基于BP神經(jīng)網(wǎng)絡(luò)的特殊客戶群體金融服務(wù)優(yōu)化研究
——以小微企業(yè)信用評級研究為例

陳偉等

（中國人民銀行銅仁市中心支行，貴州 銅仁 554300）

一、引言

2016 年，我國首次將普惠金融納入國家戰(zhàn)略規(guī)劃，并出臺《推進(jìn)普惠金融發(fā)展規(guī)劃（2016-2020）的通知》，指出普惠金融立足機(jī)會平等與商業(yè)可持續(xù)性原則，能夠有效提高金融服務(wù)的覆蓋率、可得性和滿意度，我國普惠金融的服務(wù)對象重點(diǎn)包括小微企業(yè)等特殊群體。G20 普惠金融指標(biāo)體系的三個(gè)維度是金融服務(wù)可獲得性、金融服務(wù)使用情況、金融產(chǎn)品與服務(wù)質(zhì)量，放在首位的就是金融服務(wù)的可獲得性。

小微企業(yè)在活躍市場、保障就業(yè)、推動(dòng)創(chuàng)新等方面發(fā)揮巨大作用。截至2020 年末，中國人民銀行統(tǒng)計(jì)數(shù)據(jù)顯示，全國存款類金融機(jī)構(gòu)人民幣貸款余額172.72 萬億元，其中小微企業(yè)貸款余額42.7 萬億元，普惠小微企業(yè)貸款余額15.3萬億元，小微企業(yè)和普惠小微企業(yè)貸款余額占比分別為24.72%、8.86%；銀行業(yè)金融機(jī)構(gòu)累計(jì)發(fā)放普惠小微企業(yè)信用貸款3.9萬億元，信用貸款占比為25.49%。上述數(shù)據(jù)表明我國小微企業(yè)貸款余額和信用貸款比重偏低。我國小微企業(yè)普遍存在經(jīng)營管理能力弱、持續(xù)盈利能力差、財(cái)務(wù)管理不規(guī)范等問題，難以滿足抵押擔(dān)保要求，導(dǎo)致小微企業(yè)信貸獲得率較低，嚴(yán)重制約小微企業(yè)發(fā)展。因此，要切實(shí)提升小微企業(yè)金融服務(wù)的可獲得性，還需要加大小微企業(yè)信用建設(shè)和銀行信用貸款支持。金融機(jī)構(gòu)以信用評級為基礎(chǔ)，決定授予評級對象某筆商業(yè)交易或具體的融資金額（鄭建華等，2020）。由于小微企業(yè)制度不健全、財(cái)務(wù)信息不透明等原因，依賴于財(cái)務(wù)數(shù)據(jù)的信用評級難以直接適用于小微企業(yè)。隨著大數(shù)據(jù)時(shí)代來臨，獲取企業(yè)信息數(shù)據(jù)的渠道多樣化，為多維度評估企業(yè)信用提供機(jī)遇。本文認(rèn)為，優(yōu)化小微企業(yè)金融服務(wù)的關(guān)鍵在于放寬信用準(zhǔn)入條件，構(gòu)建適合小微企業(yè)的信用評估體系，完善小微企業(yè)增信機(jī)制，提高小微企業(yè)金融可獲得性。利用多維度、多類型的大數(shù)據(jù)對企業(yè)信用展開動(dòng)態(tài)評級，通過整合社保、司法、工商、稅務(wù)等公共信息搭建線上信貸風(fēng)險(xiǎn)管理平臺，為小微企業(yè)提供自動(dòng)化、免抵押的循環(huán)信貸服務(wù)，實(shí)現(xiàn)金融機(jī)構(gòu)與小微企業(yè)的精準(zhǔn)對接，切實(shí)提升小微企業(yè)融資的可獲得性。

