銀行對(duì)中小微企業(yè)的信貸策略研究

黃鑫淼 朱瑞 秦一凡

摘 要：本文針對(duì)銀行對(duì)中小微企業(yè)的信貸策略問(wèn)題進(jìn)行研究，以銀行收益期望最大化為目標(biāo)，建立BP神經(jīng)網(wǎng)絡(luò)模型、灰色關(guān)聯(lián)分析模型，結(jié)合圖論法制定合理的信貸策略。首先利用企業(yè)的信貸風(fēng)險(xiǎn)數(shù)據(jù)對(duì)其量化分析，賦予權(quán)值﹣1到4，確定指標(biāo)強(qiáng)度。其次建立銀行收益期望模型，利用123家有信貸記錄的企業(yè)數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)模型，將影響指標(biāo)代入模型中，求得無(wú)信貸記錄企業(yè)的信譽(yù)評(píng)級(jí)。最后利用灰色關(guān)聯(lián)分析模型得到信貸風(fēng)險(xiǎn)、利率、貸款額度相關(guān)度排名。結(jié)合企業(yè)的信譽(yù)評(píng)級(jí)，為銀行合理地提出對(duì)中小微企業(yè)的貸款額度和利率優(yōu)惠策略，實(shí)現(xiàn)銀行收益期望最大化。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);灰色關(guān)聯(lián)度;信貸策略

本文索引：黃鑫淼，朱瑞，秦一凡.銀行對(duì)中小微企業(yè)的信貸策略研究[J].中國(guó)商論，2022（03）：-078.

中圖分類號(hào)：F832 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2022）02（a）--03

在大數(shù)據(jù)背景下，我國(guó)出臺(tái)了一系列政策要求商業(yè)銀行適當(dāng)調(diào)整信貸業(yè)務(wù)結(jié)構(gòu)，大力支持中小微企業(yè)貸款。雖然中小微企業(yè)面臨的“融資難、融資貴”問(wèn)題得到一定改善，但是仍長(zhǎng)期存在資金短缺。商業(yè)銀行和中小微企業(yè)長(zhǎng)期存在信息不對(duì)稱等一系列問(wèn)題，影響著銀行對(duì)中小微企業(yè)的資金供給。為了解決這些問(wèn)題，在實(shí)現(xiàn)銀行利益最大化的前提下，需要確定銀行對(duì)每個(gè)企業(yè)的貸款年利率和貸款額度。銀行根據(jù)企業(yè)的實(shí)力、信譽(yù)對(duì)其信貸風(fēng)險(xiǎn)作出評(píng)估，依據(jù)信貸風(fēng)險(xiǎn)等因素來(lái)確定是否放貸及貸款額度、利率和期限等信貸策略。最終通過(guò)建立數(shù)學(xué)模型進(jìn)而實(shí)現(xiàn)銀行利益的最大化。

1 問(wèn)題描述與解決流程

在實(shí)際中，由于中小微企業(yè)規(guī)模相對(duì)較小，缺少抵押資產(chǎn)，因此銀行通常依據(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，向?qū)嵙?qiáng)、供求關(guān)系穩(wěn)定的企業(yè)提供貸款，并可以對(duì)信譽(yù)高、信貸風(fēng)險(xiǎn)小的企業(yè)給予利率優(yōu)惠。本文研究如何利用已知的企業(yè)信息，在不同條件下給出最佳的銀行貸款額度和利率優(yōu)惠，是銀行信貸策略主要研究的兩個(gè)方面。其中，企業(yè)的實(shí)力等因素影響銀行貸款額度，信譽(yù)評(píng)級(jí)高低是決定是否提供利率優(yōu)惠的關(guān)鍵。先根據(jù)題目要求對(duì)數(shù)據(jù)集進(jìn)行量化分析，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。然后建立銀行收益期望模型，確定目標(biāo)函數(shù)。

根據(jù)123家企業(yè)的信貸風(fēng)險(xiǎn)，把實(shí)力、供求關(guān)系和風(fēng)險(xiǎn)因素作為傳入?yún)?shù)特征變量進(jìn)行BP模型的訓(xùn)練，從而建立302家企業(yè)信譽(yù)評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型。然后把信貸風(fēng)險(xiǎn)的相關(guān)度和信譽(yù)評(píng)級(jí)（A，B，C，D）結(jié)合，作為效益指標(biāo)輸入，結(jié)合圖論法利用灰色關(guān)聯(lián)分析求解信貸風(fēng)險(xiǎn)、利率、貸款額度的相關(guān)度，同時(shí)考慮銀行貸款年利率與客戶流失率關(guān)系和企業(yè)有可能出現(xiàn)的違約情況，將得出的相關(guān)度進(jìn)行排名，最終分出不同的等級(jí)，給出銀行對(duì)中小微企業(yè)的信貸策略。如圖1是本文的解決步驟思路流程圖。

