基于主成份分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的農(nóng)村商業(yè)銀行不良貸款影響因素

郝婷婷 李擎 蘇英彥

摘要： 農(nóng)村商業(yè)銀行在我國的銀行業(yè)中占有非常重要的地位，但由于其金融主體的特殊性等一些原因，不良貸款率一直居高不下。神經(jīng)網(wǎng)絡(luò)模型是近年來學(xué)術(shù)界和應(yīng)用界廣泛關(guān)注的一種人工智能技術(shù)，主要通過模擬大腦的某些機(jī)理與機(jī)制，實(shí)現(xiàn)特定的功能。本文采用數(shù)學(xué)建模方法，針對農(nóng)村商業(yè)銀行不良貸款的眾多影響因素，首先通過主成份分析降維，選取影響農(nóng)村商業(yè)銀行不良貸款的主要因素；然后以降維得到的主成份為BP神經(jīng)網(wǎng)絡(luò)的輸入，以銀行現(xiàn)有數(shù)據(jù)為樣本，構(gòu)建了前反饋BP神經(jīng)網(wǎng)絡(luò)模型，對農(nóng)村商業(yè)銀行的不良貸款率進(jìn)行科學(xué)預(yù)測。本文提出的主成份分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，既可以為商業(yè)銀行發(fā)放貸款提供有效參考，又能有針對性的對影響不良貸款的因素進(jìn)行有效控制，同時(shí)為不良貸款的研究提供了新的思路與方法。

【關(guān)鍵詞】不良貸款 主成份分析 神經(jīng)網(wǎng)絡(luò)

1 引言

農(nóng)村商業(yè)銀行在我國的銀行業(yè)中占有非常重要的地位，但由于其服務(wù)對象的特殊性，以及歷史性的、現(xiàn)實(shí)性的、政策性的一些原因，不良貸款率一直居高不下，嚴(yán)重的制約著農(nóng)村商業(yè)銀行的穩(wěn)健經(jīng)營和良好發(fā)展，成為農(nóng)村商業(yè)銀行改革和發(fā)展的“瓶頸”。據(jù)銀監(jiān)會(huì)數(shù)據(jù)統(tǒng)計(jì)，2013年，全國農(nóng)村商業(yè)銀行的不良貸款率為4.5%，2014年不良貸款率為3.9%，2015年不良貸款率為4.3%，截至2017年6月末，全國農(nóng)村商業(yè)銀行的不良貸款率為4.0%，遠(yuǎn)遠(yuǎn)高于其他商業(yè)銀行。尋找影響商業(yè)銀行不良貸款的主要因素，找出控制銀行不良貸款的方法是金融界不斷探索和研究的一個(gè)核心問題。對于農(nóng)村商業(yè)銀行的不良貸款率進(jìn)行科學(xué)預(yù)測，確定不良貸款的主要影響因素，既可以為農(nóng)村商業(yè)銀行發(fā)放貸款提供有效參考，又能有針對性的對影響不良貸款的因素進(jìn)行有效控制。

目前，國內(nèi)外學(xué)者對不良貸款的影響因素做了大量研究。盧盼盼[1]在VAR模型的基礎(chǔ)上，對利率與商業(yè)銀行不良貸款率的波動(dòng)關(guān)系進(jìn)行了實(shí)證分析；李勇、趙金濤[2]等通過建立決策樹模型對銀行不良貸款信用風(fēng)險(xiǎn)進(jìn)行了預(yù)測；蔣鑫[3]通過建立多元線性回歸模型研究了不良貸款率與宏觀經(jīng)濟(jì)變量之間的相關(guān)關(guān)系；索有『4]運(yùn)用動(dòng)態(tài)面板數(shù)據(jù)模型，以2009-2013年滬深兩市14家上市銀行所組成的平行面板數(shù)據(jù)為樣本，研究了我國銀行不良貸款水平的基本影響因素。已有文獻(xiàn)大多通過實(shí)證分析或線性模型對不良貸款的影響因素進(jìn)行研究。一方面，單一的評價(jià)指標(biāo)不具有代表性，不能各種影響因素進(jìn)行充分揭示；另一方面，我國農(nóng)村商業(yè)銀行經(jīng)營環(huán)境復(fù)雜，其不良貸款率與各影響因素之間是否呈線性關(guān)系值得商榷。

