①趙璐?、趶堝、劾讜?/p>

一、數(shù)據(jù)預處理

由于不同行業(yè)間的企業(yè)信貸策略存在明顯不同，因此本節(jié)將對123家企業(yè)的行業(yè)性質進行判別。首先采用TF-IDF算法提取行業(yè)特征詞，并將文本值轉化為向量。TF表示特征詞出現(xiàn)的頻率，IDF表示文本逆向頻率。IDF的具體計算公式如下：

使TF與IDF相乘，即可得到詞條重要程度：

TF-IDF=TF*IDF

基于所提取的行業(yè)特征詞，將123家企業(yè)歸為6類行業(yè)在此基礎上進行K-means聚類分析，不斷迭代求解，進而得出具體結果。6類行業(yè)分別是：制造業(yè)（30家）、建筑業(yè)（20家）、批發(fā)零售業(yè)（17家）、信息通訊業(yè)（12家）、服務業(yè)（29家）與其他行業(yè)（15家）。

二、基于SVM模型計算違約概率

（一）提取特征值

選取企業(yè)經(jīng)濟實力、企業(yè)信譽等級與上下游影響這三個因素作為衡量企業(yè)是否違約的主要因素，并結合數(shù)據(jù)對三方面因素進行量化處理。用營業(yè)收入額、收入增長率與利潤增長率衡量企業(yè)經(jīng)濟實力，用與企業(yè)交易的企業(yè)個數(shù)與企業(yè)頻數(shù)反映上下游影響力。為更加直觀地表示該因素體系，作圖如下：

圖1 衡量企業(yè)是否違約的主要因素

（二）模型構造

利用5個不同的特征值（營業(yè)收入額、收入增長額、利潤增長額、交易企業(yè)個數(shù)與交易企業(yè)頻數(shù)），構建超平面，違約概率為每個點到超平面的距離，違約閾值為閾值點到超片面的距離。數(shù)據(jù)得到最好分離的目標方程和約束條件為：

將5個特征值與企業(yè)是否違約情況導入超片面中，即可計算違約概率與閾值。123家企業(yè)的違約概率具體為：

E1-E123=（0.11，0.23，…，0.56，0.59）

（三）結果分析

違約閾值為0.5。當違約概率大于0.5時說明企業(yè)風險等級較高;當違約概率小于0.5時說明企業(yè)風險等級較低。計算各行業(yè)中各類型企業(yè)的平均違約概率，得結果如下：

表1 不同行業(yè)、等級企業(yè)的平均違約概率

分析表1可知，微型企業(yè)中除服務業(yè)之外，其他行業(yè)的微型企業(yè)的平均違約概率都大于0.5，處于高風險狀態(tài);小型企業(yè)中低風險程度的行業(yè)為制造業(yè)與建筑業(yè)，其余行業(yè)中小型企業(yè)的平均違約概率都大于0.5，處于高風險狀態(tài);中型企業(yè)所有行業(yè)中企業(yè)平均違約概率都小于0.5，均處于低風險狀態(tài)。

三、基于時間序列模型預測期望貸款額

已知所求違約概率代表企業(yè)的不同風險程度，將大于0.5的違約概率導入風險保守型信貸利率模型中，將小于0.5的違約概率導入風險喜好型信貸利率模型中，并在不同額度的基準利率范圍內上下調整，即可得出信貸利率。具體123家企業(yè)信貸利率如下：

E1-E123=（13.95%，12.74%，…，10.46%，9.95%）

進一步對企業(yè)的信貸利率進行分析，計算各行業(yè)中各類型企業(yè)的平均信貸利率，得結果如下：

表2 2020年不同行業(yè)、等級的企業(yè)平均信貸利率

觀察表2可知，無論企業(yè)等級為中型、小型或微型，信息通訊行業(yè)內企業(yè)的平均信貸利率均高于其他行業(yè)。這是由于信息通訊行業(yè)違約概率超過0.5，屬于高風險企業(yè)，銀行為降低信貸風險二提高信貸利率。