CN112613972A - 基于信贷风险的中小微企业信贷决策方法 - Google Patents
基于信贷风险的中小微企业信贷决策方法 Download PDFInfo
- Publication number
- CN112613972A CN112613972A CN202011483109.7A CN202011483109A CN112613972A CN 112613972 A CN112613972 A CN 112613972A CN 202011483109 A CN202011483109 A CN 202011483109A CN 112613972 A CN112613972 A CN 112613972A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- credit
- rate
- strength
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明为银行公开了基于信贷风险的中小微企业信贷决策方法,包括下列步骤:首先根据采集的数据计算毛利率、资金回笼率和收入的增长率三个影响企业实力的因素,通过层次分析法分析权重,实现量化评分;同时定义供应商集成度SCIS和销售商集成度SCIC,通过spearman秩相关系数分析二者间相关性,对供求关系稳定性进行量化评分;此外对企业信誉根据信贷记录评估出的信誉等级及其评分标准后,通过topsis算法对企业实力及信誉等级进行量化分析,得到新的评分;最后通过熵权法分析企业实力、信誉等级和供求关系稳定性三者的权重比,计算出三者结合后的综合得分确定贷款金额倾向。本发明具有决策效率高,可靠性好,能最大化银行收益,灵敏应对突发情况的优点。
Description
技术领域
本发明属于信用风险管理领域,涉及基于信贷风险的中小微企业信贷决策方法。
背景技术
中小微企业由于规模较小,缺少抵押资产,需要银行提供相对的信贷服务,来维持企业的正常运转。规划银行对中微小企业的信贷决策模型,能够用固定的信贷总额获得最大的收益,具有极强的现实意义。现有技术中对企业进行评估时,通常重点关注信贷记录并由此进行信誉评级,依据信誉等级进行信贷决策,虽然会考虑企业实力,并通过经验设定若干评价内容及相应权重,这些评价内容大部分通过企业信息获得,这里企业信息指财务信息,主要包括进项发票金额、销项发票金额、销项金额总和、销项正数金额总和、每一年的销项发票金额、每一年的进项发票价税合计等数据。但这些评价内容、权重以及用于获取计算相应内容的企业信息主要依据长期工作经验来设定,因此主观性较强,更重要地是不能及时根据近些年的市场环境变化进行修正或重新设定,决策效率低,容易失误。同时小微企业很多为新设企业,不少是第一次进行贷款,之前没有信贷记录,这种情况现有技术无法进行信誉评级,要么只能拒绝贷款,要么就仅仅依据经验对企业实力进行主观评价,信贷决策的可靠性更差,更容易发生决策错误。最后现有技术进行决策时较少考虑供求关系稳定性和行业受到重大突发事件的影响,因此容易受上下游行业运行情况影响,或在近期发生重大突发事件导致决策结果不适用当前情况,也无法保证银行收益。
发明内容
本发明的目的在于提供基于信贷风险的中小微企业信贷决策方法,以解决现有技术中对小微企业进行信贷决策具有不能及时随市场环境变化进行修正或重新设定,决策效率低,可靠性差,容易失误的技术问题。
基于信贷风险的中小微企业信贷决策方法,其特征在于:包括下列步骤:
1)对企业实力进行量化评分:根据采集的数据计算出企业一段时间内每年的主营经营业务的毛利率、资金回笼率和收入的增长率三个影响企业实力的因素,通过两两相比的层次分析法对上述因素的权重进行分析计算,最后将权重和对影响企业实力的因素评价打分结合实现对企业实力的量化评分;
2)对企业的供求关系稳定性进行量化评分:以供应商采购额排名前5的采购金额占总采购额的比重来表示每年的供应商集成度SCIS,以销售商销售额排名前5名的销售额之和在总销售额的占比来表示每年的销售商集成度SCIC,通过比较各企业SCIS、SCIC的均值和标准差反映上游企业影响力与下游企业影响力,通过spearman秩相关系数分析SCIS、SCIC确定二者间相关性,求得相应权重,再结合上述计算结果实现对企业的供求关系稳定性进行量化评分;
3)对企业信誉进行量化评分:根据信贷记录评估出的信誉等级,对信誉等级设定评分标准后,通过topsis算法对企业实力及信誉等级进行量化分析,得到新的企业实力和信誉等级的评分;
