費靖茹 杜凱欣 郝培婷

摘 要：本文主要針對某銀行對中小微企業(yè)信貸策略的研究，利用在年度信貸總額固定的前提下，作了信貸市場發(fā)展前景，采用層次分析法、Logistic 回歸模型，借助 Excel、RStudio、Matlab數(shù)值分析軟件，結合客戶畫像體系評估中小微企業(yè)的風險等。首先針對不同信譽評級下的客戶流失度和貸款年利率，構建客戶流失預警模型，將中小微企業(yè)按客戶流失度劃分為三種類型;其次結合函數(shù)關系圖像得出不同信譽評級、不同客戶流失度下的信貸額度區(qū)間和貸款年利率區(qū)間，針對一些突發(fā)因素，構建負激勵的防止道德風險模型，從而對信貸風險管理中貸款人違約的道德風險進行控制，降低信貸風險產生的可能性，使得貸款雙方利益最大化;最后結合現(xiàn)實因素，增加相關約束條件，在銀行年度信貸總額固定以及信貸風險較低時，為使得銀行信貸獲利最大化，我們通過建立線性規(guī)劃模型，從而得出信貸額度和信貸利率的數(shù)量關系，給出該銀行在年度信貸總額固定時對這些企業(yè)的信貸策略。

關鍵詞：層次分析;Logistic 回歸;客戶流失預警模型;道德風險模型;風險評估

中圖分類號：F279.23 文獻標識碼：A 文章編號：2096-0298（2021）05（a）--03

近年來，全國積極響應“大眾創(chuàng)業(yè)，萬眾創(chuàng)新”的號召，眾多中小微企業(yè)如雨后春筍般涌現(xiàn)?，F(xiàn)實生活中，中小微企業(yè)抗風險能力弱，當遇到國家政策調整、行業(yè)景氣度下降、突發(fā)事件（例如本次新冠疫情）甚至道德風險因素等影響時，中小微企業(yè)的現(xiàn)金流立刻會遇到較大壓力，貸款違約的概率遠遠高于大中型企業(yè)，所以銀行對中小微企業(yè)的放貸是慎之又慎。中小微企業(yè)財務信息不透明，例如走私賬等，關聯(lián)交易信息可能虛增銷售額及利潤、債務信息存在隱形債務不上征信現(xiàn)象、財產信息中的資產代持問題等，都使得銀行很難全面、完整地了解中小微企業(yè)的詳細運行情況。由此，銀行希望借助大數(shù)據(jù)統(tǒng)計處理等相關的金融科技手段并結合人工風險審核，通過調查各中小微企業(yè)的實力、信譽等相關企業(yè)數(shù)據(jù)對該企業(yè)的信貸風險作出評估，之后依據(jù)信貸風險等因素來確定是否為該企業(yè)進行放貸及確定其貸款額度、利率和期限等信貸策略。

1 模型的建立

首先，銀行要對申請貸款的中小微企業(yè)進行信貸記錄的審查，對于無信貸記錄的企業(yè)建立客戶畫像，利用層次分析法進行信譽評級，對于有信貸記錄的企業(yè)，將數(shù)據(jù)進行數(shù)值化處理，得到企業(yè)的信譽度，利用Matlab及Excel進行數(shù)據(jù)預處理，得到影響企業(yè)信貸風險的三個因素：信譽度、凈利潤、發(fā)票有效率。以上述三個因素建立Logistic回歸分析模型，得出各企業(yè)的信貸風險值，并對其進行分類：高風險企業(yè)、較高風險企業(yè)、一般風險企業(yè)、低風險企業(yè)。最后，將上述較高風險、一般、低風險的中小微企業(yè)列為可貸款企業(yè)，對其建立客戶流失預警模型。利用信譽評級，以流失度將客戶區(qū)分為：不容易流失、一般流失、容易流失三種客戶類型，并據(jù)此給出相應信貸額度區(qū)間、利率區(qū)間，如圖1所示。

