銀行對中小企業(yè)信貸風(fēng)險的量化分析及信貸決策研究

在實際社會中，由于中小微企業(yè)規(guī)模相對較小，也缺少抵押資產(chǎn)，因此銀行通常是依據(jù)信貸政策、企業(yè)的交易票據(jù)信息和上下游企業(yè)的影響力做出評估，然后依據(jù)信貸風(fēng)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。向?qū)嵙?、供求關(guān)系穩(wěn)定的企業(yè)提供貸款，并可以對信譽高、信貸風(fēng)險小的企業(yè)給予利率優(yōu)惠。某銀行對確定要放貸企業(yè)的貸款額度為萬元，年利率為4%～15%，貸款期限為1年。首先采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型評價無信貸記錄企業(yè)的信譽評級，以進(jìn)項和銷項有效發(fā)票比例、進(jìn)項和銷項稅價合計四個指標(biāo)作為輸入?yún)?shù)，信譽評級作為輸出參數(shù)，再選取100組數(shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練，得出信譽評級，23組作為測試數(shù)據(jù)，然后對302家無信貸記錄企業(yè)進(jìn)項信譽評級，并根據(jù)模型做出信貸風(fēng)險評級，在銀行收益最大化時給出各企業(yè)的貸款利率和貸款金額。

1 問題分析

近年來，我國經(jīng)濟(jì)和科技發(fā)展迅速，使得金融領(lǐng)域也開始利用信息技術(shù)來發(fā)展，銀行為獲得較高的收益，使用大數(shù)據(jù)對中小微企業(yè)進(jìn)行評估分析和貸款策略。由于商業(yè)銀行在中小企業(yè)信貸方面的信用水平低、擔(dān)保能力差、自有資金少、發(fā)展前景不清晰，企業(yè)的規(guī)模越小，其貸款申請被拒絕的比率就越高。具有固定供貨商和銷售方的企業(yè)，資金流動性得到保證，市場占有率穩(wěn)定，對銀行貸款有一定影響。銀行最看重的是企業(yè)的信譽，企業(yè)的信譽好，銀行更愿意貸款，相反，企業(yè)的信譽差，逾期次數(shù)越多，銀行貸款意愿越下降。這些都是影響銀行貸款的因素。但是根據(jù)貸款政策，銀行每年需提供固定金額以上的貸款給中小微企業(yè)。只貸款給實力強的企業(yè)也不行，實力強的企業(yè)也可能信譽差，有些實力弱的企業(yè)反而信譽好。而銀行的貸款利率也會影響企業(yè)是否對該銀行貸款，銀行為了吸納更多優(yōu)質(zhì)的客戶會提出更多的優(yōu)惠政策。因此，銀行需根據(jù)影響貸款的因素對企業(yè)進(jìn)行信貸風(fēng)險的量化分析，并依據(jù)企業(yè)的信貸風(fēng)險分類做出合理的信貸決策。

2 模型的建立與求解

企業(yè)實力主要包括財力、生產(chǎn)能力、技術(shù)水平、管理水平、銷售能力等。根據(jù)本文所提供的數(shù)據(jù)，選擇使用進(jìn)項價稅合計、銷項價稅合計、進(jìn)項有效發(fā)票比例、銷項有效發(fā)票比例四個指標(biāo)建立模糊綜合評價模型，綜合評價了各企業(yè)的實力。因素集是以影響評價對象的各種因素為元素所組成的一個普通集合，具體表示為，其中元素代表影響評價對象的第個因素。集合中不同的因素本身所表現(xiàn)出的模糊性不同。這里設(shè)評定企業(yè)實力的指標(biāo)集為，按照次序，表示為進(jìn)項價稅合計，表示銷項價稅合計，表示進(jìn)項有效發(fā)票比例，表示銷項有效發(fā)票比例。評價集是評價者對評價對象可能做出的各種結(jié)果所組成的集合，通常用表示，，其中元素代表第種評價結(jié)果，可以根據(jù)實際情況的需要，用不同的等級、評語或數(shù)字來表示(注意下文中出現(xiàn)的m和n，m表示m個因素集，n表示n個評價集）。這里設(shè)評定企業(yè)實力等級的評價集為。分別表示前文中所提的A、B、C、D四個等級，其中A為企業(yè)實力最雄厚，而D為企業(yè)實力最薄弱。若因素集U中第i個元素對評價集V中第1個元素的隸屬度為，則對第個元素單因素評價的結(jié)果用模糊集合表示為以個單因素評價集。組成矩陣，稱為模糊綜合評價矩陣。本文按表1給出上每個有序?qū)?ui，vj)指定的隸屬度。

