文 /长沙农村商业银行 鲁普威 黄彦然
个体工商户是国民经济的基石。受制于自身风险特征的影响，仍然面临着“融资难”“融资贵”问题。由于个体工商户普遍缺少抵押物，金融机构大多发放保证贷款，以缓解信息不对称问题。笔者从信息不对称理论出发，研究抵押保证能否有效降低贷款违约风险。以2020—2023年某农商银行小微机构脱敏数据为样本，利用GBDT、XGBoost、LR、SVM算法分别建模，以AUC值、KS值作为评价标准，确定最优模型。采用随机抽样方法对样本数据开展稳健性检验，同时采用更改计量模型方法对最优模型及其特征变量进行稳健性检验。最后，应用最优模型特征变量贡献值大小进行假设检验。
个体工商户信贷决策更符合“道德风险”模型理论
在信息不对称理论道德风险模型中，金融机构通过贷前调查了解借款人的预期风险状况后，其信贷决策为：一是对资质差的客户要求提供抵押或保证担保，以此约束贷后道德风险；二是对资质较好的客户无需提供抵押和保证担保。
该理论认为“坏客户”的资质水平与预期违约风险正相关，但抵押保证的“激励约束”机制作用与预期违约风险负相关。由此导致：若“坏客户”资质水平与违约风险的正相关影响大于抵押保证“激励约束”与违约风险的负相关影响时，则抵押保证会增加违约风险；反之，会降低违约风险。相关关系如表1所示。
表1 道德风险模型中抵押保证方式与违约风险的关系
个体工商户是高违约风险群体。在不考虑外部竞争因素时，贷款利率具有 “客户筛选” 功能，低风险客户接受低利率，高风险客户接受高利率。个体工商户贷款利率普遍较高，说明金融机构对其有较大“坏客户”预期，进而办贷极为谨慎。对符合基本准入条件的客户，依资质定担保条件：资质越差，需更强抵押保证，强化“激励约束”， 抑制道德风险；资质越好，仅需弱担保或无需担保。
综上，金融机构对个体工商户贷款的决策逻辑契合道德风险模型理论。抵押保证虽有 “激励约束”作用，但能否降低违约风险则取决于客户资质。由此待验证假设：金融机构的个体工商户贷款决策机制更符合道德风险模型，抵押保证 “激励约束”起主导作用；客户资质差导致违约风险负面影响超出其积极影响时，抵押保证会增加违约风险；反之，则可降低违约风险。
机器学习建模结果
以某农商银行小微机构2020—2023年的3211户个体工商户脱敏数据为研究样本，数据来源于当地专业市场、商圈、社区、商务楼宇等传统金融无法覆盖的小微客群，客户更为下沉。按照“数据收集→数据预处理→特征工程→模型选择→模型训练及优化→模型评估”的技术路径进行建模。
对比GBDT、XGBoost、LR、SVM四种算法模型的结果，运用AUC值、KS值结果选取最优模型，利用随机抽样的方法对样本数据进行稳健性检验，再利用更换计量模型的方法对最优模型性能及特征变量进行稳健性检验，最后应用最优模型的特征变量贡献值进行假设检验。
如表2所示：一是选择最优模型方案，AUC值及KS值最优评价指标为GBDT算法模型；二是检验样本数据稳健性，经过5轮有放回的随机抽样所获取的AUC平均值0.815与GBDT算法模型的AUC值0.835高度相近，说明样本数据较稳定。三是检验模型及特征变量稳健性，更换计量模型为随机森林算法，AUC值为0.812，KS值为0.555，这与GBDT模型的AUC值、KS值高度接近，说明最优模型具有较好稳健性；在GBDT模型和随机森林模型两种不同算法框架下，相关特征变量的贡献值排名几乎一致，说明这些特征变量对最终结果的影响处于相对稳定状态。
表2 四种算法模型对个体工商户贷款违约风险的建模效果
特征变量贡献值在违约风险研究中的应用
确定最终算法模型后，采用“排列重要性”方法研究特征变量贡献值应用。其原理是以贡献值大小判断特征变量在违约风险分类中的影响程度，贡献值越大，违约风险越大。表3展示了贡献值，担保方式对模型违约风险分类的作用仅次于授信金额和贷款利率。
表3 信贷特征变量对个体工商户贷款违约风险的贡献值
根据研究目标，我们进一步分析不同担保方式特征变量在模型违约风险分类中的贡献程度，如表4所示。抵押、征信保证、第三方保证及夫妻保证这几种担保方式的贡献值均大于信用无担保。这表明，抵押保证对违约风险分类的作用更为显著，支持抵押保证符合道德风险模型的假设。
表4 不同担保方式对个体工商户违约分类的贡献值
贷款利率与授信金额特征变量贡献值高于担保方式，说明此二者对违约风险分类的贡献更突出，意味着抵押保证特征变量虽重要却非主导。所以，抵押保证“激励约束”机制虽利于降低违约风险，却受贷款利率与授信金额等因素负面干扰。以下深入剖析授信金额和贷款利率的相关影响。
其一，样本数据显示，贷款利率特征变量7%是贡献值的关键分水岭，高于7%时贡献值显著上升，低于7%则显著下降。某农商银行小微机构个体工商户贷款平均利率8.04%，远超7%，表明该客群整体违约风险偏高。因贷款利率越高，客户资质与还款能力越差，违约可能性越大，所以客户资质差对违约风险的正相关影响会削弱抵押保证“激励约束”与违约风险的负相关影响。
其二，样本数据显示，授信金额对违约风险影响显著。授信金额越大，银行预期损失越大，信贷决策越审慎，对借款人与担保人资质要求越严，客户资质越好，二者呈负相关；反之，授信金额越小，银行预期损失降低，信贷决策宽松，资质要求降低，二者呈正相关。
信贷市场中，个体工商户授信金额多在20万~50万元，某农商银行小微机构个体工商户平均授信43.66万元，授信金额相对较小，故授信金额特征变量与违约风险正相关，会抵消抵押保证“激励约束”与违约风险的负相关影响。
综合贷款利率与授信金额因素，二者特征变量的违约风险分类贡献值高于抵押保证特征变量，表明所代表的客户资质差对违约风险正相关影响超过抵押保证“激励约束”机制负相关影响，从而支持抵押保证会提高个体工商户贷款违约风险的假设。
综上分析，在个体工商户信贷决策过程中，抵押保证“激励约束”机制起主导作用，且当客户资质水平与违约风险正相关影响超过了抵押保证“激励约束”与违约风险负相关影响时，抵押保证会提高违约风险；反之，抵押保证则降低违约风险。
其次，机器学习模型中的特征变量贡献值在违约风险分析方面具有出色的解释能力，且有进一步深入开发与拓展的空间。
最后，机器学习相较于传统计量经济学模型具有显著优势，无需诸多前提假设，对数据类型要求较低，尤其在处理复杂的非线性关系、非平衡数据等金融违约风险问题上优势明显，能大幅提升模型预测效果。
（此文刊发于《金融电子化》2024年12月下半月刊）
热门跟贴