普惠金融、銀行信貸與商戶小額貸款融資
——基于風險等級匹配視角

石寶峰，王 靜，遲國泰

(1.西北農林科技大學經濟管理學院，陜西 楊凌 712100；2.大連理工大學管理與經濟學部，遼寧 大連 116024)

普惠金融、銀行信貸與商戶小額貸款融資
——基于風險等級匹配視角

石寶峰1，王 靜1，遲國泰2

(1.西北農林科技大學經濟管理學院，陜西 楊凌 712100；2.大連理工大學管理與經濟學部，遼寧 大連 116024)

在考察商戶小額貸款違約損失、商業銀行目標利潤的基礎上，提出利用信用等級越高、違約損失率越低的風險等級匹配標準來劃分商戶的信用等級，進而構建了基于風險等級匹配和普惠金融雙重約束的信用評級理論模型。利用中國某國有大型商業銀行29個省2157個商戶小額貸款數據進行實證，得到了既能滿足風險等級匹配標準、也能實現銀行目標利潤的信用等級劃分結果。研究結果表明：通過設計合理的信用評級機制，可走出商業銀行不愿意放貸，守信商戶得不到貸款的困境，該評級框架能有效緩解商戶的融資困難；利用信用等級越高、違約損失率越低的風險等級匹配標準劃分商戶的信用等級，可以保證信用等級越高的商戶、違約損失率越低、貸款利率越低；通過設計銀行目標利潤臨界點之上貸款商戶最大化的目標函數，既能保證銀行實現自身的目標利潤，也體現了信貸資金普及更多商戶的普惠金融理念；本文設計的信貸評級機制和構建的信用評級模型，可為銀監會、商業銀行實踐推廣普惠金融提供新的思路和參考。

信用評級；風險等級匹配；普惠金融；小額信貸；商戶

1 引言

個體工商戶是中國經濟發展的主要生力軍，同時也是緩解就業壓力，保持社會穩定的基礎力量。截止2015年9月，全國累計登記注冊個體工商戶(簡稱商戶)5285萬戶，個體私營經濟吸納社會從業人員2.73億人[1]。但是，由于商戶貸款業務量大、額度小、風險分散、財務信息不健全，導致商戶貸款難、融資難的問題相當嚴重，已成為制約我國經濟發展的重要瓶頸。

長期以來，為緩解商戶等小微主體的融資困難，我國政府出臺了一系列促進小額信貸的融資舉措。從2004年至2016年連續13年的中央一號文件[2]，無一例外都提到要加強“農業、農村、農民”的“三農”工作，推進農村金融體制改革，切實解決小微信貸主體融資難、貸款難的問題。2016年2月，國務院[3]發布《推進普惠金融發展規劃(2016-2020年)》，明確提出“十三五”期間要立足機會平等要求和商業可持續發展原則，解決小微企業、農民等特殊群體的融資難問題。目前，小額信貸主要有非政府組織NGOs小額信貸、銀行金融機構小額信貸、小額貸款公司三種正規金融模式，這些機構或組織在支撐農戶、商戶、小微企業發展過程中發揮了重要作用[4]。除此之外，還有民間直接借貸、“高利貸”、合會等非正規金融組織，劉西川等[5]研究表明：正規金融機構與非正規金融組織存在互補關系，且該種互補關系在貸款對象為富裕群體時更加明顯。現實中，由于非政府組織NGOs小額信貸和小額貸款公司資金有限、風險監控能力弱，民間借貸、“高利貸”等非正規金融組織的借貸活動不受法律保護，實踐推行普惠金融的責任就更多地落在商業銀行身上。另一方面，由于商戶等小微信貸主體財務信息不健全、缺乏必要的抵質押品，導致商業銀行更傾向于將信貸資金配給資產雄厚的大企業[6-7]。與此同時，一些學者[8-12]也對如何利用小額信貸實踐推行普惠金融，緩解農戶、商戶、小微企業的信貸難題進行了有益的探索。

