基于風(fēng)險(xiǎn)與收益平衡的銀行信貸策略模型構(gòu)建及可行性分析

郁鎣熒　鮑琴　戴柯磊

摘 要：依據(jù)企業(yè)風(fēng)險(xiǎn)制定中小銀行信貸策略，以數(shù)據(jù)量化分析為切入點(diǎn)，從信貸政策、交易票據(jù)信息、上下游企業(yè)影響力這三個(gè)角度挖掘影響銀行信貸風(fēng)險(xiǎn)的因素，量化出評(píng)價(jià)指標(biāo)并利用熵權(quán)法分析出企業(yè)風(fēng)險(xiǎn)系數(shù)。針對(duì)不同的企業(yè)風(fēng)險(xiǎn)情況確定出不同的效益額計(jì)算方式，而后以銀行受益與風(fēng)險(xiǎn)之間的平衡為目標(biāo)，以各企業(yè)的貸款額和貸款年利率作為決策變量，以貸款額度與貸款年利率限制為約束條件，建立銀行信貸策略模型，通過(guò)模型求解確定實(shí)施信貸策略。為驗(yàn)證此銀行信貸策略模型在突發(fā)因素情況下的可行性，利用現(xiàn)有數(shù)據(jù)通過(guò)模型分析獲得突發(fā)事件下的信貸策略，與實(shí)際信貸方案比較，確定本模型輸出結(jié)果符合實(shí)際情況，可以為中小銀行信貸決策提供參考。

關(guān)鍵詞：風(fēng)險(xiǎn)系數(shù)指標(biāo);熵權(quán)法;銀行信貸策略;可行性

中圖分類號(hào)：F832? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1673-291X（2022）13-0095-04

一些小型企業(yè)因發(fā)展需要向銀行貸款，但往往因?yàn)橐?guī)模較小并且缺乏抵押資產(chǎn)，導(dǎo)致銀行對(duì)其信貸策略評(píng)估存在一定困難。通過(guò)調(diào)查研究發(fā)現(xiàn)，銀行通常是基于企業(yè)信用情況并根據(jù)經(jīng)驗(yàn)決策放貸，這存在一定風(fēng)險(xiǎn)。本文通過(guò)數(shù)據(jù)分析方法引入更多的評(píng)價(jià)指標(biāo)，建立了一套銀行信貸模型，以期為制定信貸策略提供科學(xué)支撐。

一、信貸風(fēng)險(xiǎn)指標(biāo)確定

信貸策略主要是用來(lái)確定銀行對(duì)企業(yè)進(jìn)行信貸風(fēng)險(xiǎn)評(píng)估后決定是否向企業(yè)放貸以及放貸額、貸款年利率的方案。一般銀行通常只從信貸政策、交易票據(jù)信息、上下游企業(yè)影響力這三個(gè)角度，根據(jù)一定經(jīng)驗(yàn)習(xí)慣決定信貸策略。本文對(duì)已知數(shù)據(jù)通過(guò)合理分析[1]，提取出了影響信貸風(fēng)險(xiǎn)的12項(xiàng)指標(biāo)，以此提高評(píng)估科學(xué)性。

（一）信貸政策

信貸政策的預(yù)防政策主要用于銀行在借貸前對(duì)借貸人進(jìn)行資格審核[2]，借貸人的信譽(yù)以及以往交易中違約記錄是考察重點(diǎn)，因此本文提取出信譽(yù)等級(jí)和是否違約兩項(xiàng)指標(biāo)。

（二）交易票據(jù)信息

交易票據(jù)信息包含企業(yè)進(jìn)項(xiàng)和銷項(xiàng)相關(guān)數(shù)據(jù)，主要包括進(jìn)項(xiàng)銷項(xiàng)額、稅額、作廢發(fā)票、負(fù)數(shù)發(fā)票、有效票數(shù)，本文從中提取出以下6項(xiàng)指標(biāo)。

1.年平均營(yíng)業(yè)收入。企業(yè)的年平均營(yíng)業(yè)收入直接表明了企業(yè)的收益情況，反映企業(yè)的經(jīng)濟(jì)狀況，具體計(jì)算公式如下：

年平均營(yíng)業(yè)收入=（企業(yè)銷項(xiàng)額-企業(yè)進(jìn)項(xiàng)額）/年數(shù)

（1）

2.營(yíng)業(yè)收入年平均增長(zhǎng)率。企業(yè)的營(yíng)業(yè)收入年平均增長(zhǎng)率反映了企業(yè)近幾年的經(jīng)濟(jì)變化趨勢(shì)，可看出企業(yè)的經(jīng)濟(jì)狀況是呈上升還是下降狀態(tài)，計(jì)算公式如下：

