陳偉等

（中國人民銀行銅仁市中心支行，貴州 銅仁 554300）

一、引言

2016 年，我國首次將普惠金融納入國家戰(zhàn)略規(guī)劃，并出臺《推進普惠金融發(fā)展規(guī)劃（2016-2020）的通知》，指出普惠金融立足機會平等與商業(yè)可持續(xù)性原則，能夠有效提高金融服務的覆蓋率、可得性和滿意度，我國普惠金融的服務對象重點包括小微企業(yè)等特殊群體。G20 普惠金融指標體系的三個維度是金融服務可獲得性、金融服務使用情況、金融產(chǎn)品與服務質量，放在首位的就是金融服務的可獲得性。

小微企業(yè)在活躍市場、保障就業(yè)、推動創(chuàng)新等方面發(fā)揮巨大作用。截至2020 年末，中國人民銀行統(tǒng)計數(shù)據(jù)顯示，全國存款類金融機構人民幣貸款余額172.72 萬億元，其中小微企業(yè)貸款余額42.7 萬億元，普惠小微企業(yè)貸款余額15.3萬億元，小微企業(yè)和普惠小微企業(yè)貸款余額占比分別為24.72%、8.86%；銀行業(yè)金融機構累計發(fā)放普惠小微企業(yè)信用貸款3.9萬億元，信用貸款占比為25.49%。上述數(shù)據(jù)表明我國小微企業(yè)貸款余額和信用貸款比重偏低。我國小微企業(yè)普遍存在經(jīng)營管理能力弱、持續(xù)盈利能力差、財務管理不規(guī)范等問題，難以滿足抵押擔保要求，導致小微企業(yè)信貸獲得率較低，嚴重制約小微企業(yè)發(fā)展。因此，要切實提升小微企業(yè)金融服務的可獲得性，還需要加大小微企業(yè)信用建設和銀行信用貸款支持。金融機構以信用評級為基礎，決定授予評級對象某筆商業(yè)交易或具體的融資金額（鄭建華等，2020）。由于小微企業(yè)制度不健全、財務信息不透明等原因，依賴于財務數(shù)據(jù)的信用評級難以直接適用于小微企業(yè)。隨著大數(shù)據(jù)時代來臨，獲取企業(yè)信息數(shù)據(jù)的渠道多樣化，為多維度評估企業(yè)信用提供機遇。本文認為，優(yōu)化小微企業(yè)金融服務的關鍵在于放寬信用準入條件，構建適合小微企業(yè)的信用評估體系，完善小微企業(yè)增信機制，提高小微企業(yè)金融可獲得性。利用多維度、多類型的大數(shù)據(jù)對企業(yè)信用展開動態(tài)評級，通過整合社保、司法、工商、稅務等公共信息搭建線上信貸風險管理平臺，為小微企業(yè)提供自動化、免抵押的循環(huán)信貸服務，實現(xiàn)金融機構與小微企業(yè)的精準對接，切實提升小微企業(yè)融資的可獲得性。

二、文獻綜述

（一）信用評級定義

蔣輝等（2019）提出信用評估是評估機構利用專家判斷或數(shù)學模型，對借款人如期足額還本付息的能力和意愿進行評價，并按照其違約概率大小以等級或分數(shù)的形式給出評估結論的行為。閻維博（2019）認為信用評級是專業(yè)第三方依據(jù)科學、客觀、公平的原則標準，采取全面規(guī)范的評級指標體系和科學合理的模型方法，對評級對象違約風險進行全面評估。綜合來說，信用評估是指獨立第三方按照科學的原則標準，對評估對象客觀公正的等級評價，并以簡潔的形式作為標識。

