網(wǎng)絡(luò)大數(shù)據(jù)視角下的商業(yè)銀行信貸決策研究

包鈺軒

摘要：信貸決策是商業(yè)銀行運(yùn)營(yíng)中的重要一環(huán)。通過(guò)發(fā)票總金額、開(kāi)票頻率、發(fā)票比例、金額波動(dòng)等數(shù)據(jù)，應(yīng)用Python考量中小微企業(yè)的實(shí)力、信譽(yù)和穩(wěn)定性，評(píng)估銀行信貸風(fēng)險(xiǎn)。通過(guò)模糊評(píng)估法建立企業(yè)評(píng)價(jià)模型，考量是否提供貸款業(yè)務(wù)以及確定銀行信貸策略。通過(guò)函數(shù)關(guān)系式求解銀行年收入的最大值，利用Excel制表給出相對(duì)優(yōu)化的信貸策略。

關(guān)鍵詞：網(wǎng)絡(luò)大數(shù)據(jù) 企業(yè)評(píng)價(jià)模型 Python數(shù)據(jù)整合 銀行信貸決策

在網(wǎng)絡(luò)大數(shù)據(jù)視角下，綜合企業(yè)評(píng)價(jià)模型;Python數(shù)據(jù)整合等手段，對(duì)于保證商業(yè)銀行信貸決策的科學(xué)性，實(shí)現(xiàn)商業(yè)銀行信貸決策的最優(yōu)化，有著重要作用。

一、建模背景

（一）基于問(wèn)題的建模分析

問(wèn)題一：通過(guò)各企業(yè)進(jìn)項(xiàng)發(fā)票和銷項(xiàng)發(fā)票信息，求出總收益和開(kāi)票頻率，然后利用聚類分析將表中的企業(yè)分為四類，并分別制定貸款額度。同時(shí)，對(duì)銀行貸款年利率與客戶流失率的關(guān)系，求出對(duì)各個(gè)信譽(yù)評(píng)級(jí)下企業(yè)的最優(yōu)貸款年利率，進(jìn)而給出有信貸記錄企業(yè)樣本的信貸決策。問(wèn)題二：解決無(wú)信貸記錄企業(yè)樣本的信貸決策。首先將問(wèn)題一中有信貸記錄的123家企業(yè)作為訓(xùn)練集，根據(jù)有效發(fā)票比例進(jìn)行學(xué)習(xí)，將問(wèn)題二中無(wú)信貸記錄的302家企業(yè)作為測(cè)試集，得出涉及企業(yè)的信譽(yù)評(píng)級(jí)，進(jìn)而得出銀行針對(duì)不同企業(yè)的信貸策略。問(wèn)題三：分析突發(fā)因素對(duì)不同類別企業(yè)的生產(chǎn)經(jīng)營(yíng)和經(jīng)濟(jì)效益的影響（例如新冠病毒疫情影響），根據(jù)《國(guó)民經(jīng)濟(jì)行業(yè)分類明細(xì)》中20種行業(yè)的數(shù)據(jù)分析，將突發(fā)因素設(shè)為對(duì)銀行收入影響的變量β，并重復(fù)問(wèn)題二中的步驟，綜合得出商業(yè)銀行在年度信貸總額為1億元時(shí)的信貸調(diào)整策略。

（二）模型的假設(shè)與約定

第一，假設(shè)企業(yè)經(jīng)營(yíng)良好，有正常的營(yíng)業(yè)收入，并且正常繳稅。第二，企業(yè)法人或者股東擁有一定資產(chǎn)，可以證明自身的還款能力。第三，企業(yè)（包括法人在內(nèi)）沒(méi)有不良的征信記錄。第四，不考慮企業(yè)的其他收益來(lái)源，銷項(xiàng)發(fā)票額-進(jìn)項(xiàng)發(fā)票額即為企業(yè)總收益。第五，單筆數(shù)額較大的支票和開(kāi)票頻率與企業(yè)的實(shí)力相聯(lián)系。第六，有效發(fā)票的占比與企業(yè)的信譽(yù)相聯(lián)系。

（三）涉及符號(hào)說(shuō)明

二、模型建立及求解

（一）問(wèn)題一

首先，由有信貸記錄的123家企業(yè)銷項(xiàng)發(fā)票信息與進(jìn)項(xiàng)發(fā)票信息，得出企業(yè)總收益P 的數(shù)學(xué)模型，并利用Python進(jìn)行計(jì)算后求出企業(yè)總收益P。

