关于小额贷款用户的信用风险评估――以银联商务为例开题报告

随着互联网大数据时代的到来，一个新型的金融模式——互联网金融的诞生对人们的生活方式产生了深远的影响，互联网金融也逐渐改变了传统小额贷款方式，小额贷款业务以中小企业和个人为服务对象，以简单直接、信用甄别、分散投资、门槛低、成本低、效率高为特点，弥补了资金市场上对中小额信贷的需求，为融资困难的微小企业和个人的借贷提供了新的融资渠道。

中小企业企业在我国经济社会中具有特殊的重要地位，对增加就业、活跃市场、改善民生、促进经济结构调整发挥着不可替代的作用。做好中小企业金融服务工作，全力支持中小企业良性发展，事关经济社会发展全局，具有十分重要的战略意义。

新模式下的小额贷款业务依赖于对风险的管理和控制，所以传统的金融服务模式和单一的风险管理方式已难以适应当前复杂的新局面，因为风险管控系统不完善小额贷款业务市场蓬勃发展的背后经营平台恶意骗贷，非法集资，跑路倒闭等恶劣新闻频频发生，严重阻碍了这个市场的健康发展。为了确保小额贷款业务市场的健康稳定的发展，提高风险管控能力是重中之重。

根据学者们的研究，信用风险是银行面临的风险中最主要的风险之一，所以建立信用风险管理体系成为银行降低资产损失的重要手段之一，而加强借款人基本信息的审核和利用信用评估模型对借款的信用进行等级划分是信用风险管控的重要组成成分之一。

所以对信用评估模型的研究对小额贷款业务市场和我国经济的健康稳定发展具有十分重要的实践意义和指导作用。

一、小额贷款借款人信用风险评估指标体系构建

1、小额贷款借款人信用风险评估指标选取

以数据上能够观察到的借款人信息为基础，周春喜,任佳慧（2004）根据目的性原则，科学性原则，系统性原则，适用性原则,建立由经营环境、银行素质、盈利能力、风险状况等4个方面组成的商业银行信用风险的评价指标体系。管杜娟（2011）将商业银行信用风险的影响因素概括为两个方面：贷款企业的履约能力及履约意愿。贷款企业履约就意味着银行能够在规定期限内收回贷款本息，该贷款企业不会令银行遭受因贷款而带来的损失。商业银行信用风险指标体系可由以下四个方面：偿债能力，运营能力，盈利能力，贷款方式构成。

2、小额贷款借款人信用风险评估指标处理

对从银联商务上搜集到的数据进行缺失值，无关变量，异常值等预处理，然后再根据好的变量在各个数据集上趋势一致，变量预测效果不衰减，变量预测方式不反转这三个原则筛选变量。

二、小额贷款借款人信用风险评估模型研究

通过梳理文献发现BP神经网络模型能够较好预测小额贷款借贷人的信用风险。BP神经网络又叫做误差反向传播神经网络，是具有输入层、隐含层和输出层的三层次前向神经网络结构。BP网络采用误差反向传播的学习算法，本质是要获得误差函数的最小值，以调节网络权值。使得网络的输出值与期望值间的误差逐渐减少，直至达到精度要求。神经网络的训练过程即传播误差以及修正权值和阈值的不断迭代的过程。

一、国内对小额贷款借款人信用风险评估的研究概况

国内关于小额贷款借款人信用风险评估的研究有很多，学者们基于不同的研究视角对借贷人信用风险进行了不同方面的研究。

1、风险管控的研究

（1）郑重（2012）将互联网金融风险管理的要点概括为技术风险管理，业务操作风险管理，法律风险管理。

（2）何虹（2013）提出互联网金融面临的四个安全风险隐患：监管安全风险，法律安全风险，资金安全风险和信息安全风险。

（3）刘世平,王文贤（2003）把银行面临的风险可以分为：经营风险、市场风险、流动性风险、操作风险、法律风险、政策风险和结算风险。其中的信用风险是金融市场上最古老的一类风险，因此信用风险管控对于银行以及其他企业都是至关重要的。

（4）陈秀梅（2014）提出互联网金融市场开放程度高、交易关联性强，风险危害性大，亟需建立与其对应的信用风险管理体系。并在实际运行中不断改进和完善，让互联网金融在约束的框架下持续健康发展。对于信用风险的管控，银行主要的措施是加强借款人基本信息的审核和利用信用评估模型对借款的信用进行等级划分。

2、、信用风险评估指标的研究

（1）周春喜,任佳慧（2004）根据目的性原则，科学性原则，系统性原则，适用性原则,建立由经营环境、银行素质、盈利能力、风险状况等4个方面组成的商业银行信用风险的评价指标体系。

（2）管杜娟（2011）将商业银行信用风险的影响因素概括为两个方面：贷款企业的履约能力及履约意愿。商业银行信用风险指标体系可由以下四个方面：偿债能力，运营能力，盈利能力，贷款方式构成。

（3）贾文平（2020）初选出小微企业客户 26 项评估指标，个人客户 18 项指标，再运用专家访谈法，将初选出的指标进行再次甄选，筛选出切合实际且效能型较高的评估指标，避免同一层次的指标具有相似性。

