农户小额贷款违约影响因素探究.docVIP

农户小额贷款违约影响因素探究 　　摘要：基于江苏北部某地区2007―2015年18万条真实农户大样本小额贷款记录，结合当地及全国CPI、GDP、第一产业产值、地区农业生产资料价格指数等宏观经济指标，采用基于最大似然估计逐步进入法的Logistic模型，筛选对农户违约概率影响较为显著的指标，之后对各指标经济含义进行了解释并对模型进行稳健性分析。研究发现：信用水平指标与农户的真实违约情况关联不显著，意味着当地信贷机构对贷款农户的贷前内部信用评级不能有效地预测农户的信用风险；利率、性别、婚姻状况、职业、教育等微观指标对信用风险有较大影响；全国范围的GDP和CPI、江苏农业生产资料价格指数、滞后一期的当地第一产业GDP等宏观指标也对信用风险具有预测作用； Logistic模型在不平衡数据集上，依然能保持较好的分类精度 关键词：农户小额贷款；Logistic模型；违约影响因素；信用风险 中图分类号：F323.9文献标识码：A 文章编号：1009-9107（2017）03-0067-09 引言 随着我国经济的不断发展以及一系列支农、惠农政策的扶持，农户的收入及生活水平不断提高，扩大生产的积极性与消费需求日益增长。然而，尽管当前农户对资金的需求在不断提高，农户信贷市场上却存在着严重的资金供求不平衡问题：大量农户希望通过贷款实现扩大生产或者消费，但农村地区的信贷机构由于难以识别借款农户的真实还款能力与还款意愿，一般出于谨慎，采取“惜贷”策略，仅仅向资信水平十分优越的农户发放贷款。由此，一方面导致有贷款需求的农户无法得到资金，不能进一步扩大生产或进行消费；另一方面也使得信贷机构积余了大量的闲置资金，资金利用率较低。存在这一现状归根结底的原因，在于农户信贷过程中的信用风险难以衡量 信用风险是指获得信用支持的债务人不能遵照合约按时足额偿还本金和利息的可能性。为降低信用风险管理成本提高贷款决策效率，现代信贷机构一般选择以信用评估技术[12]对贷款人的信用风险进行预测与管理。最初，信用评估模型往往由外部评估机构开发，之后随着现代商业银行的不断发展与壮大，各银行构建自己内部的信用评估模型渐成为常态。巴塞尔协议II明确提出：在满足某些最低条件和披露要求的前提下，有资格采用内部评级（IRB）法的银行可以根据自己对风险要素的估计值决定对特定暴露的资本要求[3] 就问题性质而言，信用评估在本质上是一种分类问题：根据待评估样本的多维度属性指标，设计合适的模型将样本分为若干类。影响模型性能的因素主要有两个：一是核心分类器的选择，二是模型构建时的指标选取。现有较为成熟的分类器根据原理不同，大体可以分为基于传统统计理论的分类器与基于数据挖掘技术的分类器两类。前者主要包括线性回归模型、Logistic模型、朴素贝叶斯（NB）、判别分析（DA）等[47]，后者有代表性的主要是人工神经网络（ANN）、支持向量机（SVM）、决策树、K最近邻（K-NN）等[811] 近年来，随着上述分类器的渐渐成熟与流行，更多学者将研究重点转移到我国农户信贷发展现状及其违约影响因素方面。王定祥等以全国15个省份较贫困地区的1 156户暂时性贫困型农户为研究对象，对贫困型农户信贷需求和信贷行为进行了调查分析，发现当前农户金融需求满足率极低[12]；黄祖辉等以问卷调查的方式对820户农户的借贷行为进行考察，研究发现样本地区大部分农户对正规和非正规信贷的需求均以消费性为主[13]。杨胜刚等结合我国农户信贷市场的实际情况，通过调查某农村信用社713个农户的贷款记录，挖掘出违约与否的影响因素，并进一步运用层次分析法（AHP）设计了一套包含5个准则层、17项指标的农户信用评估体系[14]；杨宏玲等发现当前农村信贷机构在选择农户信用评价指标时，主要以传统的“5C”或“4C”分析法为主，方法比较单一[15]。胡愈等从我国小额信贷的实践理论出发，建立农户信用等级评价的指标体系[16]，李岩等则基于山东省573户农户6年的贷款数据，全面系统地研究了农户贷款行为的发展规律及其影响因素。结果表明：农户性质、性别、区域、年龄、教育、家庭人口、家庭劳动力、家庭田地亩数均对农户贷款行为有不同程度的影?[17]。魏岚等以辽宁省300户农户的入户调查资料为样本数据，基于Logit模型建立了含10个指标的小额信贷风险评价模型，并对模型的拟合结果进行了检验[18] 研究农户小额贷款违约的影响因素，一方面，能够帮助农村商业银行、信用合作社等信贷机构进一步提升信用风险管理能力，降低不良贷款率，维持我国以银行业为主的金融体系稳定；另一方面，通过提升信贷机构对优良借款农户的甄别率，鼓励信贷机构发放贷款，能够缓解当前我国农户融资难的问题，帮助并引导农户扩大生产或增加消费，进一步提升农户的生活水平，在提高农