張潤(rùn)馳 杜亞斌 荊偉 孫明明

摘要：基于江蘇北部某地區(qū)2007—2015年18萬條真實(shí)農(nóng)戶大樣本小額貸款記錄，結(jié)合當(dāng)?shù)丶叭珖?guó)CPI、GDP、第一產(chǎn)業(yè)產(chǎn)值、地區(qū)農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)等宏觀經(jīng)濟(jì)指標(biāo)，采用基于最大似然估計(jì)逐步進(jìn)入法的Logistic模型，篩選對(duì)農(nóng)戶違約概率影響較為顯著的指標(biāo)，之后對(duì)各指標(biāo)經(jīng)濟(jì)含義進(jìn)行了解釋并對(duì)模型進(jìn)行穩(wěn)健性分析。研究發(fā)現(xiàn)：信用水平指標(biāo)與農(nóng)戶的真實(shí)違約情況關(guān)聯(lián)不顯著，意味著當(dāng)?shù)匦刨J機(jī)構(gòu)對(duì)貸款農(nóng)戶的貸前內(nèi)部信用評(píng)級(jí)不能有效地預(yù)測(cè)農(nóng)戶的信用風(fēng)險(xiǎn)；利率、性別、婚姻狀況、職業(yè)、教育等微觀指標(biāo)對(duì)信用風(fēng)險(xiǎn)有較大影響；全國(guó)范圍的GDP和CPI、江蘇農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)、滯后一期的當(dāng)?shù)氐谝划a(chǎn)業(yè)GDP等宏觀指標(biāo)也對(duì)信用風(fēng)險(xiǎn)具有預(yù)測(cè)作用； Logistic模型在不平衡數(shù)據(jù)集上，依然能保持較好的分類精度。

關(guān)鍵詞：農(nóng)戶小額貸款；Logistic模型；違約影響因素；信用風(fēng)險(xiǎn)

中圖分類號(hào)：F323.9文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-9107（2017）03-0067-09

引言

隨著我國(guó)經(jīng)濟(jì)的不斷發(fā)展以及一系列支農(nóng)、惠農(nóng)政策的扶持，農(nóng)戶的收入及生活水平不斷提高，擴(kuò)大生產(chǎn)的積極性與消費(fèi)需求日益增長(zhǎng)。然而，盡管當(dāng)前農(nóng)戶對(duì)資金的需求在不斷提高，農(nóng)戶信貸市場(chǎng)上卻存在著嚴(yán)重的資金供求不平衡問題：大量農(nóng)戶希望通過貸款實(shí)現(xiàn)擴(kuò)大生產(chǎn)或者消費(fèi)，但農(nóng)村地區(qū)的信貸機(jī)構(gòu)由于難以識(shí)別借款農(nóng)戶的真實(shí)還款能力與還款意愿，一般出于謹(jǐn)慎，采取“惜貸”策略，僅僅向資信水平十分優(yōu)越的農(nóng)戶發(fā)放貸款。由此，一方面導(dǎo)致有貸款需求的農(nóng)戶無法得到資金，不能進(jìn)一步擴(kuò)大生產(chǎn)或進(jìn)行消費(fèi)；另一方面也使得信貸機(jī)構(gòu)積余了大量的閑置資金，資金利用率較低。存在這一現(xiàn)狀歸根結(jié)底的原因，在于農(nóng)戶信貸過程中的信用風(fēng)險(xiǎn)難以衡量。

信用風(fēng)險(xiǎn)是指獲得信用支持的債務(wù)人不能遵照合約按時(shí)足額償還本金和利息的可能性。為降低信用風(fēng)險(xiǎn)管理成本提高貸款決策效率，現(xiàn)代信貸機(jī)構(gòu)一般選擇以信用評(píng)估技術(shù)[12]對(duì)貸款人的信用風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)與管理。最初，信用評(píng)估模型往往由外部評(píng)估機(jī)構(gòu)開發(fā)，之后隨著現(xiàn)代商業(yè)銀行的不斷發(fā)展與壯大，各銀行構(gòu)建自己內(nèi)部的信用評(píng)估模型漸成為常態(tài)。巴塞爾協(xié)議II明確提出：在滿足某些最低條件和披露要求的前提下，有資格采用內(nèi)部評(píng)級(jí)（IRB）法的銀行可以根據(jù)自己對(duì)風(fēng)險(xiǎn)要素的估計(jì)值決定對(duì)特定暴露的資本要求[3]。

就問題性質(zhì)而言，信用評(píng)估在本質(zhì)上是一種分類問題：根據(jù)待評(píng)估樣本的多維度屬性指標(biāo)，設(shè)計(jì)合適的模型將樣本分為若干類。影響模型性能的因素主要有兩個(gè)：一是核心分類器的選擇，二是模型構(gòu)建時(shí)的指標(biāo)選取。現(xiàn)有較為成熟的分類器根據(jù)原理不同，大體可以分為基于傳統(tǒng)統(tǒng)計(jì)理論的分類器與基于數(shù)據(jù)挖掘技術(shù)的分類器兩類。前者主要包括線性回歸模型、Logistic模型、樸素貝葉斯（NB）、判別分析（DA）等[47]，后者有代表性的主要是人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）、決策樹、K最近鄰（K-NN）等[811]。