4)通过熵权法分析企业实力、信誉等级和供求关系稳定性三者的权重比,然后由此计算出三者结合后的综合得分根据综合得分确定给各个企业的贷款金额倾向。
优选的,当企业没有信贷记录时,本方法通过信誉评估模型评估信誉等级,所述无信贷记录下的信誉评估模型通过下列方法获得:将“交易金额维度”作为量化分析无信贷记录下的企业信誉的因素,通过如下公式得出交易金额因子:交易金额因子=Fs(i)Rb(i)L(i),其中,i表示第i次交易,Fs(i)为卖家第i次交易的金额,Rb(i)为卖家第i次交易时得到的评价,L(i)为卖家第i次交易是否完成的物流达成参数,有以下两种情况:
买家信誉度即好评率可以由如下公式得出:
其中m为购买次数,将交易金额因子和好评率二者进行集结,进而采用一个二元组Ms=<Rs,rb>来描述交易金额维度MS,其最终公式如下:
通过有信贷记录并评估出的信誉等级的企业信息,以上述方法计算出交易金额维度,进而得出交易金额维度的取值范围与信誉等级之间的对应关系,从而确定信誉评估模型。
优选的,当采集到的企业信息不包括交易时得到的评价Rb(i),好评率通过成交率和退货率来体现描述交易金额维度Ms变形成如下:
优选的,根据传统评估企业实力的评价内容及其对应的权重转化为本方法中三个影响企业实力的因素的权重,所述评价内容包括财务效益状况、资金营运状况和发展能力状况,分析影响企业实力的因素的内涵得出其与评价内容的对应关系:主营经营业务的毛利率对应财务效益状况、资金回笼率对应资金营运状况、收入的增长率对应发展能力状况;依次对三个评价内容作出如下操作:将一项评价内容的权重转化为对应的影响企业实力的因素的权重并设为单位“1”,得到另外两项评价内容的权重;综合上述影响企业实力的因素的权重得到与下表对应的矩阵:
销售收入现金回笼率 | 经营业务毛利率 | 收入增长率 | |
销售收入现金回笼率 | 1 | z<sub>12</sub> | z<sub>13</sub> |
经营业务毛利率 | z<sub>21</sub> | 1 | z<sub>23</sub> |
收入增长率 | z<sub>31</sub> | z<sub>32</sub> | 1 |
优选的,三个影响企业实力的因素中,经营业务毛利率是毛利与销售收入的百分比,可表示为:
销售收入现金回笼率是指真正入账的金额总和与除去坏账死账之后的金额综合的比值,即:
收入的增长率反映出近几年来企业利润额的增长,通过下式计算:
所述信誉等级从优到劣分为A、B、C、D四级,信誉等级为A记为3分,B 记为2分,C记为1分,D为最低信誉等级不予贷款,不纳入决策计算。
优选的,在通过熵权法分析权重比时,所用的信息熵方程组如下:
其中xij表示各个企业的企业实力、信誉等级和供求关系稳定性的评分组成的mn矩阵中的单元,zij是经xij得到的一个标准化非负矩阵,每列数值分别表示企业实力、信誉等级和供求关系稳定性,利用zij计算得到概率矩阵pij,利用Wj表示最终计算出的企业实力、信誉等级和供求关系稳定性的权重比。eij表示信息熵,信息熵越大,信息量越小;dj表示信息量。
优选的,还包括对贷款年利率的计算:设定信誉等级为X的企业贷款m万元,年利率为n,记流失的企业占比为p,余下的企业占比为q。用户流失后企业贷款 m、年利率n均记为0。此时用数学期望表示银行收益为:
E(x)=0*0*p+mnq,
由上可知数学期望始终与m存在一个正比的关系,由采集的历史数据得到不同信誉等级下每个年利率对应的客户流失率,可知q与n一一对应,则在此情况下,若使银行收益最大,则要nq最大,通过历史数据得到不同信誉等级下nq 最大时的n的最优解。
优选的,设第i的信用等级对应的年利率的最优解为ai,对每个企业银行所获收益为gi(xi)=xiai,进行决策时为保证银行获益最大则有:
s.t.10≤xi≤100
4%≤ai≤15%,
算出ai后,银行需对m个企业中每个企业在贷款xi万元后的还款能力进行评估,可以表示为如下模型:其中εi由银行对企业的风险评估评分, K为贷款总额,本方法对企业实力和信誉等级两个评价指标进行权重分析,两个因素都是正向化影响因素,对m个评价对象即企业的企业实力和信誉等级两个评价指标构成如下的正向化矩阵:
那么,对其标准化的矩阵记为Z,Z中每一个元素:
由topsis算法对矩阵A和标准化后的标准化矩阵Z进行分析,求得企业实力和信誉等级两者的综合距离,之前根据熵权法计算出企业实力和信誉等级的权值关系,结合综合距离加权处理得到企业实力和信誉等级的加权平均值,即各个企业的总评成绩,则有:
优选的,根据行业划分重大突发事件影响的程度,依据采集的行业信息进行行业的修正性评分,不再只贷款给现下还款能力强企业,而是着眼于帮扶受重大突发事件影响较大但是长期看来恢复性强的企业;对重大突发事件发生时采集的企业信息进行同比分析并给出收益或受损情况表,以此得到各行业企业进销差值浮动程度,以此给定每个企业一个收益评估值,利用拟合的方法对收益评估值进行调整,拟合方法所用的公式为:
其中,x为该企业收益评估值,max为所有企业收益评估值的最大值,min为所有企业收益评估值的最小值;结合收益评估值调整后的评分通过topsis算法得到最终的综合距离以表示针对行业的最终修正评分,依据企业所属行业通过最终修正评分对综合得分进行修正。
本发明的技术效果:本发明在年度信贷总额固定时对这些企业的信贷策略。对受到突发因素的企业的供求关系进行分析,用上下游企业的供应商集成度和销售商集成度分别的均值、标准差影响力,得出最终的最优信贷策略。并且决策时通过合理对影响企业实力的因素进行层次划分,结合层次分析法实现对权重的准确计算,再通过topsis算法进行量化分析保证对企业实力的划分更加可靠准确,减少经验判断的主观性,通过近期数据的计算分析能随近期市场环境变化及时实现评分和权重的修正,确保决策的效率和准确性,减少决策失误。
此外本发明还将供求关系稳定性纳入考虑,确定销售商和供应商的集成度及二者的相关性,从而实现了对关系稳定性的量化评分。在决策过程中上述企业实力、信誉等级和供求关系稳定性在决策过程的权重通过熵权法进行分析,大大提高了权重计算的准确性,进而提高了决策的可靠性。
对于第一次借贷而没有信贷记录的中小企业,本方法提供了一种基于企业信息的信誉评估模型,准确性高能有效替代信贷记录,获得符合实际的信用评级方法,由此得到的信誉等级在用于决策时能保证足够的正确性。
本方法一方面通过历史记录中不同信誉等级的借贷收益记录,通过数学期望获得合理的算式以计算不同信誉等级保障银行收益最大化的年利率。另一方面本方法结合企业实力和信誉等级通过topsis算法所计算得到的综合评分,依据评分和总收益算式对每个企业的贷款额进行计算,从而实现对定值的贷款总额进行合理划分,与计算出的年利率结合实现银行的收益最大化。
附图说明
图1为本发明的决策思路流程图。
图2为本发明中企业实力进行分析的层次分解图。
图3为本发明中影响企业实力的因素与传统方法的评价内容的对应关系图。
图4为新冠疫情对部分行业影响的表格。
具体实施方式
下面对照附图,通过对实施例的描述,对本发明具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-4所示,本发明提供了基于信贷风险的中小微企业信贷决策方法,包括下列步骤:对企业实力进行量化评分:根据采集的数据计算出企业一段时间内每年的主营经营业务的毛利率、资金回笼率和收入的增长率三个影响企业实力的因素,通过两两相比的层次分析法对上述因素的权重进行分析计算,最后将权重和对影响企业实力的因素评价打分结合实现对企业实力的量化评分;
对企业的供求关系稳定性进行量化评分:以供应商采购额排名前5的采购金额占总采购额的比重来表示每年的供应商集成度SCIS,以销售商销售额排名前5 名的销售额之和在总销售额的占比来表示每年的销售商集成度SCIC,通过计算 SCIS、SCIC的均值和标准差反映上游企业影响力与下游企业影响力,通过 spearman秩相关系数分析SCIS、SCIC确定二者间相关性,求得相应权重,再结合上述计算结果实现对企业的供求关系稳定性进行量化评分;
对企业信誉根据信贷记录评估出的信誉等级,对信誉等级设定评分标准后,通过topsis算法对企业实力及信誉等级进行量化分析,得到新的企业实力和信誉等级的评分;
通过熵权法分析企业实力、信誉等级和供求关系稳定性三者的权重比,然后由此计算出三者结合后的综合得分根据综合得分确定贷款金额倾向。
具体来说,在对企业实力进行量化评分时,先如图1和图2一般对影响企业实力的因素进行分层次划分,企业偿债能力受经营业务的毛利率影响,经营业务的毛利率可表示为:
经营业务的毛利率是毛利与销售收入的百分比,其中毛利是指收入与成本之间的差额。经营业务的毛利率的大小取决于市场竞争、企业营销、研发成本和利润等。经营业务的毛利率越高,说明公司产品所赚取的利润占总额越高,即该产品的盈利能力越强,公司服务盈利能力越好。
企业现金流可表示为销售收入现金回笼率即:
企业发票中并非所有都为有效发票,作废发票与负数发票也不在少数。现金回笼率是指真正入账的金额总和与除去坏账死账之后的金额综合的比值。此项比率越小,企业出现坏账死账的数量也会越大。
企业持续发展能力可表示为收入的增长率:
企业不仅看得到眼前的繁荣,更需要关注未来的发展。增长率可以反映出近几年来企业利润额的增长。增长率越大,表示企业可持续发展能力越强。
计算时,可以通过Python编程将数据导入进行计算,采用新函数重复调用导入的excel表格中的数据,每次写入数据时设置一个print函数作为观察节点,更好地掌握程序进程进度。导入的数据文件较大,执行导入指令时需要花费较长时间,所以将其在函数外打开,仅执行一次节约时间资源,并防止频繁打开关闭文件崩坏。求不同数据时,改变几个参数即可,如循环次数、所选列序号、筛选判断条件、导入写入文件名称等。
在对上述影响企业实力的因素通过层次分析法分析各方面权重时,基于分析现有的评价内容及其权重进行,评价内容的具体情况如表1。
表1:现在已使用的计算实力的各方面权重列表
分析上述影响企业实力的因素的公式内涵可知实力各方面与表中评价内容有如图3对应关系。
根据传统评估企业实力的评价内容及其对应的权重转化为本方法中三个影响企业实力的因素的权重,所述评价内容包括财务效益状况、资金营运状况和发展能力状况,分析影响企业实力的因素的内涵得出其与评价内容的对应关系:主营经营业务的毛利率对应财务效益状况、资金回笼率对应资金营运状况、收入的增长率对应发展能力状况;依次对三个评价内容作出如下操作:将一项评价内容的权重转化为对应的影响企业实力的因素的权重并设为单位“1”,得到另外两项评价内容的权重;综合上述影响企业实力的因素的权重得到与表2对应的矩阵。
表2层次分析法分析企业实力
将矩阵中数据代入可易知销售收入现金回笼率的权重为:
经营业务毛利率的权重为:
收入增长率的权重为:
将上述权重引入对影响企业实力的因素评价打分,可得出各企业实力排名及得分。
所述信誉等级从优到劣分为A、B、C、D四级,信誉等级为A记为3分,B 记为2分,C记为1分,D为最低信誉等级不予贷款,不纳入决策计算。
之后通过topsis算法对企业实力及信誉等级进行量化分析,得到新的企业实力和信誉等级的评分。
topsis算法根据有限个评价对象与理想化目标的接近程度进行排序的方法,是在现有的对象中进行相对优劣的评价。topsis法是一种逼近于理想解的排序法,又称为优劣解距离法。一般做法如下。
假设有n个要评价的对象,m个评价指标的矩阵:
对X标准化的矩阵为Z,则Z中每一个元素为:
有标准化矩阵Z:
定义最大值:
定义最小值:
本方法中评价对象分别为企业实力和信誉等级的量化评分,由此得到新的评价,并实现相应内容的企业评价排序。
对应中小企业中没有信贷记录的情况,要想对信誉这个抽象的因素进行量化分析,我们可以用“交易金额维度”、“交易时间维度”、“商盟维度”及“欺诈行为”这些能够具象化的因素评估信誉。本方法中可以不考虑除了交易金额维度之外的其他方面对信誉的影响。
交易金额维度经过细化分析后,为了得出交易金额维度的信誉评估结果,我们首先引入交易金额因子与买家信誉度的概念。通过如下公式得出交易金额因子:交易金额因子=Fs(i)Rb(i)L(i),其中,i表示第i次交易,Fs(i)为卖家第i次交易的金额,Rb(i)为卖家第i次交易时得到的评价,L(i)为卖家第i次交易是否完成的物流达成参数,有以下两种情况:
买家信誉度即好评率可以由如下公式得出:
将交易金额因子和好评率二者进行集结,进而采用一个二元组 Ms=<Rs,rb>来描述交易金额维度Ms,其最终公式如下:
当采集到的企业信息不包括交易时得到的评价Rb(i),好评率可以通过成交率和退货率来体现,因此对于本题而言,该公式可以变形成如下:
由公式可知,交易金额维度和交易金额因子及成交率成正相关,即交易金额因子越高、成交率越高,企业的交易金额维度即企业信誉越高。
成交率即为成交项目数与总项目数的比值,即:
通过有信贷记录并评估出的信誉等级的企业信息,以上述方法计算出交易金额维度,进而得出交易金额维度的取值范围与信誉等级之间的对应关系,从而类比确定信誉评估模型。
对供求关系进行分析时,在确定供应商集成度和销售商集成度后形成表3。通过求各家企业不同年度供应商集成度,销售商集成度分别的均值,标准差反映上游企业影响力与下游企业影响力。
表3供应链集成的组成部分
我们用标准差来描述稳定性,差值越大,稳定性越低,差值越小,稳定性越高。用python程序求得多家企业于2018年和2019年分别排名前五的进销项企业销售收益金额总值,以及所有企业销售收益总值,在excel表格中进行标准差求解。求解稳定性相关的主要变量可依据表4进行。
表4主要变量描述性统计
变量 | 均值 | 标准差 | 最小值 | 最大值 |
SCIS | ||||
SCIC |