現有小額貸款信用風險評價研究主要可分三類：一是研究如何遴選對信貸主體違約狀態影響顯著的評價指標；二是如何構建信用評分模型，確定貸款客戶的信用得分；三是如何建立信用等級劃分模型，劃分貸款客戶的信用等級。在指標遴選方面，Akkoc[13]利用性別、婚姻狀況、年齡、居住狀況等11個指標，評價客戶的信用狀況。Ju和Sohn[14]從管理能力、技術水平、市場前景和盈利能力四方面篩選指標，構建了由投資回報率、行業景氣性等15個指標組成的中小企業信用風險評價指標體系。遲國泰等[15]利用小企業信貸數據，通過偏相關分析剔除反映信息重復的指標，利用Probit顯著性判別遴選對小企業違約狀態影響顯著的指標，構建了由行業景氣指數、速動比率等23個指標組成的小企業信用評級指標體系。

在評分模型構建方面，主要有計量統計信用評分模型、人工智能信用評分模型和違約概率信用評分模型三種。Altman[16]通過對美國破產和非破產企業進行實證分析，構建了五因素Z-Score信用評分模型。馬九杰等[17]通過構建Logit信用評分模型，研究了縣域中小企業信用評價問題。Baesens等[18]利用神經網絡方法對三類信用數據進行實證，得出神經網絡方法能顯著區分客戶的違約狀態。Karla等[19]利用隨機信用評分模型對菲律賓1601個小額貸款客戶進行分析，實證得出小額貸款能有效提高客戶應對風險的能力、增加客戶獲得非正規信貸的途徑。陸愛國等[20]構建了基于改進SVM的信用評分模型。Shi Baofeng等[21]通過模糊聚類確定了客戶信用等級，通過變異系數求得評價指標權重，構建了基于模糊聚類-變異系數的商戶小額貸款信用評分模型。在此基礎上，利用模糊模式識別，預測了新客戶的信用等級。

在信用等級劃分模型構建方面，主要有基于客戶信用得分區間的信用等級劃分模型、基于客戶數分布特征的信用等級劃分模型、基于違約概率閾值的信用等級劃分模型三種。中國工商銀行[22]根據客戶信用得分不同，將貸款客戶劃分為AA、AA-、…、B共10個信用等級。Raquel[23]利用計量統計和人工智能方法，測算貸款客戶的違約概率PD，并借助設定的五個虛擬變量，將貸款客戶劃分為五個信用等級。Min等[24]在DEA求解企業信用得分的基礎上，將貸款客戶劃分為五個信用等級。寇綱等[25]利用Kmeans、X-means和EM聚類法，將32個主權國家信用劃分為高、較高、中、低4個信用等級。遲國泰等[26-27]根據各等級貸款客戶服從正態分布的特征，反推各等級客戶對應的分位點，將貸款客戶分為AAA、AA、…、C九個信用等級。

綜上可知，現有研究還存在以下兩方面問題有待解決和完善：一是現有信用評級模型沒有考慮貸款客戶真實的違約損失，在信用等級劃分時存在信用等級很高、但違約損失率反而不低的不合理現象。二是現有信用評級結果沒有與商業銀行實現目標利潤時的貸款臨界值掛鉤，無法確定對哪些等級以上客戶貸款可以實現銀行的目標利潤，不具有貸款決策功能。

針對上述問題，本文利用某國有商業銀行2157個商戶小額信貸數據，通過對構建的小額貸款信用評級模型進行實證分析，取得了以下五方面的進展：一是同時將普惠金融、風險等級匹配、違約損失顯著判別納入信用評級模型，構建了小額貸款信用評級理論模型，從理論上揭示了商業銀行實踐推廣普惠金融的基礎所在；二是利用信用等級越高、違約損失率越低的風險等級匹配標準劃分商戶的信用等級，保證信用等級越高的商戶、違約損失率越低、貸款利率越低；三是通過設計銀行目標利潤臨界點之上貸款商戶最大化的目標函數，既能保證銀行實現自身的目標利潤，也體現了信貸資金普及更多商戶的普惠金融理念；四是利用中國某國有商業銀行2157個商戶小額貸款數據，實證校驗了模型的準確性和適用性；五是本文的理論分析和實證檢驗為銀監會、商業銀行實踐推廣普惠金融，緩解農戶、個體商戶、小微企業的融資難題提供了一種新的思路和參考。

