面向小微企业的农村商业银行信贷决策研究

曾凡龙 倪静 王钰华

摘   要：信贷业务是当前商业银行的主营业务，而信贷决策的科学性和合理性对于降低银行信贷风险具有重要意义。本文结合当前我国农村商业银行在面对新增小微信贷客户时决策效用不足、不良贷款率居高不下等问题，以及农村商业银行信贷流程特点和小微企业的经营特点，提出了基于理想点和LHA算子的银行信贷群决策模型，并通过算例分析，验证了该模型对于解决信贷决策问题的有效性和合理性，为农村商业银行信贷决策提供参考。

关键词：信貸决策;理想点;LHA算子;群决策

DOI：10.3969/j.issn.1003-9031.2020.11.001

中图分类号：F832文献标识码：A           文章编号：1003-9031（2020）11-0003-08

一、引言

为贯彻落实我国普惠金融政策，原中国银监会印发《中国银监会办公厅关于2018年推动银行业小微企业金融服务高质量发展的通知》，银保监会印发《关于2020年推动小微企业金融服务“增量扩面、提质降本”有关工作的通知》。我国小微企业虽得到了更多的金融支持，但以小微企业为金融服务主体的农村商业银行也面临着更多的挑战。银保监会官网显示，近三年我国农村商业银行不良贷款率总体呈不断上涨趋势，且远远高于商业银行相对稳定的不良贷款率总体水平（见图1）。李建等（2020）认为产生这一问题的内部原因主要是农村商业银行受自身经营规模小、产品开发能力不足、技术应用能力水平较低、信贷人员素质等因素影响，缺乏风险管理和科学信贷决策的能力;外部原因在于农村商业银行的服务对象主要是小微企业，而小微企业质量良莠不齐、盈利能力不强、信用观念淡漠、风险抵御能力普遍较差。对于外部原因，作为信贷决策者的农村商业银行无法控制;对于内部原因，农村商业银行要想降低银行信贷风险、优化资金配置就必须建立健全其信贷决策体系。

二、文献综述

目前银行信贷决策的内容包括对已有信贷客户进行清退、压缩、维持、支持的决策及对新增信贷申请企业的信贷投放决策。针对已有信贷客户的信贷决策问题，学者们建立了众多风险评估模型。葛永波等（2017）在经济新常态背景下对农商行信贷风险影响因子进行估计，并构建了风险即时估测预警模型。霍源源等（2019）基于Probit模型构建了制造业企业信用风险评估方法预测企业违约事件发生的概率，为银行对制造业企业信用风险的防范提供了决策支持。陈林等（2015）基于对违约风险控制和贷款收益管理的多目标决策，构建了企业集团成员企业授信额度优化配置模型。随着算法知识的发展和运用，基于神经网络、支持向量机、领域粗糙集等信用风险评估模型也相继建立起来，这些模型虽能够较为准确地评价信贷风险，但其缺点是必须基于大量且可靠的历史统计数据，这对中国当前金融基础设施而言存在一定的困难。一是众多企业基于信息安全的考量没有完全公开与信贷评价相关的重要数据;二是我国信贷征信体系建设起步较晚，信贷征信体系不够完善。这也就意味着，面对新的信贷申请客户时银行将因缺乏该客户的信贷历史数据，而使依据以上模型所作决策的科学性大打折扣。为解决历史数据缺失情况下银行信贷决策问题，曾凡龙等（2020）基于动态信任机制，构建了一个融合信任场原理和机器学习技术的银行信贷业务决策模型，并通过实验证实该模型能够有效剔除新增上市型信贷企业（该类企业具有大量公开且经过审计的数据）中的问题企业。但该模型在面对缺乏学习样本数据的新增小型微型信贷客户时，又将束手无策。

针对现有研究的不足，本文借鉴徐泽水（2004）提出的基于理想点和LHA算子的多属性群决策方法建立了符合农村商业银行高风险管理要求特点的信贷群决策模型。理想点和LHA算子模型是多属性群决策理论的众多决策方法之一，多属性群决策理论对于具有不确定性、数据信息不完整的决策领域具有极大的信息集成优势，目前该理论在企业合作伙伴选择领域有着广泛的应用。其中，庞继芳等（2015）考虑煤炭企业在物资供应商选择过程中的模糊性、群体性及多阶段等特点，提出一种基于模糊多属性群决策的多阶段供应商选择模型;吴菲菲等（2019）运用多属性决策方法对企业跨产业研发合作伙伴进行了识别与选择;周卫标（2020）基于FEAHP法和模糊理想点法建立了B2R低碳物流服务商选择模型。本文汲取以上多属性群决策理论成功运用的经验，从规范对小微企业的信贷投放决策视角，将基于理想点和LHA算子的多属性群决策方法引入到农村商业银行信贷决策领域，以解决或缓解农村商业银行不良贷款率居高不下的问题，以及通过算例分析证明所提模型的有效性和可行性。

