小额贷款公司信用风险评估研究
我国小额贷款公司开始于20世纪70年代，其成立的初衷是为农户、个体工商户和小微企业融资问题开辟一条新的道路。小额贷款是指通过金融机构，向那些具有一定偿债能力但从未或很少从正规金融机构获得融资的微小经济体（包括农户、城市个体工商户等非法人机构）所提供的一种额度小、期限短、利率较高的持续性贷款服务。本文采用文献研究法，按照信用风险评估指标和评估方法分类进行评述，以期达到以下两个目的：①发现我国小贷信用风险研究在指标选取上、评估方法选择上的特征，为学者的后续研究提供基础；②提出加强和完善相关研究的建议和方向，为小额贷款公司识别和控制信用风险提供有效借鉴。
一、小额贷款信用风险的界定及成因
（一）小额贷款信用风险界定
信用风险包括借款人无法偿还债务的违约风险和信用质量下降的迁移风险，是金融机构面临的最主要风险，也是最难以量化的风险类型之一（王力伟，2013）。小额贷款公司风险主要集中于信用风险、自然风险和资金来源风险（孙颖，2008）。同时在贷款业务的单一性、区域有限性和贷款对象特殊性的影响下,其信用风险最为严重（李修平2009）。借款人的违约风险主要来自于两个方面，道德风险和逆向选择（李玉福，付代军，2007）。比如，招商银行信贷产品的标准化导致产品过于清晰，一些中介和担保公司利用这些信息给客户进行包装，客户经理也可能参与作假，增加了道德风险。而随着银行小微信贷的兴起，资质好的客户会选择银行进行小微贷，资质弱的客户只能来小贷公司，导致劣币驱逐良币（唐华，2013）。小额贷款公司虽然发展迅速，但是还不具备足够的风险评估技术和信用风险控制体系从而降低贷前的逆向选择和贷后的道德风险（辛鑫，王文荣2010)。除了债务人本身的信用问题，宏观经济的变动性也是信用风险的产生原因之一（李明，2015）。另外，不可忽视的是，信用风险也包括购买力风险。购买力风险是指未预期的高通货膨胀率所带来的风险（曼昆，2011），当实际通货膨胀率高于借款人预期时，实际还款额就会减少，小贷公司就会蒙受损失。
（二）小额贷款信用风险成因
信用风险防范一直是小贷公司的劣势，尽管在设立时，各试点省明确要求小贷公司建立信用风险控制措施，但是大部分地区并没有明确规定。小贷公司的信用风险成因可以划分为：外部原因和内部原因，个体原因和集体原因。学者们从宏观市场、贷款对象、担保公司和中介公司等主体入手探究外部成因。就宏观市场而言，通货膨胀率高于预期的时候小贷公司蒙受的利率损失就高，信用风险就会增大（曼昆，2011）。就贷款对象而言，小贷公司的信用风险主要是由贷款对象的特殊性所造成的。而作为小贷主要对象的农户和中小企业本身，自我防范风险能力较差，因而风险就转移到了小贷公司(孙思磊，2006)。因此小额贷款业务的违约率与贷款本金、利率、贷款客户的生产收益率以及违约的信用惩罚之间有着密切联系（王廷飞，高新兰，2013）。就担保和中介公司而言，由于存在投机行为和信息不对称，其很可能会通过给贷款人进行信息包装而发生道德风险和逆向选择。内部运营模式、风险控制机制、从业人员素质，贷款业务特征及资金来源的单一性等成为信用风险的主要内部因素。董军（2010）认为内部运营模式导致了小贷公司的信用风险。尽管在设立时，各试点省(区)明确要求小额贷款公司建立一系列信用风险控制措施，比如准备金制度、风险保障基金等，但是大部分地区并没有对此进行明确的规定（李明，2015）。就从业人员的素质而言，金珍珍（2009）认为，人才的缺失，例如：前端客户经理素质不高，风险预警员疏于职守，加剧了小贷公司信用风险的发生概率。贷款业务的单一性和资金来源的受限性导致了借款人一旦违约，贷款就难以及时回收（张小倩，2008）。此外，除了对单个贷款主体违约成因的研究，人们也已经很早就注意到了违约聚集的现象。即违约不是孤立发生的，而是存在一定的聚集现象，表明借款人之间存在一定的违约相关性（王力伟2013）。人们观察到经济上行期违约发生相对较少，经济下行期往往出现违约聚集的现象。例如，宏观经济因素和行业景气度，企业间直接的关系链等都会造成企业违约聚集。
二、小贷信用风险评估指标设计
对于指标的分类，大致有如下2种分类方法：按贷款主体分类为农户、个体工商户和小微企业3类指标，按贷款信息分类为硬信息和软信息2类指标。