2 商戶小額貸款信用評級模型構建原理

2.1科學問題的難點

難點1：很多看上去很完美的評價指標體系，對客戶進行信用等級劃分時，往往出現信用等級很高的客戶、對應違約損失率反而不低的不合理現象，使信用等級劃分結果不能滿足信用等級越高、違約損失率越低的信用本質屬性。

難點2：現有信用評級結果沒有與商業銀行實現目標利潤時的臨界值掛鉤，無法確定對哪些等級以上客戶貸款可以實現目標利潤，不具有貸款決策功能。

2.2解決難點的思路

根據信用等級越高、違約損失率越低的風險等級匹配標準，構建各等級違約損失率嚴格遞增的約束條件，以銀行實現目標利潤臨界點以上貸款商戶數最多為目標函數，構建商戶小額貸款信用等級劃分模型。既能保證信用等級劃分結果滿足信用等級越高、違約損失率越低的信用本質屬性，也能確保商業銀行在實現自身目標利潤前提下、貸款客戶群體最大化，體現信貸資金惠及更多商戶的“普惠金融”理念。解決難點1、2。

商戶小額貸款信用等級劃分原理如圖1所示。

2.3商戶小額貸款信用評級步驟

商戶小額貸款信用評級步驟如下：一是建立指標體系；二是根據成本型、效益型、適中型、區間型等指標屬性，對指標進行無量綱標準化打分；三是通過主客觀賦權法，確定商戶小額貸款信用得分；四是利用貸款商戶信用得分、應收本息、應收未收本息等數據，確定貸款商戶的信用等級。

應該指出，本文是在合理確定商戶信用得分基礎上進行的研究，對于如何遴選指標、求解商戶信用得分不是本文的主要創新，此處不再贅述。

3 基于風險等級匹配的商戶小額貸款信用評級模型

3.1信用等級劃分多目標規劃模型的構建

(1)目標函數的構建

目標函數1：銀行目標利潤臨界點以上的貸款商戶數量最多。

設：Nj-銀行目標利潤臨界點之上、第j等級的客戶數(j≤k;k=1,2,…,9分別對應AAA、AA、…、C這9個信用等級)，N-貸款總客戶數。則

Obj1: maxf=(N1+N2+…+Nj)/N

(1)

式(1)的經濟學含義：式(1)表示目標利潤臨界點上各等級客戶數之和(N1+…+Nj)占樣本總數N比值最大，反映銀行實現目標利潤時、發放貸款的商戶數最多，體現信貸資金惠及更多商戶的“普惠金融”理念。

目標函數2：全部相鄰等級商戶違約損失率之間的差距最小。

設：LGDk-第k等級的違約損失率(LossGivenDefault)；k=1,2,…,9。則

Obj2: ming=(LGD9-LGD8)2+…+(LGD2-LGD1)2

(2)

式(2)的作用：滿足風險等級匹配標準(下文約束條件1)的信用等級劃分結果，其違約損失率分布呈現三角形結構，越完美的信用等級劃分結果，其對應的違約損失率分布越接近等腰三角形。式(2)通過建立全部相鄰等級違約損失率之差平方和最小的目標函數，保證遴選出的信用等級劃分結果對應的違約損失率分布最接近完美的等腰三角形。

(2)約束條件的構建

約束條件1：信用等級越高、違約損失率越低的風險等級匹配約束。即:

0

(3)

只有國債的違約損失率等于0，故設定LGD1>0；LGD9≤1表示最后一個等級客戶至多全部違約(全部違約時LGD9=1)，故式(3)中設定違約損失率大于0且小于等于1是合理的。

式(3)的經濟學含義：各等級違約損失率嚴格遞增，保證商戶信用等級劃分結果滿足信用等級越高、違約損失率越低、貸款利率越低的風險等級匹配標準。彌補現有信用評級體系可能產生的信用等級很高、但違約損失率反而不低的不合理現象。

