銀行對中小微企業的信貸策略研究

黃鑫淼 朱瑞 秦一凡

摘 要：本文針對銀行對中小微企業的信貸策略問題進行研究，以銀行收益期望最大化為目標，建立BP神經網絡模型、灰色關聯分析模型，結合圖論法制定合理的信貸策略。首先利用企業的信貸風險數據對其量化分析，賦予權值﹣1到4，確定指標強度。其次建立銀行收益期望模型，利用123家有信貸記錄的企業數據建立BP神經網絡模型，將影響指標代入模型中，求得無信貸記錄企業的信譽評級。最后利用灰色關聯分析模型得到信貸風險、利率、貸款額度相關度排名。結合企業的信譽評級，為銀行合理地提出對中小微企業的貸款額度和利率優惠策略，實現銀行收益期望最大化。

關鍵詞：BP神經網絡;灰色關聯度;信貸策略

本文索引：黃鑫淼，朱瑞，秦一凡.銀行對中小微企業的信貸策略研究[J].中國商論，2022（03）：-078.

中圖分類號：F832 文獻標識碼：A 文章編號：2096-0298（2022）02（a）--03

在大數據背景下，我國出臺了一系列政策要求商業銀行適當調整信貸業務結構，大力支持中小微企業貸款。雖然中小微企業面臨的“融資難、融資貴”問題得到一定改善，但是仍長期存在資金短缺。商業銀行和中小微企業長期存在信息不對稱等一系列問題，影響著銀行對中小微企業的資金供給。為了解決這些問題，在實現銀行利益最大化的前提下，需要確定銀行對每個企業的貸款年利率和貸款額度。銀行根據企業的實力、信譽對其信貸風險作出評估，依據信貸風險等因素來確定是否放貸及貸款額度、利率和期限等信貸策略。最終通過建立數學模型進而實現銀行利益的最大化。

1 問題描述與解決流程

在實際中，由于中小微企業規模相對較小，缺少抵押資產，因此銀行通常依據信貸政策、企業的交易票據信息和上下游企業的影響力，向實力強、供求關系穩定的企業提供貸款，并可以對信譽高、信貸風險小的企業給予利率優惠。本文研究如何利用已知的企業信息，在不同條件下給出最佳的銀行貸款額度和利率優惠，是銀行信貸策略主要研究的兩個方面。其中，企業的實力等因素影響銀行貸款額度，信譽評級高低是決定是否提供利率優惠的關鍵。先根據題目要求對數據集進行量化分析，對數據進行預處理。然后建立銀行收益期望模型，確定目標函數。

根據123家企業的信貸風險，把實力、供求關系和風險因素作為傳入參數特征變量進行BP模型的訓練，從而建立302家企業信譽評價的BP神經網絡模型。然后把信貸風險的相關度和信譽評級（A，B，C，D）結合，作為效益指標輸入，結合圖論法利用灰色關聯分析求解信貸風險、利率、貸款額度的相關度，同時考慮銀行貸款年利率與客戶流失率關系和企業有可能出現的違約情況，將得出的相關度進行排名，最終分出不同的等級，給出銀行對中小微企業的信貸策略。如圖1是本文的解決步驟思路流程圖。

2 模型的建立與求解

本文所研究的是123家有信貸記錄企業和302家無信貸記錄企業的相關數據。根據信譽評級和信貸風險策略給出企業的信貸策略。根據企業信貸風險的相關理論，結合中小微企業發票的特點及數據的可獲得性，選取了五個指標，構建企業信貸風險評價指標體系，如表1所示。

首先對實力、信譽等級、利潤波動、作廢發票比率、信貸風險評估、供求關系、風險因素等基礎變量進行數據處理。利用SUM求和以及Python軟件進行數據分析，得出企業流水總金額實力比較圖像。

利潤波動通過建立數據透視表，求出方差，最后對歸一化后的數據用Python做量化分析，得到企業利潤波動的圖像。作廢發票比率、信貸風險評估、企業供求關系和風險因素根據不同變量之間的關系進行數據處理，利用Python軟件結合圖論法得出比率進行評級分類。

2.1 建立銀行收益期望模型

首先確定目標函數如下：

（1）

其中，W為銀行收益，為貸款額度，為利率。

根據題目得知的范圍為10萬～100萬元，年利率為4%～15%;

β是隨機因子，取值為1時企業不違約;取值為0時企業違約;

θ是隨機數，用來判斷β。當θ[0，0.05]時，企業違約;θ[0.05，1]時，企業不違約。

2.2 求解無信貸記錄企業信譽評級

為了求解無信貸記錄企業的信譽評級，以有信貸記錄的123家企業數據為基礎，提取企業中的80%作為訓練集，把風險因素、企業實力、供求關系作為傳入參數特征變量進行BP模型訓練，設第一個輸入永遠值為θ，權值為﹣1，得到公式：

（2）

其中=﹣1，， f為選擇的激活代碼。

選取剩下的20%作為測試集，預測結果的誤差用最小二乘法表示：

（3）

根據公式設定一個迭代終止條件，在誤差小于一定值時終止遞歸，或者設定迭代次數。驗證得到了正確率可以達到70%的BP神經網絡模型，輸出的值是信用評級。

根據建立的模型，把企業的實力、供求關系和風險因素3個指標作為傳入參數特征變量，規定中間參數2個，得到全連接層（輸出）指標為關于302家企業的信譽評級，其中隱含層有4個。最終得到的BP神經網絡如圖2所示。