（一）贷款主体分类指标
小额贷款的对象是农户、个体工商户及小微企业。因此风险评估指标的样本对象必须是这三者。当前对小贷信用风险的研究，国内实证研究基本上是围绕商业银行农户、小微企业小额贷款、农村信用社及小额贷款公司的贷款样本展开。关于农户指标的选取：马文勤（2010）选取了2009年陕西省杨凌区三家农村信用社农户的15个指标来判断其是否违约，包括户主年龄、户主性别、家庭人口数、家庭劳动力数、耕地面积、农业收入、非农收入、年总支出、信用社入股金额、房屋价值、机械价值、其他资产价值、贷款数额、贷款用途、贷款月利率共15个指标。陈良维（2008）在前者的基础上增加了文化程度、家庭资产总额、贷款历史、信用账户数目、信用申请情况、司法记录情况和月还款占收入比7个指标。刘畅、方靓、晏江、熊学萍（2009）增加了农户参保情况、村委会评价及是否遭受经济损失3个指标。刘泽双、王光宇、段晓亮（2009）对农户小贷信用风险的指标进行了归类，将其分为表层直接因素、中层直接因素及深层根本因素。孙清、汪祖杰（2006）选取的江苏省北部某农村信用社480个贷款数据中，以财产水平、负债状况、受教育程度、借款用途4个指标作为评估依据。可以看到，对农户指标的选取，家庭成员特征、耕地及其他资产状况、家庭收入状况、家庭信用情况、贷款特征这五项是重要的考量指标。其中，由于农户自身财务数据的缺乏，非财务数据的考量占据了非常重要的地位。个体工商户及小微企业信用风险指标选取：对于小微企业的信用风险的研究，多数学者集中在商业银行小贷部门信用风险的研究及小贷公司信用风险的研究。这里探讨的个体工商户和小微企业是指其财务数据不足以支撑其获得商业银行贷款资格的企业，其财务数据通常具备不完备性、不易获取性。因此，非财务因素的评估十分重要。杨德明（2012）在哈尔滨银行小企业信用等级评定指标中，特别强调了要强化非财务因素的作用，并在申请评分卡的非财务指标中增加了小微企业主这一因素。结合国内各大商业银行操作的实际情况，将企业信用非财务体系归纳为以下五大方面：企业管理环境、企业核心竞争力、行业发展前景、企业经营管理水平（领导者素质、员工素质、组织制度、决策机制、人事管理、财务制度建设）、企业信誉状态。
（二）贷款信息分类指标
贷款信息包括软信息和硬信息。非财务信息也称软信息（softinformation），通常由信贷员提供（李明，2014）。在信息不对称和不完全契约环境下，小贷客户信用风险的评估对关系型借贷特别看重(Bel-louma,Bennaceur&Omri,2005)。Peterson（1999），认为关系型借贷所传递出的信息对小型企业而言更有价值。因为关系型借贷不仅涉及企业财务信息和经营状况，还涉及难以量化、传递的软信息（申韬，2011）。王锁柱，李怀祖（2004）认为硬信息是客观存在的信息的反映，软信息是含有涉及主体的价值观念和知识结构的主观判断的信息，主观判断涉及主体的价值观念和知识结构，是一种区别于是非判别的个人偏好。由于当前小贷公司信贷员具有一定的贷款决策权，因此，在将软信息内容作为评估指标时，很容易产生评估不够客观公正，甚至是道德风险。王延飞、高新兰（2013）提出，要建立以社会资本和道德风险为核心的信用风险评价机制，特别强调对道德风险和社会资本的评价。他们认为，业主社会声誉、生活习性及家庭因素是衡量其道德风险的重要指标，且这些因素是判别其生产经营能否正常运行的关键因素。另外，业主的社交网络、信任合作是衡量其社会资本的重要指标，社会资本越丰富，则其外部约束越大，就能够越多地补偿贷款信用风险。这种评估指标的选取更加符合小额贷款公司的实际情况，指出了小贷公司在信用评估过程中遇到的两个关键问题：社会资本的评估以补偿风险，道德风险的评估以防范风险。但是，道德风险的评估主观随意性较大，难以量化评估；而社会资本的评估过于抽象，也难以量化。基于此，Molodsov提出了软集合理论，该理论在处理不确定性问题的过程中引入近似解代替精确解的概念，有效地克服了传统数学方法的缺陷。申韬（2011）运用软集合理论对5家小额贷款公司进行了信用风险评估，选取了信用履约评价、偿债能力评价、盈利能力评价、经营及发展能力评价、综合评价5个指标作为参数，但由于5家公司评估指标都难以精确量化，该文通过对各评估指标“强”信息取值为1，“弱”信息取值为0，并请专家进行打分来实现风险评估，评估结果较为精确地反映了小额贷款公司的客户信用风险。可见，运用软集合理论可以对企业的财务信息和非财务信息做出一个合理的信用风险评估。