約束條件2：實現銀行目標利潤約束。

設：LGD′-前j個等級商戶的貸款違約損失率；a0-銀行目標利潤臨界值；LGD″-前j+1個等級商戶的貸款違約損失率。則:

LGD′≤a0≤LGD″

(4)

式(4)的經濟學含義：前j個等級商戶違約損失率LGD′≤銀行目標利潤臨界值a0≤前j+1個等級商戶違約損失率LGD″，表明銀行對前j個等級及其以上客戶貸款，可以實現其目標利潤。

以LGD′≤a0≤LGD″為例，說明信用等級劃分過程，如圖2所示。

圖2 商戶小額貸款信用等級劃分示例(LGD′≤a0≤LGD″)

約束條件3：求解第k等級商戶違約損失率LGDk的等式約束。

設：Lik-第k等級第i個商戶的年應收未收本息；Rik-第k等級第i個商戶的年應收本息；Nk-第k等級的商戶數。則第k等級年違約損失率LGDk為:

(5)

式(5)的經濟學含義：通過貸款商戶年應收未收本息Lik和年應收本息Rik的對比關系，計算各等級商戶的年違約損失率LGDk，保證違約損失率的測算能準確反映銀行的真實損失。

3.2多目標規劃模型的單目標化

多目標規劃的求解主要有以下兩種方法：一種是分層序列法，也就是先將各個目標按照重要程度排序，在前一目標最優解對應的可行域內求解下一個目標的最優解，直至找出共同最優解；另一種是“化多為少”法，即將多目標變換為單目標，如線性加權法、主要目標法、理想點法等[28]。因此，本文采用權系數線性加權法將信用等級劃分模型的目標函數f和g進行單目標化。

令f0=maxf，則求解函數f的最大值等價于求解函數|f-f0|的最小值，故目標函數1的等價形式可表示為：maxf? min|f-f0|。同理，令g0=ming，則目標函數2的等價形式為：ming? min|g-g0|。

引入權系數b∈[0,1]，則式(1)、式(2)構成的雙目標規劃模型等價于：

minh=b|f-f0|+(1-b)|g-g0|

(6)

式(6)的含義：當b=1時，式(6)等價于式(1)，表示決策者期望在由式(3)-式(5)構成的可行域內，尋求銀行目標利潤臨界點以上貸款商戶數量最多的一組最優決策解；當b=0時，式(6)等價于式(2)，表示決策者期望在由式(3)-式(5)構成的可行域內，尋求全部相鄰等級商戶違約損失率之間的差距最小，也就是商戶信用等級劃分結果對應的違約損失率分布最接近等腰三角形的一組決策解；當b∈(0,1)時，表示決策者希望找出兼顧目標利潤臨界點以上貸款客戶數和評級結果對應的違約損失率分布接近等腰三角形的一組決策解。

由以上分析可知，式(1)-式(5)組成的雙目標規劃信用等級劃分模型等價于：

minh=b|f-f0|+(1-b)|g-g0|

(7)

4 商戶小額貸款信用評級模型實證

4.1樣本選取與數據來源

選取中國某國有大型商業銀行[29]29個省份2157個商戶作為實證對象。樣本涉及的省級行政區包括：華北地區的北京市、天津市、山西省、河北省、內蒙古自治區，東北地區的遼寧省、吉林省、黑龍江省，華東地區的上海市、山東省、江蘇省、江西省、浙江省、安徽省，華南地區的福建省、海南省、廣東省，西北地區的陜西省、甘肅省、寧夏回族自治區、新疆維吾爾自治區，華中地區的河南省、湖北省、湖南省，西南地區的重慶市、四川省、云南省、貴州省、廣西壯族自治區。在中國34個省級行政區中，上述29個省份不含青海、西藏、臺灣、香港、澳門5個。上述樣本的典型性在于：既包含了遼寧、山東等沿海地區，又包括了山西、河南等內陸省份；既兼顧了上海、廣東等經濟發達地區，又包括了青海、西藏等經濟欠發達地區；既包含了廣西、新疆等少數民族集中的地區，又包括了陜西、江西等漢族為主的地區。顯然，上述樣本涵蓋了東、中和西部地區的省份，可確保信用等級劃分結果可信度高、適用性強。

