基于信用评分型借贷技术的小企业贷款定价研究

摘要：本文从信贷市场实际情况出发，针对我国商业银行内部缺少科学合理的贷款定价体系的现状，借鉴Udell提出的信用评分型贷款模式，试图建立一种基于信用评分型借贷技术的贷款定价模型，从成本和风险管理的角度来降低商业银行信贷风险，提高经营效益，增强商业银行竞争力。

关键词：信用评分型；借贷技术；贷款定价

一、引言

近年来，小企业的高速发展与贫瘠的信贷支持，引起了国家及银行业的广泛关注。2005年7月28日，为解决小企业“融资难、贷款难、结算难”问题，银监会《银行开展小企业贷款业务指导意见》。2009年APEC中小企业峰会上，融资难又成为被热议的话题。我国小企业面临严峻的信贷环境，除了其自身的高成本和高风险，更应该考虑到我国小企业贷款定价机制的不完善等因素。随着我国利率市场化改革的推进，特别是自2004年10月贷款利率上限放开后，贷款定价问题已成为各商业银行面临的重要而紧迫的课题。

商业银行只有将信贷风险评估和贷款定价结合起来，才能真正有效地规避信用风险，提高自身的竞争能力。商业银行常用的贷款定价方法有:成本加成模式、客户盈利分析模式和价格领导模式。[1]成本加成模式以成本为导向，适合垄断地位的商业银行，而给小企业发放贷款的主要是城市商业银行等中小银行，他们在金融机构中不具有垄断地位，这种方法不适合给小企业贷款定价;客户盈利分析模式以客户为导向, 只适合与银行有密切关系的客户，对部分客户可以采用这种模式进行定价，不具有普遍性;价格领导模式以市场为导向, 过分依赖于基础利率的选择，又没有考虑银行和客户之间的全面关系，也不是理想的模式。这三种方法都不适合小企业贷款定价。结合我国小企业的特点，解决小企业贷款风险定价成为当前银行急待解决的问题。

美国学者Berger &Udell (2006)[2]将西方银行对企业的贷款分为财务报表型贷款、抵押担保型贷款、信用评分技术和关系型贷款四种类型。其中，信用评分型是一种基于小企业所有者和企业硬性信息而做出贷款决策的交易贷款技术。本文在Udell提出的小企业借贷技术框架的基础之上，提出了基于小企业借贷技术的贷款风险定价方法，一方面银行可以在实际操作过程中根据具体业务进行定价，降低融资成本；另一方面，可以总体上增加小企业的信贷可获量。

二、信用评分型小企业贷款定价模型构建

在信息不对称条件下，为了更合理的对小企业构建贷款定价方法，加大现实的可操作性，推进贷款利率波动幅度，增加小企业贷款额度。考虑到小企业能够提供的“软”、“硬”信息不同，透明度不同，贷款的方式也不同，本文结合“成本导向型”、“客户导向型”和“市场导向型”的贷款定价原则，提出基于信用评分型借贷技术的基准利率加点修正模式。

该模式综合考虑贷款的成本与收益，以市场价格为主导，以风险溢价为核心，兼顾银行目标利润，公式如下：

贷款利率=基准利率+期限调整+目标利润率+风险溢价

这样，“贷款利率”由成本、费用、目标利润构成，保证成本、费用得以补偿，目标利润得以实现，而贷款的最主要风险――信用风险，其预期损失通过“风险溢价”加以量化。

以下是各部分的具体计量方式。

（一）基准利率

基准利率是金融市场的重要指标，是全社会利率水平的“晴雨表”。自上世纪70年代以来商业银行通常以伦敦同业银行拆借利率(LIBOR)作为基准利率。在中国目前的很长的一段时期内，人民币利率体系仍未完全开放，利率结构还很不合理，要以市场一般利率水平为出发点来进行定价还有赖于公开市场、拆借市场、票据市场等要素市场的健康发展。本文采用中国人民银行公布的金融机构人民币存贷款基准利率表。

