(píng)分卡分?jǐn)?shù),貸款額度等計(jì)算出修正后的貸款策略。
關(guān)鍵詞:信貸風(fēng)險(xiǎn);中小微企業(yè);評(píng)分卡模型;logistics回歸
中小微企業(yè)是我國經(jīng)濟(jì)發(fā)展的主心骨,創(chuàng)造了國內(nèi)GDP的60%。但由于中小微企業(yè)規(guī)模相對(duì)較小,缺少抵押資產(chǎn),不能有效滿足金融機(jī)構(gòu)相關(guān)的貸款要求,因此銀行主要依據(jù)信貸政策、企業(yè)的交易票據(jù)信息和上下游企業(yè)的影響力向企業(yè)提供貸款,并對(duì)信譽(yù)高、信貸風(fēng)險(xiǎn)小的企業(yè)給予利率優(yōu)惠。企業(yè)的信貸風(fēng)險(xiǎn)進(jìn)行量化分析,并在年度信貸總額一定的情況下,制定銀行的信貸策略。
1.數(shù)據(jù)來源
數(shù)據(jù)來源于2020年全國大學(xué)生數(shù)學(xué)建模競賽C題。本文采用評(píng)分卡模型對(duì)小額貸款公司的客戶信用進(jìn)行評(píng)價(jià)。首先,建立信用評(píng)價(jià)模型,給出客戶的評(píng)分和違約率,對(duì)好客戶和壞客戶進(jìn)行篩選,然后采用額度策略和利率策略分別對(duì)每個(gè)企業(yè)計(jì)算貸款額度和貸款利率。
2.模型建立與求解
2.1評(píng)分卡模型分析
我們主要關(guān)注的是找到客戶中會(huì)違約的客戶,因?yàn)檫`約的客戶畢竟是少數(shù)類的,因此我們通過召回率和 ROC 曲線來判斷模型的好壞。
(1)ROC曲線:
所以我們可以從上圖中得到我們判斷對(duì)一個(gè)壞客戶的情況下只會(huì)判錯(cuò) 0.08 個(gè)好客戶,說明我們的評(píng)分卡模型有著很好的召回率(從所有客戶中預(yù)測(cè)出本來是壞客戶的概率),能夠讓我們的銀行更好的在一開始就找到可能會(huì)違約的客戶。
(2)評(píng)分卡刻度:
可以看出在違約率在分值低的時(shí)候呈現(xiàn)出一種指數(shù)式的下降,然后逐漸趨近于 0,所以能夠看出分值低時(shí)客戶違約概率很高,分?jǐn)?shù)高時(shí)客戶違約概率很低。因?yàn)闀?huì)違約的客戶分值肯定會(huì)很低,不會(huì)違約的客戶分值肯定很高,因此計(jì)算出來的違約率相差會(huì)比較大,并且在分值低的時(shí)候跌柱線也明顯大與分值高的時(shí)候的跌柱線,因此評(píng)分卡模型能夠更好的將違約客戶和不會(huì)違約客戶分離開來。
(3)信貸風(fēng)險(xiǎn)評(píng)價(jià)策略
每個(gè)客戶來銀行貸款都需要填寫申請(qǐng)表,然后我們讓每個(gè)用戶填上我們需要的指標(biāo),然后將其帶入我們的評(píng)分卡模型就可以計(jì)算出每個(gè)客戶的得分和違約率也就能幫助銀行判斷客戶的好壞了。
2.2信貸策略模型
(1)信貸風(fēng)險(xiǎn)評(píng)價(jià)策略
每個(gè)客戶來銀行貸款都需要填寫申請(qǐng)表,然后我們讓每個(gè)用戶填上我們需要的指標(biāo),然后將其帶入我們的評(píng)分卡模型就可以計(jì)算出每個(gè)客戶的得分和違約率也就能幫助銀行判斷客戶的好壞了。
通過計(jì)算表達(dá)式我們能計(jì)算出間均值A(chǔ)0對(duì)應(yīng)的常數(shù)K0,即相對(duì)最優(yōu)的一個(gè)解,其中K0=55.6%,然后擬合出上圖的折線,最后得到額度策略表達(dá)式:
2.3突發(fā)情況影響下中小企業(yè)信貸風(fēng)險(xiǎn)分析
(1)數(shù)據(jù)分析
