農(nóng)戶小額貸款違約影響因素研究

1、    農(nóng)戶小額貸款違約影響因素研究    張潤馳 杜亞斌 荊偉 孫明明 摘要：基于江蘇北部某地區(qū)20072015年18萬條真實農(nóng)戶大樣本小額貸款記錄，結(jié)合當(dāng)?shù)丶叭珖鴆pi、gdp、第一產(chǎn)業(yè)產(chǎn)值、地區(qū)農(nóng)業(yè)生產(chǎn)資料價格指數(shù)等宏觀經(jīng)濟指標(biāo)，采用基于最大似然估計逐步進入法的logistic模型，篩選對農(nóng)戶違約概率影響較為顯著的指標(biāo)，之后對各指標(biāo)經(jīng)濟含義進行了解釋并對模型進行穩(wěn)健性分析。研究發(fā)現(xiàn)：信用水平指標(biāo)與農(nóng)戶的真實違約情況關(guān)聯(lián)不顯著，意味著當(dāng)?shù)匦刨J機構(gòu)對貸款農(nóng)戶的貸前內(nèi)部信用評級不能有效地預(yù)測農(nóng)戶的信用風(fēng)險；利率、性別、婚姻狀況、職業(yè)、教育等微觀指標(biāo)對信用

2、風(fēng)險有較大影響；全國范圍的gdp和cpi、江蘇農(nóng)業(yè)生產(chǎn)資料價格指數(shù)、滯后一期的當(dāng)?shù)氐谝划a(chǎn)業(yè)gdp等宏觀指標(biāo)也對信用風(fēng)險具有預(yù)測作用； 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：f323.9：a ：1009-9107（2017）03-0067-09引言隨著我國經(jīng)濟的不斷發(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，擴大生產(chǎn)的積極性與消費需求日益增長。然而，盡管當(dāng)前農(nóng)戶對資金的需求在不斷提高，農(nóng)戶信貸市場上卻存在著嚴(yán)重的資金供求不平衡問題：大量農(nóng)戶希望通過貸款實現(xiàn)擴大生產(chǎn)或者消費，但農(nóng)村地

3、區(qū)的信貸機構(gòu)由于難以識別借款農(nóng)戶的真實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，不能進一步擴大生產(chǎn)或進行消費；另一方面也使得信貸機構(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)險難以衡量。信用風(fēng)險是指獲得信用支持的債務(wù)人不能遵照合約按時足額償還本金和利息的可能性。為降低信用風(fēng)險管理成本提高貸款決策效率，現(xiàn)代信貸機構(gòu)一般選擇以信用評估技術(shù)12對貸款人的信用風(fēng)險進行預(yù)測與管理。最初，信用評估模型往往由外部評估機構(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

4、銀行構(gòu)建自己內(nèi)部的信用評估模型漸成為常態(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)部評級（irb）法的銀行可以根據(jù)自己對風(fēng)險要素的估計值決定對特定暴露的資本要求3。就問題性質(zhì)而言，信用評估在本質(zhì)上是一種分類問題：根據(jù)待評估樣本的多維度屬性指標(biāo)，設(shè)計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：一是核心分類器的選擇，二是模型構(gòu)建時的指標(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

5、是人工神經(jīng)網(wǎng)絡(luò)（ann）、支持向量機（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)者將研究重點轉(zhuǎn)移到我國農(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15個省份較貧困地區(qū)的1 156戶暫時性貧困型農(nóng)戶為研究對象，對貧困型農(nóng)戶信貸需求和信貸行為進行了調(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820戶農(nóng)戶的借貸行為進行考察，研究發(fā)現(xiàn)樣本地區(qū)大部分農(nóng)戶對正規(guī)和非正規(guī)信貸的需求均以消費性為主13。楊勝剛等結(jié)合我國農(nóng)戶信貸市場的實際情況，通過調(diào)查某農(nóng)村信用社713個農(nóng)戶的貸款記錄，挖掘出違約與否的影響因素，并進一步運用

