下载文档原格式
论小微企业融资问题及中小企业信用体系建设现今的金融系统中，小微企业融资问题是一个严重的难题。
银行贷款是小微企业获取融资的主要途径，但银行对小微企业的贷款审批十分严格。
对于小微企业而言，获得银行贷款的难度可想而知。
因此，中小企业信用体系建设的重要性越来越引起人们的关注。
一、小微企业融资问题小微企业在融资方面一直存在着很多问题。
首先，缺乏质押品。
银行根据小微企业拥有的资产进行贷款审批。
但是，小微企业资产一般很少，大多数是无形资产，而无形资产很难作为质押品。
这就导致了小微企业在申请贷款时经常被银行拒绝。
其次，小微企业由于资金和技术瓶颈，导致其营业收入不断下降，而营收的下降又导致了它们的扩张计划不能够得到有效的支持。
这个过程看似一个恶性循环，实际上却与小微企业的信用体系缺失密切相关。
再者，小微企业很难获得保证人。
银行贷款手续繁琐，需要提供足够的材料。
对于许多小微企业而言，他们并没有足够的人力、财力去准备这些材料。
因此，即使有愿意为其担保，也难以达到银行的贷款审批条件。
综上所述，小微企业融资面临的问题有诸多复杂性，缺乏质押品，营收下滑，缺乏保证人等等，都给小微企业融资带来了很大的压力。
二、中小企业信用体系建设中小企业信用体系建设，意味着对中小企业的信用状况进行全面评估，并建立相应的信用数据库。
通过数据采集、整合、分析等手段，可以有效评估中小企业的信用状况，为融资提供评估和参考标准。
首先，信用体系建设可以实现资信评估。
对于一些金融平台而言，被评定的中小企业将获得对应的借款利率，而不会被银行等金融机构所削弱自己的利润率；实现不同企业之间的风险比较。
将不同企业的信用信息进行相互比较可以有效地降低银行和中小企业之间的交易成本。
同时，信用体系建设还可以提高信贷效率。
建立一个统一的信用数据库可以有助于银行决策过程的自动化和规范化。
信用数据库能够提供有效的信用信息，帮助银行更快、更准确地处理中小企业的融资需求。
至于如何建设中小企业信用体系，可以通过以下方式：1.通过互联网技术和大数据技术进行信用信息采集、整理、分析和比对。
Study on Small and Micro Businesses Credit Assessment Based on Improved Dynamic Combined
Evaluation Method
作者： 张发明[1];李艾珉[1];韩媛媛[1]
作者机构： [1]南昌大学经济管理学院,南昌市330031
出版物刊名： 管理学报
页码： 286-296页
年卷期： 2019年 第2期
主题词： 小微企业;信用评分;动态组合评价;成长因子
摘要：针对当前小微企业信用评价研究中存在多方法评价结论非一致性现象与静态评价的不足,提出一种基于改进动态组合评价方法的小微企业信用评价模型。
通过模糊聚类分析与SOM-K 算法确定初始方法的最佳分组,依据同质性、异质性与规模性原则,对组内与组间评价信息进行二次组合,并在定义成长因子的基础上,通过对组合评价值变化趋势的量化处理,求解最终的动态组合评价结果。
对11家制造业小微企业的信用评价进行了实证研究,研究表明:该方法可有效融合多种方法的评价信息,同时综合考虑了各期信用状况,所得结果与经客户经理交叉检验的结论相符,证明了该方法的可行性与有效性。
供应链金融视角下的小微企业信用风险评价摘要：近年来，随着小微企业融资难的问题日益凸显，供应链金融作为新的融资渠道，正受到越来越多的重视，科学、准确的风险评价对控制供应链金融中的信贷风险至关重要。
通过建立和完善小微企业信用风险评价指标体系，采用BP神经网络模型为小微企业信用风险评价开辟新途径。
BP神经网络是一种智能算法，它具有自我学习和自适应的特点。
通过实例，分析和检测了该BP神经网络模型，结果令人满意。
证明该模型确实可行，能够应用于供应链中各小微企业的信用风险评价。
关键词：供应链金融；BP神经网络；小微企业；信用风险评价中图分类号：TN911?34 文献标识码：A 文章编号：1004?373X（2014）12?0032?05Abstract：More attention to supply chain finance as a new form of financing channel is paid with the increasing highlightof the financing difficulty of small and medium?sized enterprises （SMEs）. It is crucial for scientific and accurate risk assessment to control the control of the credit risk of supply chain finance. BP neural network model is used to open up anew way for credit risk assessment of SMEs based on the establishment and improvement of an index system of credit risk evaluation for SMEs. BP neural network model is a smart algorithm with self?learning and adaptive characteristics. The BP artificial neural network model was analyzed and detected in a practical case. The feasibility of the model was proved. The result is satisfactory. The model can be used to assess SMEs′credit risk in the supply chain.Keywords：supply chain finance；BP neural network；SME；credit risk assessment0 引言小微企业融资难是长期存在的问题[1]。
