农村信用合作社信用卡评分模型构建及实证研究——以浙江某

农村信⽤合作社信⽤卡评分模型构建及实证研究——以浙江省某县农村信⽤合作社为例吴茂国1黄少凯2

摘要：信⽤卡是银⾏或其他⾦融机构发⾏的、并给予持卡⼈⼀定信⽤额度、且持卡⼈可在信⽤额度内先消费后还款的⼀种信⽤凭证。运作中若存在违约⾏为，则影响银⾏资⾦周转，也间接降低了正常信⽤卡申请⼈的通过率。因此通过必要的发卡审核来衡量申请⼈的信⽤等级，进⾏选择性发卡，可有效避免损失，提升整个⾦融体系资⾦利⽤效率。近年来，随着我国⾦融改⾰的深⼊，商业银⾏⼤量撤出在农村的⾦融机构，农村信⽤合作社为“三农”服务的任务更加艰巨，作⽤更加凸显。⽬前农村信⽤合作社信⽤卡业务作为⼀项扶持农业经济的⾦融服务，在我国并未得到⾜够的重视。农村信⽤合作社由于信⽤卡发卡失当出现的呆账、坏账等问题对农村⾦融体系的可持续运作造成了不利影响。

本⽂以浙江省某县农村信⽤合作社信⽤卡发卡失当为例，建⽴⼀个完整的信⽤卡发卡审核体系，以降低各类坏账问题的出现概率。本⽂⾸先介绍了发卡审核即信⽤评分的概念、运⽤过程及隐含假设、⼯作原理和⼯作假设，并分析了⽬前信⽤评分模型的关键所在和存在的⼀些问题。其次在国内外相关理论的基础上，总结了建⽴发卡审核模型即信⽤评分模型的主要⽅⾯。接着通过对借款⼈现状和XX农村信⽤合作社现状的分析，选取了16个特征⼤类48个具体的特征变量，据此进⾏样本选择、指标设计、描述性分析、回归模型建⽴及检验、信⽤评分模型建⽴及测试。该模型对预测“正常违约”客户的准确性可以分别达到80%和80.13%，并可以在拒绝16.67%正常客户的情况下将发卡风险控制在3.22%以内。最后为XX农村信⽤合作社设计了具体信⽤卡发卡模型，并为国家“三农”的实施提供了相应的建议。

关键词：农村信⽤合作社；信⽤卡发卡审核；信⽤评分；Logistic回归；权重分析

1吴茂国，⼯作单位：上海⼤学悉尼⼯商学院，经济学博⼠，讲师，邮政编码：2019，电⼦邮箱：****************.cn。2黄少凯（通讯作者），上海⼤学悉尼⼯商学院在读⾦融硕⼠，电⼦邮箱：*******************。ABSTRACT

This paper introduces the technique of evaluation of credit card issuing based on Logistic regression, its application process,implicit assumptions, working principle, and working hypothesis. It discusses some of the key issues prevalent in credit scoringmodels. Besides, it reviews a partial selection of related literature that pertains to evaluation of credit card issuing. It summarizestechniques of credit scoring models, elaborates the basic principles and assumptions of Logistic regression. Using datagathered from a countryside credit cooperative. Regression and robustness tests are conducted to predict the probability ofpaying back the debt on time and assess the overall significance of the regression function. This paper proposes a new creditscoring model. After probability is predicted, credit score of each customer is calculated. The predicted results are comparedwith the actual ones. It reveals that 80% of the customers who are issued credit cards pay back their debt on time. The risk of thecredit scoring model is refined to be within 3.22%. Policy suggestions are put forward afterwards. This paper contributes toexisting literature on credit card scoring models and credit evaluation.

Keywords: Country Credit Cooperatives; Credit Card Issuing Governance; Credit Ratings; Logistic Regression; Weight Analysis⼀、引⾔

信⽤卡是银⾏或其他⾦融机构发⾏的、并给予持卡⼈⼀定信⽤额度、且持卡⼈可在信⽤额度内先消费后还款的⼀种信⽤凭证。在还款的过程中，由于持卡⼈偿还能⼒的问题，往往存在⼀定的风险，因此对申请⼈进⾏信⽤评级，挑选合格客户选择性发放信⽤卡就⼗分必要了。⽽除了持卡⼈的⽆⼒偿还问题，信⽤卡发放审查部分也容易出现风险，主要表现为审查申请⼈信息的遗漏、核实申请⼈信息不尽职、申请⼈信⽤等级判断错误。这两⽅⾯问题都要求⾦融机构建⽴⼀个信⽤风险审核系统。

⽽信⽤卡创新后，信⽤卡发卡审核制度开始发展，随着信⽤卡不断增加，银⾏的风险也随之⼤⼤增加，银⾏在发卡前需要针对性的建⽴⼀套完整的信⽤卡发卡审核，即完整有效的信⽤风险评估模型，对申请⼈的资质进⾏客观科学的评价。

中国是⼀个⼈⼝众多的国家，农业⾃古以来就是中国最基础，最重要的战略性产业。农业具有粮⾷安全功能、环境功能、经济功能和社会功能，是国民经济的基础，是中国的“母亲产业”。在发布的2015年⼀号⽂件中，依旧将三农问题作为重点。这已经是⼀号⽂件连续11年聚焦“三农”问题。并且，⽂件⾸次提出引导和⿎励社会资本投向农村建设，体现出新形势下党、把解决“三农”问题作为党和国家⼯作重中之重的战略意图。其中，农民的贷款问题，农业⽣产的融资问题是盘活整个农村经济的关键。

然⽽农业是⼀个“靠天吃饭”的⾏业，对环境依赖性极强，还有着很强的季节性和很长的周期，再加上所需投资量⼤，利润率较低，⼀直是⼀个⾼危投资领域，农业信贷因此也有别于其他信贷，状况⽐较艰难。

更糟糕的是，为中国农村提供基础⾦融服务的农村信⽤合作社在信⽤卡业务上出现了很多问题，信⽤合作社呆账、坏账频发，制约信⽤合作社的发展，导致农业资⾦供给不⾜，不利于农业产业化、规模化的进⾏，致使中国农业在国际市场上处于不利地位，阻碍了中国农村的经济发展和党全⾯建设⼩康社会⽬标的实现。但是由于中国经济发展现状，很难投资⼤量资⾦与精⼒⽤于