二、文獻(xiàn)綜述

（一）信用評級定義

蔣輝等（2019）提出信用評估是評估機(jī)構(gòu)利用專家判斷或數(shù)學(xué)模型，對借款人如期足額還本付息的能力和意愿進(jìn)行評價(jià)，并按照其違約概率大小以等級或分?jǐn)?shù)的形式給出評估結(jié)論的行為。閻維博（2019）認(rèn)為信用評級是專業(yè)第三方依據(jù)科學(xué)、客觀、公平的原則標(biāo)準(zhǔn)，采取全面規(guī)范的評級指標(biāo)體系和科學(xué)合理的模型方法，對評級對象違約風(fēng)險(xiǎn)進(jìn)行全面評估。綜合來說，信用評估是指獨(dú)立第三方按照科學(xué)的原則標(biāo)準(zhǔn)，對評估對象客觀公正的等級評價(jià)，并以簡潔的形式作為標(biāo)識。

（二）信用評估方法

企業(yè)信用風(fēng)險(xiǎn)研究已從傳統(tǒng)的定性分析，發(fā)展到以大數(shù)據(jù)為基礎(chǔ)的人工智能分析。傳統(tǒng)的信用分析方法有綜合模糊評判法、五級分類法等，這些評價(jià)方法簡單易懂，不足之處在于主觀性太強(qiáng)。隨著數(shù)據(jù)維度不斷增加，數(shù)據(jù)量也呈爆炸式增長，傳統(tǒng)基于簡單統(tǒng)計(jì)的信用評估方法局限性逐漸顯現(xiàn)。近年來，人工智能的運(yùn)用更為引人關(guān)注，如許多學(xué)者將機(jī)器學(xué)習(xí)算法引入企業(yè)信用風(fēng)險(xiǎn)評估研究中，常用的信用評估模型包括隨機(jī)森林、支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）等（肖進(jìn)等，2015）。溫小霓和韓鑫蕊（2017）選用66 家中小企業(yè)板企業(yè)，利用因子分析簡化指標(biāo)體系和特征降維，驗(yàn)證MLP 神經(jīng)網(wǎng)絡(luò)評估模型在科技型中小企業(yè)中的適用性。劉偉江等（2020）基于Lend?ing Club客戶信用數(shù)據(jù)，建立基于卷積神經(jīng)網(wǎng)絡(luò)的客戶信用評估模型，實(shí)驗(yàn)結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)的新模型在信用評估實(shí)驗(yàn)中與傳統(tǒng)以特征處理為基礎(chǔ)的信用評估模型相比有顯著提升，在客戶違約特征信息提取和違約可能性的預(yù)測上具有良好性能。

李慧潔（2020）建立Logistic 回歸分析模型，對支持向量機(jī)（SVM）模型與隨機(jī)森林、BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比，結(jié)果表明SVM 模型在中小微企業(yè)信用評級領(lǐng)域適用性更高。仵曉溪和李云飛（2020）運(yùn)用因子分析方法篩選評價(jià)指標(biāo)，以優(yōu)化后的指標(biāo)體系構(gòu)建基于LM算法的三層BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)驗(yàn)結(jié)果表明基于LM 算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)模型對訓(xùn)練樣本的評估準(zhǔn)確率高達(dá)100%，對測試樣本的評估準(zhǔn)確率為84%。綜合來看，BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛，且預(yù)測效果較佳，所以本文選擇BP 神經(jīng)網(wǎng)絡(luò)對小微企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行評估，并結(jié)合LM 算法對網(wǎng)絡(luò)進(jìn)行優(yōu)化以提高收斂速度。

（三）評估體系

目前針對小微企業(yè)信用評價(jià)指標(biāo)的選擇主要包括企業(yè)主個(gè)人特征、小微企業(yè)特有信息、行業(yè)情況、宏觀經(jīng)濟(jì)形勢等，其中企業(yè)主特征對信用評級的影響更為重要。如梁迪（2015）從企業(yè)主個(gè)人素質(zhì)、企業(yè)經(jīng)營類狀況、銀行動(dòng)態(tài)風(fēng)險(xiǎn)等三個(gè)維度構(gòu)建納稅信用評價(jià)體系。周針竹等（2017）基于現(xiàn)代信用學(xué)誠信資本、合規(guī)資本和踐約資本三維信用理論構(gòu)建小微企業(yè)信用評價(jià)指標(biāo)體系。鄭建華等（2020）從企業(yè)發(fā)展?jié)摿?、企業(yè)發(fā)展環(huán)境、企業(yè)經(jīng)營者信息、企業(yè)行為合規(guī)度等四個(gè)維度構(gòu)建小微企業(yè)信用評級模型，并采用層次分析法確定各指標(biāo)權(quán)重。吳金菊（2018）從企業(yè)經(jīng)營情況、營運(yùn)能力、獲利能力、成長能力、守法經(jīng)營五個(gè)維度構(gòu)建納稅信用評價(jià)體系。

