網絡大數據視角下的商業(yè)銀行信貸決策研究

包鈺軒

摘要：信貸決策是商業(yè)銀行運營中的重要一環(huán)。通過發(fā)票總金額、開票頻率、發(fā)票比例、金額波動等數據，應用Python考量中小微企業(yè)的實力、信譽和穩(wěn)定性，評估銀行信貸風險。通過模糊評估法建立企業(yè)評價模型，考量是否提供貸款業(yè)務以及確定銀行信貸策略。通過函數關系式求解銀行年收入的最大值，利用Excel制表給出相對優(yōu)化的信貸策略。

關鍵詞：網絡大數據 企業(yè)評價模型 Python數據整合 銀行信貸決策

在網絡大數據視角下，綜合企業(yè)評價模型;Python數據整合等手段，對于保證商業(yè)銀行信貸決策的科學性，實現商業(yè)銀行信貸決策的最優(yōu)化，有著重要作用。

一、建模背景

（一）基于問題的建模分析

問題一：通過各企業(yè)進項發(fā)票和銷項發(fā)票信息，求出總收益和開票頻率，然后利用聚類分析將表中的企業(yè)分為四類，并分別制定貸款額度。同時，對銀行貸款年利率與客戶流失率的關系，求出對各個信譽評級下企業(yè)的最優(yōu)貸款年利率，進而給出有信貸記錄企業(yè)樣本的信貸決策。問題二：解決無信貸記錄企業(yè)樣本的信貸決策。首先將問題一中有信貸記錄的123家企業(yè)作為訓練集，根據有效發(fā)票比例進行學習，將問題二中無信貸記錄的302家企業(yè)作為測試集，得出涉及企業(yè)的信譽評級，進而得出銀行針對不同企業(yè)的信貸策略。問題三：分析突發(fā)因素對不同類別企業(yè)的生產經營和經濟效益的影響（例如新冠病毒疫情影響），根據《國民經濟行業(yè)分類明細》中20種行業(yè)的數據分析，將突發(fā)因素設為對銀行收入影響的變量β，并重復問題二中的步驟，綜合得出商業(yè)銀行在年度信貸總額為1億元時的信貸調整策略。

（二）模型的假設與約定

第一，假設企業(yè)經營良好，有正常的營業(yè)收入，并且正常繳稅。第二，企業(yè)法人或者股東擁有一定資產，可以證明自身的還款能力。第三，企業(yè)（包括法人在內）沒有不良的征信記錄。第四，不考慮企業(yè)的其他收益來源，銷項發(fā)票額-進項發(fā)票額即為企業(yè)總收益。第五，單筆數額較大的支票和開票頻率與企業(yè)的實力相聯系。第六，有效發(fā)票的占比與企業(yè)的信譽相聯系。

（三）涉及符號說明

二、模型建立及求解

（一）問題一

首先，由有信貸記錄的123家企業(yè)銷項發(fā)票信息與進項發(fā)票信息，得出企業(yè)總收益P 的數學模型，并利用Python進行計算后求出企業(yè)總收益P。

接著，由銷項發(fā)票與進項發(fā)票信息，對相應數據計數得出企業(yè)開票頻率F。然后，通過anaconda的Scikit-learn庫，按企業(yè)總收益P與開票頻率F進行聚類分析，將企業(yè)分為0、1、2、3 四大類，針對其經營實力給與相應貸款額度Q，具體為1類企業(yè)給予貸款40萬，2類企業(yè)給予貸款80萬，3類企業(yè)給予貸款100萬，而0類企業(yè)不給予貸款。同時，分析銀行貸款年利率與客戶流失率關系，得出不同信譽評級下最佳貸款年利率的數學模型：max YTMA×（1-rA）A;maxYTMB×（1-rB）B;maxYTMC×（1-rC）C。利用Python計算后求出不同信譽評級下最佳貸款年利率，即YTMA、YTMB、YTMC，則銀行年收益用公式可表示為：Y=Q×YTMi 。