（二）信用評估方法

企業(yè)信用風險研究已從傳統(tǒng)的定性分析，發(fā)展到以大數(shù)據(jù)為基礎的人工智能分析。傳統(tǒng)的信用分析方法有綜合模糊評判法、五級分類法等，這些評價方法簡單易懂，不足之處在于主觀性太強。隨著數(shù)據(jù)維度不斷增加，數(shù)據(jù)量也呈爆炸式增長，傳統(tǒng)基于簡單統(tǒng)計的信用評估方法局限性逐漸顯現(xiàn)。近年來，人工智能的運用更為引人關注，如許多學者將機器學習算法引入企業(yè)信用風險評估研究中，常用的信用評估模型包括隨機森林、支持向量機（SVM）、人工神經(jīng)網(wǎng)絡（ANN）等（肖進等，2015）。溫小霓和韓鑫蕊（2017）選用66 家中小企業(yè)板企業(yè)，利用因子分析簡化指標體系和特征降維，驗證MLP 神經(jīng)網(wǎng)絡評估模型在科技型中小企業(yè)中的適用性。劉偉江等（2020）基于Lend?ing Club客戶信用數(shù)據(jù)，建立基于卷積神經(jīng)網(wǎng)絡的客戶信用評估模型，實驗結果表明，基于卷積神經(jīng)網(wǎng)絡的新模型在信用評估實驗中與傳統(tǒng)以特征處理為基礎的信用評估模型相比有顯著提升，在客戶違約特征信息提取和違約可能性的預測上具有良好性能。

李慧潔（2020）建立Logistic 回歸分析模型，對支持向量機（SVM）模型與隨機森林、BP 神經(jīng)網(wǎng)絡模型進行對比，結果表明SVM 模型在中小微企業(yè)信用評級領域適用性更高。仵曉溪和李云飛（2020）運用因子分析方法篩選評價指標，以優(yōu)化后的指標體系構建基于LM算法的三層BP神經(jīng)網(wǎng)絡模型，實驗結果表明基于LM 算法優(yōu)化的BP 神經(jīng)網(wǎng)絡模型對訓練樣本的評估準確率高達100%，對測試樣本的評估準確率為84%。綜合來看，BP 神經(jīng)網(wǎng)絡應用最為廣泛，且預測效果較佳，所以本文選擇BP 神經(jīng)網(wǎng)絡對小微企業(yè)的信用風險進行評估，并結合LM 算法對網(wǎng)絡進行優(yōu)化以提高收斂速度。

（三）評估體系

目前針對小微企業(yè)信用評價指標的選擇主要包括企業(yè)主個人特征、小微企業(yè)特有信息、行業(yè)情況、宏觀經(jīng)濟形勢等，其中企業(yè)主特征對信用評級的影響更為重要。如梁迪（2015）從企業(yè)主個人素質、企業(yè)經(jīng)營類狀況、銀行動態(tài)風險等三個維度構建納稅信用評價體系。周針竹等（2017）基于現(xiàn)代信用學誠信資本、合規(guī)資本和踐約資本三維信用理論構建小微企業(yè)信用評價指標體系。鄭建華等（2020）從企業(yè)發(fā)展?jié)摿Α⑵髽I(yè)發(fā)展環(huán)境、企業(yè)經(jīng)營者信息、企業(yè)行為合規(guī)度等四個維度構建小微企業(yè)信用評級模型，并采用層次分析法確定各指標權重。吳金菊（2018）從企業(yè)經(jīng)營情況、營運能力、獲利能力、成長能力、守法經(jīng)營五個維度構建納稅信用評價體系。

上述小微企業(yè)信用評價指標體系都將非財務指標作為重要評價內容，信用指標選取更加豐富，范圍更加廣泛，但針對已有評價指標體系側重角度各有不同，缺乏全面性和系統(tǒng)性，且部分指標可行性較差。本文選取普惠金融特殊服務群體中的小微企業(yè)作為研究對象，從小微企業(yè)信用評級體系的現(xiàn)狀、困難、適用模型的構建等展開研究，以充分調動銀行服務小微企業(yè)的積極性，提升小微企業(yè)等特殊群體金融服務可得性，為有效緩解小微企業(yè)“融資難”問題提供決策支持。

