摘 要：由于中小微企業(yè)存在經(jīng)營(yíng)規(guī)模小、抗風(fēng)險(xiǎn)能力弱和治理結(jié)構(gòu)不完善等特點(diǎn)，導(dǎo)致中小企業(yè)信貸存在較大的風(fēng)險(xiǎn)和不確定因素。因此，在分析中小微企業(yè)信貸風(fēng)險(xiǎn)的基礎(chǔ)上，確定其信貸策略已經(jīng)成為商業(yè)銀行面臨的緊迫問(wèn)題。本文針對(duì)中小微企業(yè)的信貸策略問(wèn)題，建立基于熵權(quán)TOPSIS的信貸風(fēng)險(xiǎn)評(píng)估體系，對(duì)其信貸風(fēng)險(xiǎn)進(jìn)行量化分析，引入RAROC資本收益率來(lái)為貸款定價(jià)，使用支持向量機(jī)作信譽(yù)評(píng)級(jí)，通過(guò)收益最大化、風(fēng)險(xiǎn)分散化來(lái)確定信貸策略。

關(guān)鍵詞：信貸風(fēng)險(xiǎn);RAROC資本收益率;信貸策略;熵權(quán)TOPSIS;支持向量機(jī)

本文索引：張海藤.基于評(píng)價(jià)模型的信貸風(fēng)險(xiǎn)量化研究及突發(fā)因素策略調(diào)整[J].中國(guó)商論，2021（14）：-092.

中圖分類號(hào)：F832.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2021）07（b）--05

中小微企業(yè)是我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展的重要基礎(chǔ)，在實(shí)際中，由于經(jīng)濟(jì)變化，中小微企業(yè)經(jīng)營(yíng)規(guī)模相對(duì)較小、抵押資產(chǎn)少、抗風(fēng)險(xiǎn)能力弱和管理運(yùn)營(yíng)結(jié)構(gòu)不完善等自身原因，小微企業(yè)的信貸風(fēng)險(xiǎn)開(kāi)始顯現(xiàn)，因此銀行通常要根據(jù)信貸政策、企業(yè)的交易發(fā)票數(shù)據(jù)信息和上下游相關(guān)企業(yè)的影響力，向?qū)嵙?qiáng)、供求關(guān)系相對(duì)穩(wěn)定的企業(yè)提供相應(yīng)額度的貸款，并可以對(duì)信譽(yù)高、信貸風(fēng)險(xiǎn)相對(duì)較小的企業(yè)給予一定的利率優(yōu)惠。銀行首先根據(jù)中小微企業(yè)的綜合實(shí)力、信譽(yù)對(duì)其信貸風(fēng)險(xiǎn)作出量化評(píng)估，然后依據(jù)信貸風(fēng)險(xiǎn)等因素來(lái)確定是否放貸及貸款額度、利率等信貸策略。

1 信貸風(fēng)險(xiǎn)評(píng)估模型

1.1 基于熵權(quán)TOPSIS的信貸風(fēng)險(xiǎn)評(píng)估體系

首先將企業(yè)的信貸風(fēng)險(xiǎn)進(jìn)行量化，并建立多因素評(píng)價(jià)體系，繼而以各單項(xiàng)指標(biāo)為評(píng)價(jià)對(duì)象構(gòu)建盈利能力、風(fēng)險(xiǎn)控制能力和成長(zhǎng)能力為評(píng)價(jià)因素的單項(xiàng)指標(biāo)評(píng)價(jià)體系，采用熵權(quán)TOPSIS方法，計(jì)算出最后評(píng)價(jià)指數(shù)進(jìn)行風(fēng)險(xiǎn)評(píng)級(jí)，分為AAA、AA、A、BBB、BB、B，以及小于等于CCC級(jí)。其次根據(jù)量化風(fēng)險(xiǎn)等級(jí)建立信貸策略，這里為實(shí)現(xiàn)承擔(dān)可接受風(fēng)險(xiǎn)的情況下銀行獲得收益最大化，引入資本收益率，以此來(lái)確定不同企業(yè)下的貸款額度分配。

