城市商業銀行小微貸款信用風險控制研究

北京交通大學 段貝貝

城市商業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融資難問題，采取了多種措施。首先放開貸款利率，之后連續降息，從長期來看，將有助于改善小微企業融資難的現狀。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logit模型進行回歸，建立小微商業信用風險評估模型。

關鍵詞：小微企業 信用風險 Logit回歸模型

1 選題的背景及意義

隨著我國經濟的快速發展，我國已經形成了日趨完善的金融體系。如今，我國銀行業已經形成了四個梯隊，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，城市商業銀行作為第三梯隊，農村信用社、村鎮銀行為最低層的金融機構作為第四梯隊。城市商業銀行在其發展中具有先天缺陷，與五大行和股份制商業銀行相比，在吸收存款和發放貸款等業務方面，明顯處于弱勢。

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

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

2 文獻綜述

2.1 國外研究現狀

國際上最早研究信用風險的是西方發達國家，而對于信用風險的研究主要經歷了四個發展階段，可以將這四個階段統稱為傳統方法和現代方法。傳統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。傳統的信用風險度量方法操作簡單，主要側重于定性分析，這就導致效率低下。傳統的信用風險度量方法主要有專家分析法、信用評分法、神經網絡法等。現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 國內研究現狀

從國內研究來看,我國對企業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，也主要研究企業的財務數據指標對企業的信用風險的影響，很少研究非財務指標對小微企業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務中的信用風險因子是對小微企業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、生物統計學、臨床、數量心理學、市場營銷等統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表示企業違約；Y=0表示企業正常履約，這樣就將回歸轉化為求解小微企業違約的概率問題。則違約發生即Y=1的概率為：

變形后為：

對上述公式兩邊取自然對數，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

本文的數據來自于我國某城市商業銀行，研究所用的107個數據均是隨機抽取的。剔除反常的和有缺失的數據，一共采集到有效樣本的104個數據進行研究。根據貸款逾期狀況，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年這段時間的數據信息，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，本文對樣本數據進行了匯總、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表示小微企業違約；0表示小微企業未違約。企業主性別、學歷、行業性質和有無房產為定性變量，其余的為隨機變量。

4 小微企業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據進行降維，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。本文中的所有數據均使用SPSS17統計軟件來完成。

4.1 因子分析

根據前面所建立的基礎指標體系，隨即抽取了104個數據，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，所以需要對原始數據進行標準化處理，然后進行因子分析。

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

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

因子1在變量營業額X11，月均存款X22，行業X13，員工人數X12上的系數分別為-0.951，-0.951，0.853，0.833，大于其他變量的系數，主要反映了小微企業本身的特征狀況，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X14上的系數分別為0.853，-0.767，主要反映了企業主的家庭狀況，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率X4上的系數為-0.688，反映公司資產管理能力，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在變量現金比率X2，流動比例X1上的系數分別為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在變量資產負債率X3上的系數為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，從業年限X20，學歷X18，年齡X16，合作年限X21上的系數分別為0.722，0.856，0.8，0.785，0.757，0.589，變現公司的企業主特征，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。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：小微企業本身的特征狀況；B：企業主的家庭狀況；C：盈利能力，H：企業主特征。Logit回歸結果分析如表3所示。

分析：從上表中可以發現，該模型中包含了各個回歸系數方面的指標。可以發現，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對小微企業違約率有限度的影響。

結合上表，A的系數為-10.79，且系數絕對值最大，則營業額與違約率成反比，而且對違約率的影響最大。公司的營業額越大，說明公司的營業收入較大，保證了還款的第一來源，大大降低了違約的風險；B的系數為7.56，則家庭凈資產與違約率成反比，家庭凈資產越高，當公司經營不善或者資金鏈斷裂時，借款人可以通過變賣家庭資產來還銀行貸款，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，營業額、家庭凈資產、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銀行的發展背景與現狀，認識到發展小微貸款將是城市商業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，將會改善城市商業銀行對小微企業授信管理和改變小微企業融資難的現狀。

在選取數據方面，本人從某城市商業銀行各貸部中選取的數據，保證了數據的可靠、完整和真實性。數據樣本經過相關統計描述和檢驗之后，證明了所選取的數據適合進行Logistic建模。由于本文選取了共22個指標，107個數據，有效數據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本身、企業主的家庭狀況、盈利能力、資產管理能力、貸款狀況、短期償債能力、長期負債能力、企業主特征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。通過數據處理之后，有兩個作用。第一，提取公共因子消除了數據之間的多重共線性；第二，降緯有效降低了計算量，保證了有效指標。

在此基礎上，將小微企業信用風險問題，轉化為對小微企業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