2157個商戶信用評級數據來源于該商業銀行總行商戶小額信貸系統[29]，如表1所示。其中，表1第2列是商戶姓名；第3列是依據評價方程[29]得到的信用得分按降序排列的結果(由于如何選取指標、求解信用得分不是本研究的主要創新，此處不再贅述)；第4列是按照樣本數服從正態分布特征，得到9個等級的樣本比例(旨在說明正態分布的信用等級劃分方法無法滿足信用等級越高、違約損失率越低的風險等級匹配標準，便于同本文結果進行對比)；第5列是正態分布對應的各等級樣本數；第6列是對應的信用等級；第7列是不同等級商戶對應的信用得分區間；第8、9列是每個商戶貸款到期后實際的應收未收本息、應收本息[29]；第10列是依據正態分布劃分方法，利用上文式(5)得出9個等級的違約損失率。

4.2商戶信用等級劃分

(1)模型參數設定

中國某國有大型商業銀行實現目標利潤時，商戶小額貸款最大可接受的貸款年違約損失率a0=10.31%[29]。

表1 商戶小額貸款信用等級劃分原始數據

注：出于數據保密性考慮，表1第2列中商戶姓名用拼音表示。

表2 商戶小額貸款信用等級劃分結果

圖3 信用等級劃分結果的違約損失率分布

假設決策者為中性決策者，試圖尋求目標利潤臨界點以上貸款商戶數最多、以及評級結果對應的違約損失率分布最接近等腰三角形，此時不妨取式(7)中參數b=0.5。

(2)模型求解

將a0=10.31%、b=0.5、表1第8、9列商戶應收未收、應收未收本息數據帶入式(7)，求得對應的信用等級劃分結果，如表2所示。這一過程可方便地使用C++軟件編程實現。

(3)違約損失率分布圖的確定

以表2第3列違約損失率LGDk的大小為橫軸長度、對應的信用等級為縱軸，得到的違約損失率分布，如圖3-a所示。同理，以表1第10列違約損失率LGDk的大小為橫軸長度、對應的信用等級為縱軸，可得正態分布信用評級結果對應的違約損失率分布，如圖3-b所示。

4.3實證結果的對比分析

為了說明本文所建模型的合理性和有效性，將本文得到的信用評級結果與現有信用評級模型進行對比：

(1)風險等級匹配標準對比

由表2第3列知，各等級違約損失率嚴格遞增，表明本模型求得的信用等級劃分結果滿足信用等級越高、違約損失率越低的風險等級匹配標準。

而現有信用評級方法[12-27]要么基于客戶信用得分區間、要么基于客戶數分布、要么基于違約概率閾值，這些方法都沒有考慮貸款客戶真實的違約損失，導致評級結果無法滿足信用等級越高、違約損失率越低的風險等級匹配標準。

(2)“普惠金融”和信貸決策功能對比

由上文約束條件2知，本文得到的評級結果在保證銀行實現自身目標利潤的可持續發展前提下，追求授信客戶群體最大化。這樣做既能挖掘出對哪些等級及其以上客戶貸款，可以達到銀行的目標利潤，實現信用評級系統的貸款決策功能；同時，也體現了信貸資金普及更多客戶的普惠金融理念。由表2實證分析結果也可看出：①前6個等級商戶貸款違約損失率LGD′=7.058 1%<目標利潤臨界點a0=10.31% <前7等級違約損失率LGD″=10.376 7%，表明對B及其以上等級商戶貸款、可以實現銀行的目標利潤，滿足國務院提出的“十三五”期間要立足商業可持續發展原則，切實緩解小微信貸主體貸款難、融資難的問題。②目標函數值f=(86+55+403+763+561+106)/2157 =91.52%知，B級及其以上等級商戶占申請貸款商戶總數的91.52%，揭示了信貸資金普及更多客戶的普惠金融理念。