近年來，隨著上述分類器的漸漸成熟與流行，更多學(xué)者將研究重點(diǎn)轉(zhuǎn)移到我國(guó)農(nóng)戶信貸發(fā)展現(xiàn)狀及其違約影響因素方面。王定祥等以全國(guó)15個(gè)省份較貧困地區(qū)的1 156戶暫時(shí)性貧困型農(nóng)戶為研究對(duì)象，對(duì)貧困型農(nóng)戶信貸需求和信貸行為進(jìn)行了調(diào)查分析，發(fā)現(xiàn)當(dāng)前農(nóng)戶金融需求滿足率極低[12]；黃祖輝等以問卷調(diào)查的方式對(duì)820戶農(nóng)戶的借貸行為進(jìn)行考察，研究發(fā)現(xiàn)樣本地區(qū)大部分農(nóng)戶對(duì)正規(guī)和非正規(guī)信貸的需求均以消費(fèi)性為主[13]。楊勝剛等結(jié)合我國(guó)農(nóng)戶信貸市場(chǎng)的實(shí)際情況，通過調(diào)查某農(nóng)村信用社713個(gè)農(nóng)戶的貸款記錄，挖掘出違約與否的影響因素，并進(jìn)一步運(yùn)用層次分析法（AHP）設(shè)計(jì)了一套包含5個(gè)準(zhǔn)則層、17項(xiàng)指標(biāo)的農(nóng)戶信用評(píng)估體系[14]；楊宏玲等發(fā)現(xiàn)當(dāng)前農(nóng)村信貸機(jī)構(gòu)在選擇農(nóng)戶信用評(píng)價(jià)指標(biāo)時(shí)，主要以傳統(tǒng)的“5C”或“4C”分析法為主，方法比較單一[15]。胡愈等從我國(guó)小額信貸的實(shí)踐理論出發(fā)，建立農(nóng)戶信用等級(jí)評(píng)價(jià)的指標(biāo)體系[16]，李巖等則基于山東省573戶農(nóng)戶6年的貸款數(shù)據(jù)，全面系統(tǒng)地研究了農(nóng)戶貸款行為的發(fā)展規(guī)律及其影響因素。結(jié)果表明：農(nóng)戶性質(zhì)、性別、區(qū)域、年齡、教育、家庭人口、家庭勞動(dòng)力、家庭田地畝數(shù)均對(duì)農(nóng)戶貸款行為有不同程度的影響[17]。魏嵐等以遼寧省300戶農(nóng)戶的入戶調(diào)查資料為樣本數(shù)據(jù)，基于Logit模型建立了含10個(gè)指標(biāo)的小額信貸風(fēng)險(xiǎn)評(píng)價(jià)模型，并對(duì)模型的擬合結(jié)果進(jìn)行了檢驗(yàn)[18]。

研究農(nóng)戶小額貸款違約的影響因素，一方面，能夠幫助農(nóng)村商業(yè)銀行、信用合作社等信貸機(jī)構(gòu)進(jìn)一步提升信用風(fēng)險(xiǎn)管理能力，降低不良貸款率，維持我國(guó)以銀行業(yè)為主的金融體系穩(wěn)定；另一方面，通過提升信貸機(jī)構(gòu)對(duì)優(yōu)良借款農(nóng)戶的甄別率，鼓勵(lì)信貸機(jī)構(gòu)發(fā)放貸款，能夠緩解當(dāng)前我國(guó)農(nóng)戶融資難的問題，幫助并引導(dǎo)農(nóng)戶擴(kuò)大生產(chǎn)或增加消費(fèi)，進(jìn)一步提升農(nóng)戶的生活水平，在提高農(nóng)業(yè)產(chǎn)值之余，亦能擴(kuò)大消費(fèi)市場(chǎng)需求，緩解我國(guó)當(dāng)前的產(chǎn)能過剩問題。因此，具有重要的研究意義。然而，上述現(xiàn)有的研究，要么單從理論角度出發(fā)，缺乏基于真實(shí)樣本的實(shí)證證據(jù)；要么僅根據(jù)單一農(nóng)村商業(yè)銀行、信用合作社或調(diào)查問卷的小樣本農(nóng)戶信貸數(shù)據(jù)展開研究，其結(jié)論的代表性及指導(dǎo)意義有待商榷。相比之下，本研究基于江蘇北部某農(nóng)村地區(qū)2007-2015年18萬條真實(shí)農(nóng)戶大樣本信貸記錄展開研究，相比于現(xiàn)有研究文獻(xiàn)所用的單一信貸機(jī)構(gòu)在短期內(nèi)的農(nóng)戶信貸數(shù)據(jù)，本研究所選數(shù)據(jù)規(guī)模大、時(shí)間跨度長(zhǎng)，因此研究結(jié)果更具可信性與現(xiàn)實(shí)指導(dǎo)意義。

一、研究數(shù)據(jù)

本文的研究數(shù)據(jù)來自直接隸屬于國(guó)務(wù)院的某金融監(jiān)管機(jī)構(gòu)在江蘇北部某地區(qū)的農(nóng)戶信貸數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)搜集了該地區(qū)自1997年1月至2016年3月共292 837條轄區(qū)內(nèi)各農(nóng)村商業(yè)銀行網(wǎng)點(diǎn)、信用合作社等貸款機(jī)構(gòu)面向農(nóng)戶發(fā)放貸款的歷史記錄。從數(shù)據(jù)集的規(guī)模、來源權(quán)威性、樣本完整性等角度而言，其研究?jī)r(jià)值均較大。此外，該地區(qū)在江蘇省內(nèi)所占GDP比重較低，同時(shí)第一產(chǎn)業(yè)在該地區(qū)GDP中所占比重較高，因此比較適合針對(duì)農(nóng)戶的相關(guān)研究。