首先建立起綜合評(píng)價(jià)體系，第一層為目標(biāo)層，即信貸風(fēng)險(xiǎn)評(píng)估（A1）;第二層為準(zhǔn)則層，其中包括盈利能力（B1）、基本信譽(yù)（B2）、成長(zhǎng)能力（B3）;第三層為指標(biāo)層，具體包括8個(gè)指標(biāo)，如圖1所示。

某項(xiàng)指標(biāo)的指標(biāo)值變異程度越大信息熵就越小，該指標(biāo)提供的信息量越大，該指標(biāo)的權(quán)重也就越大[1]。所以可以根據(jù)各項(xiàng)指標(biāo)值的變異程度，利用信息熵工具，計(jì)算出各指標(biāo)的權(quán)重：

首先計(jì)算信息熵：

其中：

其次將熵值轉(zhuǎn)化為熵權(quán)：

計(jì)算出具體指標(biāo)權(quán)重：

{0.0058，0.0056，0.0793，0.1493，0.2186，0.1699，0.2056，0.1713}

基于已有的量化指標(biāo)數(shù)據(jù)，采用TOPSIS方法，計(jì)算每個(gè)指標(biāo)到最優(yōu)、最劣解的歐式距離，來(lái)代表其信貸風(fēng)險(xiǎn)的高低程度，距離越大說(shuō)明風(fēng)險(xiǎn)越大。

首先利用歸一化處理的指標(biāo)數(shù)據(jù)和表中計(jì)算出的單項(xiàng)指標(biāo)下的具體指標(biāo)權(quán)重相乘得到計(jì)算加權(quán)規(guī)范矩陣：

最優(yōu)解由最大值構(gòu)成，最劣解由最小值構(gòu)成

其次計(jì)算出歐氏距離：，

最后算出評(píng)價(jià)指數(shù)：

→1即評(píng)價(jià)指數(shù)越大，風(fēng)險(xiǎn)管理系數(shù)越大。

通過(guò)文獻(xiàn)可知，AAA評(píng)級(jí)各項(xiàng)指標(biāo)都較好，處于較優(yōu)的狀態(tài);AA評(píng)級(jí)則處于盈利能力和基本信譽(yù)較好，成長(zhǎng)能力指標(biāo)上存在風(fēng)險(xiǎn);A評(píng)級(jí)則基本信譽(yù)較好，但其余兩項(xiàng)指標(biāo)都存在一定的潛在風(fēng)險(xiǎn);B評(píng)級(jí)都處于正常指標(biāo)狀況;C評(píng)級(jí)各項(xiàng)指標(biāo)都存在明顯風(fēng)險(xiǎn)和不確定性，D評(píng)級(jí)則涉及違約風(fēng)險(xiǎn)[2]?；诖耍覀儗⒕哂羞`約風(fēng)險(xiǎn)的數(shù)據(jù)直接評(píng)級(jí)為D并剔除，進(jìn)行等級(jí)劃分。

根據(jù)表1的評(píng)級(jí)與總體得分的關(guān)系表，通過(guò)MATLAB軟件運(yùn)行基于熵權(quán)TOPSIS的信貸風(fēng)險(xiǎn)評(píng)估體系算出每個(gè)企業(yè)的總體得分，得到以下評(píng)級(jí)結(jié)果，如表2所示。

于正常及以上水平，占總企業(yè)的57%，存在明顯風(fēng)險(xiǎn)和不確定性的C級(jí)企業(yè)占比21%，涉及違約風(fēng)險(xiǎn)的D級(jí)企業(yè)占比22%，將予以剔除。

1.2 建立信貸策略模型

首先確認(rèn)利率，由于利率與違約率呈現(xiàn)“U”型關(guān)系[3]，即當(dāng)利率過(guò)高或過(guò)低都會(huì)提高企業(yè)的違約率，同時(shí)也會(huì)對(duì)客戶流失率造成影響，綜合考慮在承擔(dān)風(fēng)險(xiǎn)的情況下保證利益的最大化，我們以企業(yè)償付能力、信用狀況、企業(yè)類型為指標(biāo)，基于央行基礎(chǔ)貸款利率向上調(diào)整。

