北京交通大學 段貝貝

城市商業(yè)銀行小微貸款信用風險控制研究

北京交通大學 段貝貝

摘 要：近年來，我國政府為解決小微企業(yè)融資難問題，采取了多種措施。首先放開貸款利率，之后連續(xù)降息，從長期來看，將有助于改善小微企業(yè)融資難的現(xiàn)狀。在滿足小微貸款“急、快、頻”的特點時，銀行必須加強風險控制，選取風險評估模型及有效指標。本文選取了有關企業(yè)主等非客觀指標,提高了風險評估模型的有效性。例如年齡、性別、學歷等主觀因素，營業(yè)額、流動比率等客觀因素，共22個指標。然后通過SPSS軟件進行主成分分析，進行l(wèi)ogit模型進行回歸，建立小微商業(yè)信用風險評估模型。

關鍵詞：小微企業(yè) 信用風險 Logit回歸模型

1 選題的背景及意義

隨著我國經(jīng)濟的快速發(fā)展，我國已經(jīng)形成了日趨完善的金融體系。如今，我國銀行業(yè)已經(jīng)形成了四個梯隊，其中國有大型銀行作為第一梯隊，大型股份制銀行作為第二梯隊，城市商業(yè)銀行作為第三梯隊，農(nóng)村信用社、村鎮(zhèn)銀行為最低層的金融機構作為第四梯隊。城市商業(yè)銀行在其發(fā)展中具有先天缺陷，與五大行和股份制商業(yè)銀行相比，在吸收存款和發(fā)放貸款等業(yè)務方面，明顯處于弱勢。

在利率市場化即將完成之際，加上互聯(lián)網(wǎng)金融迅速發(fā)展的大背景下，城市商業(yè)銀行將會遇到更多的威脅和挑戰(zhàn)。因此，城市商業(yè)銀行必須明確自己的市場定位，即服務當?shù)亟?jīng)濟和服務中小微企業(yè)。同時，小微貸款業(yè)務將成為城市商業(yè)銀行與其他商業(yè)銀行競爭和盈利增長的戰(zhàn)略點。

本文利用先進的技術手段對小微企業(yè)進行公正、客觀、準確的信用評估。一方面，可以改善小微企業(yè)融資環(huán)境，降低融資成本，完善社會信用體系；另一方面，城市商業(yè)銀行業(yè)能借此加強風險防范和信用管理，提高自身業(yè)務水平，才能在競爭如此激烈的環(huán)境中占有一席之地，具有重要的現(xiàn)實意義。

2 文獻綜述

2.1 國外研究現(xiàn)狀

國際上最早研究信用風險的是西方發(fā)達國家，而對于信用風險的研究主要經(jīng)歷了四個發(fā)展階段，可以將這四個階段統(tǒng)稱為傳統(tǒng)方法和現(xiàn)代方法。傳統(tǒng)方法主要是指定性分析，而對于信用風險的控制主要是事前控制。傳統(tǒng)的信用風險度量方法操作簡單，主要側(cè)重于定性分析，這就導致效率低下。傳統(tǒng)的信用風險度量方法主要有專家分析法、信用評分法、神經(jīng)網(wǎng)絡法等?，F(xiàn)代的信用風險度量方法包括基于精算方法的Credit Risk+模型、Credit-VaR模型、KMV模型等定量分析模型。

2.2 國內(nèi)研究現(xiàn)狀

從國內(nèi)研究來看,我國對企業(yè)貸款信用風險的分析一直處于定性階段，大部分研究停留在對企業(yè)提供的財務報表的財務比率進行分析，而定量研究工作仍然處于起步階段。即使是定量分析，也主要研究企業(yè)的財務數(shù)據(jù)指標對企業(yè)的信用風險的影響，很少研究非財務指標對小微企業(yè)貸款信用風險的影響。

3 模型的選取及指標體系

有效識別小微貸款業(yè)務中的信用風險因子是對小微企業(yè)貸款信用風險控制的必要前提。只有準確、全面地識別出影響小微貸款違約的信用風險因子，城市商業(yè)銀行才可以全面、有效地采取措施，制定科學的管理辦法和決策，選擇出有效的風險控制技術手段。因此本文主要采用Logit模型和因子分析模型兩大模型。

3.1 Logit模型

Logit模型(簡稱“邏輯回歸”)是離散選擇法模型之一，屬于多重變量分析范疇，是社會學、生物統(tǒng)計學、臨床、數(shù)量心理學、市場營銷等統(tǒng)計實證分析的常用方法。

