小額貸款公司信用風(fēng)險評估研究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了小額貸款公司信用風(fēng)險評估研究范文，希望能給你帶來靈感和參考，敬請閱讀。

我國小額貸款公司開始于20世紀(jì)70年代，其成立的初衷是為農(nóng)戶、個體工商戶和小微企業(yè)融資問題開辟一條新的道路。小額貸款是指通過金融機構(gòu)，向那些具有一定償債能力但從未或很少從正規(guī)金融機構(gòu)獲得融資的微小經(jīng)濟體（包括農(nóng)戶、城市個體工商戶等非法人機構(gòu)）所提供的一種額度小、期限短、利率較高的持續(xù)性貸款服務(wù)。本文采用文獻研究法，按照信用風(fēng)險評估指標(biāo)和評估方法分類進行評述，以期達到以下兩個目的：①發(fā)現(xiàn)我國小貸信用風(fēng)險研究在指標(biāo)選取上、評估方法選擇上的特征，為學(xué)者的后續(xù)研究提供基礎(chǔ)；②提出加強和完善相關(guān)研究的建議和方向，為小額貸款公司識別和控制信用風(fēng)險提供有效借鑒。

一、小額貸款信用風(fēng)險的界定及成因

（一）小額貸款信用風(fēng)險界定

信用風(fēng)險包括借款人無法償還債務(wù)的違約風(fēng)險和信用質(zhì)量下降的遷移風(fēng)險，是金融機構(gòu)面臨的最主要風(fēng)險，也是最難以量化的風(fēng)險類型之一（王力偉，2013）。小額貸款公司風(fēng)險主要集中于信用風(fēng)險、自然風(fēng)險和資金來源風(fēng)險（孫穎，2008）。同時在貸款業(yè)務(wù)的單一性、區(qū)域有限性和貸款對象特殊性的影響下,其信用風(fēng)險最為嚴(yán)重（李修平2009）。借款人的違約風(fēng)險主要來自于兩個方面，道德風(fēng)險和逆向選擇（李玉福，付代軍，2007）。比如，招商銀行信貸產(chǎn)品的標(biāo)準(zhǔn)化導(dǎo)致產(chǎn)品過于清晰，一些中介和擔(dān)保公司利用這些信息給客戶進行包裝，客戶經(jīng)理也可能參與作假，增加了道德風(fēng)險。而隨著銀行小微信貸的興起，資質(zhì)好的客戶會選擇銀行進行小微貸，資質(zhì)弱的客戶只能來小貸公司，導(dǎo)致劣幣驅(qū)逐良幣（唐華，2013）。小額貸款公司雖然發(fā)展迅速，但是還不具備足夠的風(fēng)險評估技術(shù)和信用風(fēng)險控制體系從而降低貸前的逆向選擇和貸后的道德風(fēng)險（辛鑫，王文榮2010)。除了債務(wù)人本身的信用問題，宏觀經(jīng)濟的變動性也是信用風(fēng)險的產(chǎn)生原因之一（李明，2015）。另外，不可忽視的是，信用風(fēng)險也包括購買力風(fēng)險。購買力風(fēng)險是指未預(yù)期的高通貨膨脹率所帶來的風(fēng)險（曼昆，2011），當(dāng)實際通貨膨脹率高于借款人預(yù)期時，實際還款額就會減少，小貸公司就會蒙受損失。