我們首先對(duì)原始數(shù)據(jù)集進(jìn)行樣本清洗，刪除存在缺失值的樣本。其次，由于1997—2006年、2016年到期的信貸記錄樣本數(shù)較少，且到期當(dāng)年均不存在違約樣本，故我們進(jìn)一步剔除上述期間到期的信貸記錄。另外，由于數(shù)據(jù)庫(kù)中存在部分農(nóng)村、鄉(xiāng)鎮(zhèn)企業(yè)的貸款記錄，這些記錄的貸款數(shù)額一般較大，而我們無法根據(jù)脫敏后的數(shù)據(jù)庫(kù)樣本信息將普通農(nóng)戶小額貸款與農(nóng)村、鄉(xiāng)鎮(zhèn)企業(yè)貸款主體予以明確的區(qū)分。鑒于2010年財(cái)政部、稅務(wù)總局在《關(guān)于農(nóng)村金融有關(guān)稅收政策的通知》中將農(nóng)村小額貸款明確定義為借款金額為5萬元以下的農(nóng)村地區(qū)貸款，本文將數(shù)據(jù)庫(kù)中實(shí)際貸款金額小于等于5萬元人民幣的貸款，劃分定義為普通農(nóng)戶小額貸款，以便下文的研究。最后，對(duì)于教育程度、是否有手機(jī)或電話、婚姻狀況等非數(shù)值變量，我們根據(jù)該監(jiān)管機(jī)構(gòu)提供的數(shù)據(jù)映射字典，分別對(duì)其進(jìn)行數(shù)值化映射以便后續(xù)操作。經(jīng)上述各項(xiàng)篩選、刪減、映射操作后，數(shù)據(jù)集中含有貸款到期日自2007年1月至2015年12月共180 008份樣本，其中違約樣本數(shù)135份。各樣本指標(biāo)的含義及統(tǒng)計(jì)描述見表1。

此外，現(xiàn)有研究農(nóng)戶貸款影響因素的相關(guān)文獻(xiàn)，大多僅基于單一農(nóng)村商業(yè)銀行或信用合作社短期內(nèi)的信貸樣本數(shù)據(jù)，在微觀層面展開研究，模型中一般并不加入宏觀經(jīng)濟(jì)指標(biāo)，因此也難以分析宏觀經(jīng)濟(jì)因素對(duì)不同時(shí)期信用風(fēng)險(xiǎn)的影響?？紤]到本文的研究數(shù)據(jù)具有描述地區(qū)信貸總體特征、跨期長(zhǎng)、數(shù)量大等特征，我們同時(shí)搜集了該地區(qū)2005—2015年，在借款年及還款年當(dāng)年、滯后1期（1年）、2期（2年）、3期（3年）的地區(qū)GDP、地區(qū)第一產(chǎn)業(yè)GDP、地區(qū)CPI、地區(qū)農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)以及全國(guó)GDP、全國(guó)第一產(chǎn)業(yè)GDP、全國(guó)CPI、M2等共計(jì)64（8×2×4）個(gè)宏觀經(jīng)濟(jì)指標(biāo)相關(guān)數(shù)據(jù)來自wind資訊，從而進(jìn)一步研究相應(yīng)的宏觀經(jīng)濟(jì)因素與農(nóng)戶小額貸款的違約狀況是否存在顯著的相關(guān)關(guān)系。

二、研究模型的構(gòu)建及穩(wěn)健性分析

（一）模型構(gòu)建

在研究信用評(píng)估問題時(shí)，一般以違約概率作為因變量展開研究，而考慮到普通的線性回歸模型不能保證因變量一定在[0，1]間分布，現(xiàn)有文獻(xiàn)一般采用Logistic模型。Logistic模型作為信用評(píng)估領(lǐng)域最經(jīng)典的模型之一，相比于當(dāng)前流行的各類基于人工智能、機(jī)器學(xué)習(xí)技術(shù)的分類模型，擁有適應(yīng)性強(qiáng)、迭代迅速等優(yōu)勢(shì)，同時(shí)也兼具對(duì)樣本屬性指標(biāo)的解釋性，故文本選擇基于Logistic模型展開實(shí)證研究。

設(shè)信用評(píng)估數(shù)據(jù)集共有n個(gè)樣本xi （i∈{1，2，…，n}），各樣本包含m個(gè)指標(biāo)Aj （j∈{1，2，…，m}），則第i個(gè)樣本在第j個(gè)指標(biāo)上的取值可表示為xij （i∈{1，2，…，n}，j∈{1，2，…，m}）。各樣本的類別標(biāo)簽yi∈{0，1}（i∈{1，2，…，n}）.若yi=0，則表示其對(duì)應(yīng)的xi 為信用較好的負(fù)類（negative）樣本；若yi=1，則表示其對(duì)應(yīng)的xi為信用較差的正類（positive）樣本。在二分類問題中，Logistic方程的基本形式為：

之后以最小化分類誤差為目標(biāo)，通過估計(jì)參數(shù)b0，b1，L，bm 完成模型構(gòu)建。Logistic方程本質(zhì)上衡量了各指標(biāo)與信用水平的半線性函數(shù)關(guān)系。

使用SPSS 20.0統(tǒng)計(jì)軟件進(jìn)行Logistic回歸分析?？紤]到備選指標(biāo)中可能存在共線程度較高，或與違約概率相關(guān)性不強(qiáng)的變量，本文選擇基于最大似然估計(jì)（LR）的逐步進(jìn)入法篩選變量，最終收斂步驟為18步，18步迭代后的模型分類結(jié)果如表2所示。模型中剩余的各顯著變量、其系數(shù)及顯著性檢驗(yàn)結(jié)果見表3。

