農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估
——基于CFPS2018數(shù)據(jù)的分析

梁偉森，方 偉

（1暨南大學(xué)經(jīng)濟(jì)學(xué)院，廣州510632；2廣東順德農(nóng)村商業(yè)銀行股份有限公司博士后科研工作站，廣東佛山528300；3廣東省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所，廣州510640）

0 引言

中國(guó)農(nóng)村常住人口超過(guò)5億，龐大的人口基數(shù)預(yù)示著廣闊的農(nóng)村金融市場(chǎng)。然而，即使近年來(lái)普惠金融下沉市場(chǎng)，國(guó)內(nèi)三農(nóng)金融缺口仍有3萬(wàn)億元，農(nóng)戶融資困難仍是農(nóng)村經(jīng)濟(jì)發(fā)展的一大阻礙。在金融市場(chǎng)競(jìng)爭(zhēng)日趨激烈的條件下，農(nóng)村中小銀行（如農(nóng)村商業(yè)銀行、村鎮(zhèn)銀行）作為生力軍，因農(nóng)而生、伴農(nóng)成長(zhǎng)[1]，應(yīng)避免與大型國(guó)有銀行、股份制商業(yè)銀行的存量競(jìng)爭(zhēng)，著眼于農(nóng)村金融增量市場(chǎng)，為面臨正規(guī)金融排斥的農(nóng)村居民提供傳統(tǒng)的信貸服務(wù)。根據(jù)全國(guó)第三次農(nóng)業(yè)普查數(shù)據(jù)，國(guó)內(nèi)小農(nóng)戶數(shù)量占農(nóng)業(yè)經(jīng)營(yíng)主體超過(guò)98%，其經(jīng)營(yíng)耕地面積占總耕地面積70%。農(nóng)戶仍是國(guó)內(nèi)農(nóng)業(yè)經(jīng)營(yíng)主體，普遍缺失有效抵押物，貸款開展的前景是信用貸款；然而，農(nóng)業(yè)經(jīng)營(yíng)的弱質(zhì)性和農(nóng)戶收入的不穩(wěn)定性，使其貸款違約風(fēng)險(xiǎn)較高，這也是金融排斥的主要成因。因此，實(shí)現(xiàn)農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估，提高風(fēng)險(xiǎn)客戶識(shí)別能力是農(nóng)村中小銀行農(nóng)戶信貸開展的關(guān)鍵。