（二）小額貸款信用風(fēng)險成因

信用風(fēng)險防范一直是小貸公司的劣勢，盡管在設(shè)立時，各試點省明確要求小貸公司建立信用風(fēng)險控制措施，但是大部分地區(qū)并沒有明確規(guī)定。小貸公司的信用風(fēng)險成因可以劃分為：外部原因和內(nèi)部原因，個體原因和集體原因。學(xué)者們從宏觀市場、貸款對象、擔(dān)保公司和中介公司等主體入手探究外部成因。就宏觀市場而言，通貨膨脹率高于預(yù)期的時候小貸公司蒙受的利率損失就高，信用風(fēng)險就會增大（曼昆，2011）。就貸款對象而言，小貸公司的信用風(fēng)險主要是由貸款對象的特殊性所造成的。而作為小貸主要對象的農(nóng)戶和中小企業(yè)本身，自我防范風(fēng)險能力較差，因而風(fēng)險就轉(zhuǎn)移到了小貸公司(孫思磊，2006)。因此小額貸款業(yè)務(wù)的違約率與貸款本金、利率、貸款客戶的生產(chǎn)收益率以及違約的信用懲罰之間有著密切聯(lián)系（王廷飛，高新蘭，2013）。就擔(dān)保和中介公司而言，由于存在投機行為和信息不對稱，其很可能會通過給貸款人進行信息包裝而發(fā)生道德風(fēng)險和逆向選擇。內(nèi)部運營模式、風(fēng)險控制機制、從業(yè)人員素質(zhì)，貸款業(yè)務(wù)特征及資金來源的單一性等成為信用風(fēng)險的主要內(nèi)部因素。董軍（2010）認為內(nèi)部運營模式導(dǎo)致了小貸公司的信用風(fēng)險。盡管在設(shè)立時，各試點省(區(qū))明確要求小額貸款公司建立一系列信用風(fēng)險控制措施，比如準(zhǔn)備金制度、風(fēng)險保障基金等，但是大部分地區(qū)并沒有對此進行明確的規(guī)定（李明，2015）。就從業(yè)人員的素質(zhì)而言，金珍珍（2009）認為，人才的缺失，例如：前端客戶經(jīng)理素質(zhì)不高，風(fēng)險預(yù)警員疏于職守，加劇了小貸公司信用風(fēng)險的發(fā)生概率。貸款業(yè)務(wù)的單一性和資金來源的受限性導(dǎo)致了借款人一旦違約，貸款就難以及時回收（張小倩，2008）。此外，除了對單個貸款主體違約成因的研究，人們也已經(jīng)很早就注意到了違約聚集的現(xiàn)象。即違約不是孤立發(fā)生的，而是存在一定的聚集現(xiàn)象，表明借款人之間存在一定的違約相關(guān)性（王力偉2013）。人們觀察到經(jīng)濟上行期違約發(fā)生相對較少，經(jīng)濟下行期往往出現(xiàn)違約聚集的現(xiàn)象。例如，宏觀經(jīng)濟因素和行業(yè)景氣度，企業(yè)間直接的關(guān)系鏈等都會造成企業(yè)違約聚集。

二、小貸信用風(fēng)險評估指標(biāo)設(shè)計

對于指標(biāo)的分類，大致有如下2種分類方法：按貸款主體分類為農(nóng)戶、個體工商戶和小微企業(yè)3類指標(biāo)，按貸款信息分類為硬信息和軟信息2類指標(biāo)。

（一）貸款主體分類指標(biāo)

