小微企业信贷违约问题及风险防范措施

　　伴随时代的进步，小微企业已经成为了现代市场经济中的重要组成，而小微企业中的信贷违约情况严重阻碍了企业的正常发展。下面文章以585家小微企业信贷为研究对象，主要分析企业的财务指标，企业基本信息，业主特点及贷款详情，追究小微企业信贷违约率的相关因素，利用随机效应模型衡量小微企业贷款违约率的预测方法，之后根据研究成果提出小微企业应对风险要采取的措施。

　　关键词：小微企业,信贷违约,风险防范,随机效应

　　一、引言

　　小微企业是推动我国经济转型升级的重要力量，对于优化产业结构、促进创业创新、培植发展动力、解决就业难题、维护社会稳定等方面具有重要意义。然而近几年来，小微企业融资难的问题已经成为制约其发展的主要因素。造成这样局面的原因主要是由于风险偏高，该风险来自于两方面，一是小微企业本身的经营特点造成了贷款风险高，二是由于银行与小微企业之间存在严重的信息不对称问题。银行为了规避风险，在实际信贷过程中，存在“惜贷”现象。因此，为了解决该问题，有必要针对小微企业建立一套信贷违约风险衡量系统，为银行筛选出可信任的客户，让双方达到共赢的状态。

　　二、文献综述

　　关于信贷违约，以往的国内外学者都进行过相应的研究。国外的金融机构通过搜集资料判断企业信贷违约的概率，这样评价的结果会因为搜集资料的类型和变量选取的不同而有所不同，产生的误差也会很大。CiampiF等(2008)关于企业破产风险的研究指出，企业规模是影响模型预测能力的重要因素，根据企业规模分类构建企业破产模型的预测效果更好。Agarwal、Hauswald(2010)研究指出，引入非财务指标能提高中小企业破产或贷款违约预测模型的准确度。

　　由于小微企业没有规范和健全的财务制度，因此国内学者在进行关于企业信贷违约的研究中，多以上市公司作为研究对象。杨蓬勃等(2009)通过构建上市公司信贷违约概率预测模型，研究表明资产报酬率、流动负债比率、资产负债率和总资产报酬率对企业负债压力的贡献度递减。

　　从小微企业贷款的可获得性为切入点，探究小微企业信用评分模型对降低银行营运成本和贷款风险的作用，同时运用动态博弈模型，研究信用评分对降低小微企业道德风险，提高信贷可获得性的意义。过新伟、王曦(2015)研究表明，对于中小企业而言，软指标(如反映企业经营情况的指标以及业主个性特征)对于贷款违约的影响远比硬指标(反映企业偿债能力的财务指标)重要。总的来说，国内外学者对于小微企业的信贷违约的研究主要集中在违约因素及财务指标上，但小微企业自身不健全的财务制度导致仅依靠财务指标衡量小微企业信贷违约风险可能存在较大偏差。因此，针对小微企业采用多维度指标评估信贷违约风险的系统研究显得尤为重要。

　　三、实证分析

　　(一)数据来源。本文数据来源于某商业银行2010~2015年的信贷数据，主要包含小微企业的历史贷款记录，贷款企业特征、企业业主基本信息及贷款方式等数据。

　　(二)模型选取。用来衡量企业贷款违约风险的度量模型主要有多元判别分析模型、Logistic模型、层次分析法、神经网络模型等。考虑到小微企业的特殊性，难以满足多元判别分析法严格的假设条件;层次分析法主观性较强，分析结论受人为因素影响较大;神经网络模型对结果的解释能力较弱。因此，本文选用Logistic模型衡量小微企业信贷违约率。Logistic模型采用极大似然估计参数，容易忽略模型外的因素及不确定因素对违约概率的影响。

　　为了解决上述问题，本文采用随机效应Logistic模型修正参数。Moketal(2010)指出，随机效应Logistic将个体风险差异及不确定性因素考虑其中，使其参数估计的稳定性更高。随机效应Logistic模型以Logistic回归为基础。所以，先对样本进行Logistic逐步回归，建立小微企业信贷违约的Logistic模型，表达式为：lnpi1-pi!"=∞+β1x1+β2x2+...+βixi+ε其中，pi表示小微企业违约概率，∞表示常数项，βi表示回归系数，xi表示解释变量，ε表示随机误差项。

　　(三)变量说明。

　　(1)因变量。因变量为小微企业是否违约，违约设为1，未违约设为0。依据我国商业银行贷款的五级分类标准，贷款被划分为正常、关注、次级、可疑和损失，后三类为违约贷款。研究样本包含正常的贷款样本405家，违约的贷款样本180家。本文将研究样本划分为两组，一组为估计样本，违约小微企业和非违约小微企业分别是120家和270家;另一组为交叉验证样本，违约小微企业和非违约小微企业分别是60家和135家。