三、小贷信用风险评估模型构建
过去200年间，信用风险评估方法经历着行业变革和技术变革，单纯的主观判断和政策决策逐渐被其他的模型所取代。评估模型的选择取决于所需行业结构水平及大样本可获得性。小贷信用风险评估一般采用的是混合模型和数理模型。对于单纯仅使用专家评分法的情况很少。专家评分法主要表现为国际上通常对于非财务分析遵循的5C原则，即借款人的品格（Char-acte）r，能力（Capacity），资本（Capita）l，担保（Col-latera）l，环境（Condition）（周颖，毛定祥2006）。
（一）信用评分法
信用评分法就是混合模型的表现。Caouette，Altman，Narayanan(1998)指出当贷款对象信用记录不健全、信息获取较为困难时，信用风险评估通常采用综合企业财务因素和企业主个人因素的传统信用评分法。目前，信用评分法已经成为借贷机构是否发放贷款、贷款额度、贷款定价以及提高赢利性的决策支持工具（申韬，2011）。作为客户准入筛选的第一关，哈尔滨银行独立研发了小企业信用等级评定模型，对申请贷款的客户进行贷前评级打分。申请评分卡中最重要的四点是：①采用多行业区分，在客户准入上选取融资需求较集中的小企业所在的行业进行研究；②在评分卡中的非财务指标中增加了小微企业主这一因素；③根据第二还款来源对采取抵押担保方式进行贷款的小微企业进行担保评分；④对成长性指标和行业敏感性较高的个性指标等关键性指标调整（杨德明，2012）。这种申请评分法技术是对传统信用评分法的一种突破。它对硬信息的依赖程度大大降低，强化了非财务因素的作用，对于小贷公司信用风险管理有借鉴作用。但也有不足之处：其一，信贷员进行信用评分时难免会出现道德风险。这对小贷公司人员素质提出了高要求，无形中会增加人工成本。其二，贷款客户贷款时经常不具备担保物，不符合申请评分卡里面提供的担保项设置。因此，需要有更加客观和符合小贷公司情况的信用风险防范体系。
（二）基于神经网络模型的信用风险评估模型
人工神经网络（ArtificialNeuralNetwork），是基于对人脑神经网络结构及其功能的模仿而建立起的由大量处理单元相互联结成的智能化信息处理系统。通过这个系统可以实现非线性关系的操作（丛爽1998:1）。韩立群（2000）提出，神经网络具有高度的非线性，良好的容错性和联想记忆功能和较强的自适应性，能够大规模并行处理和分布式存储信息。神经网络由于对数据分布及自变量和因变量的函数关系的精确度要求不高，但其分类精度较高，因此成了信用风险评估领域的一个热点（马文勤，2010）。进入20世纪90年代，银行业引入神经网络将其用于信用风险评估。其风险评估主要是依靠其分类功能实现，即先找出一组对信用分类有影响的因素作为网络输入，再通过有教师或无教师训练建立信用风险评估模型，当输入新样本时该模型即可对其信用风险进行判别分类（沈艳2007）。马文勤（2010）基于BP神经网络建立了农户信用风险评估模型，并与基于Logit方法的农户信用风险评估模型比较得出，BP神经网络农户信用风险评估模型更加精确有效。该文选取了农户样本中的15个指标，将农户贷款行为分为违约类和非违约类，实证结果检验研究所建立的BP网络模型对违约类样本识别的准确率达到90%，因而可以将其作为农村信用社农户信用风险识别工具。吴冲，吕静杰，潘启树，刘云焘（2004）认为，信用风险的实质是信贷资金安全系数的不确定性，但一直以来信用风险评估在小贷公司被看成是对贷款企业进行“违约与否”的风险识别中的“分类”问题。随着信贷决策的日益复杂化，分类评估模式所反映的有限信息已远不能满足信贷风险决策的需要。基于此，这几位学者提出了建立基于模糊神经网络的小贷信用风险评估模型。该模型引入了贷款方式这一分类评估指标，这是对传统模型不区分贷款方式就进行信用风险的评估的一种改进。