基于BP神经网络农户小额信贷信用风险评估研究.docVIP

基于BP神经网络农户小额信贷信用风险评估研究 　　摘要：利用2009年杨凌区三家农村信用社的实地调研资料进行了农户小额信贷信用风险评估的实证研究，对指标变量分别进行正态性检验、差异性检验和多重共线性检验，利用MATLAB7.O软件建立了8-14-1结构的13P神经网络农户信用风险评估模型。模型对训练集样本的总体判别正确率为100％，对测试集样本违约类农户的预测正确率达90％，总体正确率达84.09％。准确度较高，能够为农村信用社识别农户信用风险提供较好的依据。 　　关键词：小额信贷；信用风险；BP神经网络 　　中图分类号：F830.51　文献标识码：A　文章编号：1009-9107(2012)02-0078-06 　　引言 　　农户小额信贷是指农村信用社基于农户的信誉，在核定的额度和期限内向农户发放的不需抵押、担保的贷款。1993年，中国社科院农村发展研究所将小额信贷项目第一次借鉴到中国，我国政府给予了大力支持。自2000年开始，为加大支农力度，缓解农户贷款难问题，在中国人民银行推动下，农村信用社作为正规金融机构全面试行并推广农户小额信贷。据有关数据显示，截至2009年3月末，全国农户小额信用贷款余额2518.6亿元，同比增长17.5％，增速同比增加1.9个百分点；农户联保贷款余额为2006.3亿元，同比增长33.6％，增速同比增加13.4个百分点。农户小额信贷在解决农户贷款难问题、促进农民增收、支持农村经济发展等方面发挥了重要作用。 　　然而，由于农民控制风险能力有限，农村信用基础薄弱，农户小额信贷不需抵押、担保的特点使得农村信用社在小额信贷实施过程中面临较大的信用风险。农户违约现象时有发生，导致农户小额信用贷款的不良率居高不下，影响农村信用社的整体贷款质量，阻碍了农村信用社的健康发展和小额信贷的可持续发展。银监会监管部主任杨家才在“2009中国农村金融论坛”上指出，目前涉农贷款不良率是7.4％，工业贷款不良率是2.29％，大企业贷款不良率是1.15％，中小企业贷款不良率是4.5％，涉农贷款的不良率大大高于其他类贷款。另有资料显示，截至2009年初，庐江农村信用合作联社农户小额信用贷款余额1941万元，不良贷款金额719.8万元，不良率达37.1％。因此，有效控制农户信用风险、提高信贷质量已成为农村信用社面临的重要任务。 　　目前，农户小额信用贷款采取“等级管理，分级定额，随用随贷，余额控制，周转使用”的管理办法。在农户资信等级评定时，一般是通过信贷员、村委会的主观意见或使用评分表打分来确定。这些方法虽简单易行，但主观性大且执行过程不规范，没有借助量化的数学模型，容易导致农户信用状况评价不准，不能完全满足农村信用社信用风险管理的需要。本研究尝试利用BP神经网络建立农户信用风险评估模型，以此来识别农户在小额信贷中的信用风险，严把贷款出口关，提高农户小额信贷质量，促进小额信贷的可持续发展。 　　一、BP神经网络介绍 　　人工神经网络(Artificial Neural Network，简称ANN)，是一种旨在模仿人脑结构及其功能的脑式智能信息处理系统，是由大量处理单元相互连接构成的高度并行的非线性系统，具有高度的非线性映射能力，良好的容错性和联想记忆功能，自适应能力较强。神经网络特有的这些性能，加之其对数据分布没有严格要求，也无需详细描述自变量和因变量间的函数关系，并且分类精度较高，使其在信用风险分析领域得到广泛应用。神经网络对信用风险的评估是通过其分类功能实现的，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。 　　Rumelhart和Mc Celland于1986年对具有非线性连续变换函数的多层感知器的误差反向传播(Error Back Proragation，BP)算法进行了详尽的分析，实现了多层感知器的设想。采用BP算法的多层感知器是至今为止应用最广泛的神经网络，通常将其称为BP网络。BP网络是一种单向传播的多层前馈网络，由输入层、隐含层和输出层组成，一个三层的BP网络可完成由任意n维输入空间到m维输出空间的非线性映射。BP算法的思想是，学习过程由信息的正向传递和误差的反向传播这两个过程组成。在正向传递过程中，输入样本信息从输入层经隐含层逐层计算后传向输出层，若输出层实际输出和期望输出不符，则计算输出层误差值，然后转入误差的反向传播阶段。在误差反向传播过程中，输出误差经隐含层向输入层逐层反传，并将误差摊分给各层所有单元，各层单元的误差就作为修正其权值的依据。这种不断调整权值的过程，即是网络的训练学习过程。当达到规定的误差或一定的训练次数，训练结束。其网络结构如下图1所示。 　　 　　二、实证研究