小微企业信用贷款调研报告小微企业是指员工人数少于20人，年销售额低于300万元，资产总额低于500万元的企业。
由于小微企业规模小、融资渠道有限等原因，他们在融资方面面临较大的困难。
为解决这一问题，政府引入了小微企业信用贷款政策，旨在为小微企业提供更便利、灵活的融资渠道，并促进其发展。
近年来，小微企业信用贷款得到了广泛应用和推广。
本次调研旨在了解小微企业信用贷款的发展现状、存在的问题和解决办法，为进一步推动小微企业信用贷款的发展提供参考。
一、小微企业信用贷款的发展现状目前，小微企业信用贷款在我国已经取得了一定的成绩。
根据统计数据显示，截至2021年，全国范围内共有200多家金融机构提供小微企业信用贷款服务，累计发放贷款金额超过6000亿元。
此外，我国的信用体系建设也取得了长足的进步，信用评级机构的数量和质量不断提高，为小微企业提供了更为准确、全面的信用评估。
二、小微企业信用贷款存在的问题虽然小微企业信用贷款在我国发展迅速，但依然存在一些问题。
首先，由于小微企业经营风险较大，银行对于小微企业贷款存在较大的风险，导致银行在审批小微企业信用贷款时更为谨慎，审核程序较长，给小微企业的融资带来一定的困难。
其次，一些小微企业缺乏规范的财务报表和信用记录，无法提供给银行进行信用评估，这也成为银行审批小微企业贷款的障碍之一。
此外，小微企业信用贷款中存在的高利率和高担保要求也限制了小微企业的融资能力。
三、解决小微企业信用贷款问题的建议为解决小微企业信用贷款存在的问题，我提出以下几点建议。
一是加强信用体系建设，建立完善的小微企业信用评价体系，提高信用评级机构的准确性和可信度。
二是建立小微企业信用贷款担保机制，鼓励小微企业通过政府担保、企业联保等形式提供担保，降低银行的信贷风险。
三是优化审批程序，加强对小微企业信用贷款的专业化评审和审批团队建设，提高审批效率，减少时间成本。
四是降低小微企业信用贷款的利率，通过提供一定的贴息政策，减轻小微企业的融资负担。
小微企业金融生态评价及优化研究小微企业是我国经济发展的重要基础和动力源泉，但在金融生态方面仍面临着一些问题和挑战。
本文将对小微企业金融生态进行评价，并提出优化建议。
一、小微企业金融生态评价1. 宏观环境评价宏观环境对小微企业金融生态有着重要的影响。
国家政策、宏观经济形势、金融体制改革等因素都会对小微企业的融资、发展和经营产生影响。
评价小微企业金融生态首先需要对宏观环境进行分析和评估。
2. 金融机构评价金融机构是小微企业融资的主要渠道，其服务水平和融资产品对小微企业的发展至关重要。
评价小微企业金融生态需要考察金融机构的服务水平、融资成本、融资渠道、风险控制等方面。
3. 小微企业评价小微企业自身的规模、发展阶段、行业属性等因素也会对金融生态产生影响。
评价小微企业金融生态需要考察小微企业的经营状况、融资需求、融资成本、融资难度等方面。
1. 完善政策环境政府应当通过制定支持小微企业发展的政策和措施，为小微企业提供更多的融资便利和支持。
可适当降低小微企业的融资门槛、提高对小微企业的金融服务补贴、加大对小微企业的金融监管力度等。
小微企业应当加强自身管理和发展能力，提高自身的信用等级和经营水平。
可加强企业内部管理，提高企业效益和盈利能力，改善经营状况，提高企业的信用等级等。
4. 推动金融科技发展金融科技可以为小微企业提供更为便捷和灵活的金融服务，降低融资成本，提高融资效率。
应当大力推动金融科技的发展，为小微企业提供更为优质的金融服务。
5. 建立风险共担机制小微企业融资中普遍存在的问题是信息不对称和风险高，这导致了金融机构对小微企业的融资保守。
应当建立风险共担机制，引导金融机构更多地支持小微企业融资，同时降低金融机构的风险压力。
结语：小微企业金融生态评价及优化是一个系统工程，需要政府、金融机构、小微企业和社会各界联手合作，共同推动小微企业金融生态的健康发展。
希望通过本文的研究，能够为小微企业的金融发展提供一些有益的思路和建议。
小微企业信用评级模型及比较研究肖斌卿;杨旸;余哲;沈才胜【摘要】在调查和文献基础上，进行信用风险来源识别、评级指标分类和评级方法选择，构建商业银行内部信用评级模型，以期在授信审批环节提高信用风险管理水平。
基于某商业银行2008—2013年小微企业实际信贷数据，运用线性判别分析、二项逻辑回归和十种基于不同学习算法的BP神经网络模型构建内部信用评级模型，并在评级指标体系中加入宏观经济变量，使度量风险的稳健性进一步得到提升。
最后通过四种方法对不同模型的结果和评级有效性进行了对比分析，认为基于Levenbery-Marquardt学习算法的NN10模型具有最优的评级有效性。
%On the basis of investigation and literature research, conducting risk source identification, rating indicators classification and rating methods assessment, the paper constructs commercial bank’s internal credit rating models to improve the credit risk management in the credit approval procedures. Based on the credit data of small and micro enterprises in a commercial bank from 2008 to 2013, using the linear discriminant analysis, logistic regression and 10 types of BP neural network relying on different learning algorithms, internal credit rating models are constructed with macroeconomic variables, which may further improve the robustness of risk measurement. Finally, results and rating effectiveness of different models are analyzed and compared, and show that the NN10 model based on Levenbery-Marquardt learning algorithm performs optimal rating effectiveness.【期刊名称】《系统工程学报》【年(卷),期】2016(031)006【总页数】11页(P798-807,830)【关键词】信用评级;小微企业;模型比较;学习算法【作者】肖斌卿;杨旸;余哲;沈才胜【作者单位】南京大学工程管理学院，江苏南京210093;南京大学商学院，江苏南京210093;郑州商品交易所，河南郑州450008;南京大学工程管理学院，江苏南京210093; 紫金农商银行，江苏南京210019【正文语种】中文【中图分类】F832.59我国当前正处在经济发展“提质换挡”的“新常态”发展阶段,经济结构和产业结构正在进行深度调整和优化.在“新常态”的经济氛围下,新兴科技、新兴产业和新兴市场的发展和壮大,为小微企业的发展和壮大提供了难得的历史机遇.也正是在这一阶段,经济内生增长要求更多的人力资本和技术创新参与社会经济分工,并最终转化为经济增长产出.覆盖广、种类多的小微企业在国家经济结构调整和升级中起到的促进作用,在今后将会更加凸显.小微企业的经营发展和技术创新离不开资金的支持,特别是在当前信贷资本紧缩投放的时期,小微企业融资难的问题日益凸显.Schreiner[1]在研究中认为,企业处在初创和成长阶段更加依赖从传统金融机构那里获取资金支持.然而,小微企业在通过银行进行信贷融资的过程中,会遇到诸多的问题.一方面,小微企业受其经营时间、经营业绩、公司治理等因素的制约,普遍不能提供类似大型企业财务报表的详细业务信息、财务信息以及其他融资担保证明;另一方面,商业银行经营强调贷款的风险控制,在开展小微企业贷款业务时,银行对小微企业的资信审查和授信工作正逐步趋于严格和规范,与此相悖的是上市银行内部控制缺陷认定存在查找范围不统一、认定标准不完善、认定数量和严重程度明显不足等问题[2].上述这种银企之间存在的信息不对称问题[3],是制约小微企业从商业银行获取信贷融资的主要因素.针对小微企业当前面临的融资困境,商业银行所采用的信用评级却暴露出诸多问题,例如专家判断法比重大于模型法比重、评级方法与实际需求存在出入以及小微企业信用评级体系缺乏针对性.随着贷款业务的不断精细化,各家商业银行均推出各自的小微企业贷款方案,更加注重开展专业化的小微企业贷前审查工作,同时也对信用评级方法以及评级方法的有效性提出了更高要求.在理论界,学者们依实务操作的需要,针对小微企业贷款业务的信贷模式、评级指标、评级方法以及违约概率估计开展了广泛的研究和讨论,汇总出丰富的研究成果.其中,对评级指标和评级方法的讨论尤为突出.在研究指标方面,郭小波等[4]在小微企业信用风险的识别因子研究中,引入企业财务指标、企业定性指标以及与企业主有关的指标作为研究变量.谢平等[5]认为信用评级需考虑的因素包括借款企业经营环境、所有制与经营权、管理水平、营运价值、盈利能力、风险程度等因素.徐超等[6]基于多智能体仿真方法,从中小企业组成的联保贷款入手,重点考察了联保的组织规模和组织成员初始信用水平对信用风险演化的影响.陈其安等[7]认为在一定条件下,投融资平台和银行之间的均衡贷款数量将随着政府信用担保履约率增加而增加.同时,李毅等[8]也认为小微企业在融资过程中若能够拥有信用担保,将有益于其获取贷款. Hajek等[9]对企业信用评级预测中的财务状况、经营状况等建模指标进行了研究.Doumpos等[10]在其研究中构建了一个包含财务数据和结构化模型的信用评级预测系统.同时,现有文献亦强调加入定性指标对研究小微企业信贷业务的重要性.Vassiliou[11]在对印度小微企业贷款案例分析的基础上,认为信用风险影响因素包括贷款人经营理念、贷款人经营水平、贷款人有无违法记录、贷款人经营思路、贷款利率、用途等; Malhotra等[12]通过对首发小微信贷的孟加拉国发放小微企业信贷的风险情况进行研究分析,了解到影响小微企业信用风险的因素有贷款数量、贷款人抵押品价值、其所拥有的耐用商品的价值、贷款期限的长短等. Meyer[13]指出银行可以通过“软信息”对小企业信用状况进行评估,这些软信息包括银行对借款企业资信的初步判断等.Lussier[14]在其模型中加入了企业管理水平、所处经济周期、产品生命周期等因素.此外,张良贵等[15]基于DSGE模型研究表明宏观流动性及其状态变化、基准利率状态变化对企业杠杆有重要影响.由此可见,小微企业信用评级指标需要同时包含企业内部定量指标和定性指标与企业外部信息.在研究方法方面,张大斌等[16]用差分进化算法(DE)优化违约点系数,提出一种中国上市公司信用风险测度的不确定性DE-KMV模型,来提高上市公司信用风险测度的准确性.于立勇等[17]在其研究中开展基于Logistic回归分析的违约概率研究,利用正向逐步选择法建立了信用风险评估指标体系.黄苒等[18]重点关注了含跳跃风险的公司贷款违约率测度问题,并探索了基于首达时模型的理论扩展,给出了违约概率参数估计的方法.庞素琳等[19]在银行个人信用评级中建立C5.0分类算法,在该算法内嵌入Boosting算法技术,并构造了成本矩阵和参数调整后的决策树.肖进等[20]提出了面向缺失数据的动态分类器集成选择模型DCESM,并认为该模型能够取得更好的客户信用评估性能.Che等[21]运用层次分析法(AHP)和包络分析法(DEA)对台湾地区商业银行小微企业信贷决策进行研究,并得到有效的建模结果.Angilella等[22]在研究中建立了小微企业SMMAA-TRI多准则信用评级模型,并对模型有效性进行了验证.同时,非参数统计的研究方法也逐步应用于信用评级建模.然而,随着银行业可训练数据量的大幅提升和数据维度的不断提高,机器学习方法开始崭露头角.统计学和机器学习最本质的区别在于根本目标不同,统计学家更关心模型的可解释性,而机器学习专家更关心模型的预测能力.由于银行业对预测准确度要求的越来越高,统计学方法的不适应性开始显现,很多问题不能构建出严谨的统计模型,而机器学习理论已被证明是此类研究有效的建模方法.王春峰等[23]在其研究中对人工神经网络在银行信用风险评价中的应用展开对比讨论,结果表明,与传统统计方法相比,神经网络技术具有较高的稳定性和判别准确度.Lee等[24]认为非参数统计的方法在信用评级的研究中优于经典统计模型.Yu等[25]运用基于多层神经网络的机器学习方法研究信用评分模型,并对效果良好的建模结果进行叙述.Zhong等[26]在企业信用评级中,对BP、ELM、I-ELM和SVM的学习训练效果进行对比分析,其中ELM和BP 神经网络的建模效果较优.商业银行在信贷审批操作中运用信用评级模型对申请借款企业提供的信息进行判断,对企业在未来是否会出现违约进行估计,已经是普遍存在的贷前审批流程,因此评级模型的有效性是各家商业银行共同关注的问题.结合现有文献中的信用评级方法,本文构建包含线性判别分析(linear discriminant analysis, LDA)、二项逻辑回归(binary logistic regression,BLR)、基于多种学习算法的BP神经网络(BP neural network, BPNN)的评分模型,运用建模样本训练模型,并用测试样本检验模型有效性和稳健性,挑选出较优的信用评级模型.LDA是在分类确定的条件下,根据某一研究对象的各个特征值判别其类型归属问题的一种多变量统计分析方法.BLR模型主要是用来对多因素影响的事件进行概率预测,是普通多元线性回归模型向非线性模型的扩展.基于多种学习算法的BPNN模型是前馈型神经网络模型,其将输入的多个数据集映射到单一的输出的数据集上,通过训练与测试将对象进行分类.本节就LDA、BLR、基于多种学习算法的BPNN模型以及模型有效性的衡量方法进行简要介绍.2.1 线性判别分析(LDA)对于k个组别的分类问题,假设k个组别构成的总体分别为G1,G2,...,Gk,于是若要判断样本x各来自于哪一个总体,首先必须计算样本x到每个总体Gi(i=1,2,...,k)的距离d(x,Gi),然后再比较这些距离,其中样本x到总体Gi的距离d(x,Gi)采用Mahalanobis距离,即其中µi和Σi分别为Gi的均值和协方差矩阵,为协方差矩阵Σi的逆矩阵.如果x距某个Gj(j= 1,2,...,k)最近,则认为x∈Gj.其判别规则为对于本文组别分类的问题,可通过建立判别分析模型进行判别.2.2 二项逻辑回归(BLR)对于一个二项分类和n个定量预测变量x1,x2,...,xn(包含虚拟赋值变量),BLR模型假设目标响应的概率为其中β0为常数项,称β1,β2,...,βn为模型回归系数,解释变量可以是连续变量,也可以是分类变量或哑变量(dummy variable).正式的决策框架中通常包含多种评判模型,在多种模型有效性对比过程中,BLR模型可以作为一个判断依据.BLR与LDA一样,在多元正态分布和相同协方差矩阵的假设条件下具有最优判别能力.BLR要求较大的输入样本量以取得较为稳定的计算结果,同时应对自变量与因变量的复杂非线性关系进行适当处理.2.3 基于多种学习算法的BPNNBPNN的构成包括一个输入层,一个或多个隐含层和一个输出层.各层由若干个神经元构成,每一个节点的输出值由输入值、作用函数和阈值决定.神经网络的学习过程包含两个方面:信息正向传播和误差反向传播.在正向传播过程中,输入信息从输入层经隐含层传到输出层,经作用函数运算后得到输出值与期望值进行比较,若有误差,则误差反向传播,沿原先的连接通路返回,通过逐层修改各层神经元的权值,减少误差,如此循环直到输出的结果符合精度要求为止.具体步骤如下:步骤1BPNN的初始化,确定隐含层节点的个数.将各个权值和阈值的初始值设为比较小的随机数;步骤2输入样本和相应的输出进行网络训练,即对每一个样本数据进行步骤3到步骤5的过程;步骤3依据输入样本计算实际输出及其隐含层神经元的输出;步骤4计算期望输出与实际输出之间的差值,求输出层和隐含层的误差;步骤5根据步骤4得出的误差更新输入层到隐含层节点之间以及隐含层到输出层节点和之间的连接权值;步骤6求出误差函数e,判断e是否收敛到给定的学习精度以内,即e≤ε,其中ε为拟定误差,如果满足则训练结束,否则转向步骤2.运用不同的学习算法对BPNN进行训练,将会得到不同的建模效果[27].MATLAB R2012a软件中的神经网络工具箱(neural network toolbox)中包括多种适用于BPNN建模的学习算法.本文考虑运用10种学习算法对BPNN进行训练,具体如表1所示.2.4 模型有效性的衡量方法ROC曲线面积(AUC值)是常用的用于评价分类模型有效性的方法.ROC曲线是根据一系列不同的二分类方式,以真阳性率(敏感度,不良贷款样本被判正确)为纵坐标,假阳性率(1–特异性,良性贷款被判错误)为横坐标绘制的曲线.传统的诊断试验评价方法有一个共同的特点,必须将试验结果分为两类,再进行统计分析.本文运用SPSS 软件对12种模型的检验结果绘制ROC曲线,并比较AUC值,AUC值越大,表明模型判别水平越高.均方误差(mean squared error,MSE)是指参数估计值与参数真值之差平方的期望值.在此,MSE是预测值与期望值之差平方的期望值,即其中yt是期望值,t是预测值.MSE的值越小,说明预测模型描述实验数据具有更好的精确度.在对模型有效性进行衡量时,需要考虑不同错误类型的成本,本文依据Blanco等[27]的两种错误分类构造误判成本.I类错误指良性贷款错评为不良贷款的比率;II类错误指不良贷款错评为良性贷款的比率,相比于I类错误,II类错误的发生将会对银行带来更大的损失.因此本文将II类错误的成本设为I类错误成本的5倍.并在此基础上计算误判成本其中C21和C12分别表示发生I类错误和II类错误的成本,π21和π12分别表示发生I类错误和II类错误的概率,p1和p2分别表示样本在到期时是良性贷款和不良贷款的先验概率.识别率包括不良识别率和总识别率.不良识别率表示检测样本中的不良贷款被模型识别出的比例,该指标可以反映模型对I类错误的规避能力;总识别率表示全部检测样本的二级分类属性被识别正确的比例,该指标可以反映模型的整体判别能力.本文采集江苏某商业银行2008–2013针对小微企业信贷的过往数据,与公开数据库中的宏观数据合并后,总数据内容主要包括:1)财务信息(资产总额,经营收入等);2)本期贷款基本信息(发放额度,发放利率,贷款方式,支付方式等);3)当前客户非财务信息(客户信用等级,客户资信等级,行业分类,担保情况等); 4)与宏观经济有关的变量(用电量,GDP,CPI等);5)信贷的二级分类情况.经过剔除缺失和不正常的数据,得到2 115组有效数据,其中,良性与不良贷款比例约为9∶1.为了对评分模型进行科学对比,我们把数据集随机分成两个互补的子数据集:80%数据作为建模集,20%数据作为测试集.各模型的变量结构都是通过10次交叉验证法进行筛选,交叉验证法的一个优势就是这样的信用评分模型是基于较大比例的有效数据(80%)开发.有关信用评级指标的文献中,由“硬”信息到“软”信息的选择是信用评级指标选择的一个显著性变化,从最早标准化的财务指标到如今各类非财务指标的不断加入更新,信用评级系统也因此能够从规范化的大公司推广到小微企业及个人类客户.然而,这些指标多为微观指标,宏观指标鲜有涉及.近年来,有学者对宏观经济变量的研究提出了自己的看法,认为借款人的违约与一般经济状况密切相关,与宏观经济环境变量也应当被考虑作为输入变量[27,28].颜新秀[29]认为,不同宏观经济环境下各指标变量与个人住房抵押贷款违约率之间存在一定的影响关系.Kim等[30]指出宏观经济环境是一个关键因素,直接关系到借款者的偿付行为.因此,本文认为贷款期间内的宏观经济变动对贷款主体的还款意愿具有一定影响,应当作为重要变量参与信用评级研究.因此,本文选取的指标类别包括财务类指标,非财务指标和宏观环境指标. 建模自变量和因变量(输入变量和输出变量)如表2和表3所示.本文在考虑现有文献贷款对象财务信息、非财务信息、本期贷款基本信息的基础上,还加入与宏观经济有关的变量作为自变量或输入变量,主要基于以下考虑:传统模型的因变量和自变量存在不同期的问题,传统信用评级模型将贷款期初的相关变量指标作为自变量,将贷款期末的五级分类情况作为因变量来进行建模,即自变量和因变量不是同一时间点上的面板数据,因此不能直接看作面板数据处理,需加入时间因素才能解决矛盾,同时,宏观经济变量是时间因素的合理体现,因为宏观经济变量并非某一时间点上的宏观经济变量,而是贷款期间相关宏观经济变量变化趋势的反映,因此不是一个时间点的概念而是某一时间段的变化趋势的概念,所以能够反映出时间因素.在实证分析部分,本文将分别运用包含宏观变量和不包含宏观变量的指标体系进行建模,并比较模型的有效性.同时,本文借鉴Blanco等[27]的做法,在指标体系中加入“客户经理主观评价”和“客户资信状况调查结果”两个指标,以囊括银行自有的贷款初期审核信息.本文引入贷款期限内经济周期信息的变量,Kim等[30]指出宏观经济环境是一个关键因素,直接关系到借款者的偿付行为.该做法的优点还在于考虑到还贷期限内省内宏观经济变化对小微企业的影响,由于各家商业银行在计划财务部进行财务预算的编制过程中均拥有未来至少三年的宏观经济变化预测数值,因此在实务操作中,该宏观变量数据采用商业银行预测数值.本文借鉴Blanco等[27]在设计信用评分模型所使用的宏观经济变量的表达式其中ΔVMi,j是宏观经济变量的变化率,VM是宏观经济变量,i表示放款的时间,j表示贷款的时限.本文在对宏观济变量进行筛选之后选取用电量、GDP和CPI的季度数据作为建模的三个自变量.在实践中发现,除CPI外用电量和GDP均有很强的周期性,经过分析和比较之后,本文决定采用GDP、用电量的同比增量的变化率和CPI增长率来作为自变量,其中CPI增长率为(计算期CPI数值-基期CPI数值)×100%/基期CPI数值,GDP、用电量的同比增量的变化率为其中Δ2VMi,j是宏观经济变量增量的变化率,i表示放款的时间,j表示贷款的时限. 综合数据可获取性、数据可靠性因素的影响,样本选取2008–2013年贷款数据,其中宏观变量数据均进行季节性调整,并对离散变量进行赋值.神经网络建模时为加快训练网络的收敛性的需要,对样本数据中各个指标下的数据分别进行归一化处理.如第3节所述,将样本分为两部分,其中1 687组数据作为训练样本,428组数据作为检验样本,训练样本与检验样本比例约为4∶1.运用SPSS 21软件,以表2中15个变量为判别变量,以表3中B1变量为分组变量,选择Fisher函数系数,建立LDA模型,得到分类函数系数.根据分类函数系数,对检验样本中各指标进行加权求和,选取得数较大的类别作为判别结果.运用PASW Statistics 18统计分析软件建立二项逻辑回归(BLR)通过描述性统计,根据相关性、正态性检验和t检验,本文最终在Logistic回归中保留9项指标,分别为年利率、贷款方式、用途、支付方式、客户信用等级、客户资信等级、营业收入/人、GDP增量增长率和CPI增量增长率,具体分析过程介绍从略.运用MATLAB R2012a建立BP神经网络(BPNN),表2中15个变量作为输入神经元,表3中B2变量各分别作为输出神经元.分别运用表2中10种学习算法进行模型训练,各个训练函数即表1中MATLAB调用函数.神经网络参数设定:隐含层节点范围[7,13];最大迭代次数=1 000;训练误差=0.001.运用训练后的模型对检验样本进行测试,即分别将检验样本中的自变量与LDA分类函数系数加权求和取大值,代入BLR模型预测因变量值,代入训练好的BPNN模型得出预测输出变量值.当输出值小于并等于0.5时,判定该组样本为正常贷款;当输出值大于0.5时,判定该组样本为不正常贷款.首先,运用不包含宏观变量的指标体系建立模型,根据前文模型有效性的衡量方法,计算衡量各个模型有效性的指标数值,如表4所示,优化的ROC曲线如图1所示.在ROC曲线图中,纵坐标δ代表真阳性率,横坐标1-η代表假阳性率,其中η为特异性,下同.由表4可知,12种模型中,75%的模型的AUC值大于0.8;有11个模型的总识别率超过80%,其中六个模型的总识别率超过90%.但在关键指标中,有11个模型的不良识别率低于80%,有11个模型的误判成本大于0.2.从整体识别效果来看,所构建的模型对不良贷款缺乏识别能力是一个共性,因此本文认为有必要尝试通过加入宏观变量对指标体系进行改进并开展建模.在指标体系中加入宏观变量后,判断各个模型有效性的指标数值如表5所示,优化的ROC曲线如图2所示.1)AUC方面,共有6个模型的AUC值超过0.9,其中,NN6与NN10模型的AUC值超过0.95,分别为0.952和0.959,预测能力较强;2)均方误差方面,共有8个模型的均方误差小于0.1,其中BLR的均方误差为0.071,NN3的均方误差为0.072,NN6的均方误差为0.075;3)误判成本方面,共有5个模型的误判成本低于0.2,其中NN6误判成本为0.117,NN7误判成本为0.110,NN10误判成本为0.098,误判成本较低.I类错误率方面,NN6、NN7、NN10的II类错误率小于0.1,判别效果较优;4)不良识别率方面,共有4个模型的不良识别率超过0.8,其中NN6的不良识别率为0.915,NN7的不良识别率为1.000,NN10的不良识别率为0.979,说明该三个模型对潜在不良贷款的判别能力较强.总识别率方面,共有5个模型的总识别率超过0.9,即表明这5个模型的总体判别正确率超过九成,具有较好的整体判别能力.根据以上分析,可见LDA和BLR模型在四类模型有效性衡量方法中表现一般,其中BLR模型在AUC和总识别率方面优于LDA模型,LDA模型在II类错误率方面优于BLR模型,但该两个模型劣于或等于NN6和NN10在AUC、II类错误率、误判成本、不良识别率和总识别率方面的表现.当将NN6与NN10在模型有效性方面进行比较时,NN10在AUC、均方误差、II类错误率、误判成本和不良识别率的表现均优于NN6,而NN6仅在总识别率方面优于NN10,因此认为NN10具有最优的模型有效性,其次为NN6.由上述分析结果可知,1)在整体模型有效性方面,NN10(基于Levenbery-Marquardt学习算法)模型表现最优,NN6(基于Polak-Ribiere共轭梯度学习算法)模型表现次优.2)在各模型有效性衡量方法方面, NN10具有最大的AUC值,BLR具有最小的均方误差,NN7具有最小的II类错误率,NN10具有最小的误判成本,NN7具有最高的不良识别率,NN3具有最高的总识别率,这些结果表明在进行具体信用评级水平衡量时,需要重视上述模型在信用评级中的应用.3)在观察各个模型检测结果中出现两类错误的样本数据时,本文发现样本数据中的客户信用等级、客户资信等级、营业收入/人指标易出现区别于普通的数值,因此此类样本需要在人工贷前审查时给予关注.本研究选择合适的指标体系和研究方法,构建线性判别分析、二项逻辑回归和基于多种学习算法的BP神经网络模型对小微企业进行信用评级,并通过四种衡量方法分析模型的有效性,提高研究结论的可信度.研究结果表明机器学习方法能够为商业银行授信审批和贷前审查工作提供参考依据,并且在指标体系中加入宏观变量能够有效地提高模型识别不良贷款的能力,提升模型的稳健性.因BP神经网络具有容易陷入局部极值、“过拟合”等问题,其预测精度有待优化,今后研究中尝试使用遗传算法优化BP神经网络强化全局搜索能力.取得更大的数据样本,并尝试根据小微企业资产总量大小对样本进行分层,提高模型对于贷款主体的评级能力.肖斌卿(1979―),男,福建南靖人,博士,副教授,研究方向:金融工程与金融管理,Email:****************.cn;杨旸(1990―),男,江苏南京人,博士生,研究方向:金融工。
商业银行对于小微企业信贷风险管理研究——以中国工商银行为例摘要：近年来，小微企业的规模逐年扩大，国家也大力支持小微企业的发展，截至2022年7月22日，小微企业总量比重占市场主体的91.68%。
由于国家正处在经济转型与结构调整的重要时期，因此，小微企业在向企业贷款时总会遇到许多问题，由于受到政策的制约，小微企业的融资渠道相对较少，严重影响了企业的正常运营，因此，银行信贷对小微企业的运营与发展有着非常重要的作用。
本文以中国工商银行为例，分析工商银行对于小微企业办理贷款业务时所面临的问题，并提出相关建议。
关键词：信贷风险；小微企业；中国工商银行一、引言（一）研究背景习近平总书记在2021年中国国际服务贸易交易会全球服务贸易峰会致辞中宣布：“我们将继续支持中小企业创新发展，深化新三板改革，设立北京证券交易所，打造服务创新型中小企业主阵地。
”自从疫情开始之后，企业的融资需求逐年增长，其中小微企业的贷款需求较为强烈。
中国民生银行首席研究员温彬也曾提及，“三农”以及小微企业依旧是当下经济发展过程中的薄弱领域，需要更进一步对其加大金融方面的支持力度。
近年来，商业银行作为对小微企业放贷拥有主要决定权的机构，陆陆续续的出台了很多小微企业信贷管理办法，但是不难发现，商业银行对于小微企业的贷款还依旧存在着不可忽视的问题，急需提升和改善。
（二）研究意义在如今的经济大环境下，小微企业在经济体系中发挥着不可忽视的重大作用，国家虽然大力支持小微企业的发展，但是中小企业融资难、融资贵的问题依旧得不到有利的解决。
小微企业在市场中发挥着不可替代的重要作用，小微企业占据市场比例的绝大部分，为市场创造财富，解决充分就业的问题。
因此通过分析商业银行对小微企业信贷的风险管理问题，降低小微企业的不良贷款率，改善小微企业融资难的问题，促进市场经济的发展。
另外，对于商业银行来说，通过研究分析小微企业的融资现状、融资问题、以及本身对于小微企业融资风险的管理，可以有效的改善信贷业务，提高资金运用效率，促进小微企业的健康有效发展，同时对于自身风险的管理和控制发挥着积极作用。
“三品、三表、三流”小微企业信贷风险评价法'对公客户经理必读'订阅号由一位银行信贷人创办，目前已有几万人关注订阅，欢迎您转发！一、小微企业信贷风险表现形式(一)信用风险。
是指借款者未能及时、足额地偿还银行贷款而造成违约的可能性。
集中表现为小微企业的经营时间相对较短，财富积累较少，偿还能力弱，无有效的实物进行抵押或者偿还。
由于小微企业属于私营企业，长期持续经营的理念薄弱，短期利润的吸引加上财务制度的可信度相对较低，所以，当企业面临的不确定因素不断增加时，其整体的信用风险必然增加。
另外，小微企业违约成本较低，容易引起道德风险。
(二)政策风险。
政策风险主要是指企业在经营过程中，政府制定的某些政策对企业所在的行业产生明显影响而导致外部环境变化的风险。
很多小微企业都是由于产品技术不达标或者无力革新技术而经营困难，有的企业经营不善被迫关闭，导致商业银行面临着巨大的政策风险。
(三)行业风险。
行业风险主要是指由于小微企业所处行业的发展和盈利环境发生变动或者行业的周期性所带来的风险。
随着小微企业数量的不断增加，用工荒等问题的出现，对很多小微企业的进一步发展造成了严重阻碍。
大多数小微企业在劳动密集型行业里艰难生存，用工荒导致生产成本的不断提高，让小微企业的生存空间被进一步挤压。
(四)经营管理风险。
指小微企业的经营管理不善而导致的市场风险。
实际上，这种风险在许多地区的小微企业中广泛存在，很多企业都是因为经营管理不善而导致的盈利水平大幅下降，从而无力偿还银行贷款。
许多地区小微企业属于私人企业，企业主的个人素质尤其是企业主的个人能力和心理素质等条件，对于企业的管理和运作都会起到相应的影响，商业银行为小微企业提供贷款不得不面临着巨大的经营管理风险。
（五)市场风险。
指小微企业在发展过程中，受到市场价格等因素的影响而产生的潜在资产的损失。
较为典型的是2010-2011年的欧债危机，对我国很多地区从事进出口贸易的小微企业造成了巨大打击，尤其是从事劳动密集型的小微企业，更是这场金融风暴中最大的受害者。
小微企业征信需求报告摘要在当今经济社会中，小微企业作为发展经济的重要力量，其信用状况对其经营和发展至关重要。
本报告旨在分析小微企业征信的需求，并提出相关建议。
通过对小微企业征信需求的深入研究，可以为金融机构和政府部门提供参考，帮助其制定更加科学和有效的小微企业信用评估和管理政策。
1. 引言小微企业是我国经济社会发展中一支不可忽视的重要力量。
然而，小微企业融资难、融资贵问题一直是困扰其发展的重要阻碍因素之一。
这主要是由于金融机构无法准确评估小微企业的信用风险导致的。
因此，建立并完善小微企业征信体系，提高其信用评价的准确性和可靠性，是解决小微企业融资难题的关键。
2. 小微企业征信需求分析2.1. 融资需求：小微企业在拓展业务、扩充规模、技术研发等方面需要融资支持，而金融机构在进行融资决策时需要依据企业的信用状况来评估其还款能力和风险水平。
2.2. 发展需求：政府部门在实施相关政策时需要了解各个小微企业的经营状况、税收贡献等信息，以便制定更有针对性的法规和政策。
2.3. 交易需求：小微企业作为供应链中的重要一环，与其他企业之间存在大量的交易，而企业的信用状况将直接影响到交易的可靠性和风险。
3. 小微企业征信需求解决方案3.1. 数据采集和整合：建立专门的机构或平台，负责收集、整合和加工小微企业的相关数据，包括企业基本信息、财务信息、运营数据、税务数据等。
3.2. 数据共享和合作：建立公共数据库，将小微企业的信用信息进行共享，供金融机构、政府部门及其他相关机构使用，实现信息的共享和互通。
3.3. 征信模型和评估体系：建立科学、客观、可靠的小微企业征信模型和评估体系，通过对企业信用历史、财务状况、经营业绩等指标的综合评估，为金融机构和政府部门提供决策支持。
3.4. 多维度信用评估：除了传统的财务和经营指标外，还应考虑社会责任、信用历史、信用背书等因素对企业信用的影响，综合考量企业的整体信用水平。
4. 建议和展望4.1. 面向未来，应进一步加强对小微企业征信需求的研究，不断优化征信模型，提升小微企业信用评估的准确性和可靠性。
银行小微企业调研报告银行小微企业调研报告一、调研目的及背景在当前经济形势下，小微企业作为经济发展的主要力量，对于促进就业、推动产业升级、增强经济活力具有重要作用。
然而，由于小微企业的规模较小、融资困难等问题，其发展受到了一定的制约。
因此，本次调研旨在了解小微企业的融资需求、融资渠道及银行服务情况，为银行制定更好的小微企业金融服务策略提供依据。
二、调研方法和过程本次调研采用了问卷调查和深度访谈的方式。
通过向小微企业主发放问卷，了解其融资需求、融资渠道以及对银行服务的评价。
同时，我们还对部分小微企业主进行了深度访谈，进一步了解其融资困难、银行服务的不足之处及改进意见。
三、调研结果分析1. 小微企业融资需求调查结果显示，92%的小微企业主表示需要获得银行贷款来支持企业的运营发展。
其中，62%的企业需要短期贷款用于原材料采购和日常营运资金，28%的企业需要长期贷款购买设备和扩大生产规模，10%的企业需要贷款用于新产品研发和市场拓展。
2. 小微企业融资渠道调查结果显示，80%的企业主表示选择了向银行申请贷款，主要原因是银行贷款利率低、期限长且相对稳定。
还有12%的企业选择了向担保公司申请贷款，因为能够提供较高的贷款额度和便捷的办理流程。
8%的企业选择了其他非银行金融机构。
3. 银行服务评价调查结果显示，54%的企业主对银行的融资服务表示满意，主要体现在手续办理简单、贷款到账迅速等方面。
然而，46%的企业主对银行的融资服务不满意。
他们主要反映银行贷款流程繁琐，审批时间长，并且银行对小微企业的风险识别能力不足。
四、建议与改进措施1. 简化贷款流程银行应通过优化贷款申请流程，减少冗余的审核手续，提高办理效率。
可以考虑引入科技手段，如人脸识别、大数据分析等，提高风险识别能力和贷款审批效率。
2. 加强风险管理能力银行应加强对小微企业的风险管理能力培训，提高对小微企业信用评估和风险识别的能力。
同时，可以建立风险共担机制，通过与担保公司、政府机构合作，分担一定风险，提高对小微企业的融资支持力度。
小微企业信用评价研究
作者：朱俊宇
来源：《市场周刊·市场版》2020年第08期
摘要：首先，分析了小微企业信用特点以及不同的信用评价方法适用性，其次，通过分析不同信用评价方法的优劣性，筛选出最适合小微企业特点的方法。
最后，提出当前小微企业信用评价面临的主要问题：缺乏针对性方法、数据量不足以及数据处理能力的不足。
关键词：小微企业、信用评价、层次分析法
一、引言
如今形势依旧严峻的情况下，小微企业为我国稳就业、稳定经济发展提供了巨大的帮助，不仅在促进经济体系全面多样性发挥作用，还带来了新的活力。
但是，小微企业在资金融通和借贷方面并不顺利，即使在国家政策的逐步开放和支持力度加大的背景下，银行等金融機构因为对小微企业贷款风险大、信用评价难度高等原因，意愿并不强，严重影响了小微企业拓展规模。
因此，如何选择合适的方法对小微企业进行信用评价，解决其资金周转难题，成为亟待解决的现实问题。
文章从小微企业自身特点出发，比较不同信用评价方法的优劣，通过分析后选择出最适合小微企业信用评价的方法。
借助最合适的方法，能够帮助金融机构筛选贷款风险最低的小微企业，提供指导性建议，增加其对小微企业贷款积极性，从而帮助小微企业克服的融资难题，增强企业的发展动力。
二、小微企业信用特点及信用评价方法
小微企业数量大，在我国经济社会中的比重越来越重要，是我国社会发展重要的助推力之一。
但是，小微企业的财务制度不健全，信息披露可信性低，使得外部机构或政府对其进行信用评价非常困难。
如果使用传统的统计分析方法以及现在非常火爆的机器学习的方法进行信用评价，难以解决小微企业数据量不足的这一困难。
（孟庆军，2015）认为如果能够帮助金融机构在对小微企业信用评价时尽可能降低双方的信息不对称，避免产生道德风险和逆向选择，便可以有效改善融资难题。
（高华，2018）通过实证研究得出运用层次分析法能将对财务指标和非财务指标一起分析，有效利用好小微企业披露的任何一条信用信息且不会遗漏任何一条信息，可以较好控制信息损失率。
（刘敏，2018）将财务指标和非财务指标分别采用主成分分析法和层次分析法处理后，建立了综合评价体系，能够对小微企业准确做出评价。
因为数据获取的难度较大以及缺失值的存在，使用层次分析法是一个很好的可以解决该难题的方法。
利用层次分析法将构建的信用评价指标体系进行分类，不仅能够避免专家打分发等赋权的主观性存在，还能考虑到小微的企业自身信用特点，将指标体系更好赋权。
因此，通过以上分析得出结论，运用层次分析法进行小微企业信用评价是目前的研究中比较适合的方法，能够在兼顾客观性的同时，兼顾解决对其信用评价所面临的困难。
如果，能够扩大信息来源和信息处理分类的
能力，相信可以大幅推进小微企业信用评价的进步。
在不同方法的选择之前，一定要考虑到企业的特点，结合不同企业所面临的实际情况，设计最合适的指标体系并且运用恰当的方法，才能做出比较精准的信用评价。
层次分析法的优势在于相对赋分等方法客观，和统计等方法相比在处理上又稍显不足，但是却能够在一定程度上解决数据的缺失带来的分析上面的困难。
研究对小微企业的信用评价有重要的现实意义，能够帮助我国金融机构对小微企业有更准确的定位，方便对其提供资金信贷支持，能够促进小微企业发展更加迅速。
三、目前研究存在的问题及建议
第一，没有切实有效的研究方法。
目前我国关于小微企业的信用评价方法还是没有专门的方法，依然是借鉴之前的学者对上市公司等大中型企业进行信用评价的方法，对于小微企业的专门研究比较少，使得模型的选择上面不能贴合小微企业的特点，分析方法的可信性不够;第二，数据严重不足。
小微企业自身的会计制度不健全，所以财务数据不足以支持对小微企业进行信用评价。
这主要因为企业自己披露的未经专业机构审核的数据可信性低，数据的时间跨度太短;第三，复杂数据的分析能力不足。
信用评价方法中最重要的三步就是数据的清洗、筛选与模型处理。
如何利用现有的大量数据发掘出有效数据，如何找出预测违约准确率最高的模型，目前仅有少数学者对其开始研究，还不够大规模应用，更没有找到学界和业界普遍接受的通用方法。
针对小微企业自身的信用特征构建信用评价方法。
应当将小微企业按行业进行分类，结合不一样行业的自身特点，逐一设计出适合其自身的信用评价方法。
充分利用好互联网等工具，广泛收集信息数据，弥补样本在数据少的不足为信用评价带来的困难。
政府还应当在发挥主导作用之余，引导市场发挥作用，鼓励私有机构参与企业信用评价，实现正常的市场化，带来发展新动力。
如果能够运用科学有效的方法解决小微企业信用评价的难题，必然可以促进我国征信行业整体向前进步。
参考文献：
[1]孟庆军，张洁，王效敏.科技型中小企业信用风险的可拓综合评价研究[J].科技管理研究，2015，35（5）：59-67.
[2]高华，王晓洁.智能制造中小企业信用评价[J].科技管理研究，2018，38（5）：87-92.
[3]刘敏.小微企业信用综合评级模型的构建[J].西南师范大学学报（自然科学版），2017，42（9）：90-96.
作者简介：朱俊宇，北方工业大学经济管理学院。