伴隨農(nóng)村金融發(fā)展，學(xué)術(shù)界也展開了對(duì)農(nóng)戶信用風(fēng)險(xiǎn)評(píng)估的研究，包括指標(biāo)選取和方法應(yīng)用。在指標(biāo)層面，馬文勤等[2]從農(nóng)戶基本信息、收入支出、資產(chǎn)負(fù)債和貸款結(jié)構(gòu)選取15個(gè)指標(biāo)構(gòu)建農(nóng)戶小額信貸風(fēng)險(xiǎn)評(píng)估體系。Omobowale 等[3]、Abunyuwah 和 Blay[4]、Mukhopadhyay和Sengupta[5]分別以尼日尼亞、加納和印度孟加拉邦的農(nóng)戶為研究對(duì)象，實(shí)證表明年齡、受教育程度、收入對(duì)貸款違約具有顯著影響。吳晶妹等[6]設(shè)計(jì)農(nóng)戶信用評(píng)價(jià)的三維要素指標(biāo)體系，包括誠(chéng)信度、合規(guī)度和踐約度。周剛和牛霞[7]依據(jù)吳晶妹的三維理論，選取23個(gè)指標(biāo)評(píng)估農(nóng)戶信用風(fēng)險(xiǎn)。石寶峰和王靜[8]基于海選的68個(gè)指標(biāo)，運(yùn)用共線性檢驗(yàn)、消去與選擇轉(zhuǎn)換(ELECTRE III)剔除部分指標(biāo)以避免相互替代性。鄒建國(guó)和李明賢[9]立足農(nóng)業(yè)供應(yīng)鏈視角，一級(jí)指標(biāo)包括農(nóng)戶信用狀況、核心企業(yè)資質(zhì)、融資項(xiàng)下資產(chǎn)情況和農(nóng)業(yè)供應(yīng)鏈運(yùn)營(yíng)狀況。對(duì)于農(nóng)戶貸款信用風(fēng)險(xiǎn)的評(píng)估方法，溫濤等[10]提出農(nóng)戶信用評(píng)估神經(jīng)網(wǎng)絡(luò)模型算法。胡愈等[11]、譚民俊等[12]結(jié)合層次分析法和模糊數(shù)學(xué)構(gòu)建模型。Hwang等[13]運(yùn)用有序半?yún)?shù)Probit模型估計(jì)違約風(fēng)險(xiǎn)。陳永明等[14]基于AHP和DEMATEL（決策與試驗(yàn)評(píng)價(jià)實(shí)驗(yàn)室）方法實(shí)現(xiàn)農(nóng)戶信用評(píng)級(jí)。譚燕芝和李高娟[15]基于CFPS數(shù)據(jù)運(yùn)用Tobit模型考察中國(guó)農(nóng)戶信用。遲國(guó)泰等[16]則使用支持向量機(jī)方法測(cè)度農(nóng)戶信用風(fēng)險(xiǎn)。盡管一些新技術(shù)（如支持向量機(jī)）對(duì)信用評(píng)估具有良好的預(yù)測(cè)準(zhǔn)確性，但它們對(duì)實(shí)證結(jié)果的解釋存在困難，在實(shí)踐中尚未廣泛應(yīng)用[17]。當(dāng)前對(duì)農(nóng)戶貸款信用風(fēng)險(xiǎn)的評(píng)估以Logistic模型為主，馬文勤等[2]、吳晶妹等[6]、潘緯[18]運(yùn)用二元Logistic模型評(píng)估農(nóng)戶信用風(fēng)險(xiǎn)，預(yù)測(cè)準(zhǔn)確率超過(guò)80%。朱瑩和呂德宏[19]基于Logistic-ISM模型實(shí)現(xiàn)對(duì)不同類型農(nóng)戶小額信貸信用風(fēng)險(xiǎn)影響因素的分析。王霞和呂德宏[20]的研究方法則是多分類有序Logit模型。Basri和Naveen[21]基于印度Karnataka地區(qū)590個(gè)農(nóng)戶樣本，運(yùn)用二元Logistic和多元回歸方法預(yù)測(cè)農(nóng)業(yè)貸款違約風(fēng)險(xiǎn)。李莉和張宗毅[22]將因子分析和Logistic相結(jié)合，基于農(nóng)分期公司1.6萬(wàn)農(nóng)戶的貸款數(shù)據(jù)分析農(nóng)戶品質(zhì)對(duì)農(nóng)戶信用的影響。

早期研究對(duì)農(nóng)戶貸款信用的評(píng)價(jià)以還款能力為主，包括資產(chǎn)負(fù)債和收支水平；后來(lái)的研究加入了還款意愿，如信用狀況、農(nóng)戶品質(zhì)等；評(píng)估方法的應(yīng)用伴隨計(jì)量經(jīng)濟(jì)學(xué)的發(fā)展也愈加精確，而Logistic模型基于穩(wěn)健性和簡(jiǎn)便性，仍是金融機(jī)構(gòu)實(shí)踐中常用的計(jì)量模型。當(dāng)前農(nóng)村中小銀行對(duì)農(nóng)戶的信用評(píng)級(jí)，多由信貸員收集財(cái)務(wù)數(shù)據(jù)和征信歷史，由貸款審查部門根據(jù)經(jīng)驗(yàn)評(píng)估違約風(fēng)險(xiǎn)，具有較強(qiáng)的主觀性，評(píng)估準(zhǔn)確性依賴于審查人員的技術(shù)水平。而在鄉(xiāng)村振興的背景下，涉農(nóng)金融機(jī)構(gòu)發(fā)揮支農(nóng)使命的同時(shí)，需要把防控涉農(nóng)貸款風(fēng)險(xiǎn)放在更加重要的位置，提高風(fēng)險(xiǎn)量化管理技術(shù)。據(jù)此，本研究的模型構(gòu)建既考慮農(nóng)戶信息收集的可能性，也考慮違約判別指標(biāo)的解釋力?；谝蜃臃治龊蚅ogistic模型相結(jié)合的方法構(gòu)建農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估模型，旨在提高農(nóng)戶貸款違約概率估計(jì)的準(zhǔn)確性，一方面在財(cái)務(wù)目標(biāo)上減少涉農(nóng)貸款的不良率，另一方面在政策目標(biāo)上促進(jìn)銀行對(duì)農(nóng)戶的信貸覆蓋。