上述小微企業(yè)信用評價(jià)指標(biāo)體系都將非財(cái)務(wù)指標(biāo)作為重要評價(jià)內(nèi)容，信用指標(biāo)選取更加豐富，范圍更加廣泛，但針對已有評價(jià)指標(biāo)體系側(cè)重角度各有不同，缺乏全面性和系統(tǒng)性，且部分指標(biāo)可行性較差。本文選取普惠金融特殊服務(wù)群體中的小微企業(yè)作為研究對象，從小微企業(yè)信用評級體系的現(xiàn)狀、困難、適用模型的構(gòu)建等展開研究，以充分調(diào)動(dòng)銀行服務(wù)小微企業(yè)的積極性，提升小微企業(yè)等特殊群體金融服務(wù)可得性，為有效緩解小微企業(yè)“融資難”問題提供決策支持。

三、信用評價(jià)體系設(shè)計(jì)

信用評級體系的選取應(yīng)堅(jiān)持獨(dú)立性、客觀公正性、可行性、系統(tǒng)性與針對性相結(jié)合、定量與定性相結(jié)合原則（李慧潔，2020）。本文結(jié)合我國小微企業(yè)實(shí)際情況，堅(jiān)持重要性、客觀性、獨(dú)立性和可行性原則，降低對財(cái)務(wù)數(shù)據(jù)的依賴，運(yùn)用大數(shù)據(jù)思維從企業(yè)主特征、企業(yè)信息及稅務(wù)管理三維度建立信用評級指標(biāo)體系，如表1所示。

表1 小微企業(yè)信用評估指標(biāo)體系

四、BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

對銀行而言，客戶信用直接影響貸款損失和利潤收益。經(jīng)過實(shí)地調(diào)研了解到，各銀行均建立了獨(dú)立的企業(yè)信用評估體系，但由于標(biāo)準(zhǔn)不一，結(jié)果不盡相同，且部分大型銀行信用評估缺乏靈活度，降低了評估效率。本文采用BP 神經(jīng)網(wǎng)絡(luò)模型，對已知樣本信用信息進(jìn)行訓(xùn)練得出一個(gè)抽象模型，進(jìn)而對新樣本進(jìn)行信用評估。

BP神經(jīng)網(wǎng)絡(luò)模型是包含多個(gè)隱藏層的前饋神經(jīng)網(wǎng)絡(luò)，具備處理線性不可分的能力，信息正向反饋，誤差反向傳播，經(jīng)過學(xué)習(xí)訓(xùn)練得出抽象的評估模型。如圖1所示，BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層。網(wǎng)絡(luò)由多層構(gòu)成，為便于理解，圖中僅顯示1 個(gè)隱藏層，層與層之間全連接，同一層之間無連接，輸入層由m個(gè)元素組成，記為Xm，表示影響小微企業(yè)信用的m個(gè)因素；隱藏層包含n個(gè)元素（m與n不一定相等），記為Kn；輸出層包含1個(gè)元素，記為Yi，表示小微企業(yè)信用狀況為正?；蜻`約。從Xm到Kn的連接權(quán)值為ωmn，從Kn到Y(jié)i的連接權(quán)值為λni。隱藏層的傳遞函數(shù)為Sigmoid函數(shù)，輸出層的傳遞函數(shù)為線性函數(shù)。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