将SCIS与SCIC成对的观察值分别从小到大顺序编秩,用pi表示SCIC的秩次;用qi表示SCIS的秩次,若观察值相同则取平均秩次。通过spearman秩相关系数分析SCIS、SCIC确定二者间相关性,如表4,求得相应权重。
表5主要变量之间的相关系数
SCIS | SCIC | |
SCIS | 1.000 | |
SCIC | 0.2290 | 1.000 |
我们将求得的供求关系通过topsis法量化为综合距离长度,初步设定权重值为1∶1,在此情况下得到企业与供求关系稳定性相关的信贷风险排名。
对于实力、信誉和供求关系稳定性的相对权重,我们无法通过太过主观的专家评定得出。熵权法能够从数据出发,以“信息差越大反应的信息越多”为原则,直接得出这些因素们的权重。虽然熵权法可能会与实际情况产生差距,但就本题而言,实力与信誉的区分度与之重要性正相关,与熵权法的原则相吻合,因此本方法采用熵权法进行权重分析。在通过熵权法分析权重比时,所用的信息熵方程组如下:
其中xij表示各个企业的企业实力、信誉等级和供求关系稳定性的评分组成的mn矩阵中的单元,zij是经xij得到的一个标准化非负矩阵,每列数值分别表示企业实力、信誉等级和供求关系稳定性,利用zij计算得到概率矩阵pij,利用Wj表示最终计算出的企业实力、信誉等级和供求关系稳定性的权重比。eij表示信息熵,信息熵越大,信息量越小;dj表示信息量。由上述方程组得出实力、信誉与供求关系稳定性的权重比约为1;1;1,由此可得企业的综合得分排名,进而给出银行贷款金额倾向。
贷款金额可根据企业的综合排名由高到低依次递减,以达到提高银行收益的效果。要让银行收益最大化可按下列步骤决策,确定具体每个企业的贷款金额划分和年利率设定。
首先对贷款年利率的计算,通过表6提供的历史数据进行分析,得到年利率对银行收益之间的关系取决于“贷款年利率*(1-客户流失率)”的最大值,即最优解。
假设银行决定给予对于信誉评级为X(X∈A,B,C,D)的某企业贷款m万元,年利率为n万元,由附件3可知每个年利率对应一个客户流失率,记流失的企业为p,余下的企业为q,则我们用数学期望表示银行收益为:
E(x)=0*0*p+mnq
可以看出数学期望始终与m存在一个正比的关系,而q与n一一对应,则在此情况下,若使银行收益最大,则要nq最大。
表6年利率的最优解
通过历史数据得到不同信誉等级下nq最大时的n的最优解。设第i的信用等级对应的年利率的最优解为ai,对每个企业银行所获收益为gi(xi)=xiai,进行决策时为保证银行获益最大则有:
s.t.10≤xi≤100
4%≤ai≤15%,
算出ai后,银行需对m个企业中每个企业在贷款xi万元后的还款能力进行评估,可以表示为如下模型:其中εi由银行对企业的风险评估评分,K为贷款总额,本方法对企业实力和信誉等级两个评价指标进行权重分析,两个因素都是正向化影响因素,对m个评价对象即企业的企业实力和信誉等级两个评价指标构成如下的正向化矩阵:
那么,对其标准化的矩阵记为Z,Z中每一个元素:
由topsis算法对矩阵A和标准化后的标准化矩阵Z进行分析,求得企业实力和信誉等级两者的综合距离,之前根据熵权法计算出企业实力和信誉等级的权值关系,结合综合距离加权处理得到企业实力和信誉等级的加权平均值,即各个企业的总评成绩,则有:
当近期市场环境受到重大突发事件影响时,本方法将该影响纳入考虑。以 2020年新冠疫情对市场部分行业的影响为例(影响可能以帮扶方式体现,也可能以更严格的审核评分体现,具体视重大突发事件的类型和社会的反应而定),依据采集的行业信息进行行业的修正性评分,如图4所示,根据行业划分重大突发事件影响的程度,依据采集的行业信息进行行业的修正性评分,不再只贷款给现下还款能力强企业,而是着眼于受重大突发事件影响较大但是长期看来恢复性强的企业,即实行帮扶策略。对重大突发事件发生时采集的企业信息进行同比分析并给出收益或受损情况表,以此得到各行业企业进销差值浮动程度,例如疫情期间“收益+”为60,“收益”为80,“中性”为100,“受损”为120,“受损-”为140,利用拟合的方法对收益评估值进行调整,拟合方法利用的公式如下:
其中,x为该企业收益评估值,max为所有企业收益评估值的最大值,min为所有企业收益评估值的最小值。结合收益评估值调整后的评分通过topsis算法得到最终的综合距离以表示针对行业的最终修正评分,依据企业所属行业通过最终修正评分对综合得分进行修正。
然后依据重大突发事件发生时间采集的企业信息进行同比分析,得到各企业进销差值浮动程度,利用拟合的方法对修正性评分进行调整,再通过topsis算法得到最终的综合距离即针对行业的最终修正评分,依据企业所属行业通过最终修正评分对综合得分进行修正。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进,或未经改进将本发明构思和技术方案直接应用于其它场合的,均在本发明保护范围之内。