（二）穩(wěn)健性分析

進(jìn)一步分析模型的穩(wěn)健性。一個(gè)首先值得注意的問題是：在本文研究所用數(shù)據(jù)集中，存在兩類樣本的數(shù)量極度不平衡的現(xiàn)象（即未違約的負(fù)類樣本數(shù)遠(yuǎn)遠(yuǎn)大于違約的正類樣本數(shù)），現(xiàn)有的相關(guān)研究表明：一些分類模型在面對(duì)不平衡樣本時(shí)，往往會(huì)更多地將正類樣本誤識(shí)別為負(fù)類樣本，從而導(dǎo)致模型的分類能力存在“多數(shù)類偏倚”[19]。現(xiàn)有文獻(xiàn)提出了一些較為成熟的解決樣本不平衡問題的方法，從原理上而言，這些方法大體可以分為兩類：一類是根據(jù)少數(shù)類樣本和與其相似多數(shù)類樣本的多維指標(biāo)分布特征，以一定算法生成新的少數(shù)類樣本，從而實(shí)現(xiàn)兩類樣本數(shù)量的均衡，這類方法具有代表性的主要有Oversamping[20]、SMOTE[21]、RAMBoost[22]、ADASYN[23]等；另一類方法則以現(xiàn)有少數(shù)類樣本的數(shù)量為基礎(chǔ)，在多數(shù)類樣本中根據(jù)一定算法抽取有代表性的樣本，實(shí)現(xiàn)兩類樣本的平衡，這類方法具有代表性的主要包括Subsamping[20]、CNNR[24]等。為驗(yàn)證本文所用數(shù)據(jù)集的不平衡是否會(huì)影響模型的分類結(jié)果，我們用MATLAB分別編程實(shí)現(xiàn)上述各樣本不平衡處理算法，之后對(duì)比在使用上述各樣本不平衡處理算法按兩類樣本1∶1平衡化處理后，構(gòu)建出的不同模型在分類性能上是否有顯著差異。

表4展示了經(jīng)上述6種算法分別處理后，Logistic模型分類能力的差異。從表4中可以明顯看出：在使用Oversampling算法之后，Logistic模型的分類性能急劇下降，總計(jì)分類正確百分比僅有50%，相當(dāng)于隨機(jī)分類方法。SMOTE、CNNR、RAMOBoost、ADASYN、Subsampling5種算法，在總計(jì)百分比上不能比表2中直接使用Logistic模型情況下的分類性能更優(yōu)，兩類樣本獨(dú)立分類正確率差異并不大。此外，考慮到任何對(duì)原始樣本數(shù)據(jù)的壓縮、增添過程都是對(duì)原始樣本集所含信息的一種抽樣與扭曲，從挖掘客觀、真實(shí)數(shù)據(jù)集特征的角度出發(fā)，本文選擇不對(duì)不平衡樣本進(jìn)行任何處理是有理有據(jù)的。

此外，最終被選中的各項(xiàng)顯著性指標(biāo)，是否敏感于我們使用的LR逐步進(jìn)入法？我們同時(shí)也對(duì)相同的樣本數(shù)據(jù)，分別采用基于條件參數(shù)估計(jì)、基于Wald方法的逐步進(jìn)入法重新構(gòu)建模型，發(fā)現(xiàn)在這兩種方法下，選擇的顯著性指標(biāo)與表3的結(jié)果完全相同，從而表明本文構(gòu)建的模型并不敏感于指標(biāo)的逐步進(jìn)入選擇方法，穩(wěn)健性較好。

三、實(shí)證結(jié)果分析

1.基準(zhǔn)利率、浮動(dòng)利率、實(shí)際利率指標(biāo)。在Logistic模型中，因變量為各樣本的違約概率，事實(shí)上度量的亦是各樣本的信用風(fēng)險(xiǎn)。根據(jù)表3，我們首先發(fā)現(xiàn)基準(zhǔn)利率、浮動(dòng)利率、實(shí)際利率三個(gè)指標(biāo)與信用風(fēng)險(xiǎn)呈較為顯著的相關(guān)關(guān)系。具體而言，基準(zhǔn)利率指標(biāo)與因變量的回歸系數(shù)為4.512，表明信用風(fēng)險(xiǎn)受借款時(shí)的基準(zhǔn)貸款利率影響較大，當(dāng)基準(zhǔn)貸款利率較高時(shí)，借款人實(shí)際上面臨著相對(duì)更重的未來還款負(fù)擔(dān)，從而導(dǎo)致違約概率上升。而浮動(dòng)利率則衡量了放貸機(jī)構(gòu)在基準(zhǔn)利率基礎(chǔ)上可調(diào)的利率區(qū)間，當(dāng)浮動(dòng)利率較高時(shí)，放貸機(jī)構(gòu)有一定沖動(dòng)通過提高利率浮動(dòng)水平以獲得超額利潤(rùn)，但事實(shí)上這一行為也增強(qiáng)了借款人的違約可能性。我們也發(fā)現(xiàn)實(shí)際利率與信用風(fēng)險(xiǎn)亦呈顯著的負(fù)相關(guān)關(guān)系，系數(shù)約為-0.216，這與常識(shí)及現(xiàn)有研究的一些結(jié)論相悖：違約概率應(yīng)當(dāng)與貸款利率正相關(guān)。對(duì)此筆者認(rèn)為：對(duì)當(dāng)前大多數(shù)農(nóng)村信貸機(jī)構(gòu)而言，由于貸款定價(jià)機(jī)制不健全，大多數(shù)貸款可能主要依據(jù)金融當(dāng)局的基準(zhǔn)利率附加一定比例的風(fēng)險(xiǎn)成本進(jìn)行定價(jià)，因此實(shí)際利率可能與基準(zhǔn)利率有較高的相關(guān)性。經(jīng)計(jì)算，實(shí)際利率與基準(zhǔn)利率的相關(guān)系數(shù)為0.43。我們同時(shí)嘗試在模型中不加入基準(zhǔn)利率與浮動(dòng)利率兩個(gè)指標(biāo)，此時(shí)實(shí)際利率的回歸系數(shù)為0.057，對(duì)應(yīng)的p值為0.006，依然保持顯著。正的系數(shù)與常識(shí)相符：實(shí)際利率越高，借款人的還款壓力越大，從而更易出現(xiàn)違約。