（一）隱藏層的輸出計(jì)算

隱藏層中第n個(gè)神經(jīng)元的輸出如公式（1）所示。

其中f(?)為隱藏層的Sigmoid 傳遞函數(shù)，即。

（二）輸出層的輸出計(jì)算

輸出層中第i個(gè)神經(jīng)元的輸出如公式（2）所示。

其中g(shù)(?)為輸出層的線性傳遞函數(shù)。

（三）網(wǎng)絡(luò)誤差計(jì)算

（四）誤差信號反向傳播

根據(jù)網(wǎng)絡(luò)總體誤差e，沿著網(wǎng)絡(luò)逐層反向更新連接權(quán)值，權(quán)值調(diào)整的目的是減小誤差。首先調(diào)整隱藏層與輸出層之間的權(quán)值λni，如公式（3）所示。

其中，η為學(xué)習(xí)效率。誤差信號繼續(xù)反向傳播，對輸入層與隱藏層之間的權(quán)值ωmn進(jìn)行調(diào)整，如公式（4）所示。

上述隱藏層計(jì)算、輸出層計(jì)算、網(wǎng)絡(luò)誤差計(jì)算機(jī)誤差信號反向傳播等過程的主要流程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的建模與預(yù)測流程圖

（五）模型優(yōu)化

BP 神經(jīng)網(wǎng)絡(luò)具有實(shí)現(xiàn)復(fù)雜非線性映射的能力，但也具有一些難以克服的局限性，如需要參數(shù)較多，容易導(dǎo)致學(xué)習(xí)不穩(wěn)定，收斂速度較慢，還可能陷入局部最優(yōu)；且對初始權(quán)重敏感，較為依賴樣本，如果樣本代表性差且存在冗余樣本，網(wǎng)絡(luò)就很難達(dá)到預(yù)期性能。在網(wǎng)絡(luò)訓(xùn)練過程中，若能使用更優(yōu)的權(quán)重調(diào)整方法，則能得到更高的穩(wěn)定性和更快的收斂速度，主要的改進(jìn)方法有：動(dòng)量BP法、擬牛頓法、LM算法等。訓(xùn)練算法的選擇與問題本身、訓(xùn)練樣本個(gè)數(shù)等有關(guān)，由于LM算法兼具隨機(jī)梯度下降法和擬牛頓法收斂速度快、均方誤差小等優(yōu)勢，適合用于小樣本神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)，因此對BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)選擇LM算法進(jìn)行優(yōu)化改進(jìn)。

五、實(shí)證結(jié)果分析

（一）樣本選取與數(shù)據(jù)處理

本文選取銅仁市200戶小微企業(yè)作為調(diào)查對象，其中包含15%的違約對象，通過與銀行、稅務(wù)部門、企業(yè)主體等單位進(jìn)行實(shí)地調(diào)研，詳細(xì)了解小微企業(yè)2020年信貸經(jīng)營情況。最終收回有效問卷199份，包含182 份守信問卷和17 份違約問卷。由于每個(gè)維度指標(biāo)的單位和性質(zhì)不同，所以對不同性質(zhì)的指標(biāo)進(jìn)行歸一化標(biāo)準(zhǔn)處理。

（二）參數(shù)設(shè)計(jì)

本文選取115個(gè)訓(xùn)練樣本（含違約樣本10份），84個(gè)測試樣本（含違約樣本7 份）。本文每個(gè)用戶包含26個(gè)屬性，因此輸入層包含26個(gè)神經(jīng)元節(jié)點(diǎn)，隱藏層神經(jīng)元個(gè)數(shù)及初始參數(shù)為程序默認(rèn)數(shù)值。本文研究的內(nèi)容屬于針對信用好/差的二分類問題，因此輸出層只包含1 個(gè)神經(jīng)元，用0 表示信用好，1 表示信用差；在程序輸出中，設(shè)置0.5為閾值，小于0.5的輸出判定為0（信用好），否則判定為1（信用差）。

（三）結(jié)果分析

本文運(yùn)用MATLAB軟件編寫基于BP算法的神經(jīng)網(wǎng)絡(luò)程序，設(shè)置最大訓(xùn)練次數(shù)為1000次，目標(biāo)誤差為“1e-13”，調(diào)用trainlm 函數(shù)進(jìn)行訓(xùn)練。第一次測試結(jié)果正確率為88.10%，圖3 所示為網(wǎng)絡(luò)誤差下降曲線，由橫坐標(biāo)可以看出，網(wǎng)絡(luò)進(jìn)行了5次迭代即收斂。經(jīng)過數(shù)據(jù)核查，補(bǔ)充了2個(gè)缺失數(shù)據(jù)后，第二次訓(xùn)練8次后收斂，測試結(jié)果正確率提高到95.24%。結(jié)果表明BP 神經(jīng)網(wǎng)絡(luò)達(dá)到預(yù)期目標(biāo)，較為準(zhǔn)確地對用戶信用情況進(jìn)行評估預(yù)測。