而現有信用評級模型[12-27]僅僅給出了哪個客戶屬于哪一等級的信用等級劃分結果，沒有與商業銀行實現目標利潤時的貸款臨界值掛鉤，無法確定對哪些等級以上客戶貸款可以實現銀行的目標利潤，既不具有貸款決策功能，也無法體現授信客戶群體最大化。

(3)本研究對任何信用評級體系均適用

通過對中國某國有商業銀行2157個小額貸款商戶[29]、2044個小額貸款農戶[30]、中國某城市商業銀行3111筆小企業[31]等多個信用風險評價體系進行實證檢驗，利用本文提出的信用評級模型，均可得到滿足風險等級匹配標準和實現銀行目標利潤的信用評級結果，表明本文所建模型具有普遍適用性，可供商業銀行實踐推行普惠金融時借鑒參考。

4.4幾點說明

(1)本研究是建立在合理確定商戶信用得分的基礎上。我們科研創新團隊[29]利用中國某國有商業銀行2157個商戶小額貸款樣本數據，從基本情況、保證聯保、償債能力、盈利能力、營運能力、宏觀環境等六個方面海選指標，通過偏相關分析剔除反映信息重復的指標，通過主基底分析遴選出對商戶違約狀態影響顯著的指標，構建了由貸款人婚姻狀況、流動比率、行業景氣指數等23個指標組成的商戶小額貸款信用評級指標體系。在此基礎上，利用Logistic回歸方法求出了商戶的信用得分。由于該方法求得的商戶違約狀態誤判率較低，已在商業銀行得到實踐應用。

由于如何選取指標、求解信用得分并不屬于本研究，此處不再贅述。

(2)本文僅以AAA、AA、A、BBB、BB、B、CCC、CC、C“三級九等”信用等級劃分為例，說明模型的可行性。若改為“五級劃分”[32]，僅需將式(7)所示的信用等級k=5，通過C++軟件即可方便地得到所需結果。

5 結語

本文在對國內外小額貸款成功經驗和現實制約進行綜述梳理的基礎上，構建了一個基于風險等級匹配和普惠金融雙重約束的商戶小額貸款信用等級劃分模型，深入分析了銀行如何利用風險等級匹配標準、自身的目標利潤臨界值、普惠金融約束來進行信用評級和貸款決策，從而有效降低銀行的信用風險。在此基礎上，通過對中國某國有大型商業銀行29個省2157個商戶信貸數據進行實證，得到了既能滿足風險等級匹配標準、也能實現銀行目標利潤的信用等級劃分結果。綜合上述分析，本文得出以下三點主要結論和啟示：

(1)通過設計合理的信用評級機制，可走出銀行不愿意放貸，守信商戶得不到貸款的困境。以信用等級越高、違約損失率越低的風險等級匹配標準為約束條件，以銀行目標利潤臨界點以上貸款商戶最多為目標函數，構建商戶小額貸款信用等級劃分模型，確定商戶的信用等級。既保證銀行可實現自身的目標利潤，也確保了獲得貸款的商戶數最多，體現信貸資金惠及更多商戶的“普惠金融”理念。

(2)合理的信用評級體系應該滿足信用等級越高、違約損失率越低的風險等級匹配標準；否則，評級結果會誤導公眾，也會使商業銀行在貸款定價時不同等級債務人的違約風險無法得到足額補償，進而造成貸款損失。本文利用信用等級越高、違約損失率越低、貸款利率越低的風險等級匹配標準為約束條件，構建信用等級劃分模型，保證了信用評級結果滿足風險等級匹配標準。

(3)同時，本文的理論分析和實證檢驗也為我國銀監會、商業銀行實踐推廣普惠金融，解決商戶等小微信貸主體的融資難題提供了新的思路和參考。

[1] 國家工商總局、教育部、工業和信息化部、中國社會科學院“個體私營經濟與就業關系研究”課題組.中國個體私營經濟與就業關系研究報告[EB/OL].(2015-10-26) [2016-10-09].http://www.saic.gov.cn/zwgk/tjzl/zxtjzl/xxzx/201510/t20151030_163438.html.

