【《小微信贷风险影响因子分析和回归分析案例》7400字】

目录 11.1实证模型与分析统计方法 11.2数据来源及指标体系 2资料来源：W农村商业银行业务公示信息节选 3资料来源：根据W农村商业银行贷款资料归纳整理 41.3主成分因子分析 51.3.1假定条件 51.3.2方法与步骤 51.3.3实证分析 61.3.4因子评分 91.3.5因子检验及实证结果 111.4基于Logistic模型的回归分析 121.1实证模型与分析统计方法信用计量模型（CreditMetrics）是J.P.摩根在1997年推出的用于量化信用风险的风险管理产品，该模型认为信用风险取决于债务人的信用状况，而企业的信用状况有被评定的信用等级表示，信用等级的变化会带来信用工具价值的相应变化[39]。KMV模型从借款企业所有者角度考虑贷款违约问题，以债务人的资产市场价值决定信用风险。CreditRisk+模型将违约视为外生的不可预知事件，假定违约率是不可预测的随机变量，并以此为前提度量预期损失。小企业信用评分模型（SmallBusinessCreditScoring，简称SBCS）将小微企业信息作为模型构建的重要输入变量，包括小微企业的收入支出状况、资产负债状况，以及从征信机构获取的信用记录、消费数据等信息[40]。SBCS模型多渠道收集信息，运用数据汇总工具计算信用分值，以此预测贷后还本付息情况，进而间接影响贷款审批决策结果[56]。通过国内外学者对小微信贷风险模型的探索可以发现，常用的统计分析信贷风险的方法主要包括判别分析、logistic回归、神经网络分析和主成分因子分析等[41]。然而，多数学者针对小微企业财务因素进行贷款违约分析，对非财务因素导致贷款违约的却相对较少。为突出非财务因素对小微信贷风险控制的影响程度，本文以W农村商业银行贷款准入条件为切入点，从企业财务指标中选取营业利润率、资产负债率、应收账款周转率、流动比率、营业收入增长率等最具代表性的指标，结合行业性质、发展前景、管理者素质、贷款结构等非财务指标，从中挖掘小微企业的盈利能力、营运能力、偿债能力以及发展潜力，进而判断其还本付息能力。1.2数据来源及指标体系笔者站在小微企业授信时已满足授信准入时各项基本财务指标条件的角度，以主成分因子分析方法，充分揭示非财务指标对小微信贷风险质量的影响程度，以此为授信机构综合判断小微企业还款能力和风险可控性提供借鉴。本文数据来源主要是人民银行官网数据、银保监分局公示数据、巴彦淖尔乌拉特中旗农村信用联社内部信息平台公示数据和信贷台账统计数据、乌拉特中旗市场监督管理局获取的脱敏后的小微企业信息库数据、乌拉特中旗各大商业银行间内部共享数据。利用所掌握的小微企业近5年的信贷历史数据、调取地方工商部门官方统计数据和网站、征信显示的政府机构公共记录，实时跟踪调整以确保研究期间数据的稳定性。本次实证分析的数据是从已掌握的12183条小微企业（含个体工商户、小微企业主）中存量贷款客户中随机抽取的1000条有存量贷款的客户信息组成。按照信贷质量五级分类标准，有正常类贷款样本718个、关注类样本88个、次级类样本192个、可疑类样本2个、损失类样本0个。财务指标的选取。选取财务指标时考虑到小微客户没有规范的财务系统和报表统计，商业银行对于小微客户授信准入时多数考虑客户的资产负债情况、利润情况、应收账款情况等，为此从已获得小微企业的财务数据中选取普遍使用的财务指标，分别为营业利润率、流动比率、资产负债率、应收账款周转率、营业收入增长率，同时细分为六个层次不同层次，直观判断企业是否具备准入资格，低于“不予授信”等级的财务状况则无法取得贷款授信额度。表1.1信贷风险因子分析财务指标及变量说明表1.1信贷风险因子分析财务指标及变量说明（续）资料来源：W农村商业银行业务公示信息节选一般来说，通过企业的财务报表或审计报告，就可以获取以上财务信息，大部分商业银行会根据评分标准进行客户等级评定，以此作为客户授信准入的必要条件。然而，相比于财务指标，非财务因素往往未被放款机构给予充分的重视，因此本文通过主成分因子分析，分析难以直观获取信息的非财务指标，对商业银行在评价小微客户贷款风险影响因素时可以更加准确识别除财务指标以外的更为重要的非财务指标。非财务指标的选取。从样本中抽取行业、企业存续期间、主营业务范围、从业人员、企业主年龄、企业主文化程度、企业成立时间、贷款期限、贷款额度、逾期本金、逾期利息、本金逾期天数、利息逾期天数、担保方式、展期标识等15个非财务指标。