伴隨時代的進步，小微企業已經成為了現代市場經濟中的重要組成，而小微企業中的信貸違約情況嚴重阻礙了企業的正常發展。下面文章以585家小微企業信貸為研究對象，主要分析企業的財務指標，企業基本信息，業主特點及貸款詳情，追究小微企業信貸違約率的相關因素，利用隨機效應模型衡量小微企業貸款違約率的預測方法，之后根據研究成果提出小微企業應對風險要采取的措施。
關鍵詞：小微企業,信貸違約,風險防范,隨機效應
一、引言
小微企業是推動我國經濟轉型升級的重要力量，對于優化產業結構、促進創業創新、培植發展動力、解決就業難題、維護社會穩定等方面具有重要意義。然而近幾年來，小微企業融資難的問題已經成為制約其發展的主要因素。造成這樣局面的原因主要是由于風險偏高，該風險來自于兩方面，一是小微企業本身的經營特點造成了貸款風險高，二是由于銀行與小微企業之間存在嚴重的信息不對稱問題。銀行為了規避風險，在實際信貸過程中，存在“惜貸”現象。因此，為了解決該問題，有必要針對小微企業建立一套信貸違約風險衡量系統，為銀行篩選出可信任的客戶，讓雙方達到共贏的狀態。
二、文獻綜述
關于信貸違約，以往的國內外學者都進行過相應的研究。國外的金融機構通過搜集資料判斷企業信貸違約的概率，這樣評價的結果會因為搜集資料的類型和變量選取的不同而有所不同，產生的誤差也會很大。CiampiF等(2008)關于企業破產風險的研究指出，企業規模是影響模型預測能力的重要因素，根據企業規模分類構建企業破產模型的預測效果更好。Agarwal、Hauswald(2010)研究指出，引入非財務指標能提高中小企業破產或貸款違約預測模型的準確度。
由于小微企業沒有規范和健全的財務制度，因此國內學者在進行關于企業信貸違約的研究中，多以上市公司作為研究對象。楊蓬勃等(2009)通過構建上市公司信貸違約概率預測模型，研究表明資產報酬率、流動負債比率、資產負債率和總資產報酬率對企業負債壓力的貢獻度遞減。
從小微企業貸款的可獲得性為切入點，探究小微企業信用評分模型對降低銀行營運成本和貸款風險的作用，同時運用動態博弈模型，研究信用評分對降低小微企業道德風險，提高信貸可獲得性的意義。過新偉、王曦(2015)研究表明，對于中小企業而言，軟指標(如反映企業經營情況的指標以及業主個性特征)對于貸款違約的影響遠比硬指標(反映企業償債能力的財務指標)重要。總的來說，國內外學者對于小微企業的信貸違約的研究主要集中在違約因素及財務指標上，但小微企業自身不健全的財務制度導致僅依靠財務指標衡量小微企業信貸違約風險可能存在較大偏差。因此，針對小微企業采用多維度指標評估信貸違約風險的系統研究顯得尤為重要。
三、實證分析
(一)數據來源。本文數據來源于某商業銀行2010~2015年的信貸數據，主要包含小微企業的歷史貸款記錄，貸款企業特征、企業業主基本信息及貸款方式等數據。
(二)模型選取。用來衡量企業貸款違約風險的度量模型主要有多元判別分析模型、Logistic模型、層次分析法、神經網絡模型等。考慮到小微企業的特殊性，難以滿足多元判別分析法嚴格的假設條件;層次分析法主觀性較強，分析結論受人為因素影響較大;神經網絡模型對結果的解釋能力較弱。因此，本文選用Logistic模型衡量小微企業信貸違約率。Logistic模型采用極大似然估計參數，容易忽略模型外的因素及不確定因素對違約概率的影響。
為了解決上述問題，本文采用隨機效應Logistic模型修正參數。Moketal(2010)指出，隨機效應Logistic將個體風險差異及不確定性因素考慮其中，使其參數估計的穩定性更高。隨機效應Logistic模型以Logistic回歸為基礎。所以，先對樣本進行Logistic逐步回歸，建立小微企業信貸違約的Logistic模型，表達式為：lnpi1-pi!"=∞+β1x1+β2x2+...+βixi+ε其中，pi表示小微企業違約概率，∞表示常數項，βi表示回歸系數，xi表示解釋變量，ε表示隨機誤差項。
(三)變量說明。
(1)因變量。因變量為小微企業是否違約，違約設為1，未違約設為0。依據我國商業銀行貸款的五級分類標準，貸款被劃分為正常、關注、次級、可疑和損失，后三類為違約貸款。研究樣本包含正常的貸款樣本405家，違約的貸款樣本180家。本文將研究樣本劃分為兩組，一組為估計樣本，違約小微企業和非違約小微企業分別是120家和270家;另一組為交叉驗證樣本，違約小微企業和非違約小微企業分別是60家和135家。
