小企業信用評分模型：關鍵技術與應用

吳智暉

摘 要：本文在對小企業信用評分模型的基本原理和關鍵技術進行分析的基礎上，提示小企業信用評分模型應用中的誤區，并提出在銀行信貸工作中應用小企業信用評分模型的對策建議。

關鍵詞：小企業；信用評分；技術；應用

1 小企業信用評分模型的基本原理

第二次世界大戰后，歐美等國實施的經濟刺激政策推動了消費信貸產業的蓬勃發展，迫切需要建立信用評分模型，實現貸款決策的自動化。信用評分的哲學基礎是實用主義和經驗主義，即根據消費者過去的表現建立模型，對具有相同特征的未來消費者的信用進行預測。小企業信用評分（Small Business Credit Scoring，簡稱 SBCS）模型的重大革新在于將小企業主的信息作為模型構建的重要輸入變量，包括小企業主的收入支出狀況、家庭財產、負債狀況，以及從征信機構獲取的信用記錄、消費數據等信息。SBCS 同時從商業信用數據庫、貸款申請書、銀行信貸檔案等渠道搜集小企業的信息，運用各種數理統計技術進行數據匯總、變量剔除、分類觀測、模型構建，計算得出信用得分，以此為基礎判斷借款人未來貸款表現，從而做出接受或拒絕貸款申請的決定。

2 小企業信用評分模型的關鍵技術

2.1 樣本的選擇與變量的分組

2.1.1 確定數據的來源。建立信用評分模型的數據一般考慮三個來源：信用機構數據、行業共享數據、商業銀行內部的貸款數據。信用機構可以提供小企業主的消費和信貸歷史數據，包括來自法院、稅務、工商、警察等政府機構的公共記錄，來自銀行、個人貸款公司的信貸記錄、來自零售商等機構的消費記錄，以及來自水電費、電話公司等日常生活開支付費的記錄，并且這些信息定期更新，實時跟蹤。行業共享數據由多家貸款機構把業務數據集中起來，形成一個數據池（Pooled data），由中介機構開發信用評分模型。商業銀行因為長期從事小企業貸款業務，掌握了大量的貸款客戶數據，通過對數據的分類、整理和加工，形成功能強大的貸款數據庫，為建立小企業信用評分模型提供了數據基礎。富國銀行就是運用其內部積累的小微企業貸款數據開發了信用評分模型。

2.1.2 定義“好客戶”與“壞客戶”。信用評分模型通過將客戶的在觀察期內的特征變量與表現期的貸款償還表現之間建立起密切的聯系，并運用這一聯系來判斷未來客戶貸款違約的可能性，銀行最為關注的是哪些客戶通常能夠按時還本付息，而哪些客戶經常拖欠貸款甚至違約，因此，根據客戶的貸款償還表現定義“好客戶”與“壞客戶”的類型是信用評分模型建立的基礎也是目標。

2.1.3 選取建模樣本。根據“好客戶”（Good）與“壞客戶”（Bad）的定義，從數據庫中選取樣本是開發信用評分模型的第一步。為保證模型的預測力以及穩定性，用于建模的樣本要滿足：數量的充足性、樣本的代表性、樣本數據的完整性、樣本的時效性。

2.1.4 特征變量的分組與篩選。①特征變量的選擇。特征變量是與樣本的貸款償還表現相聯系的申請者的各方面的信息，包括小微企業的主要經營者的信用狀況、資產狀況、家庭收支，以及小微企業本身的基本情況、經營狀況、財務狀況等。②特征變量的分組。特征變量分組是根據特征變量的取值情況（特征項），將具有相同或類似行為模式、對貸款違約風險的影響相近的項目合并為一組，使組間差異達到最大化，以提高模型的預測效力的行為，另外，為了提高模型的穩健性，將樣本容量少的特征項進行合并。③特征變量的篩選。一種篩選的方法是依據X2統計量和信息統計量（F值）的大小，對特征變量的預測能力進行一個初步的排序，通過比較剔除排在后面的特征變量。另一種方法是采用逐步回歸法、向前加入法、向后刪除法等進行剔除。

2.2 模型的創建與檢驗

2.2.1 拒絕推斷。所謂拒絕推斷（Reject Inference），是根據已批準貸款表現的分布特征，運用不同的方法，推斷那些未通過的貸款申請如果被批準將如何表現（即被拒絕的申請者貸款償還變現的分布特征），并加入到總體樣本中來修正缺失數據的方法。

2.2.2 模型創建的方法——Logistic回歸。信用評分的模型方法較多，由于 Logistic 回歸模型具有諸多優點，如能排除個別異常數據點的影響、數據處理能力強、可以適用于連續型或類別型自變量、不要求多元正態分布和協方差相等作為假設前提、計算結果容易解釋，也容易理解（唐瑩，2010），在理論研究和實際應用中被普遍采用，如富國銀行采用Logistic模型建立了小企業信用評分模型。