三、信用評價體系設計

信用評級體系的選取應堅持獨立性、客觀公正性、可行性、系統(tǒng)性與針對性相結合、定量與定性相結合原則（李慧潔，2020）。本文結合我國小微企業(yè)實際情況，堅持重要性、客觀性、獨立性和可行性原則，降低對財務數(shù)據(jù)的依賴，運用大數(shù)據(jù)思維從企業(yè)主特征、企業(yè)信息及稅務管理三維度建立信用評級指標體系，如表1所示。

表1 小微企業(yè)信用評估指標體系

四、BP神經(jīng)網(wǎng)絡模型構建

對銀行而言，客戶信用直接影響貸款損失和利潤收益。經(jīng)過實地調研了解到，各銀行均建立了獨立的企業(yè)信用評估體系，但由于標準不一，結果不盡相同，且部分大型銀行信用評估缺乏靈活度，降低了評估效率。本文采用BP 神經(jīng)網(wǎng)絡模型，對已知樣本信用信息進行訓練得出一個抽象模型，進而對新樣本進行信用評估。

BP神經(jīng)網(wǎng)絡模型是包含多個隱藏層的前饋神經(jīng)網(wǎng)絡，具備處理線性不可分的能力，信息正向反饋，誤差反向傳播，經(jīng)過學習訓練得出抽象的評估模型。如圖1所示，BP神經(jīng)網(wǎng)絡包括輸入層、隱藏層和輸出層。網(wǎng)絡由多層構成，為便于理解，圖中僅顯示1 個隱藏層，層與層之間全連接，同一層之間無連接，輸入層由m個元素組成，記為Xm，表示影響小微企業(yè)信用的m個因素；隱藏層包含n個元素（m與n不一定相等），記為Kn；輸出層包含1個元素，記為Yi，表示小微企業(yè)信用狀況為正常或違約。從Xm到Kn的連接權值為ωmn，從Kn到Yi的連接權值為λni。隱藏層的傳遞函數(shù)為Sigmoid函數(shù)，輸出層的傳遞函數(shù)為線性函數(shù)。

圖1 BP神經(jīng)網(wǎng)絡拓撲結構圖

（一）隱藏層的輸出計算

隱藏層中第n個神經(jīng)元的輸出如公式（1）所示。

其中f(?)為隱藏層的Sigmoid 傳遞函數(shù)，即。

（二）輸出層的輸出計算

輸出層中第i個神經(jīng)元的輸出如公式（2）所示。

其中g(?)為輸出層的線性傳遞函數(shù)。

（三）網(wǎng)絡誤差計算

（四）誤差信號反向傳播

根據(jù)網(wǎng)絡總體誤差e，沿著網(wǎng)絡逐層反向更新連接權值，權值調整的目的是減小誤差。首先調整隱藏層與輸出層之間的權值λni，如公式（3）所示。

其中，η為學習效率。誤差信號繼續(xù)反向傳播，對輸入層與隱藏層之間的權值ωmn進行調整，如公式（4）所示。

上述隱藏層計算、輸出層計算、網(wǎng)絡誤差計算機誤差信號反向傳播等過程的主要流程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡學習的建模與預測流程圖

（五）模型優(yōu)化

BP 神經(jīng)網(wǎng)絡具有實現(xiàn)復雜非線性映射的能力，但也具有一些難以克服的局限性，如需要參數(shù)較多，容易導致學習不穩(wěn)定，收斂速度較慢，還可能陷入局部最優(yōu)；且對初始權重敏感，較為依賴樣本，如果樣本代表性差且存在冗余樣本，網(wǎng)絡就很難達到預期性能。在網(wǎng)絡訓練過程中，若能使用更優(yōu)的權重調整方法，則能得到更高的穩(wěn)定性和更快的收斂速度，主要的改進方法有：動量BP法、擬牛頓法、LM算法等。訓練算法的選擇與問題本身、訓練樣本個數(shù)等有關，由于LM算法兼具隨機梯度下降法和擬牛頓法收斂速度快、均方誤差小等優(yōu)勢，適合用于小樣本神經(jīng)網(wǎng)絡設計，因此對BP神經(jīng)網(wǎng)絡學習選擇LM算法進行優(yōu)化改進。