小贷公司贷款方式有：信用贷款、保证贷款、质押贷款、抵押贷款。同一企业在不同贷款方式下其信用风险是不同的，信用风险的评估结果应是某一特定贷款方式的量化值。该模型通过选取同一行业的短期贷款的样本数据进行实证研究，有效避免了由于不同行业带来的数据不可比问题。模型通过对营运能力因子、偿债能力因子、盈利能力因子和贷款方式因子训练发现，训练结果满意，可见模糊神经网络方法用于评估商业银行小额贷款信用风险非常适合。我们可以看到，模糊神经网络法是对专家评估法和信用评分法的一种改进，由于对数据的精确性要求不高，是分析小贷信用风险的非常好的一种方法。但同时我们也可以看到，其指标数据的选择大部分是财务数据，这对贷款客户财务信息的完备性提出了高要求。因此，如果将样本数据换成是软信息，再运用模糊神经网络模型进行分析，可能更适合于小贷公司信用风险的评估。
（三）基于模糊集合理论的信用风险评估模型
模糊集合理论(fuzzysets)于1965年由L.A.Zadeh教授提出，用以表达和解决模糊难以量化的问题。模糊综合评价法是基于模糊数学，将定性评价指标转化为定量评价指标的一种评估方法。一般评价步骤为，首先构建模糊综合评价的指标，确定被评价对象的因素集和评价集之间的函数关系，再确定各因素的权重以构建评价矩阵，最后将矩阵与因素的权重合成（模糊运算及归一化）得到模糊综合评价结果。它具有结果清晰，系统性强的特点，能较好地解决难以量化的问题，适合各种非确定性问题的解决。吕婷婷（2012）构建了基于模糊综合评价法的小额贷款公司风险评价模型。文章选取不良贷款率、贷款风险回报率、拨备充足率、正常关注类贷款迁徙率、贷款集中度、环保合格企业贷款余额占比作为信用风险的影响指标，实证结果得出拨备充足率对信用风险的影响权重最大，环保合格企业贷款余额占比对信用风险的影响最小。类似的能够解决模糊难以量化的问题的方法还有模糊层次分析法（FAHP）。模糊层次分析法（fuzzyanalytichierarchyprocess，FAHP）。模糊层次分析法是将模糊法和层次分析法（AHP）的优势结合而成的多准则决策方法。模糊层次分析方法能够准确地描述任意两个因素之间关于某准则的相对重要程度，能够很好地解决定性分析的抽象问题，得出的识别结果能较好地反映小额贷款公司的现实情况。李明（2014）运用模糊层次分析法（FAHP）进行风险识别，计算得出客户管理层特征维度、客户经营与决策能力维度、小额贷款公司关系能力维度、客户发展前景维度、客户偿债能力维度、客户贷款特征维度六个层面以及每个层面各个评估指标的模糊权重值，建立了小额贷款公司风险评价指标体系。该文从实际出发，根据专家意见，运用模糊层次分析法(FAHP)构建模糊互补判断矩阵，通过推导计算出矩阵指标层相对于目标层的权重，再通过对矩阵进行一致性检验表明其权向量结果的可靠性，最后得出风险识别结论，对小贷公司风险评估具有一定的指导意义。但是，由于不同的专家对小额贷款公司风险认识不同，在构建函数时具有很大的主观性，因此识别结果与现实有一定的差距。因此，为了得到理想的识别效果，专家根据不同的小贷公司的特点和环境来确定识别指标及权重至关重要。
（四）基于CreditMetrics的信用风险评估模型
CreditMetric模型是于1997年推出的用于量化信用风险的一种信用计量模型，通过计量风险价值来分析信用风险（宋志涛，2008）。CreditMetric模型中唯一的变量就是信用，模型认为违约是指借款人的信用等级下降，不管信用等级下降多少，都会给贷款人造成损失。模型最大的优势在于其对信用风险价值的估算，通过风险量化可以很直观地看到风险的变化。赵静（2012）选取了云南省农业银行某支行2010年以前的农户个人贷款为研究对象，构建了基于CreditMetrics信用计量模型的农户贷款风险预估体系，实证研究结果表明该银行目前VAR值较为合理，处于风险可接受状态。此模型首次提出了“边际风险贡献”的概念，将“债务人信用等级的变化”作为“违约”的一个考量因素，这不仅考虑到了违约风险，还将差额风险纳入其中，比较贴合实际。不过，该模型的分析需要大量的数据库做支撑，而目前由于我国的信用市场环境以及部分数据难以取得（如信用转移矩阵），CreditMetric模型在我国的运用受限，不过其对资产组合分析评价的方法和思想值得借鉴。