2 模型的建立與求解

本文所研究的是123家有信貸記錄企業(yè)和302家無(wú)信貸記錄企業(yè)的相關(guān)數(shù)據(jù)。根據(jù)信譽(yù)評(píng)級(jí)和信貸風(fēng)險(xiǎn)策略給出企業(yè)的信貸策略。根據(jù)企業(yè)信貸風(fēng)險(xiǎn)的相關(guān)理論，結(jié)合中小微企業(yè)發(fā)票的特點(diǎn)及數(shù)據(jù)的可獲得性，選取了五個(gè)指標(biāo)，構(gòu)建企業(yè)信貸風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，如表1所示。

首先對(duì)實(shí)力、信譽(yù)等級(jí)、利潤(rùn)波動(dòng)、作廢發(fā)票比率、信貸風(fēng)險(xiǎn)評(píng)估、供求關(guān)系、風(fēng)險(xiǎn)因素等基礎(chǔ)變量進(jìn)行數(shù)據(jù)處理。利用SUM求和以及Python軟件進(jìn)行數(shù)據(jù)分析，得出企業(yè)流水總金額實(shí)力比較圖像。

利潤(rùn)波動(dòng)通過(guò)建立數(shù)據(jù)透視表，求出方差，最后對(duì)歸一化后的數(shù)據(jù)用Python做量化分析，得到企業(yè)利潤(rùn)波動(dòng)的圖像。作廢發(fā)票比率、信貸風(fēng)險(xiǎn)評(píng)估、企業(yè)供求關(guān)系和風(fēng)險(xiǎn)因素根據(jù)不同變量之間的關(guān)系進(jìn)行數(shù)據(jù)處理，利用Python軟件結(jié)合圖論法得出比率進(jìn)行評(píng)級(jí)分類。

2.1 建立銀行收益期望模型

首先確定目標(biāo)函數(shù)如下：

（1）

其中，W為銀行收益，為貸款額度，為利率。

根據(jù)題目得知的范圍為10萬(wàn)～100萬(wàn)元，年利率為4%～15%;

β是隨機(jī)因子，取值為1時(shí)企業(yè)不違約;取值為0時(shí)企業(yè)違約;

θ是隨機(jī)數(shù)，用來(lái)判斷β。當(dāng)θ[0，0.05]時(shí)，企業(yè)違約;θ[0.05，1]時(shí)，企業(yè)不違約。

2.2 求解無(wú)信貸記錄企業(yè)信譽(yù)評(píng)級(jí)

為了求解無(wú)信貸記錄企業(yè)的信譽(yù)評(píng)級(jí)，以有信貸記錄的123家企業(yè)數(shù)據(jù)為基礎(chǔ)，提取企業(yè)中的80%作為訓(xùn)練集，把風(fēng)險(xiǎn)因素、企業(yè)實(shí)力、供求關(guān)系作為傳入?yún)?shù)特征變量進(jìn)行BP模型訓(xùn)練，設(shè)第一個(gè)輸入永遠(yuǎn)值為θ，權(quán)值為﹣1，得到公式：

（2）

其中=﹣1，， f為選擇的激活代碼。

選取剩下的20%作為測(cè)試集，預(yù)測(cè)結(jié)果的誤差用最小二乘法表示：

（3）

根據(jù)公式設(shè)定一個(gè)迭代終止條件，在誤差小于一定值時(shí)終止遞歸，或者設(shè)定迭代次數(shù)。驗(yàn)證得到了正確率可以達(dá)到70%的BP神經(jīng)網(wǎng)絡(luò)模型，輸出的值是信用評(píng)級(jí)。

根據(jù)建立的模型，把企業(yè)的實(shí)力、供求關(guān)系和風(fēng)險(xiǎn)因素3個(gè)指標(biāo)作為傳入?yún)?shù)特征變量，規(guī)定中間參數(shù)2個(gè)，得到全連接層（輸出）指標(biāo)為關(guān)于302家企業(yè)的信譽(yù)評(píng)級(jí)，其中隱含層有4個(gè)。最終得到的BP神經(jīng)網(wǎng)絡(luò)如圖2所示。