研究信⽤卡发卡审核的研究，专门关于农业贷款审核尤其是信⽤卡发卡审核的研究⼏乎空⽩。⼤型商业银⾏资⾦雄厚，关于信贷风险的审核可以⾃⼰开发研究团队，然⽽农村信⽤合作社资⾦少，技术条件差，⽆法开发出预测性较⾼的审核系统，从⽽陷⼊了呆账、坏账、资⾦流通不畅的不良循环中。随着农村⾦融进⼀步发展，信⽤合作社信⽤卡业务不断扩张，信⽤风险越来越⼤，解决农村信⽤社信⽤卡发卡审核问题已经迫在眉睫。

研究农村信⽤合作社信⽤卡发卡审核的意义主要体现在以下四个⽅⾯：

（⼀）研究农村信⽤合作社信⽤卡发卡审核的课题，将农业信贷风险控制在⼀个可接受的范围内，极⼤地减少逆向选择的发⽣，使资质差的客户持有信⽤卡的概率更低，合作社坏账、呆账的发⽣次数更少；增加合格资质的客户贷款的可能性，增强农业资⾦的流动性。对于普通农户来说，从合作社更容易获得贷款，补填⽣活所缺，也更容易获得投资来进⾏⽣产，增加收⼊，脱贫致富。对于农业企业来说，资质合格的企业将会从合作社获得更多更稳定的资⾦来源，从⽽加快农业产业化的步伐，加快农业基础设施建设，提⾼农产品附加值和国际竞争⼒。

（⼆）研究农村信⽤合作社信⽤卡发卡审核问题，可以提⾼其在农户农业贷款中的竞争优势，巩固农村信⽤合作社在农村⾦融中的地位，促进农村信⽤合作社持续发展，为中国农业整体的发展提供坚实的资⾦保障。

（三）研究农村信⽤合作社信⽤卡发卡审核的课题，为合作社的⾦融服务提供改⾰、创新的⽅向，⼀⽅⾯有利于合作社⾃⾝运⾏效率的提⾼，实现⾃⾝可持续发展，另⼀⽅⾯可以满⾜更多农户、农产业的⾦融服务需求，利于整个农村⾦融的健康发展。（四）研究农村信⽤合作社信⽤卡发卡审核的课题，可以为农业⾦融机构⾦融服务的改⾰、发展提供⼀些可借鉴的材料，为国家研究“三农”问题提供⼀些建议，为“三农”的实施提供⼀些参考。

农业是国民经济的基础，农业⾦融更是现今中国发展的突破⼝，⽽新时代条件下农业⽣产及其产业的新特点使中国农业贷款尤其是贷款审核部分出现了很多新的问题。本⽂根据对浙江省某县农村信⽤合作社信⽤卡持有⼈信⽤数据的研究，借鉴国内外信⽤评分卡发展经验，通过Logistic回归模型对某县农村信⽤合作社信⽤卡发卡审核模型进⾏优化，达到在确保客户信⽤的前提下最⼤化发展发卡业务、最⼩化信贷风险，最后预测出⼀个准确性较⾼的信⽤卡发卡⽅案，并为国家“三农”提供信⽤卡发卡审核⽅⾯的建议。

本⽂第⼆节研究信⽤评分模型的基本概念、原理和⼯作流程。第三节为国内外⽂献综述。第四节通过对浙江省某县农村信⽤合作社农业贷款现状的分析，研究Logistic回归模型特征变量的选择。第五节通过Logistic回归模型对案例数据进⾏回归，进⾏显著性和稳健性检验，之后将检验后的回归⽅程与信⽤评分模型相结合，通过调试信⽤评分模型的参数可以得出不同回归在不同参数的信⽤评分模型下得到的四项指标的具体数值，最后运⽤权重分析将给出不同信⽤评分下不同回归的综合成绩，选取其中最⾼者即可得到最佳信⽤评分模型。第六节基于分析和模型结果研究对我国农业合作社信⽤评分改进的建议。第七节对全⽂进⾏了总结。

⼆、信⽤评分模型简介2.1 信⽤评分概念

信⽤评分模型是⼀种传统的信⽤风险量化模型，利⽤可观察到的借款⼈特征变量计算出⼀个数值(得分)来代表债务⼈的信⽤风险，并将借款⼈归类于不同的风险等级。

对个⼈客户⽽⾔，可观察到的特征变量主要包括收⼊、资产、年龄、职业以及居住地等；对法⼈客户⽽⾔，包括现⾦流量、财务⽐率等。

⽬前，最⼴泛运⽤的信⽤评分模型有线性概率模型（Linear Probability Model），Logistic模型，Probit模型以及线性辨别模型（Linear Discriminant Model）。2.2 运⽤过程及隐含假设

运⽤信⽤评分模型进⾏信⽤风险分析包括⼀系列复杂的过程以及⼀个隐含假设。过程和隐含假设分别介绍如下：（⼀）运⽤信⽤评分模型进⾏信⽤风险分析的基本过程

①⾸先，根据历史经验和数据分析，确定特定类别信贷⼈的信⽤风险主要与哪些个⼈特征或财务因素相关，将这些因素设为⾃变量。

②其次，将数据代⼊回归模型，得出各⾃变量关于因变量影响的系数和⼀个常数。③最后，⽤各系数和常数构成函数关系式，将具体借款⼈的数据代⼊得到⼀个数值，并确定⼀个阈值，借款给数值⾼于阈值的借款⼈，拒绝数值低于阈值的借款⼈。（⼆）信⽤评分模型隐含假设

信⽤评分模型隐含的⼀个假设为：存在⼀种量化⽅法能将信⽤评价好的客户和信⽤评价坏的客户区分成不同的两种分布。当然在这两个分布之间会出现⼀些重叠，即所谓的灰⾊地带。

⽽现在的信⽤评分很多主要是针对这⼀灰⾊地带进⾏消费者群体的细分。这是因为⽬前市场竞争激烈，信⽤评价很低的申请⼈被绝⼤多数信贷机构排除，⽽评价极⾼的借款⼈早已被各机构争抢⼀空，只剩下了信⽤评价中等的处于灰⾊地带的这⼀类潜在消费者群体，⽬前各机构争夺的也正是这⼀群体。因⽽研究对这⼀灰⾊地带的消费者进⾏细分的评分模型是⼗分重要的，可以帮助各信贷机构挑选合适的消费者，扩展⾃⾝业务。