1 評(píng)估模型構(gòu)建

1.1 Logistic模型原理

Logistic模型是常用的二分類因變量回歸分析模型，可預(yù)測(cè)事件發(fā)生概率，對(duì)數(shù)據(jù)樣本分布不做任何假設(shè)，且數(shù)據(jù)要求容易滿足，適用于農(nóng)村中小銀行對(duì)農(nóng)戶貸款信用風(fēng)險(xiǎn)的評(píng)估。研究農(nóng)戶貸款違約事件，只有2種結(jié)果，農(nóng)戶違約和不違約。引入一個(gè)二分變量Y，將農(nóng)戶違約標(biāo)記為1，農(nóng)戶不違約標(biāo)記為0，如式(1)。

記Xi(i=1,2,…,n)為農(nóng)戶是否違約的影響變量，βi(i=1,2,…,n)為該變量對(duì)違約事件的影響程度。由于Y是二分變量，不是連續(xù)變量，無(wú)法滿足一般線性回歸模型的取值要求。因此，對(duì)因變量進(jìn)行概率轉(zhuǎn)換，設(shè)農(nóng)戶違約(Y=1)的概率為P，那么農(nóng)戶不違約(Y=0)的概率為1-P，回歸模型變?nèi)缡?2)。

使用“發(fā)生比”(odd ratio)代替P進(jìn)行線性轉(zhuǎn)換，即農(nóng)戶違約概率與不違約概率之比，odd=P/(1-P)。線性轉(zhuǎn)換過(guò)程中，引入Logistic變換，如式(3)。