這里企業(yè)償付能力為歸一化后的企業(yè)凈利潤(rùn)，信用狀況為風(fēng)險(xiǎn)指數(shù)ε，按照企業(yè)類型不同引入進(jìn)行調(diào)整：

根據(jù)數(shù)據(jù)進(jìn)行利率與客戶流失率之間的函數(shù)擬合，考慮到隨著利率的增加客戶流失率逐漸增加，且存在上限，這里采取反比例函數(shù)進(jìn)行函數(shù)擬合：

建立信貸策略是為了實(shí)現(xiàn)在承擔(dān)可接受風(fēng)險(xiǎn)的情況下獲得收益最大化，因此這里引入資本收益率。是指根據(jù)銀行風(fēng)險(xiǎn)偏好確定值的基礎(chǔ)上，通過(guò)客戶風(fēng)險(xiǎn)調(diào)整后的收益率，測(cè)算出客戶具體貸款價(jià)格的方式[4]。其基本公式如下：

在使最大化的情況下確定不同企業(yè)下的貸款額度分配。

目標(biāo)：

其中：

其中為人工信譽(yù)等級(jí)，為風(fēng)險(xiǎn)評(píng)估等級(jí)，為企業(yè)編號(hào)。

根據(jù)學(xué)者研究[5]，不同信用等級(jí)下的違約損失率和違約概率，如表3所示。

因此利用表3的不同信用等級(jí)下的違約損失率和違約概率，在使最大化的情況下確定不同企業(yè)下的貸款額度分配。

從圖2可以看出，占總企業(yè)數(shù)43.09%的B級(jí)信用等級(jí)企業(yè)獲得了56.81%的貸款額度，雖然A級(jí)企業(yè)基本信譽(yù)和盈利能力都比較好，但是A級(jí)企業(yè)占總企業(yè)數(shù)13.82%相對(duì)較少，因此分配了21.65%的貸款額度，C級(jí)企業(yè)雖然占比35.26%，但是由于信用存在明顯風(fēng)險(xiǎn)和不確定性，只獲得19.05%的貸款額度。

2 基于向量機(jī)的信貸等級(jí)預(yù)測(cè)

由于一部分企業(yè)無(wú)信貸記錄，即無(wú)人工評(píng)定信譽(yù)等級(jí)，所以這里引入支持向量機(jī)算法進(jìn)行分類預(yù)測(cè)，再建立貸款總額為1億元的企業(yè)額度分配的政策，并給出最終銀行在計(jì)算風(fēng)險(xiǎn)和損失的情況下的最優(yōu)收益。

SVM理論上可以在全局意義上逼近任意非線性函數(shù)，它根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提高模型的泛化能力，即使在統(tǒng)計(jì)樣本量較少的情況下，也能獲得較好的統(tǒng)計(jì)規(guī)律[6]。以下對(duì)SVM非線性回歸的原理作簡(jiǎn)明闡述。

給定一個(gè)實(shí)數(shù)集，假設(shè)其服從未知函數(shù)，其中表示第個(gè)樣本的輸入向量，為第個(gè)樣本的目標(biāo)值，為樣本容量。

為利用數(shù)據(jù)集回歸出函數(shù)，SVM采用的擬合函數(shù)形式為：

式中：為權(quán)重向量;為偏置;為非線性映射函數(shù)。

式中：為經(jīng)驗(yàn)風(fēng)險(xiǎn)：為正則化項(xiàng)，其作用為避免決策函數(shù)過(guò)擬合;為懲罰參數(shù)。為不敏感損失函數(shù)。

為獲得和，引入松弛變量和，從而的最小化可寫(xiě)成：

上述問(wèn)題可通過(guò)Lagrange優(yōu)化方法求解，并可得到：

式中：、為與第個(gè)樣本對(duì)應(yīng)的Lagrange乘子。

將式子代入得到?jīng)Q策函數(shù)：

本文的核函數(shù)為RBF核[7]，方程為：

式中：為核函數(shù)的內(nèi)核參數(shù)。

根據(jù)選取核函數(shù)不同、選取訓(xùn)練集和測(cè)試集比例不同，運(yùn)用支持向量機(jī)作分類預(yù)測(cè)，得到表4準(zhǔn)確率表格。