进⾏全⾯⽽⼜细致的信⽤评分不能仅仅依靠消费者偿债、公共记录、专业和雇⽤记录，⽽更需要在此基础上，进⼀步详细地分析消费者的消费⾏为，包括所属的消费者群体类型、年龄阶段、消费规律、偏好、习惯等，⼀个科学有效的信⽤评分模型要建⽴在对消费者阶段性或长期的跟踪调查、区域调查以及庞⼤的数理统计分析之上。2.3 ⼯作原理

客户化申请评分表是⼀种统计模型，它对申请⼈具有代表性作⽤的申请信息进⾏系统的评估并测算出⼀个分数，这个分数能够以量化的形式将申请⼈预期的表现表⽰出来，以达到信贷风险评估的效果。客户化申请评分表由⼀系列特征项组成，每个特征项都是申请表上的⼀个问题，也就是说每⼀个特征项都有数个答案，对应申请表上每⼀个问题的答案。在开发评分模型的时候，应该先确定相关因素与申请⼈信⽤资质之间的关系，然后给这些因素分配适当的权重，权重要真实反映两者的相互关系，也就是说，权重越⼤，对应因素对信⽤资质的影响越⼤，权重越⼩，对应因素对信⽤资质的影响越⼩。⼀个申请⼈的得分是所有因素的具体数值乘以各⾃权重相加的结果，如果申请⼈得分⾼于机构设定的临界分数，那么申请⼈将被应允贷款，低于临界分数的申请⼈将被拒绝或者给以标记以便进⼀步的查实。2.4 ⼯作流程

如图1所⽰，⼯作流程包括以下六个过程：

图1 ⼯作流程

①确⽴研究对象。即确定模型要为谁解决什么问题。

②确定数据源及抽取样本。数据源最好是可得到的相关的多种类型的数据。

③好客户与坏客户的定义。因为是信⽤评分模型的创建，所以要确定⼀个阈值来界定“好客户”与“坏客户”，这两者在分值上的区别只有⼀个，在表现上的区分⼀般是多个。④数据描述。对每项特征变量数字特征进⾏描述。

⑤模型建⽴。求出每个特征变量的参数后代⼊函数，并由该函数建⽴信⽤评分模型。⑥模型验证。先对得到的参数进⾏显著性分析，再对建成的模型进⾏测试。2.5 模型关键部分以及存在问题

信⽤评分模型的关键部分可以总结为：特征变量的选择以及各⾃权重的确定还有好客户和坏客户的定义。

①⾸先，特征变量的选择要兼具可数量性、相关性和代表性。可数量性是指选取的特征变量可以以数量形式表现出来。如：申请⼈A的年龄阶段在35-40岁，婚姻状况为已婚（记为1）。⽽类似申请⼈性格诚实，该特征⽆法数量化，即不能作为特征变量。相关性与代表性⼀脉相承，相关性是指选取的特征变量要与申请⼈信⽤资质相关，代表性是指在这些有相关性的特征变量中要找到最能代表申请⼈信⽤资质的特征。如：年龄和体重都是可数量化的特征变量，⽽年龄与申请⼈信⽤资质存在较密切的联系，⽽体重⼏乎不影响申请⼈的信⽤资质，因此应把年龄纳⼊特征变量范围内。相较于年龄来说，收⼊可能对申请⼈信⽤资质的影响更为突出，因此若要求选取较少个数的特征变量时，应该取⽤收⼊这⼀特征变量。

②特征变量选取后，确定各个特征变量的权重。每⼀个权重都是⼀个确定的数值，在信⽤评分模型中，特征变量的权重代表着各个特征变量对申请⼈信⽤资质的影响程度，数值⼤，影响程度⼤，数值⼩，影响程度⼩。权重具体的取值是要通过⼤量的数据进⾏回归分析，最终得到了⼀个较为精确的结果，即能较为精确地反映该特征变量影响申请⼈的信⽤资质的程度。

③模型的⽬的是辨别出优质的潜在客户，即分辨出“好客户”和“坏客户”。“好客户”是指信⽤评分达到了贷款机构设定的临界分数的客户，“坏客户”是指信⽤评分在临界分数以下的客户。⽽这⾃然⽽然地涉及到了临界分数的确定问题。这要综合地考虑盈利，风险和市场占领等多⽅⾯因素，在市场⼤环境下结合机构⾃⾝条件和发展需求确定⼀个兼顾多⽅⾯的临界分数。尽管信⽤评分模型是商业银⾏分析借款⼈信⽤风险的主要⽅法之⼀，但在使⽤过程中同样存在⼀些突出问题：

①信⽤评分模型是建⽴在分析历史数据的基础上，⽆法有效利⽤当前市场的数据。这会导致模型中权重的变化趋于延时，⽆法反应各特征变量对申请⼈信⽤资质影响的变化从⽽⽆法精确的预测申请⼈的信⽤风险。

②信⽤评分模型对申请⼈历史数据的种类要求多，时间要求长，只有⼤型商业银⾏才有时间和资⾦来建⽴起⼀个符合要求的数据库，⽽且会消耗相当长的准备时间和资⾦，⼩型商业银⾏或相关机构⼏乎⽆法得到符合要求的信⽤数据，这使得信⽤评分模型的适⽤性和有效性受到很⼤的影响。

③信⽤评分模型虽然可以给出客户信⽤风险⽔平的分数，却⽆法提供客户违约概率的精确数值，⽽后者往注是信⽤风险管理最为

关注的。三、⽂献综述3.1 国外⽂献综述

国外对企业信⽤的研究已经相当成熟，包括定义与概念，解释现象的理论基础，分析模型等，对于中⼩企业的信贷风险评估，国外⼴泛应⽤基于统计⽅法的预测模型，这种⽅法起源于Fisher在1936提出的理论。利⽤定义在已有变量上的随机观测值样本，建⽴判别函数，进⾏分类，以多元判别分析法（MDA）和Logistic分析法等信⽤评分模型为主。Beaver（1966）在1954-19年间发⽣财务危机的公司中随机性地抽取了79家公司作为样本，再将这些公司与相同产业、相似规模的没有发⽣财务危机的公司进⾏对⽐来观察14个财务性⽐率在两类公司危机前5年的差异程度。最终得到“现⾦流量/负债总额”是预测经营成败的最优指标。但是，他的研究是单变量的辨别分析，周延性和代表性都不强。

