面向小微企業(yè)的農(nóng)村商業(yè)銀行信貸決策研究

曾凡龍 倪靜 王鈺華

摘 ? 要：信貸業(yè)務(wù)是當前商業(yè)銀行的主營業(yè)務(wù)，而信貸決策的科學(xué)性和合理性對于降低銀行信貸風(fēng)險具有重要意義。本文結(jié)合當前我國農(nóng)村商業(yè)銀行在面對新增小微信貸客戶時決策效用不足、不良貸款率居高不下等問題，以及農(nóng)村商業(yè)銀行信貸流程特點和小微企業(yè)的經(jīng)營特點，提出了基于理想點和LHA算子的銀行信貸群決策模型，并通過算例分析，驗證了該模型對于解決信貸決策問題的有效性和合理性，為農(nóng)村商業(yè)銀行信貸決策提供參考。

關(guān)鍵詞：信貸決策;理想點;LHA算子;群決策

DOI：10.3969/j.issn.1003-9031.2020.11.001

中圖分類號：F832文獻標識碼：A ? ? ? ? ? 文章編號：1003-9031（2020）11-0003-08

一、引言

為貫徹落實我國普惠金融政策，原中國銀監(jiān)會印發(fā)《中國銀監(jiān)會辦公廳關(guān)于2018年推動銀行業(yè)小微企業(yè)金融服務(wù)高質(zhì)量發(fā)展的通知》，銀保監(jiān)會印發(fā)《關(guān)于2020年推動小微企業(yè)金融服務(wù)“增量擴面、提質(zhì)降本”有關(guān)工作的通知》。我國小微企業(yè)雖得到了更多的金融支持，但以小微企業(yè)為金融服務(wù)主體的農(nóng)村商業(yè)銀行也面臨著更多的挑戰(zhàn)。銀保監(jiān)會官網(wǎng)顯示，近三年我國農(nóng)村商業(yè)銀行不良貸款率總體呈不斷上漲趨勢，且遠遠高于商業(yè)銀行相對穩(wěn)定的不良貸款率總體水平（見圖1）。李建等（2020）認為產(chǎn)生這一問題的內(nèi)部原因主要是農(nóng)村商業(yè)銀行受自身經(jīng)營規(guī)模小、產(chǎn)品開發(fā)能力不足、技術(shù)應(yīng)用能力水平較低、信貸人員素質(zhì)等因素影響，缺乏風(fēng)險管理和科學(xué)信貸決策的能力;外部原因在于農(nóng)村商業(yè)銀行的服務(wù)對象主要是小微企業(yè)，而小微企業(yè)質(zhì)量良莠不齊、盈利能力不強、信用觀念淡漠、風(fēng)險抵御能力普遍較差。對于外部原因，作為信貸決策者的農(nóng)村商業(yè)銀行無法控制;對于內(nèi)部原因，農(nóng)村商業(yè)銀行要想降低銀行信貸風(fēng)險、優(yōu)化資金配置就必須建立健全其信貸決策體系。

二、文獻綜述

目前銀行信貸決策的內(nèi)容包括對已有信貸客戶進行清退、壓縮、維持、支持的決策及對新增信貸申請企業(yè)的信貸投放決策。針對已有信貸客戶的信貸決策問題，學(xué)者們建立了眾多風(fēng)險評估模型。葛永波等（2017）在經(jīng)濟新常態(tài)背景下對農(nóng)商行信貸風(fēng)險影響因子進行估計，并構(gòu)建了風(fēng)險即時估測預(yù)警模型?；粼丛吹龋?019）基于Probit模型構(gòu)建了制造業(yè)企業(yè)信用風(fēng)險評估方法預(yù)測企業(yè)違約事件發(fā)生的概率，為銀行對制造業(yè)企業(yè)信用風(fēng)險的防范提供了決策支持。陳林等（2015）基于對違約風(fēng)險控制和貸款收益管理的多目標決策，構(gòu)建了企業(yè)集團成員企業(yè)授信額度優(yōu)化配置模型。隨著算法知識的發(fā)展和運用，基于神經(jīng)網(wǎng)絡(luò)、支持向量機、領(lǐng)域粗糙集等信用風(fēng)險評估模型也相繼建立起來，這些模型雖能夠較為準確地評價信貸風(fēng)險，但其缺點是必須基于大量且可靠的歷史統(tǒng)計數(shù)據(jù)，這對中國當前金融基礎(chǔ)設(shè)施而言存在一定的困難。一是眾多企業(yè)基于信息安全的考量沒有完全公開與信貸評價相關(guān)的重要數(shù)據(jù);二是我國信貸征信體系建設(shè)起步較晚，信貸征信體系不夠完善。這也就意味著，面對新的信貸申請客戶時銀行將因缺乏該客戶的信貸歷史數(shù)據(jù)，而使依據(jù)以上模型所作決策的科學(xué)性大打折扣。為解決歷史數(shù)據(jù)缺失情況下銀行信貸決策問題，曾凡龍等（2020）基于動態(tài)信任機制，構(gòu)建了一個融合信任場原理和機器學(xué)習(xí)技術(shù)的銀行信貸業(yè)務(wù)決策模型，并通過實驗證實該模型能夠有效剔除新增上市型信貸企業(yè)（該類企業(yè)具有大量公開且經(jīng)過審計的數(shù)據(jù)）中的問題企業(yè)。但該模型在面對缺乏學(xué)習(xí)樣本數(shù)據(jù)的新增小型微型信貸客戶時，又將束手無策。