圖3 誤差下降曲線

為了抵消隨機(jī)因素的影響，本文選取相同的訓(xùn)練和測試樣本集運(yùn)算50 次，統(tǒng)計(jì)正確率與訓(xùn)練次數(shù)。結(jié)果顯示，測試50次的平均正確率為95.40%，最高正確率為98.81%，最低正確率為91.67%；平均迭代次數(shù)為6.5次，最低迭代5次，最高迭代10次（圖4）。如表2 所示，BP 神經(jīng)網(wǎng)絡(luò)模型混淆矩陣輸出結(jié)果表明，守信小微企業(yè)（預(yù)測值為0）的預(yù)測正確率為99.5%，違約小微企業(yè)（預(yù)測值為1）的預(yù)測正確率為94.1%，整體預(yù)測準(zhǔn)確率為98.99%。

圖4 BP網(wǎng)絡(luò)正確率與訓(xùn)練次數(shù)

（四）模型預(yù)測能力檢驗(yàn)

1.ROC與AUC方法。BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測準(zhǔn)確率由預(yù)測守信情況與實(shí)際守信情況比較得出，而模型輸出結(jié)果的二值分類又由設(shè)定的閾值決定。因此，為了評估上述信用評估預(yù)測BP神經(jīng)網(wǎng)絡(luò)模型的二值分類是否準(zhǔn)確有效，本文采用ROC（Receiver Operat?ing Characteristic）曲線下面積（AUC）對模型進(jìn)行檢驗(yàn)。

本文的BP 神經(jīng)網(wǎng)絡(luò)將輸出結(jié)果映射在（0，1）區(qū)間內(nèi)，通過設(shè)定閾值F 對樣本做出二值分類，即當(dāng)輸出值低于F時(shí)預(yù)測為信用好（0），高于F時(shí)預(yù)測為信用差（1）。設(shè)BP 神經(jīng)網(wǎng)絡(luò)模型將實(shí)際違約企業(yè)預(yù)測為違約企業(yè)定義為TP（True Positive）真正類，將實(shí)際違約企業(yè)預(yù)測為守信企業(yè)定義為FN（False Negative）假負(fù)類，將實(shí)際守信企業(yè)預(yù)測為違約企業(yè)定義為FP（False Positive）假正類，將實(shí)際守信企業(yè)預(yù)測為實(shí)際守信企業(yè)定義為TN（True Negative）真負(fù)類，真正類率（TPR）=TP/（TP+FN），負(fù)正類率（FPR）=FP/（FP+TN），ROC曲線則是由TPR為縱軸、FPR為橫軸繪制成的曲線，當(dāng)模型預(yù)測準(zhǔn)確率為100%時(shí)，ROC 曲線由（0，0）（0，1）（1，1）三點(diǎn)組成，當(dāng)模型完全沒有區(qū)分能力時(shí)，此時(shí)預(yù)測結(jié)果完全服從隨機(jī)概率，一般而言，實(shí)際模型的ROC 曲線大多呈現(xiàn)一條向左上角彎曲的曲線，其彎曲程度越高代表區(qū)分能力越高。但鑒于ROC曲線在模型間不具備可比性，因此需要引入AUC 統(tǒng)計(jì)量，即能直觀表示各評級模型的區(qū)分能力的統(tǒng)計(jì)量，等于ROC曲線與FPR=1、TPR=0兩條曲線構(gòu)成的區(qū)域面積，如公式（5）和公式（6）所示。

其中，p代表守信企業(yè)的數(shù)量，q代表違約企業(yè)的數(shù)量，代表BP 神經(jīng)網(wǎng)絡(luò)對違約企業(yè)j的輸出值，代表BP 神經(jīng)網(wǎng)絡(luò)對守信企業(yè)i的輸出值，0