Altman（1968）将辨别分析法扩充为多变量分析，选取1946-1965年间破产的33家公司，⽤逐步多元区别法从22项财务⽐率中挑选出了5项最具有代表性的⽐率，建⽴了多元线性⽅程式，利⽤评分制来预测公司的破产概率，即Z模型。Altman（1977）将反映风险和规模的变量加⼊模型，重建后得到Zeta模型。这⼀模型包含资产报酬率、盈利稳定性、利息保障率、流动⽐率、累计获利情况、资本总额与规模六项指标。

Ohlson（1980）⾸先将此模型应⽤于商业银⾏信贷风险评估，采取了九项财务指标，利⽤Logistic回归模型建⽴评级模型，实证证明模型有很好的预测能⼒。West（1985）在分析⾦融机构违约概率时使⽤了Logistic模型。

Altman和Sabato（2005）通过使⽤Logistic回归技术对1994-2004年期间超过2000家的美国公司（规模⼩于6500万美元）的固定样本数据进⾏分析，为中⼩企业建⽴了⼀种危机预警模型，并通过与普通公司模型的⽐较，来分析其有效性。

聚类分析法被Lundy（1993）⽤于对消费贷款申请⼈的代表信⽤数据年龄、职业、婚姻情况、居住情况进⾏分析。该⽂将这些条件分成6类并分别进⾏回归并评出分数。这种⽅法将贷款⼈进⾏有效分别，给予商业银⾏⼀些信⽤贷款的帮助。

Kiang（1992）将K近邻判别法⽤于信⽤风险分析，取马⽒距离，从流动性、盈利性、资本质量⾓度选出的19个变量指标，对样本分类，并与⼏种常⽤模型进⾏⽐较，发现其分类结果的准确性不如线形判别模型以及神经⽹络。3.2 国内⽂献综述

我国的信⽤评价发展相对于世界其他国家发展较晚，开始于20世纪80年代末。但是对中⼩企业以及农业信贷评估依然有很多创新性的研究。

王春峰、万海辉、张维（1998）⾸次将判别分析法应⽤于我国商业银⾏信⽤风险评估体系中，发现多元判别分析法虽然已经被⼴泛使⽤，但仍存在些许不⾜，主要体现为该模型所需要的较强的正态性和等协⽅差条件往往得不到满⾜从⽽导致不能很好地评估信贷⼈的信⽤风险。

郑茂（2003）应⽤线性概率模型和Logistic模型，构建了中国上市公司财务预警评判指标体系及相应的财务预警数学模型，并指出流动⽐率、资产负债率、资产净利率和总资产周转率是最具代表性的财务⽐率。

于⽴勇、詹捷辉（2004）通过Logistic回归模型建⽴了计算违约概率的模型，在结合国有商业银⾏实际数据的基础上，利⽤正向逐步选择法构建了较为科学的信⽤风险评估指

标体系。实证结果证明，模型有很强的可操作性和预测性。

谌⽴平（2010）将辨别分析法运⽤于现代农业信贷风险评估体系，并加⼊了定性分析的⽅法，运⽤实证分析的⽅法对企业的信贷请求从定性和定量两个⽅⾯进⾏评估，综合考虑了和环境因素对企业的影响以及企业⾃⾝的管理⽔平、资信状况、竞争能⼒、偿债能⼒、盈利能⼒、营运能⼒和发展能⼒，得出信⽤等级的评估报告以确定是否同意该信贷申请，从⽽建⽴⼀个较为全⾯的现代农业信贷风险评估体系。

郭⽂伟、陈泽鹏（2012）突破了静态估计和偏重于财务指标等局限，以⼩型企业信⽤风险为研究对象，将财务指标和⾮财务指标都包含在信⽤风险评估范畴，并结合混合Logistic模型构建⼩企业信⽤风险评估模型。研究表明，该模型有着较好的预测准确性。王平、赵⼈可、彭朝晖（2010）通过对企业财务指标的分析与选取，运⽤聚类分析法对我国企业的信⽤风险贷款的质量进⾏评测。并创新性的把企业的贷款质量分为正常、关注、次级、可疑、损失五类形态，以更好的对上市公司的运营状况进⾏分析评价。

廖国民、涂稳华、宁静（2013）随机选取了8家商业银⾏，从中提取500组个⼈消费信贷的样本，每⼀个组都设计了7个特征指标，在描述性分析各组指标以及对指标进⾏显著性和多重共线性检验后，通过Logistic模型对各特征指标进⾏回归分析，建⽴了银⾏个⼈信⽤积分模型。

在以上所述⽂献研究的基础上，本⽂选择了⼴为使⽤的信⽤评分模型——Logistic模型。接着通过对借款⼈现状和浙江省某县农村信⽤合作社现状的分析，选取了16个特征⼤类48个具体的特征变量，据此进⾏样本选择、指标设计、描述性分析、回归模型建⽴及检验、信⽤评分模型建⽴及测试，并为浙江省某县农村信⽤合作社设计了具体的信⽤卡发卡模型。四、我国农村信⽤卡现状及合适特征变量选择

本节农业信⽤卡现状的阐述主要分为两个部分：⼀是普遍的借款⼈现状，按照可数量性，相关性、代表性三个原则从中找寻合适的特征变量来进⾏接下来的Logistic回归分析；⼆是分析浙江省某县农村信⽤合作社现状来确定评分模型要实现的⽬标。4.1 借款⼈现状及合适特征变量选择