[2] 中華人民共和國國務院政府信息公開專欄.中共中央國務院關于加大改革創新力度加快農業現代化建設的若干意見[EB/OL].(2015-02-01) [2016-10-10].http://www.gov.cn/zhengce/2015-02/01/content_2813034.htm.

[3] 國務院新聞辦公室網站.國務院關于印發推進普惠金融發展規劃(2016—2020年)的通知[EB/OL].(2016-02-02) [2016-10-09].http://www.scio.gov.cn/xwfbh/xwbfbh/wqfbh/33978/34138/xgzc34144/Document/1467175/1467175.htm.

[4] 李東榮.拉美小額信貸監管經驗及對我國的啟示[J].金融研究,2011,(5):1-12.

[5] 劉西川,楊奇明,陳立輝.農戶信貸市場的正規部門與非正規部門：替代還是互補？[J].經濟研究,2014,49(11): 145-158+188.

[6] Bester H.The role of collateral in credit markets with imperfect information [J].European Economic Review,1987,31(4): 887-899.

[7] 趙岳,譚之博.電子商務、銀行信貸與中小企業融資—一個基于信息經濟學的理論模型[J].經濟研究,2012,47(7): 99-112.

[8] 孫天琦.制度競爭、制度均衡與制度的本土化創新—商洛小額信貸扶貧模式變遷研究[J].經濟研究,2001,(6): 78-84.

[9] 田劍英,黃春旭.民間資本金融深化與農村經濟發展的實證研究—基于浙江省小額貸款公司的試點[J].管理世界,2013,(8): 167-168.

[10] 汪昌云,鐘騰,鄭華懋.金融市場化提高了農戶信貸獲得嗎？—基于農戶調查的實證研究[J].經濟研究,2014,49(10): 33-45,178.

[11] 吳勇.農村中小企業信貸融資問題博弈分析[J].管理世界,2015,(1): 171-172.

[12] 石寶峰,劉鋒,王建軍,等.基于PROMETHEE-II的商戶小額貸款信用評級模型[J].運籌與管理,2016,26(8)：1-11.

[13] Akkoc S.An empirical comparison of conventional techniques,neural networks and the three stage hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) model for credit scoring analysis:The case of Turkish credit card data [J].European Journal of Operational Research,2012,222(1): 168-178.

[14] Ju Y H,Sohn S Y.Updating a credit-scoring model based on new attributes without realization of actual data [J].European Journal of Operational Research,2014,234(1): 119-126.

[15] 遲國泰,張亞京,石寶峰.基于Probit回歸的小企業債信評級模型及實證[J].管理科學學報,2016,19(6): 136-156.

[16] Altman E I.Financial ratios,discrimination analysis and the prediction of corporate bankruptcy [J].Journal of Finance,1968,23(4): 589-609.

[17] 馬九杰,郭宇輝,朱勇.縣域中小企業貸款違約行為與信用風險實證分析[J].管理世界,2004,(5): 58-66,87.

[18] Baesens B,Setiono R,Muse C,et al.Using neural network rule extraction and decision tables for credit-risk evaluation [J].Management Science,2003,49(3): 312-329.

[19] Karlan D,Zinman J.Microcredit in theory and practice: Using randomized credit scoring for impact evaluation [J].Science,2011,332(6035): 1278-1284.

[20] 陸愛國,王玨,劉紅衛.基于改進的SVM學習算法及其在信用評分中的應用[J].系統工程理論與實踐,2012,32(3): 515-521.

[21] Shi Baofeng,Chen Nan,Wang Jing.A credit rating model of microfinance based on fuzzy cluster analysis and fuzzy pattern recognition: Empirical evidence from Chinese 2157 small private businesses [J].Journal of Intelligent &Fuzzy Systems,2016,31(6): 3095-3102.

[22] 中國工商銀行.關于印發《中國工商銀行小企業法人客戶信用等級評定辦法》的通知[R].工銀發[2005]第78號,2005: 5-7,13-21.

[23] Raquel F.Modelling of insurers’ rating determinants: An application of machine learning techniques and statistical models[J].European Journal of Operational Research,2007,183(3): 1488-1512.

[24] Min J H,Lee Y.A practical approach to credit scoring [J].Expert Systems with Applications,2008,35(4): 1762-1770.

