小微企业信用风险因素识别浅析　

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

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