五、實證結果分析

（一）樣本選取與數(shù)據(jù)處理

本文選取銅仁市200戶小微企業(yè)作為調查對象，其中包含15%的違約對象，通過與銀行、稅務部門、企業(yè)主體等單位進行實地調研，詳細了解小微企業(yè)2020年信貸經(jīng)營情況。最終收回有效問卷199份，包含182 份守信問卷和17 份違約問卷。由于每個維度指標的單位和性質不同，所以對不同性質的指標進行歸一化標準處理。

（二）參數(shù)設計

本文選取115個訓練樣本（含違約樣本10份），84個測試樣本（含違約樣本7 份）。本文每個用戶包含26個屬性，因此輸入層包含26個神經(jīng)元節(jié)點，隱藏層神經(jīng)元個數(shù)及初始參數(shù)為程序默認數(shù)值。本文研究的內容屬于針對信用好/差的二分類問題，因此輸出層只包含1 個神經(jīng)元，用0 表示信用好，1 表示信用差；在程序輸出中，設置0.5為閾值，小于0.5的輸出判定為0（信用好），否則判定為1（信用差）。

（三）結果分析

本文運用MATLAB軟件編寫基于BP算法的神經(jīng)網(wǎng)絡程序，設置最大訓練次數(shù)為1000次，目標誤差為“1e-13”，調用trainlm 函數(shù)進行訓練。第一次測試結果正確率為88.10%，圖3 所示為網(wǎng)絡誤差下降曲線，由橫坐標可以看出，網(wǎng)絡進行了5次迭代即收斂。經(jīng)過數(shù)據(jù)核查，補充了2個缺失數(shù)據(jù)后，第二次訓練8次后收斂，測試結果正確率提高到95.24%。結果表明BP 神經(jīng)網(wǎng)絡達到預期目標，較為準確地對用戶信用情況進行評估預測。

圖3 誤差下降曲線

為了抵消隨機因素的影響，本文選取相同的訓練和測試樣本集運算50 次，統(tǒng)計正確率與訓練次數(shù)。結果顯示，測試50次的平均正確率為95.40%，最高正確率為98.81%，最低正確率為91.67%；平均迭代次數(shù)為6.5次，最低迭代5次，最高迭代10次（圖4）。如表2 所示，BP 神經(jīng)網(wǎng)絡模型混淆矩陣輸出結果表明，守信小微企業(yè)（預測值為0）的預測正確率為99.5%，違約小微企業(yè)（預測值為1）的預測正確率為94.1%，整體預測準確率為98.99%。

圖4 BP網(wǎng)絡正確率與訓練次數(shù)

（四）模型預測能力檢驗

1.ROC與AUC方法。BP神經(jīng)網(wǎng)絡模型的預測準確率由預測守信情況與實際守信情況比較得出，而模型輸出結果的二值分類又由設定的閾值決定。因此，為了評估上述信用評估預測BP神經(jīng)網(wǎng)絡模型的二值分類是否準確有效，本文采用ROC（Receiver Operat?ing Characteristic）曲線下面積（AUC）對模型進行檢驗。