由于AUC 是ROC 曲線與FPR=1、TPR=0 兩條曲線構(gòu)成的區(qū)域面積，因此0≤AUC≤1，當(dāng)AUC=0.5 時(shí)，代表模型沒有區(qū)分能力，AUC越接近1代表區(qū)分能力越高，即預(yù)測結(jié)果越準(zhǔn)確。參照已有相關(guān)研究，在實(shí)際操作中，僅通過AUC進(jìn)行預(yù)測力度量仍不夠全面，需結(jié)合ROC曲線的形狀對模型進(jìn)行綜合判斷。

本文在原樣本數(shù)據(jù)基礎(chǔ)上對BP神經(jīng)網(wǎng)絡(luò)信用評估模型進(jìn)行預(yù)測力檢驗(yàn)，通過MATLAB檢驗(yàn)結(jié)果可看出ROC 曲線是一條無限向左上角彎曲的曲線，且AUC=0.9947，說明本文建立的BP 神經(jīng)網(wǎng)絡(luò)模型能較好地對企業(yè)信用狀況進(jìn)行評估。

2.與Logistic模型預(yù)測結(jié)果對比。Logistic模型常用于多變量數(shù)據(jù)分析中因變量是分類變量的情況，本文要考察的因變量為守信還是違約（0 或1），是一個(gè)二分類變量，此時(shí)基于同方差、線性和正態(tài)性等假定的線性回歸不再適用，故通過構(gòu)建二元Logistic 回歸模型，并將預(yù)測結(jié)果與上述BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比。首先，考慮到本文構(gòu)建了涵蓋26 個(gè)影響因素的指標(biāo)體系，由于神經(jīng)網(wǎng)絡(luò)模型具有魯棒性（Robust），能控制系統(tǒng)相對穩(wěn)定以不會受線性共線影響，即存在多重共線性時(shí)，也不需要調(diào)整輸入神經(jīng)網(wǎng)絡(luò)模型的特征值，因此采用因子分析法，并結(jié)合各指標(biāo)間的相關(guān)性情況對指標(biāo)進(jìn)行降維，按照各指標(biāo)對主成分的貢獻(xiàn)程度排序，篩選出年齡、違約金額、工商年檢、社保、法律訴訟、員工人數(shù)、年收入、貸款占比、稅務(wù)登記、納稅增長率等十個(gè)指標(biāo)引入模型。其次，建立Logistic 模型，設(shè)y為因變量，且服從于二項(xiàng)分布，記：p=p(y=1),q=p(y=0),p=1-q，Logistic 回歸解釋了自變量和因變量概率取值之間的關(guān)系，如公式（7）所示。

其中，β0,β1,β2,…,βn為待估參數(shù)，為優(yōu)勢比率，即事件發(fā)生與不發(fā)生的概率比，ln()稱為y的Logit。

從Logistic模型混淆矩陣輸出結(jié)果可看出（表3），雖然總體預(yù)測正確率達(dá)97.5%，處于較高水平，但仍低于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率，并且可以看到，Lo?gistic模型中的違約企業(yè)預(yù)測率僅為76.5%，綜上可看出，無論是模型內(nèi)部的預(yù)測力評估，還是模型間預(yù)測準(zhǔn)確率的比較，本文建立的BP 神經(jīng)網(wǎng)絡(luò)都能較好地對企業(yè)信用狀況進(jìn)行評估。