2.2.3 信用評分的轉換。運用Logistic回歸方法建立的信用評分模型中在輸入各特征變量后輸出的是貸款申請者的好壞比的對數值，不易理解，且在實際應用中不容易掌握，為了提高信用評分模型的實用性，應該將概率值轉換為信用評分。共有兩種轉換方法，總體轉換法和特征變量轉換法。

2.2.4 模型的檢驗。模型建立以后，需要通過對比預測情況與實際情況的差別來檢驗其預測能力和穩定性，檢驗的方式有兩種：樣本內（開發模型所用的樣本）檢測和樣本外（事先預留的沒有用于開發模型的樣本）檢測，一般來說，預留的檢驗樣本應該占總樣本的20-40%。

2.3 模型的實施與調整

2.3.1 臨界值的確定。臨界值或截斷值，是指為批準貸款申請而設定的模型最低分數，臨界值的確定是信用評分模型實施前的關鍵環節，可以采用的方法有：利用模型檢驗工具法、批準率與壞賬率權衡法、估計盈虧平衡點法。

2.3.2 人工修正及其對評分卡的影響。臨界值確定以后，原則上貸款機構就可以依據信用評分自動批準和拒絕貸款申請，但實際操作中往往會出現信用評分決策被否決的情況，被稱為低端人工修正（Low-side override，又叫低分挑選政策）和高端人工修正（High-side override，又叫高分挑選政策）。

2.4 模型的監測與跟蹤

成功開發一個信用評分模型（或信用評分卡）只是信用評分實施項目中的第一步，項目能否取得成功取決于積極的管理、定期監測和定期調整，在此基礎上評分卡的風險計量質量和其在風險管理中的作用才能不斷改善和擴大。

3 小企業信用評分模型的應用

3.1 小企業信用評分模型應用誤區

3.1.1 信用評分模型缺乏統一性、標準化程度不高。由于各家商業銀行對小微企業的劃分標準不同，表現在對貸款對象的行業類型、區域分布、規模大小等方面，所以建模時考慮的客戶定義、特征變量等存在較大差異，導致所開發的信用評分模型缺乏統一性或標準化。極有可能出現的情況是，對同一家小微企業進行信用評分時，使用不同商業銀行開發的信用評分模型得出不一致甚至完全迥異的結論。這就無法發揮小企業信用評分引入聲譽機制和重復博弈的機制，無法對小微企業的貸款違約行為產生約束。

3.1.2 信用評分模型的可靠性有待驗證。由于國內商業銀行開展小微企業貸款業務的歷史較短，業務量較少，所累積的歷史數據也較少，尤其是小微企業不良貸款的數據。數據不足和數據質量會影響到信用評分模型的可靠性。

3.2 小企業信用評分模型應用建議

3.2.1 轉變信用觀念。很多銀行在大力吸儲后，為了獲得穩定的利差，制定了較為嚴苛的貸款對象篩選標準，形成了“唯財務報表論”、或者“抵押/擔保至上”的信用觀念，認為不能滿足上述條件的借款人的信用水平太低、貸款風險太高，缺乏開發和應用標準化的小企業信用評分模型的積極性。因此，商業銀行需要轉變信用觀念，針對不同類型的借款人靈活采取信用評估技術和方法。

3.2.2 注重客戶信用數據的收集和積累。在開展小微企業貸款時，首先，既需要收集企業的相關信息，也需要企業主的信息，在信用評估時嘗試將企業的信用與個人信用掛鉤；其次，既需要收集已批準貸款的信息，也需要收集被拒絕客戶的信息，以避免建模時的樣本選擇偏差；第三，要做好數據的積累和更新，把企業或個人貸款的信用記錄隨時更新。

3.2.3 建立與小企業信用評分相配套的制度，從而嵌入到貸款各環節中去。為了促使評分模型真正發揮作用，需要建立小微企業貸款的審批和風險管理程序、風險定價制度，以及對信貸人員的激勵約束考核制度。

3.2.4 加強對模型應用過程中的有效監控。信用評分模型開發初期的應用效果往往較好，但是在一段時間后可能會失去效力，其原因有很多種，如樣本違約特征發生較大變化導致特征變量的區分度下降，或特征變量的分組方式不再適合，所以需要進行持久和全方位的對模型進行監測和跟蹤。

參考文獻：

[1]陳建.信用評分模型技術與應用[M].中國財經出版社，2005.

[2]汪莉.基于Logistic回歸模型的中小企業信用評分研究[D].合肥工業大學，2008.

[3]姜濤.小企業貸款與信息利用[J].銀行家，2006（9）.

[4]楊紹基，范閩.信用評分模型的拒絕偏差與Heckit糾正[J].南方金融，2007（5）.

[5]楊力，汪克亮，王建民.信用評分主要模型方法比較研究[J].經濟管理，2008（6）.

[6]鄧超，胡威，唐瑩.國內外小企業信用評分研究動態[J].國際金融研究，2010（10）.

[7]向暉，楊勝剛.個人信用評分關鍵技術研究的新進展[J].財經理論與實踐（雙月刊），2011（7）.

[8]朱艷敏，陳超.Z-score模型最優分割點的確定方法比較——基于違約風險預測能力的分析[J].南方金融，2013（8）.