將式(3)進(jìn)行恒等變換，可得農(nóng)戶違約概率P與各影響變量Xi的數(shù)量關(guān)系，如式(4)。

1.2 違約判別指標(biāo)選取與評(píng)估模型構(gòu)建

農(nóng)戶主要是從事農(nóng)、林、牧、漁業(yè)的農(nóng)村家庭，其農(nóng)業(yè)生產(chǎn)周期性強(qiáng)，經(jīng)營(yíng)規(guī)模較小，融資多以小額貸款為主。影響農(nóng)戶貸款違約的因素較多，考慮農(nóng)村中小銀行信貸員在調(diào)查中可能收集的農(nóng)戶信息，判別指標(biāo)應(yīng)盡可能涵蓋農(nóng)戶違約的因素，從農(nóng)戶戶主特征、還款能力和還款意愿方面選取指標(biāo)，其中還款能力的衡量包括資產(chǎn)負(fù)債和家庭收支（表1）。（1）戶主特征反映農(nóng)戶生活生產(chǎn)的基本情況，對(duì)其生產(chǎn)經(jīng)營(yíng)活動(dòng)具有基礎(chǔ)性影響，主要包括城鄉(xiāng)分布、戶主性別、年齡、健康狀況、受教育程度和家庭成員數(shù)量。（2）資產(chǎn)負(fù)債反映農(nóng)戶抵御風(fēng)險(xiǎn)的能力，若資產(chǎn)水平較高、負(fù)債水平較低，代表其抵御風(fēng)險(xiǎn)的能力較強(qiáng)；若資產(chǎn)水平較低、負(fù)債水平較高，代表其抵御風(fēng)險(xiǎn)的能力較弱。就農(nóng)戶而言，資產(chǎn)以現(xiàn)金資產(chǎn)、房產(chǎn)市值、耐用消費(fèi)品總值、農(nóng)用機(jī)械總值衡量，負(fù)債水平以代償借款總額衡量。（3）家庭收支反映財(cái)務(wù)可持續(xù)性，在城鎮(zhèn)化逐步加快的背景下，農(nóng)戶收入既有農(nóng)業(yè)收入也有非農(nóng)收入（工資收入、租金收入、政府補(bǔ)助和他人經(jīng)濟(jì)支持等），全年支出既有經(jīng)常性支出（衣食住行、醫(yī)療教育等）也有非經(jīng)常性支出，這里以農(nóng)業(yè)收入、農(nóng)業(yè)凈收益、非農(nóng)收入和全年支出衡量家庭收支。（4）還款意愿強(qiáng)調(diào)借款人的人品道德，影響借貸行為中發(fā)生道德風(fēng)險(xiǎn)的可能性，主要從4個(gè)方面衡量：①人緣關(guān)系，個(gè)人的人緣較好代表人品認(rèn)可度較高；②勤奮認(rèn)同，努力達(dá)成目標(biāo)是個(gè)人積極向上的表現(xiàn)；③信任認(rèn)同，衡量個(gè)人與人合作的信譽(yù)度；④風(fēng)險(xiǎn)偏好，預(yù)期收益促使部分借款人承擔(dān)高風(fēng)險(xiǎn)，并傳導(dǎo)到貸款信用風(fēng)險(xiǎn)。另外，信貸員對(duì)還款意愿的調(diào)查可結(jié)合農(nóng)戶自身評(píng)價(jià)以及社會(huì)認(rèn)可（鄰里、村委、朋友等）來(lái)綜合判斷。

表1 農(nóng)戶違約判別指標(biāo)

根據(jù)Logistic模型原理和選取的違約判別指標(biāo)，可得農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估模型，如式(5)。

2 實(shí)證研究

2.1 數(shù)據(jù)樣本與處理

中國(guó)家庭動(dòng)態(tài)跟蹤調(diào)查(Chinese Family Panel Studies，CFPS)是由北京大學(xué)中國(guó)社會(huì)科學(xué)調(diào)查中心實(shí)施的數(shù)據(jù)庫(kù)，旨在反映中國(guó)社會(huì)、經(jīng)濟(jì)、人口、教育和健康的變遷。實(shí)證研究以2018年CFPS數(shù)據(jù)為樣本，初始數(shù)據(jù)量接近1.4萬(wàn)個(gè)，基于農(nóng)戶貸款違約概率測(cè)算的目標(biāo)，僅選取從事農(nóng)林牧漁業(yè)的家庭，戶主年齡均在25歲（含25歲）以上。對(duì)于貸款違約事件的判定，以“家庭是否存在借款被拒經(jīng)歷”衡量，同時(shí)“被誰(shuí)拒絕”僅選取“銀行”項(xiàng)，剔除所有存在不適用、不知道、拒絕回答和異常值的樣本，最后剩余2165個(gè)合格的樣本量進(jìn)行實(shí)證分析。其中，不存在借款被拒經(jīng)歷（非違約）樣本有1977個(gè)，存在被銀行拒貸（違約）的樣本188個(gè)，違約占比8.68%。