在本文中，在進行Logit回歸時，首先確定因變量Y=0和Y=1的兩種情況，這屬于屬性變量。其中，Y=1表示企業(yè)違約；Y=0表示企業(yè)正常履約，這樣就將回歸轉(zhuǎn)化為求解小微企業(yè)違約的概率問題。則違約發(fā)生即Y=1的概率為：

變形后為：

對上述公式兩邊取自然對數(shù)，化為：

在(1)(2)(3)公式中，(1)表示Logistic回歸的一般形式；(3)表示Logistic回歸的Logit模型。

3.2 基本指標體系

本文的數(shù)據(jù)來自于我國某城市商業(yè)銀行，研究所用的107個數(shù)據(jù)均是隨機抽取的。剔除反常的和有缺失的數(shù)據(jù)，一共采集到有效樣本的104個數(shù)據(jù)進行研究。根據(jù)貸款逾期狀況，將樣本分為兩組：正常組和違約組。其中正常組有93個，違約的有14個。

本文所采用的是2013年至2015年這段時間的數(shù)據(jù)信息，在遵循全面性和可操作性原則的基礎上，對照前人所采用的指標體系，本文對樣本數(shù)據(jù)進行了匯總、整理、分類，構建了基礎指標體系，如表1所示。

表1 基礎指標體系以及變量說明

違約狀況為因變量，取值為1和0.1表示小微企業(yè)違約；0表示小微企業(yè)未違約。企業(yè)主性別、學歷、行業(yè)性質(zhì)和有無房產(chǎn)為定性變量，其余的為隨機變量。

4 小微企業(yè)貸款信用風險因子識別的實證研究

本文首先通過應用因子分析模型對樣本數(shù)據(jù)進行降維，然后用幾個綜合指標來代表原始指標。其次，采用Logit模型對這幾個綜合指標進行回歸分析。本文中的所有數(shù)據(jù)均使用SPSS17統(tǒng)計軟件來完成。

4.1 因子分析

根據(jù)前面所建立的基礎指標體系，隨即抽取了104個數(shù)據(jù)，22個指標。因為指標體系中存在正向指標，逆指標和適度指標，所以需要對原始數(shù)據(jù)進行標準化處理，然后進行因子分析。

我們選擇極大方差旋轉(zhuǎn)，即正交旋轉(zhuǎn)。使得每個因子上的具有最高載荷的變量數(shù)目最小。

表2是按照前面設定的極大方差法對因子載荷矩陣旋轉(zhuǎn)后的結果。未經(jīng)過旋轉(zhuǎn)的載荷矩陣中，因子變量在許多變量上都有較高的載荷。經(jīng)過旋轉(zhuǎn)之后可以清晰的發(fā)現(xiàn)：

因子1在變量營業(yè)額X11，月均存款X22，行業(yè)X13，員工人數(shù)X12上的系數(shù)分別為-0.951，-0.951，0.853，0.833，大于其他變量的系數(shù)，主要反映了小微企業(yè)本身的特征狀況，設定為因子A。

表2 采用Logit模型進行回歸分析

表3 Logit回歸結果分析

因子2在變量家庭總負債X15，家庭凈資產(chǎn)X14上的系數(shù)分別為0.853，-0.767，主要反映了企業(yè)主的家庭狀況，設定因子B。

因子3在變量銷售凈利率X5上的系數(shù)0.757，主要反映了公司的盈利能力，設定為因子C。

因子4在變量應收賬款周轉(zhuǎn)率X4上的系數(shù)為-0.688，反映公司資產(chǎn)管理能力，設定為因子D。

因子5在變量是否按揭X9，貸款主體X10，保證人X8，貸款金額X7，利率X6上的系數(shù)分別為0.656，0.607，0.478，0.448，-0.547，主要反映了公司的貸款狀況，設定為因子E。

因子6在變量現(xiàn)金比率X2，流動比例X1上的系數(shù)分別為0.849，-0.813。反映了公司的短期償債能力，設定為因子F。

因子7在變量資產(chǎn)負債率X3上的系數(shù)為0.833，反映公司的長期負債能力，設定為因子G。因子8在變量性別X17，逾期X19，從業(yè)年限X20，學歷X18，年齡X16，合作年限X21上的系數(shù)分別為0.722，0.856，0.8，0.785，0.757，0.589，變現(xiàn)公司的企業(yè)主特征，設定為因子H。