6、層次分析法（ahp）設(shè)計了一套包含5個準(zhǔn)則層、17項指標(biāo)的農(nóng)戶信用評估體系14；楊宏玲等發(fā)現(xiàn)當(dāng)前農(nóng)村信貸機構(gòu)在選擇農(nóng)戶信用評價指標(biāo)時，主要以傳統(tǒng)的“5c”或“4c”分析法為主，方法比較單一15。胡愈等從我國小額信貸的實踐理論出發(fā)，建立農(nóng)戶信用等級評價的指標(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、家庭勞動力、家庭田地畝數(shù)均對農(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個指標(biāo)的小額信貸風(fēng)險評價模型，并對模型

7、的擬合結(jié)果進行了檢驗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構(gòu)進一步提升信用風(fēng)險管理能力，降低不良貸款率，維持我國以銀行業(yè)為主的金融體系穩(wěn)定；另一方面，通過提升信貸機構(gòu)對優(yōu)良借款農(nóng)戶的甄別率，鼓勵信貸機構(gòu)發(fā)放貸款，能夠緩解當(dāng)前我國農(nóng)戶融資難的問題，幫助并引導(dǎo)農(nóng)戶擴大生產(chǎn)或增加消費，進一步提升農(nóng)戶的生活水平，在提高農(nóng)業(yè)產(chǎn)值之余，亦能擴大消費市場需求，緩解我國當(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)，缺乏基于真實樣本的實證證據(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，

8、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18萬條真實農(nóng)戶大樣本信貸記錄展開研究，相比于現(xiàn)有研究文獻所用的單一信貸機構(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、時間跨度長，因此研究結(jié)果更具可信性與現(xiàn)實指導(dǎo)意義。一、研究數(shù)據(jù)本文的研究數(shù)據(jù)來自直接隸屬于國務(wù)院的某金融監(jiān)管機構(gòu)在江蘇北部某地區(qū)的農(nóng)戶信貸數(shù)據(jù)庫。數(shù)據(jù)庫搜集了該地區(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、信用合作社等貸款機構(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，其研究價值均較大。此外，該地區(qū)在江蘇省內(nèi)所占gd

9、p比重較低，同時第一產(chǎn)業(yè)在該地區(qū)gdp中所占比重較高，因此比較適合針對農(nóng)戶的相關(guān)研究。 我們首先對原始數(shù)據(jù)集進行樣本清洗，刪除存在缺失值的樣本。其次，由于19972006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，故我們進一步剔除上述期間到期的信貸記錄。另外，由于數(shù)據(jù)庫中存在部分農(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)庫中實際貸款金

10、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，對于教育程度、是否有手機或電話、婚姻狀況等非數(shù)值變量，我們根據(jù)該監(jiān)管機構(gòu)提供的數(shù)據(jù)映射字典，分別對其進行數(shù)值化映射以便后續(xù)操作。經(jīng)上述各項篩選、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，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)濟指標(biāo)，因此也難以分析宏觀經(jīng)濟因素對不同時期信用風(fēng)險的影響?？紤]到本文的研

11、究數(shù)據(jù)具有描述地區(qū)信貸總體特征、跨期長、數(shù)量大等特征，我們同時搜集了該地區(qū)20052015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)資料價格指數(shù)以及全國gdp、全國第一產(chǎn)業(yè)gdp、全國cpi、m2等共計64（8×2×4）個宏觀經(jīng)濟指標(biāo)相關(guān)數(shù)據(jù)來自wind資訊，從而進一步研究相應(yīng)的宏觀經(jīng)濟因素與農(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)建在研究信用評估問題時，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