另外，對(duì)部分指標(biāo)進(jìn)行數(shù)據(jù)選取與標(biāo)記。（1）對(duì)于農(nóng)戶的城鄉(xiāng)分布UAR，將“城鎮(zhèn)”標(biāo)記為0，將“鄉(xiāng)村”標(biāo)記為1；（2）對(duì)于戶主性別SEX，將“女”標(biāo)記為0，將“男”標(biāo)記為1；（3）對(duì)于戶主年齡，將“AGE≤30”、“30＜AGE≤40”、“40＜AGE≤50”、“50＜AGE≤60”和“AGE＞60”分別標(biāo)記為1、2、3、4、5；（4）對(duì)于戶主健康狀況HEAL，將“不健康”、“一般”、“比較健康”、“很健康”、“非常健康”分別標(biāo)記為1、2、3、4、5；（5）對(duì)于戶主受教育程度EDU，將“未受教育”、“小學(xué)”、“初中”、“高中/中專/技校/職高”、“大?！?、“大學(xué)本科”、“碩士”分別標(biāo)記為1、2、3、4、5、6、7；（6）對(duì)于戶主人緣關(guān)系POP，選取CFPS的“您人緣關(guān)系有多好（分）”衡量，按照“由低到高”的排序賦值為0～10；（7）對(duì)于戶主勤奮認(rèn)同DIL，選取CFPS的“努力工作能有回報(bào)”衡量，將“十分不同意”、“不同意”、“既不同意也不反對(duì)”、“同意”、“十分同意”分別標(biāo)記為 1、2、3、4、5；（8）對(duì)于戶主信任認(rèn)同TRUST，選取CFPS的“喜歡信任還是懷疑別人”衡量，將“要越小心越好”標(biāo)記為0，將“大多數(shù)人是可以信任的”標(biāo)記為1；（9）對(duì)于戶主風(fēng)險(xiǎn)偏好RISK，選取CFPS的“風(fēng)險(xiǎn)試驗(yàn)1”衡量，將“直接獲得100元”（厭惡風(fēng)險(xiǎn)）標(biāo)記為0，將“扔硬幣，如果結(jié)果是正面數(shù)字得200元，結(jié)果是反面花則什么也得不到”（偏好風(fēng)險(xiǎn)）標(biāo)記為1。

2.2 描述性統(tǒng)計(jì)結(jié)果

根據(jù)描述性統(tǒng)計(jì)結(jié)果（表2），農(nóng)戶的農(nóng)業(yè)凈收益NETAGRI（農(nóng)業(yè)收入與農(nóng)業(yè)經(jīng)營(yíng)費(fèi)用的差額）均值為負(fù)，表明在當(dāng)前經(jīng)濟(jì)水平下農(nóng)戶的小規(guī)模農(nóng)業(yè)難以持續(xù)經(jīng)營(yíng)。從戶主特征看，借款被拒樣本和無(wú)被拒樣本的均值相差不大。從資產(chǎn)負(fù)債看，被拒樣本的現(xiàn)金資產(chǎn)CASH、房產(chǎn)市值PROP低于無(wú)被拒樣本（房產(chǎn)市值相差不大），而耐用消費(fèi)品總值CON、農(nóng)用機(jī)械總值A(chǔ)GRM和代償借款總額COML均高于無(wú)被拒樣本。表明銀行在農(nóng)戶貸款審核時(shí)比較看重現(xiàn)金資產(chǎn)和負(fù)債水平，而對(duì)耐用消費(fèi)品、農(nóng)用機(jī)械的抵押價(jià)值并不十分關(guān)注，原因是這些抵押物的變現(xiàn)能力較差。從家庭收支看，被拒樣本的收入和支出均高于無(wú)被拒樣本，反映了違約農(nóng)戶的資金流水相比非違約農(nóng)戶更加頻繁。在還款意愿上，兩者的人緣關(guān)系、勤奮認(rèn)同和風(fēng)險(xiǎn)偏好差異不大，而無(wú)被拒樣本對(duì)他人的信任度TRUST高于被拒樣本，表明借貸信任是影響農(nóng)戶貸款違約的重要因素之一。

表2 數(shù)據(jù)樣本的描述性統(tǒng)計(jì)結(jié)果

2.3 數(shù)據(jù)降維——因子分析法

在回歸分析之前，運(yùn)用因子分析法對(duì)選取指標(biāo)數(shù)據(jù)進(jìn)行降維處理，克服指標(biāo)數(shù)據(jù)的多重共線性問(wèn)題。

第1步，數(shù)據(jù)標(biāo)準(zhǔn)化處理，運(yùn)用Z-score標(biāo)準(zhǔn)法（指標(biāo)數(shù)值與樣本均值的差除以標(biāo)準(zhǔn)差）消除樣本數(shù)據(jù)的量綱影響。