營(yíng)業(yè)收入年平均增長(zhǎng)率=-1（2）

其中，n為年限，例如求解2017—2020年的年平均增長(zhǎng)率，此時(shí)n=4。

3.納稅規(guī)模。納稅規(guī)模的標(biāo)準(zhǔn)與增值稅有關(guān)，增值稅為企業(yè)需交稅額，增值稅率3%為小規(guī)模納稅人，增值稅率6%、9%、13%為一般納稅人。

4.進(jìn)項(xiàng)負(fù)數(shù)發(fā)票數(shù)占有效票數(shù)之比——企業(yè)資金流轉(zhuǎn)情況。企業(yè)的進(jìn)項(xiàng)負(fù)數(shù)發(fā)票數(shù)越多，證明企業(yè)由于自身經(jīng)濟(jì)情況取消訂單越多，可能出現(xiàn)資金鏈周轉(zhuǎn)困難、資金赤字等情況。

5.銷項(xiàng)負(fù)數(shù)發(fā)票數(shù)占有效票數(shù)之比——企業(yè)產(chǎn)品質(zhì)量?jī)?yōu)劣。銷項(xiàng)負(fù)數(shù)發(fā)票數(shù)占有效票數(shù)之比反映企業(yè)被退回產(chǎn)品的數(shù)量，刻畫(huà)了企業(yè)的產(chǎn)品質(zhì)量?jī)?yōu)劣。

6.進(jìn)項(xiàng)銷項(xiàng)作廢票數(shù)占總票數(shù)之比。進(jìn)項(xiàng)銷項(xiàng)作廢票數(shù)占總票數(shù)之比反映了企業(yè)與銷售方和購(gòu)買(mǎi)方交易取消的概率。

（三）上下游企業(yè)影響力

企業(yè)從銷售方進(jìn)貨而后向購(gòu)貨方銷售產(chǎn)品，兩者分別影響企業(yè)的進(jìn)貨成本與銷售額，反映了企業(yè)的供求關(guān)系。

1.銷售方數(shù)量。銷售方數(shù)量代表企業(yè)進(jìn)貨資源的豐富與否，銷售方數(shù)量越多，說(shuō)明企業(yè)進(jìn)貨渠道廣泛，供應(yīng)情況越穩(wěn)定。

2.購(gòu)貨方數(shù)量。購(gòu)貨方數(shù)量代表企業(yè)的客戶資源，反映企業(yè)產(chǎn)品的需求情況。

3.總進(jìn)貨額（有效發(fā)票）。企業(yè)總進(jìn)貨額為進(jìn)項(xiàng)額之和。

4.總銷售額（有效發(fā)票）。企業(yè)總銷售額為銷項(xiàng)額之和。

二、基于熵權(quán)法的信貸風(fēng)險(xiǎn)綜合評(píng)價(jià)模型

根據(jù)企業(yè)的各項(xiàng)指標(biāo)來(lái)評(píng)判企業(yè)的信貸風(fēng)險(xiǎn)是一種多指標(biāo)評(píng)價(jià)體系。本文基于熵權(quán)法建立了綜合評(píng)價(jià)模型，利用熵權(quán)法求解評(píng)價(jià)指標(biāo)權(quán)重[3]，得出每個(gè)銀行信貸風(fēng)險(xiǎn)的綜合評(píng)價(jià)得分，據(jù)此評(píng)估銀行信貸風(fēng)險(xiǎn)如表1所示。

依據(jù)熵權(quán)法，本文求解出12項(xiàng)指標(biāo)的熵權(quán)值，通過(guò)排序發(fā)現(xiàn)，納稅規(guī)模、是否違約、信譽(yù)評(píng)價(jià)這三項(xiàng)熵權(quán)值較大并且明顯高于其他指標(biāo)。因此本文認(rèn)為這三項(xiàng)指標(biāo)對(duì)銀行信貸風(fēng)險(xiǎn)起主要作用，由此獲得風(fēng)險(xiǎn)系數(shù)模型。

風(fēng)險(xiǎn)系數(shù)=0.336×納稅規(guī)模+0.288×是否違約+0.206×信譽(yù)評(píng)級(jí)（3）

三、基于銀行信貸風(fēng)險(xiǎn)性與收益性的銀行信貸策略模型

銀行放貸需要考慮信貸風(fēng)險(xiǎn)性造成的損失額與收益額，因此本文針對(duì)銀行放貸建立了以風(fēng)險(xiǎn)與收益平衡為目標(biāo)的模型，將貸款額、貸款利率作為約束條件，求解出對(duì)不同信譽(yù)評(píng)級(jí)的企業(yè)的信貸策略[4]。