(2)自變量。影響小微企業信貸違約的因素是多方面的，財務指標對模型的有效性的影響比較顯著，因此應從多維度選取綜合評價小微企業財務狀況的指標，能反映公司償債能力，經營能力、盈利能力及發展能力。同時引入非財務數據作為模型的解釋變量，提高模型預測的準確性。綜上，本文選取了財務指標、企業概況、業主特征、貸款特征四個方面指標作為解釋變量。26個解釋變量包含13個財務指標，5個企業概況指標，5個業主特征指標以及3個貸款特征指標。
(四)結果分析運用Logistic模型進行回歸分析時，必須避免解釋變量出現共線性問題。完全共線性會使參數估計量不存在，而近似共線性會歪曲回歸結果的統計學含義。因此，在進行回歸分析之前，先對財務指標的相關性進行檢驗，發現其存在多重共線性問題，所以采取逐步回歸法篩選變量，以Wald統計量作為標準，進入模型的顯著性水平為10%，從模型中排除的顯著性水平為15%。
(1)小微企業信貸違約預測模型。首先對財務指標進行Logistic逐步回歸，得到模型Ⅰ，在此基礎上進行隨機效應Logistic的極大似然估計，得到模型Ⅰ-Re。在模型Ⅰ的基礎上引入非財務指標，考察非財務指標對信貸違約的影響，通過Logistic逐步回歸，得到模型Ⅱ，在此基礎上進行隨機效應Logistic的極大似然估計，得到模型Ⅱ-Re。
在模型Ⅰ中，流動比率X1、資產負債率X3、利息保障倍數X4、總資產周轉率X5、主營業務利潤率X9和總資產報酬率X12六個指標對小微企業信貸違約的影響較大。在隨機效應Logistic估計中，變量的系數符號與模型Ⅰ一致，只修正了系數的估計值。除X4外，其他系數估計值的顯著性水平也未發生實質性變化。流動比率、利息保障倍數、總資產周轉率、主營業務利潤率及總資產報酬率與小微企業信貸違約顯著負相關。
流動比率和總資產周轉率越高意味著小微企業資產變現能力及營運能力越強，短期償債能力強，出現違約的概率較低。利息保障倍數反映了小微企業盈利能力的強弱，體現了其對償還到期債務的保證程度，利息保障倍數越高，說明小微企業的長期償債能力越強，償債的安全性和穩定性高。主營業務利潤率和總資產報酬率都是衡量企業盈利能力的指標，其值越高，代表小微企業經營效益越好，有一定的發展潛力，因此出現違約的可能性較低。資產負債率與信貸違約呈正相關。資產負債率高，說明小微企業自有資本比重很小，債務負擔重，經營風險主要由債權人承擔。
一旦經營出現問題，小微企業將面臨較大的償債壓力，貸款違約的可能性也高。Pseudo-R2值越大，表明模型的擬合程度越高。因此，同時考慮財務指標、企業概況、業主特征、貸款特征的模型Ⅱ的擬合程度高于僅考慮財務指標的模型Ⅰ。加入非財務變量的模型Ⅱ-Re顯示，企業所有權X14、不良信用記錄X17、性別X19、學歷X21、資產抵押率X22、貸款金額X24、貸款利率X25、貸款期限X26進入了模型，且都在10%的置信水平上顯著。 企業所有權的估計系數為-1.481，并通過了5%的顯著性檢驗，說明國有小微企業貸款違約率高于非國有小微企業，雖然國有小微企業受政府扶持，但其缺乏獨立意識，對市場的關注度不高，競爭能力較弱，還款意識弱。同時國有性質的小微企業，規模有限，難以形成壟斷經營，導致其違約可能性更高。不良信用記錄與貸款違約率正相關，銀行在甄選小微貸款客戶時，應將其既往的信用記錄作為一個重要的考量指標。
性別的估計系數為1.214，說明女性業主違約率低于男性業主，女性業主更為保守。業主學歷與小微企業信貸違約顯著負相關，業主學歷越高，其經營管理能力越強;業主的法律意識較強，誠信觀念較好，違約的可能性越小。資產抵押率的估計系數為1.469，資產抵押率越高，其違約的機會成本越低，小微企業主觀越傾向于違約。從貸款特征分析，貸款金額、貸款期限、貸款利率均與違約概率正相關，貸款金額過大時，償債壓力較大，違約風險高。小微企業規模有限，持續經營能力較差，貸款期限越長，經營過程的不確定性因素會導致違約風險提高。高的貸款利率會導致小微企業逆向選擇，出現道德風險。
(2)模型的違約預測能力檢驗。為檢驗財務指標、企業概況、業主特征和貸款特征預測小微企業信貸違約的準確性，本文將研究樣本的實際值代入模型，計算研究樣本在各模型下的違約率，將預測值與判別臨界值比較，以此作為判斷模型預測準確性的標準。基于先驗概率和判斷損失，以式(1)計算Logistic的最優臨界值，將其作為違約與否的標準。α=12×lnq1cⅠq2cⅡ(1)其中，α代表最優臨界值;q1、q2代表貸款違約和非違約的先驗概率，本文以研究期間該銀行貸款違約和非違約企業占總體之比表示，即q1為4%、q2為96%;cⅠ、cⅡ代表第Ⅰ類和第Ⅱ類錯誤的誤判損失。cⅠ以歷史貸款違約損失率衡量，約為71%，cⅡ以貸款利率與無風險利率的差額衡量，約為1.85%;計算得出最優臨界值為0.235。