2.5級(jí)分類、信用水平指標(biāo)。5級(jí)分類指標(biāo)與信用風(fēng)險(xiǎn)在1%的顯著水平上顯著正相關(guān)，由此可以看出，該地區(qū)的農(nóng)村商業(yè)銀行、信用合作社等信貸機(jī)構(gòu)，已具備了一定的貸后信用風(fēng)險(xiǎn)管理能力。但信用水平這一貸前信用風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)并未進(jìn)入模型，我們同時(shí)計(jì)算出信用水平指標(biāo)與是否違約的因變量間的Pearson相關(guān)系數(shù)為-0.008，其相關(guān)性較弱，表明當(dāng)?shù)匦刨J機(jī)構(gòu)在貸前信用風(fēng)險(xiǎn)的管控上有待加強(qiáng)，其目前的貸前信用評(píng)估模型，并不能從貸款申請(qǐng)者之中有效識(shí)別出潛在的違約者。

3.性別、婚姻狀況、職業(yè)指標(biāo)。就性別因素而言，男性借款人的信用風(fēng)險(xiǎn)普遍高于女性，且差異較為顯著。婚姻狀況及穩(wěn)定性也對(duì)違約概率有較大程度的影響。具體來說，導(dǎo)致離異借款人離異的原因，可能是好逸惡勞、家庭責(zé)任感不強(qiáng)等因素，由此可合理推測(cè)其還款能力或還款意愿也較弱，而有子女的借款者，可能因自身需要履行撫養(yǎng)義務(wù)導(dǎo)致還款能力較差，從而更易違約。對(duì)于借款人具體的身份或技能而言，退伍軍人一般具有較強(qiáng)的責(zé)任感與使命感，生產(chǎn)、服務(wù)、技術(shù)人員相比于一般農(nóng)戶，可能更加注重自身的聲譽(yù)，因而違約風(fēng)險(xiǎn)相比于普通農(nóng)民更低。

4.教育指標(biāo)。值得注意的是，教育因素與信用風(fēng)險(xiǎn)是顯著正相關(guān)的，表面上看，接受教育的層次越高，則信用風(fēng)險(xiǎn)反而越大，這與我們預(yù)先的猜測(cè)相悖。然而，根據(jù)表1的描述性統(tǒng)計(jì)，該地區(qū)借款農(nóng)戶的平均受教育水平均值為1.45，介于小學(xué)文化與初中文化之間，因此事實(shí)上整體樣本的受教育水平依然處于一個(gè)較低的水平。僅根據(jù)實(shí)證結(jié)果來看，小學(xué)文化水平的借款者違約概率反而低于初中文化水平的借款者，對(duì)此我們認(rèn)為：在過去農(nóng)村地區(qū)低層次的教育環(huán)境下，僅有小學(xué)文化的農(nóng)戶相比接受了更高層次教育的農(nóng)戶，可能更具鄉(xiāng)村環(huán)境中與生俱來的淳樸、踏實(shí)、勤勞、講信用等優(yōu)良精神，在貸款時(shí)量力而為，在貸款后勤勉奮斗，從而還款能力較高；還款時(shí)，在淳樸信用觀念的驅(qū)動(dòng)下，恪守貸款合約義務(wù)，從而還款意愿較強(qiáng)，綜合使得低學(xué)歷的借款者違約概率較低。

5.擔(dān)保情況指標(biāo)。未解決結(jié)清擔(dān)保債務(wù)這一指標(biāo)也與信用風(fēng)險(xiǎn)負(fù)相關(guān)。然而傳統(tǒng)的信貸理論一般認(rèn)為：擔(dān)保是一種或有債務(wù)，債務(wù)水平越高的借款人，違約的可能性越大。從農(nóng)村信用借貸的微觀視角出發(fā)，我們猜測(cè)：首先，尋求擔(dān)保的借款人，往往偏好于選擇那些財(cái)力較強(qiáng)，且能被信貸機(jī)構(gòu)認(rèn)可的農(nóng)戶作為擔(dān)保人。因此事實(shí)上，成為被信貸機(jī)構(gòu)認(rèn)可的擔(dān)保人，本身就是資信水平的一種象征；其次，擔(dān)保人一般在當(dāng)?shù)鼐哂休^好的聲譽(yù)，從維護(hù)自身聲譽(yù)角度出發(fā)，擔(dān)保人一般也會(huì)選擇履行其擔(dān)保債務(wù)責(zé)任；最后，在現(xiàn)實(shí)操作中，擔(dān)保人與借款人之間一般可能存在親戚或鄰里關(guān)系，構(gòu)成一種隱蔽的“貸款團(tuán)體”。在貸款時(shí)，團(tuán)體成員間通過相互擔(dān)保的方式，提高貸款的成功率。而一旦某一成員出現(xiàn)還款困難，擔(dān)保人可以通過先墊付還款的方式，將該團(tuán)體與信貸機(jī)構(gòu)間的債務(wù)關(guān)系轉(zhuǎn)換為團(tuán)體內(nèi)部成員間的債務(wù)關(guān)系，從而同時(shí)保證了借款人與擔(dān)保人在信貸機(jī)構(gòu)中的信用記錄不會(huì)惡化。