Claims (9)
1.基于信贷风险的中小微企业信贷决策方法,其特征在于:包括下列步骤:
1)对企业实力进行量化评分:根据采集的数据计算出企业一段时间内每年的主营经营业务的毛利率、资金回笼率和收入的增长率三个影响企业实力的因素,通过两两相比的层次分析法对上述因素的权重进行分析计算,最后将权重和对影响企业实力的因素评价打分结合实现对企业实力的量化评分;
2)对企业的供求关系稳定性进行量化评分:以供应商采购额排名前5的采购金额占总采购额的比重来表示每年的供应商集成度SCIS,以销售商销售额排名前5名的销售额之和在总销售额的占比来表示每年的销售商集成度SCIC,通过比较各企业SCIS、SCIC的均值和标准差反映上游企业影响力与下游企业影响力,通过spearman秩相关系数分析SCIS、SCIC确定二者间相关性,求得相应权重,再结合上述计算结果实现对企业的供求关系稳定性进行量化评分;
3)对企业信誉进行量化评分:根据信贷记录评估出的信誉等级,对信誉等级设定评分标准后,通过topsis算法对企业实力及信誉等级进行量化分析,得到新的企业实力和信誉等级的评分;
4)通过熵权法分析企业实力、信誉等级和供求关系稳定性三者的权重比,然后由此计算出三者结合后的综合得分根据综合得分确定给各个企业的贷款金额倾向。
2.根据权利要求1所述的基于信贷风险的中小微企业信贷决策方法,其特征在于:当企业没有信贷记录时,本方法通过信誉评估模型评估信誉等级,所述无信贷记录下的信誉评估模型通过下列方法获得:将“交易金额维度”作为量化分析无信贷记录下的企业信誉的因素,通过如下公式得出交易金额因子:交易金额因子=Fs(i)Rb(i)L(i),其中,i表示第i次交易,Fs(i)为卖家第i次交易的金额,Rb(i)为卖家第i次交易时得到的评价,L(i)为卖家第i次交易是否完成的物流达成参数,有以下两种情况:
买家信誉度即好评率可以由如下公式得出:
其中m为购买次数,将交易金额因子和好评率二者进行集结,进而采用一个二元组Ms=<Rs,rb>来描述交易金额维度Ms,其最终公式如下:
通过有信贷记录并评估出的信誉等级的企业信息,以上述方法计算出交易金额维度,进而得出交易金额维度的取值范围与信誉等级之间的对应关系,从而确定信誉评估模型。
4.根据权利要求1所述的基于信贷风险的中小微企业信贷决策方法,其特征在于:根据传统评估企业实力的评价内容及其对应的权重转化为本方法中三个影响企业实力的因素的权重,所述评价内容包括财务效益状况、资金营运状况和发展能力状况,分析影响企业实力的因素的内涵得出其与评价内容的对应关系:主营经营业务的毛利率对应财务效益状况、资金回笼率对应资金营运状况、收入的增长率对应发展能力状况;依次对三个评价内容作出如下操作:将一项评价内容的权重转化为对应的影响企业实力的因素的权重并设为单位“1”,得到另外两项评价内容的权重;综合上述影响企业实力的因素的权重得到与下表对应的矩阵:
7.根据权利要求6所述的基于信贷风险的中小微企业信贷决策方法,其特征在于:还包括对贷款年利率的计算:设定信誉等级为X的企业贷款m万元,年利率为n,记流失的企业占比为p,余下的企业占比为q。用户流失后企业贷款m、年利率n均记为0。此时用数学期望表示银行收益为:
E(x)=0*0*p+mnq,
由上可知数学期望始终与m存在一个正比的关系,由采集的历史数据得到不同信誉等级下每个年利率对应的客户流失率,可知q与n一一对应,则在此情况下,若使银行收益最大,则要nq最大,通过历史数据得到不同信誉等级下nq最大时的n的最优解。
8.根据权利要求7所述的基于信贷风险的中小微企业信贷决策方法,其特征在于:设第i的信用等级对应的年利率的最优解为ai,对每个企业银行所获收益为gi(xi)=xiai,进行决策时为保证银行获益最大则有:
s.t. 10≤xi≤100
4%≤ai≤15%,
算出ai后,银行需对m个企业中每个企业在贷款xi万元后的还款能力进行评估,可以表示为如下模型:其中εi由银行对企业的风险评估评分,K为贷款总额,本方法对企业实力和信誉等级两个评价指标进行权重分析,两个因素都是正向化影响因素,对m个评价对象即企业的企业实力和信誉等级两个评价指标构成如下的正向化矩阵:
那么,对其标准化的矩阵记为Z,Z中每一个元素:
由topsis算法对矩阵A和标准化后的标准化矩阵Z进行分析,求得企业实力和信誉等级两者的综合距离,之前根据熵权法计算出企业实力和信誉等级的权值关系,结合综合距离加权处理得到企业实力和信誉等级的加权平均值,即各个企业的总评成绩,则有:
9.根据权利要求8所述的基于信贷风险的中小微企业信贷决策方法,其特征在于:根据行业划分重大突发事件影响的程度,依据采集的行业信息进行行业的修正性评分,不再只贷款给现下还款能力强企业,而是着眼于帮扶受重大突发事件影响较大但是长期看来恢复性强的企业;对重大突发事件发生时采集的企业信息进行同比分析并给出收益或受损情况表,以此得到各行业企业进销差值浮动程度,以此给定每个企业一个收益评估值,利用拟合的方法对收益评估值进行调整,拟合方法所用的公式为:
其中,x为该企业收益评估值,max为所有企业收益评估值的最大值,min为所有企业收益评估值的最小值;结合收益评估值调整后的评分通过topsis算法得到最终的综合距离以表示针对行业的最终修正评分,依据企业所属行业通过最终修正评分对综合得分进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011483109.7A CN112613972A (zh) | 2020-12-16 | 2020-12-16 | 基于信贷风险的中小微企业信贷决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011483109.7A CN112613972A (zh) | 2020-12-16 | 2020-12-16 | 基于信贷风险的中小微企业信贷决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613972A true CN112613972A (zh) | 2021-04-06 |
Family
ID=75239412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011483109.7A Pending CN112613972A (zh) | 2020-12-16 | 2020-12-16 | 基于信贷风险的中小微企业信贷决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613972A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033722A (zh) * | 2021-05-31 | 2021-06-25 | 中铁第一勘察设计院集团有限公司 | 传感器数据融合方法、装置、存储介质及计算设备 |
CN113657747A (zh) * | 2021-08-12 | 2021-11-16 | 中国安全生产科学研究院 | 一种企业安全生产标准化级别智能评定系统 |
CN114092216A (zh) * | 2021-09-22 | 2022-02-25 | 金蝶征信有限公司 | 企业信贷评级方法、装置、计算机设备和存储介质 |
CN114638698A (zh) * | 2022-05-18 | 2022-06-17 | 湖南三湘银行股份有限公司 | 供应链金融服务管理平台及方法 |
-
2020
- 2020-12-16 CN CN202011483109.7A patent/CN112613972A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033722A (zh) * | 2021-05-31 | 2021-06-25 | 中铁第一勘察设计院集团有限公司 | 传感器数据融合方法、装置、存储介质及计算设备 |
CN113033722B (zh) * | 2021-05-31 | 2021-08-17 | 中铁第一勘察设计院集团有限公司 | 传感器数据融合方法、装置、存储介质及计算设备 |
CN113657747A (zh) * | 2021-08-12 | 2021-11-16 | 中国安全生产科学研究院 | 一种企业安全生产标准化级别智能评定系统 |
CN114092216A (zh) * | 2021-09-22 | 2022-02-25 | 金蝶征信有限公司 | 企业信贷评级方法、装置、计算机设备和存储介质 |
CN114638698A (zh) * | 2022-05-18 | 2022-06-17 | 湖南三湘银行股份有限公司 | 供应链金融服务管理平台及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613972A (zh) | 基于信贷风险的中小微企业信贷决策方法 | |