同時(shí)利用Malab工具箱對(duì)BP神經(jīng)網(wǎng)絡(luò)模型做穩(wěn)定性分析得到圖3，分析得出測(cè)試的占訓(xùn)練的比例大小在10%左右，模型具有良好的穩(wěn)定性，模型準(zhǔn)確率達(dá)到70%左右。如果要得到更穩(wěn)定的模型，需要將迭代次數(shù)與神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)進(jìn)行匹配性調(diào)整，使得整體更加合適，從而獲得更加穩(wěn)定的模型。

2.3 研究銀行對(duì)企業(yè)貸款額度的分配

在確定好企業(yè)的信譽(yù)評(píng)級(jí)以后，根據(jù)評(píng)級(jí)結(jié)果決定是否給企業(yè)提供貸款，篩選出信譽(yù)評(píng)級(jí)為D的企業(yè)和有違約記錄的企業(yè)，對(duì)于這部分中小微企業(yè)銀行不予貸款。企業(yè)的信用額度劃分是由實(shí)力和信譽(yù)等級(jí)決定的。首先利用層次分析法確定各指標(biāo)的權(quán)重。利用公式計(jì)算得出灰色關(guān)聯(lián)系數(shù)，具體公式如下：

（4）

為比較數(shù)列對(duì)參考數(shù)列在第k個(gè)指標(biāo)上的關(guān)聯(lián)系數(shù)，其中為分辨系數(shù)，其中，稱、分別為兩級(jí)最小差及兩級(jí)最大差。一般來(lái)說(shuō)，分辨系數(shù)ρ越大，分辨率越大; ρ越小，分辨率越小。

通過(guò)建立灰色關(guān)聯(lián)分析模型計(jì)算得出灰色加權(quán)關(guān)聯(lián)度，計(jì)算公式如下：

（5）

式中：為第i個(gè)評(píng)價(jià)對(duì)象對(duì)理想對(duì)象的灰色加權(quán)關(guān)聯(lián)度。

求解得到的貸款額度范圍為[-1，10]，對(duì)企業(yè)的貸款額度進(jìn)行求和排序。在固定金額的前提下，按照放款順序自上而下的優(yōu)先級(jí)進(jìn)行分配。將得到的結(jié)果按照階段性分成8個(gè)等級(jí)進(jìn)行貸款額度分配。優(yōu)先等級(jí)越高，企業(yè)分配得到的金額越多。

2.4 確定銀行對(duì)企業(yè)的信貸策略

銀行對(duì)企業(yè)的利率優(yōu)惠，由信譽(yù)等級(jí)和信貸風(fēng)險(xiǎn)共同決定。根據(jù)所得數(shù)據(jù)，借助MATLAB軟件，運(yùn)用灰色關(guān)聯(lián)分析模型求出信貸風(fēng)險(xiǎn)評(píng)估和信譽(yù)評(píng)級(jí)兩個(gè)指標(biāo)的灰色加權(quán)關(guān)聯(lián)度，對(duì)求得的值進(jìn)行優(yōu)先級(jí)排序，最終分成8個(gè)等級(jí)。根據(jù)求得的結(jié)果給出銀行對(duì)不同中小微企業(yè)的優(yōu)惠策略。

已知放貸企業(yè)的貸款額度為10萬(wàn)～100萬(wàn)元，年利率4%～15%，貸款期限為1年。因此根據(jù)求得8個(gè)等級(jí)的貸款額度和優(yōu)惠政策，得到如下分級(jí)指標(biāo)標(biāo)準(zhǔn)，如表2所示。

根據(jù)表2同時(shí)結(jié)合企業(yè)相關(guān)數(shù)據(jù)可以看出，在固定金額的前提下，對(duì)于低等級(jí)的企業(yè)銀行的放貸金額少，貸款利率額高;對(duì)于高等級(jí)的企業(yè)銀行的放貸金額多，貸款利率額低。在銀行對(duì)中小微企業(yè)的貸款額度方面，超過(guò)50%的企業(yè)位于等級(jí)4、等級(jí)5和等級(jí)6，即銀行的放貸金額集中在60萬(wàn)～80萬(wàn)元;在銀行對(duì)中小微企業(yè)的貸款利率方面，超過(guò)60%的企業(yè)在等級(jí)0到等級(jí)4，即銀行的貸款利率集中在9%～15%。

