我國中小微企業(yè)在吸收剩余勞動力、提高地方財政收入、推動社會發(fā)展等方面，在推動國民經濟發(fā)展中發(fā)揮了重要作用[1]。2020年年初，受全球疫情沖擊，世界經濟嚴重衰退，產業(yè)鏈、供應鏈循環(huán)受阻，住宿餐飲、交通運輸、文化旅游、休閑娛樂和批發(fā)零售等行業(yè)市場均有所萎縮[2-3]。其中，中小微企業(yè)相比于其他類型企業(yè)面臨更為嚴峻的考驗，超15.7%的中小微企業(yè)由于負債過高而倒閉，無力償還貸款，給我國信貸行業(yè)帶來了較大沖擊[4]。

因此，依據不同行業(yè)、不同類型、不同經濟成分企業(yè)所受疫情等突發(fā)因素影響程度的大小，對以往研究中的風險評估模型進行優(yōu)化調整，就顯得尤為重要[5-6]。此外，本文基于其他類型突發(fā)因素的強度、頻率和發(fā)生概率對不同行業(yè)、不同類型企業(yè)的多維度影響模型進行了推測假想。

1 模型建構及求解

為提升企業(yè)信貸風險評估模型Y的準確性和普適性，我們引入了一個突發(fā)因素對信貸風險的總影響T（T∈R），表征突發(fā)因素的發(fā)生概率、類型、強度、頻率對不同行業(yè)領域和不同成分類型的企業(yè)影響程度，即存在突發(fā)因素對企業(yè)信貸風險評估產生的整體影響。

1.1 構建新冠疫情總影響T'的指標評價體系

我們以2020年最為嚴重的新冠肺炎疫情為例，利用AHP法分析其對不同行業(yè)、不同類型企業(yè)影響程度的相對大小，構建T'指標評價體系，如表1所示。

表1 新冠肺炎疫情對信貸風險值產生的總影響評價指標體系

1.2 判斷矩陣M構建

以準則層指標的比較為例，Q1至Q2位于準則層，且同屬于目標層指標T。設判斷矩陣M1=(dij)2×2，(i，j=1，2)，dij表示Qi相對于Qj的重要性。矩陣M1=(dij)2×2即為表示準則層指標Q1至Q2針對目標層指標相對重要性的判斷矩陣。

矩陣M1

矩陣M2

矩陣M3

1.3 特征值法計算權重

按照此特征值法，計算各矩陣對應的權重向量表征各因素受疫情影響程度。

對應于判斷矩陣M1的權重向量記為W’=(0.8,0.4)

對應于判斷矩陣M2的權重向量記為W’：

對應于判斷矩陣M3的權重向量記為W’’：

W’’=（0.0203，0.2488，0.0807，0.2858，0.1077，0.1527，0.0624，0.0416）T

1.4 檢驗矩陣一致性

按照以上兩步計算得：

均達到CR≤0.1的要求，表明各判斷矩陣的一致性可以接受。

表1顯示：對A組運動前和運動后所測積極幸福感、心理煩惱和疲勞三項指標的平均分數分別為 17.83 分和19.17 分、9.17 分和 8.67分、11.08分和11.21 分，經配對樣本 T 檢驗分析所得，A組運動前和運動后積極幸福感得分高，且具有顯著性差異(P<0.05)，說明慢跑對大學生的積極幸福感獲得是有正向作用的。但是在心理煩惱和疲勞得分方面，對運動前和運動后無顯著性差異(P>0.05)。

2 信貸額度調整策略

新冠肺炎疫情會對不同行業(yè)、不同經濟成分類型的企業(yè)產生不同的影響，即上文中模型求解得出的各項權重。

令新冠肺炎疫情對某類型企業(yè)的總影響T'=0.8λQ1+0.2λQ1，按照上文中的9個行業(yè)、8個企業(yè)類型分別計算T'值大?。?/p>

表2 信貸額度調整策略T'值

其中交通物流類的個體經濟的T'值最大，高達0.2938，表明新冠肺炎疫情對于該類型企業(yè)打擊最大，即銀行投資該企業(yè)的借貸風險最高；房地產行業(yè)的國有企業(yè)T'值最小，低至0.0199，表明新冠肺炎疫情對于該企業(yè)的借貸風險的影響最低。

按照值T'進行策略等級S的評定，T'值越高則相應策略等級越靠后，即企業(yè)受新冠疫情的打擊越重，越無法從銀行得到優(yōu)惠的信貸策略。顯然，銀行應給予T'值較小的企業(yè)更多的借貸優(yōu)惠以取得穩(wěn)定收益。

表3 由T'決定的策略

以相關數據為參考，銀行信貸浮動可分配額還有400萬元，這也是我們用于模型調整的主要資金來源。

(1)當T'∈[0.0199，0.0433]，企業(yè)策略等級為I的12家產業(yè)信貸額度漲幅在4%～5%內，針對信貸額度更小者給予略大的信貸額度漲幅。

(2)當T'∈[0.04382，0.0703]，策略等級為II的12家企業(yè)信貸額度漲幅在3%～4%內，針對信貸額度值更小者給予略大的信貸額度漲幅。

(3)當T'∈[0.07064，0.10726]，策略等級為III的12家企業(yè)信貸額度漲幅在2%～3%內，針對信貸額度值更小者給予略大的信貸額度漲幅。

(4)當T'∈[0.11266,0.2938]，策略等級為IV、V的28家企業(yè)，不提供信貸額度漲幅。

3 多元突發(fā)因素的策略猜想

新冠肺炎疫情屬于突發(fā)感染性公共衛(wèi)生事件，與其他不同類型、不同強度、不同發(fā)生概率和頻率的突發(fā)因素對于某一給定企業(yè)的信貸風險影響程度區(qū)別顯著。此外，不同行業(yè)領域、不同成分類型的企業(yè)受某一給定突發(fā)因素的影響程度也不盡相同。

我們在多元突發(fā)因素對于各個企業(yè)信貸風險的處理中，極易忽略突發(fā)因素總影響T的決定因子——突發(fā)因素發(fā)生概率Tp[Tp∈(0.1)]。

Tp趨近于0，表明突發(fā)因素幾乎不可能發(fā)生；

Tp越大則突發(fā)因素發(fā)生的可能性越高；

Tp=1時，表明該突發(fā)因素已經發(fā)生(如新冠肺炎疫情、南方洪澇災害等)。

結合Tp的取值，我們可以進行已有突發(fā)因素的影響程度考察，也可賦值對未發(fā)生的突發(fā)因素進行預判。

設突發(fā)因素類型T1、突發(fā)因素強度T2和突發(fā)因素頻率T3，即三者均為總影響T的層次影響因子，即不同層次對T值有不同程度的影響。

由上述關系給出定義式：

其中α、β和γ可通過層次分析法計算求值。若T>0，則表明該突發(fā)因素使企業(yè)信貸風險增大；若T=0，表明該突發(fā)因素對企業(yè)信貸風險無影響；若T＜0，表明該突發(fā)因素使信貸風險減小。

而突發(fā)因素往往對不同行業(yè)、不同類別的企業(yè)會有不同的影響，因此我們推測可以將10種行業(yè)和8種類型的企業(yè)數據作為自變量，令T1、T2、T3作為行業(yè)領域和企業(yè)成分類型的函數進行分析，再利用最小二乘法擬合系數。

最終，我們可依據突發(fā)因素總影響T完善企業(yè)風險評估模型的函數構造，進而調整信貸策略。