通过对借款⼈现状的分析可以确定⼀部分合适的特征变量，主要分析以下四个⽅⾯：（⼀）农户抵抗风险的意识和能⼒较低由于经济，地域的因素，农户接触⾼等教育的机会并不多，⽽接受过⾼等教育的农户⼜少有愿意回家务农、创业的，这些都导致了农户总体知识⽔平较低，⼤多仅完成了九年制义务教育。⽽知识背景与农户预测市场风险，销售波动的能⼒有很强的相关性。若农户知识背景较差，则容易跟风种植，次年收⼊多会因产量过剩⽽降低，偿付借款的能⼒很差。若农户知识背景较⾼，可能对农作物市场的把控，的理解要更加深⼊，次年的收⼊⽐较稳定，偿付借款的能⼒较好。因此，本⽂将农户的学历确定为⼀项特征变量。

（⼆）新时代农户务⼯选择的变化

改⾰开放20年内，⼤量农民放弃农活，进城打⼯，家⾥承包的⼟地除满⾜⾃⾝基本粮⾷需求外多荒废掉。21世纪后，随着国家对三农⽀持、补贴⼒度的增强，农户开始重返农业⽣产，⽽近⼏年沿海⼀、⼆线城市的⽤⼯荒使得多数农户选择了农闲时外出打⼯，农忙

时回乡⽣产的⼯作⽅式。因为浙江省某县农村信⽤合作社规定家庭信⽤卡申请要以户主为申请⼈，这样的⼯作⽅式很容易导致偿还借款时，在外打⼯的农户⽆法按时偿还，被列⼊了违约名单。外出务⼯的农户多为男性，因此本⽂将农户的性别确定为⼀项特征变量。

（三）农户收⼊周期与还款周期不相匹配

在外务⼯的多为20-50岁的男性农户，由于农村婚姻习俗等原因，30-50岁的农户是经济压⼒最重的年龄段，他们既要照顾妻⼥，⼜要抚养⽼⼈。⽽他们的⼯资（务⼯的⼯资和务农的收⼊）都是阶段性⽀付。⾸先，务农的收⼊就是农作物获收的季节，⽣产周期多数很长，多以季度为单位。其次，若仅仅是外出打⼯，⼯资多是⼀年清算⼀次。这种现象很容易出现借款到期需要偿还时，农作物没收成，⼯资也没结清，农户没有收⼊来偿还，造成违约。因此，本⽂将年龄、职位、婚姻、收⼊四项确定为特征变量。从以上现象可以推测：年龄处于30-50阶段的农户较其他年龄段农户违约概率较⼤，职位是⼀般职⼯的农户较科员及以上、经理及以上的农户违约概率较⼤，已婚的农户较未婚的农户违约概率较⼤，收⼊低的农户较收⼊⾼的农户违约概率较⼤。因此需要就这四项进⾏仔细的分析。四项都作为回归⽅程的解释变量。（四）农业企业现状

Avely（2000）曾指出，区域经济状况及所处的经济周期是影响偿债的重要因素，即⼀个科学有效的信⽤评分模型要建⽴在对消费者阶段性或长期的跟踪调查、区域调查以及庞⼤的数理统计分析之上。但现有的信⽤评分模型⼤多忽略了这⼀因素，基于此，本⽂不仅考虑了农户个体的特征描述，还考虑了借款⼈所在企业的信⽤状况。

⾸先，企业所属的⾏业很重要，若是农业类企业，由于其对⾃然依赖性强，⽣产周期长且有周期性，关联产业多，关联度⾼等特点，会带来⾃然风险、现⾦流风险、市场风险、风险等风险，贷款风险较⾼，所以需要着重分析，其他类型企业也有不同风险，这⾥不⼀⼀赘述。因此，⽂本将企业所属⾏业确定为⼀项特征变量。

其次，企业规模对信贷风险也有很⼤影响。⼤型企业多有⼀套完整的风险预测系统，风险预测能⼒较精确，有专门的⼈员管理部门，公司管理较为有效，资⾦链控制能⼒较强，还款能⼒有保障；中⼩企业⼤多⽆资⾦来研发或引进⼀套风险预测系统，多靠企业主个⼈经验与判断，风险预测能⼒不够精确，⼈员管理较为松散，资⾦链控制能⼒较差，还款能⼒较弱。因此，本⽂将企业规模确定为⼀项特征变量。

最后，企业性质对企业信贷风险的影响也⼗分显著。和事业单位违约概率是很低的，个体、三资、股份制、民企违约概率相对较⾼，国企则要结合等⽅⾯综合考虑。因此，本⽂将企业性质确定为⼀项特征变量。

上述对借款⼈四个⽅⾯的分析，确定了学历、年龄、职位、婚姻、收⼊、企业所属⾏业、企业规模、企业性质九个特征变量，在之后为了对数据进⾏充分利⽤会选择性增减⼀些特征变量。4.2 浙江省某县农村信⽤合作社现状分析

浙江省某县农村信⽤合作社是浙江⼀家农村信⽤合作社，并发展成为农商⾏，为管辖内的农民、农业、农村经济和中⼩企业提供⾦融类服务。它是该县内存款规模最⼤、⽹点最多的银⾏，坚持服务“三农”，⽴志打造现代社区银⾏典范。

⽬前，该⾏正处于业务拓展的阶段，信⽤卡业务上，信⽤卡种类逐渐多起来，持卡⼈持续增加，但违约情况也居⾼不下，造成农商⾏很⼤的损失。贷款数量增多，质量下降，不仅使农商⾏蒙受了很⼤的资⾦损失，还使业务部门步⼊迷茫的境地，不知应该如何制定

发展战略，严重阻碍了该⾏的持续发展。因此，本⽂所建⽴的信⽤评分模型要解决两个问题：⼀是尽量多的增加信⽤卡的发卡量；⼆是控制信贷风险在⼀个尽量低的⽔平。此外还要保证评分模型预测的准确性在⼀个相对⾼的⽔准。总的来说就是在确保较⾼模型预测性的情况下，建⽴⼀个可以实现最⼤化信⽤卡发卡数量和最⼩化信贷风险的信⽤评分模型。五、实证研究

5.1 样本选择

本⽂的样本采⾃浙江省某县农村信⽤合作社，共714个信⽤卡客户信息。本⽂模型设置的因变量为“是否正常还款”。根据该农村信⽤合作社的规定，借款⼈在三天内不偿还借款且未还款⾦额超过10元即被视作⾮正常还款⾏为。

