中小微企業的信貸決策

周泓宇

【摘 要】近年來，隨著我國經濟的發展和營商環境的改善對于中小微企業，由于其在經營規模、經營風險、資信等級上存在弱勢，常面臨資金短期的瓶頸，導致企業發展困難。本文就中小企業的規模劃分、信貸風險、是否貸款以及貸款利率評估體系建立等方面進行了研究，在評價模型的建立上進行了創新。通過建立相關指標，給出銀行面向中小企業的信貸策略。首先結合相關論文歸納有信息價值的指標，然后以指標為準則層進行層次分析得出相應權重為企業打分，以確定是否放貸;同時討論了使用決策樹模型和邏輯斯蒂回歸對違約情況的分類預測，最后對建立的數學規劃聯合遺傳算法與fmincon 方法進行求解。本文歸納出了中美貿易沖突和新冠病毒疫情這兩個非經營性指標對不同類別企業的信貸風險進行分析。然后創建風險因子對相關企業的放貸利率進行調整，進而改變之前建立的數學規劃，最后繼續使用遺傳算法求解。

【關鍵詞】信貸策略評估;神經網絡;遺傳算法;數學規劃

1.引言

自改革開放以來，我國經濟不斷高速發展，經濟體制也日漸建立完善，涌現出了一批又一批的中小微企業。這些中小微企業迅速崛起，在我國經濟結構中發揮著重要的作用，成為推動國民經濟穩步發展的重要力量。中小微企業涵蓋國家各個行業，由于企業規模相對較小，其抗風險能力十分有限，因此很容易受到外部因素變化的影響。因此，銀行放款時還要兼顧考慮到中小微企業所在的行業類型，結合實時的社會環境變化風向，在綜合考慮下為企業放款。

需要搭建一個預測模型來對 302 家企業的信譽進行評估，預測其是否會違約并依此作為放貸依據，本文經綜合考量后，選擇神經網絡作為預測模型。需要對是否給予信貸進行預測。

首先經過參考大量的相關材料，確定使用信用5C分析法進行非財務指標的定性分析，5C信用分析法是成熟的企業信貸風險評價分析方法，使用該方法能夠增加指標的可靠性。在綜合考慮已知信息以及一些其他的相關研究，主要基于外部環境的兩個方面：中美貿易關系以及新冠病毒的影響對企業信貸進行分析。首先依據附件三企業的性質對企業按行業進行劃分，并參考相關論文中兩個外部環境對于各個行業的影響程度，進而對企業進行打分，分值越高表示這一行業受到的負面影響越大，企業的抗風險能力越弱。例如中美貿易摩擦對中國互聯網企業（例如華為）的影響巨大，受到美國貿易限制，其企業生產能力大大減弱，因此評分為5;新冠疫情讓人們足不出戶，居家隔離，對娛樂產業、餐飲服務等行業等影響巨大，評分為5。在上述的基礎上，對這些企業進行風險評估，最后利用遺傳算法和fmincon函數聯合求解該數學規劃問題，即可求得結果。

2.模型建立

首先構建神經網絡，把退貨率、無效訂單率、過去三年增長年數、平均擴張率、利稅比、企業實力作為神經網絡的輸入層，是否會違約作為輸出層，其中若輸出為[0，1]則為不違約，[1，0]則為違約，根據違約情況來決定是否為企業放貸。該神經網絡共有一個隱藏層，內含 10 個結點。

激活函數 Sigmoid：

在使用 MATLAB 的神經網絡模式識別工具箱進行訓練后得到了一個混淆矩陣。混淆矩陣的每一列代表了預測類別，每一列的總和表示被預測為此類別的數據的數目;每一行代表了數據的真實歸屬類別，每一行的數據總和表示此類別的數據實例的數目。每一列中的數值表示真實數據被預測為該類的數目，如圖所示，在訓練集中，共有107個未違約企業，模型準確預測了92個，準確率達到86.0%。