針對現(xiàn)有研究的不足，本文借鑒徐澤水（2004）提出的基于理想點和LHA算子的多屬性群決策方法建立了符合農(nóng)村商業(yè)銀行高風(fēng)險管理要求特點的信貸群決策模型。理想點和LHA算子模型是多屬性群決策理論的眾多決策方法之一，多屬性群決策理論對于具有不確定性、數(shù)據(jù)信息不完整的決策領(lǐng)域具有極大的信息集成優(yōu)勢，目前該理論在企業(yè)合作伙伴選擇領(lǐng)域有著廣泛的應(yīng)用。其中，龐繼芳等（2015）考慮煤炭企業(yè)在物資供應(yīng)商選擇過程中的模糊性、群體性及多階段等特點，提出一種基于模糊多屬性群決策的多階段供應(yīng)商選擇模型;吳菲菲等（2019）運用多屬性決策方法對企業(yè)跨產(chǎn)業(yè)研發(fā)合作伙伴進行了識別與選擇;周衛(wèi)標（2020）基于FEAHP法和模糊理想點法建立了B2R低碳物流服務(wù)商選擇模型。本文汲取以上多屬性群決策理論成功運用的經(jīng)驗，從規(guī)范對小微企業(yè)的信貸投放決策視角，將基于理想點和LHA算子的多屬性群決策方法引入到農(nóng)村商業(yè)銀行信貸決策領(lǐng)域，以解決或緩解農(nóng)村商業(yè)銀行不良貸款率居高不下的問題，以及通過算例分析證明所提模型的有效性和可行性。

三、銀行信貸群決策模型構(gòu)建

（一）決策理論基礎(chǔ)

（二）小微企業(yè)評價指標體系構(gòu)建

本文借鑒王帥（2014）、劉福毅（2010）、張潤馳（2018）等在企業(yè)信用風(fēng)險評價中構(gòu)建的評價指標體系，結(jié)合小微企業(yè)的特點構(gòu)建了面向小微企業(yè)的信貸評價指標體系（見表1）。

（三）決策步驟

四、算例計算及分析

（一）算例計算

本文算例設(shè)置為4個備選信貸申請企業(yè)，并邀請3位銀行信貸決策領(lǐng)域的專家進行決策。將4個信貸申請企業(yè)各個指標的基本情況做好統(tǒng)計，以便3位決策者運用語言標度S={s-5，…，s5}{極差，很差，差，較差，稍差，一般，稍好，較好，好，很好，極好}對4個備選信貸申請企業(yè)的各指標進行評估。廖虎昌（2017）等認為通常情況下，如果沒有證據(jù)表明不同決策者之間的顯著差異，則可以認定三位決策者的權(quán)重向量為？姿=（1/3，1/3，1/3）。3位決策者根據(jù)語言標度理論以及對4個備選企業(yè)各指標的基本情況進行的專業(yè)判斷，分別給出各自的語言評估矩陣①（見表2）。

根據(jù)三位決策者給出的評估矩陣及式（5）計算得到方案的理想點：

根據(jù)計算得到的理想點、三位決策者給出的評估矩陣的指標值及式（2）可計算得到三個偏差分量矩陣表（見表3）。

參考劉福毅（2010）在企業(yè)評級計分卡中各項評價指標分數(shù)占比得到本文18個指標的權(quán)重向量？棕為：（0.08，0.08，0.06，0.08，0.04，0.04，0.04，0.04，0.04，0.05，0.25，0.03，0.02，0.03，0.02，0.03，0.03，0.04）。根據(jù)指標權(quán)重向量及式（3）可以計算得到每位決策者的每個方案與方案正理想點之間的偏差。計算結(jié)果如下：