小額貸款的對象是農(nóng)戶、個體工商戶及小微企業(yè)。因此風(fēng)險評估指標(biāo)的樣本對象必須是這三者。當(dāng)前對小貸信用風(fēng)險的研究，國內(nèi)實證研究基本上是圍繞商業(yè)銀行農(nóng)戶、小微企業(yè)小額貸款、農(nóng)村信用社及小額貸款公司的貸款樣本展開。關(guān)于農(nóng)戶指標(biāo)的選?。厚R文勤（2010）選取了2009年陜西省楊凌區(qū)三家農(nóng)村信用社農(nóng)戶的15個指標(biāo)來判斷其是否違約，包括戶主年齡、戶主性別、家庭人口數(shù)、家庭勞動力數(shù)、耕地面積、農(nóng)業(yè)收入、非農(nóng)收入、年總支出、信用社入股金額、房屋價值、機械價值、其他資產(chǎn)價值、貸款數(shù)額、貸款用途、貸款月利率共15個指標(biāo)。陳良維（2008）在前者的基礎(chǔ)上增加了文化程度、家庭資產(chǎn)總額、貸款歷史、信用賬戶數(shù)目、信用申請情況、司法記錄情況和月還款占收入比7個指標(biāo)。劉暢、方靚、晏江、熊學(xué)萍（2009）增加了農(nóng)戶參保情況、村委會評價及是否遭受經(jīng)濟損失3個指標(biāo)。劉澤雙、王光宇、段曉亮（2009）對農(nóng)戶小貸信用風(fēng)險的指標(biāo)進行了歸類，將其分為表層直接因素、中層直接因素及深層根本因素。孫清、汪祖杰（2006）選取的江蘇省北部某農(nóng)村信用社480個貸款數(shù)據(jù)中，以財產(chǎn)水平、負債狀況、受教育程度、借款用途4個指標(biāo)作為評估依據(jù)?？梢钥吹?，對農(nóng)戶指標(biāo)的選取，家庭成員特征、耕地及其他資產(chǎn)狀況、家庭收入狀況、家庭信用情況、貸款特征這五項是重要的考量指標(biāo)。其中，由于農(nóng)戶自身財務(wù)數(shù)據(jù)的缺乏，非財務(wù)數(shù)據(jù)的考量占據(jù)了非常重要的地位。個體工商戶及小微企業(yè)信用風(fēng)險指標(biāo)選取：對于小微企業(yè)的信用風(fēng)險的研究，多數(shù)學(xué)者集中在商業(yè)銀行小貸部門信用風(fēng)險的研究及小貸公司信用風(fēng)險的研究。這里探討的個體工商戶和小微企業(yè)是指其財務(wù)數(shù)據(jù)不足以支撐其獲得商業(yè)銀行貸款資格的企業(yè)，其財務(wù)數(shù)據(jù)通常具備不完備性、不易獲取性。因此，非財務(wù)因素的評估十分重要。楊德明（2012）在哈爾濱銀行小企業(yè)信用等級評定指標(biāo)中，特別強調(diào)了要強化非財務(wù)因素的作用，并在申請評分卡的非財務(wù)指標(biāo)中增加了小微企業(yè)主這一因素。結(jié)合國內(nèi)各大商業(yè)銀行操作的實際情況，將企業(yè)信用非財務(wù)體系歸納為以下五大方面：企業(yè)管理環(huán)境、企業(yè)核心競爭力、行業(yè)發(fā)展前景、企業(yè)經(jīng)營管理水平（領(lǐng)導(dǎo)者素質(zhì)、員工素質(zhì)、組織制度、決策機制、人事管理、財務(wù)制度建設(shè)）、企業(yè)信譽狀態(tài)。

（二）貸款信息分類指標(biāo)