　　(2)自变量。影响小微企业信贷违约的因素是多方面的，财务指标对模型的有效性的影响比较显著，因此应从多维度选取综合评价小微企业财务状况的指标，能反映公司偿债能力，经营能力、盈利能力及发展能力。同时引入非财务数据作为模型的解释变量，提高模型预测的准确性。综上，本文选取了财务指标、企业概况、业主特征、贷款特征四个方面指标作为解释变量。26个解释变量包含13个财务指标，5个企业概况指标，5个业主特征指标以及3个贷款特征指标。

　　(四)结果分析运用Logistic模型进行回归分析时，必须避免解释变量出现共线性问题。完全共线性会使参数估计量不存在，而近似共线性会歪曲回归结果的统计学含义。因此，在进行回归分析之前，先对财务指标的相关性进行检验，发现其存在多重共线性问题，所以采取逐步回归法筛选变量，以Wald统计量作为标准，进入模型的显著性水平为10%，从模型中排除的显著性水平为15%。

　　(1)小微企业信贷违约预测模型。首先对财务指标进行Logistic逐步回归，得到模型Ⅰ，在此基础上进行随机效应Logistic的极大似然估计，得到模型Ⅰ-Re。在模型Ⅰ的基础上引入非财务指标，考察非财务指标对信贷违约的影响，通过Logistic逐步回归，得到模型Ⅱ，在此基础上进行随机效应Logistic的极大似然估计，得到模型Ⅱ-Re。

　　在模型Ⅰ中，流动比率X1、资产负债率X3、利息保障倍数X4、总资产周转率X5、主营业务利润率X9和总资产报酬率X12六个指标对小微企业信贷违约的影响较大。在随机效应Logistic估计中，变量的系数符号与模型Ⅰ一致，只修正了系数的估计值。除X4外，其他系数估计值的显著性水平也未发生实质性变化。流动比率、利息保障倍数、总资产周转率、主营业务利润率及总资产报酬率与小微企业信贷违约显著负相关。

　　流动比率和总资产周转率越高意味着小微企业资产变现能力及营运能力越强，短期偿债能力强，出现违约的概率较低。利息保障倍数反映了小微企业盈利能力的强弱，体现了其对偿还到期债务的保证程度，利息保障倍数越高，说明小微企业的长期偿债能力越强，偿债的安全性和稳定性高。主营业务利润率和总资产报酬率都是衡量企业盈利能力的指标，其值越高，代表小微企业经营效益越好，有一定的发展潜力，因此出现违约的可能性较低。资产负债率与信贷违约呈正相关。资产负债率高，说明小微企业自有资本比重很小，债务负担重，经营风险主要由债权人承担。

　　一旦经营出现问题，小微企业将面临较大的偿债压力，贷款违约的可能性也高。Pseudo-R2值越大，表明模型的拟合程度越高。因此，同时考虑财务指标、企业概况、业主特征、贷款特征的模型Ⅱ的拟合程度高于仅考虑财务指标的模型Ⅰ。加入非财务变量的模型Ⅱ-Re显示，企业所有权X14、不良信用记录X17、性别X19、学历X21、资产抵押率X22、贷款金额X24、贷款利率X25、贷款期限X26进入了模型，且都在10%的置信水平上显著。 企业所有权的估计系数为-1.481，并通过了5%的显著性检验，说明国有小微企业贷款违约率高于非国有小微企业，虽然国有小微企业受政府扶持，但其缺乏独立意识，对市场的关注度不高，竞争能力较弱，还款意识弱。同时国有性质的小微企业，规模有限，难以形成垄断经营，导致其违约可能性更高。不良信用记录与贷款违约率正相关，银行在甄选小微贷款客户时，应将其既往的信用记录作为一个重要的考量指标。

　　性别的估计系数为1.214，说明女性业主违约率低于男性业主，女性业主更为保守。业主学历与小微企业信贷违约显著负相关，业主学历越高，其经营管理能力越强;业主的法律意识较强，诚信观念较好，违约的可能性越小。资产抵押率的估计系数为1.469，资产抵押率越高，其违约的机会成本越低，小微企业主观越倾向于违约。从贷款特征分析，贷款金额、贷款期限、贷款利率均与违约概率正相关，贷款金额过大时，偿债压力较大，违约风险高。小微企业规模有限，持续经营能力较差，贷款期限越长，经营过程的不确定性因素会导致违约风险提高。高的贷款利率会导致小微企业逆向选择，出现道德风险。

　　(2)模型的违约预测能力检验。为检验财务指标、企业概况、业主特征和贷款特征预测小微企业信贷违约的准确性，本文将研究样本的实际值代入模型，计算研究样本在各模型下的违约率，将预测值与判别临界值比较，以此作为判断模型预测准确性的标准。基于先验概率和判断损失，以式(1)计算Logistic的最优临界值，将其作为违约与否的标准。α=12×lnq1cⅠq2cⅡ(1)其中，α代表最优临界值;q1、q2代表贷款违约和非违约的先验概率，本文以研究期间该银行贷款违约和非违约企业占总体之比表示，即q1为4%、q2为96%;cⅠ、cⅡ代表第Ⅰ类和第Ⅱ类错误的误判损失。cⅠ以历史贷款违约损失率衡量，约为71%，cⅡ以贷款利率与无风险利率的差额衡量，约为1.85%;计算得出最优临界值为0.235。