下圖是繪制的ROC曲線圖，ROC曲線是不同閾值下，覆蓋率和負例覆蓋率的組合。ROC曲線是根據與45度線的偏離來判斷模型好壞，AUC（Area Under Curve）是ROC曲線下的面積，AUC越接近1，則說明模型的分類效果越好。

該神經網絡的輸出層的形式為[x1，x2]，其中 0

最后進行計算，依次經過遺傳算法與 fmincon 函數得到最優解：總貸款額度 1 億元，銀行可獲得的最大收益為 4，654，990.9959 元。

首先參照中華人民共和國國家經濟行業分類標準，對 302 家企業進行行業劃分。其次結合今年國際及國內實際情況，并參考相關文獻，對各行業受到的外部環境影響進行打分。

使用信用 5C 分析法進行非財務指標定性分析：

在綜合考慮已知信息以及一些其他的相關研究，主要基于外部環境的兩個方面：中美貿易關系以及新冠病毒的影響對企業信貸進行分析，步驟如下：

首先依據附件三企業的性質大致劃分為 18 個大類，并在不同的非經營性因素下對這十八個大類進行評分，分值越高表示這一行業受到的負面影響越大，企業的抗風險能力越弱，例如中美貿易摩擦對中國互聯網企業的影響巨大，受到美國貿易限制，評分為 5，新冠疫情讓人們足不出戶，居家隔離，對娛樂產業，服務行業等影響巨大，評分為 5。

其次可以得到允許信貸的企業，并在此基礎上再次對這些企業進行風險 評估，評估方式為求解S = ti，di，若 S 大于 12，則不予考慮為此企業提供貸款， 然后再求解風險因子?i = lnti lndi + a，其中ti表示中美貿易評分，di表示新冠病毒評分，a是一個為均值，0.01 為方差的隨機數，對外部環境的兩個影響指標取對數是為了讓方差恒定，即讓波動相對穩定。

最后，得到的企業信貸年利率的基礎上，并行考慮風險因子，得到調整策略后新的信貸年利率 ，據此得出目標函數和約束，并利用遺傳算法和 fmincon 函數聯合求解該數學規劃問題，得到結果為：在信貸總額為 8.9726 × 107元時， 得出最大收益為 4173616.6659 元，詳細的額度分配和年利率見附錄。

3.總結

建立一個神經網絡模型或者決策樹模型，并討論邏輯斯蒂回歸模型。以建立神經網絡模型為例，首先提取企業的各項指標，將是否違約作為分類的輸出值，并根據神經網絡的輸出值判斷是否給企業放款，并計算得到信譽等級。根據企業的信譽等級和承受風險的能力，設置企業的貸款利率，以此創建遺傳算法和fmincon 函數聯合求解最優值。首先得到非經營性指標，再將企業分成不同行業類別，再參考相關文獻得到非經營性指標對各行業的影響程度，并依次對企業進行打分，最終求解得到最優值。

模型建立過程中綜合考慮了神經網絡，結合中國企業分類依據以及各類信息對各企業受中美貿易戰和新冠病毒的影響進行評分，結合實際。但是使用的神經網絡模型的訓練數據量小，易過擬合，且模型本身存在可解釋行差的問題。

可以進一步選取更具信息價值、顯著性更強的指標評估針對企業的信貸策略，考慮使用 SVM（支持向量機）對企業違約情況進行分類預測。可以考慮對指標進行聚類，以分析潛在的數據分布模式。

參考文獻：

[1]宋澤朋.商業銀行中小企業信貸風險識別模型研究[D].首都經濟貿易大學，2016.

[2]陳祥碧 . 基于BP神經網絡模型的中小企業財務危機預測與分析[J].財會通訊，2015，11：113-114.

[3]徐文浩.小企業信貸評級模型研究[D].山東大學，2010.

[4]趙中源.JS 銀行小微企業信貸風險管理研究[D].大連海事大學，2018.

（作者單位：北京語言大學信息科學學院）