貸款信息包括軟信息和硬信息。非財務(wù)信息也稱軟信息（softinformation），通常由信貸員提供（李明，2014）。在信息不對稱和不完全契約環(huán)境下，小貸客戶信用風(fēng)險的評估對關(guān)系型借貸特別看重(Bel-louma,Bennaceur&Omri,2005)。Peterson（1999），認為關(guān)系型借貸所傳遞出的信息對小型企業(yè)而言更有價值。因為關(guān)系型借貸不僅涉及企業(yè)財務(wù)信息和經(jīng)營狀況，還涉及難以量化、傳遞的軟信息（申韜，2011）。王鎖柱，李懷祖（2004）認為硬信息是客觀存在的信息的反映，軟信息是含有涉及主體的價值觀念和知識結(jié)構(gòu)的主觀判斷的信息，主觀判斷涉及主體的價值觀念和知識結(jié)構(gòu)，是一種區(qū)別于是非判別的個人偏好。由于當(dāng)前小貸公司信貸員具有一定的貸款決策權(quán)，因此，在將軟信息內(nèi)容作為評估指標(biāo)時，很容易產(chǎn)生評估不夠客觀公正，甚至是道德風(fēng)險。王延飛、高新蘭（2013）提出，要建立以社會資本和道德風(fēng)險為核心的信用風(fēng)險評價機制，特別強調(diào)對道德風(fēng)險和社會資本的評價。他們認為，業(yè)主社會聲譽、生活習(xí)性及家庭因素是衡量其道德風(fēng)險的重要指標(biāo)，且這些因素是判別其生產(chǎn)經(jīng)營能否正常運行的關(guān)鍵因素。另外，業(yè)主的社交網(wǎng)絡(luò)、信任合作是衡量其社會資本的重要指標(biāo)，社會資本越豐富，則其外部約束越大，就能夠越多地補償貸款信用風(fēng)險。這種評估指標(biāo)的選取更加符合小額貸款公司的實際情況，指出了小貸公司在信用評估過程中遇到的兩個關(guān)鍵問題：社會資本的評估以補償風(fēng)險，道德風(fēng)險的評估以防范風(fēng)險。但是，道德風(fēng)險的評估主觀隨意性較大，難以量化評估；而社會資本的評估過于抽象，也難以量化?；诖?，Molodsov提出了軟集合理論，該理論在處理不確定性問題的過程中引入近似解代替精確解的概念，有效地克服了傳統(tǒng)數(shù)學(xué)方法的缺陷。申韜（2011）運用軟集合理論對5家小額貸款公司進行了信用風(fēng)險評估，選取了信用履約評價、償債能力評價、盈利能力評價、經(jīng)營及發(fā)展能力評價、綜合評價5個指標(biāo)作為參數(shù)，但由于5家公司評估指標(biāo)都難以精確量化，該文通過對各評估指標(biāo)“強”信息取值為1，“弱”信息取值為0，并請專家進行打分來實現(xiàn)風(fēng)險評估，評估結(jié)果較為精確地反映了小額貸款公司的客戶信用風(fēng)險?？梢?，運用軟集合理論可以對企業(yè)的財務(wù)信息和非財務(wù)信息做出一個合理的信用風(fēng)險評估。

三、小貸信用風(fēng)險評估模型構(gòu)建

過去200年間，信用風(fēng)險評估方法經(jīng)歷著行業(yè)變革和技術(shù)變革，單純的主觀判斷和政策決策逐漸被其他的模型所取代。評估模型的選擇取決于所需行業(yè)結(jié)構(gòu)水平及大樣本可獲得性。小貸信用風(fēng)險評估一般采用的是混合模型和數(shù)理模型。對于單純僅使用專家評分法的情況很少。專家評分法主要表現(xiàn)為國際上通常對于非財務(wù)分析遵循的5C原則，即借款人的品格（Char-acte）r，能力（Capacity），資本（Capita）l，擔(dān)保（Col-latera）l，環(huán)境（Condition）（周穎，毛定祥2006）。

（一）信用評分法

信用評分法就是混合模型的表現(xiàn)。Caouette，Altman，Narayanan(1998)指出當(dāng)貸款對象信用記錄不健全、信息獲取較為困難時，信用風(fēng)險評估通常采用綜合企業(yè)財務(wù)因素和企業(yè)主個人因素的傳統(tǒng)信用評分法。目前，信用評分法已經(jīng)成為借貸機構(gòu)是否發(fā)放貸款、貸款額度、貸款定價以及提高贏利性的決策支持工具（申韜，2011）。作為客戶準(zhǔn)入篩選的第一關(guān)，哈爾濱銀行獨立研發(fā)了小企業(yè)信用等級評定模型，對申請貸款的客戶進行貸前評級打分。申請評分卡中最重要的四點是：①采用多行業(yè)區(qū)分，在客戶準(zhǔn)入上選取融資需求較集中的小企業(yè)所在的行業(yè)進行研究；②在評分卡中的非財務(wù)指標(biāo)中增加了小微企業(yè)主這一因素；③根據(jù)第二還款來源對采取抵押擔(dān)保方式進行貸款的小微企業(yè)進行擔(dān)保評分；④對成長性指標(biāo)和行業(yè)敏感性較高的個性指標(biāo)等關(guān)鍵性指標(biāo)調(diào)整（楊德明，2012）。這種申請評分法技術(shù)是對傳統(tǒng)信用評分法的一種突破。它對硬信息的依賴程度大大降低，強化了非財務(wù)因素的作用，對于小貸公司信用風(fēng)險管理有借鑒作用。但也有不足之處：其一，信貸員進行信用評分時難免會出現(xiàn)道德風(fēng)險。這對小貸公司人員素質(zhì)提出了高要求，無形中會增加人工成本。其二，貸款客戶貸款時經(jīng)常不具備擔(dān)保物，不符合申請評分卡里面提供的擔(dān)保項設(shè)置。因此，需要有更加客觀和符合小貸公司情況的信用風(fēng)險防范體系。