第2步，效度檢驗(yàn)，KMO值為0.612，大于0.5，可做因子分析[23-24]；Bartlett球形檢驗(yàn)的近似卡方為3810.131，顯著性為0，指標(biāo)之間具有相關(guān)性。

第3步，運(yùn)用主成分分析法提取公因子，選取特征值大于0.9的因子，共有11個(gè)公因子。第1個(gè)公因子提取的方差百分比為13.014%，解釋能力最強(qiáng)；其后的10個(gè)公因子提取的方差百分比逐漸減小，解釋能力逐漸減弱。全部公因子累計(jì)的解釋能力為72.100%，表明11個(gè)公因子解釋了全部指標(biāo)數(shù)據(jù)約3/4的信息。

第4步，因子旋轉(zhuǎn)和解釋。使用最大方差法進(jìn)行因子旋轉(zhuǎn)，旋轉(zhuǎn)后的成分矩陣見表3。公因子1由指標(biāo)COML、NONAGRI和AEXP組成，主要反映農(nóng)戶的收支和負(fù)債水平；公因子2由指標(biāo)AGE、HEAL和EDU組成，反映了農(nóng)戶戶主的基本信息；公因子3由AGRI和NETAGRI組成，主要反映農(nóng)戶的農(nóng)業(yè)經(jīng)營(yíng)狀況；公因子4由CASH和PROP組成，反映了農(nóng)戶的易評(píng)估資產(chǎn)價(jià)值；公因子5是FNUM和CON，反映了農(nóng)戶的家庭規(guī)模；公因子6是SEX，反映了農(nóng)戶的戶主性別；公因子7是POP，反映了農(nóng)戶戶主的人緣關(guān)系；公因子8是UAR和AGRM，反映了農(nóng)戶的城鄉(xiāng)分布與農(nóng)機(jī)價(jià)值；公因子9是RISK，反映了農(nóng)戶的風(fēng)險(xiǎn)偏好；公因子10是DIL，反映了農(nóng)戶的勤奮認(rèn)同；公因子11是TRUST，反映了農(nóng)戶的信任認(rèn)同。

表3 旋轉(zhuǎn)后的成分矩陣

第5步，因子得分。主成分得分系數(shù)矩陣見表4，由此可得各公因子與指標(biāo)變量的數(shù)量關(guān)系（限于篇幅，只列出公因子1的公式），如式(6)。

表4 主成分得分系數(shù)矩陣

2.4 Logistic模型分析

模型中，因變量是農(nóng)戶貸款違約狀態(tài)，將“存在借款被拒經(jīng)歷”的農(nóng)戶視為違約農(nóng)戶，即Y=1；將“不存在借款被拒經(jīng)歷”的農(nóng)戶視為非違約農(nóng)戶，即Y=0。以因子分析中提取的11個(gè)公因子作為自變量，將農(nóng)戶違約事件作為因變量，建立二元Logistic模型，運(yùn)用SPSS 24軟件進(jìn)行Logistic分析。選擇向后Wald的回歸方法 ，逐一剔除公因子FAC10、FAC9、FAC3、FAC6、FAC2、FAC7 和FAC5，回歸結(jié)果見表 5。Hosmer-Lemeshow檢驗(yàn)的卡方值為11.149，自由度(df)為8，顯著性P值為0.193(＞0.05)，說(shuō)明Logistic模型整體的擬合效果較好。

表5 方程中的變量

公因子FAC1和FAC4在1%統(tǒng)計(jì)水平上顯著，F(xiàn)AC8在5%統(tǒng)計(jì)水平上顯著，F(xiàn)AC11在10%統(tǒng)計(jì)水平上顯著，回歸方程將其予以保留。系數(shù)絕對(duì)值由大到小排序?yàn)镕AC4＞FAC1＞FAC11＞FAC8，表明農(nóng)戶的易評(píng)估資產(chǎn)價(jià)值（以房產(chǎn)和現(xiàn)金資產(chǎn)為主）是影響其貸款違約的最重要因素，其次是收支和負(fù)債水平，再次是農(nóng)戶的信任認(rèn)同、城鄉(xiāng)分布與農(nóng)機(jī)價(jià)值。通過(guò)Logistic模型分析，可得農(nóng)戶貸款違約概率的估計(jì)模型，如式(7)。