12、分布，現(xiàn)有文獻一般采用logistic模型。logistic模型作為信用評估領(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、機器學(xué)習(xí)技術(shù)的分類模型，擁有適應(yīng)性強、迭代迅速等優(yōu)勢，同時也兼具對樣本屬性指標(biāo)的解釋性，故文本選擇基于logistic模型展開實證研究。設(shè)信用評估數(shù)據(jù)集共有n個樣本xi （i1，2，n），各樣本包含m個指標(biāo)aj （j1，2，m），則第i個樣本在第j個指標(biāo)上的取值可表示為xij （i1，2，n，j1，2，m）。各樣本的類別標(biāo)簽yi0，1（i1，2，n）.若yi=0，則表示其對應(yīng)的xi 為信用較好的負(fù)類（negative）樣本；若yi=1，則表示其對應(yīng)的xi為信用較差

13、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)計軟件進行l(wèi)ogistic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)性不強的變量，本文選擇基于最大似然估計（lr）的逐步進入法篩選變量，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)及顯著性檢驗結(jié)果見表3。（二）穩(wěn)健性分析進一步分析模型的穩(wěn)健性。一個首先值得注意的問題是：在本文研究所用

14、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不平衡樣本時，往往會更多地將正類樣本誤識別為負(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?，F(xiàn)有文獻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oversamping20、smote21、ramboost22、adasyn23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

15、多數(shù)類樣本中根據(jù)一定算法抽取有代表性的樣本，實現(xiàn)兩類樣本的平衡，這類方法具有代表性的主要包括subsamping20、cnnr24等。為驗證本文所用數(shù)據(jù)集的不平衡是否會影響模型的分類結(jié)果，我們用matlab分別編程實現(xiàn)上述各樣本不平衡處理算法，之后對比在使用上述各樣本不平衡處理算法按兩類樣本11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，總計分類正確百分比僅有50%，相當(dāng)于隨機分類方法。smote、cnnr、

16、ramoboost、adasyn、subsampling5種算法，在總計百分比上不能比表2中直接使用logistic模型情況下的分類性能更優(yōu)，兩類樣本獨立分類正確率差異并不大。此外，考慮到任何對原始樣本數(shù)據(jù)的壓縮、增添過程都是對原始樣本集所含信息的一種抽樣與扭曲，從挖掘客觀、真實數(shù)據(jù)集特征的角度出發(fā)，本文選擇不對不平衡樣本進行任何處理是有理有據(jù)的。此外，最終被選中的各項顯著性指標(biāo)，是否敏感于我們使用的lr逐步進入法？我們同時也對相同的樣本數(shù)據(jù)，分別采用基于條件參數(shù)估計、基于wald方法的逐步進入法重新構(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

17、敏感于指標(biāo)的逐步進入選擇方法，穩(wěn)健性較好。 三、實證結(jié)果分析1.基準(zhǔn)利率、浮動利率、實際利率指標(biāo)。在logistic模型中，因變量為各樣本的違約概率，事實上度量的亦是各樣本的信用風(fēng)險。根據(jù)表3，我們首先發(fā)現(xiàn)基準(zhǔn)利率、浮動利率、實際利率三個指標(biāo)與信用風(fēng)險呈較為顯著的相關(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)險受借款時的基準(zhǔn)貸款利率影響較大，當(dāng)基準(zhǔn)貸款利率較高時，借款人實際上面臨著相對更重的未來還款負(fù)擔(dān)，從而導(dǎo)致違約概率上升。而浮動利率則衡量了放貸機構(gòu)在基準(zhǔn)利率基礎(chǔ)上可調(diào)的利率區(qū)間，當(dāng)浮動利率較高時，放貸機構(gòu)有一定沖動通過提高利率浮動水平以獲得超額利潤，但事實上這一

18、行為也增強了借款人的違約可能性。我們也發(fā)現(xiàn)實際利率與信用風(fēng)險亦呈顯著的負(fù)相關(guān)關(guān)系，系數(shù)約為-0.216，這與常識及現(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)。對此筆者認(rèn)為：對當(dāng)前大多數(shù)農(nóng)村信貸機構(gòu)而言，由于貸款定價機制不健全，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)險成本進行定價，因此實際利率可能與基準(zhǔn)利率有較高的相關(guān)性。經(jīng)計算，實際利率與基準(zhǔn)利率的相關(guān)系數(shù)為0.43。我們同時嘗試在模型中不加入基準(zhǔn)利率與浮動利率兩個指標(biāo)，此時實際利率的回歸系數(shù)為0.057，對應(yīng)的p值為0.006，依然保持顯著。正的系數(shù)與常識相符：實際利率越高，借款人的還款壓力越大，從而更易出現(xiàn)違約。