四、研究不足与展望
目前，国内对小额贷款公司风险管理的系统性理论研究和实证研究具有一定的局限性。从金融市场的发展趋势看，本领域具有更为广阔的研究空间。
（一）风险评估方法的局限性及数据库建立
当前信用风险指标的选取基本上是先通过专家分析法等主观地选取指标，相当于首先建立一个合理的假说，再通过层次分析法或其他方法对指标分配权重进一步筛选。这种指标选取的方法不可避免地带有主观性，如果没有建立在一个合理的假说之上的话，就会得出错误的结论。因此，建议建立一个更强大的小额贷款信用风险指标研究基础。目前的指标选取主要是以企业的方便样本为基础的，有些信息甚至是难以量化的，比如王延飞、高新兰（2013）提到的客户的社会资本和道德风险。在大数据时代背景下，这些软信息多半属于非结构化或半结构化信息（如图像、文本）。通过不断挖掘数据，运用数据处理工具―――统计、决策树、神经元、模糊逻辑、数学规划等，可以辅助我们更好地应用大数据进行决策。展望未来，建议通过完善相关法律法规政策，在小额贷款全行业内建立一个统一规范的小额贷款信用风险指标数据库，使每个客户的信用数据都记录其中，依托该数据库来建立各个小贷公司的信用风险评价体系。小贷公司再将信用评估体系评估得出的信用数据反馈录入到信用数据库，实现数据的高效共享。这样的规范不仅有助于小贷公司做出客户放贷的决策，以避免因主观选取指标带来的不同企业评估的差异性，同样也是客户以后在各个金融机构借贷的信用通行证。
（二）研究数据的不充分性及信用知识管理
由于小额信贷对象信用数据难以取得且不够完善，有些基于软信息的指标在定量化的过程中会出现研究定量依据不同的情况，而且，目前信用风险软信息指标本身是观察性数据，存在着很多偏倚，例如选择偏倚、混杂变量和缺乏普遍性（Lifeomics,2014）。每个信用风险评估模型都有其优劣性，即便证实了一个风险指标和客户信用风险存在强有力的关联，我们仍然需要寻找一些证据来证明它在信用风险相关领域中具有实用性（即评估其客户信息与信用风险之间的平衡）。因此如何取得和规范指标内容以及增强指标间的真实关联性的问题亟待解决。建议通过更为深入、广泛的实地调研，多渠道(银行、农信社、证券公司、其他小贷公司、客户所在公司或家庭状况等)直接或间接地搜集客户信用指标，在样本容量充足的前提条件下，结合贷款客户的特点，提炼出更加完善、标准化的客户数据，以期进一步补充、提炼小额贷款公司信用风险评估指标，形成更具科学合理性、简约性、有效性和广泛适用性的小额贷款公司信用风险评估指标体系。此外，要证明样本数据的有效性和实用性，就需要对统计数据进行显著性检验，以区分真实关联还是虚假关联；就需要科学地选取计量模型，充分了解各模型的缺陷，防止检验失效。在进行数据搜集和提炼的过程中，同时要注意成本-效益问题。信用风险管理领域的各项研究是一个重复性较高的过程，需综合考虑成本-效益问题。机器学习算法（machinelearningalgorithm）将有助于知识内容管理（Lifeomics,2014）。建议通过开展知识管理，加强知识共享、知识转移和知识创新，建立公开透明的贷款客户信用档案制度，以降低信用风险的搜索成本。
（三）研究对象的不可比性及信用指标选取
由于农户和小微企业，其信用等级不同，因此不同贷款对象的信用风险评级结果会存在不可比性。建议根据贷款客户的特点，建立具有差异化的客户信用评级体系，以消除不同客户类型带来的数据不可比问题。由于不同行业贷款客户信用信息存在差异，建议通过选取同一行业的贷款样本数据进行实证研究，以避免由于不同行业带来的数据不可比问题。
作者：杨平波 朱雅斯 单位：湖南商学院
成本控制论文 中小企业论文 企业发展论文 市场营销论文 经济学论文 国际贸易论文 低碳经济论文 农业经济论文 循环经济论文 中国经济论文 世界经济论文 建筑经济论文 市场经济论文 海洋经济论文 煤炭经济论文 工程经济论文 经济师论文 农村经济论文 经济发展论文 对外贸易经济论文 经济增长论文 经贸发展论文 贸易合作论文 实体经济论文 虚拟经济论文 经济纠纷论文 国民经济论文 绿色经济论文 科学发展论文 林业经济论文