（二）基于神經(jīng)網(wǎng)絡(luò)模型的信用風(fēng)險評估模型

人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork），是基于對人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其功能的模仿而建立起的由大量處理單元相互聯(lián)結(jié)成的智能化信息處理系統(tǒng)。通過這個系統(tǒng)可以實現(xiàn)非線性關(guān)系的操作（叢爽1998:1）。韓立群（2000）提出，神經(jīng)網(wǎng)絡(luò)具有高度的非線性，良好的容錯性和聯(lián)想記憶功能和較強的自適應(yīng)性，能夠大規(guī)模并行處理和分布式存儲信息。神經(jīng)網(wǎng)絡(luò)由于對數(shù)據(jù)分布及自變量和因變量的函數(shù)關(guān)系的精確度要求不高，但其分類精度較高，因此成了信用風(fēng)險評估領(lǐng)域的一個熱點（馬文勤，2010）。進入20世紀(jì)90年代，銀行業(yè)引入神經(jīng)網(wǎng)絡(luò)將其用于信用風(fēng)險評估。其風(fēng)險評估主要是依靠其分類功能實現(xiàn)，即先找出一組對信用分類有影響的因素作為網(wǎng)絡(luò)輸入，再通過有教師或無教師訓(xùn)練建立信用風(fēng)險評估模型，當(dāng)輸入新樣本時該模型即可對其信用風(fēng)險進行判別分類（沈艷2007）。馬文勤（2010）基于BP神經(jīng)網(wǎng)絡(luò)建立了農(nóng)戶信用風(fēng)險評估模型，并與基于Logit方法的農(nóng)戶信用風(fēng)險評估模型比較得出，BP神經(jīng)網(wǎng)絡(luò)農(nóng)戶信用風(fēng)險評估模型更加精確有效。該文選取了農(nóng)戶樣本中的15個指標(biāo)，將農(nóng)戶貸款行為分為違約類和非違約類，實證結(jié)果檢驗研究所建立的BP網(wǎng)絡(luò)模型對違約類樣本識別的準(zhǔn)確率達到90%，因而可以將其作為農(nóng)村信用社農(nóng)戶信用風(fēng)險識別工具。吳沖，呂靜杰，潘啟樹，劉云燾（2004）認為，信用風(fēng)險的實質(zhì)是信貸資金安全系數(shù)的不確定性，但一直以來信用風(fēng)險評估在小貸公司被看成是對貸款企業(yè)進行“違約與否”的風(fēng)險識別中的“分類”問題。隨著信貸決策的日益復(fù)雜化，分類評估模式所反映的有限信息已遠不能滿足信貸風(fēng)險決策的需要?；诖耍@幾位學(xué)者提出了建立基于模糊神經(jīng)網(wǎng)絡(luò)的小貸信用風(fēng)險評估模型。該模型引入了貸款方式這一分類評估指標(biāo)，這是對傳統(tǒng)模型不區(qū)分貸款方式就進行信用風(fēng)險的評估的一種改進。小貸公司貸款方式有：信用貸款、保證貸款、質(zhì)押貸款、抵押貸款。同一企業(yè)在不同貸款方式下其信用風(fēng)險是不同的，信用風(fēng)險的評估結(jié)果應(yīng)是某一特定貸款方式的量化值。該模型通過選取同一行業(yè)的短期貸款的樣本數(shù)據(jù)進行實證研究，有效避免了由于不同行業(yè)帶來的數(shù)據(jù)不可比問題。模型通過對營運能力因子、償債能力因子、盈利能力因子和貸款方式因子訓(xùn)練發(fā)現(xiàn)，訓(xùn)練結(jié)果滿意，可見模糊神經(jīng)網(wǎng)絡(luò)方法用于評估商業(yè)銀行小額貸款信用風(fēng)險非常適合。我們可以看到，模糊神經(jīng)網(wǎng)絡(luò)法是對專家評估法和信用評分法的一種改進，由于對數(shù)據(jù)的精確性要求不高，是分析小貸信用風(fēng)險的非常好的一種方法。但同時我們也可以看到，其指標(biāo)數(shù)據(jù)的選擇大部分是財務(wù)數(shù)據(jù)，這對貸款客戶財務(wù)信息的完備性提出了高要求。因此，如果將樣本數(shù)據(jù)換成是軟信息，再運用模糊神經(jīng)網(wǎng)絡(luò)模型進行分析，可能更適合于小貸公司信用風(fēng)險的評估。

