基于主成份分析与神经网络相结合的农村商业银行不良贷款影响因素

郝婷婷 李擎 苏英彦

摘要： 农村商业银行在我国的银行业中占有非常重要的地位，但由于其金融主体的特殊性等一些原因，不良贷款率一直居高不下。神经网络模型是近年来学术界和应用界广泛关注的一种人工智能技术，主要通过模拟大脑的某些机理与机制，实现特定的功能。本文采用数学建模方法，针对农村商业银行不良贷款的众多影响因素，首先通过主成份分析降维，选取影响农村商业银行不良贷款的主要因素；然后以降维得到的主成份为BP神经网络的输入，以银行现有数据为样本，构建了前反馈BP神经网络模型，对农村商业银行的不良贷款率进行科学预测。本文提出的主成份分析与神经网络相结合的方法，既可以为商业银行发放贷款提供有效参考，又能有针对性的对影响不良贷款的因素进行有效控制，同时为不良贷款的研究提供了新的思路与方法。

【关键词】不良贷款 主成份分析 神经网络

1 引言

农村商业银行在我国的银行业中占有非常重要的地位，但由于其服务对象的特殊性，以及历史性的、现实性的、政策性的一些原因，不良贷款率一直居高不下，严重的制约着农村商业银行的稳健经营和良好发展，成为农村商业银行改革和发展的“瓶颈”。据银监会数据统计，2013年，全国农村商业银行的不良贷款率为4.5%，2014年不良贷款率为3.9%，2015年不良贷款率为4.3%，截至2017年6月末，全国农村商业银行的不良贷款率为4.0%，远远高于其他商业银行。寻找影响商业银行不良贷款的主要因素，找出控制银行不良贷款的方法是金融界不断探索和研究的一个核心问题。对于农村商业银行的不良贷款率进行科学预测，确定不良贷款的主要影响因素，既可以为农村商业银行发放贷款提供有效参考，又能有针对性的对影响不良贷款的因素进行有效控制。

目前，国内外学者对不良贷款的影响因素做了大量研究。卢盼盼[1]在VAR模型的基础上，对利率与商业银行不良贷款率的波动关系进行了实证分析；李勇、赵金涛[2]等通过建立决策树模型对银行不良贷款信用风险进行了预测；蒋鑫[3]通过建立多元线性回归模型研究了不良贷款率与宏观经济变量之间的相关关系；索有『4]运用动态面板数据模型，以2009-2013年沪深两市14家上市银行所组成的平行面板数据为样本，研究了我国银行不良贷款水平的基本影响因素。已有文献大多通过实证分析或线性模型对不良贷款的影响因素进行研究。一方面，单一的评价指标不具有代表性，不能各种影响因素进行充分揭示；另一方面，我国农村商业银行经营环境复杂，其不良贷款率与各影响因素之间是否呈线性关系值得商榷。

神经网络模型是一种具有模式识别能力、自組织、自适应、自学习特点的计算机制[5]，在众多领域得到了广泛应用。例如，韩正一 [6]通过神经网络与因子分析相结合的方法构建了相对全面的信贷风险监测指标体系，综合反映贷款企业的风险状况；龚科[7]提出了基于BP神经网络的银行房地产信贷风险评价，通过与Logistic模型的对比检验，证明了BP神经网络在总体风险评价方面具有较好的表现。主成份分析是一种降维方法，主要是通过将多指标转化为少数几个综合指标去解释原来资料中的大部分变量[8]。基于此，本文通过主成份分析与神经网络相结合的方法研究农村商业银行不良贷款的影响因素，为银行不良贷款的研究提供新的思路与方法。

2 不良贷款模型构建

农村商业银行作为服务农村的主力军，由于其服务对象的特殊性等原因，与普通银行相比，不良贷款的影响因素多而复杂。基于此，本文首先采用主成份分析方法对多种影响因素进行分析，提炼出少数可以代表所有影响因素大部分信息的变量，然后以提炼出的少数变量为主要因素，并作为神经网络的输入，以现有的不良贷款数据为样本，建立BP神经网络模型。

