商業銀行視角下小微企業區域性信用風險研究

1 引言和文獻綜述

當今，商業銀行業務正在遭受著眾籌、第三方支付、P2P等互聯網金融形式的沖擊。從現在銀行的信貸數據顯示，目前商業銀行不良貸款核銷每年都是在大量增加。違約金額極其驚人，尤其是小微企業貸款違約情況嚴重。其違約情況還具有一定的空間效應，因此對小微企業的區域性信用風險研究是極其重要。若充分利用銀行豐富的數據資源，將實現商業銀行區域性風險管理上的經濟價值。

現有文獻中，關于商業銀行視角下小微企業的信用風險的研究，并沒有涉及區域性因素。在這些文獻中排除區域性因素外，有學者認為：商業銀行小微企業信貸風險源自兩個方面，一方面企業角度，另一方面銀行角度（宋華苗鳳，2018）。還有學者認為選取財務狀況、經營狀況、管理者個人素質狀況和行業及區域發展狀況四個維度構建小微企業信貸風險評價指標體系（胡心瀚等，2012）。

綜上，本文將基于區域性信用風險研究的角度，結合銀行內的小微企業的大數據，并對樣本進行非平衡數據處理，基本達到平衡狀態，以法人是否違約作為分類變量，用隨機森林的方法對變量進行重要性評分排序，同時進行變量篩選，增加本文參數選取的精確性。再根據篩選后結果，建立區域性信貸風險評估的Logistic模型，挖掘影響小微企業違約的因素。

2 數據收集及處理

2.1 數據來源

我國商業銀行一直以“吸收存款，發放貸款，獲得利差”為主要盈利模式，但是隨著現階段國內金融界各種違約事件的頻發，如何降低貸款違約風險成為現階段學術界的研究熱點。本文的數據來源于國內A商業銀行提供的小微企業法人貸款詳情，總計4452條，包含年齡、A行服務年數、是否貴賓卡客戶、是否網銀客戶、是否理財客戶、介質數量、貸前6個月月均貸方發生額等14個變量，具體見表1，其中關于變量“客戶所屬地區”，本文基于樣本劃分了3個水平，即低違約率地區、中違約率地區以及高違約率地區。低違約率地區為：杭州、紹興和寧波；中違約率地區為：金華、舟山、嘉興、麗水以及湖州；高違約率地區為：臺州、溫州和衢州。

表1 數據基本情況

2.2 數據預處理

本文收集的客戶有效數據共計4452條。同時，由于13個自變量之間數量級差別太大，我們對貸前6個月月均貸方發生額、貸前6個月月均貸方發生筆數、貸記卡最近6個月平均使用額度、貸款最近6個月平均應還款這4個變量采取取對數的辦法進行規范化處理。

3 基于不平衡樣本的區域性信用風險評估實證分析

3.1 基于SMOTE算法的非平衡數據處理

在本文收集的數據中，存在違約現象的法人客戶信息為200個，非違約法人客戶數據為4252個，屬于非平衡數據。由于類別的分布是不均衡的，傳統的數據挖掘算法在處理這類數據時偏向于數據量偏大的一類，對數據量偏少的類別關注比較少（柳向東和李鳳，20 16）。在銀行信貸業務中，這類數據比較常見，基于A銀行的客戶樣本數據，本文采用R語言進行非平衡數據處理，具體函數參數設置如下：少數類（違約客戶數）N=200，多數類（未違約客戶數）M= 42 52，向上采樣的倍率取n= 10，向下采樣的倍率 m= 1，用于產生新的少數類樣本的最近鄰數量 k= 10，平衡后的數據集中的少數類為2000個，多數類為2200個，基本達到平衡狀態，運用于后續建立模型效果最好。

3.2 基于隨機森林的變量篩選

本文以法人是否違約作為分類變量，用隨機森林的方法對變量進行重要性評分排序，同時進行變量篩選。基于現有文獻（徐婷婷，2017；吳金旺和顧洲一，2018），筆者發現：樹的棵樹（ntree）設置為500具有一定的客觀性，圖1也驗證了本文參數選取的精確性。

圖1 ntree的選取

3.3 區域性信貸風險評估的Logistic模型

本文將貸款最近6個月平均應還款、貸記卡額度占用率、貸款日前6個月存款日均3個變量進行了多元共線性分析，發現3個變量間并不存在明顯的多重共線性（方差擴大因子VIF均顯著小于5），即筆者認為可以選用貸款最近6個月平均應還款、貸記卡額度占用率、地區、貸款日前6個月存款日均這4個變量作為建立Logistic模型中的指標。

表2 參數估計結果

回歸系數為正的時候，表示變量每增加一個單位值時，客戶違約發生率會相應增加。當回歸系數為負的時候，說明每增加一個單位時違約發生率會減少。從Logistic模型結果發現：（1）客戶貸款日前6個月存款日均越大，則該客戶違約的概率越小，即在其他變量不變的前提下，該變量每增加一個單位，違約概率降低9%。（2）客戶貸款最近6個月平均應還款越大，則該客戶的違約概率越大，即在其他變量不變的前提下，最近6個月平均應還款每增加一個單位，違約概率約增加62%。客戶貸款最近6個月平均應還款大，客戶還款的資金壓力就會增加，違約概率越大。（3）貸記卡額度占用率越高，則用戶的違約概率越大，即即在其他變量不變的前提下，該變量每增加一個單位，違約概率增大13%.（4）研究發現，第二類地區的違約概率要明顯高于第一類地區，而第三類地區發生違約事件的概率也明顯高于一、二類地區。

4 結論與展望

隨著商業銀行業務不斷發展和數據規模的不斷増加，商業銀行的風險管理工作難度也不斷提高。要想在激烈的市場競爭中有立足之地，商業銀行必須擁有良好的信用風險管理能力。通過大數據建立的小微企業區域性信用風險評估模型，無論對傳統金融機構，還是互聯網金融機構，在授信審批、征信多元化、以及區域風險預警等方面，都有著廣泛的應用前景。

本文采用R語言進行非平衡數據處理，基本達到平衡狀態，運用于后續建立模型效果最好。本文以法人是否違約作為分類變量，用隨機森林的方法對變量進行重要性評分排序，同時進行變量篩選，增加本文參數選取的精確性。再根據篩選后結果，建立區域性信貸風險評估的Logistic模型。同時，模型能在風險系數較高的區域中識別出信用能力好的企業。商業銀行可以基于此模型的運行機制，結合大數據＋小數據的判斷模式，采取可行性的放貸方案。