（三）基于模糊集合理論的信用風(fēng)險評估模型

模糊集合理論(fuzzysets)于1965年由L.A.Zadeh教授提出，用以表達和解決模糊難以量化的問題。模糊綜合評價法是基于模糊數(shù)學(xué)，將定性評價指標(biāo)轉(zhuǎn)化為定量評價指標(biāo)的一種評估方法。一般評價步驟為，首先構(gòu)建模糊綜合評價的指標(biāo)，確定被評價對象的因素集和評價集之間的函數(shù)關(guān)系，再確定各因素的權(quán)重以構(gòu)建評價矩陣，最后將矩陣與因素的權(quán)重合成（模糊運算及歸一化）得到模糊綜合評價結(jié)果。它具有結(jié)果清晰，系統(tǒng)性強的特點，能較好地解決難以量化的問題，適合各種非確定性問題的解決。呂婷婷（2012）構(gòu)建了基于模糊綜合評價法的小額貸款公司風(fēng)險評價模型。文章選取不良貸款率、貸款風(fēng)險回報率、撥備充足率、正常關(guān)注類貸款遷徙率、貸款集中度、環(huán)保合格企業(yè)貸款余額占比作為信用風(fēng)險的影響指標(biāo)，實證結(jié)果得出撥備充足率對信用風(fēng)險的影響權(quán)重最大，環(huán)保合格企業(yè)貸款余額占比對信用風(fēng)險的影響最小。類似的能夠解決模糊難以量化的問題的方法還有模糊層次分析法（FAHP）。模糊層次分析法（fuzzyanalytichierarchyprocess，F(xiàn)AHP）。模糊層次分析法是將模糊法和層次分析法（AHP）的優(yōu)勢結(jié)合而成的多準(zhǔn)則決策方法。模糊層次分析方法能夠準(zhǔn)確地描述任意兩個因素之間關(guān)于某準(zhǔn)則的相對重要程度，能夠很好地解決定性分析的抽象問題，得出的識別結(jié)果能較好地反映小額貸款公司的現(xiàn)實情況。李明（2014）運用模糊層次分析法（FAHP）進行風(fēng)險識別，計算得出客戶管理層特征維度、客戶經(jīng)營與決策能力維度、小額貸款公司關(guān)系能力維度、客戶發(fā)展前景維度、客戶償債能力維度、客戶貸款特征維度六個層面以及每個層面各個評估指標(biāo)的模糊權(quán)重值，建立了小額貸款公司風(fēng)險評價指標(biāo)體系。該文從實際出發(fā)，根據(jù)專家意見，運用模糊層次分析法(FAHP)構(gòu)建模糊互補判斷矩陣，通過推導(dǎo)計算出矩陣指標(biāo)層相對于目標(biāo)層的權(quán)重，再通過對矩陣進行一致性檢驗表明其權(quán)向量結(jié)果的可靠性，最后得出風(fēng)險識別結(jié)論，對小貸公司風(fēng)險評估具有一定的指導(dǎo)意義。但是，由于不同的專家對小額貸款公司風(fēng)險認識不同，在構(gòu)建函數(shù)時具有很大的主觀性，因此識別結(jié)果與現(xiàn)實有一定的差距。因此，為了得到理想的識別效果，專家根據(jù)不同的小貸公司的特點和環(huán)境來確定識別指標(biāo)及權(quán)重至關(guān)重要。

