張宇敬+吳紅樂+安英博

摘要：文章選取貝葉斯算法對影響小額信貸風險的因素進行挖掘分析，建立了客戶信用風險評估模型，確定了財產(chǎn)、收入負債比、信用記錄等屬性是影響小額信貸風險的主要因素，根據(jù)模型規(guī)則能夠比較快速準確地判斷客戶信用等級，從而有效地控制和降低信貸風險的發(fā)生。

關鍵詞：小額貸款；貝葉斯算法；風險管理

一、引言

現(xiàn)代互聯(lián)網(wǎng)技術的飛速發(fā)展，標志著人類社會繼農(nóng)業(yè)革命、工業(yè)革命之后的“第三次革命”的到來。時代在改變，舊的生產(chǎn)關系和生活方式必將被歷史的車輪碾過，成為人類社會發(fā)展道路上的塵埃，新的生產(chǎn)關系和產(chǎn)業(yè)生態(tài)正在蓬勃發(fā)展。在今天這個大數(shù)據(jù)的時代，借助現(xiàn)代信息技術和互聯(lián)網(wǎng)，人類可以收集、整理和分析海量的信息和數(shù)據(jù)，在這些紛繁復雜的數(shù)據(jù)背后探尋人類行為和社會發(fā)展的軌跡。面對新的行業(yè)生態(tài)和環(huán)境，金融行業(yè)必然要尋求改變，才能順應時代。數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中，抽取出潛在的、有價值的知識（模型或規(guī)則）的過程，將數(shù)據(jù)挖掘技術有效地應用于銀行業(yè)是技術發(fā)展的熱點，也是銀行業(yè)自身競爭發(fā)展的迫切需要。

小額貸款從貸款額度上講，屬于小金額。它從貧困人口的實際出發(fā)，絕大多數(shù)人從事的是種養(yǎng)業(yè)或是一些風險小、易操作、見效快的小型項目。從貸款對象上看，主要是微型企業(yè)和低收入的家庭和個人。貸款用途一般是小規(guī)模農(nóng)業(yè)生產(chǎn)，主要用作生產(chǎn)資本，也有一小部分用于教育、醫(yī)療等非生產(chǎn)性目的。與傳統(tǒng)銀行業(yè)務面臨的風險相比，小額貸款的風險具有一定的獨特性，一般按參與活動的主體，將風險分為：環(huán)境風險、信用風險和管理風險三大類，其中主要還是信用風險。信用風險是指借款人不能及時還本付息的風險。小額貸款活動的借方，一般是缺乏完整和正規(guī)教育的農(nóng)民，他們往往缺少經(jīng)濟體系中的“欠債還錢”和“按照合同辦事”的信用觀念，會導致信用風險的產(chǎn)生，使得信貸資金存在嚴重的風險隱患，并且信貸管理中存在著諸多問題，面臨著一些難以掌控的風險。因此，運用數(shù)據(jù)挖掘技術來控制信貸中的風險，是信貸管理面臨的重要課題。

二、數(shù)據(jù)分析

數(shù)據(jù)分析是數(shù)據(jù)挖掘前十分重要的一個步驟，正確的數(shù)據(jù)分析有利于提高挖掘模型的準確性，達到更好的模型預測效果。課題組分析的是村鎮(zhèn)銀行個人貸款數(shù)據(jù)，將一些涉及個人隱私的屬性和無關屬性剔除后，發(fā)現(xiàn)該數(shù)據(jù)既包含連續(xù)型的數(shù)據(jù)，又有離散型的數(shù)據(jù)，且連續(xù)型的數(shù)據(jù)較多。通過RStudio數(shù)據(jù)分析工具進行相關性分析后發(fā)現(xiàn)，各個屬性之間相關性較低，即各屬性之間可以近似看成是相互獨立的。綜合考慮，該數(shù)據(jù)比較適合采用貝葉斯算法建立分類模型，幫助銀行規(guī)避貸款風險。

三、貝葉斯算法

樸素貝葉斯法是基于貝葉斯定理與特征條件獨立假設的分類方法，它是一種簡單有效的常用分類算法。樸素貝葉斯分類的定義如下：

四、構建貸款風險分析模型

在建立貝葉斯分類模型前，首先應完成數(shù)據(jù)預處理工作，它是建立科學合理的挖掘模型的基礎。貝葉斯分類模型要求數(shù)據(jù)必須是離散的，因此課題組將原始數(shù)據(jù)中年齡、健康狀況、個人品質、銀行信用記錄等屬性離散化，建立貸款風險評價指標，并據(jù)此對樣本數(shù)據(jù)進行數(shù)字化處理。應用貝葉斯分類模型時，還應注意零概率事件的處理，如果存在零概率事件，將直接影響預測結果。因此，進行挖掘之前，需要對零概率事件進行檢驗，一般采用Laplace-估計進行處理。具體處理方法如下：P（Xi|Xi）=nc+mpn+m。通過查詢發(fā)現(xiàn)以下屬性的屬性值存在零概率事件，通過SQL語句（select 屬性 from shuju order by 屬性）查詢并利用屬性的中位數(shù)來填補缺失值。

將處理好的數(shù)據(jù)導入到SQL Server數(shù)據(jù)庫后，即可商業(yè)智能分析工具進行數(shù)據(jù)挖掘。課題組隨機抽取80%的數(shù)據(jù)作為訓練數(shù)據(jù)集，剩下的20%作為測試數(shù)據(jù)集，通過商業(yè)智能分析工具獲得各個屬性與風險等級之間的依賴關系由弱到強依次是：身體<借款用途<生產(chǎn)經(jīng)營<家庭收入<個人品質<信用記錄<收入負債比<財產(chǎn)。由此可見，當貸款人財產(chǎn)屬性值越高，即收入越高，其貸款風險越低。同理可得，當貸款人的年齡越小，收入越高，家庭成員身體越健康，信用越好，負債越少，生產(chǎn)經(jīng)營越穩(wěn)定等，貸款的風險越低，反之，產(chǎn)生不良貸款的可能性越高。

五、模型評價

由測試數(shù)據(jù)預測的分類矩陣可知，該模型判別的正確率為80/92≈86.96%，具有較高的準確率和預測能力，能夠滿足農(nóng)戶小額信貸風險評估的實際需求，為小額信貸公司、村鎮(zhèn)銀行信貸部門防范風險提供科學的決策依據(jù)。（作者單位：河北金融學院）

基金項目：2015年保定市哲學社會科學規(guī)劃課題（201505052）；保定市科學技術研究與發(fā)展指導計劃項目（15ZG003）；河北省教育廳科技重點課題（ZD20131083）

參考文獻：

[1]安英博 張宇敬 張建男.基于樸素貝葉斯的村鎮(zhèn)銀行信用風險預警研究[J].無線互聯(lián)科技，2015（22）.

[2]龐利.貝葉斯法則在銀行信貸風險中的分析[J].赤峰學院學報（自然科學版），2015（07）.

[3]丁東洋 周麗莉 劉樂平. 貝葉斯方法在信用風險度量中的應用研究綜述[J].數(shù)理統(tǒng)計與管理，2013（01）.