小微企业信用风险因素识别研究

　　摘要：小微企业在促进经济增长、增加就业机会和创造产业等方面起到了重要作用。然而，小微企业的信用风险较高，给银行造成贷款违约损失的可能性较大。文章以188家小微企业为研究对象，通过随机森林方法对影响小微企业信用风险的关键因素进行识别，并确定关键指标的影响程度和影响方向。结果表明：水电费发生异常的次数、借新还旧次数、还款计划变更次数和民事诉讼次数等企业行为信息是影响小微企业信用风险的关键因素，且均对企业信用风险具有正向影响。

　　关键词：小微企业;随机森林;信用风险

小微企业信用风险因素识别研究

　　1引言

　　近年来，随着我国经济结构和产业结构的不断优化调整，以及经济向内生增长转变，小微企业在促进经济增长、增加就业机会和创造产业等方面发挥了重要的作用。然而，市场经营环境的不断改变，致使小微企业逾期贷款不断增多，商业银行的贷款业务面临的风险加大。因此，识别影响小微企业信用风险的关键因素、持续动态的捕获贷款企业的风险信号、提前发现和判别企业风险，做出预警提示，减少因小微企业信用风险导致的贷款违约损失具有重要的意义。众多学者开展了小微企业信用风险因素识别的研究，如曹明生(2015)[1]使用Logistic模型研究影响小微企业信用风险的因素，研究发现企业财务信息对小微企业信用风险具有重要影响。赵玉龙等(2017)[2]的研究认为企业自身特点、企业过度扩张和企业负债等是影响小微企业信用风险的主要因素。满向昱等(2018)[3]采用Logistic模型进行研究，结果表明流动资产周转率、银行负债资产比等企业财务指标为影响我国中小微企业信用风险的重要因素。迟国泰等(2019)[4]实证分析小企业贷款数据，结果表明速动比率、总资产增长率等企业财务信息显著影响小企业信用风险。孙福兵等(2020)[5]运用Probit模型对小型农业企业进行信用风险影响因素识别，研究发现资产负债、营业利润率等对信用风险具有重要影响。已有文献的研究中，一方面，多将企业财务信息作为关注对象，对企业行为信息关注较少;另一方面，多使用传统的回归分析方法，极少使用流行的机器学习方法。因此，文章将企业行为信息引入小微企业信用风险因素识别研究中，并使用随机森林方法这一机器学习方法，以便及早发现违约的前期预警信号，在企业违约前提前做好干预措施，从而有效管控小微企业的信用风险。

　　2数据选取与描述

　　文章的研究对象是2020年1月至2020年12月在某商业银行需要偿还贷款的小微企业。文章选择的小微企业为企业规模符合国家四部委规定的小型和微型企业认定标准的企业。对于因变量，文章将及时偿还贷款的企业认定为“未违约企业”，记为0;将到期未偿还贷款或延期偿还贷款的企业认定为“违约企业”，记为1。文章获取的小微企业总样本数为188个，未违约的样本数为144个，违约的样本数为44个，样本的违约率为23􀆰4%。自变量分为两类：第一类为企业财务变量，包含资产负债率、利润增长率、速动比率、净资产收益率和营业毛利润率等;第二类为企业行为变量，包含企业过去12个月水电费发生异常的次数、过去12个月缴纳税金发生异常的次数、借新还旧次数、还款计划变更次数和民事诉讼的次数等。

　　3实证研究

　　随机森林方法是当下流行的机器学习方法。它将若干个分类树组合成随机森林，显著提高了预测精度。文章使用随机森林方法对数据进行拟合，需要说明的是在拟合过程中需要对每次拆分时随机选取变量个数以及树的棵数等参数进行设定。文章通过设定不同的分叉树和树的棵数确定最优的随机变量个数和树的棵数，最终随机变量个数为5，树的棵数为1000。表2报告了变量重要性度量结果。由表2可知，重要性权重超过10%的指标有4个，且全部为企业行为变量，分别为：过去12个月水电费发生异常的次数(22􀆰90%)、借新还旧次数(11􀆰55%)、还款计划变更次数(17􀆰42%)和民事诉讼的次数(13􀆰65%)，这4个变量均属于企业行为变量，且这4个指标的重要性权重之和超过了65%。这说明，企业经营行为是否合规对小微企业是否违约具有重要影响。选取重要性权重最大的4个变量：12个月水电费发生异常的次数、借新还旧次数、还款计划变更次数和民事诉讼的次数，构建偏相关图，考察4个变量对企业违约概率的影响方向和大小，如图1所示。由图1可知，12个月水电费发生异常的次数、借新还旧次数、还款计划变更次数和民事诉讼的次数4个变量的增加都会显著增加企业违约概率，这说明12个月水电费发生异常的次数、借新还旧次数、还款计划变更次数和民事诉讼的次数4个变量对企业违约具有显著的正向影响。为了更进一步研究企业行为变量对小微企业信用风险评估的重要性，本文分别构建不包含企业行为变量的数据集和包含企业行为变量的数据集，随机将数据集分成两部分(80%的数据集用作训练数据集，20%用作测试数据集)进行100次模拟试验，以证明加入企业行为变量是否能提高模型预测的准确性。表3报告了模型预测的结果。由表3可知，加入企业行为变量后，预测准确率由0􀆰946提高到0􀆰980，AUC值也由0􀆰752提高到0􀆰926;另外，对于第一类错误率和第二类错误率，加入企业行为变量后的第一类错误率和第二类错误率最低。因此，加入企业行为变量可以大大提高模型的预测性能。

　　4结论与启示

　　文章采用随机森林方法实证研究了影响小微企业信用风险的关键因素，实证结果表明：12个月水电费发生异常的次数、借新还旧次数、还款计划变更次数和民事诉讼的次数等企业行为变量是影响小微企业信用风险最关键的4个变量，且这4个变量均对企业违约具有正向影响。同时，进一步验证了企业行为变量能够显著提高小微企业信用风险评估的预测精度。这为商业银行对小微企业信用状况的准确判断提供了一定的借鉴与参考。

　　参考文献：

　　[1]曹明生􀆰基于Logistic模型的小微企业信用风险度量研究[J].时代金融，2015(8)：203-204.

　　[2]赵玉龙，邓大松，王林􀆰我国商业银行小微企业信用风险成因分析[J].海南金融，2017(6)：68-73，82.

　　[3]满向昱，张天毅，汪川，等􀆰我国中小微企业信用风险因素识别及测度研究[J].中央财经大学学报，2018(9)：46-58.

　　[4]迟国泰，于善丽􀆰基于违约鉴别能力最大的信用等级划分方法[J].管理科学学报，2019，22(11)：106-126.

　　[5]孙福兵，宋福根􀆰新型农业经营主体信贷风险的识别与防范研究[J].经济纵横，2020(8)：116-125.

　　《小微企业信用风险因素识别研究》来源：《中国市场》，作者:吕爽