6.宏觀經(jīng)濟(jì)指標(biāo)。另外，我們關(guān)注選擇的宏觀經(jīng)濟(jì)指標(biāo)是否對(duì)當(dāng)?shù)乜傮w信貸違約概率具有顯著影響。從表3可以看出，借款年全國(guó)GDP、借款年全國(guó)CPI、借款年江蘇農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)、滯后一期的借款年當(dāng)?shù)氐谝划a(chǎn)業(yè)GDP四個(gè)指標(biāo)與當(dāng)?shù)仄骄`約概率顯著相關(guān)，四個(gè)指標(biāo)項(xiàng)系數(shù)分別為-0.000 34、-0.21、0.716與1.101。

對(duì)于系數(shù)為負(fù)的借款年全國(guó)GDP、借款年全國(guó)CPI兩個(gè)指標(biāo)，本文嘗試從農(nóng)戶的生產(chǎn)收入角度予以分析。首先根據(jù)表1中“借款期限”一項(xiàng)，我們發(fā)現(xiàn)當(dāng)?shù)剞r(nóng)戶借款期限一般較短，平均在1年左右（369.62天）。根據(jù)古典經(jīng)濟(jì)學(xué)理論，當(dāng)借款期間整體經(jīng)濟(jì)形勢(shì)較好時(shí)，一般直接體現(xiàn)為生產(chǎn)擴(kuò)大，GDP上升，進(jìn)一步導(dǎo)致勞動(dòng)者收入增加，消費(fèi)需求增加。在農(nóng)產(chǎn)品供應(yīng)量增量不大的條件下（考慮到農(nóng)產(chǎn)品與一般商品的生產(chǎn)過程不同，其生產(chǎn)周期一般較長(zhǎng)，因此農(nóng)產(chǎn)品供應(yīng)量增量不大的假設(shè)是合理的），均衡價(jià)格上升，一般也伴隨著總體物價(jià)水平（CPI）上升，農(nóng)戶因銷售農(nóng)產(chǎn)品獲得的收入增加，從而在借款期內(nèi)現(xiàn)金流較高，還款能力提升。

對(duì)于系數(shù)為正的借款年江蘇農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)、滯后一期的借款年當(dāng)?shù)氐谝划a(chǎn)業(yè)GDP兩個(gè)指標(biāo)，我們嘗試從農(nóng)戶生產(chǎn)決策的角度出發(fā)展開探討。對(duì)于借款年江蘇農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)指標(biāo)，由于農(nóng)戶對(duì)生產(chǎn)資料（如種子、魚苗、化肥、除蟲除草藥劑等）的購(gòu)買大多是剛性需求，而農(nóng)產(chǎn)品銷售的收入一般有限，當(dāng)借款年當(dāng)?shù)剞r(nóng)業(yè)生產(chǎn)資料價(jià)格普遍上升時(shí)，農(nóng)戶很可能因此被迫選擇貸款購(gòu)買，從而維持生計(jì)。由于這一貸款行為完全是由剛性需求主導(dǎo)的，貸款動(dòng)機(jī)背后并無預(yù)期收入增加作為還款資金支持，因此信用風(fēng)險(xiǎn)相比較大。對(duì)于借款年當(dāng)?shù)氐谝划a(chǎn)業(yè)GDP這一指標(biāo)，我們認(rèn)為農(nóng)戶在生產(chǎn)決策中，信息來源一般比較狹窄，決策主要依據(jù)自身經(jīng)驗(yàn)、他人建議及對(duì)當(dāng)?shù)亍俺晒φ摺钡挠^察。當(dāng)借款年當(dāng)?shù)氐谝划a(chǎn)業(yè)產(chǎn)值較高時(shí)，農(nóng)戶可能通過多種渠道認(rèn)知了“今年形勢(shì)較好”這一事實(shí)，進(jìn)而根據(jù)適應(yīng)性預(yù)期理論，可能認(rèn)為當(dāng)前的良好形勢(shì)能在來年延續(xù)，從而決定貸款跟風(fēng)擴(kuò)大生產(chǎn)，由此因生產(chǎn)經(jīng)營(yíng)決策風(fēng)險(xiǎn)引致出信用風(fēng)險(xiǎn)。

7.未進(jìn)入模型指標(biāo)。最后，我們也注意到貸款申請(qǐng)額度、實(shí)際貸款額度、擔(dān)保方式、年齡、是否有手機(jī)或電話、健康狀況、年收入、信用水平、借款期限等微觀指標(biāo)由于顯著性不強(qiáng)，并未被納入模型?？赡艿脑蚴牵涸谵r(nóng)戶小額貸款過程中，貸款的申請(qǐng)額度與實(shí)際貸款額度等指標(biāo)不同個(gè)體間差異并不明顯，而健康狀況、年收入等指標(biāo)由于信貸機(jī)構(gòu)難以核實(shí)，因此其區(qū)分信用風(fēng)險(xiǎn)的作用有限。隨著電子通訊產(chǎn)品及通信費(fèi)用的逐年降低，手機(jī)或電話已成為使用成本低廉的大眾化通訊工具，該指標(biāo)的意義不再明顯。另外，還款年的各項(xiàng)宏觀經(jīng)濟(jì)指標(biāo)也未被納入模型，借款年的該地區(qū)的GDP、CPI、同期全國(guó)第一產(chǎn)業(yè)GDP、M2等指標(biāo)及其滯后項(xiàng)也未納入模型。一般認(rèn)為：還款年的經(jīng)濟(jì)形勢(shì)、物價(jià)水平等因素可能會(huì)對(duì)借款人的還款意愿與還款能力造成影響，但本文的研究并未證實(shí)這一點(diǎn)，原因可能在于：借款農(nóng)戶出于謹(jǐn)慎，往往未雨綢繆，在還款期之前一段時(shí)間即準(zhǔn)備好了相應(yīng)的應(yīng)還賬款，從而受還款期整體經(jīng)濟(jì)形勢(shì)的影響并不大。