4.2 Logit回歸的實證分析將上述通過因子分析法得到的8個因子引入logit回歸模型之中，使用Forward seletion估計回歸系數(shù)。通過SPSS17軟件，運用二元logit模型對上述的8個因子進行回歸。得到了4個因子對違約的影響顯著，分別為A：小微企業(yè)本身的特征狀況；B：企業(yè)主的家庭狀況；C：盈利能力，H：企業(yè)主特征。Logit回歸結果分析如表3所示。

分析：從上表中可以發(fā)現(xiàn)，該模型中包含了各個回歸系數(shù)方面的指標?？梢园l(fā)現(xiàn)，如果顯著性水平為0.005，A、B、C、H 的Wald檢驗概率P值小于顯著性水平，拒絕零假設，則通過了檢驗。說明了，綜合指標A、B、C、H對小微企業(yè)違約率有限度的影響。

結合上表，A的系數(shù)為-10.79，且系數(shù)絕對值最大，則營業(yè)額與違約率成反比，而且對違約率的影響最大。公司的營業(yè)額越大，說明公司的營業(yè)收入較大，保證了還款的第一來源，大大降低了違約的風險；B的系數(shù)為7.56，則家庭凈資產(chǎn)與違約率成反比，家庭凈資產(chǎn)越高，當公司經(jīng)營不善或者資金鏈斷裂時，借款人可以通過變賣家庭資產(chǎn)來還銀行貸款，降低了違約的風險，保證了還款的來源；C的系數(shù)為8.11，那么銷售凈利率與貸款違約率成反比，銷售凈利率反映了公司的盈利能力，銷售凈利率越高，說明公司的盈利能力越強，潛力越大，違約風險較小；H的系數(shù)為-4.41，那么逾期與違約率成正比，合作年限成反比，其中，逾期越多，說明客戶信用存在問題，經(jīng)常違約，增加了信用風險；合作時間越長，說明銀行對客戶各個方面比較了解，其違約的概率較小。因此，營業(yè)額、家庭凈資產(chǎn)、銷售凈利率、合作年限成反比，屬于保護因素，逾期屬于警惕因素，應隨時關注。

5 結語

本文首先闡述了我國城市商業(yè)銀行的發(fā)展背景與現(xiàn)狀，認識到發(fā)展小微貸款將是城市商業(yè)銀行未來利潤新的增長點，那么控制其風險將是保證利潤的關鍵。解決這個問題，將會改善城市商業(yè)銀行對小微企業(yè)授信管理和改變小微企業(yè)融資難的現(xiàn)狀。

在選取數(shù)據(jù)方面，本人從某城市商業(yè)銀行各貸部中選取的數(shù)據(jù)，保證了數(shù)據(jù)的可靠、完整和真實性。數(shù)據(jù)樣本經(jīng)過相關統(tǒng)計描述和檢驗之后，證明了所選取的數(shù)據(jù)適合進行Logistic建模。由于本文選取了共22個指標，107個數(shù)據(jù)，有效數(shù)據(jù)104個。指標與指標之間存在多重共線性，所以本文首先運用主成分分析法，通過SPSS17對這22個指標進行降緯，提煉出8個綜合指標。分別代表了小微企業(yè)本身、企業(yè)主的家庭狀況、盈利能力、資產(chǎn)管理能力、貸款狀況、短期償債能力、長期負債能力、企業(yè)主特征8個指標，分別記為A、B、C、D、E、F、G、H，共解釋了原指標71.395%的信息量。通過數(shù)據(jù)處理之后，有兩個作用。第一，提取公共因子消除了數(shù)據(jù)之間的多重共線性；第二，降緯有效降低了計算量，保證了有效指標。

在此基礎上，將小微企業(yè)信用風險問題，轉(zhuǎn)化為對小微企業(yè)違約概率的計算問題。其中，因變量為違約率，違約=1，正常履約=0，上述8個因子做為解釋變量，進行二項logit回歸。結果顯示了得出模型有很好的擬合優(yōu)度。證明模型對于信用風險的預測有很好的準確度。

參考文獻

[1] Barr RS,L M Seiford,T F Siems.Forcasting Bank Failure:A Non-Parametric Frontier Estimation Approach[J].Recherches Economiques de Louvain,1994(4).

[2] J P M o r g a n . R i s k m e t r i c s - T e c h n i c a l Documentation,1997.

[3] 李萌.Logit模型在商業(yè)銀行信用風險評估中的應用研究[J].管理科學,2005(2).

[4] 王建新,于立勇.基于信用風險度的商業(yè)銀行風險評估模型研究[J].管理工程學報,2007(4).

中圖分類號：F830.5

文獻標識碼：A

文章編號：2096-0298(2015)05(a)-073-04