（四）基于CreditMetrics的信用風(fēng)險評估模型

CreditMetric模型是于1997年推出的用于量化信用風(fēng)險的一種信用計量模型，通過計量風(fēng)險價值來分析信用風(fēng)險（宋志濤，2008）。CreditMetric模型中唯一的變量就是信用，模型認為違約是指借款人的信用等級下降，不管信用等級下降多少，都會給貸款人造成損失。模型最大的優(yōu)勢在于其對信用風(fēng)險價值的估算，通過風(fēng)險量化可以很直觀地看到風(fēng)險的變化。趙靜（2012）選取了云南省農(nóng)業(yè)銀行某支行2010年以前的農(nóng)戶個人貸款為研究對象，構(gòu)建了基于CreditMetrics信用計量模型的農(nóng)戶貸款風(fēng)險預(yù)估體系，實證研究結(jié)果表明該銀行目前VAR值較為合理，處于風(fēng)險可接受狀態(tài)。此模型首次提出了“邊際風(fēng)險貢獻”的概念，將“債務(wù)人信用等級的變化”作為“違約”的一個考量因素，這不僅考慮到了違約風(fēng)險，還將差額風(fēng)險納入其中，比較貼合實際。不過，該模型的分析需要大量的數(shù)據(jù)庫做支撐，而目前由于我國的信用市場環(huán)境以及部分數(shù)據(jù)難以取得（如信用轉(zhuǎn)移矩陣），CreditMetric模型在我國的運用受限，不過其對資產(chǎn)組合分析評價的方法和思想值得借鑒。

四、研究不足與展望

目前，國內(nèi)對小額貸款公司風(fēng)險管理的系統(tǒng)性理論研究和實證研究具有一定的局限性。從金融市場的發(fā)展趨勢看，本領(lǐng)域具有更為廣闊的研究空間。

（一）風(fēng)險評估方法的局限性及數(shù)據(jù)庫建立

當(dāng)前信用風(fēng)險指標(biāo)的選取基本上是先通過專家分析法等主觀地選取指標(biāo)，相當(dāng)于首先建立一個合理的假說，再通過層次分析法或其他方法對指標(biāo)分配權(quán)重進一步篩選。這種指標(biāo)選取的方法不可避免地帶有主觀性，如果沒有建立在一個合理的假說之上的話，就會得出錯誤的結(jié)論。因此，建議建立一個更強大的小額貸款信用風(fēng)險指標(biāo)研究基礎(chǔ)。目前的指標(biāo)選取主要是以企業(yè)的方便樣本為基礎(chǔ)的，有些信息甚至是難以量化的，比如王延飛、高新蘭（2013）提到的客戶的社會資本和道德風(fēng)險。在大數(shù)據(jù)時代背景下，這些軟信息多半屬于非結(jié)構(gòu)化或半結(jié)構(gòu)化信息（如圖像、文本）。通過不斷挖掘數(shù)據(jù)，運用數(shù)據(jù)處理工具———統(tǒng)計、決策樹、神經(jīng)元、模糊邏輯、數(shù)學(xué)規(guī)劃等，可以輔助我們更好地應(yīng)用大數(shù)據(jù)進行決策。展望未來，建議通過完善相關(guān)法律法規(guī)政策，在小額貸款全行業(yè)內(nèi)建立一個統(tǒng)一規(guī)范的小額貸款信用風(fēng)險指標(biāo)數(shù)據(jù)庫，使每個客戶的信用數(shù)據(jù)都記錄其中，依托該數(shù)據(jù)庫來建立各個小貸公司的信用風(fēng)險評價體系。小貸公司再將信用評估體系評估得出的信用數(shù)據(jù)反饋錄入到信用數(shù)據(jù)庫，實現(xiàn)數(shù)據(jù)的高效共享。這樣的規(guī)范不僅有助于小貸公司做出客戶放貸的決策，以避免因主觀選取指標(biāo)帶來的不同企業(yè)評估的差異性，同樣也是客戶以后在各個金融機構(gòu)借貸的信用通行證。