四、結(jié)論及政策建議

本文基于江蘇北部某地區(qū)2007—2015年18萬條真實(shí)農(nóng)戶大樣本信貸記錄，對(duì)影響當(dāng)?shù)剞r(nóng)戶小額貸款違約與否的宏微觀因素展開研究。研究首先發(fā)現(xiàn)“信用水平”指標(biāo)與農(nóng)戶的真實(shí)違約情況關(guān)聯(lián)不顯著，意味著當(dāng)?shù)匦刨J機(jī)構(gòu)對(duì)貸款農(nóng)戶的內(nèi)部信用評(píng)級(jí)不能有效地預(yù)測(cè)農(nóng)戶的信用風(fēng)險(xiǎn)。之后，挖掘出利率、五級(jí)分類、性別、婚姻狀況、職業(yè)、教育、未解決結(jié)清擔(dān)保債務(wù)、借款年全國(guó)GDP、借款年全國(guó)CPI、借款年江蘇農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)、滯后一期的借款年當(dāng)?shù)氐谝划a(chǎn)業(yè)GDP等指標(biāo)與農(nóng)戶小額貸款信用風(fēng)險(xiǎn)有較為顯著的關(guān)聯(lián)性，可以作為當(dāng)?shù)匦刨J機(jī)構(gòu)農(nóng)戶小額貸款信用評(píng)估模型的指標(biāo)。此外，驗(yàn)證發(fā)現(xiàn)基于LR逐步進(jìn)入法的Logistic模型，在兩類樣本不平衡性較大的數(shù)據(jù)集上，依然能保持較好的分類精度，具有較高的魯棒性。

最后，結(jié)合對(duì)實(shí)證結(jié)果的分析，我們?yōu)楫?dāng)?shù)剞r(nóng)村信貸機(jī)構(gòu)及金融監(jiān)管當(dāng)局如何更好地管理信用風(fēng)險(xiǎn)提出如下幾點(diǎn)建議：

1.研究發(fā)現(xiàn)當(dāng)?shù)匦刨J機(jī)構(gòu)的貸前信用評(píng)估模型并不能有效預(yù)測(cè)貸款申請(qǐng)農(nóng)戶的真實(shí)信用風(fēng)險(xiǎn)。因此，當(dāng)?shù)匦刨J機(jī)構(gòu)需要強(qiáng)化貸前內(nèi)部信用評(píng)估體系的研發(fā)，構(gòu)建性能較強(qiáng)的、符合當(dāng)?shù)貙?shí)際信貸現(xiàn)狀的內(nèi)部信用評(píng)估模型，同時(shí)加強(qiáng)傳統(tǒng)的非模型化信用評(píng)估方法和貸后管理。

2.在構(gòu)建內(nèi)部信用評(píng)估模型時(shí)，可以考慮在模型中加入全國(guó)GDP、全國(guó)CPI、江蘇農(nóng)業(yè)生產(chǎn)資料價(jià)格指數(shù)、滯后一期的當(dāng)?shù)氐谝划a(chǎn)業(yè)GDP等指標(biāo)，結(jié)合現(xiàn)有的諸如微觀評(píng)估指標(biāo)，從更全面的視角對(duì)貸款農(nóng)戶信用水平進(jìn)行深度評(píng)估。對(duì)金融監(jiān)管當(dāng)局來說，亦可嘗試基于相應(yīng)的宏觀經(jīng)濟(jì)指標(biāo)，對(duì)當(dāng)?shù)剞r(nóng)戶信貸風(fēng)險(xiǎn)進(jìn)行恰當(dāng)?shù)念A(yù)測(cè)，從而及時(shí)向當(dāng)?shù)匦刨J機(jī)構(gòu)提供預(yù)警。

3.鑒于農(nóng)戶違約概率與借款時(shí)的基準(zhǔn)貸款利率、浮動(dòng)利率、實(shí)際利率關(guān)聯(lián)性較強(qiáng)，金融當(dāng)局應(yīng)當(dāng)進(jìn)一步推進(jìn)利率市場(chǎng)化工作，逐漸放開利率市場(chǎng)管制，避免因過高的基準(zhǔn)貸款利率限制，變相提升農(nóng)戶貸款成本，因農(nóng)戶還款能力下降導(dǎo)致違約概率上升。對(duì)于貸款機(jī)構(gòu)，亦應(yīng)從長(zhǎng)遠(yuǎn)角度出發(fā)，對(duì)不同信用水平的貸款農(nóng)戶實(shí)施差別化貸款定價(jià)，對(duì)資信較好的農(nóng)戶提供較低的實(shí)際貸款利率，構(gòu)建長(zhǎng)期的客戶合作關(guān)系，而不可“揠苗助長(zhǎng)”，片面追求短期的利潤(rùn)，以較高的貸款利率將真實(shí)信用水平較高的農(nóng)戶拒之門外，反而吸引了信用風(fēng)險(xiǎn)較大的借款人，引致道德風(fēng)險(xiǎn)與逆向選擇問題。