19、2.5級分類、信用水平指標(biāo)。5級分類指標(biāo)與信用風(fēng)險在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構(gòu)，已具備了一定的貸后信用風(fēng)險管理能力。但信用水平這一貸前信用風(fēng)險預(yù)測指標(biāo)并未進入模型，我們同時計算出信用水平指標(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機構(gòu)在貸前信用風(fēng)險的管控上有待加強，其目前的貸前信用評估模型，并不能從貸款申請者之中有效識別出潛在的違約者。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)險普遍高于女性，且差異較為顯著。婚姻狀況及穩(wěn)定性也對違約概率有較大程度的影響。具體來說，導(dǎo)致離

20、異借款人離異的原因，可能是好逸惡勞、家庭責(zé)任感不強等因素，由此可合理推測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。對于借款人具體的身份或技能而言，退伍軍人一般具有較強的責(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，因而違約風(fēng)險相比于普通農(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)險反而越大，這與我們預(yù)先的猜測相悖。然而，根據(jù)表1的描述性統(tǒng)計，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，因此事實上整體樣本的受教

21、育水平依然處于一個較低的水平。僅根據(jù)實證結(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、勤勞、講信用等優(yōu)良精神，在貸款時量力而為，在貸款后勤勉奮斗，從而還款能力較高；還款時，在淳樸信用觀念的驅(qū)動下，恪守貸款合約義務(wù)，從而還款意愿較強，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

22、角出發(fā)，我們猜測：首先，尋求擔(dān)保的借款人，往往偏好于選擇那些財力較強，且能被信貸機構(gòu)認(rèn)可的農(nóng)戶作為擔(dān)保人。因此事實上，成為被信貸機構(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，從維護自身聲譽角度出發(fā)，擔(dān)保人一般也會選擇履行其擔(dān)保債務(wù)責(zé)任；最后，在現(xiàn)實操作中，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“貸款團體”。在貸款時，團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，將該團體與信貸機構(gòu)間的債務(wù)關(guān)系轉(zhuǎn)換為團體內(nèi)部成員間的債務(wù)關(guān)系，從而同時保證了借款人與擔(dān)保人在信貸機構(gòu)中的信用記錄不

23、會惡化。6.宏觀經(jīng)濟指標(biāo)。另外，我們關(guān)注選擇的宏觀經(jīng)濟指標(biāo)是否對當(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gdp、借款年全國cpi、借款年江蘇農(nóng)業(yè)生產(chǎn)資料價格指數(shù)、滯后一期的借款年當(dāng)?shù)氐谝划a(chǎn)業(yè)gdp四個指標(biāo)與當(dāng)?shù)仄骄`約概率顯著相關(guān)，四個指標(biāo)項系數(shù)分別為-0.000 34、-0.21、0.716與1.101。對于系數(shù)為負(fù)的借款年全國gdp、借款年全國cpi兩個指標(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，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)濟學(xué)理論，當(dāng)借款期間整體經(jīng)濟形勢較好時，一般直接體現(xiàn)為生產(chǎn)擴大，g

24、dp上升，進一步導(dǎo)致勞動者收入增加，消費需求增加。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，因此農(nóng)產(chǎn)品供應(yīng)量增量不大的假設(shè)是合理的），均衡價格上升，一般也伴隨著總體物價水平（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。對于系數(shù)為正的借款年江蘇農(nóng)業(yè)生產(chǎn)資料價格指數(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。對于借款年江蘇農(nóng)業(yè)生產(chǎn)資料價格指數(shù)指標(biāo)，由于農(nóng)戶對生產(chǎn)資料（如種子、魚苗、化肥、除蟲除草藥劑等）的購買大多是剛性需求，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)