表1.2信贷风险因子分析非财务指标及变量说明编号具体项目变量名称计算方法X6企业特征行业批发零售=1，餐饮住宿=0X7存续期间1年以内；1-3年；4年以上X8主营业务主营业务X9从业人员0人，1人，2-5人，6人以上X10企业主年龄20岁以下，20-45,46-60,60岁以上X11企业主素质普通教育=0，高等教育=1X12企业成立时间企业成立时间X13贷款状况贷款期限贷款期限X14贷款额度综合授信额度X15逾期本金X16本金逾期天数大于30天；大于60天；大于90天X17表外欠息金额X18利息逾期天数大于30天；大于60天；大于90天X19担保方式有担保=1，无担保=0X20展期标识已展期=1，未展期=0资料来源：根据W农村商业银行贷款资料归纳整理该模型的因变量是企业违约状况，按照五级形态划分，正常、关注类贷款为正常履约组，设定为0，次级、可疑、损失类贷款为逾期违约组，设定为1。虚拟变量是担保方式、展期标识、行业、企业主素质；其余变量均为随机变量。1.3主成分因子分析因子分析方法可以较好的分析研究变量之间相互关系，通过研究众多变量之间的内部依赖关系，可知观测数据中的基本结构。此法既可以避免样本信息重复，又规避了计算权重的主观性，它从指标样本信息量的多少来确定其重要程度，随样本集合而变化，减少了人为干预，提高综合评价的效度。通过主成分因子分析，可以将众多指标进行降维，选择出最具有代表性的风险因子，通过对重要因子的解释，可以找出影响小微信贷质量变动的主要非财务指标风险点，以此来说明企业贷款风险程度的主要影响因素，为商业银行授信小微贷款的贷前调查环节提供依据。1.3.1假定条件假定条件一：样本中主体的存量贷款全部按照样本提供机构的贷款审批程序完成授信和用信。假定条件二：贷款五级分类认定全部按照真实性原则调实，不存在主观调整贷款形态的违规行为。1.3.2方法与步骤第一步，设样本观察矩阵为X，将原始数据进行标准化处理后得到相关矩阵R=XTX。第二步，设特征向量矩阵为U=（U1，U2，…，Up），p代表变量数；则主因子阵F=UTX=(F1，F2，…Fa，…，Fn)，n代表样本数；第a个样本的主因子观测值为Fa=UTXa(a=1，2，…，n），又可称为a的因子得分矩阵。第三步，按照累计方差贡献率大于85%来确定主因子的个数m，建立因子模型。第四步，将主因子矩阵保留可得到的有解释作用的部分，将信息量很少的参与部分设定为，最终可以得到因子模型矩阵方程式：（公式1.1）1.3.3实证分析借助SPSSModeler统计软件将样本数据导入后，通过取样适量性KMO检验、Bartlett球形检验和概率值结果可以看出，样本KMO值为0.958，球形检验值为1193.56，样本自由度为248，显著性0.000小于0.01，达到了显著性水平，同时也可以证明本次样本中的选取的指标数据适合进行因子分析（表1.3）。表1.3KMO测度和球形检验表项目值项目值KMO测度值0.958球型检验值1193.56自由度248显著性0.000数据来源：SPSS计算汇总抽取共同因子方差并进行排序，可得到变量方差最接近1的七个因子（表1.4），即营业利润率X1、企业存续期间X2、流动比率X3、企业主素质X6、贷款金额X9、表外欠息金额X12、展期标识X15是影响贷款质量的风险因子。表1.4变量共同性（变量方差）因子初始提取贷款金额_X91.0001.000企业存续期间_X21.0001.000企业主素质_X61.0000.996营业利润率_X11.0000.996展期标识_X151.0001.000流动比率_X31.0001.000表外欠息金额_X121.0001.000数据来源：SPSS计算汇总求得各项指标的特征值和贡献率。从表1.5中可以看出相关矩阵的前四个特征值分别为35.788、25.854、11.633、13.815，累计贡献率超过了85%的设定值（具体为90.11%），说明前四项主成分包含了项目指标的充分信息，故m=4。表1.5信贷风险因子特征值及百分比成分初始特征值被提取的载荷平方和平方荷载的旋转和合计方差累计方差合计方差累计方差合计方差累计方差12.50535.78835.7882.50535.78835.7882.00228.59428.59421.81025.85461.6421.81025.85461.6421.99928.55657.15031.02611.65376.2951.02611.65376.2951.00011.28571.43440.96713.81590.1090.96713.81590.1091.00011.28285.71650.6859.78099.8890.6859.78099.8890.99211.17399.88960.0080.111100.0000.0080.111100.0000.0080.111100.0007-5.551E-17-7.930E-16100.0005.551E-177.930E-16100.0005