4.考慮到金融知識(shí)對(duì)信用風(fēng)險(xiǎn)的顯著影響，建議當(dāng)?shù)亟鹑诒O(jiān)管當(dāng)局應(yīng)積極與貸款機(jī)構(gòu)合作開展農(nóng)戶信用意識(shí)科普活動(dòng)，讓更多有資金需求的農(nóng)戶在了解小額貸款相關(guān)的金融知識(shí)之余，提高借款農(nóng)戶的還款意愿。同時(shí)，可以結(jié)合大數(shù)據(jù)技術(shù)，構(gòu)建當(dāng)?shù)剞r(nóng)戶信用信息庫(kù)，一方面，為后續(xù)的信用評(píng)估模型構(gòu)建提供數(shù)據(jù)樣本支持，另一方面，通過記錄歷史違約信息，構(gòu)建違約懲戒機(jī)制，提高違約成本，激勵(lì)借款農(nóng)戶提高自身的還款動(dòng)力。此外，當(dāng)?shù)卣畱?yīng)當(dāng)積極引導(dǎo)當(dāng)?shù)剞r(nóng)戶科學(xué)進(jìn)行生產(chǎn)決策，避免因扎堆跟風(fēng)、盲目擴(kuò)大生產(chǎn)導(dǎo)致農(nóng)戶進(jìn)行非理性貸款，從而降低信用風(fēng)險(xiǎn)。

參考文獻(xiàn)：

[1] Lessmann S，Baesens B，Seow H V，et al.Benchmarking Stateoftheart Classification Algorithms for Credit Scoring：An Update of Research[J].European Journal of Operational Research，2015，247（1）：132.

[2]Thomas L C，Edelman D B，Crook J N. Credit Scoring and its Applications[M].Philadelphia ：Siam，2002.

[3]Decamps J P，Rochet J C，Roger B. The Three Pillars of Basel II： Optimizing the Mix[J].Journal of Financial Intermediation，2004，13（2）：132155.

[4]Orgler Y E.A Credit Scoring Model for Commercial Loans[J].Journal of Money，Credit and Banking，1970，2（4）：435445.

[5]Steenackers A，Goovaerts M J.A Credit Scoring Model for Personal Loans[J].Insurance：Mathematics and Economics，1989，8（1）：3134.

[6]Leonard K J.Empirical Bayes Analysis of the Commercial Loan Evaluation Process[J].Statistics & Probability Letters，1993，18（4）：289296.

[7]Lessmanna S，Seowb H，Baesenscd B，et al. Benchmarking Stateoftheart Classification Algorithms for Credit Scoring：A Tenyear Update[C]//Credit Research Centre，Conference Archive，2013.

[8]Chuang C L，Huang S T.A Hybrid Neural Network Approach for Credit Scoring[J].Expert Systems，2011，28（2）：185196.

[9]Bellotti T，Crook J.Support Vector Machines for Credit Scoring and Discovery of Significant Features[J].Expert Systems With Applications，2009，36（2）：3 3023 308.

[10]龐素琳，鞏吉璋.C5.0分類算法及在銀行個(gè)人信用評(píng)級(jí)中的應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2009，29（12）：94104.

[11]Henley W E.Construction of a Knearestneighbour Creditscoring System[J].IMA Journal of Management Mathematics，1997，8（4）：305321.

[12]王定祥，田慶剛，李伶俐，等.貧困型農(nóng)戶信貸需求與信貸行為實(shí)證研究[J].金融研究，2011（5）：124138.

[13]黃祖輝， 劉西川， 程恩江. 中國(guó)農(nóng)戶的信貸需求：生產(chǎn)性抑或消費(fèi)性——方法比較與實(shí)證分析[J].管理世界， 2007（3）：139148.

[14]楊勝剛，夏唯，張磊，等.信用缺失環(huán)境下的農(nóng)戶信用評(píng)估指標(biāo)體系構(gòu)建研究[J].財(cái)經(jīng)理論與實(shí)踐，2012，33（6）：712.

[15]楊宏玲，郭高玲.基于BBC與價(jià)值鏈風(fēng)險(xiǎn)分析的農(nóng)戶信用評(píng)價(jià)指標(biāo)體系探析[J].科技管理研究，2011，31（6）：6366.

[16]胡愈，許紅蓮，王雄.農(nóng)戶小額信用貸款信用評(píng)級(jí)探究[J].財(cái)經(jīng)理論與實(shí)踐，2007，28（1）：3033.

[17]李巖，蘭慶高，趙翠霞.農(nóng)戶貸款行為的發(fā)展規(guī)律及其影響因素——基于山東省573戶農(nóng)戶6年追蹤數(shù)據(jù)[J].南開經(jīng)濟(jì)研究，2014（1）：134145.

[18]魏嵐.農(nóng)戶小額信貸風(fēng)險(xiǎn)評(píng)價(jià)體系研究[J].財(cái)經(jīng)問題研究，2013（8）：125128.

[19]Batista G E，Prati R C，Monard M C.A Study of the Behavior of Several Methods for Balancing Machine Learning Training Data[J].ACM Sigkdd Explorations Newsletter，2004，6（1）：2029.

[20]Yap B W，Rani K A，Rahman H A A，et al.An Application of Oversampling，Undersampling， Bagging and Boosting in Handling Imbalanced Datasets[C]//Proceedings of the First International Conference on Advanced Data and Information Engineering （DaEng2013）.Springer Singapore，2014：1322.

[21]Chawla N V，Bowyer K W，Hall L O，et al.SMOTE：Synthetic Minority Oversampling Technique[J].Journal of Artificial Intelligence Research，2002，16（1）：321357.

[22]Chen S，He H，Garcia E A.RAMOBoost： Ranked Minority Oversampling in Boosting[J].IEEE Transactions on Neural Networks，2010，21（10）：1 6241 642.

[23]He H，Bai Y，Garcia E A，et al.ADASYN：Adaptive Synthetic Sampling Approach for Imbalanced Learning[C]//2008 IEEE International Joint Conference on Neural Networks （IEEE World Congress on Computational Intelligence）.IEEE，2008：1 3221 328.

[24]Gowda K C，Krishna G.The Condensed Nearest Neighbor Rule Using the Concept of Mutual Nearest Neighborhood[J].IEEE Transactions on Information Theory，1979，25（4）：488490.