小微企業(yè)信用風(fēng)險(xiǎn)因素識(shí)別淺析

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了小微企業(yè)信用風(fēng)險(xiǎn)因素識(shí)別淺析范文，希望能給你帶來(lái)靈感和參考，敬請(qǐng)閱讀。

摘要：小微企業(yè)在促進(jìn)經(jīng)濟(jì)增長(zhǎng)、增加就業(yè)機(jī)會(huì)和創(chuàng)造產(chǎn)業(yè)等方面起到了重要作用。然而，小微企業(yè)的信用風(fēng)險(xiǎn)較高，給銀行造成貸款違約損失的可能性較大。文章以188家小微企業(yè)為研究對(duì)象，通過(guò)隨機(jī)森林方法對(duì)影響小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵因素進(jìn)行識(shí)別，并確定關(guān)鍵指標(biāo)的影響程度和影響方向。結(jié)果表明：水電費(fèi)發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟次數(shù)等企業(yè)行為信息是影響小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵因素，且均對(duì)企業(yè)信用風(fēng)險(xiǎn)具有正向影響。

關(guān)鍵詞：小微企業(yè)；隨機(jī)森林；信用風(fēng)險(xiǎn)

1引言

近年來(lái)，隨著我國(guó)經(jīng)濟(jì)結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)的不斷優(yōu)化調(diào)整，以及經(jīng)濟(jì)向內(nèi)生增長(zhǎng)轉(zhuǎn)變，小微企業(yè)在促進(jìn)經(jīng)濟(jì)增長(zhǎng)、增加就業(yè)機(jī)會(huì)和創(chuàng)造產(chǎn)業(yè)等方面發(fā)揮了重要的作用。然而，市場(chǎng)經(jīng)營(yíng)環(huán)境的不斷改變，致使小微企業(yè)逾期貸款不斷增多，商業(yè)銀行的貸款業(yè)務(wù)面臨的風(fēng)險(xiǎn)加大。因此，識(shí)別影響小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵因素、持續(xù)動(dòng)態(tài)的捕獲貸款企業(yè)的風(fēng)險(xiǎn)信號(hào)、提前發(fā)現(xiàn)和判別企業(yè)風(fēng)險(xiǎn)，做出預(yù)警提示，減少因小微企業(yè)信用風(fēng)險(xiǎn)導(dǎo)致的貸款違約損失具有重要的意義。眾多學(xué)者開(kāi)展了小微企業(yè)信用風(fēng)險(xiǎn)因素識(shí)別的研究，如曹明生（2015）［1］使用Logistic模型研究影響小微企業(yè)信用風(fēng)險(xiǎn)的因素，研究發(fā)現(xiàn)企業(yè)財(cái)務(wù)信息對(duì)小微企業(yè)信用風(fēng)險(xiǎn)具有重要影響。趙玉龍等（2017）［2］的研究認(rèn)為企業(yè)自身特點(diǎn)、企業(yè)過(guò)度擴(kuò)張和企業(yè)負(fù)債等是影響小微企業(yè)信用風(fēng)險(xiǎn)的主要因素。滿向昱等（2018）［3］采用Logistic模型進(jìn)行研究，結(jié)果表明流動(dòng)資產(chǎn)周轉(zhuǎn)率、銀行負(fù)債資產(chǎn)比等企業(yè)財(cái)務(wù)指標(biāo)為影響我國(guó)中小微企業(yè)信用風(fēng)險(xiǎn)的重要因素。遲國(guó)泰等（2019）［4］實(shí)證分析小企業(yè)貸款數(shù)據(jù)，結(jié)果表明速動(dòng)比率、總資產(chǎn)增長(zhǎng)率等企業(yè)財(cái)務(wù)信息顯著影響小企業(yè)信用風(fēng)險(xiǎn)。孫福兵等（2020）［5］運(yùn)用Probit模型對(duì)小型農(nóng)業(yè)企業(yè)進(jìn)行信用風(fēng)險(xiǎn)影響因素識(shí)別，研究發(fā)現(xiàn)資產(chǎn)負(fù)債、營(yíng)業(yè)利潤(rùn)率等對(duì)信用風(fēng)險(xiǎn)具有重要影響。已有文獻(xiàn)的研究中，一方面，多將企業(yè)財(cái)務(wù)信息作為關(guān)注對(duì)象，對(duì)企業(yè)行為信息關(guān)注較少；另一方面，多使用傳統(tǒng)的回歸分析方法，極少使用流行的機(jī)器學(xué)習(xí)方法。因此，文章將企業(yè)行為信息引入小微企業(yè)信用風(fēng)險(xiǎn)因素識(shí)別研究中，并使用隨機(jī)森林方法這一機(jī)器學(xué)習(xí)方法，以便及早發(fā)現(xiàn)違約的前期預(yù)警信號(hào)，在企業(yè)違約前提前做好干預(yù)措施，從而有效管控小微企業(yè)的信用風(fēng)險(xiǎn)。

2數(shù)據(jù)選取與描述

文章的研究對(duì)象是2020年1月至2020年12月在某商業(yè)銀行需要償還貸款的小微企業(yè)。文章選擇的小微企業(yè)為企業(yè)規(guī)模符合國(guó)家四部委規(guī)定的小型和微型企業(yè)認(rèn)定標(biāo)準(zhǔn)的企業(yè)。對(duì)于因變量，文章將及時(shí)償還貸款的企業(yè)認(rèn)定為“未違約企業(yè)”，記為0；將到期未償還貸款或延期償還貸款的企業(yè)認(rèn)定為“違約企業(yè)”，記為1。文章獲取的小微企業(yè)總樣本數(shù)為188個(gè)，未違約的樣本數(shù)為144個(gè)，違約的樣本數(shù)為44個(gè)，樣本的違約率為23􀆰4％。自變量分為兩類：第一類為企業(yè)財(cái)務(wù)變量，包含資產(chǎn)負(fù)債率、利潤(rùn)增長(zhǎng)率、速動(dòng)比率、凈資產(chǎn)收益率和營(yíng)業(yè)毛利潤(rùn)率等；第二類為企業(yè)行為變量，包含企業(yè)過(guò)去12個(gè)月水電費(fèi)發(fā)生異常的次數(shù)、過(guò)去12個(gè)月繳納稅金發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟的次數(shù)等。