將方程中保留的公因子與違約判別指標(biāo)的數(shù)量關(guān)系代入式(7)，可直接獲得選取指標(biāo)（標(biāo)準(zhǔn)化處理）與農(nóng)戶貸款違約概率的關(guān)系，即為式(8)的K代入式(5)的P。據(jù)此，農(nóng)村中小銀行對(duì)農(nóng)戶的貸款審查，可收集農(nóng)戶違約判別指標(biāo)數(shù)值，將其納入建模樣本中進(jìn)行標(biāo)準(zhǔn)化Z-score處理，再估計(jì)農(nóng)戶的貸款違約概率，實(shí)現(xiàn)信用風(fēng)險(xiǎn)量化評(píng)估。

從判別指標(biāo)的系數(shù)絕對(duì)值來(lái)看，對(duì)農(nóng)戶貸款信用風(fēng)險(xiǎn)具有重要影響的指標(biāo)有現(xiàn)金資產(chǎn)CASH、房產(chǎn)市值PROP、代償借貸總額COML、全年支出AEXP和信任認(rèn)同TRUST，影響程度由強(qiáng)而弱?，F(xiàn)金資產(chǎn)是農(nóng)戶主要的流動(dòng)資產(chǎn)，房產(chǎn)是主要的固定資產(chǎn)，它們是較易評(píng)估的資產(chǎn)；回歸結(jié)果顯示兩者的系數(shù)值均為負(fù)，表明農(nóng)戶的現(xiàn)金資產(chǎn)越多、房產(chǎn)的市場(chǎng)價(jià)值越大，其貸款違約的可能性越小。CFPS數(shù)據(jù)的代償借貸總額包括房貸、其他銀行貸款、親友及民間借貸，反映了農(nóng)戶的總體負(fù)債水平；COML與P正相關(guān)，即農(nóng)戶負(fù)債越多，貸款違約概率越高。資產(chǎn)與負(fù)債的回歸結(jié)果表明，農(nóng)戶的資產(chǎn)負(fù)債率（負(fù)債與資產(chǎn)的比值）越高，貸款的信用風(fēng)險(xiǎn)越大。CFPS數(shù)據(jù)的農(nóng)戶總支出是家庭日常開銷（衣食住行）、教育、醫(yī)療、文化休閑和出人情禮等（不包括經(jīng)營(yíng)性活動(dòng)）的支出，以消費(fèi)性支出為主；AEXP的系數(shù)符號(hào)為正，表明農(nóng)戶的全年消費(fèi)支出越高，違約風(fēng)險(xiǎn)越大。信任認(rèn)同是農(nóng)戶還款意愿的重要衡量因素之一，其系數(shù)值小于0，代表農(nóng)戶與人合作的信任度越高，發(fā)生違約事件的可能性越小。

參考張國(guó)政等[25]、付瑋瓊[26]的研究，將貸款違約概率P的閾值設(shè)為50%，根據(jù)Logistic模型結(jié)果，模型預(yù)測(cè)的整體準(zhǔn)確率超過(guò)90%。誤判事件發(fā)生的主要原因是實(shí)證研究中將CFPS數(shù)據(jù)中存在被銀行拒貸的農(nóng)戶直接視為違約農(nóng)戶，而這些農(nóng)戶中的部分群體即使獲得貸款機(jī)會(huì)也不一定會(huì)違約，表明實(shí)證中的違約樣本有可能“虛增”，降低了預(yù)測(cè)準(zhǔn)確率。而對(duì)于農(nóng)村中小銀行來(lái)說(shuō)，對(duì)農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估以自身數(shù)據(jù)庫(kù)或發(fā)起行數(shù)據(jù)庫(kù)為準(zhǔn)，預(yù)測(cè)的準(zhǔn)確率會(huì)更高。