（一）企業(yè)最大貸款額

企業(yè)最大貸款額等于每年?duì)I業(yè)收入合計(jì)乘以年現(xiàn)金值系數(shù)，其中營(yíng)業(yè)收入合計(jì)為企業(yè)進(jìn)項(xiàng)和銷項(xiàng)額之差，年金現(xiàn)值系數(shù)已知期限和基準(zhǔn)年利率可查表得知，本文中期限1年，2020年基準(zhǔn)年利率為4.35%，年金現(xiàn)值系數(shù)為0.961，所以可算出每家企業(yè)的最大貸款額。

銀行允許最大貸款額是貸款額度上限和銀行風(fēng)險(xiǎn)承擔(dān)額之差。

（二）銀行風(fēng)險(xiǎn)性最低前提下收益最大化的優(yōu)化模型

銀行在放貸時(shí)考慮長(zhǎng)期風(fēng)險(xiǎn)性最小化和收益額最大化兩個(gè)目標(biāo)，所以本文以銀行風(fēng)險(xiǎn)損失額最少和收益額最大作為雙目標(biāo)，公式如下：

（4）

而后本文將銀行收益額減去銀行損失額作為銀行長(zhǎng)期效益額，實(shí)現(xiàn)了雙目標(biāo)轉(zhuǎn)單目標(biāo)，首先分別算出3類信譽(yù)評(píng)級(jí)企業(yè)的效益額并相加，得到銀行向企業(yè)放貸所獲得的總效益額。信譽(yù)評(píng)級(jí)A類企業(yè)的效益額的計(jì)算見(jiàn)式（5）。

（5）

其中，ZA為信譽(yù)評(píng)級(jí)A類企業(yè)銀行可獲長(zhǎng)期效益額，xi為銀行向企業(yè)提供的貸款額，kA為信譽(yù)評(píng)級(jí)為A的客戶流失率（與貸款年利率的表達(dá)式上文已給出），e為銀行貸款年利率，fi為企業(yè)的信貸風(fēng)險(xiǎn)指數(shù)。

同理，可得到信譽(yù)評(píng)級(jí)為B和C類企業(yè)的可獲效益額maxZB和maxZC。銀行最終目標(biāo)函數(shù)為銀行對(duì)應(yīng)3類企業(yè)效益額之和。決策變量是銀行向每家企業(yè)提供的貸款額及貸款年利率。模型的約束條件如下：

1.基礎(chǔ)貸款額約束：10萬(wàn)≤xi≤100萬(wàn)（i=1，2，…，n）（其中n為企業(yè)數(shù)）。10萬(wàn)元和100萬(wàn)元可按照銀行真實(shí)情況進(jìn)行調(diào)整。

2.貸款年利率約束：0.04≤ei≤0.15。

3.銀行向企業(yè)貸款額不超過(guò)企業(yè)最大貸款額：xi≤Mi（i=1，2，…，n）。

4.貸款額上限不超過(guò)銀行允許最大貸款額：xi≤100-xi×fi。

綜上，基于多目標(biāo)優(yōu)化的信貸策略模型為：

（6）

四、應(yīng)對(duì)突發(fā)事件的信貸策略模型可行性研究

突發(fā)因素會(huì)影響企業(yè)的生產(chǎn)經(jīng)營(yíng)和經(jīng)濟(jì)效益[5]，導(dǎo)致銀行信貸風(fēng)險(xiǎn)系數(shù)值改變，即改變信貸策略模型的參數(shù)，銀行信貸策略則隨之調(diào)整。通過(guò)資料查詢可以了解到，對(duì)于醫(yī)療衛(wèi)生突發(fā)事件，往往醫(yī)療行業(yè)的信貸策略所受影響較大。而對(duì)于國(guó)際政治突發(fā)事件，則對(duì)所有行業(yè)都會(huì)產(chǎn)生一定影響。因此，本文選擇兩類具有代表性的突發(fā)事件，分別是突發(fā)事件一（醫(yī)療衛(wèi)生）、突發(fā)事件二（國(guó)際政治），來(lái)驗(yàn)證信貸策略模型在突發(fā)事件情況下的可行性。

本文通過(guò)基于熵權(quán)法的綜合評(píng)價(jià)模型量化出不同行業(yè)在不同時(shí)間段內(nèi)的信貸風(fēng)險(xiǎn)系數(shù)，改變模型參數(shù)，代入優(yōu)化模型，得到不同時(shí)間段內(nèi)銀行對(duì)企業(yè)的信貸策略，表2列出了6種行業(yè)不同時(shí)段內(nèi)的風(fēng)險(xiǎn)系數(shù)。