（二）研究數(shù)據(jù)的不充分性及信用知識管理

由于小額信貸對象信用數(shù)據(jù)難以取得且不夠完善，有些基于軟信息的指標(biāo)在定量化的過程中會出現(xiàn)研究定量依據(jù)不同的情況，而且，目前信用風(fēng)險軟信息指標(biāo)本身是觀察性數(shù)據(jù)，存在著很多偏倚，例如選擇偏倚、混雜變量和缺乏普遍性（Lifeomics,2014）。每個信用風(fēng)險評估模型都有其優(yōu)劣性，即便證實了一個風(fēng)險指標(biāo)和客戶信用風(fēng)險存在強有力的關(guān)聯(lián)，我們?nèi)匀恍枰獙ふ乙恍┳C據(jù)來證明它在信用風(fēng)險相關(guān)領(lǐng)域中具有實用性（即評估其客戶信息與信用風(fēng)險之間的平衡）。因此如何取得和規(guī)范指標(biāo)內(nèi)容以及增強指標(biāo)間的真實關(guān)聯(lián)性的問題亟待解決。建議通過更為深入、廣泛的實地調(diào)研，多渠道(銀行、農(nóng)信社、證券公司、其他小貸公司、客戶所在公司或家庭狀況等)直接或間接地搜集客戶信用指標(biāo)，在樣本容量充足的前提條件下，結(jié)合貸款客戶的特點，提煉出更加完善、標(biāo)準(zhǔn)化的客戶數(shù)據(jù)，以期進一步補充、提煉小額貸款公司信用風(fēng)險評估指標(biāo)，形成更具科學(xué)合理性、簡約性、有效性和廣泛適用性的小額貸款公司信用風(fēng)險評估指標(biāo)體系。此外，要證明樣本數(shù)據(jù)的有效性和實用性，就需要對統(tǒng)計數(shù)據(jù)進行顯著性檢驗，以區(qū)分真實關(guān)聯(lián)還是虛假關(guān)聯(lián)；就需要科學(xué)地選取計量模型，充分了解各模型的缺陷，防止檢驗失效。在進行數(shù)據(jù)搜集和提煉的過程中，同時要注意成本-效益問題。信用風(fēng)險管理領(lǐng)域的各項研究是一個重復(fù)性較高的過程，需綜合考慮成本-效益問題。機器學(xué)習(xí)算法（machinelearningalgorithm）將有助于知識內(nèi)容管理（Lifeomics,2014）。建議通過開展知識管理，加強知識共享、知識轉(zhuǎn)移和知識創(chuàng)新，建立公開透明的貸款客戶信用檔案制度，以降低信用風(fēng)險的搜索成本。

（三）研究對象的不可比性及信用指標(biāo)選取

由于農(nóng)戶和小微企業(yè)，其信用等級不同，因此不同貸款對象的信用風(fēng)險評級結(jié)果會存在不可比性。建議根據(jù)貸款客戶的特點，建立具有差異化的客戶信用評級體系，以消除不同客戶類型帶來的數(shù)據(jù)不可比問題。由于不同行業(yè)貸款客戶信用信息存在差異，建議通過選取同一行業(yè)的貸款樣本數(shù)據(jù)進行實證研究，以避免由于不同行業(yè)帶來的數(shù)據(jù)不可比問題。

作者：楊平波 朱雅斯 單位：湖南商學(xué)院