神經(jīng)網(wǎng)絡(luò)模型是一種具有模式識(shí)別能力、自組織、自適應(yīng)、自學(xué)習(xí)特點(diǎn)的計(jì)算機(jī)制[5]，在眾多領(lǐng)域得到了廣泛應(yīng)用。例如，韓正一 [6]通過神經(jīng)網(wǎng)絡(luò)與因子分析相結(jié)合的方法構(gòu)建了相對全面的信貸風(fēng)險(xiǎn)監(jiān)測指標(biāo)體系，綜合反映貸款企業(yè)的風(fēng)險(xiǎn)狀況；龔科[7]提出了基于BP神經(jīng)網(wǎng)絡(luò)的銀行房地產(chǎn)信貸風(fēng)險(xiǎn)評價(jià)，通過與Logistic模型的對比檢驗(yàn)，證明了BP神經(jīng)網(wǎng)絡(luò)在總體風(fēng)險(xiǎn)評價(jià)方面具有較好的表現(xiàn)。主成份分析是一種降維方法，主要是通過將多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)去解釋原來資料中的大部分變量[8]?；诖耍疚耐ㄟ^主成份分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法研究農(nóng)村商業(yè)銀行不良貸款的影響因素，為銀行不良貸款的研究提供新的思路與方法。

2 不良貸款模型構(gòu)建

農(nóng)村商業(yè)銀行作為服務(wù)農(nóng)村的主力軍，由于其服務(wù)對象的特殊性等原因，與普通銀行相比，不良貸款的影響因素多而復(fù)雜。基于此，本文首先采用主成份分析方法對多種影響因素進(jìn)行分析，提煉出少數(shù)可以代表所有影響因素大部分信息的變量，然后以提煉出的少數(shù)變量為主要因素，并作為神經(jīng)網(wǎng)絡(luò)的輸入，以現(xiàn)有的不良貸款數(shù)據(jù)為樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型。

2.1 主成份分析變量選擇

不良貸款的影響因素眾多。宏觀方面：經(jīng)濟(jì)體制、宏觀經(jīng)濟(jì)調(diào)控、信貸資金財(cái)政化、金融監(jiān)管體制、市場和法規(guī)體系等。銀行方面：銀行的風(fēng)險(xiǎn)意識(shí)淡薄、自身具有制度性缺陷、風(fēng)險(xiǎn)監(jiān)控不力等。借款人方面：借款人的誠信狀況、財(cái)務(wù)狀態(tài)、年齡、受教育程度等。

由此，可以得到簡化后影響不良貸款的m個(gè)主要因素，與其他因素相比，這m個(gè)因素對不良貸款有著更直接、更深入的影響。

2.2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

以主成份分析得到的m個(gè)主要因素作為神經(jīng)網(wǎng)絡(luò)的輸入，選取現(xiàn)有的農(nóng)村商業(yè)銀行不良貸款數(shù)據(jù)為樣本，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)模型。首先需要確定隱含層的數(shù)目以及輸入層、輸出層與隱含層各層神經(jīng)元的個(gè)數(shù)。BP神經(jīng)網(wǎng)絡(luò)可以包含一層或多層隱含層，并且隨著隱含層數(shù)目增加，網(wǎng)絡(luò)規(guī)模增大，運(yùn)算效率會(huì)降低。

本文選擇單隱含層神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型設(shè)計(jì)。隱含層節(jié)點(diǎn)數(shù)通常用經(jīng)驗(yàn)公式確定，（