本文針對(duì)四個(gè)時(shí)間段建立了多目標(biāo)優(yōu)化模型，求解不同時(shí)間段內(nèi)的信貸策略。基于前面優(yōu)化模型思路，此時(shí)基于銀行長(zhǎng)期效益額最大的多目標(biāo)優(yōu)化模型為：

（7）

其中H為銀行向6類行業(yè)放貸獲得的長(zhǎng)期收益額，Gi是各行業(yè)的貸款利率，Qi為各行業(yè)的客戶損失率，wi為各行業(yè)的信貸風(fēng)險(xiǎn)系數(shù)，Ri為各行業(yè)允許企業(yè)貸款數(shù)量，Pi為企業(yè)最大貸款額。

而后得到兩個(gè)突發(fā)事件影響下的銀行信貸策略的調(diào)整方案如表3和下頁(yè)表4所示。

由以上圖表可知，在事件一影響下，銀行調(diào)整了對(duì)各個(gè)行業(yè)的貸款額，并且對(duì)各個(gè)行業(yè)的調(diào)整額度不同，主要影響了醫(yī)療衛(wèi)生行業(yè)和貿(mào)易銷售行業(yè)，其中貿(mào)易銷售企業(yè)的貸款額同比增長(zhǎng)了326.991%。在事件二影響下，銀行全面大幅度調(diào)整了各行業(yè)的貸款額，事件二對(duì)全國(guó)各行業(yè)的影響程度都較大，除餐飲行業(yè)貸款額上升外，其余行業(yè)的貸款額都下降了，其中個(gè)體經(jīng)營(yíng)戶的貸款額下降幅度最大，達(dá)到了69.215%。由此說(shuō)明結(jié)果數(shù)據(jù)符合現(xiàn)實(shí)情況下的銀行信貸策略變化情況[6]，表明應(yīng)對(duì)突發(fā)事件式信貸策略模型具有可行性。

總之，通過(guò)數(shù)據(jù)分析，首先在常用的決策信貸方案的三類數(shù)據(jù)中確定了12項(xiàng)風(fēng)險(xiǎn)評(píng)估指標(biāo)并通過(guò)熵權(quán)法獲得每個(gè)企業(yè)的風(fēng)險(xiǎn)系數(shù)。其次在風(fēng)險(xiǎn)系數(shù)的基礎(chǔ)上融合了業(yè)界通用的收益計(jì)算方式，構(gòu)建了風(fēng)險(xiǎn)與收益平衡的信貸策略模型，并用兩類突發(fā)事件的往期數(shù)據(jù)進(jìn)行了可行性驗(yàn)證，從而為銀行信貸的決策提供了一種新方法。

參考文獻(xiàn)：

[1]? 123家有信貸記錄企業(yè)的相關(guān)數(shù)據(jù)[Z/OL].百度文庫(kù)，2020-09-22.

[2]? 王聰，韓志，胥仲橋，王麗莎.基于邏輯回歸的中小微銀行信貸策略研究[J].商訊，2021，（2）：91-92.

[3]? 姜安民，董彥辰，李旋.基于熵權(quán)與模糊綜合評(píng)判法的深基坑施工風(fēng)險(xiǎn)預(yù)測(cè)模型研究[J].甘肅科學(xué)學(xué)報(bào)，2021，（1）：83-88.

[4]? 張東蕾，余紀(jì)磊，王子軒.基于信貸風(fēng)險(xiǎn)評(píng)估的銀行信貸策略研究[J].投資與合作，2021，（1）：62-63.

[5]? 操儀，祖平，胡逸歡，肖萍，何蓉.新型冠狀病毒肺炎疫情發(fā)布中的公共衛(wèi)生倫理考量[J].中國(guó)衛(wèi)生資源，2021，（3）.

[6]? 王泓月，潘萌，朱晶晶，林獻(xiàn)果.生物醫(yī)藥企業(yè)的信貸營(yíng)銷策略探索[J].時(shí)代金融，2021，（6）：81-83.

收稿日期：2021-04-15

作者簡(jiǎn)介：郁鎣熒（1999-），女，浙江嘉興人，學(xué)生，從事企業(yè)質(zhì)量管理研究;鮑琴（1999-），女，浙江蘭溪人，學(xué)生，從事企業(yè)質(zhì)量管理研究;戴柯磊（1999-），男，浙江寧波人，學(xué)生，從事儀器科學(xué)與技術(shù)研究。