圖1 中小微企業(yè)信貸策略模型流程

經過Matlab處理，本文整合出三個風險影響因素：信譽指標、發(fā)票有效率均值和年凈利潤均值的相關數(shù)據(jù)。之后利用RStudio軟件進行Logistic回歸分析，得出各企業(yè)的風險值。Logistic方法主要用于判斷某些現(xiàn)象發(fā)生的概率P，現(xiàn)要評估各企業(yè)信貸風險的可能性，即P表示各企業(yè)發(fā)生信貸風險的概率，我們考慮利用RStudio統(tǒng)計分析軟件對以上三個因素進行Logistic回歸?，F(xiàn)將上述三個風險影響因素作為Logistic回歸模型的自變量ξ1，ξ2，ξ3，P因變量即表示各企業(yè)發(fā)生信貸風險的概率，Logistic回歸一般模型為：

其中β0為截距項，β1，β2，β3為類似于多元線性回歸模型中的回歸系數(shù)。將式（1）作對數(shù)變換將 Logistic回歸問題轉化為線性回歸問題，得：

但若P的取值只有0、1，將失去意義，因而在應用Logistic模型時，需定義一種單調連續(xù)的風險值概率函數(shù)η，令：

于是，Logistic模型可轉化為：

現(xiàn)將風險影響因素數(shù)值表導入到R Studio軟件，數(shù)據(jù)進行合理的映射處理，然后用線性回歸方法得到回歸系數(shù)，估計 Logistic回歸方程，最后再由和P的映射關系進行反映射得到P的值。通過P值大小來確定企業(yè)信貸風險高低，模型以0.5作為判斷分界點，P值大于0.5時，判斷為較高信貸風險企業(yè)，數(shù)值越大，貸款失信風險越高，銀行不予放貸;P值小于0.5時，判斷為較低信貸風險企業(yè)，數(shù)值越小，貸款失信風險越低，此時銀行可為該企業(yè)進行放貸。具體的回歸分析運行結果如圖2所示。

其中截距項β0=93.194，回歸系數(shù)分別為β1=-11.20，β2=3.777，β3=-4.079×10-5，該模型具體的函數(shù)解析形式如下：

所列出的中小微企業(yè)已經具有各自的信譽評級（A、B、C、D），我們綜合比較、考量題中所給的數(shù)據(jù)，決定剔除信譽評級為 D的中小微企業(yè)，即該銀行不給信譽評級為D的中小微企業(yè)貸款。確定可以為某企業(yè)進行貸款業(yè)務后，按不同的信譽等級通過客戶流失預警模型來判斷該企業(yè)的流失度情況，進而確定其貸款利率、貸款額度等信貸策略。取普通漏斗模型并不能滿足建立客戶流失預警的需要，結合信貸行業(yè)發(fā)展的特殊性和一般過程，考慮到所給數(shù)據(jù)特點和中小微企業(yè)的一般特性，構建信貸風險下客戶流失預警模型，該模型呈漏斗狀，在漏斗頂部開口處，是剔除以后的123家有信貸記錄企業(yè)的相關數(shù)據(jù)和302家無信貸記錄企業(yè)的相關數(shù)據(jù)。

將中小微企業(yè)分為三個類別，在“漏斗”開口以下，海量數(shù)據(jù)要經過一級、二級和三級篩選，形成三種類型的企業(yè)，將這三類企業(yè)命名為一類客戶、二類客戶、三類客戶。這三種類型的客戶有不同程度的流失傾向：一類中小微企業(yè)客戶由于充分了解理財知識，多次在銀行辦理信貸業(yè)務并切身體會到信貸給本企業(yè)帶來的實際好處，使得該類中小微企業(yè)成為銀行不容易失去的信貸客戶;二類中小微企業(yè)客戶面對當下各式各樣的貸款渠道（線上、線下）沒有特別的針對性，態(tài)度飄忽不定且具有較強的從眾心理，使得這類客戶成為銀行一般容易失去的客戶;三類中小微企業(yè)客戶由于銀行信貸過度復雜的業(yè)務流程（組織結構的不合理）以及決策工具應用失誤（信息系統(tǒng)的缺陷），或貸款利率和貸款額度等因素，使得他們成為信貸業(yè)務中非常容易流失的客戶。