在確定好貸款額度和利率優(yōu)惠以后計(jì)算銀行的預(yù)期收益，根據(jù)所得的貸款額度和銀行貸款年利率可以求出銀行對(duì)每個(gè)企業(yè)的收益，設(shè)置θ為[0，0.05]時(shí)，β=0，企業(yè)發(fā)生違約情況;θ為[0.05，1]時(shí)，β=1，企業(yè)不發(fā)生違約情況;將各個(gè)指標(biāo)代入公式中，最終求得銀行的最大收益。

3 結(jié)語(yǔ)

中小微企業(yè)是我國(guó)市場(chǎng)經(jīng)濟(jì)體系中的重要參與主體，對(duì)國(guó)民經(jīng)濟(jì)的發(fā)展起著關(guān)鍵作用，研究中小微企業(yè)的信貸是學(xué)術(shù)界與實(shí)務(wù)界的熱點(diǎn)問(wèn)題。本文充分利用所給數(shù)據(jù)，以銀行收益期望最大化為目標(biāo)，從貸款額度和利率優(yōu)惠兩個(gè)方面考慮銀行對(duì)中小微企業(yè)的信貸策略。通過(guò)建立BP神經(jīng)網(wǎng)絡(luò)模型，利用所給數(shù)據(jù)對(duì)模型中的變量進(jìn)行評(píng)級(jí)，得到無(wú)信貸記錄企業(yè)的評(píng)級(jí)。之后采用灰色關(guān)聯(lián)分析模型，計(jì)算相關(guān)變量的灰色加權(quán)關(guān)聯(lián)度，最后進(jìn)行優(yōu)先級(jí)排序，將貸款額度和利率優(yōu)惠分成8個(gè)等級(jí)，結(jié)合企業(yè)的數(shù)據(jù)和違約情況等得出銀行對(duì)于中小微企業(yè)的信貸策略。

參考文獻(xiàn)

[1]李笑鋒. C銀行對(duì)中小企業(yè)經(jīng)營(yíng)性貸款的風(fēng)險(xiǎn)管理[D].昆明：云南財(cái)經(jīng)大學(xué)，2020.

[2]王孟夏，邢劍琛，王林.商業(yè)銀行中小企業(yè)貸款風(fēng)險(xiǎn)研究[J].北方經(jīng)濟(jì)，2009（24）.

[3]《運(yùn)籌學(xué)》教材編寫組.運(yùn)籌學(xué)（修改版）[M].北京：清華大學(xué)出版社，1990.

[4]司守奎，孫璽菁.數(shù)學(xué)建模算法與應(yīng)用[M].北京：國(guó)防工業(yè)出版社，2011.

[5]施麗娟.基于灰色關(guān)聯(lián)模型的金融信用風(fēng)險(xiǎn)評(píng)價(jià)研究[J].科技經(jīng)濟(jì)市場(chǎng)，2017（8）.

[6]李鈺博，裴宇恒，高曉亮.中小微企業(yè)的信貸決策問(wèn)題研究[J].營(yíng)銷界，2020（29）：163-165.

Research on Bank’s Credit Strategy For Micro， Small and Medium Enterprises

Shenyang University of Technology? Shenyang， Liaoning? 110870

HUANG Xinmiao? ZHU Rui? QIN Yifan

Abstract： This paper studies the bank’s credit strategy for micro， small and medium enterprises. The goal is to maximize the bank’s income expectation， establish BP neural network model and grey relational analysis model， making reasonable credit strategy with graph theory. First of all， this paper uses the credit risk data of enterprises for quantitative analysis， gives weight -1 to 4， determines the index strength. Secondly， this paper establishes the bank income expectation model， and the BP neural network model is established by using the data of 123 enterprises with credit records， and the impact indicators are substituted into the model to obtain the credit rating of enterprises without credit records. Finally， using the grey relational analysis model， this paper gets the ranking of credit risk， interest rate and loan line. Combined with the credit rating of enterprises， this paper puts forward a reasonable loan line and interest rate preferential strategy for micro， small and medium enterprises， so as to maximize the bank’s income expectation.

Keywords： BP neural network; grey correlation degree; credit strategy