結(jié)合表4數(shù)據(jù)對(duì)比，我們選取訓(xùn)練集為90%，測(cè)試集為10%，采取RBF核函數(shù)進(jìn)行分類預(yù)測(cè)。

得到人工企業(yè)評(píng)級(jí)后，采用熵權(quán)TOPSIS模型，先計(jì)算出權(quán)重為{0.0422，0.0247，0.1383，0.2165，0.1773，0.1617，0.1488，0.0905}，從而計(jì)算未給出風(fēng)險(xiǎn)評(píng)級(jí)企業(yè)的風(fēng)險(xiǎn)管理指數(shù)。

基于RAROC收益最大化模型，給出各企業(yè)的貸款額度，如表5所示。

3 基于突發(fā)因素的貸款額度再分配

根據(jù)《國(guó)民經(jīng)濟(jì)行業(yè)分類》對(duì)企業(yè)類型分類，在國(guó)家統(tǒng)計(jì)局中收集疫情期間行業(yè)經(jīng)濟(jì)波動(dòng)數(shù)據(jù)，通過(guò)熵權(quán)TOPSIS算出影響指數(shù)，且根據(jù)經(jīng)濟(jì)影響方向分成三個(gè)級(jí)別：正向顯著影響、無(wú)顯著影響、負(fù)向顯著影響。基于宏觀調(diào)控因子，根據(jù)影響方向不同，采用影響指數(shù)、凈利潤(rùn)百分比、資金流動(dòng)性進(jìn)行貸款額度和利率模型修正。

首先進(jìn)行企業(yè)類型劃分，如表6所示。

在國(guó)家統(tǒng)計(jì)局中，收集到2020年2月—2020年5月的各行業(yè)受疫情影響下的經(jīng)濟(jì)數(shù)據(jù)，同樣根據(jù)熵權(quán)TOPSIS模型計(jì)算出影響指數(shù)。

將疫情影響為三個(gè)等級(jí)：負(fù)向顯著影響、無(wú)顯著影響、正向顯著影響，如表7所示。

按照等級(jí)進(jìn)行貸款策略的分級(jí)調(diào)整，其中設(shè)宏觀調(diào)控參數(shù)為。

當(dāng)企業(yè)受到負(fù)向顯著影響時(shí)，其收益和資金流動(dòng)性降低，償還貸款的能力下降，違約概率升高，貸款利率升高，貸款金額下降。具體根據(jù)影響指數(shù)、凈利潤(rùn)變化百分比、資金流動(dòng)性來(lái)修正貸款利率和貸款額度：

當(dāng)企業(yè)在經(jīng)濟(jì)上無(wú)顯著影響時(shí)，由于受到疫情影響整個(gè)市場(chǎng)的宏觀利率調(diào)控，會(huì)導(dǎo)致其貸款利率降低，其貸款金額相對(duì)不變。

當(dāng)企業(yè)受到正向顯著影響時(shí)，其凈利潤(rùn)顯著升高，但考慮疫情原因，波動(dòng)性較大，之前處于評(píng)級(jí)低的企業(yè)違約風(fēng)險(xiǎn)往往更高，所以貸款金額將會(huì)下調(diào)：

而處于評(píng)級(jí)高的企業(yè)往往資金流動(dòng)性會(huì)更大，違約概率顯著下降，所以將利率下調(diào)，貸款金額上調(diào)：

最后得到如表8所示的結(jié)果。

從表8和圖3可看出，文化、體育和娛樂(lè)業(yè)、其他、商務(wù)服務(wù)業(yè)、制造業(yè)、科學(xué)研究和技術(shù)服務(wù)業(yè)，這幾個(gè)行業(yè)在突發(fā)因素疫情過(guò)后貸款額度均有較大的增加，超過(guò)了100萬(wàn)，其中建筑行業(yè)、個(gè)體經(jīng)營(yíng)、批發(fā)和零售業(yè)的貸款額度均下降。