可以發現，模型Ⅰ和模型Ⅱ對估計樣本的判別準確率在82%以上，引入財務指標、企業概況、業主特征和貸款特征的模型Ⅱ的判別準確率在88.21%。說明基于財務和非財務信息的模型Ⅱ的預測能力更強，主要原因是小微企業規模有限，缺乏規范的財務制度，為了獲得融資，可能會粉飾財務數據，導致財務指標失真。貸款違約與否不僅由小微企業的償債能力決定，同時也由其償債意愿決定。財務指標僅能判斷小微企業貸款違約的客觀風險，對違約的主觀風險無法衡量。主觀違約意愿往往由小微企業的業主所決定，因此，業主特征指標對衡量違約率十分重要。
但模型Ⅱ對交叉驗證樣本的預測準確率僅為70.26%，說明模型所篩選的指標相對于小微企業仍存在差異。隨機效應Logistic回歸下的模型判別和預測的準確率均明顯高于Logistic回歸，且預測能力的提高幅度大于判別能力。由于隨機效應Logistic考慮了模型外不確定因素對貸款違約的影響，放寬了貸款違約概率非隨機的假設，因此其對估計系數的修正有利于提高判別能力和預測能力的準確率。綜上，模型Ⅱ-Re的判別和預測準確性最高，隨機效應Logistic模型優于Logistic模型。在財務指標的基礎上，引入企業概況、業主特征和貸款特征等非財務指標能夠加強小微企業信貸違約的預測效果。
(3)穩健性分析。上文的結果是基于最優臨界值的基礎上分析所得。根據我國小微企業歷史貸款違約率可得，cⅠ/cⅡ的取值范圍為32~43，因此Logistic臨界值取值范圍為0.144~0.292。為了檢驗Logistic和隨機效應Logistic模型的預測差異。
可以發現，相比于Logistic模型，隨機效應Logistic模型無論是估計樣本判別準確率還是交叉驗證樣本的預測準確率的波動都較小，說明隨機效應Logistic模型的穩定性更好。模型Ⅱ-Re的預測效果是最好的，判別的準確率高達90%以上，預測的準確率也基本在80%左右。基于財務指標、企業概況、業主特征和貸款特征的模型Ⅱ的Logistic回歸和隨機效應Logistic回歸的結果明顯優于僅考慮財務指標的模型Ⅰ，與上文結論一致，說明小微企業信貸違約預測模型有較好的穩定性。
四、結論與建議
本文以2010~2015年585家小微企業信貸數據為研究對象，在探究小微企業信貸違約影響因素的基礎上，運用隨機效應Logistic回歸構建評估小微企業貸款違約風險的預測模型。實證結果表明：對于小微企業信貸違約影響因素而言，財務指標對小微企業貸款違約的客觀因素有較好的解釋能力，流動比率、利息保障倍數、總資產周轉率、主營業務利潤率及總資產報酬率與小微企業信貸違約顯著負相關;資產負債率與信貸違約顯著正相關。而企業概況、業主特征和貸款特征則對貸款違約的主觀因素有較好的解釋能力，企業所有權、性別、學歷于小微企業信貸違約負相關;企業不良信用記錄、資產抵押率、貸款金額、貸款利率、貸款期限與信貸違約正相關。
因此，本文提出以下建議，供小微企業以及銀行予以參考：首先，構建小微企業信用平臺。各級政府連同稅務、工商、海關等機構，加快小微企業信用信息共享平臺的建設，加強基礎信息的管理。公開化的信息會促使小微企業提升自身的誠信意識，注重管理規范。此外信息共享平臺向銀行、保險公司開放查詢權限，可以幫助他們更加全面的了解申請貸款的小微企業的信用情況，解決信息不對稱的問題，減少不良資產率。
其次，加強銀行和保險機構的合作。現在商業銀行批準貸款更加注重的是抵押擔保物，但隨著經濟的發展，銀行應該樹立平等的經營理念，增強合作意識。與保險機構在公平、互惠的基礎上，按照合理的比例分別承擔風險責任。二者合理分工，一起做好貸款各個環節的審核和管理工作，共同維護資金安全，達到共贏的目的。
最后，加大政府對小微企業的支持力度。小微企業之所以會信貸違約，一方面是因為自身的誠信意識薄弱，另一方面也可能是因為自身的經營狀況不理想，無力償貸。因此，政府可以針對滿足條件的小微企業制定優惠的還款政策，如減免一定比例的利息等。同時，對開發新能源、使用新能源等的綠色小微企業政府也可以對其進行政策支持，小微企業自身經營狀況良好，就會減少小微企業無力償貸的幾率。
參考文獻：
[1]楊蓬勃、張成虎、張湘：《基于Logistic回歸分析的上市公司信貸違約概率預測模型研究》，《經濟經緯》2009年第2期。
[2]朱艷敏：《基于信用評分模型的小微企業貸款的可獲得性研究》，蘇州大學2014年博士學位論文。
推薦閱讀：金融管理與研究論文范文農戶小額信用貸款
相關閱讀