25、業(yè)生產(chǎn)資料價格普遍上升時，農(nóng)戶很可能因此被迫選擇貸款購買，從而維持生計。由于這一貸款行為完全是由剛性需求主導(dǎo)的，貸款動機背后并無預(yù)期收入增加作為還款資金支持，因此信用風(fēng)險相比較大。對于借款年當(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、他人建議及對當(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，農(nóng)戶可能通過多種渠道認(rèn)知了“今年形勢較好”這一事實，進而根據(jù)適應(yīng)性預(yù)期理論，可能認(rèn)為當(dāng)前的良好形勢能在來年延續(xù)，從而決定貸款跟風(fēng)擴大生產(chǎn)，由此因生產(chǎn)經(jīng)營決策風(fēng)險引致出信用風(fēng)險。 7.未進入模型指標(biāo)。最后，我們也注意到貸款申請額度、實際貸款額度、擔(dān)

26、保方式、年齡、是否有手機或電話、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，并未被納入模型。可能的原因是：在農(nóng)戶小額貸款過程中，貸款的申請額度與實際貸款額度等指標(biāo)不同個體間差異并不明顯，而健康狀況、年收入等指標(biāo)由于信貸機構(gòu)難以核實，因此其區(qū)分信用風(fēng)險的作用有限。隨著電子通訊產(chǎn)品及通信費用的逐年降低，手機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，還款年的各項宏觀經(jīng)濟指標(biāo)也未被納入模型，借款年的該地區(qū)的gdp、cpi、同期全國第一產(chǎn)業(yè)gdp、m2等指標(biāo)及其滯后項也未納入模型。一般認(rèn)為：還款年的經(jīng)濟形勢、物價水平等因素可能會對借款人的還款意愿與還款能力造

27、成影響，但本文的研究并未證實這一點，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)濟形勢的影響并不大。四、結(jié)論及政策建議本文基于江蘇北部某地區(qū)20072015年18萬條真實農(nóng)戶大樣本信貸記錄，對影響當(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)戶的真實違約情況關(guān)聯(lián)不顯著，意味著當(dāng)?shù)匦刨J機構(gòu)對貸款農(nóng)戶的內(nèi)部信用評級不能有效地預(yù)測農(nóng)戶的信用風(fēng)險。之后，挖掘出利率、五級分類、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gdp、借款年全國cpi、借款年江蘇農(nóng)業(yè)生產(chǎn)資料價格指數(shù)、滯后一期的借款年

28、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)險有較為顯著的關(guān)聯(lián)性，可以作為當(dāng)?shù)匦刨J機構(gòu)農(nóng)戶小額貸款信用評估模型的指標(biāo)。此外，驗證發(fā)現(xiàn)基于lr逐步進入法的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)合對實證結(jié)果的分析，我們?yōu)楫?dāng)?shù)剞r(nóng)村信貸機構(gòu)及金融監(jiān)管當(dāng)局如何更好地管理信用風(fēng)險提出如下幾點建議：1.研究發(fā)現(xiàn)當(dāng)?shù)匦刨J機構(gòu)的貸前信用評估模型并不能有效預(yù)測貸款申請農(nóng)戶的真實信用風(fēng)險。因此，當(dāng)?shù)匦刨J機構(gòu)需要強化貸前內(nèi)部信用評估體系的研發(fā)，構(gòu)建性能較強的、符合當(dāng)?shù)貙嶋H信貸現(xiàn)狀的內(nèi)部信用評估模型，同時加強傳統(tǒng)的非模型化信用評估方法和貸后管理。2.

