基于客戶群特征S農信社農村普惠信貸信用風險評估研究

摘 要：由于長尾群體信用意識薄弱，導致商業銀行信用風險較大，影響普惠金融可持續發展，難以實現普惠金融初衷。

基于以上背景，文章將借款人客戶群特征作為構建信用風險評價體系的主要依據。通過對S農信社農村普惠信用貸款的違約數據進行因子分析，構建了農戶個人特征、農戶獲貸能力、農戶還款意愿與農戶借款基本特征4個評價主因子和10個評價指標組成的綜合評價指標體系，并據此建立 Logistic概率模型，確定農戶貸款中的各個因素因子及其所占系數比重，得出農戶性別、學歷、婚姻狀況、家庭總負債、家庭總資產、歷史逾期次數、貸款數額以及評級八個顯著影響因素對農村普惠貸款發生違約影響較大。通過建立相應模型，方便讓客戶經理判斷客戶的信用風險情況，對提高農村金融機構信用風險管理能力具有重要意義。

關鍵詞：普惠金融; 信用風險管理 ;客戶群特征; logistic

1.1 模型選擇

1.1.1因子分析模型

因子分析是通過研究因子間的相關性，把相關性較大指標組合成一個因子，并保證因子之間相關性較小，進而使用較少的因子反映出較多的信息。假設有n個因子，每個因子觀測k個指標，對樣本數據做標準化處理以消除觀測量綱差異，令其均值為0，方差為 1。采用因子分析建立模型，組成線性組合：

Logistic 模型是常用的二分類因變量回歸分析模型，可預測事件發生概率，對數據樣本分布不做任何假設，且數據要求容易滿足，適用于農村中小銀行對農戶貸款信用風險的評估。研究農戶貸款違約事件，只有2 種結果，農戶違約和不違約。引入一個二分變量 Y，將農戶違約標記為1，農戶不違約標記為0，如式（1-3）。

1.2.1 ?數據來源與說明及變量描述性統計

本文在研究過程中，選取S農信社為調查對象，對其農村普惠貸款進行樣本抽取，隨機選取1000個農戶貸款，通過篩選和剔除，對其無效借款數據和信息不全數據進行刪除，剩余有效樣本924個。表1.1對變量做描述性統計分析。

1.2.2 ?數據降維

運用因子分析法對數據進行降維。首先將數據標準化處理運用Z-score標準法（指標數值與樣本均值的差除以標準差）消除樣本數據的量綱影響。其次再對數據進行相關性檢驗，如表1.2所示。

1.2.3 ?因子分析

為確保變量相關性分析準確，需要對以上指標進行KMO和Barlett球形度檢驗，分析結果見表1.4所示。

利用spss23.0軟件做因子分析，當初始特征值大于1時，通過主成分分析法提取因子，累計方差貢獻率達到了76.530%，說明能夠較為充分反映原始數據，見表1.5所示。

模型中的因變量是農戶貸款違約的狀態，將農戶出現逾期視為違約農戶，即Y=1;將沒有出現違約的農戶視為非違約農戶，即Y=0。以因子分析中提取的4個公因子作為自變量，將農戶違約事件作為因變量，建立二元Logistic模型，運用SPSS23軟件進行Logistic分析。選擇向前LR的回歸方法，回歸結果見表1.8。 H-L檢驗中的顯著性p值為0.942>0.05接受0假設，說明該模型能夠很好地擬合數據。

回歸結果顯示如表1.8所示，系數絕對值由大到小排序為FAC4>FAC3>FAC1>FAC2，表明農戶還款意愿特征（以歷史逾期次數和婚姻狀況為主）是影響其貸款違約的最重要因素，其次是農戶個人特征（以年齡和學歷為主）是影響農戶貸款違約的次要因素，再次是農戶獲貸能力特征（以家庭總資產、家庭總負債、貸款數額、評級為主）和借款信息（以貸款利率和貸款期限為主）。

從判別指標的系數絕對值來看，對農戶貸款信用風險具有重要影響的指標有年齡a11、學歷a13、婚姻狀況a14、歷史逾期次數b11、貸款數額a31、家庭資產a22、家庭負債a23，程度由強到弱。結合在日常工作中所辦理的農戶貸款業務來看，由于S市農信社農村普惠貸款主要針對的就是農村群體客戶，貸款客戶年齡都比較偏大，貸款歸還意識不強，因此年齡因素對于S農信社是重要的參考指標;農戶學歷指標是負值，表明農戶學歷由小學到大學本科以上，學歷越高，其違約概率就越低，學歷越高的農村客戶對于歸還貸款的法律意識比較強，根據以往經驗，回到農村從事農產養殖或者個體經營的農村客戶，往往比較容易溝通，重視個人信用而且能夠及時歸還普惠貸款;婚姻狀況同樣在農村群體違約風險中占有較高的決定作用，根據以往經驗，離異的客戶往往沒有已婚或未婚客戶更能夠及時歸還貸款;歷史逾期次數是指的在客戶形成違約之前所出現的未及時還款次數，往期逾期次數越高，貸款不能歸還的概率越大;對于S農信社所發放的農村普惠貸款，在貸款10萬以上要求要追加保證人，保證人只能是直系親屬或者是村干部等，所以貸款額度越高，其還款因為有保證人的催促和監督，反而能夠及時還貸;家庭總資產越高，其還款能力就越強，違約風險就越低;家庭負債越高，其還款壓力增大，違約風險也會隨之增高。

在預測結果列聯表中，在924例農戶普惠貸款數據進行預測，對違約貸款的預測正確率是70.6%，對未違約貸款的預測正確率是98.3%，總的正確率是87.7%，參考張國政等[1]、付瑋瓊[2]的研究，將貸款違約概率P的閾值設為50%，本模型總體預測正確百分比87.7%。具體結果見上表1.9所示。

1.5 ?小節

文章以農村金融機構S農信社農村普惠貸款數據為樣本，通過建立logistic回歸模型，分析農村客戶群特征對于農村信貸信用風險的影響，得到以下結論：

（1）農村客戶群特征對農村普惠信貸信用風險管理研究具有一定的意義，其中貸款年齡、學歷、婚姻狀況、歷史逾期次數、家庭資產和家庭負債等都對貸款客戶是否會造成違約構成一定的顯著性影響，應當重點關注以上特征。

（2）S農信社農村客戶信用評估體系需要進一步的改進。農村金融機構對于農戶客戶進行風險評估時，除了審核客戶資料的真實可靠性，還應當充分考慮農村客戶特征，提高對客戶信用評估的準確性，以便有效地進行客戶信用風險管理。

參考文獻：

[1]張國政，陳維煌，劉呈輝.基于Logistic模型的商業銀行個人消費信貸風險評估研究[J].金融理論與實踐，2015（03）：53-57.

[2]付瑋瓊.供應鏈金融視角下中小農業企業信用風險預警及防范研究[J].貴州社會科學，2020（04）：158-168.

作者簡介：

馮再青，女，1992年6月19日，河南商丘虞城，研二在讀，工商管理專業。

1258501186387