3、信用风险评估模型的研究

关于信用风险评估方法的研究，主要方法有线性判别，Logistic回归模型，BP神经网络，支持向量机（SVM）算法等等。

（1）方洪全,曾勇（2004）运用线性判别和Logit回归方法对目前主要的4种信用风险评价体系建立了评估模型,进行了实证检验,并对检测结果进行了优劣比较,发现线性判别模型和Logit回归模型的预测精度高低与所选择的评价体系显著相关。

（2）侯惠芳,刘素华（2004）详细介绍了支持向量机的线性和非线性分类算法，然后将支持向量机非线性分类器应用于银行信用风险的评估中，支持向量机非线性分类器在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。

（3）徐佳娜,西宝（2004）为了改进国内商业银行信用风险评估指标体系,提高评估效率,依据古典信用风险管理理论,将人工神经网络信用风险评估技术与层次分析法相结合,建立了商业银行信用风险评估AHP-ANN模型,并进行了可行性论证。结果表明,改进的AHP-ANN模型在输入指标体系简化、输出指标衡量和模型运行效率等方面均有一定程度的改善。

（4）张德栋（2003）利用前向神经网络的学习能力、非线性处理能力和容错能力,依据企业的各项信用指标,提出并设计了基于神经网络的信用评估模型,弥补了其他方法的不足。

二、国外对小额贷款借款人信用风险评估的研究概况

Altman通过对美国破产企业样本的采集分析,建立了著名的Z计分模型。Altman和

Sabato（2007）等人通过长期研究发现，使用Logistic 模型衡量中小企业信用风险可以取得很好的效果，且该模型限制件较少，操作便利，且具有较高的预测性。

研究计划：

1、2022.10.08完成选题工作

2、2022.10.08-2022.1.15 完成开题工作

3、2022.4.10前完成初稿和论文中期检查

4、2022.5.16前完成论文修改、定稿、外文文献翻译工作

5、2022.6.10前完成论文答辩

[1]郑重. 互联网金融的风险管理与协调[N]. 金融时报,2012-10-22(011).

[2]刘世平,王文贤,田凤.谈个人信用的风险评估[J].金融电子化,2003(12):25-28.

[3]方洪全,曾勇.对银行信用风险评价体系的比较[J].系统工程理论方法应用,2004(03):214-217 221.

[4]方洪全,曾勇.联机分析挖掘(OLAM)方法在银行信用风险评估中的应用[J].中国软科学,2004(10):126-130 139.

[5]方洪全,曾勇,何佳.多标准等级判别模型在银行信用风险评估中的应用研究[J].金融研究,2004(09):92-100.

[6]侯惠芳,刘素华.基于支持向量机的商业银行信用风险评估[J].计算机工程与应用,2004(31):176-178 192.

[7]徐佳娜,西宝.基于AHP-ANN模型的商业银行信用风险评估[J].哈尔滨理工大学学报,2004(03):94-98.

[8]张德栋. 基于神经网络的信用评估模型的研究[D].山东科技大学,2003.

[9]何虹.互联网金融发展面临的风险隐患应予以重视[J].华北金融,2013(08):55-56 61.

[10]陈秀梅.论我国互联网金融市场信用风险管理体系的构建[J].宏观经济研究,2014(10):122-126.

[11]管杜娟.商业银行信用风险评估指标体系的构建研究[J].经济研究导刊,2011(10):65-66.

[12]周春喜,任佳慧.商业银行信用风险综合评价研究[J].科研管理,2004(02):53-58.

[13]彭伟.基于随机森林-Logistic回归组合模型的小额贷款用户逾期预测[D].重庆大学,2019.

[14]罗方科,陈晓红.基于Logistic回归模型的个人小额贷款信用风险评估及应用[J].财经理论与实践,2017,38(01):30-35.

[15]杜晓山,孙若梅.中国小额信贷的实践和政策思考[J].财贸经济,2000(07):32-37.

[16]杜晓山.小额信贷的发展与普惠性金融体系框架[J].中国农村经济,2006(08):70-73 78.

[17]于洋. 中国小微企业融资问题研究[D].吉林大学,2013.

[18]戴东红.互联网金融对小微企业融资支持的理论与实践——基于小微企业融资视角的分析[J].理论与改革,2014(04):91-96.

[19]胡聪慧.小额贷款公司的信贷风险及其控制——基于平遥模式的调查与思考[J].理论探索,2008(01):85-87.

[20]徐洁,隗斌贤,揭筱纹.互联网金融与小微企业融资模式创新研究[J].商业经济与管理,2014(04):92-96.

[21]贾文平. 青海信合小额贷款公司借款人信用评估指标体系改进研究[D].兰州大学,2020.

[22]Altman E I. Financialratios, discriminant analysis and the prediction of corporate bankruptcy[J].Jour-nal of Finance,1968,23(9): 189-209.

[23]AltmanE I, Sabato G. Modelling credit risk for SMEs:evidence from the US market[J].Abacus,2007,43(3):332-357