表1 專家打分的隸屬度

由表1可知，評判矩陣R為：

表2 企業(yè)的實力評級

企業(yè)的穩(wěn)定性主要是根據(jù)進(jìn)項和銷項有效發(fā)票比例，進(jìn)項和銷項稅價合計波動范圍，進(jìn)項和銷項時間波動六個數(shù)據(jù)進(jìn)行分析的。對于一個企業(yè)，當(dāng)其供求關(guān)系穩(wěn)定時，它具有固定的供貨商和銷售方，那么購方單位代號和銷方單位代號就會相對比較穩(wěn)定，進(jìn)出貨物的時間相對比較穩(wěn)定，開票的金額也相對比較穩(wěn)定。反之當(dāng)上述六個指標(biāo)出現(xiàn)了大幅度的變化時，就代表著企業(yè)的穩(wěn)定性不足。

3 模型的求解

在研究企業(yè)的穩(wěn)定性時，本文接著使用上面所用的模糊綜合評價模型。企業(yè)供求關(guān)系穩(wěn)定性的因素集為分別表示進(jìn)銷有效發(fā)票比例、進(jìn)銷稅價合計波動范圍、進(jìn)銷時間波動六個數(shù)據(jù)，評價集為分別表示A、B、C、D四個等級。對每一個企業(yè)樣本進(jìn)行單因素模糊評價，得到評價矩陣。最后，確定權(quán)數(shù)分配為A=(0.2，0.2，0.2，0.2，0.1，0.1)。最后通過模糊變化，將U上的模糊向量A變?yōu)閂上的模糊向量B得到企業(yè)供求關(guān)系穩(wěn)定性最終的分級結(jié)果。利用上述評價體系，得到了各企業(yè)的供求關(guān)系穩(wěn)定性評價結(jié)果，如表3所示。

由于先前已經(jīng)對所有的企業(yè)做出了企業(yè)信譽的評價，所以接下來只需對企業(yè)做信譽評價即可。在實際應(yīng)用過程中，神經(jīng)網(wǎng)絡(luò)表現(xiàn)出較為強大的非線性映射能力，但是對于一般的求解問題，仍然具有學(xué)習(xí)收斂速度太慢、易陷入局部極小值、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)不易確定等問題。

表3 企業(yè)的供求穩(wěn)定性評級

本文選用遺傳算法來對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化，遺傳算法本身具備比較完備的搜索能力，同時能夠大大提高模型本身的求解能力，使得求解結(jié)果更加具有解釋性。一直以來，遺傳優(yōu)化算法在模型的求解方法獲得了很大的應(yīng)用。

GA-BP模型是通過遺傳算法對模型中基本的網(wǎng)絡(luò)權(quán)值和閾值分別進(jìn)行優(yōu)化，使得模型在求解方面能夠獲得更好的預(yù)測效果。遺傳算法在對于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化過程中較為復(fù)雜，過程包括種群始化、適應(yīng)度函數(shù)選擇、交叉操作和變異操作等步驟。

在編碼的過程中，本文選擇實數(shù)編碼的方法以及實數(shù)串個體進(jìn)行設(shè)定，設(shè)定模型的基本結(jié)構(gòu)包括輸入層、隱含層、輸出層。根據(jù)已有的拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)即可構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。原先根據(jù)個體對BP神經(jīng)網(wǎng)絡(luò)模型的初始值和閾值進(jìn)行求解，并通過輸入訓(xùn)練集的數(shù)據(jù)來進(jìn)行系統(tǒng)預(yù)測。根據(jù)已有的數(shù)據(jù)，結(jié)合計算方法可知最終的預(yù)測值和實際值之間的絕對誤差F：

當(dāng)進(jìn)行遺傳優(yōu)化算法實際訓(xùn)練時，其中的個體編碼長度為55，選定100組數(shù)據(jù)進(jìn)行訓(xùn)練，最終得出結(jié)論：當(dāng)個體的適應(yīng)度值低于均值時，隨著個體適應(yīng)度值的下降，其個體呈現(xiàn)出的性質(zhì)越優(yōu)。

4 結(jié)語

模糊綜合評價方法在實際應(yīng)用中呈現(xiàn)結(jié)果的形式是向量，向量作為矢量能夠很好的衡量評價的效果，所以使用模糊綜合評價可以對事物本身的性質(zhì)進(jìn)行較好的評價。為了評估無法用數(shù)據(jù)精確度量的信貸風(fēng)險，本文選擇使用模糊綜合評價法，基于原來在模糊集合基礎(chǔ)上的模糊綜合評判方法，從多個指標(biāo)入手，對于目標(biāo)事物進(jìn)行多層次綜合性分析，使得評價結(jié)果充分可靠。本文以挖掘數(shù)據(jù)信息為主要內(nèi)容，在簡化模型的同時，未丟失有效數(shù)據(jù)信息，使結(jié)果更為精煉而不失準(zhǔn)確。