表3 Logistic模型混淆矩陣輸出結(jié)果

六、結(jié)論與建議

本文基于人工智能中的BP 神經(jīng)網(wǎng)絡(luò)模型，通過LM 算法對系統(tǒng)進(jìn)行優(yōu)化，建立針對普惠小微企業(yè)的信用風(fēng)險(xiǎn)評估模型，并通過第一手實(shí)地調(diào)查數(shù)據(jù)進(jìn)行實(shí)證校驗(yàn)，同時(shí)采用ROC 曲線下面積對模型進(jìn)行檢驗(yàn)，并與Logistic 模型預(yù)測結(jié)果進(jìn)行對比分析。結(jié)果表明BP 神經(jīng)網(wǎng)絡(luò)對實(shí)際信用數(shù)據(jù)實(shí)現(xiàn)了較好的預(yù)測，以平均95.40%的正確率成功預(yù)測小微企業(yè)的信貸情況，且準(zhǔn)確率高于Logistic 模型預(yù)測結(jié)果。根據(jù)評估結(jié)果，對不同客戶作出分類管理，實(shí)現(xiàn)市場細(xì)分，為小微企業(yè)提供差異化的信貸服務(wù)。為進(jìn)一步優(yōu)化小微企業(yè)等特殊群體的金融服務(wù)工作，提出以下政策建議。

（一）創(chuàng)新信貸審核方式，提升小微企業(yè)金融服務(wù)可得性

銀保監(jiān)會督促銀行深化機(jī)制建設(shè)，在“三個(gè)不低于”的基礎(chǔ)上提出“兩增兩控”要求，引導(dǎo)小微金融業(yè)務(wù)穩(wěn)步健康發(fā)展，不斷提升普惠金融服務(wù)覆蓋率。但在促進(jìn)提升“覆蓋率”的時(shí)候忽略了“可得性”，經(jīng)實(shí)地調(diào)研發(fā)現(xiàn)，大部分金融機(jī)構(gòu)對于小微企業(yè)貸款仍然要求提供足額的抵押擔(dān)保和健全的財(cái)務(wù)報(bào)表，這對于以輕資產(chǎn)為主的初創(chuàng)期小微企業(yè)來說，無異于直接拒之門外。根據(jù)本文的研究結(jié)論，建議銀行機(jī)構(gòu)建立以非財(cái)務(wù)指標(biāo)為主的信用評估體系，運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)開展小微企業(yè)信用風(fēng)險(xiǎn)評估，以評估結(jié)果為依據(jù)，盡可能降低抵押擔(dān)保要求，創(chuàng)新信貸產(chǎn)品，降低小微企業(yè)金融服務(wù)門檻，提高普惠小微企業(yè)金融服務(wù)可得性。

（二）整合大數(shù)據(jù)資源，降低金融機(jī)構(gòu)信貸風(fēng)險(xiǎn)

基于大數(shù)據(jù)的小微企業(yè)信用評級具有全面、可信、高效、低成本的優(yōu)勢，有助于打破以財(cái)務(wù)信息為主的傳統(tǒng)小微企業(yè)信用評級模式。建議加強(qiáng)稅務(wù)、司法和住房公積金繳納等領(lǐng)域信用信息整合共享，健全信用數(shù)據(jù)實(shí)時(shí)采集更新機(jī)制，提高信息采集的準(zhǔn)確性、實(shí)效性和完整性，緩解銀行信息收集成本和信息不對稱問題，通過大數(shù)據(jù)和人工智能多維度開展信用風(fēng)險(xiǎn)評估，降低銀行信貸風(fēng)險(xiǎn)，落實(shí)金融供給側(cè)結(jié)構(gòu)性改革要求，破解小微企業(yè)融資難題，提升基層銀行服務(wù)小微企業(yè)的積極性和主動(dòng)性。

（三）完善監(jiān)管考核機(jī)制，促進(jìn)金融資源市場化配置

現(xiàn)場調(diào)研了解到，不良貸款率考核機(jī)制嚴(yán)重限制了銀行提高小微企業(yè)金融服務(wù)可得性的積極性和主動(dòng)性。目前，對于金融不良貸款等壞賬核銷仍有諸多限制，為銀行服務(wù)小微企業(yè)埋下隱患。因此，優(yōu)化特殊群體金融服務(wù)，還需要從監(jiān)管上放寬不良容忍度和壞賬核銷規(guī)定，落實(shí)好“放管服”精神，從根本上解除銀行機(jī)構(gòu)的顧慮，調(diào)動(dòng)銀行服務(wù)小微企業(yè)的主動(dòng)性，讓銀行根據(jù)市場化原則促進(jìn)金融資源分配，讓小微企業(yè)等特殊群體都能享受普惠金融服務(wù)。