接著，由銷項(xiàng)發(fā)票與進(jìn)項(xiàng)發(fā)票信息，對(duì)相應(yīng)數(shù)據(jù)計(jì)數(shù)得出企業(yè)開(kāi)票頻率F。然后，通過(guò)anaconda的Scikit-learn庫(kù)，按企業(yè)總收益P與開(kāi)票頻率F進(jìn)行聚類分析，將企業(yè)分為0、1、2、3 四大類，針對(duì)其經(jīng)營(yíng)實(shí)力給與相應(yīng)貸款額度Q，具體為1類企業(yè)給予貸款40萬(wàn)，2類企業(yè)給予貸款80萬(wàn)，3類企業(yè)給予貸款100萬(wàn)，而0類企業(yè)不給予貸款。同時(shí)，分析銀行貸款年利率與客戶流失率關(guān)系，得出不同信譽(yù)評(píng)級(jí)下最佳貸款年利率的數(shù)學(xué)模型：max YTMA×（1-rA）A;maxYTMB×（1-rB）B;maxYTMC×（1-rC）C。利用Python計(jì)算后求出不同信譽(yù)評(píng)級(jí)下最佳貸款年利率，即YTMA、YTMB、YTMC，則銀行年收益用公式可表示為：Y=Q×YTMi 。

按照上述模型，利用Python進(jìn)行求解，得到有信貸記錄的123家企業(yè)信貸策略。

（二）問(wèn)題二

首先，同樣由302家無(wú)信貸[1]記錄企業(yè)的銷項(xiàng)發(fā)票信息與進(jìn)項(xiàng)發(fā)票信息，得出企業(yè)總收益P 的數(shù)學(xué)模型（與問(wèn)題一相同），利用Python計(jì)算后求出企業(yè)總收益P。接著，根據(jù)銷項(xiàng)發(fā)票信息與進(jìn)項(xiàng)發(fā)票信息，用計(jì)數(shù)函數(shù)得出企業(yè)開(kāi)票頻率F。然后，通過(guò)anaconda的Scikit-learn庫(kù)，按企業(yè)總收益P與企業(yè)開(kāi)票頻率F進(jìn)行聚類分析，由于本題的數(shù)據(jù)量較多，且大多數(shù)企業(yè)總收益P與開(kāi)票頻率F不成正比關(guān)系。于是，引入新變量Pe——每筆發(fā)票收益來(lái)作為評(píng)定企業(yè)實(shí)力的指標(biāo)。通過(guò)聚類分析，發(fā)現(xiàn)最優(yōu)的分簇值為9，即按實(shí)力將企業(yè)分為九大類，并利用目標(biāo)規(guī)劃模型建立在年度信貸總額為1億元時(shí)，銀行給予不同門類企業(yè)的貸款額度模型：設(shè)貸款超過(guò)一億元的數(shù)值d+，貸款不足一億元的數(shù)值為d-，0類企業(yè)數(shù)為a0，1類企業(yè)數(shù)為a1…最后，利用銀行年收益公式，求出銀行在年度信貸總額為1億元時(shí)的信貸最佳策略。通過(guò)計(jì)算302家無(wú)信貸記錄企業(yè)的有效發(fā)票比例，對(duì)其進(jìn)行信譽(yù)評(píng)級(jí)。具體公式如下：min=d_1;S.t.（a0x0 + a1x1 +… + a8x8）= 100000000;x0，x1 …x8 ∈ [10，100];以及Y=Q×YTMi。將問(wèn)題一中的123家有信貸記錄企業(yè)的有效發(fā)票比例及所對(duì)應(yīng)的信譽(yù)評(píng)級(jí)作為訓(xùn)練集，再將表2中的302家無(wú)信貸記錄企業(yè)的有效發(fā)票比例及對(duì)應(yīng)的信譽(yù)評(píng)級(jí)作為測(cè)試集，進(jìn)行機(jī)器學(xué)習(xí)。最后，根據(jù)問(wèn)題一的求解思路，得到無(wú)信貸記錄的302家企業(yè)信貸策略。

