基于客戶群特征S農(nóng)信社農(nóng)村普惠信貸信用風(fēng)險評估研究

摘 要：由于長尾群體信用意識薄弱，導(dǎo)致商業(yè)銀行信用風(fēng)險較大，影響普惠金融可持續(xù)發(fā)展，難以實現(xiàn)普惠金融初衷。

基于以上背景，文章將借款人客戶群特征作為構(gòu)建信用風(fēng)險評價體系的主要依據(jù)。通過對S農(nóng)信社農(nóng)村普惠信用貸款的違約數(shù)據(jù)進行因子分析，構(gòu)建了農(nóng)戶個人特征、農(nóng)戶獲貸能力、農(nóng)戶還款意愿與農(nóng)戶借款基本特征4個評價主因子和10個評價指標組成的綜合評價指標體系，并據(jù)此建立 Logistic概率模型，確定農(nóng)戶貸款中的各個因素因子及其所占系數(shù)比重，得出農(nóng)戶性別、學(xué)歷、婚姻狀況、家庭總負債、家庭總資產(chǎn)、歷史逾期次數(shù)、貸款數(shù)額以及評級八個顯著影響因素對農(nóng)村普惠貸款發(fā)生違約影響較大。通過建立相應(yīng)模型，方便讓客戶經(jīng)理判斷客戶的信用風(fēng)險情況，對提高農(nóng)村金融機構(gòu)信用風(fēng)險管理能力具有重要意義。

關(guān)鍵詞：普惠金融; 信用風(fēng)險管理 ;客戶群特征; logistic

1.1 模型選擇

1.1.1因子分析模型

因子分析是通過研究因子間的相關(guān)性，把相關(guān)性較大指標組合成一個因子，并保證因子之間相關(guān)性較小，進而使用較少的因子反映出較多的信息。假設(shè)有n個因子，每個因子觀測k個指標，對樣本數(shù)據(jù)做標準化處理以消除觀測量綱差異，令其均值為0，方差為 1。采用因子分析建立模型，組成線性組合：

Logistic 模型是常用的二分類因變量回歸分析模型，可預(yù)測事件發(fā)生概率，對數(shù)據(jù)樣本分布不做任何假設(shè)，且數(shù)據(jù)要求容易滿足，適用于農(nóng)村中小銀行對農(nóng)戶貸款信用風(fēng)險的評估。研究農(nóng)戶貸款違約事件，只有2 種結(jié)果，農(nóng)戶違約和不違約。引入一個二分變量 Y，將農(nóng)戶違約標記為1，農(nóng)戶不違約標記為0，如式（1-3）。

1.2.1 ?數(shù)據(jù)來源與說明及變量描述性統(tǒng)計

本文在研究過程中，選取S農(nóng)信社為調(diào)查對象，對其農(nóng)村普惠貸款進行樣本抽取，隨機選取1000個農(nóng)戶貸款，通過篩選和剔除，對其無效借款數(shù)據(jù)和信息不全數(shù)據(jù)進行刪除，剩余有效樣本924個。表1.1對變量做描述性統(tǒng)計分析。

1.2.2 ?數(shù)據(jù)降維

運用因子分析法對數(shù)據(jù)進行降維。首先將數(shù)據(jù)標準化處理運用Z-score標準法（指標數(shù)值與樣本均值的差除以標準差）消除樣本數(shù)據(jù)的量綱影響。其次再對數(shù)據(jù)進行相關(guān)性檢驗，如表1.2所示。

1.2.3 ?因子分析

為確保變量相關(guān)性分析準確，需要對以上指標進行KMO和Barlett球形度檢驗，分析結(jié)果見表1.4所示。

利用spss23.0軟件做因子分析，當初始特征值大于1時，通過主成分分析法提取因子，累計方差貢獻率達到了76.530%，說明能夠較為充分反映原始數(shù)據(jù)，見表1.5所示。

模型中的因變量是農(nóng)戶貸款違約的狀態(tài)，將農(nóng)戶出現(xiàn)逾期視為違約農(nóng)戶，即Y=1;將沒有出現(xiàn)違約的農(nóng)戶視為非違約農(nóng)戶，即Y=0。以因子分析中提取的4個公因子作為自變量，將農(nóng)戶違約事件作為因變量，建立二元Logistic模型，運用SPSS23軟件進行Logistic分析。選擇向前LR的回歸方法，回歸結(jié)果見表1.8。 H-L檢驗中的顯著性p值為0.942>0.05接受0假設(shè)，說明該模型能夠很好地擬合數(shù)據(jù)。