三、银行信贷群决策模型构建

（一）决策理论基础

（二）小微企业评价指标体系构建

本文借鉴王帅（2014）、刘福毅（2010）、张润驰（2018）等在企业信用风险评价中构建的评价指标体系，结合小微企业的特点构建了面向小微企业的信贷评价指标体系（见表1）。

（三）决策步骤

四、算例计算及分析

（一）算例计算

本文算例设置为4个备选信贷申请企业，并邀请3位银行信贷决策领域的专家进行决策。将4个信贷申请企业各个指标的基本情况做好统计，以便3位决策者运用语言标度S={s-5，…，s5}{极差，很差，差，较差，稍差，一般，稍好，较好，好，很好，极好}对4个备选信贷申请企业的各指标进行评估。廖虎昌（2017）等认为通常情况下，如果没有证据表明不同决策者之间的显著差异，则可以认定三位决策者的权重向量为？姿=（1/3，1/3，1/3）。3位决策者根据语言标度理论以及对4个备选企业各指标的基本情况进行的专业判断，分别给出各自的语言评估矩阵①（见表2）。

根据三位决策者给出的评估矩阵及式（5）计算得到方案的理想点：

根据计算得到的理想点、三位决策者给出的评估矩阵的指标值及式（2）可计算得到三个偏差分量矩阵表（见表3）。

参考刘福毅（2010）在企业评级计分卡中各项评价指标分数占比得到本文18个指标的权重向量？棕为：（0.08，0.08，0.06，0.08，0.04，0.04，0.04，0.04，0.04，0.05，0.25，0.03，0.02，0.03，0.02，0.03，0.03，0.04）。根据指标权重向量及式（3）可以计算得到每位决策者的每个方案与方案正理想点之间的偏差。计算结果如下：

由上述排序结果可得，农村商业银行在面对这四家新的信贷申请企业时的最优信贷投放对象为x4。银行可以根据自身资金池的实际情况、国家关于普惠金融的相应政策及上述评估结果，选择一个或多个企业作为信贷投放对象。

（二）对比分析

将本文4个备选企业的基本情况代入刘福毅，庆建奎（2010）研究结果，得到的各企业的评分结果为：x1=67，x2=88，x3=68，x4=91。将该评分排序后得到的信贷决策结果与本文方法得到的结果相同，这从侧面证明了本文所提出的信贷决策方法的有效性和合理性。此外，本文基于理想点和LHA算子的银行信贷决策方法具备传统计分卡法所不具备的优势：

1.决策信息完整性优势。传统信贷决策方法在评估信贷申请企业时通常会产生信息缺失。如传统评估模式设置或有负债率低于30%就能得到该项指标的满分，高于该标准则该项指标不得分，那么将会导致或有负债率为10%的企业与或有负债率为29%的企业都获得该项指标的满分，这显然是不科学的，此时传统方法产生了决策信息缺失的问题。本文信贷决策方法设置了丰富的语言标度，决策者能够根据专业判断给出与或有负债率相适应的语言评价值，这在一定程度上保证了决策信息的完整性。

2.决策精度优势。传统的企业评级计分卡法的评估结果得到的均是整数解，这种解容易导致评估对象出现同分的情况，此时该方法将会失效。在本文算例中传统方法评估下x1和x3、x2和x4评分结果几乎相同，就是传统方法可能失效的证明。在面对较大规模的信贷决策对象时，传统方法失效的可能性会随之增大。本文提出的信贷决策方法通常都精确到小数点后三位甚至后四位，此时同分失效的可能性将会大大降低。

3.决策安全性优势。从近年来各地曝出的企业骗贷事件、信贷决策者贪污受贿事件来看，我国商业银行信贷决策存在安全性问题。本文提出的方法属于群决策模式，群决策模式不仅能够集群智群力提升对骗贷企业的识别力度，也能够较大程度上规避传统信贷决策模式下一言堂决策可能带来的银行贪腐问题。