（三）問(wèn)題三

在問(wèn)題二建立的模型基礎(chǔ)之上，引入由于疫情對(duì)銀行信貸決策的影響因子β，從而建立新的銀行年收益模型。首先，通過(guò)在網(wǎng)上搜集有關(guān)文件和數(shù)據(jù)庫(kù)[2]，得到《國(guó)民經(jīng)濟(jì)行業(yè)分類明細(xì)》中 20 種行業(yè)的上半年利潤(rùn)增長(zhǎng)率。然后，利用目標(biāo)規(guī)劃模型建立在年度信貸總額為1億元時(shí)，銀行給予不同門類企業(yè)的貸款額度模型：設(shè)貸款超過(guò)1億元的數(shù)值為d+，貸款不足1億元的數(shù)值為d_1，0類企業(yè)數(shù)為a0，1類企業(yè)數(shù)為a1 …。最后利用銀行年收益公式，求出銀行在年度信貸總額為1億元時(shí)的信貸最佳策略。其中兩個(gè)變化公式為S.t.β（a0x0 + a1x1 + … + a8x8）=100000000，Y=Q×YTMi×β。

（四）模型求解

首先，根據(jù)行業(yè)分類規(guī)則對(duì)302家無(wú)信貸記錄企業(yè)進(jìn)行排序。然后，經(jīng)網(wǎng)絡(luò)搜集各種相關(guān)文件和數(shù)據(jù)庫(kù)，得到對(duì)2020年上半年利潤(rùn)增長(zhǎng)率[3]。

最后，根據(jù)問(wèn)題二的求解思路，得到銀行對(duì)于無(wú)信貸記錄的302家企業(yè)在疫情影響下的信貸策略。

三、模型的評(píng)價(jià)與推廣

（一）模型的優(yōu)點(diǎn)

第一，本模型采用excel 軟件進(jìn)行數(shù)據(jù)處理，操作簡(jiǎn)便，結(jié)果易懂，具有較高的可操作性和可試驗(yàn)性，同時(shí)又利用python和matlab等軟件進(jìn)行更加復(fù)雜的數(shù)據(jù)處理，簡(jiǎn)繁得當(dāng)[3]。第二，在分析第一題和第二題時(shí)，為了計(jì)算更加簡(jiǎn)潔，忽略了很多影響不大的變量，使得計(jì)算過(guò)程更加簡(jiǎn)單，但同樣具有參考意義。第三，在分析第三題時(shí)，到官方平臺(tái)查閱新冠疫情對(duì)行業(yè)影響的數(shù)據(jù)，相對(duì)真實(shí)可靠，能夠給出銀行在突發(fā)情況下的信貸分配額度策略。

（二）模型的缺點(diǎn)

第一，確定信譽(yù)評(píng)級(jí)時(shí)只選取有效發(fā)票比例這一項(xiàng)指標(biāo)。第二，沒(méi)有更深地挖掘附表數(shù)據(jù)中隱含信息。第三，問(wèn)題三求得的疫情對(duì)銀行信貸決策的影響因子β僅具有參考意義，缺乏更高的準(zhǔn)確性。

（三）模型的推廣

銀行不僅提供信用卡和貸款服務(wù)，越來(lái)越多的電商平臺(tái)也推出類信用卡服務(wù)來(lái)刺激消費(fèi)。隨著超前消費(fèi)渠道的逐步涌現(xiàn)，顧客的消費(fèi)選擇性也日益增多。但是在大數(shù)據(jù)的背景下，電商平臺(tái)對(duì)消費(fèi)者的畫(huà)像也并非十分精準(zhǔn)，如果借貸給信譽(yù)不好、缺乏還款能力的消費(fèi)者，容易造成壞賬增加的情況。而如果能夠在實(shí)踐中使用與優(yōu)化企業(yè)評(píng)價(jià)模型，可有助于各個(gè)平臺(tái)的貸款額度評(píng)定，也可以對(duì)銀行認(rèn)定個(gè)人信用卡額度起到良好的借鑒作用。

參考文獻(xiàn)：

[1]費(fèi)磊.新冠疫情對(duì)銀行機(jī)構(gòu)行業(yè)貸款質(zhì)量影響的調(diào)查——以日照為例[J].黑龍江金融，2020（03）：36-38.

[2]國(guó)家統(tǒng)計(jì)局公布2020年上半年國(guó)民經(jīng)濟(jì)運(yùn)行情況[EB/OL].網(wǎng)址.http：//www.farmchina.org.cn/ShowArticles.php？url=DjINaFw8UmdUZF49UWZUNg.

[3]徐帆.中小微企業(yè)動(dòng)產(chǎn)融資信貸模式創(chuàng)新研究——基于金融可持續(xù)發(fā)展的視角[J].北方經(jīng)貿(mào)，2020（09）：104-106.

作者單位：上海對(duì)外經(jīng)貿(mào)大學(xué)金融管理學(xué)院