.551E-177.930E-16100.000数据来源：SPSS计算汇总建立因子载荷矩阵，得出如下结果：表1.6主成分因子载荷矩阵成分1234567贷款金额_X90.8570.442-0.012-0.019-0.256-0.0620.000企业存续期间_X20.8520.446-0.018-0.021-0.2640.0620.000企业主素质_X6-0.6020.795-0.0670.032-0.0260.0000.000营业利润率_X1-0.6020.795-0.0670.032-0.0260.0000.000展期标识_X150.1560.2590.689-0.5800.3120.0000.000流动比率_X30.2480.1690.4620.7890.2710.0000.000表外欠息金额_X120.4830.238-0.573-0.0680.6140.0000.000数据来源：SPSS计算汇总按照因子分析的规则，因子所解释的方差比例越高，其包含原有变量信息的量就越多。由表1.3可以看出，第一个成分的初始特征值为2.505，能解释的方差比例为35.788%，第二个成分的初始特征值为1.810，能解释的方差比例为25.854%，第三个成分的初始特征值为1.026，能解释的方差比例为11.653%，第四个成分的初始特征值为0.967，能解释的方差比例为13.815%。其余三个因子成分都远小于1，说明这几个成分的解释力度还不如直接引入原变量大。因此，为了对主因子作出正确合理的解释，简化结构，舍去因子荷载为零的因子5、因子6和因子7，对剩余四个因子载荷矩阵进行方差最大旋转，可得旋转后的因子载荷矩阵，如下表1.7所示：表1.7旋转后的主成分因子载荷矩阵成分1234企业主素质_X60.997-0.074-0.0090.018营业利润率_X10.997-0.074-0.0090.018贷款金额_X9-0.0750.9790.0780.070企业存续期间_X2-.00820.9770.0850.075流动比率_X3-0.0120.1160.9930.008展期标识_X150.0280.1040.0080.994表外欠息金额_X12-0.0390.229-0.010-0.026数据来源：SPSS计算汇总综上分析结果所示，第一主因子F1的贡献度为35.788%，说明在五项指标中发挥主导作用。因子F1在企业主素质X6、营业利润率X1、企业存续期间X2上有较大的载荷，发映出一个小微信贷业务风险程度，取决于经营者所从事的行业领域、管理者的管理理念和财务运用能力以及企业的存续时间。这三项指标，对于企业授信准入评级、贷款还本付息能力的度量上发挥的作用不容小觑，可称之为“行业因子”。第二主因子F2的贡献度为25.854%，在表外欠息金额X12、贷款金额X9、企业存续期间X2上有较大的载荷，说明商业银行在准入小微贷款时，要着重考量和评估企业存续期和生命力，对企业发展作出前瞻性评价，以此来设定贷款额度和最优授信方案，在贷款还本付息设定上，要采取符合小企业生产运营周期，否则容易造成因结息方式与小微企业资金运作周期不符而导致的表外欠息，进而形成企业贷款因欠息90天而进入次级不良贷款，可称之为“还款意愿因子”。第三主因子F3的贡献度为11.653%，在贷款金额X9、企业存续期间X2和流动比率X3上有较大的载荷，说明企业额流动比率决定短期借款的偿债能力，成为贷款审批额度大小的关键。企业的主营业务收入、资产负债及现金流量大小等财务指标，反映企业营业规模的同时，亦可以展现企业短期贷款的偿还能力。如果企业流动比率较低，则可以证明该企业运营动力不足，资金周转不畅，还款能力也有所降低，可称之为“财务运营因子”。第四主因子F4的贡献度为13.815%，其在贷款金额X9、企业存续期间X2和展期标识X15上有较大的载荷，说明小微企业在贷款存续期间，发生过贷款展期记录，意味着其还本付息能力的下降，进而对整个贷款的履约形成一定的风险，可称之为“履约能力因子”。通过因子分析，可以得出4个主要的风险度量因子的线性组合方程式:F1=0.498X1+0.498X6+0.3402X9+0.3421X2+0.06213X15+0.193X12+0.09919X4+0.6294F2=0.9101X1+0.9101X6+0.2467X9+0.2444X2+0.1429X15+0.1313X12+0.0932X4-1.15F3=-0.1354X1-0.1354X6-0.01799X9-0.01152X2+0.6718X15-0.5584X12+0.4504X4+0.1712F4=0.06867X1+0.06867X6-0.02197X9-0.01954X2-0.6X15-0.07038X12+0.8161X4-0.0868利用主因子对总信息量的贡献度进行加权，即归一化处理，可得综合评价函数：（公式1.2）进一步得出风险评价综合因子：（公式1.3）1.3.4因子评分将标准化数据代入公式1.2中，可得样本中小微企业在四个综合因子方面的得分与排序，代入公式1.3中，可计算出全部样本信贷风险因子状况的综合得分及排序。