TWI242724B (en) | Methods and systems for optimizing return and present value | |
US8577791B2 (en) | System and computer program for modeling and pricing loan products | |
Liu et al. | Competition in banking: measurement and interpretation | |
CZ20013132A3 (cs) | Ohodnocovací předpovědní modely v situacích s chybějícími vstupy | |
CN111062801A (zh) | 一种综合式评估企业授信额度分析系统及方法 | |
Kumaran | Financial performance index of IPO firms using VIKOR-CRITIC techniques | |
CN111784487A (zh) | 一种基于动态财资流的中小企业超短期信用评价方法 | |
TWM613536U (zh) | 對於基金商品的投資風險評分系統 | |
KR102249028B1 (ko) | 기업의 채무상환능력 평가시스템 | |
Mačerinskiene et al. | The evaluation model of a commercial bank loan portfolio | |
Kim | A credit risk model for agricultural loan portfolios under the new basel capital accord | |
Blann et al. | Evidence on the decision usefulness of fair values in business combinations | |
CN114862563A (zh) | 基于主成分分析和神经网络的中小信贷策略模型 | |
CN115660803A (zh) | 互联网背景下供应链金融风险管理方法 | |
Markauskas et al. | Evaluation of capital cost: long run evidence from manufacturing sector | |
CN113989050A (zh) | 一种基于topsis综合分析的钢贸企业供应链金融风险评估方法 | |
Kumaresan | The Effects of Macroeconomics Factors towards the Starbucks Corporation | |
Santoso et al. | Determinants of Islamic Bank Non-Performing Financing By Financing Contract (Case Study: Bank BRIsyariah Private Company) | |
Guo | Financial Shocks and Investment Fluctuation: Small Firms vs. Large Firms | |
Agegnew et al. | The effect of working capital management on profitability: The case of selected manufacturing and merchandising companies in Hawassa City administration | |
KR102249015B1 (ko) | 기업의 채무지불여력 산출시스템 | |
CN112801529B (zh) | 财务数据分析方法及装置、电子设备及介质 | |
Mubaroka | THE DISTRIBUTION OF PROFITS AND LOSSES, AS WELL AS MONETARY POLICY, IN ISLAMIC BANKS INDONESIA | |
Рузиева | Assessment of factors affecting interest income of banks in Kazakhstan |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |