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微企業信用風險因素識別探究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：小微企業在促進經濟增長、增加就業機會和創造產業等方面起到了重要作用。然而，小微企業的信用風險較高，給銀行造成貸款違約損失的可能性較大。文章以188家小微企業為研究對象，通過隨機森林方法對影響小微企業信用風險的關鍵因素進行識別，并確定關鍵指標的影響程度和影響方向。結果表明：水電費發生異常的次數、借新還舊次數、還款計劃變更次數和民事訴訟次數等企業行為信息是影響小微企業信用風險的關鍵因素，且均對企業信用風險具有正向影響。

關鍵詞：小微企業；隨機森林；信用風險

1引言

近年來，隨著我國經濟結構和產業結構的不斷優化調整，以及經濟向內生增長轉變，小微企業在促進經濟增長、增加就業機會和創造產業等方面發揮了重要的作用。然而，市場經營環境的不斷改變，致使小微企業逾期貸款不斷增多，商業銀行的貸款業務面臨的風險加大。因此，識別影響小微企業信用風險的關鍵因素、持續動態的捕獲貸款企業的風險信號、提前發現和判別企業風險，做出預警提示，減少因小微企業信用風險導致的貸款違約損失具有重要的意義。眾多學者開展了小微企業信用風險因素識別的研究，如曹明生（2015）［1］使用Logistic模型研究影響小微企業信用風險的因素，研究發現企業財務信息對小微企業信用風險具有重要影響。趙玉龍等（2017）［2］的研究認為企業自身特點、企業過度擴張和企業負債等是影響小微企業信用風險的主要因素。滿向昱等（2018）［3］采用Logistic模型進行研究，結果表明流動資產周轉率、銀行負債資產比等企業財務指標為影響我國中小微企業信用風險的重要因素。遲國泰等（2019）［4］實證分析小企業貸款數據，結果表明速動比率、總資產增長率等企業財務信息顯著影響小企業信用風險。孫福兵等（2020）［5］運用Probit模型對小型農業企業進行信用風險影響因素識別，研究發現資產負債、營業利潤率等對信用風險具有重要影響。已有文獻的研究中，一方面，多將企業財務信息作為關注對象，對企業行為信息關注較少；另一方面，多使用傳統的回歸分析方法，極少使用流行的機器學習方法。因此，文章將企業行為信息引入小微企業信用風險因素識別研究中，并使用隨機森林方法這一機器學習方法，以便及早發現違約的前期預警信號，在企業違約前提前做好干預措施，從而有效管控小微企業的信用風險。

2數據選取與描述

文章的研究對象是2020年1月至2020年12月在某商業銀行需要償還貸款的小微企業。文章選擇的小微企業為企業規模符合國家四部委規定的小型和微型企業認定標準的企業。對于因變量，文章將及時償還貸款的企業認定為“未違約企業”，記為0；將到期未償還貸款或延期償還貸款的企業認定為“違約企業”，記為1。文章獲取的小微企業總樣本數為188個，未違約的樣本數為144個，違約的樣本數為44個，樣本的違約率為23􀆰4％。自變量分為兩類：第一類為企業財務變量，包含資產負債率、利潤增長率、速動比率、凈資產收益率和營業毛利潤率等；第二類為企業行為變量，包含企業過去12個月水電費發生異常的次數、過去12個月繳納稅金發生異常的次數、借新還舊次數、還款計劃變更次數和民事訴訟的次數等。

3實證研究

隨機森林方法是當下流行的機器學習方法。它將若干個分類樹組合成隨機森林，顯著提高了預測精度。文章使用隨機森林方法對數據進行擬合，需要說明的是在擬合過程中需要對每次拆分時隨機選取變量個數以及樹的棵數等參數進行設定。文章通過設定不同的分叉樹和樹的棵數確定最優的隨機變量個數和樹的棵數，最終隨機變量個數為5，樹的棵數為1000。表2報告了變量重要性度量結果。由表2可知，重要性權重超過10％的指標有4個，且全部為企業行為變量，分別為：過去12個月水電費發生異常的次數（22􀆰90％）、借新還舊次數（11􀆰55％）、還款計劃變更次數（17􀆰42％）和民事訴訟的次數（13􀆰65％），這4個變量均屬于企業行為變量，且這4個指標的重要性權重之和超過了65％。這說明，企業經營行為是否合規對小微企業是否違約具有重要影響。選取重要性權重最大的4個變量：12個月水電費發生異常的次數、借新還舊次數、還款計劃變更次數和民事訴訟的次數，構建偏相關圖，考察4個變量對企業違約概率的影響方向和大小，如圖1所示。由圖1可知，12個月水電費發生異常的次數、借新還舊次數、還款計劃變更次數和民事訴訟的次數4個變量的增加都會顯著增加企業違約概率，這說明12個月水電費發生異常的次數、借新還舊次數、還款計劃變更次數和民事訴訟的次數4個變量對企業違約具有顯著的正向影響。為了更進一步研究企業行為變量對小微企業信用風險評估的重要性，本文分別構建不包含企業行為變量的數據集和包含企業行為變量的數據集，隨機將數據集分成兩部分（80％的數據集用作訓練數據集，20％用作測試數據集）進行100次模擬試驗，以證明加入企業行為變量是否能提高模型預測的準確性。表3報告了模型預測的結果。由表3可知，加入企業行為變量后，預測準確率由0􀆰946提高到0􀆰980，AUC值也由0􀆰752提高到0􀆰926；另外，對于第一類錯誤率和第二類錯誤率，加入企業行為變量后的第一類錯誤率和第二類錯誤率最低。因此，加入企業行為變量可以大大提高模型的預測性能。

4結論與啟示

文章采用隨機森林方法實證研究了影響小微企業信用風險的關鍵因素，實證結果表明：12個月水電費發生異常的次數、借新還舊次數、還款計劃變更次數和民事訴訟的次數等企業行為變量是影響小微企業信用風險最關鍵的4個變量，且這4個變量均對企業違約具有正向影響。同時，進一步驗證了企業行為變量能夠顯著提高小微企業信用風險評估的預測精度。這為商業銀行對小微企業信用狀況的準確判斷提供了一定的借鑒與參考。

參考文獻：

［1］曹明生􀆰基于Logistic模型的小微企業信用風險度量研究［J］．時代金融，2015（8）：203－204.

［2］趙玉龍，鄧大松，王林􀆰我國商業銀行小微企業信用風險成因分析［J］．海南金融，2017（6）：68－73，82.

［3］滿向昱，張天毅，汪川，等􀆰我國中小微企業信用風險因素識別及測度研究［J］．中央財經大學學報，2018（9）：46－58.

［4］遲國泰，于善麗􀆰基于違約鑒別能力最大的信用等級劃分方法［J］．管理科學學報，2019，22（11）：106－126.

［5］孫福兵，宋福根􀆰新型農業經營主體信貸風險的識別與防范研究［J］．經濟縱橫，2020（8）：116－125.

作者:呂爽 單位:煙臺嘉信有限責任會計師事務所