小微企業(yè)信用風險因素識別研究

呂爽

摘 要：小微企業(yè)在促進經(jīng)濟增長、增加就業(yè)機會和創(chuàng)造產(chǎn)業(yè)等方面起到了重要作用。然而，小微企業(yè)的信用風險較高，給銀行造成貸款違約損失的可能性較大。文章以188家小微企業(yè)為研究對象，通過隨機森林方法對影響小微企業(yè)信用風險的關(guān)鍵因素進行識別，并確定關(guān)鍵指標的影響程度和影響方向。結(jié)果表明：水電費發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計劃變更次數(shù)和民事訴訟次數(shù)等企業(yè)行為信息是影響小微企業(yè)信用風險的關(guān)鍵因素，且均對企業(yè)信用風險具有正向影響。

關(guān)鍵詞：小微企業(yè);隨機森林;信用風險

中圖分類號：C29文獻標識碼：A文章編號：1005-6432（2022）06-0100-02

DOI：10.13939/j.cnki.zgsc.2022.06.100

1 引言

近年來，隨著我國經(jīng)濟結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)的不斷優(yōu)化調(diào)整，以及經(jīng)濟向內(nèi)生增長轉(zhuǎn)變，小微企業(yè)在促進經(jīng)濟增長、增加就業(yè)機會和創(chuàng)造產(chǎn)業(yè)等方面發(fā)揮了重要的作用。然而，市場經(jīng)營環(huán)境的不斷改變，致使小微企業(yè)逾期貸款不斷增多，商業(yè)銀行的貸款業(yè)務(wù)面臨的風險加大。因此，識別影響小微企業(yè)信用風險的關(guān)鍵因素、持續(xù)動態(tài)的捕獲貸款企業(yè)的風險信號、提前發(fā)現(xiàn)和判別企業(yè)風險，做出預(yù)警提示，減少因小微企業(yè)信用風險導致的貸款違約損失具有重要的意義。

眾多學者開展了小微企業(yè)信用風險因素識別的研究，如曹明生（2015）[1]使用Logistic模型研究影響小微企業(yè)信用風險的因素，研究發(fā)現(xiàn)企業(yè)財務(wù)信息對小微企業(yè)信用風險具有重要影響。趙玉龍等（2017）[2]的研究認為企業(yè)自身特點、企業(yè)過度擴張和企業(yè)負債等是影響小微企業(yè)信用風險的主要因素。滿向昱等（2018）[3]采用Logistic模型進行研究，結(jié)果表明流動資產(chǎn)周轉(zhuǎn)率、銀行負債資產(chǎn)比等企業(yè)財務(wù)指標為影響我國中小微企業(yè)信用風險的重要因素。遲國泰等（2019）[4]實證分析小企業(yè)貸款數(shù)據(jù)，結(jié)果表明速動比率、總資產(chǎn)增長率等企業(yè)財務(wù)信息顯著影響小企業(yè)信用風險。孫福兵等（2020）[5]運用Probit模型對小型農(nóng)業(yè)企業(yè)進行信用風險影響因素識別，研究發(fā)現(xiàn)資產(chǎn)負債、營業(yè)利潤率等對信用風險具有重要影響。

已有文獻的研究中，一方面，多將企業(yè)財務(wù)信息作為關(guān)注對象，對企業(yè)行為信息關(guān)注較少;另一方面，多使用傳統(tǒng)的回歸分析方法，極少使用流行的機器學習方法。因此，文章將企業(yè)行為信息引入小微企業(yè)信用風險因素識別研究中，并使用隨機森林方法這一機器學習方法，以便及早發(fā)現(xiàn)違約的前期預(yù)警信號，在企業(yè)違約前提前做好干預(yù)措施，從而有效管控小微企業(yè)的信用風險。

2 數(shù)據(jù)選取與描述

文章的研究對象是2020年1月至2020年12月在某商業(yè)銀行需要償還貸款的小微企業(yè)。文章選擇的小微企業(yè)為企業(yè)規(guī)模符合國家四部委規(guī)定的小型和微型企業(yè)認定標準的企業(yè)。

對于因變量，文章將及時償還貸款的企業(yè)認定為“未違約企業(yè)”，記為0;將到期未償還貸款或延期償還貸款的企業(yè)認定為“違約企業(yè)”，記為1。文章獲取的小微企業(yè)總樣本數(shù)為188個，未違約的樣本數(shù)為144個，違約的樣本數(shù)為44個，樣本的違約率為23.4%。