3 結(jié)論與討論

農(nóng)戶由于較高的違約風(fēng)險(xiǎn)面臨正規(guī)金融排斥，為了緩解這一問(wèn)題，考慮農(nóng)村中小銀行對(duì)農(nóng)戶信息收集的可能性及違約判別指標(biāo)的解釋力，筆者從農(nóng)戶戶主特征、資產(chǎn)負(fù)債、家庭收支和還款意愿4個(gè)方面選取指標(biāo)，運(yùn)用因子分析法克服指標(biāo)數(shù)據(jù)多重共線性，基于Logistic原理構(gòu)建農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估模型，為農(nóng)村中小銀行風(fēng)險(xiǎn)量化提供思路，提高農(nóng)戶貸款違約的可識(shí)別度。實(shí)證研究以CFPS2018數(shù)據(jù)為樣本，結(jié)果表明，農(nóng)戶的資產(chǎn)負(fù)債是影響其貸款違約最主要的因素，資產(chǎn)負(fù)債率（農(nóng)戶負(fù)債與資產(chǎn)的比值）與其貸款信用風(fēng)險(xiǎn)正相關(guān)；家庭消費(fèi)性支出越多，貸款違約的可能性越大；信任認(rèn)同是農(nóng)戶還款意愿的重要衡量，農(nóng)戶與人合作的信任度越高，違約風(fēng)險(xiǎn)越小。另外，實(shí)證模型的預(yù)測(cè)準(zhǔn)確率超過(guò)90%，對(duì)農(nóng)村中小銀行具有普遍適用性。

鼓勵(lì)有條件的農(nóng)村中小銀行實(shí)施信用風(fēng)險(xiǎn)內(nèi)部評(píng)級(jí)，基于銀行的貸款歷史數(shù)據(jù)，運(yùn)用因子分析和Logistic回歸相結(jié)合的方法構(gòu)建農(nóng)戶貸款信用風(fēng)險(xiǎn)評(píng)估模型，為銀行貸款審查提供量化依據(jù)，減少人為的主觀影響。另外，在推進(jìn)信用風(fēng)險(xiǎn)內(nèi)部評(píng)級(jí)的過(guò)程中，要加強(qiáng)相關(guān)配套建設(shè)：（1）優(yōu)化銀行風(fēng)險(xiǎn)組織架構(gòu)，設(shè)立專門的風(fēng)險(xiǎn)管理部門；（2）完善銀行風(fēng)險(xiǎn)管理制度，為風(fēng)險(xiǎn)量化的推進(jìn)“保駕護(hù)航”；（3）優(yōu)化風(fēng)控人才隊(duì)伍，一方面要提高經(jīng)營(yíng)所在地信貸員的比例并加強(qiáng)調(diào)查培訓(xùn)，為風(fēng)險(xiǎn)評(píng)估提供良好的數(shù)據(jù)基礎(chǔ)，另一方面要重視風(fēng)控人才招聘與專業(yè)培訓(xùn)，為風(fēng)險(xiǎn)量化提供合適的人力資本。

筆者考慮農(nóng)村中小銀行的經(jīng)營(yíng)特性（如資產(chǎn)規(guī)模較小、信貸調(diào)查困難、風(fēng)控能力薄弱等）選取農(nóng)戶貸款違約判別指標(biāo)，在信息搜集的可能性和指標(biāo)解釋力之間進(jìn)行權(quán)衡，以期為銀行提供具備可操作性的風(fēng)險(xiǎn)評(píng)估模型。伴隨農(nóng)戶征信體系的不斷完善，下一步研究在指標(biāo)選取中可納入更多因素，如農(nóng)業(yè)供應(yīng)鏈、貸款記錄、保險(xiǎn)參加情況等，進(jìn)一步提高評(píng)估結(jié)果的準(zhǔn)確性。