4 結(jié)論

4.1 模型的優(yōu)點(diǎn)

通過(guò)引入資本收益率RAROC來(lái)為貸款定價(jià)，方法全面地考慮了給不同企業(yè)的每筆貸款所面臨的風(fēng)險(xiǎn)、成本和收益，其所包含的指標(biāo)都是一些非常準(zhǔn)確的量化值，加強(qiáng)了貸款價(jià)格與風(fēng)險(xiǎn)之間的聯(lián)系，信用等級(jí)不同的企業(yè)貸款價(jià)格也不會(huì)相同，有助于緩解貸款企業(yè)的逆向選擇問(wèn)題。同時(shí)，這種貸款定價(jià)方法充分強(qiáng)調(diào)了風(fēng)險(xiǎn)因素，將預(yù)期損失作為成本，將經(jīng)濟(jì)資本作為非預(yù)期損失的抵補(bǔ)，強(qiáng)調(diào)了以風(fēng)險(xiǎn)為中心的貸款定價(jià)原則。

4.2 模型的缺點(diǎn)

（1）根據(jù)評(píng)級(jí)指數(shù)來(lái)劃分評(píng)價(jià)等級(jí)時(shí)有一定主觀性，同時(shí)因素還不夠全面。

（2）確定貸款利率時(shí)，沒(méi)有實(shí)際的數(shù)據(jù)去驗(yàn)證，具有一定偏差。

（3）支持向量機(jī)的測(cè)試準(zhǔn)確率還需要進(jìn)一步提高。

（4）在修正信貸策略過(guò)程中，只選擇了主要的衡量指標(biāo)，并且在宏觀利率調(diào)控中沒(méi)有考慮對(duì)不同類型企業(yè)的不同影響。

4.3 模型的推廣

本文的信貸模型方法對(duì)我國(guó)商業(yè)銀行為中小微企業(yè)貸款制定合理的價(jià)格有一定的借鑒意義，有利于促進(jìn)我國(guó)商業(yè)銀行定價(jià)水平的提高。

參考文獻(xiàn)

姜啟源.數(shù)學(xué)模型[M].北京：高等教育出版社，2011：1.

秦亮.中國(guó)商業(yè)銀行信貸風(fēng)險(xiǎn)量化研究[D].武漢：華中科技大學(xué)，2009.

吳紅.電子商務(wù)客戶流失模型的比較與實(shí)證研究[D].北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2015.

魏青.基于RAROC的信貸利率定價(jià)機(jī)制研究[D].南昌：南昌大學(xué)，2014.

邢偉淇. RAROC貸款定價(jià)方法在XY銀行的應(yīng)用研究[D].合肥：安徽大學(xué)，2018.

司守奎.數(shù)學(xué)建模算法與應(yīng)用（第二版）[M].北京：國(guó)防工業(yè)出版社，2015：4.

徐閃賞.基于支持向量機(jī)分類預(yù)測(cè)的上市公司債信用評(píng)級(jí)研究[J].金融管理研究，2018（02）：63-82.

Credit Risk Quantitative Research Based on Appraisal Models and Strategy Adjustment of Emergent Factors

Chengdu University of Technology

ZHANG Haiteng

Abstract： Due to the small scale of operation， poor anti-risk ability， and imperfect governance structure of small and medium-sized enterprises， the credit of small and medium-sized enterprises is exposed to greater risks and uncertainties. Therefore， on the basis of analyzing the credit risk of small and medium-sized micro enterprises， it has become an urgent problem for commercial banks to determine their credit strategies. Aiming at the credit strategy of small and medium-sized micro enterprises， this paper establishes a credit risk evaluation system based on Entropy TOPSIS， makes a quantitative analysis of its credit risk， introduces RAROC rate of return on capital to price the loan， uses support vector machine to make credit rating， and determines the credit strategy through revenue maximization and risk diversification.

Keywords： credit risk; RAROC rate of return on capital; credit strategy; entropy weight TOPSIS; support vector machine