按照上述模型，利用Python進行求解，得到有信貸記錄的123家企業(yè)信貸策略。

（二）問題二

首先，同樣由302家無信貸[1]記錄企業(yè)的銷項發(fā)票信息與進項發(fā)票信息，得出企業(yè)總收益P 的數學模型（與問題一相同），利用Python計算后求出企業(yè)總收益P。接著，根據銷項發(fā)票信息與進項發(fā)票信息，用計數函數得出企業(yè)開票頻率F。然后，通過anaconda的Scikit-learn庫，按企業(yè)總收益P與企業(yè)開票頻率F進行聚類分析，由于本題的數據量較多，且大多數企業(yè)總收益P與開票頻率F不成正比關系。于是，引入新變量Pe——每筆發(fā)票收益來作為評定企業(yè)實力的指標。通過聚類分析，發(fā)現最優(yōu)的分簇值為9，即按實力將企業(yè)分為九大類，并利用目標規(guī)劃模型建立在年度信貸總額為1億元時，銀行給予不同門類企業(yè)的貸款額度模型：設貸款超過一億元的數值d+，貸款不足一億元的數值為d-，0類企業(yè)數為a0，1類企業(yè)數為a1…最后，利用銀行年收益公式，求出銀行在年度信貸總額為1億元時的信貸最佳策略。通過計算302家無信貸記錄企業(yè)的有效發(fā)票比例，對其進行信譽評級。具體公式如下：min=d_1;S.t.（a0x0 + a1x1 +… + a8x8）= 100000000;x0，x1 …x8 ∈ [10，100];以及Y=Q×YTMi。將問題一中的123家有信貸記錄企業(yè)的有效發(fā)票比例及所對應的信譽評級作為訓練集，再將表2中的302家無信貸記錄企業(yè)的有效發(fā)票比例及對應的信譽評級作為測試集，進行機器學習。最后，根據問題一的求解思路，得到無信貸記錄的302家企業(yè)信貸策略。

（三）問題三

在問題二建立的模型基礎之上，引入由于疫情對銀行信貸決策的影響因子β，從而建立新的銀行年收益模型。首先，通過在網上搜集有關文件和數據庫[2]，得到《國民經濟行業(yè)分類明細》中 20 種行業(yè)的上半年利潤增長率。然后，利用目標規(guī)劃模型建立在年度信貸總額為1億元時，銀行給予不同門類企業(yè)的貸款額度模型：設貸款超過1億元的數值為d+，貸款不足1億元的數值為d_1，0類企業(yè)數為a0，1類企業(yè)數為a1 …。最后利用銀行年收益公式，求出銀行在年度信貸總額為1億元時的信貸最佳策略。其中兩個變化公式為S.t.β（a0x0 + a1x1 + … + a8x8）=100000000，Y=Q×YTMi×β。

（四）模型求解

首先，根據行業(yè)分類規(guī)則對302家無信貸記錄企業(yè)進行排序。然后，經網絡搜集各種相關文件和數據庫，得到對2020年上半年利潤增長率[3]。

最后，根據問題二的求解思路，得到銀行對于無信貸記錄的302家企業(yè)在疫情影響下的信貸策略。

三、模型的評價與推廣

（一）模型的優(yōu)點

第一，本模型采用excel 軟件進行數據處理，操作簡便，結果易懂，具有較高的可操作性和可試驗性，同時又利用python和matlab等軟件進行更加復雜的數據處理，簡繁得當[3]。第二，在分析第一題和第二題時，為了計算更加簡潔，忽略了很多影響不大的變量，使得計算過程更加簡單，但同樣具有參考意義。第三，在分析第三題時，到官方平臺查閱新冠疫情對行業(yè)影響的數據，相對真實可靠，能夠給出銀行在突發(fā)情況下的信貸分配額度策略。

（二）模型的缺點

第一，確定信譽評級時只選取有效發(fā)票比例這一項指標。第二，沒有更深地挖掘附表數據中隱含信息。第三，問題三求得的疫情對銀行信貸決策的影響因子β僅具有參考意義，缺乏更高的準確性。

（三）模型的推廣

銀行不僅提供信用卡和貸款服務，越來越多的電商平臺也推出類信用卡服務來刺激消費。隨著超前消費渠道的逐步涌現，顧客的消費選擇性也日益增多。但是在大數據的背景下，電商平臺對消費者的畫像也并非十分精準，如果借貸給信譽不好、缺乏還款能力的消費者，容易造成壞賬增加的情況。而如果能夠在實踐中使用與優(yōu)化企業(yè)評價模型，可有助于各個平臺的貸款額度評定，也可以對銀行認定個人信用卡額度起到良好的借鑒作用。

參考文獻：

[1]費磊.新冠疫情對銀行機構行業(yè)貸款質量影響的調查——以日照為例[J].黑龍江金融，2020（03）：36-38.

[2]國家統計局公布2020年上半年國民經濟運行情況[EB/OL].網址.http：//www.farmchina.org.cn/ShowArticles.php？url=DjINaFw8UmdUZF49UWZUNg.

[3]徐帆.中小微企業(yè)動產融資信貸模式創(chuàng)新研究——基于金融可持續(xù)發(fā)展的視角[J].北方經貿，2020（09）：104-106.

作者單位：上海對外經貿大學金融管理學院