2.1 主成份分析变量选择

不良贷款的影响因素众多。宏观方面：经济体制、宏观经济调控、信贷资金财政化、金融监管体制、市场和法规体系等。银行方面：银行的风险意识淡薄、自身具有制度性缺陷、风险监控不力等。借款人方面：借款人的诚信状况、财务状态、年龄、受教育程度等。

由此，可以得到简化后影响不良贷款的m个主要因素，与其他因素相比，这m个因素对不良贷款有着更直接、更深入的影响。

2.2 神经网络模型构建

以主成份分析得到的m个主要因素作为神经网络的输入，选取现有的农村商业银行不良贷款数据为样本，设计BP神经网络模型。首先需要确定隐含层的数目以及输入层、输出层与隐含层各层神经元的个数。BP神经网络可以包含一层或多层隐含层，并且随着隐含层数目增加，网络规模增大，运算效率会降低。

本文选择单隐含层神经网络模型进行模型设计。隐含层节点数通常用经验公式确定，（

），其中m，n分别表示输入层与输出层的神经元个数。选择学习率T1，范围在0.001～10之间，学习率过小，则收敛过慢；学习率过大，则可能修正过头，导致震荡甚至发散。采用动量法调整权值，即将上一次权值调整量的一部分迭加到本次误差计算所得的权值调整量上，作为本次的实际权值调整量，即：Aw（n）= -η△w（n）+α△w（n-l），其中：α为动量系数，O<α<0.9，动量因子实际上相当于阻尼项，它减小了学习过程中的振荡趋势，从而改善了收敛性，降低了网络对于误差曲面局部细节的敏感性，有效的抑制了网络陷入局部极小。

BP神经网络学习训练过程如下：

（1）初始化网络，假设有一个隐层、隐层节点数为n_h，对各权系数w_ij进行赋值，w_ij表示神经元i与下一层第j个神经元的连接强度，初始值取随机数。

（2）输入训练样本，设x1，x2...xm分别代表来自样本主成份分析后的输入，通过各节点间的连接情况正向逐层计算隐层节点的输出为

（5）重复步骤（2）（3）和（4），直到预测误差满足条件或是训练次数达到规定次数，结束。

通过不断的学习训练，神经网络模型基本形成，每当有数据集进入模型时，模型根据已经训练好的参数进行正向传播，得到模型的输出，即不良贷款率。从而实现对未来时间或是未到期贷款的不良贷款率进行科学预测。

3 结论

本文采用数学建模方法，首先提出了通过主成份分析降维，选取影响农村商业银行不良贷款的主要因素的方法；然后以降维得到的主成份为BP神经网络的输入，以银行现有数据为样本，构建了前反馈BP神经网络模型，对农村商业银行的不良贷款率进行科学预测。本文提出的主成份分析与神经网络相结合的方法，既可以为商业银行发放贷款提供有效参考，又能有针对性的对影响不良贷款的因素进行有效控制。

参考文献

[1]卢盼盼，利率与商业银行不良贷款率波动研究[J].西南金融，2012 （06）： 50-53.

[2]李勇，赵金涛.分类挖掘方法在银行不良贷款信用风险评估中的应用[J].工业工程，2008，11（06）：125-129.

[3]蒋鑫.影响商业银行信用风险的宏观经济因素分析[J].现代经济信息，2009 （12）：25-26.

[4]索有.我国上市银行不良贷款影响因素研究基于动态面板数据模型[J].社会科学辑刊，2015 （02）：114-120.

[5]姜启源，谢金星，叶俊.数学建模[M].高等教育出版社，2011 （01）.

[6]韩正一，基于深度神经网络的银行信贷风险监测模型研究及实现[D].郑州大学，2016.

[7]龚科.基于BP神经网络的银行房地产信贷风险研究[D].华中科技大学，2007.

[8]何晓群，多元统计分析[M].中国人民大学出版社，2015 （04）.