本文的BP 神經(jīng)網(wǎng)絡將輸出結果映射在（0，1）區(qū)間內，通過設定閾值F 對樣本做出二值分類，即當輸出值低于F時預測為信用好（0），高于F時預測為信用差（1）。設BP 神經(jīng)網(wǎng)絡模型將實際違約企業(yè)預測為違約企業(yè)定義為TP（True Positive）真正類，將實際違約企業(yè)預測為守信企業(yè)定義為FN（False Negative）假負類，將實際守信企業(yè)預測為違約企業(yè)定義為FP（False Positive）假正類，將實際守信企業(yè)預測為實際守信企業(yè)定義為TN（True Negative）真負類，真正類率（TPR）=TP/（TP+FN），負正類率（FPR）=FP/（FP+TN），ROC曲線則是由TPR為縱軸、FPR為橫軸繪制成的曲線，當模型預測準確率為100%時，ROC 曲線由（0，0）（0，1）（1，1）三點組成，當模型完全沒有區(qū)分能力時，此時預測結果完全服從隨機概率，一般而言，實際模型的ROC 曲線大多呈現(xiàn)一條向左上角彎曲的曲線，其彎曲程度越高代表區(qū)分能力越高。但鑒于ROC曲線在模型間不具備可比性，因此需要引入AUC 統(tǒng)計量，即能直觀表示各評級模型的區(qū)分能力的統(tǒng)計量，等于ROC曲線與FPR=1、TPR=0兩條曲線構成的區(qū)域面積，如公式（5）和公式（6）所示。

其中，p代表守信企業(yè)的數(shù)量，q代表違約企業(yè)的數(shù)量，代表BP 神經(jīng)網(wǎng)絡對違約企業(yè)j的輸出值，代表BP 神經(jīng)網(wǎng)絡對守信企業(yè)i的輸出值，0

由于AUC 是ROC 曲線與FPR=1、TPR=0 兩條曲線構成的區(qū)域面積，因此0≤AUC≤1，當AUC=0.5 時，代表模型沒有區(qū)分能力，AUC越接近1代表區(qū)分能力越高，即預測結果越準確。參照已有相關研究，在實際操作中，僅通過AUC進行預測力度量仍不夠全面，需結合ROC曲線的形狀對模型進行綜合判斷。

本文在原樣本數(shù)據(jù)基礎上對BP神經(jīng)網(wǎng)絡信用評估模型進行預測力檢驗，通過MATLAB檢驗結果可看出ROC 曲線是一條無限向左上角彎曲的曲線，且AUC=0.9947，說明本文建立的BP 神經(jīng)網(wǎng)絡模型能較好地對企業(yè)信用狀況進行評估。

2.與Logistic模型預測結果對比。Logistic模型常用于多變量數(shù)據(jù)分析中因變量是分類變量的情況，本文要考察的因變量為守信還是違約（0 或1），是一個二分類變量，此時基于同方差、線性和正態(tài)性等假定的線性回歸不再適用，故通過構建二元Logistic 回歸模型，并將預測結果與上述BP 神經(jīng)網(wǎng)絡模型進行對比。首先，考慮到本文構建了涵蓋26 個影響因素的指標體系，由于神經(jīng)網(wǎng)絡模型具有魯棒性（Robust），能控制系統(tǒng)相對穩(wěn)定以不會受線性共線影響，即存在多重共線性時，也不需要調整輸入神經(jīng)網(wǎng)絡模型的特征值，因此采用因子分析法，并結合各指標間的相關性情況對指標進行降維，按照各指標對主成分的貢獻程度排序，篩選出年齡、違約金額、工商年檢、社保、法律訴訟、員工人數(shù)、年收入、貸款占比、稅務登記、納稅增長率等十個指標引入模型。其次，建立Logistic 模型，設y為因變量，且服從于二項分布，記：p=p(y=1),q=p(y=0),p=1-q，Logistic 回歸解釋了自變量和因變量概率取值之間的關系，如公式（7）所示。

其中，β0,β1,β2,…,βn為待估參數(shù)，為優(yōu)勢比率，即事件發(fā)生與不發(fā)生的概率比，ln()稱為y的Logit。

從Logistic模型混淆矩陣輸出結果可看出（表3），雖然總體預測正確率達97.5%，處于較高水平，但仍低于BP 神經(jīng)網(wǎng)絡的預測準確率，并且可以看到，Lo?gistic模型中的違約企業(yè)預測率僅為76.5%，綜上可看出，無論是模型內部的預測力評估，還是模型間預測準確率的比較，本文建立的BP 神經(jīng)網(wǎng)絡都能較好地對企業(yè)信用狀況進行評估。