2 模型的求解

通過收集與分析客戶社會屬性、生活習慣、消費行為等主要信息的數(shù)據(jù)，抽象出一個客戶的商業(yè)全貌。構建客戶畫像的核心工作即是給用戶貼“標簽”，而標簽是通過對用戶信息分析而來的高度精煉的特征標識。央行發(fā)布的數(shù)據(jù)顯示，2019年全年人民幣貸款增加16.81萬億元，同比增長6439億元。2019年社會融資規(guī)模增量累計為25.58萬億元，比上年多3.08萬億元;2019年末社會融資規(guī)模存量為251.31萬億元，同比增長10.7%。

隨著信貸規(guī)模的逐漸擴大，信貸客戶的管理問題越來越成為銀行客戶關系管理的核心問題。而客戶關系管理的關鍵問題是客戶分類，通過客戶分類，區(qū)分安全客戶、較安全客戶、風險客戶和較高風險客戶。我們要針對不同等級的中小微企業(yè)制定優(yōu)化、個性的信貸方案，采取不同的信貸策略，在保證銀行貸款利潤最大化的前提下，盡可能地降低貸款給銀行帶來的風險。通過和積法求判斷矩陣的最大特征根及其對應的特征向量來計算權重向量，在該決策過程中，指標“資金流水指標N2”主要影響了客戶畫像體系。通過上述計算可以得到準則層的每一指標對方案層的權重向量，最終計算得到準則層各指標對于目標的排序權重，從而對中小微企業(yè)的信譽作出評判。

r=0.242N4+0.578N2+0.154N1+0.086N3（5）

若中小微企業(yè)的r>0.7267，即表明該企業(yè)的信譽評級為A。若中小微企業(yè)的r>0.5786，即表明該企業(yè)的信譽評級為B。中小微企業(yè)的r>0.3286，即表明該企業(yè)的信譽評級為C。否則表明該企業(yè)的信譽評級為D。通過上述模型可確定附件二中所給302家無信貸記錄企業(yè)的信譽等級，之后重復利用模型一，同樣取年凈利潤均值、信譽指標、發(fā)票有效率均值為三個風險影響因素，整合數(shù)據(jù)導入至RStudio軟件中進行Logistic回歸，確定Logistic回歸方程，繼而判斷銀行是否可對該企業(yè)進行貸款。

3 結語

基于信譽評級建立客戶流失預警模型：利用信譽評級模型，可以結合企業(yè)風險值與對應信譽等級客戶流失率，從而快速判斷其是否為可貸款企業(yè)，以及與其匹配的利率區(qū)間與額度區(qū)間，可以節(jié)省人力成本，通過不斷調試還可降低違約風險。模型是在大量數(shù)據(jù)的基礎上建立起來的，利用數(shù)據(jù)不斷測試，并定期調試參數(shù)，最終結果較為準確。本文構建的申請評分模型主要用于對申請借款人的道德風險進行評估，根據(jù)申請貸款企業(yè)提交的申請資料及第三方核實的信息快速識別風險，并結合系統(tǒng)規(guī)則自動給出終審決定，對于信譽評級模型與道德風險決策合同規(guī)則，交叉的少量區(qū)域可進行人工審核，模型的風險預測能力較好。

參考文獻

蒙肖蓮，蔡淑琴，杜寬旗，等.商業(yè)銀行客戶流失預測模型研究[J].系統(tǒng)工程，2004，22（12）：67-71.

龐素琳，黎榮舟，劉永清，等.基于信息不對稱的銀行信貸風險決策機制及分析——信貸風險決策模型[J].系統(tǒng)工程理論與實踐，2001，21（04）：80?-87.

龐素琳，黎榮舟.規(guī)避道德風險的信貸風險決策合同模型分析[J].系統(tǒng)工程理論與實踐，2005，25（06）：114-?120.

莊新田，黃小原.基于信息不對稱的銀行貸款定價策略分析[J].系統(tǒng)工程，2002，20（03）：20-23.