除了学历、年龄、职位、婚姻、收⼊、企业所属⾏业、企业规模、企业性质九个特征变量，根据浙江省某县农村信⽤合作社提供的数据，本⽂筛选出了⼀些其他⽅⾯的特征变量。

①住宅电话。由于⼿机会有占线、停机、换号等多种不稳定因素，能联系到有住宅电话的农户⽐联系只有⼿机的农户要稳定⼀些。

②⼯龄。⼯龄越长的农户推测他（她）总资产会相对多⼀些，各⽅⾯福利会好⼀些，相对⼯龄较短的农户来说，还款能⼒会强⼀些。

③客户类别。借款⼈若为银⾏职员，其违约概率是相当低的，其他的客户要进⾏⼀定的分析。④部门。借款⼈⼯作是否从属于⼀定部门（如财务部门）。

⑤是否公务卡。借款⼈的信⽤卡是公务卡（公司名下）还是私⼈卡。

最终确定是否正常还款、银⾏职员，年龄、学历、部门、性别、住宅电话、年收⼊、职位、婚姻状况、单位性质、企业所属⾏业、企业规模、企业性质、⼯龄、是否公务卡16个特征变量。5.2 指标设计

个⼈特征变量描述见表1：表1 个⼈特征变量描述

企业特征变量描述见表2： 表2 企业特征变量

5.3 样本描述性分析

选取的变量如5.2所述，代表性特征变量的取值描述见表3：表3 代表性变量取值描述

由表3可知，年龄最⼩值为20（岁），最⼤值为60（岁）；年收⼊最⼩值为0.2（万），最⼤值为240（万）；⼯龄最⼩值为0（年），最⼤值为35（年）。其他的变量都是虚拟变量（0,1），1代表是，0代表否。例如：⾼中变量为1即代表是⾼中学历，0代表不是⾼中学历。

由于分类数据较多，因此选取其中的两项为例，第⼀例描述的是是否正常还款与银⾏职员的对应关系，见表4：

表4中，是否正常还款项，1为正常还款，0为不正常还款；银⾏职员项，1为银⾏职

员，0为⾮银⾏职员。表4显⽰⼀共有714个数据，其中115个是⾮正常还款，599个是正常还款，688个是⾮银⾏职员，26个是银⾏职员。中间四项的解释为：688个⾮银⾏职员中有115个是⾮正常还款客户，573个是正常还款客户，26个银⾏职员都是正常还款客户；115个⾮正常还款客户全是⾮银⾏职员客户，599个正常还款客户中，573个是⾮银⾏职员，26个是银⾏职员。第⼆例描述的是是否正常还款与学历的对应关系，结果见表5：

表5中显⽰，714个客户中，初中学历101⼈，⾼中学历304⼈，⼤专学历163⼈，本科学历142⼈，硕⼠学历4⼈，分别对应的正常还款⼈数为76、233、148、138、4，对应的正常还款⽐例为75.25%、76.%、90.80%、97.18%、100.00%。从中可以发现，学历和正常还款存在正相关关系，即学历越⾼，正常还款概率越⼤，这与本⽂第四节中的理论分析相符。5.4回归模型选择及检验

由于被解释变量是否正常还款为（0,1）变量，因此采⽤Logistic 回归模型，通过回归得到各项系数，回归⽅程为：

()()

,/11/1ln 0X X y p X y p T ββ+==-= (1) ⽅程左边是“好客户”发⽣⽐例的对数，该值越⾼，客户违约的可能性就越⼩，从⽽为信⽤评分提供依据。其中⽅程右边的X 代表诸多解释变量，⽅程（1）具体表现为：,1ln 1122110j j j j x x x x p p βββββ+++++=

--- (2) 其中0β为常数项，j ββ,,1 为待回归预测系数，j x x ,,1 为解释变量。

因完全预测删去的变量有银⾏职员；因作为参考变量⽽删除的变量有（学历）初中及以下，（收⼊）五万以下，（职位）其他及缺失，（婚姻）其他婚姻，（公司性质）其他公司，（⾏业类别）其他⾏业，（企业规模）其他企业。显著性和稳健性检验见表6。

表6 回归结果及稳健性检验

注：***代表1%显著，**代表5%显著，*代表10%显著，没有*代表⼤于但接近10%显著。每⼀格第⼆⾏的数字是相应特征变量的系数，括号内的数字是相应特征变量的标准差。最后⼀列为拟合优度，R 2

越⼤表⽰拟合优度越⾼。 以变量最多的回归六为例，与企业规模中的参照项其他企业相⽐，民营企业在1%显著检验下对其是否正常还款的影响为负相关；⼥性在1%显著检验下对其是否正常还款的影响为正相关；年龄在1%显著检验下对其是否正常还款的影响为正相关；与学历中的参照项初中及以下相⽐，本科在1%显著检验下对其是否正常还款的影响为正相关，⼤专在1% 显著检验下对其是否正常还款的影响为正相关；与职位中的参照项其他及缺失相⽐，⼀般职⼯在1%显著检验下对其是否正常还款的影响为正相关，经理以上在1%显著检验下对其是否正常还款的影响为正相关，科员在1%显著检验下对其是否正常还款的影响为正相关；与企业所属⾏业中的参照项其他⾏业相⽐，商业在10%显著检验下对其是否正常还款的影响为负相关；设置客户密码在1%显著检验下对其是否正常还款的影响为正相关；其他⾏业在5%显著检验下对其是否正常还款的影响为负相关；与婚姻中的参照项其他婚姻相⽐，已婚在10%显著检验下对其是否正常还款的影响为正相关；性别已婚在⼤于但接近10%显著检验下对其是否正常的影响为负相关。其中男性已婚是⼀项交叉变量，每项数值是由变量性别和已婚相应数值相乘所得。5.5 信⽤评分模型创⽴及测试

基于以上研究，本⽂创⽴了新的信⽤评分模型，并且对该模型进⾏了测试。5.5.1 信⽤评分模型创⽴

从表6可以看出回归五的拟合优度最⼤，为0.3716，因此选⽤回归五的系数作为回归⽅程系数。回归模型为⽅程3：,

6310351.08396133.031843.1820412.2379845.3696969.3994592.0226553.2461815.109041.0955637.1815204.1947339.41ln121110987654321x x x x x x x x x x x x p p --++++++-++--= - (3)