五、结论与启示

为贯彻落实党中央、国务院关于统筹推进新冠肺炎疫情防控和经济社会发展、强化“六稳”举措、进一步缓解企业融资难融资贵问题的重要决策部署，各类商业银行责任重大，尤其是农村商业银行在响应国家金融政策的同时也要守住信贷风险的底线。本文以多属性群决策理论为基础，运用理想点和LHA算子建立了面向小微企业的农村商业银行信贷决策模型。经过算例分析，证明了本文模型相较于传统的商业银行信贷决策方法的有效性。

本文得到如下启示：一是信贷征信体系亟待完善。本文模型中涉及众多信贷企业评估指标，无论是对指标进行定性还是定量分析，都需要充分掌握企业的基本信用状况。完善的信贷征信体系将有助于支撑农村商业银行进行科学合理的信贷决策。二是建设良好的小微企业生存环境。本文模型是从农村商业银行视角出发，通过加强自身信贷决策水平以降低信贷风险，但很难解决由于小微企业自身经营状况不佳、还款能力不足等外部因素所导致的信贷风险问题，全社会需要协同努力，为建设公平公正的小微企业生存环境保驾护航。三是建设完整的信贷法规体系及失信惩戒制度。没有规矩不成方圆，完善的信贷法律法规体系及失信惩戒制度，能够增强小微企业主对于法律的敬畏及对自身信用形象的重视。

（责任编辑：孟洁）

参考文献：

[1]李建，金田林，窦尔翔.农村商业银行小微企业信贷治理问题研究——基于TIF视角的分析[J].上海金融，2020（6）：49-55.

[2]葛永波，曹婷婷，陈磊.农商行小微贷款风险评估及其预警[J].农业技术经济，2017（9）：105-115.

[3]霍源源，姚添译，李江.基于Probit模型的中国制造业企业信贷风险测度研究[J].预测，2019（4）：76-82.

[4]陈林，周宗放.商业银行集团客户统一授信额度的优化配置研究[J].中国管理科学，2015，23（2）：39-43.

[5]曾凡龙，倪静.历史数据缺失情况下银行信贷决策研究——基于谨慎信任场和机器学习的模型构建[J].金融监管研究，2020（3）：85-98.

[6]徐泽水.不确定多属性决策方法与应用[M].北京：清华大学出版社，2004.

[7]庞继芳，宋鹏.面向大型煤炭企业的物资供应商评价与选择研究[J].华东经济管理，2015（2）： 117-122.

[8]吴菲菲，李睿毓，黄鲁成.企业跨产业研发合作伙伴识别与选择[J].情报杂志，2019（9）： 42-48.

[9]周卫标.基于FEAHP法和模糊理想点法的B2R低碳物流决策方法[J].模糊系统与数学，2020（2）：135-141.

[10]王帅，杨培涛，黄庆雯.基于多层次模糊综合评价的中小企业信用风险评估[J].财经理论与实践，2014（5）：13-17.

[11]刘福毅，庆建奎.联合评级、风险管理与信贷决策流程再造：寿光农商行案例[J].金融发展研究，2010（9）：43-47.

[12]张润驰.我国小微企业贷款信用风险评估模型研究[D].南京：南京大学博士论文，2018.

[13]廖虎昌.直覺模糊偏好决策理论与方法[M].北京：科学出版社，2017.

[14]Bahrammirzaee A.A Comparative Survey of Artificial Intelligence Applications in Finance：Artificial Neural Networks，Expert System and Hybrid Intelligent Systems[J].Neural Computing & Applications，2010，19（8）：1165-1195.

[15]Erdal H， Ekinci A.A Comparison of Various Artificial Intelligence Methods in the Prediction of Bank Failures[J].Computational Economics，2013，42（2）：199-215.

[16]Danenas P，Garsva G.Selection of Support Vector Machines Based Classifiers for Credit Risk Domain[J].Expert System With Applications，2015（42）：3194-3204.

[17]Yao P，Lu Y H.Neighborhood Rough Set and SVM Based Hybrid Credit Scoring Classifier[J].Expert System With Applications，2011，38（9）：11300-11304.

收稿日期：2020-09-25

作者简介：曾凡龙（1995-），男，江西鹰潭人，上海理工大学管理学院硕士研究生;

倪    静（1972-），女，上海人，上海理工大学管理学院副教授;

王钰华（1996-），女，安徽宣城人，现供职于宁波金田铜业集团。