由上述排序結(jié)果可得，農(nóng)村商業(yè)銀行在面對這四家新的信貸申請企業(yè)時的最優(yōu)信貸投放對象為x4。銀行可以根據(jù)自身資金池的實際情況、國家關(guān)于普惠金融的相應(yīng)政策及上述評估結(jié)果，選擇一個或多個企業(yè)作為信貸投放對象。

（二）對比分析

將本文4個備選企業(yè)的基本情況代入劉福毅，慶建奎（2010）研究結(jié)果，得到的各企業(yè)的評分結(jié)果為：x1=67，x2=88，x3=68，x4=91。將該評分排序后得到的信貸決策結(jié)果與本文方法得到的結(jié)果相同，這從側(cè)面證明了本文所提出的信貸決策方法的有效性和合理性。此外，本文基于理想點和LHA算子的銀行信貸決策方法具備傳統(tǒng)計分卡法所不具備的優(yōu)勢：

1.決策信息完整性優(yōu)勢。傳統(tǒng)信貸決策方法在評估信貸申請企業(yè)時通常會產(chǎn)生信息缺失。如傳統(tǒng)評估模式設(shè)置或有負債率低于30%就能得到該項指標的滿分，高于該標準則該項指標不得分，那么將會導(dǎo)致或有負債率為10%的企業(yè)與或有負債率為29%的企業(yè)都獲得該項指標的滿分，這顯然是不科學(xué)的，此時傳統(tǒng)方法產(chǎn)生了決策信息缺失的問題。本文信貸決策方法設(shè)置了豐富的語言標度，決策者能夠根據(jù)專業(yè)判斷給出與或有負債率相適應(yīng)的語言評價值，這在一定程度上保證了決策信息的完整性。

2.決策精度優(yōu)勢。傳統(tǒng)的企業(yè)評級計分卡法的評估結(jié)果得到的均是整數(shù)解，這種解容易導(dǎo)致評估對象出現(xiàn)同分的情況，此時該方法將會失效。在本文算例中傳統(tǒng)方法評估下x1和x3、x2和x4評分結(jié)果幾乎相同，就是傳統(tǒng)方法可能失效的證明。在面對較大規(guī)模的信貸決策對象時，傳統(tǒng)方法失效的可能性會隨之增大。本文提出的信貸決策方法通常都精確到小數(shù)點后三位甚至后四位，此時同分失效的可能性將會大大降低。

3.決策安全性優(yōu)勢。從近年來各地曝出的企業(yè)騙貸事件、信貸決策者貪污受賄事件來看，我國商業(yè)銀行信貸決策存在安全性問題。本文提出的方法屬于群決策模式，群決策模式不僅能夠集群智群力提升對騙貸企業(yè)的識別力度，也能夠較大程度上規(guī)避傳統(tǒng)信貸決策模式下一言堂決策可能帶來的銀行貪腐問題。

五、結(jié)論與啟示

為貫徹落實黨中央、國務(wù)院關(guān)于統(tǒng)籌推進新冠肺炎疫情防控和經(jīng)濟社會發(fā)展、強化“六穩(wěn)”舉措、進一步緩解企業(yè)融資難融資貴問題的重要決策部署，各類商業(yè)銀行責(zé)任重大，尤其是農(nóng)村商業(yè)銀行在響應(yīng)國家金融政策的同時也要守住信貸風(fēng)險的底線。本文以多屬性群決策理論為基礎(chǔ)，運用理想點和LHA算子建立了面向小微企業(yè)的農(nóng)村商業(yè)銀行信貸決策模型。經(jīng)過算例分析，證明了本文模型相較于傳統(tǒng)的商業(yè)銀行信貸決策方法的有效性。

本文得到如下啟示：一是信貸征信體系亟待完善。本文模型中涉及眾多信貸企業(yè)評估指標，無論是對指標進行定性還是定量分析，都需要充分掌握企業(yè)的基本信用狀況。完善的信貸征信體系將有助于支撐農(nóng)村商業(yè)銀行進行科學(xué)合理的信貸決策。二是建設(shè)良好的小微企業(yè)生存環(huán)境。本文模型是從農(nóng)村商業(yè)銀行視角出發(fā)，通過加強自身信貸決策水平以降低信貸風(fēng)險，但很難解決由于小微企業(yè)自身經(jīng)營狀況不佳、還款能力不足等外部因素所導(dǎo)致的信貸風(fēng)險問題，全社會需要協(xié)同努力，為建設(shè)公平公正的小微企業(yè)生存環(huán)境保駕護航。三是建設(shè)完整的信貸法規(guī)體系及失信懲戒制度。沒有規(guī)矩不成方圓，完善的信貸法律法規(guī)體系及失信懲戒制度，能夠增強小微企業(yè)主對于法律的敬畏及對自身信用形象的重視。

（責(zé)任編輯：孟潔）

參考文獻：

[1]李建，金田林，竇爾翔.農(nóng)村商業(yè)銀行小微企業(yè)信貸治理問題研究——基于TIF視角的分析[J].上海金融，2020（6）：49-55.

[2]葛永波，曹婷婷，陳磊.農(nóng)商行小微貸款風(fēng)險評估及其預(yù)警[J].農(nóng)業(yè)技術(shù)經(jīng)濟，2017（9）：105-115.

[3]霍源源，姚添譯，李江.基于Probit模型的中國制造業(yè)企業(yè)信貸風(fēng)險測度研究[J].預(yù)測，2019（4）：76-82.

[4]陳林，周宗放.商業(yè)銀行集團客戶統(tǒng)一授信額度的優(yōu)化配置研究[J].中國管理科學(xué)，2015，23（2）：39-43.

[5]曾凡龍，倪靜.歷史數(shù)據(jù)缺失情況下銀行信貸決策研究——基于謹慎信任場和機器學(xué)習(xí)的模型構(gòu)建[J].金融監(jiān)管研究，2020（3）：85-98.

[6]徐澤水.不確定多屬性決策方法與應(yīng)用[M].北京：清華大學(xué)出版社，2004.

[7]龐繼芳，宋鵬.面向大型煤炭企業(yè)的物資供應(yīng)商評價與選擇研究[J].華東經(jīng)濟管理，2015（2）： 117-122.

[8]吳菲菲，李睿毓，黃魯成.企業(yè)跨產(chǎn)業(yè)研發(fā)合作伙伴識別與選擇[J].情報雜志，2019（9）： 42-48.

[9]周衛(wèi)標.基于FEAHP法和模糊理想點法的B2R低碳物流決策方法[J].模糊系統(tǒng)與數(shù)學(xué)，2020（2）：135-141.

[10]王帥，楊培濤，黃慶雯.基于多層次模糊綜合評價的中小企業(yè)信用風(fēng)險評估[J].財經(jīng)理論與實踐，2014（5）：13-17.

[11]劉福毅，慶建奎.聯(lián)合評級、風(fēng)險管理與信貸決策流程再造：壽光農(nóng)商行案例[J].金融發(fā)展研究，2010（9）：43-47.

[12]張潤馳.我國小微企業(yè)貸款信用風(fēng)險評估模型研究[D].南京：南京大學(xué)博士論文，2018.

[13]廖虎昌.直覺模糊偏好決策理論與方法[M].北京：科學(xué)出版社，2017.

[14]Bahrammirzaee A.A Comparative Survey of Artificial Intelligence Applications in Finance：Artificial Neural Networks，Expert System and Hybrid Intelligent Systems[J].Neural Computing & Applications，2010，19（8）：1165-1195.

[15]Erdal H， Ekinci A.A Comparison of Various Artificial Intelligence Methods in the Prediction of Bank Failures[J].Computational Economics，2013，42（2）：199-215.

[16]Danenas P，Garsva G.Selection of Support Vector Machines Based Classifiers for Credit Risk Domain[J].Expert System With Applications，2015（42）：3194-3204.

[17]Yao P，Lu Y H.Neighborhood Rough Set and SVM Based Hybrid Credit Scoring Classifier[J].Expert System With Applications，2011，38（9）：11300-11304.

收稿日期：2020-09-25

作者簡介：曾凡龍（1995-），男，江西鷹潭人，上海理工大學(xué)管理學(xué)院碩士研究生;

倪 ? ?靜（1972-），女，上海人，上海理工大學(xué)管理學(xué)院副教授;

王鈺華（1996-），女，安徽宣城人，現(xiàn)供職于寧波金田銅業(yè)集團。