（二）期限风险补偿

期限风险是指商业银行因发放较长期限贷款而承担的流动性风险或是利率风险。期限越长，风险越大，所以要求的期限风险补偿就越高。一般地，我们可以选取与贷款同期限的市场资金品种的利率作为贷款占用债务资金的成本利率，由于贷款期限风险的价格补偿已经反映在市场资金成本中，从而可将期限调整设为0。如果没有与之期限相匹配的市场资金品种，则可考虑陈雯和陈浪南[3]提出的国债利率期限结构复利模型对市场利率期限风险进行模拟和估算。其模型为Y=AeBT，Y为国债到期年收益率；e自然对数的底；T为到期期限；A，B为已知的结构参数。该模型经曹霞和常玉春[4]回归分析认为符合当前国债市场利率期限结构的实际情况，并通过对有关数据拟合，得出Y=0.0202e0.0308T。由于国债利率剔除了违约风险可能造成的不确定性，单纯反映期限结构对市场利率的影响，所以完全可以引入信贷市场用以反映贷款期限风险，贷款期限风险补偿率可以用公式表示为

期限风险补偿=0.0202（e0.0308T-1）

（三）目标利润率

目标利润率是指银行资本从每笔贷款中应该获得的最低收益水平，实质上是资本的期望收益率。银行的经济资本，是基于银行全部风险之上的资本，因此又称为风险资本，不同于权益资本和监管资本，它不是真正的银行资本，而是一种虚拟资本，是用来弥补非预期损失。因此，在数额上目标利润率与贷款的非预期损失率相等。

非预期损失率=经济资本分配系数（Kw）×经济资本回报率（Ke）

（四）风险溢价

根据巴塞尔新资本协议的保守性原则，银行需要提取风险准备用以抵御预期损失的成本，预期损失风险补偿就是银行通过事先在贷款定价中加收的风险溢价，银行提前向客户收取这部分成本，以抵御未来可能发生的实际损失。因此，预期损失风险补偿的测算公式可表示为：

预期损失率=违约概率（PD）×违约损失率（LGD）

贷款预期损失风险补偿是贷款成本核算的一个重要参数，如何利用国内银行现有数据，结合信用评分型借贷技术对风险溢价进行精确量化是本文的重点。

三、实际案例分析

为了进一步探究信用评分型小企业贷款利率水平，下面以南京银行具体的案例运用上述贷款定价模型来计算说明。案例如下：此小企业信贷风险评级为AA级，贷款方式为抵押贷款，贷款期限为2年，贷款项目为房地产流动资金贷款。

（一）基准利率的计算

该企业贷款期限为2年。基准利率参照中国人民银行公布的金融机构人民币存贷款基准利率表。贷款期限为2年的基准利率为5.40%。

（二）期限风险率的计算

结合期限补偿风险的理论和商业银行给小企业贷款的实际，贷款期限6个月以下，风险补偿为0，贷款期限6个月到一年，风险补偿为0.03%，贷款期限两年以上的，风险补偿为0.06%。此小企业贷款的期限风险补偿为0.06%。

（三）目标利润率的计算

经济资本回报率由该商业银行总行要求的资本基础期望回报率与分行要求的经济资本回报率为之和。该商业银行总行要求的资本基础期望回报率为10%，分行要求的经济资本回报率为8%，故经济资本回报率为18%。

参照《南京银行经济资本预算管理暂行办法》[5]，该办法以不同的行业风险度为依据，设定了不同的经济资本分配系数。该笔贷款项目为房地产流动资金贷款，根据《南京银行经济资本预算管理暂行办法》此笔贷款的经济资本分配系数为10%。所以此笔贷款的目标利润率为1.8%。

（四）风险溢价的计算

信用风险溢价在数值上等于预期损失率。预期损失率的测算基于违约率和违约损失率。下面将结合该商业银行的实际数据，采用Logistic回归模型和动态RBF神经网络模型，得到具体计算模型并对其正确性进行区间范围验证，然后计算这笔贷款的违约概率和违约损失率。

1 违约率计算

（1） Logistic回归模型实证

建模样本中违约率指标Y作为因变量，将违约率测算值分三类考虑，即高、中、低。将经济实力X1、教育程度X2、员工素质X3、行业成长性X4、有形净资产X5、纳税情况X6、年销售归行额X7、资产负债率X8、经营现金流的可监测性X9，这9个信用评分型指标作为自变量进行Logistic回归分析。在SPSS13.0统计分析软件的数据窗口；利用“Analyze”中的“Regression”进行Logistic回归分析，得到分析结果如下。

p1=Logit（P低/P高）=123.526-11.531X1+9.728X2+11.796X3-22.031X4-112.406X5-1.915X6+0.681X7+2.740X8-0.134X9

p1=Logit（P中/P高）=101.599-4.153X1+7.276X2+6.583X3+0.932X4-110.021X5-1.149X6-0.414X7+2.032X8+0.582X9