回歸結(jié)果顯示如表1.8所示，系數(shù)絕對值由大到小排序為FAC4>FAC3>FAC1>FAC2，表明農(nóng)戶還款意愿特征（以歷史逾期次數(shù)和婚姻狀況為主）是影響其貸款違約的最重要因素，其次是農(nóng)戶個人特征（以年齡和學(xué)歷為主）是影響農(nóng)戶貸款違約的次要因素，再次是農(nóng)戶獲貸能力特征（以家庭總資產(chǎn)、家庭總負債、貸款數(shù)額、評級為主）和借款信息（以貸款利率和貸款期限為主）。

從判別指標的系數(shù)絕對值來看，對農(nóng)戶貸款信用風(fēng)險具有重要影響的指標有年齡a11、學(xué)歷a13、婚姻狀況a14、歷史逾期次數(shù)b11、貸款數(shù)額a31、家庭資產(chǎn)a22、家庭負債a23，程度由強到弱。結(jié)合在日常工作中所辦理的農(nóng)戶貸款業(yè)務(wù)來看，由于S市農(nóng)信社農(nóng)村普惠貸款主要針對的就是農(nóng)村群體客戶，貸款客戶年齡都比較偏大，貸款歸還意識不強，因此年齡因素對于S農(nóng)信社是重要的參考指標;農(nóng)戶學(xué)歷指標是負值，表明農(nóng)戶學(xué)歷由小學(xué)到大學(xué)本科以上，學(xué)歷越高，其違約概率就越低，學(xué)歷越高的農(nóng)村客戶對于歸還貸款的法律意識比較強，根據(jù)以往經(jīng)驗，回到農(nóng)村從事農(nóng)產(chǎn)養(yǎng)殖或者個體經(jīng)營的農(nóng)村客戶，往往比較容易溝通，重視個人信用而且能夠及時歸還普惠貸款;婚姻狀況同樣在農(nóng)村群體違約風(fēng)險中占有較高的決定作用，根據(jù)以往經(jīng)驗，離異的客戶往往沒有已婚或未婚客戶更能夠及時歸還貸款;歷史逾期次數(shù)是指的在客戶形成違約之前所出現(xiàn)的未及時還款次數(shù)，往期逾期次數(shù)越高，貸款不能歸還的概率越大;對于S農(nóng)信社所發(fā)放的農(nóng)村普惠貸款，在貸款10萬以上要求要追加保證人，保證人只能是直系親屬或者是村干部等，所以貸款額度越高，其還款因為有保證人的催促和監(jiān)督，反而能夠及時還貸;家庭總資產(chǎn)越高，其還款能力就越強，違約風(fēng)險就越低;家庭負債越高，其還款壓力增大，違約風(fēng)險也會隨之增高。

在預(yù)測結(jié)果列聯(lián)表中，在924例農(nóng)戶普惠貸款數(shù)據(jù)進行預(yù)測，對違約貸款的預(yù)測正確率是70.6%，對未違約貸款的預(yù)測正確率是98.3%，總的正確率是87.7%，參考張國政等[1]、付瑋瓊[2]的研究，將貸款違約概率P的閾值設(shè)為50%，本模型總體預(yù)測正確百分比87.7%。具體結(jié)果見上表1.9所示。

1.5 ?小節(jié)

文章以農(nóng)村金融機構(gòu)S農(nóng)信社農(nóng)村普惠貸款數(shù)據(jù)為樣本，通過建立logistic回歸模型，分析農(nóng)村客戶群特征對于農(nóng)村信貸信用風(fēng)險的影響，得到以下結(jié)論：

（1）農(nóng)村客戶群特征對農(nóng)村普惠信貸信用風(fēng)險管理研究具有一定的意義，其中貸款年齡、學(xué)歷、婚姻狀況、歷史逾期次數(shù)、家庭資產(chǎn)和家庭負債等都對貸款客戶是否會造成違約構(gòu)成一定的顯著性影響，應(yīng)當重點關(guān)注以上特征。

（2）S農(nóng)信社農(nóng)村客戶信用評估體系需要進一步的改進。農(nóng)村金融機構(gòu)對于農(nóng)戶客戶進行風(fēng)險評估時，除了審核客戶資料的真實可靠性，還應(yīng)當充分考慮農(nóng)村客戶特征，提高對客戶信用評估的準確性，以便有效地進行客戶信用風(fēng)險管理。

參考文獻：

[1]張國政，陳維煌，劉呈輝.基于Logistic模型的商業(yè)銀行個人消費信貸風(fēng)險評估研究[J].金融理論與實踐，2015（03）：53-57.

[2]付瑋瓊.供應(yīng)鏈金融視角下中小農(nóng)業(yè)企業(yè)信用風(fēng)險預(yù)警及防范研究[J].貴州社會科學(xué)，2020（04）：158-168.

作者簡介：

馮再青，女，1992年6月19日，河南商丘虞城，研二在讀，工商管理專業(yè)。

1258501186387