业主信用评分法:小微企业贷款技术的创新

一、业主信用评分法：小微企业贷款决策的有效方法

如何结合我国小微企业的经营特点对小微企业贷款进行定价是当前我国银行急待解决的问题。

在西方银行信贷技术中，信用评分型贷款是以小微企业所有者以及企业硬性信息相结合进行贷款决策的一种贷款创新技术。90年代中期开始，美国部分商业银行在小微企业贷款业务中，使用一种新的方法：业主信用评分法，即根据小企业业主的相关个人信用记录，应用计算机统计模型软件对企业信用进行自动评分，以评分结果作为贷款决策的重要依据。这种信用评分模型设计的贷款额度上限是25万美元，在实务中更多以10万美元以下贷款为主，美国银行业把之称为微型贷款。美国商业银行发现小企业业主个人信用资料实际上与小额贷款更具相关性。目前业主评分法已在美国银行业的小微企业贷款业务中普遍应用，尤以富国银行最为成功。信用评分法可以放宽边际贷款申请者的门槛。许多小微企业历史很短，银行用传统信贷方法难以处理这类贷款申请，但应用信用评分法就可以得到较好地解决。信用评分法使美国大银行小企业贷款业务的成本大大下降，同时也有助于打破地域限制，即便没有充分了解当地商业环境，也能跨地区发放小企业贷款。业主评分法这一贷款技术的创新，使得银行能够从小企业贷款业务中盈利，为解决小微企业融资难问题提供了思路。

二、我国小微企业贷款信用评分的现状与障碍

（一）信用评分模型对原始数据有严格的要求。业主信用评分模型使用的原始数据必须充分多，同时要包含正常和逾期贷款的样本。此外经济繁荣和衰退时小微企业贷款的违约率是不同的，因此数据必须涉及经济周期的各个阶段，否则评分模型的效果不理想，影响违约风险预测的准确性。由于指标和小微企业信用风险间的关系在不断地发生变化，样本数据必须相应地不断更新。评分模型要经常测试，测试时不能使用构建时的原始数据，测试误差达到一定限度要对评分模型进行相应调整。评分模型在银行不同地区的小微企业贷款业务应用，必须确保新申请者的样本数据与其构造模型使用的数据比较一致，否则就无法做出正确的判断。目前我国信用体系还在不断地完善中，信用数据存在不真实不完整等一系列问题，全国信用数据的共享尚待时日，这将给业主信用评分模型的应用带来相当大的困难。

（二）我国缺少相对独立的社会诚信管理机构。我国目前只有少数为企业提供社会诚信服务的中介机构和信用产品，企业规模很小、经营分散，同时行业整体水平不高，还未建立起一套完整而科学的社会信用调查和评价体系，使得企业的信用状况无法得到科学合理的评估。企业信息的采集和整理只能由银行独立完成，这就大大降低了信用评分的应用效率。

（三）国内监管机构缺乏更加专业的小微企业贷款监管技术和实践。如果商业银行采用信用评分技术，那么监管机构也要进行相应的调整。我国监管机构的技术水平还无法满足小微企业贷款的监管要求。巴塞尔新资本协议规定，监管机构应对商业银行使用的风险内部评估方法的先进性与合理性进行明确的判断，避免因为缺乏先进的评估方法而阻碍银行管理水平的提高，或由于接受不完善的评估方法而使得风险失控。我国银监会在内部评级法方面缺乏专业人才和相关的管理经验，即使我国有些银行建立了自己的小微企业内部评级体系，银监会在较长一段时期内也无能力对其进行检验，不能确认这类系统是否适用于银行的资本监管。

三、设计适合我国国情的小微企业贷款技术

（一）合理细分市场。我国银行可以利用信用风险模型对本地区的小微企业客户进行细分，同时针对细分的客户群进一步开发出与其收益、风险与流动性特征相对应的信贷创新产品，在通用信用评分模型的基础上再次细分。银行要从可能接触到小微企业信用评分的相关职能部门中抽调人员组成小微企业贷款工作小组，并选择客户群和相关信贷产品。工作小组还应该推动整个银行对小微企业信用评分系统的正确理解及应用，从而开发针对特定行业以及贷款项目的更实用、预测精准度更高的专用信用评分模型，使得银行能够提高自身的产品营销能力和竞争力，同时又能运用利率杠杆进行相关的信用风险管理。

（二）选择模型。按模型实证化程度进行分类，信用评分模型可以分为三种：一是统计型，主要采用统计方法从银行历史贷款数据中进行推算。二是专家型，是以专家判断和机构经验为基础，主要依靠信用评分人员的个人经验判断。三是混合型，采用统计和判断相结合的评分方法。主要用于预测单个借款企业的违约率，精确度相对更高，是银行风险管理、贷款定价以及计提方面最可靠的评分模型。后两种评分模型通过对借款企业的相对风险排序，评分结果越高风险越低。按照我国的实际情况，业主信用评分模型的选择可以分步骤分阶段实施。在模型应用初期采用混合型可能更佳。因为有些银行积累的信贷历史数据不完整，甚至业主个人诚信信息也可能无法得到，这就要通过专家经验进行决策。

（三）数据样本和变量选择。选取变量就是银行从指标体系中选出最终可以量化模型所需的相关解释变量。我国银行可以选择某地区2-3 年间全部类型小微企业客户的资料（包括“好客户”、“坏客户”以及申请被拒绝客户）作为模型样本总数量，然后按照业务需求、数据结构、企业性质及历史经验，对相关样本数据进一步细分。对于一些相似或重复数据，银行需要检查并合并数据才可以建立数据集合。通过对数据整理分析找出数据具有的内在关联性，调整数据样本变量，选择那些有较强能力的变量。如果发现变量是连续型的，就必须找出合适的分界点，将全部变量分为几个区间，这样就可以使其预测能力较强。

（四）对模型进行评分。我国银行可将数据集合进行logistic回归运算产生初始回归模型，然后通过概率与分数间的转换算法将违约概率转换成分数形成初始评分卡，再对其进行拒绝推论。由于每个银行特点不同，所以信用评分模型建立过程也应该不同，但因为logistic回归可以很好地处理定性指标，同时可对指标进行合理的筛选，因此大部分银行在建立模型过程中一般选用logistic回归法，这种方法分析结构相对简单，特别是处理多指标复杂数据时，可以排除个别异常数据对模型的影响。按照我国目前小微企业信用评估的实际情况，logistic回归法可以保证信用评分结果更加客观，更适合处理定性数据，并保证相关评估指标更加全面实用。