根据Logistic回归模型，对建模样本的分类结果如表2。

表2可以看出，Logistic回归分析对小企业违约率等级的判别与原分三类重合率为75.7%，其中对中等违约率区间的小企业样本的判别准确率在80%以上，而对违约率低的小企业样本的判别准确率达到64.9%，建立的Logistic回归模型在商业银行贷款定价中具有实际意义。

（2） Logistic回归模型的检验

根据上面的内容建立的Logistic回归方程计算每条记录，进一步计算得到高中低违约率。

p高=1/（1+exp（p1）+1+exp（p2））

p中=exp（p2）/（1+exp（p1）+1+exp（p2））

p低=exp（p1）/（1+exp（p1）+1+exp（p2））

根据最大化原则，判别小企业违约风险归属的类别见表3。

从表3中全部样本预测准确率为75%，其中对中等违约率区间预测的准确率达90%，与表2中对建模样本的总体准确率为75.7%和对建模样本中人工干预数据的预测准确率为80.9%相比，趋势相同，而且准确率都在80%以上，说明构建的Logistic回归方程来判别信违约率较稳定。

（3）此笔贷款的违约率计算

根据上面公式计算出P1，P2进一步计算得到，违约概率为25.78%。

2 违约损失率计算

选择贷款商业银行数据库中，与此笔贷款时间最接近的156笔小企业作为样本，其中136笔为训练样本，20笔为测试样本。

网络训练过程是一个不断修正权值和阈值的过程，通过调整，使网络的输出误差达到最小，满足实际应用的要求。

通过实验不断调整聚类阈值d0和宽度σ，得出不同的训练结果，不断尝试下，得到较优结果：通过动态聚类取d0=0.12时得到25个聚类中心，建立9-25-3的RBF神经网络，设宽度参数选择 σ=0.15，输出误差ε=0.001。将136笔样本数据作为输入数据训练网络，网络基本收敛后确定网络权值，并将20笔测试样本带入训练好的网络中，得到表4预测结果。

表4中不难看出，基于动态聚类的RBF神经网络预测准确率达80%。其中对违约损失率高的小企业样本的预测准确率达100%，违约损失率中等水平的小企业样本的预测准确率达90%，而对违约损失率低的小企业样本的预测准确率仅达到50%，说明基于动态聚类的RBF神经网络预测模型对违约损失率高和违约损失率低的预测达到期望水平。因为银行是风险规避型的，高估违约损失率低的小企业是可取的。从而说明基于动态聚类的RBF神经网络预测模型的设计是可行的。

通过以上的方法计算，得到此笔贷款的违约损失率为1.81%。

根据违约率和违约损失率的测算得到此笔贷款的信用风险溢价为0.467%。

因此，给该企业贷款的利率为7.73%，符合央行规定的基准利率下浮限10%和最高上浮幅度不限。

四、结论

本文结合“成本导向型”、“客户导向型”和“市场导向型”的贷款定价模型，提出了一套以信用风险为主导，综合考虑贷款平均成本、风险、盈利的贷款定价模式，即基于信用评分型借贷技术的基准利率加点修正模式。这一模型，将丰富和完善国内银行在新经济环境下的风险定价机制，特别是为国内中小银行提供一种基于信用评分型借贷技术的定价模型，并对国内银行面临的市场风险量化研究提供借鉴。

基金项目：江苏省科技厅软科学项目（BR2008098）南京工业大学学科基金

参考文献：

[1] 汪妮. 中国商业银行贷款定价模式比较及其现实选择.[J]. 经济研究导刊,2010.19

[2]Allen N.Berger，Gregory F.Udell.A more complete conceptu-al framework for SME finance[J].Journal of Banking&Finance，2006，11.

[3]陈雯，陈浪南. 利率预期与市场有效性的实证研究[J]2008.东南学术，2.

[4]曹露，常玉春. 利率市场化条件下贷款定价模式分析[J]．湖南大学学报（社会科学版），2009，16.

[5]南京银行.南京银行经济资本预算管理暂行办法[M].2009.

（作者单位：南京工业大学系统工程研究所南京银行信贷审批部）

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文