表1.8样本信贷风险因子得分及排序（节选50组）为了确保客户信息安全，企业客户名称用省略处理后的营业执照号码代替表1.8样本信贷风险因子得分及排序（续）表1.8样本信贷风险因子得分及排序（续）数据来源：SPSS计算汇总1.3.5因子检验及实证结果从上述计算出综合因子得分的50个样本进行聚类分组分析，通过此方法可以将风险综合因子和贷款不良率建立联系，用贷款违约率去验证综合因子衡量小微信贷主体的风险水平是否合理。由此可得出分析结果：50个样本中，第一类样本数为10，不含次级或以上不良贷款信息，贷款违约率为0，风险综合因子的得分分布介于2.78-5.37之间。第二类样本数为15，有3笔次级以上的不良贷款，贷款违约率为20%，风险综合因子的得分分布介于1.6-2.64之间。第三类样本数为25，有20笔次级以上的不良贷款，贷款违约率为80%，风险综合因子的得分分布介于-0.66至1.25之间。由此可见，第一组样本的贷款质量很好，且风险综合因子得分下限为2.78，第二组存在贷款违约，且风险综合因子得分上限为2.64，可以取两个数值的平均数作为阈值，商业银行可以选取综合因子得分在2.71以上的企业客户进行授信准入，同时严格分析借款企业的贷款需求和借款用途，在完成贷前调查的前提下考虑一定的授信额度。第三组的不良贷款率较高，显现出如果小微企业的风险综合因子得分在1.25以下，商业银行就应该审慎发放贷款，甚至说此类客户不应进行授信准入。此分析方法在作者所在机构的其他样本外存量小微贷款进行校验，得到的情况基本接近本次分析结果。因此可以证明本论文构建的小微企业风险因子模型是稳定的，同时以此度量出的小微信贷业务风险因素也是较为准确的。1.4基于Logistic模型的回归分析考虑到贷款形态具有正常类、关注类、次级类、可疑类和损失类的多分类性，在上述主成分因子分析的基础上，继续探究各变量对贷款风险的影响情况，按照贷款五级分类结果，进一步进行Logistic回归分析。Logistic回归模型反映的是因变量出现的概率与自变量之间的关系，因变量中的每一个值都对应一个模型，且概率之和为1，因此选择基于因子分析得出的四个公因子为自变量，以五级分类认定结果为因变量。假设y=1或者y=0，x是影响y的一个风险因子，假设在x条件下y=1的概率是p=p(y=1|x)，而在多元模型中，y可以取多个值，可得公式：(公式1.4)对模型展开并整理可得公式：(公式1.5)利用SPSS软件对上一部分因子分析提取的公共因子进行回归分析，因样本机构无损失类贷款，本次分析以正常、关注、次级、可疑为分类标准。绝大部分商业银行都对正常类贷款有较为普遍的一致性认同，因此以正常类形态为本次回归分析的参照类别。结果如下表1.9：表1.9参数估算值贷款形态（五级）系数值标准误差卡方自由度显著性优势比95%置信区间最低值最高值关注截距-1.7430.50611.88210.001流动比率-.0670.0442.33510.1270.9350.8581.019营业利润率0.7530.4572.71910.0992.1240.8685.198发放金额0.0000.0001.68210.1951.0001.0001.000表外欠息金额0.0000.00011.96210.0001.0001.0001.000[存续年限=1-3年]0.3360.4350.59910.4391.4000.5973.280[存续年限=1年以内]-0.3030.6310.23110.6310.7380.2142.543[展期标识=0]8.4421.12456.40910.0004638.804512.41841991.028次级截距-2.1210.52016.63210.000流动比率-.0450.0421.14310.2850.9560.8811.038营业利润率0.5780.4501.65210.1991.7830.7381.305发放金额0.0000.0000.05310.8181.0001.0001.000表外欠息金额0.0000.00015.17110.0151.0001.0001.000[存续年限=1-3年]0.3240.4380.54710.4601.3830.5863.263[存续年限=1年以内]0.3320.6090.29710.5861.3940.4221.599[展期标识=