估计出模型的参数后，通常对其进⾏线性变换。采⽤穷举法，参考准则进⾏线性变换：假设好客户发⽣⽐是1:1时的信⽤分数是51以此为基准分数。当好客户发⽣⽐翻倍时信⽤分数增加25。打分⽅程为⽅程4：51,prob /ln(2)25score +?= (4)

其中prob 为回归后预测正常还款的概率，即ln （p /1-p ），score 为打分分数，即对每个客户数据逻辑回归后的信⽤评分值。以80分作为阈值，四项指标预测值见表7。表7 四项指标预测值

从表7可知在拒绝16.67%的正常客户情况下，可以把违约风险控制在3.22%以内，并保证了预测违约和不违约的准确性都在80%以上。5.5.2模型测试

为了测试打分模型的准确性，从该村农村信⽤合作社后期531个数据中随机抽取100个样本进⾏测试，预测结果和实际结果的对⽐见表8。

对测试得到的样本结果进⾏统计，得到四项指标的观察值，见表9。

将四项指标的样本观察值与之前预测的数值进⾏对⽐，结果见表10。

因为两个预测准确性是越⼤越有利，发卡风险⽐例和拒绝正常⽐例是越⼩越好，所以由上表知除了在预测正常的准确性这个指标上观察值趋于不利（仅不利5个百分点）外，在其他三个指标上，观察值都是趋于有利⽅向（共有利18.98个百分点）。有利程度⼤于不利程度，从样本反映总体的⾓度上证明了模型是有效的，甚⾄效果⽐预测的结果更优。六、建议

6.1对浙江省某县级农村信⽤合作社相关建议

浙江省某县级农村信⽤合作社为解决信⽤卡发卡失当造成的坏账、呆账问题，可以采取以下两⽅⾯的举措：

（⼀）审核模型⽅⾯：利⽤设计的信⽤评分模型，该县级农村信⽤合作社可以在拒绝16.67%的正常客户情况下，可以把违约风险控制在3.22%以内，并保证了预测违约和不违约的准确性都在80%以上。

（⼆）合作社管理⽅⾯：应加强内控管理体系建设，尤其注意对信贷风险审核的监督。⾸先应推进内控合规⽂化建设。⼀是要加强合规培训，普及内控合规⽂化和具体的操作细节。⼆是要持续开展合规理念宣讲活动，使合规理念深⼊⼈⼼。三是结合⾦融领域内各种违法违规案例，对员⼯和管理⼈员进⾏警⽰教育。

其次，建⽴专门跟踪持卡⼈资⾦流动的部门。成⽴跟踪部门对持卡⼈的资⾦流动进⾏有效监督和跟踪，可以及时了解借款⼈的资⾦流向，掌握风险相关信息来有效的控制风险。

最后，进⼀步完善内控监督机制，尤其注意对信贷风险审核的监督。内控部门要保持独⽴性和权威性，基层部门需要设⽴单独的内控⼈员，但要由上级⾏垂直领导，⼯资晋升实⾏单独考核，确保监督的有效性。另外，设⽴内控监督⼈员，直接对董事会负责，按照⼯作业绩、管理⽔平评定内控监督⼈员等级，享受⼲部待遇，确保对监督权利的制约。6.2对“三农”的建议

针对⽬前中国农村提供基础⾦融服务的农村信⽤合作社在信⽤卡业务上出现的问题，国家和可以从农村⾦融基础建设、审核环节指导、⾦融监督三个⽅⾯来管理，实现农村⾦融改⾰，为“三农”的实现提供强⼤的资⾦⽀持，注⼊新⼀轮的活⼒。（⼀）农村⾦融基础建设

⽬前农村⾦融基础设施投资⼒度较低，⾦融投资总量少，⾦融服务产品少且服务的范围⼗分狭窄。⾸先可以在农村普及⾦融基础知识，宣传开展信⽤卡业务的主要意义和相关，宣传信⽤卡的基本功能和知识以及使⽤的基本⽅法和风险防范意识。其次要提升农村⾦融机构从业⼈员的职业素养，提⾼对从业⼈员⼊⾏的素质要求，并定期对从业⼈员进⾏培训。

最后要加强农村⾦融基础设施建设，构建多层次多元化农村⾦融体系。打造具有农村特⾊的性⾦融、合作性⾦融、民间⾦融等多种⾦融形式，形成银⾏、证券、保险、租赁等和谐共存，相互补充的多层次多元化的农村⾦融体系。具体构建中应主要抓住以下三点：⼀是要将农村合作信⽤社作为⽀持农村基础设施建设的主要⼒量；⼆是要通过农业发展银⾏利⽤国家相关助农，增加中长期贷款；三是协助保险公司开发⼩额贷款意外险、农村基础设施建设贷款意外险等保险品种。（⼆）审核环节指导

调查统计农村借款⼈信息，结合本⽂提供的信⽤评分模型，给予农村⾦融机构信⽤卡发卡审核环节⼀定的指导。尽量规避属性为民营企业、商业、其他⾏业、性别已婚的信⽤卡申请⼈，多发卡给属性为性别、年龄、本科、⼤专、⼀般职⼯、经理以上、科员、设置客户密码、已婚的信⽤卡申请⼈，这样可以尽可能的增加信⽤卡持卡⼈的信⽤评分，减少农村信⽤合作社信⽤卡发卡的信⽤风险。（三）⾦融监督

可以监督建⽴相关⾦融市场监督制度和机构，监督农村⾦融机构的⾦融⾏为，减少不合理或者违法的⾦融现象。

监督银⾏建⽴健全有效的内部控制体系，严谨⾃⾝对信⽤卡发卡审核的控制。对持卡⼈的资⾦流动进⾏有效监督和跟踪服务，有效控制风险。七、结论

在中国加⼊WTO，融⼊世界经济体系后，中国农业经济遇到许多新的挑战，农业⾦融体系出现了很多新的问题，农村信⽤合作社作为农村⾦融中主要的⾦融服务提供机构在业务扩张的过程中由于信⽤卡发卡失当造成了⼀些坏账、呆账的问题，影响了信⽤合作社的业务扩展和农村⾦融体系的运转。