表3 Logistic模型混淆矩陣輸出結果

六、結論與建議

本文基于人工智能中的BP 神經(jīng)網(wǎng)絡模型，通過LM 算法對系統(tǒng)進行優(yōu)化，建立針對普惠小微企業(yè)的信用風險評估模型，并通過第一手實地調查數(shù)據(jù)進行實證校驗，同時采用ROC 曲線下面積對模型進行檢驗，并與Logistic 模型預測結果進行對比分析。結果表明BP 神經(jīng)網(wǎng)絡對實際信用數(shù)據(jù)實現(xiàn)了較好的預測，以平均95.40%的正確率成功預測小微企業(yè)的信貸情況，且準確率高于Logistic 模型預測結果。根據(jù)評估結果，對不同客戶作出分類管理，實現(xiàn)市場細分，為小微企業(yè)提供差異化的信貸服務。為進一步優(yōu)化小微企業(yè)等特殊群體的金融服務工作，提出以下政策建議。

（一）創(chuàng)新信貸審核方式，提升小微企業(yè)金融服務可得性

銀保監(jiān)會督促銀行深化機制建設，在“三個不低于”的基礎上提出“兩增兩控”要求，引導小微金融業(yè)務穩(wěn)步健康發(fā)展，不斷提升普惠金融服務覆蓋率。但在促進提升“覆蓋率”的時候忽略了“可得性”，經(jīng)實地調研發(fā)現(xiàn)，大部分金融機構對于小微企業(yè)貸款仍然要求提供足額的抵押擔保和健全的財務報表，這對于以輕資產(chǎn)為主的初創(chuàng)期小微企業(yè)來說，無異于直接拒之門外。根據(jù)本文的研究結論，建議銀行機構建立以非財務指標為主的信用評估體系，運用BP 神經(jīng)網(wǎng)絡開展小微企業(yè)信用風險評估，以評估結果為依據(jù)，盡可能降低抵押擔保要求，創(chuàng)新信貸產(chǎn)品，降低小微企業(yè)金融服務門檻，提高普惠小微企業(yè)金融服務可得性。

（二）整合大數(shù)據(jù)資源，降低金融機構信貸風險

基于大數(shù)據(jù)的小微企業(yè)信用評級具有全面、可信、高效、低成本的優(yōu)勢，有助于打破以財務信息為主的傳統(tǒng)小微企業(yè)信用評級模式。建議加強稅務、司法和住房公積金繳納等領域信用信息整合共享，健全信用數(shù)據(jù)實時采集更新機制，提高信息采集的準確性、實效性和完整性，緩解銀行信息收集成本和信息不對稱問題，通過大數(shù)據(jù)和人工智能多維度開展信用風險評估，降低銀行信貸風險，落實金融供給側結構性改革要求，破解小微企業(yè)融資難題，提升基層銀行服務小微企業(yè)的積極性和主動性。

（三）完善監(jiān)管考核機制，促進金融資源市場化配置

現(xiàn)場調研了解到，不良貸款率考核機制嚴重限制了銀行提高小微企業(yè)金融服務可得性的積極性和主動性。目前，對于金融不良貸款等壞賬核銷仍有諸多限制，為銀行服務小微企業(yè)埋下隱患。因此，優(yōu)化特殊群體金融服務，還需要從監(jiān)管上放寬不良容忍度和壞賬核銷規(guī)定，落實好“放管服”精神，從根本上解除銀行機構的顧慮，調動銀行服務小微企業(yè)的主動性，讓銀行根據(jù)市場化原則促進金融資源分配，讓小微企業(yè)等特殊群體都能享受普惠金融服務。