），其中m，n分別表示輸入層與輸出層的神經(jīng)元個(gè)數(shù)。選擇學(xué)習(xí)率T1，范圍在0.001～10之間，學(xué)習(xí)率過小，則收斂過慢；學(xué)習(xí)率過大，則可能修正過頭，導(dǎo)致震蕩甚至發(fā)散。采用動(dòng)量法調(diào)整權(quán)值，即將上一次權(quán)值調(diào)整量的一部分迭加到本次誤差計(jì)算所得的權(quán)值調(diào)整量上，作為本次的實(shí)際權(quán)值調(diào)整量，即：Aw（n）= -η△w（n）+α△w（n-l），其中：α為動(dòng)量系數(shù)，O<α<0.9，動(dòng)量因子實(shí)際上相當(dāng)于阻尼項(xiàng)，它減小了學(xué)習(xí)過程中的振蕩趨勢，從而改善了收斂性，降低了網(wǎng)絡(luò)對于誤差曲面局部細(xì)節(jié)的敏感性，有效的抑制了網(wǎng)絡(luò)陷入局部極小。

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練過程如下：

（1）初始化網(wǎng)絡(luò)，假設(shè)有一個(gè)隱層、隱層節(jié)點(diǎn)數(shù)為n_h，對各權(quán)系數(shù)w_ij進(jìn)行賦值，w_ij表示神經(jīng)元i與下一層第j個(gè)神經(jīng)元的連接強(qiáng)度，初始值取隨機(jī)數(shù)。

（2）輸入訓(xùn)練樣本，設(shè)x1，x2...xm分別代表來自樣本主成份分析后的輸入，通過各節(jié)點(diǎn)間的連接情況正向逐層計(jì)算隱層節(jié)點(diǎn)的輸出為

（5）重復(fù)步驟（2）（3）和（4），直到預(yù)測誤差滿足條件或是訓(xùn)練次數(shù)達(dá)到規(guī)定次數(shù)，結(jié)束。

通過不斷的學(xué)習(xí)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)模型基本形成，每當(dāng)有數(shù)據(jù)集進(jìn)入模型時(shí)，模型根據(jù)已經(jīng)訓(xùn)練好的參數(shù)進(jìn)行正向傳播，得到模型的輸出，即不良貸款率。從而實(shí)現(xiàn)對未來時(shí)間或是未到期貸款的不良貸款率進(jìn)行科學(xué)預(yù)測。

3 結(jié)論

本文采用數(shù)學(xué)建模方法，首先提出了通過主成份分析降維，選取影響農(nóng)村商業(yè)銀行不良貸款的主要因素的方法；然后以降維得到的主成份為BP神經(jīng)網(wǎng)絡(luò)的輸入，以銀行現(xiàn)有數(shù)據(jù)為樣本，構(gòu)建了前反饋BP神經(jīng)網(wǎng)絡(luò)模型，對農(nóng)村商業(yè)銀行的不良貸款率進(jìn)行科學(xué)預(yù)測。本文提出的主成份分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，既可以為商業(yè)銀行發(fā)放貸款提供有效參考，又能有針對性的對影響不良貸款的因素進(jìn)行有效控制。

參考文獻(xiàn)

[1]盧盼盼，利率與商業(yè)銀行不良貸款率波動(dòng)研究[J].西南金融，2012 （06）： 50-53.

[2]李勇，趙金濤.分類挖掘方法在銀行不良貸款信用風(fēng)險(xiǎn)評估中的應(yīng)用[J].工業(yè)工程，2008，11（06）：125-129.

[3]蔣鑫.影響商業(yè)銀行信用風(fēng)險(xiǎn)的宏觀經(jīng)濟(jì)因素分析[J].現(xiàn)代經(jīng)濟(jì)信息，2009 （12）：25-26.

[4]索有.我國上市銀行不良貸款影響因素研究基于動(dòng)態(tài)面板數(shù)據(jù)模型[J].社會(huì)科學(xué)輯刊，2015 （02）：114-120.

[5]姜啟源，謝金星，葉俊.數(shù)學(xué)建模[M].高等教育出版社，2011 （01）.

[6]韓正一，基于深度神經(jīng)網(wǎng)絡(luò)的銀行信貸風(fēng)險(xiǎn)監(jiān)測模型研究及實(shí)現(xiàn)[D].鄭州大學(xué)，2016.

[7]龔科.基于BP神經(jīng)網(wǎng)絡(luò)的銀行房地產(chǎn)信貸風(fēng)險(xiǎn)研究[D].華中科技大學(xué)，2007.

[8]何曉群，多元統(tǒng)計(jì)分析[M].中國人民大學(xué)出版社，2015 （04）.