3實(shí)證研究

隨機(jī)森林方法是當(dāng)下流行的機(jī)器學(xué)習(xí)方法。它將若干個(gè)分類樹(shù)組合成隨機(jī)森林，顯著提高了預(yù)測(cè)精度。文章使用隨機(jī)森林方法對(duì)數(shù)據(jù)進(jìn)行擬合，需要說(shuō)明的是在擬合過(guò)程中需要對(duì)每次拆分時(shí)隨機(jī)選取變量個(gè)數(shù)以及樹(shù)的棵數(shù)等參數(shù)進(jìn)行設(shè)定。文章通過(guò)設(shè)定不同的分叉樹(shù)和樹(shù)的棵數(shù)確定最優(yōu)的隨機(jī)變量個(gè)數(shù)和樹(shù)的棵數(shù)，最終隨機(jī)變量個(gè)數(shù)為5，樹(shù)的棵數(shù)為1000。表2報(bào)告了變量重要性度量結(jié)果。由表2可知，重要性權(quán)重超過(guò)10％的指標(biāo)有4個(gè)，且全部為企業(yè)行為變量，分別為：過(guò)去12個(gè)月水電費(fèi)發(fā)生異常的次數(shù)（22􀆰90％）、借新還舊次數(shù)（11􀆰55％）、還款計(jì)劃變更次數(shù)（17􀆰42％）和民事訴訟的次數(shù)（13􀆰65％），這4個(gè)變量均屬于企業(yè)行為變量，且這4個(gè)指標(biāo)的重要性權(quán)重之和超過(guò)了65％。這說(shuō)明，企業(yè)經(jīng)營(yíng)行為是否合規(guī)對(duì)小微企業(yè)是否違約具有重要影響。選取重要性權(quán)重最大的4個(gè)變量：12個(gè)月水電費(fèi)發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟的次數(shù)，構(gòu)建偏相關(guān)圖，考察4個(gè)變量對(duì)企業(yè)違約概率的影響方向和大小，如圖1所示。由圖1可知，12個(gè)月水電費(fèi)發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟的次數(shù)4個(gè)變量的增加都會(huì)顯著增加企業(yè)違約概率，這說(shuō)明12個(gè)月水電費(fèi)發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟的次數(shù)4個(gè)變量對(duì)企業(yè)違約具有顯著的正向影響。為了更進(jìn)一步研究企業(yè)行為變量對(duì)小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估的重要性，本文分別構(gòu)建不包含企業(yè)行為變量的數(shù)據(jù)集和包含企業(yè)行為變量的數(shù)據(jù)集，隨機(jī)將數(shù)據(jù)集分成兩部分（80％的數(shù)據(jù)集用作訓(xùn)練數(shù)據(jù)集，20％用作測(cè)試數(shù)據(jù)集）進(jìn)行100次模擬試驗(yàn)，以證明加入企業(yè)行為變量是否能提高模型預(yù)測(cè)的準(zhǔn)確性。表3報(bào)告了模型預(yù)測(cè)的結(jié)果。由表3可知，加入企業(yè)行為變量后，預(yù)測(cè)準(zhǔn)確率由0􀆰946提高到0􀆰980，AUC值也由0􀆰752提高到0􀆰926；另外，對(duì)于第一類錯(cuò)誤率和第二類錯(cuò)誤率，加入企業(yè)行為變量后的第一類錯(cuò)誤率和第二類錯(cuò)誤率最低。因此，加入企業(yè)行為變量可以大大提高模型的預(yù)測(cè)性能。

4結(jié)論與啟示

文章采用隨機(jī)森林方法實(shí)證研究了影響小微企業(yè)信用風(fēng)險(xiǎn)的關(guān)鍵因素，實(shí)證結(jié)果表明：12個(gè)月水電費(fèi)發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計(jì)劃變更次數(shù)和民事訴訟的次數(shù)等企業(yè)行為變量是影響小微企業(yè)信用風(fēng)險(xiǎn)最關(guān)鍵的4個(gè)變量，且這4個(gè)變量均對(duì)企業(yè)違約具有正向影響。同時(shí)，進(jìn)一步驗(yàn)證了企業(yè)行為變量能夠顯著提高小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估的預(yù)測(cè)精度。這為商業(yè)銀行對(duì)小微企業(yè)信用狀況的準(zhǔn)確判斷提供了一定的借鑒與參考。

參考文獻(xiàn)：

［1］曹明生􀆰基于Logistic模型的小微企業(yè)信用風(fēng)險(xiǎn)度量研究［J］．時(shí)代金融，2015（8）：203－204􀆰

［2］趙玉龍，鄧大松，王林􀆰我國(guó)商業(yè)銀行小微企業(yè)信用風(fēng)險(xiǎn)成因分析［J］．海南金融，2017（6）：68－73，82􀆰

［3］滿向昱，張?zhí)煲?，汪川，?#1049008;我國(guó)中小微企業(yè)信用風(fēng)險(xiǎn)因素識(shí)別及測(cè)度研究［J］．中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2018（9）：46－58􀆰

［4］遲國(guó)泰，于善麗􀆰基于違約鑒別能力最大的信用等級(jí)劃分方法［J］．管理科學(xué)學(xué)報(bào)，2019，22（11）：106－126􀆰

［5］孫福兵，宋福根􀆰新型農(nóng)業(yè)經(jīng)營(yíng)主體信貸風(fēng)險(xiǎn)的識(shí)別與防范研究［J］．經(jīng)濟(jì)縱橫，2020（8）：116－125􀆰

作者:呂爽 單位:煙臺(tái)嘉信有限責(zé)任會(huì)計(jì)師事務(wù)所