本⽂以浙江省某县农村信⽤合作社为例，通过建⽴⼀个完善的信⽤评分模型，对该信⽤合作社发卡审核进⾏优化，从⽽减少信⽤卡违约风险，促进信⽤合作社可持续发展和农村⾦融体系的流畅运转。农村信⽤合作社信⽤发卡审核虽是⼀项潜⼒巨⼤的⾦融技

术，但其在我国并未得到⾜够的重视。本⽂在国内外相关信⽤评分理论的基础上介绍了发卡审核即信⽤评分的概念、运⽤过程及隐含假设、⼯作原理和⼯作假设，通过分析上述⽅⾯确定了信⽤评分模型的关键所在和存在的⼀些问题，然后介绍了信⽤评分模型的国内外相关⽂献，再通过对借款⼈现状和浙江省某县级农村信⽤合作社现状的分析选取16个特征⼤类共48个具体的特征变量，接着对这48个特征变量进⾏样本选择、指标设计、描述性分析、回归模型建⽴及检验、信⽤评分模型建⽴及测试，最终得到最优的信⽤评分模型对预测“正常违约”客户的准确性可以分别达到80%和80.13%，并可以在拒绝16.67%正常客户的情况下将发卡风险控制在3.22%以内。

本⽂虽然在资料来源的多样性、信⽤评分模型选择和权重分析⽅⾯还有所⽋缺，但创新性地研究了农村信⽤合作社信⽤卡发卡审核这⼀新兴研究领域，将Logistic回归模型与与信⽤评分模型良好的结合起来，并对信⽤评分模型加以权重解释，⼀定程度上优化了信⽤评分模型。希望这些创新与不⾜可以对之后的研究起到⼀定的借鉴和警⽰作⽤。参考⽂献

【1】. 王春峰,万海晖,张维. 商业银⾏信⽤风险评估及其实证研究[J]. 管理科学学报,1998,01:70-74.【2】. 曾宪岩,王飞. 国外开展农业贷款的⽐较与启⽰[J]. 中国农村⾦融,2013,02:79-81.【3】. 林治乾,严志辉. 信⽤评分卡在中⼩企业贷款业务中的应⽤[J]. 银⾏家,2013,02:77-79.

【4】. 朱艳敏. 基于信⽤评分模型的⼩微企业贷款的可获得性研究[D].苏州⼤学,2014. 【5】. 郭晓鸣,廖祖君,付娆. 龙头企业带动型、中介组织联动型和合作社⼀体化三种农业产业化模式的⽐较——基于制度经济学视⾓的分析[J]. 中国农村经济,2007,04:40-47.

【6】. 钟雪. 农户农业贷款违约风险及其影响因素分析[D].西南财经⼤学,2014. 【7】. 杜西庆. 中国农村信⽤合作社的改⾰与发展研究[D].西北农林科技⼤学,2005. 【8】. 李璐. 农业产业化现状分析与发展对策研究[D].西北农林科技⼤学,2005. 【9】. 邵焱. 我国农村融资现状及风险管理研究[D].中南林业科技⼤学,2013. 【10】. 赵继鸿. 中国农业贷款对农民收⼊影响的实证分析——基于ECM模型[J]. ⾦融理论与实践,2010,05:67-69.

【11】. 黎⽟华. 信⽤评分卡模型的建⽴[J]. 科技信息,2010,13:4-465.【12】. 陈建. 信⽤评分模型综述[J]. 中国信⽤卡,2005,01:46-49.

【13】. 郭⽂伟,陈泽鹏. 基于Mixed-logistic模型的⼩型企业信贷风险评价研究[J].中国农业银⾏武汉培训学院学报,2012,03:30-35.

【14】. 王素义,朱传华,纪冬. 农业企业信⽤评价⽅法的选择[J]. ⽣产⼒研究,2012,08:41-43.

【15】. 孟亚. 农村商业(合作)银⾏、农村信⽤合作社发卡现状及探讨[J]. 中国信⽤卡,2005,04:34-37.【16】. 胡佳. 我国商业银⾏信贷风险评估模型⽐较研究[D].湖南⼤学,2007.

【17】. 郑茂. 我国上市公司财务风险预警模型的构建及实证分析[J]. ⾦融论坛,2003,10:38-42+50.

【18】. 谌⽴平. 现代农业信贷风险评估与控制研究[D].西北农林科技⼤学,2010. 【19】.Altman, E. I., Financial Ratios,Discriminant Analysis and the Prediction of Corporate Bankruptcy [J]. Journal of Finance, 1968 (23).

【20】.Haldeman A. and Narayanan, P., ZETA Analysis: A New Model to Identify Bankruptcy Risk of Corporations [J]. Journalof Banking and Finance, 1977 (1). 【21】.Beaver, W. H., Financial Ratios as Predictors of Failure [J]. Journal of AccountingResearch, 1966 (4).

【22】.Edward. A. and Sabato, G., Modeling Credit Risk for SMEs: Evidence from the US Market, Journal of Banking andFinance, 19 (2).

【23】.Morgan J., Risk Metrics Technical Documentation, Management Science,2008 (14).

【24】.Mckinsey, C. O., Credit Portfolio View 2A Credit Portfolio Risk Measurement and Management Approach [R] ApproachDocument, 1998.

【25】.Messier, W. F., and Hansen, J. V., Inducing Rules for Expert System Development: An Example Using Default andBankruptcy Data [J]. Management Science, 1988 (34).

【26】.Odom, M. D. and Sharda, R. A., Neural Network Model for Bankruptcy Prediction [C]. IEEE INNS International JointConference on Neural Networks, 1990 (2).

【27】.Ohlson, J. A., Financial Ratios and the Probabilistic Prediction of Bankruptcy [J]. Journal of Accounting Research, 1980

(18).

【28】.Tam, K. Y. and Kiang, M., Managerial Application of Neural Network: The Case of Bank Failure Predictions [J].Management Science, 1992 (38).

【29】. A Comparative Study of Data Mining Methods in Consumer Loans Credit Scoring Management [J]. Journal of SystemsScience and Systems Engineering, 2006 (4).