小企业信用评分模型：关键技术与应用
来源:用户上传
作者:
摘 要：本文在对小企业信用评分模型的基本原理和关键技术进行分析的基础上，提示小企业信用评分模型应用中的误区，并提出在银行信贷工作中应用小企业信用评分模型的对策建议。
关键词：小企业；信用评分；技术；应用
1 小企业信用评分模型的基本原理
第二次世界大战后，欧美等国实施的经济刺激政策推动了消费信贷产业的蓬勃发展，迫切需要建立信用评分模型，实现贷款决策的自动化。信用评分的哲学基础是实用主义和经验主义，即根据消费者过去的表现建立模型，对具有相同特征的未来消费者的信用进行预测。小企业信用评分（Small Business Credit Scoring，简称 SBCS）模型的重大革新在于将小企业主的信息作为模型构建的重要输入变量，包括小企业主的收入支出状况、家庭财产、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。SBCS 同时从商业信用数据库、贷款申请书、银行信贷档案等渠道搜集小企业的信息，运用各种数理统计技术进行数据汇总、变量剔除、分类观测、模型构建，计算得出信用得分，以此为基础判断借款人未来贷款表现，从而做出接受或拒绝贷款申请的决定。
2 小企业信用评分模型的关键技术
2.1 样本的选择与变量的分组
2.1.1 确定数据的来源。建立信用评分模型的数据一般考虑三个来源：信用机构数据、行业共享数据、商业银行内部的贷款数据。信用机构可以提供小企业主的消费和信贷历史数据，包括来自法院、税务、工商、警察等政府机构的公共记录，来自银行、个人贷款公司的信贷记录、来自零售商等机构的消费记录，以及来自水电费、电话公司等日常生活开支付费的记录，并且这些信息定期更新，实时跟踪。行业共享数据由多家贷款机构把业务数据集中起来，形成一个数据池（Pooled data），由中介机构开发信用评分模型。商业银行因为长期从事小企业贷款业务，掌握了大量的贷款客户数据，通过对数据的分类、整理和加工，形成功能强大的贷款数据库，为建立小企业信用评分模型提供了数据基础。富国银行就是运用其内部积累的小微企业贷款数据开发了信用评分模型。
2.1.2 定义“好客户”与“坏客户”。信用评分模型通过将客户的在观察期内的特征变量与表现期的贷款偿还表现之间建立起密切的联系，并运用这一联系来判断未来客户贷款违约的可能性，银行最为关注的是哪些客户通常能够按时还本付息，而哪些客户经常拖欠贷款甚至违约，因此，根据客户的贷款偿还表现定义“好客户”与“坏客户”的类型是信用评分模型建立的基础也是目标。
2.1.3 选取建模样本。根据“好客户”（Good）与“坏客户”（Bad）的定义，从数据库中选取样本是开发信用评分模型的第一步。为保证模型的预测力以及稳定性，用于建模的样本要满足：数量的充足性、样本的代表性、样本数据的完整性、样本的时效性。
2.1.4 特征变量的分组与筛选。①特征变量的选择。特征变量是与样本的贷款偿还表现相联系的申请者的各方面的信息，包括小微企业的主要经营者的信用状况、资产状况、家庭收支，以及小微企业本身的基本情况、经营状况、财务状况等。②特征变量的分组。特征变量分组是根据特征变量的取值情况（特征项），将具有相同或类似行为模式、对贷款违约风险的影响相近的项目合并为一组，使组间差异达到最大化，以提高模型的预测效力的行为，另外，为了提高模型的稳健性，将样本容量少的特征项进行合并。③特征变量的筛选。一种筛选的方法是依据X2统计量和信息统计量（F值）的大小，对特征变量的预测能力进行一个初步的排序，通过比较剔除排在后面的特征变量。另一种方法是采用逐步回归法、向前加入法、向后删除法等进行剔除。
2.2 模型的创建与检验
2.2.1 拒绝推断。所谓拒绝推断（Reject Inference），是根据已批准贷款表现的分布特征，运用不同的方法，推断那些未通过的贷款申请如果被批准将如何表现（即被拒绝的申请者贷款偿还变现的分布特征），并加入到总体样本中来修正缺失数据的方法。
2.2.2 模型创建的方法――Logistic回归。信用评分的模型方法较多，由于 Logistic 回归模型具有诸多优点，如能排除个别异常数据点的影响、数据处理能力强、可以适用于连续型或类别型自变量、不要求多元正态分布和协方差相等作为假设前提、计算结果容易解释，也容易理解（唐莹，2010），在理论研究和实际应用中被普遍采用，如富国银行采用Logistic模型建立了小企业信用评分模型。
2.2.3 信用评分的转换。运用Logistic回归方法建立的信用评分模型中在输入各特征变量后输出的是贷款申请者的好坏比的对数值，不易理解，且在实际应用中不容易掌握，为了提高信用评分模型的实用性，应该将概率值转换为信用评分。共有两种转换方法，总体转换法和特征变量转换法。
2.2.4 模型的检验。模型建立以后，需要通过对比预测情况与实际情况的差别来检验其预测能力和稳定性，检验的方式有两种：样本内（开发模型所用的样本）检测和样本外（事先预留的没有用于开发模型的样本）检测，一般来说，预留的检验样本应该占总样本的20-40%。
2.3 模型的实施与调整
2.3.1 临界值的确定。临界值或截断值，是指为批准贷款申请而设定的模型最低分数，临界值的确定是信用评分模型实施前的关键环节，可以采用的方法有：利用模型检验工具法、批准率与坏账率权衡法、估计盈亏平衡点法。
2.3.2 人工修正及其对评分卡的影响。临界值确定以后，原则上贷款机构就可以依据信用评分自动批准和拒绝贷款申请，但实际操作中往往会出现信用评分决策被否决的情况，被称为低端人工修正（Low-side override，又叫低分挑选政策）和高端人工修正（High-side override，又叫高分挑选政策）。 2.4 模型的监测与跟踪
成功开发一个信用评分模型（或信用评分卡）只是信用评分实施项目中的第一步，项目能否取得成功取决于积极的管理、定期监测和定期调整，在此基础上评分卡的风险计量质量和其在风险管理中的作用才能不断改善和扩大。
3 小企业信用评分模型的应用
3.1 小企业信用评分模型应用误区
3.1.1 信用评分模型缺乏统一性、标准化程度不高。由于各家商业银行对小微企业的划分标准不同，表现在对贷款对象的行业类型、区域分布、规模大小等方面，所以建模时考虑的客户定义、特征变量等存在较大差异，导致所开发的信用评分模型缺乏统一性或标准化。极有可能出现的情况是，对同一家小微企业进行信用评分时，使用不同商业银行开发的信用评分模型得出不一致甚至完全迥异的结论。这就无法发挥小企业信用评分引入声誉机制和重复博弈的机制，无法对小微企业的贷款违约行为产生约束。
3.1.2 信用评分模型的可靠性有待验证。由于国内商业银行开展小微企业贷款业务的历史较短，业务量较少，所累积的历史数据也较少，尤其是小微企业不良贷款的数据。数据不足和数据质量会影响到信用评分模型的可靠性。
3.2 小企业信用评分模型应用建议
3.2.1 转变信用观念。很多银行在大力吸储后，为了获得稳定的利差，制定了较为严苛的贷款对象筛选标准，形成了“唯财务报表论”、或者“抵押/担保至上”的信用观念，认为不能满足上述条件的借款人的信用水平太低、贷款风险太高，缺乏开发和应用标准化的小企业信用评分模型的积极性。因此，商业银行需要转变信用观念，针对不同类型的借款人灵活采取信用评估技术和方法。
3.2.2 注重客户信用数据的收集和积累。在开展小微企业贷款时，首先，既需要收集企业的相关信息，也需要企业主的信息，在信用评估时尝试将企业的信用与个人信用挂钩；其次，既需要收集已批准贷款的信息，也需要收集被拒绝客户的信息，以避免建模时的样本选择偏差；第三，要做好数据的积累和更新，把企业或个人贷款的信用记录随时更新。
3.2.3 建立与小企业信用评分相配套的制度，从而嵌入到贷款各环节中去。为了促使评分模型真正发挥作用，需要建立小微企业贷款的审批和风险管理程序、风险定价制度，以及对信贷人员的激励约束考核制度。
3.2.4 加强对模型应用过程中的有效监控。信用评分模型开发初期的应用效果往往较好，但是在一段时间后可能会失去效力，其原因有很多种，如样本违约特征发生较大变化导致特征变量的区分度下降，或特征变量的分组方式不再适合，所以需要进行持久和全方位的对模型进行监测和跟踪。
参考文献：
[1]陈建.信用评分模型技术与应用[M].中国财经出版社，2005.
[2]汪莉.基于Logistic回归模型的中小企业信用评分研究[D].合肥工业大学，2008.
[3]姜涛.小企业贷款与信息利用[J].银行家，2006（9）.
[4]杨绍基，范闽.信用评分模型的拒绝偏差与Heckit纠正[J].南方金融，2007（5）.
[5]杨力，汪克亮，王建民.信用评分主要模型方法比较研究[J].经济管理，2008（6）.
[6]邓超，胡威，唐莹.国内外小企业信用评分研究动态[J].国际金融研究，2010（10）.
[7]向晖，杨胜刚.个人信用评分关键技术研究的新进展[J].财经理论与实践（双月刊），2011（7）.
[8]朱艳敏，陈超.Z-score模型最优分割点的确定方法比较――基于违约风险预测能力的分析[J].南方金融，2013（8）.
转载注明来源:https://www.xzbu.com/3/view-11750030.htm