29、在構(gòu)建內(nèi)部信用評估模型時，可以考慮在模型中加入全國gdp、全國cpi、江蘇農(nóng)業(yè)生產(chǎn)資料價格指數(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)有的諸如微觀評估指標(biāo)，從更全面的視角對貸款農(nóng)戶信用水平進行深度評估。對金融監(jiān)管當(dāng)局來說，亦可嘗試基于相應(yīng)的宏觀經(jīng)濟指標(biāo)，對當(dāng)?shù)剞r(nóng)戶信貸風(fēng)險進行恰當(dāng)?shù)念A(yù)測，從而及時向當(dāng)?shù)匦刨J機構(gòu)提供預(yù)警。3.鑒于農(nóng)戶違約概率與借款時的基準(zhǔn)貸款利率、浮動利率、實際利率關(guān)聯(lián)性較強，金融當(dāng)局應(yīng)當(dāng)進一步推進利率市場化工作，逐漸放開利率市場管制，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。對于貸款機構(gòu)，亦應(yīng)從長遠(yuǎn)角度出發(fā)，對不同信用水平的貸款

30、農(nóng)戶實施差別化貸款定價，對資信較好的農(nóng)戶提供較低的實際貸款利率，構(gòu)建長期的客戶合作關(guān)系，而不可“揠苗助長”，片面追求短期的利潤，以較高的貸款利率將真實信用水平較高的農(nóng)戶拒之門外，反而吸引了信用風(fēng)險較大的借款人，引致道德風(fēng)險與逆向選擇問題。4.考慮到金融知識對信用風(fēng)險的顯著影響，建議當(dāng)?shù)亟鹑诒O(jiān)管當(dāng)局應(yīng)積極與貸款機構(gòu)合作開展農(nóng)戶信用意識科普活動，讓更多有資金需求的農(nóng)戶在了解小額貸款相關(guān)的金融知識之余，提高借款農(nóng)戶的還款意愿。同時，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，一方面，為后續(xù)的信用評估模型構(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)建違約懲戒機制，提高違約成本，激勵借款農(nóng)戶

31、提高自身的還款動力。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)進行生產(chǎn)決策，避免因扎堆跟風(fēng)、盲目擴大生產(chǎn)導(dǎo)致農(nóng)戶進行非理性貸款，從而降低信用風(fēng)險。參考文獻：1 lessmann s，baesens b，seow h v，et al.benchmarking stateoftheart classification algorithms for credit scoring：an update of researchj.european journal of operational research，2015，247（1）：132.2thomas l c，edelman d b，crook j n.

32、 credit scoring and its applicationsm.philadelphia ：siam，2002.3decamps j p，rochet j c，roger b. the three pillars of basel ii： optimizing the mixj.journal of financial intermediation，2004，13（2）：132155.4orgler y e.a credit scoring model for commercial loansj.journal of money，credit and banking，1970，2（

33、4）：435445.5steenackers a，goovaerts m j.a credit scoring model for personal loansj.insurance：mathematics and economics，1989，8（1）：3134.6leonard k j.empirical bayes analysis of the commercial loan evaluation processj.statistics & probability letters，1993，18（4）：289296. 7lessmanna s，seowb h，baesenscd

34、 b，et al. benchmarking stateoftheart classification algorithms for credit scoring：a tenyear updatec/credit research centre，conference archive，2013.8chuang c l，huang s t.a hybrid neural network approach for credit scoringj.expert systems，2011，28（2）：185196.9bellotti t，crook j.support vector machines f

35、or credit scoring and discovery of significant featuresj.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人信用評級中的應(yīng)用j.系統(tǒng)工程理論與實踐，2009，29（12）：94104.11henley w e.construction of a knearestneighbour creditscoring systemj.ima journal of management mathematics，1997，8（4）：305321.

36、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證研究j.金融研究，2011（5）：124138.13黃祖輝， 劉西川， 程恩江. 中國農(nóng)戶的信貸需求：生產(chǎn)性抑或消費性方法比較與實證分析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)戶信用評估指標(biāo)體系構(gòu)建研究j.財經(jīng)理論與實踐，2012，33（6）：712.15楊宏玲，郭高玲.基于bbc與價值鏈風(fēng)險分析的農(nóng)戶信用評價指標(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級探究j.財經(jīng)理論與實踐，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)濟研究，