[25] 寇綱,婁春偉,彭怡,等.基于時序多目標方法的主權信用違約風險研究[J].管理科學學報,2012,15(4): 81-87.

[26] 遲國泰,潘明道,齊菲.一個基于小樣本的銀行信用風險評級模型的設計及實證[J].數量經濟技術經濟研究,2014,(6):102-116.

[27] Shi Baofeng,Wang Jing,Qi Junyan,et al.A novel imbalanced data classification approach based on logistic regression and Fisher discriminant [J].Mathematical Problems in Engineering,2015,2015: 1-12.

[28] 王鵬飛,李暢.不確定多屬性決策雙目標組合賦權模型研究[J].中國管理科學,2012,20(4): 104-108.

[29] 中國郵政儲蓄銀行,大連理工大學.中國郵政儲蓄銀行商戶小額貸款信用風險決策評價系統研究結項報告[R].中國郵政儲蓄銀行、大連理工大學,2012.

[30] 中國郵政儲蓄銀行,大連理工大學.中國郵政儲蓄銀行農戶小額貸款信用風險決策評價系統研究結項報告[R].中國郵政儲蓄銀行、大連理工大學,2012.

[31] 大連銀行,大連理工大學.大連銀行小企業信用風險評價與貸款定價系統研究結項報告[R].大連銀行、大連理工大學,2015.

[32] 薛鋒,柯孔林.粗糙集-神經網絡系統在商業銀行貸款五級分類中的應用[J].系統工程理論與實踐,2008,28(1): 40-45,55.

Abstract： One of the main tasks of credit rating is to distinguish different clients using loss given default (LGD) parameter.However,it is very common in reality that many credit rating systems seem properly if we only look at their indicators,customers with higher credit rating still have higher corresponding LGD in those systems.Therefore,an ideal credit rating result should meet the credit risk-rating match-up standard that the credit rating increases with the decreasing LGD.Secondly,the existing credit rating results don't match with the target profit point of commercial banks,so the credit rating approaches do not have the functions of credit decisions.Bankers or credit clerks cannot locate the qualified customers who can realize the bank's target profit.

To fill in the above gaps,this paper advances in three aspects.First,based on considering small private businesses’ LGD and achieving banks’ target profit,a novel credit rating ideal is put forward that the higher credit rating comes with the lower corresponding LGD.Second,a nonlinear programming credit rating model which is consisted of two objective functions and three constraint conditions has been created.The constraint condition 0

Our research not only has practical significance for credit risk assessment of the 2157 small private business microfinance,but also offers a new insight into credit risk decision evaluation of customers in other commercial banks in the world.In addition,a new reference is provided for CBRC and commercial banks practicing the inclusive finance.

Keywords： credit rating;credit risk-rating match-up;the inclusive finance;microfinance;small private business

The Inclusive Finance,Bank Loans and Financing of Small Private Business Microfinance Loan— Based on Matching Credit Risk and Credit Rating

SHIBao-feng1,WANGJing1,CHIGuo-tai2

(1.College of Economics &Management,Northwest A&F University,Yangling 712100,China;2.Faculty of Management and Economics,Dalian University of Technology,Dalian 116024,China)

F830.33；F830.589

A

1003-207(2017)09-0028-09

10.16381/j.cnki.issn1003-207x.2017.09.004

2016-07-04；

2017-02-23

國家自然科學基金青年項目(71503199)；國家自然科學基金資助項目(71373207;71471027)；中國博士后科學基金項目(2015M572608,2016T90957)；國家自然科學基金重點項目(71731003)；中國銀監會銀行業信息科技風險管理項目(2012-4-005)；中國郵政儲蓄銀行總行小額貸款信用風險評價與貸款定價資助項目(2009-07)；西北農林科技大學“青年英才培育計劃”(Z109021717)

石寶峰(1984-)，男(漢族)，山西長治人，西北農業科技大學經濟與管理學院副教授，碩士生導師，金融工程博士，研究方向：信用評級、金融風險管理，E-mail：shibaofeng@nwsuaf.edu.cn.