在國家統(tǒng)計(jì)局上尋找產(chǎn)業(yè)的 2020 年第一季度 GDP 增長率和上半年增長率,對(duì)農(nóng)林牧漁業(yè),制造業(yè),建筑業(yè)等企業(yè)類型進(jìn)行分析:
住宿和餐飲業(yè)受到 2020 年最開始新冠疫情的影響最大,而信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)在新冠疫情的影響下反而有很大的一個(gè)提升,說明不同行業(yè)在新冠疫情的影響下會(huì)有不同的經(jīng)濟(jì)增長反應(yīng)。
數(shù)據(jù)預(yù)處理:首先針對(duì)附件 2 篩選出 2019 年 1 月及 2020 年 1 月的價(jià)稅總和,分別對(duì)進(jìn)項(xiàng)、銷項(xiàng)將不同行業(yè)的價(jià)稅總和相加,再彼此相加。得到的數(shù)據(jù)記為 N,即表示該時(shí)間段內(nèi)的虛擬 GDP(即只由該行業(yè)所有企業(yè)的進(jìn)項(xiàng)價(jià)稅總和和銷項(xiàng)價(jià)稅總和表示)。同時(shí),從國家統(tǒng)計(jì)局得到 2020 年第一季度、上半年各行業(yè)的 GDP 增長率。
注:①所研究的行業(yè)僅有:農(nóng)林牧漁業(yè);制造業(yè);建筑業(yè);交通運(yùn)輸、倉儲(chǔ)和郵政業(yè);住宿和餐飲業(yè);金融業(yè);房地產(chǎn)業(yè);信息傳輸、軟件和信息技術(shù)服務(wù)業(yè);租賃和商業(yè)服務(wù)業(yè);其他服務(wù)業(yè)。②以下皆是基于 2020 年 1 月爆發(fā)的“新冠肺炎”疫情的研究。
(2)2020 年 1 月各行業(yè)相比去年同期的虛擬 GDP 的增長率
由數(shù)據(jù)結(jié)果分析可知:在“新冠肺炎”爆發(fā)的 2020 年 1 月,A(農(nóng)、林、牧、漁業(yè))的虛擬 GDP 拔高,其余行業(yè)的虛擬 GDP 為負(fù)值,其中,房地產(chǎn)業(yè)受影響最嚴(yán)重,虛擬 GDP下降率最高。
(3)2020 年第一季度、上半年各行業(yè)的 GDP 的增長率
由數(shù)據(jù)結(jié)果分析可知,H(住宿和餐飲業(yè))對(duì)突發(fā)因素導(dǎo)致的市場(chǎng)波動(dòng)最為敏感,其次是建筑行業(yè),再來是信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)(穩(wěn)正增長)和金融業(yè)。
(4)綜合考慮 GDP 和虛擬 GDP
由數(shù)據(jù)分析結(jié)果可知,受新冠疫情影響嚴(yán)重的行業(yè)有:H(住宿和餐飲業(yè))、E(建筑業(yè))、I(信息傳輸、軟件和信息技術(shù)服務(wù)業(yè))、G(交通運(yùn)輸、倉儲(chǔ)和郵政業(yè))、J(金融業(yè))。
綜上所述,2020 年初在“新冠疫情”的影響下,受到影響較大的企業(yè)有:A(農(nóng)、林、牧、漁業(yè))、H(住宿和餐飲業(yè))、E(建筑業(yè))、I(信息傳輸、軟件和信息技術(shù)服務(wù)業(yè))、G(交通運(yùn)輸、倉儲(chǔ)和郵政業(yè))、J(金融業(yè))。
(5)熵權(quán)法確定影響因子