自變量分為兩類：第一類為企業(yè)財務(wù)變量，包含資產(chǎn)負債率、利潤增長率、速動比率、凈資產(chǎn)收益率和營業(yè)毛利潤率等;第二類為企業(yè)行為變量，包含企業(yè)過去12個月水電費發(fā)生異常的次數(shù)、過去12個月繳納稅金發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計劃變更次數(shù)和民事訴訟的次數(shù)等。

3 實證研究

隨機森林方法是當下流行的機器學習方法。它將若干個分類樹組合成隨機森林，顯著提高了預(yù)測精度。文章使用隨機森林方法對數(shù)據(jù)進行擬合，需要說明的是在擬合過程中需要對每次拆分時隨機選取變量個數(shù)以及樹的棵數(shù)等參數(shù)進行設(shè)定。文章通過設(shè)定不同的分叉樹和樹的棵數(shù)確定最優(yōu)的隨機變量個數(shù)和樹的棵數(shù)，最終隨機變量個數(shù)為5，樹的棵數(shù)為1000。表2報告了變量重要性度量結(jié)果。由表2可知，重要性權(quán)重超過10%的指標有4個，且全部為企業(yè)行為變量，分別為：過去12個月水電費發(fā)生異常的次數(shù)（22.90%）、借新還舊次數(shù)（11.55%）、還款計劃變更次數(shù)（17.42%）和民事訴訟的次數(shù)（13.65%），這4個變量均屬于企業(yè)行為變量，且這4個指標的重要性權(quán)重之和超過了65%。這說明，企業(yè)經(jīng)營行為是否合規(guī)對小微企業(yè)是否違約具有重要影響。

選取重要性權(quán)重最大的4個變量：12個月水電費發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計劃變更次數(shù)和民事訴訟的次數(shù)，構(gòu)建偏相關(guān)圖，考察4個變量對企業(yè)違約概率的影響方向和大小，如圖1所示。由圖1可知，12個月水電費發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計劃變更次數(shù)和民事訴訟的次數(shù)4個變量的增加都會顯著增加企業(yè)違約概率，這說明12個月水電費發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計劃變更次數(shù)和民事訴訟的次數(shù)4個變量對企業(yè)違約具有顯著的正向影響。

為了更進一步研究企業(yè)行為變量對小微企業(yè)信用風險評估的重要性，本文分別構(gòu)建不包含企業(yè)行為變量的數(shù)據(jù)集和包含企業(yè)行為變量的數(shù)據(jù)集，隨機將數(shù)據(jù)集分成兩部分（80%的數(shù)據(jù)集用作訓練數(shù)據(jù)集，20%用作測試數(shù)據(jù)集）進行100次模擬試驗，以證明加入企業(yè)行為變量是否能提高模型預(yù)測的準確性。表3報告了模型預(yù)測的結(jié)果。由表3可知，加入企業(yè)行為變量后，預(yù)測準確率由0.946提高到0.980，AUC值也由0.752提高到0.926;另外，對于第一類錯誤率和第二類錯誤率，加入企業(yè)行為變量后的第一類錯誤率和第二類錯誤率最低。因此，加入企業(yè)行為變量可以大大提高模型的預(yù)測性能。

4 結(jié)論與啟示

文章采用隨機森林方法實證研究了影響小微企業(yè)信用風險的關(guān)鍵因素，實證結(jié)果表明：12個月水電費發(fā)生異常的次數(shù)、借新還舊次數(shù)、還款計劃變更次數(shù)和民事訴訟的次數(shù)等企業(yè)行為變量是影響小微企業(yè)信用風險最關(guān)鍵的4個變量，且這4個變量均對企業(yè)違約具有正向影響。同時，進一步驗證了企業(yè)行為變量能夠顯著提高小微企業(yè)信用風險評估的預(yù)測精度。這為商業(yè)銀行對小微企業(yè)信用狀況的準確判斷提供了一定的借鑒與參考。

參考文獻：

[1]曹明生.基于Logistic模型的小微企業(yè)信用風險度量研究[J].時代金融， 2015（8）：203-204.

[2]趙玉龍， 鄧大松， 王林. 我國商業(yè)銀行小微企業(yè)信用風險成因分析[J].海南金融， 2017（6）：68-73，82.

[3]滿向昱， 張?zhí)煲悖?汪川， 等. 我國中小微企業(yè)信用風險因素識別及測度研究[J].中央財經(jīng)大學學報， 2018（9）：46-58.

[4]遲國泰， 于善麗. 基于違約鑒別能力最大的信用等級劃分方法[J].管理科學學報， 2019， 22（11）：106-126.

[5]孫福兵，宋福根. 新型農(nóng)業(yè)經(jīng)營主體信貸風險的識別與防范研究[J].經(jīng)濟縱橫， 2020（8）：116-125.

2480501705394