　　可以发现，模型Ⅰ和模型Ⅱ对估计样本的判别准确率在82%以上，引入财务指标、企业概况、业主特征和贷款特征的模型Ⅱ的判别准确率在88.21%。说明基于财务和非财务信息的模型Ⅱ的预测能力更强，主要原因是小微企业规模有限，缺乏规范的财务制度，为了获得融资，可能会粉饰财务数据，导致财务指标失真。贷款违约与否不仅由小微企业的偿债能力决定，同时也由其偿债意愿决定。财务指标仅能判断小微企业贷款违约的客观风险，对违约的主观风险无法衡量。主观违约意愿往往由小微企业的业主所决定，因此，业主特征指标对衡量违约率十分重要。

　　但模型Ⅱ对交叉验证样本的预测准确率仅为70.26%，说明模型所筛选的指标相对于小微企业仍存在差异。随机效应Logistic回归下的模型判别和预测的准确率均明显高于Logistic回归，且预测能力的提高幅度大于判别能力。由于随机效应Logistic考虑了模型外不确定因素对贷款违约的影响，放宽了贷款违约概率非随机的假设，因此其对估计系数的修正有利于提高判别能力和预测能力的准确率。综上，模型Ⅱ-Re的判别和预测准确性最高，随机效应Logistic模型优于Logistic模型。在财务指标的基础上，引入企业概况、业主特征和贷款特征等非财务指标能够加强小微企业信贷违约的预测效果。

　　(3)稳健性分析。上文的结果是基于最优临界值的基础上分析所得。根据我国小微企业历史贷款违约率可得，cⅠ/cⅡ的取值范围为32~43，因此Logistic临界值取值范围为0.144~0.292。为了检验Logistic和随机效应Logistic模型的预测差异。

　　可以发现，相比于Logistic模型，随机效应Logistic模型无论是估计样本判别准确率还是交叉验证样本的预测准确率的波动都较小，说明随机效应Logistic模型的稳定性更好。模型Ⅱ-Re的预测效果是最好的，判别的准确率高达90%以上，预测的准确率也基本在80%左右。基于财务指标、企业概况、业主特征和贷款特征的模型Ⅱ的Logistic回归和随机效应Logistic回归的结果明显优于仅考虑财务指标的模型Ⅰ，与上文结论一致，说明小微企业信贷违约预测模型有较好的稳定性。

　　四、结论与建议

　　本文以2010~2015年585家小微企业信贷数据为研究对象，在探究小微企业信贷违约影响因素的基础上，运用随机效应Logistic回归构建评估小微企业贷款违约风险的预测模型。实证结果表明：对于小微企业信贷违约影响因素而言，财务指标对小微企业贷款违约的客观因素有较好的解释能力，流动比率、利息保障倍数、总资产周转率、主营业务利润率及总资产报酬率与小微企业信贷违约显著负相关;资产负债率与信贷违约显著正相关。而企业概况、业主特征和贷款特征则对贷款违约的主观因素有较好的解释能力，企业所有权、性别、学历于小微企业信贷违约负相关;企业不良信用记录、资产抵押率、贷款金额、贷款利率、贷款期限与信贷违约正相关。

　　因此，本文提出以下建议，供小微企业以及银行予以参考：首先，构建小微企业信用平台。各级政府连同税务、工商、海关等机构，加快小微企业信用信息共享平台的建设，加强基础信息的管理。公开化的信息会促使小微企业提升自身的诚信意识，注重管理规范。此外信息共享平台向银行、保险公司开放查询权限，可以帮助他们更加全面的了解申请贷款的小微企业的信用情况，解决信息不对称的问题，减少不良资产率。

　　其次，加强银行和保险机构的合作。现在商业银行批准贷款更加注重的是抵押担保物，但随着经济的发展，银行应该树立平等的经营理念，增强合作意识。与保险机构在公平、互惠的基础上，按照合理的比例分别承担风险责任。二者合理分工，一起做好贷款各个环节的审核和管理工作，共同维护资金安全，达到共赢的目的。

　　最后，加大政府对小微企业的支持力度。小微企业之所以会信贷违约，一方面是因为自身的诚信意识薄弱，另一方面也可能是因为自身的经营状况不理想，无力偿贷。因此，政府可以针对满足条件的小微企业制定优惠的还款政策，如减免一定比例的利息等。同时，对开发新能源、使用新能源等的绿色小微企业政府也可以对其进行政策支持，小微企业自身经营状况良好，就会减少小微企业无力偿贷的几率。

　　参考文献：

　　[1]杨蓬勃、张成虎、张湘：《基于Logistic回归分析的上市公司信贷违约概率预测模型研究》，《经济经纬》2009年第2期。

　　[2]朱艳敏：《基于信用评分模型的小微企业贷款的可获得性研究》，苏州大学2014年博士学位论文。

　　推荐阅读：金融管理与研究论文范文农户小额信用贷款