① 判斷輸入的矩陣中是否存在負(fù)數(shù),如果有則要重新標(biāo)準(zhǔn)化到非負(fù)區(qū)間,這里有n =302 個(gè)要評(píng)價(jià)的對(duì)象,m =6 個(gè)評(píng)價(jià)指標(biāo)(已經(jīng)正向化)構(gòu)成的正向化矩陣。對(duì)其標(biāo)準(zhǔn)化的矩陣記為z,判斷z矩陣中是否存在負(fù)數(shù),如果存在,需要對(duì)x使用另一種標(biāo)準(zhǔn)化方法。計(jì)算每個(gè)指標(biāo)的信息熵,并計(jì)算信息效用值,并歸一化得到每個(gè)指標(biāo)的熵權(quán)對(duì)于第 j 個(gè)指標(biāo)而言,有特殊的信息效用值公式,將信息效用值進(jìn)行歸一化,我們就能得到每個(gè)指標(biāo)的熵權(quán):A影響因子為1.1,H影響因子為0.5,E影響因子為0.7,I影響因子為1.5,G影響因子為0.8,J影響因子為0.8。
(6)引入影響因子的策略修正
用求出來的影響因子乘以對(duì)應(yīng)行業(yè)的企業(yè)中對(duì)貸款額度和貸款年利率進(jìn)行數(shù)據(jù)修正就可以得到在各企業(yè)的信貸風(fēng)險(xiǎn)和可能的突發(fā)因素(例如:新冠病毒疫情)對(duì)各企業(yè)的影響。那么還是展示前 15 個(gè)企業(yè)的貸款額度和年度貸款利率和修正后的違約率和修正后的分?jǐn)?shù)。當(dāng)有外部因素影響企業(yè)的時(shí)候要乘以對(duì)應(yīng)行業(yè)的影響因子才能計(jì)算出真正的違約率,分值,貸款額度,最大貸款年利率。
參考文獻(xiàn):
[1]吳沈娟.供應(yīng)鏈金融環(huán)境下中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估——基于大數(shù)據(jù)的應(yīng)用[J].時(shí)代金融,2020(20):93+95.
[2]段翀.基于PFM模型與傾向匹配得分法的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估[J].征信,2020,38(06):35-42.
[3]張?zhí)煊?基于KMV模型的上市中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估研究[J].科技經(jīng)濟(jì)導(dǎo)刊,2020,28(16):229.
[4]張?chǎng)? 基于logistic回歸的中小型企業(yè)信用評(píng)估[D].山東大學(xué),2020.
[5]梁偉森,溫思美.涉農(nóng)中小企業(yè)貸款違約風(fēng)險(xiǎn)評(píng)估研究——基于“新三板”農(nóng)林牧漁類企業(yè)數(shù)據(jù)[J].農(nóng)村經(jīng)濟(jì),2019(11):93-100.
[6]林海.“雙創(chuàng)”背景下科技型中小企業(yè)創(chuàng)新項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型構(gòu)建[J].科技管理研究,2019,39(21):83-90.
[7]余得生,李星.供應(yīng)鏈金融模式下的中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估——以電子制造業(yè)為例[J].征信,2019,37(10):72-77.
[8]蘭曉然.科技型中小企業(yè)信用風(fēng)險(xiǎn)評(píng)估——基于Adaptive Lasso-Logistic實(shí)證研究[J].華北金融,2018(08):69-75.
基金項(xiàng)目:本文系2021年安徽財(cái)經(jīng)大學(xué)科研創(chuàng)新基金項(xiàng)目,項(xiàng)目編號(hào):XSKY2156。
作者簡介:盧悅?cè)剑?001—)女,漢族,安徽亳州人,安徽財(cái)經(jīng)大學(xué)金融學(xué)院,2018級(jí)本科生,金融學(xué)專業(yè)。