同時利用Malab工具箱對BP神經網絡模型做穩定性分析得到圖3，分析得出測試的占訓練的比例大小在10%左右，模型具有良好的穩定性，模型準確率達到70%左右。如果要得到更穩定的模型，需要將迭代次數與神經網絡的訓練參數進行匹配性調整，使得整體更加合適，從而獲得更加穩定的模型。

2.3 研究銀行對企業貸款額度的分配

在確定好企業的信譽評級以后，根據評級結果決定是否給企業提供貸款，篩選出信譽評級為D的企業和有違約記錄的企業，對于這部分中小微企業銀行不予貸款。企業的信用額度劃分是由實力和信譽等級決定的。首先利用層次分析法確定各指標的權重。利用公式計算得出灰色關聯系數，具體公式如下：

（4）

為比較數列對參考數列在第k個指標上的關聯系數，其中為分辨系數，其中，稱、分別為兩級最小差及兩級最大差。一般來說，分辨系數ρ越大，分辨率越大; ρ越小，分辨率越小。

通過建立灰色關聯分析模型計算得出灰色加權關聯度，計算公式如下：

（5）

式中：為第i個評價對象對理想對象的灰色加權關聯度。

求解得到的貸款額度范圍為[-1，10]，對企業的貸款額度進行求和排序。在固定金額的前提下，按照放款順序自上而下的優先級進行分配。將得到的結果按照階段性分成8個等級進行貸款額度分配。優先等級越高，企業分配得到的金額越多。

2.4 確定銀行對企業的信貸策略

銀行對企業的利率優惠，由信譽等級和信貸風險共同決定。根據所得數據，借助MATLAB軟件，運用灰色關聯分析模型求出信貸風險評估和信譽評級兩個指標的灰色加權關聯度，對求得的值進行優先級排序，最終分成8個等級。根據求得的結果給出銀行對不同中小微企業的優惠策略。

已知放貸企業的貸款額度為10萬～100萬元，年利率4%～15%，貸款期限為1年。因此根據求得8個等級的貸款額度和優惠政策，得到如下分級指標標準，如表2所示。

根據表2同時結合企業相關數據可以看出，在固定金額的前提下，對于低等級的企業銀行的放貸金額少，貸款利率額高;對于高等級的企業銀行的放貸金額多，貸款利率額低。在銀行對中小微企業的貸款額度方面，超過50%的企業位于等級4、等級5和等級6，即銀行的放貸金額集中在60萬～80萬元;在銀行對中小微企業的貸款利率方面，超過60%的企業在等級0到等級4，即銀行的貸款利率集中在9%～15%。

在確定好貸款額度和利率優惠以后計算銀行的預期收益，根據所得的貸款額度和銀行貸款年利率可以求出銀行對每個企業的收益，設置θ為[0，0.05]時，β=0，企業發生違約情況;θ為[0.05，1]時，β=1，企業不發生違約情況;將各個指標代入公式中，最終求得銀行的最大收益。

3 結語

中小微企業是我國市場經濟體系中的重要參與主體，對國民經濟的發展起著關鍵作用，研究中小微企業的信貸是學術界與實務界的熱點問題。本文充分利用所給數據，以銀行收益期望最大化為目標，從貸款額度和利率優惠兩個方面考慮銀行對中小微企業的信貸策略。通過建立BP神經網絡模型，利用所給數據對模型中的變量進行評級，得到無信貸記錄企業的評級。之后采用灰色關聯分析模型，計算相關變量的灰色加權關聯度，最后進行優先級排序，將貸款額度和利率優惠分成8個等級，結合企業的數據和違約情況等得出銀行對于中小微企業的信貸策略。

參考文獻

[1]李笑鋒. C銀行對中小企業經營性貸款的風險管理[D].昆明：云南財經大學，2020.

[2]王孟夏，邢劍琛，王林.商業銀行中小企業貸款風險研究[J].北方經濟，2009（24）.

[3]《運籌學》教材編寫組.運籌學（修改版）[M].北京：清華大學出版社，1990.

[4]司守奎，孫璽菁.數學建模算法與應用[M].北京：國防工業出版社，2011.

[5]施麗娟.基于灰色關聯模型的金融信用風險評價研究[J].科技經濟市場，2017（8）.

[6]李鈺博，裴宇恒，高曉亮.中小微企業的信貸決策問題研究[J].營銷界，2020（29）：163-165.

Research on Bank’s Credit Strategy For Micro， Small and Medium Enterprises

Shenyang University of Technology? Shenyang， Liaoning? 110870

HUANG Xinmiao? ZHU Rui? QIN Yifan

Abstract： This paper studies the bank’s credit strategy for micro， small and medium enterprises. The goal is to maximize the bank’s income expectation， establish BP neural network model and grey relational analysis model， making reasonable credit strategy with graph theory. First of all， this paper uses the credit risk data of enterprises for quantitative analysis， gives weight -1 to 4， determines the index strength. Secondly， this paper establishes the bank income expectation model， and the BP neural network model is established by using the data of 123 enterprises with credit records， and the impact indicators are substituted into the model to obtain the credit rating of enterprises without credit records. Finally， using the grey relational analysis model， this paper gets the ranking of credit risk， interest rate and loan line. Combined with the credit rating of enterprises， this paper puts forward a reasonable loan line and interest rate preferential strategy for micro， small and medium enterprises， so as to maximize the bank’s income expectation.

Keywords： BP neural network; grey correlation degree; credit strategy