农户贷款信用风险评估——基于CFPS2018数据的分析

doi:10.11924/j.issn.1000-6850.casb2020-0572

中国农学通报 ›› 2021, Vol. 37 ›› Issue (25): 157-164.doi: 10.11924/j.issn.1000-6850.casb2020-0572

• 乡村振兴 • 上一篇

农户贷款信用风险评估——基于CFPS2018数据的分析

梁伟森¹^,²(), 方伟³()

¹暨南大学经济学院,广州 510632
²广东顺德农村商业银行股份有限公司博士后科研工作站,广东佛山 528300
³广东省农业科学院农业经济与信息研究所,广州 510640

收稿日期:2020-10-20 修回日期:2021-06-24 出版日期:2021-09-05 发布日期:2021-09-23
通讯作者: 方伟
作者简介:梁伟森,男,1991年出生,广东佛山人,博士后,主要从事农业经济与农村金融的研究。通信地址：528300广东省佛山市顺德区大良新城区拥翠路2号顺银大厦,E-mail： nj_sunshine@163.com。
基金资助:
广东省自然科学基金项目“广东省粮食生产空间分异、动态演变及非均衡生产潜力”(2020A151501912);广东省哲学社科基金项目“广东省农村金融助力精准扶贫问题研究——金融资本传导视角”(GD17CYJ05);广东省哲学社科基金项目“广东省县域粮食生产格局演变、驱动因素及安全能力保障研究”(GD19CYJ03);产业经济与都市农业团队项目(202124TD);广东省农业科学院中青年学科带头人培养计划(金颖之星)

Credit Risk Assessment of Farmer Loans: Based on CFPS2018 Data

Liang Weisen¹^,²(), Fang Wei³()

¹College of Economics, Jinan University, Guangzhou 510632
²Postdoctoral Programme, Guangdong Shunde Rural Commercial Bank Company Limited, Foshan Guangdong 528300
³Institute of Agricultural Economic and Information, Guangdong Academy of Agricultural Sciences, Guangzhou 510640

Received:2020-10-20 Revised:2021-06-24 Online:2021-09-05 Published:2021-09-23
Contact: Fang Wei

摘要/Abstract

摘要：

研究旨在提高农户贷款信用风险度量的准确性,降低银行涉农贷款的不良率,促进银行对农户的信贷覆盖。从农户户主特征、资产负债、家庭收支和还款意愿4个方面选取违约判别指标,运用因子分析法克服多重共线性,基于Logistic原理构建适用于农村中小银行的农户贷款违约风险评估模型,并以中国家庭动态跟踪调查CFPS2018数据为样本进行实证研究。研究发现,农户的资产状况是影响贷款违约最主要的因素,资产负债率与其贷款信用风险正相关;家庭消费性支出越多,贷款违约的可能性越大;信任认同是重要因素,农户与人合作的信任度越高,违约风险越小。构建模型的预测准确率超过90%,具有普遍适用性。鼓励有条件的农村中小银行实施信用风险内部评级,提高农户的信贷覆盖,同时要加强相关配套建设,如优化风险组织架构、完善风险管理制度、优化风控人才队伍。

关键词: 农户贷款, 信用风险, 违约概率, Logistic模型, 因子分析

Abstract:

The aim of the study is to improve the accuracy of credit risk measurement of farmer loans, reduce the non-performing rate of banks’ agricultural loans and promote the bank's credit coverage to farmers. We selected default indicators from the four aspects of householder characteristics, assets and liabilities, income and expenditure, and willingness to repay, and used a combination of factor analysis and Logistic regression to build the credit risk assessment model for farmer loans. The empirical analysis took CFPS2018 data as a sample. The asset status of farmers was the most important factor affecting loan default, and the asset-liability ratio was positively correlated with the credit risk of loans. The more households spend on consumption, the more likely their loans will default. Recognition of trust is an important factor, the higher the trust of farmers in cooperation with others, the lower the risk of default. Moreover, the prediction accuracy of the constructed model exceeded 90%, which was universally applicable. We encourage qualified rural small and medium-sized banks to implement internal credit risk rating to improve the credit coverage of farmers. At the same time, banks should strengthen related supporting constructions, such as optimizing the risk organization structure, improving the risk management system, and building the risk control talent team.

Key words: farmer loans, credit risk, probability of default, Logistic model, factor analysis

中图分类号:

S-9
F832.43

梁伟森, 方伟. 农户贷款信用风险评估——基于CFPS2018数据的分析[J]. 中国农学通报, 2021, 37(25): 157-164.

Liang Weisen, Fang Wei. Credit Risk Assessment of Farmer Loans: Based on CFPS2018 Data[J]. Chinese Agricultural Science Bulletin, 2021, 37(25): 157-164.

图/表 5

参考文献 26

[1]	祝树民. 以改革推动农村中小银行公司治理建设[J]. 中国金融, 2020(16):9-11.
[2]	马文勤, 孔荣, 杨秀珍. 农户小额信贷信用风险评估模型构建[J]. 财会月刊, 2009(36):49-51.
[3]	Omobowale O, Oladele O I, Oyewole I K. Analysis of Factors Influencing Loan Default Among Poultry Farmers in Ogun State Nigeria[J]. Journal of Central European Agriculture, 2005,6(4):619-624.
[4]	Abunyuwah I, Blay J K. Accessibility Constraints of Small-Scale Fish Farmers to Formal Credit in the Nzema East Municipality[J]. Journal of Economics and Sustainable Development, 2013,4(1):128-132.
[5]	Mukhopadhyay P, Sengupta. Acceptance of Bengal Fasal Bima Yojona by the Farmers: A Study of Purba Burdwan District of West Bengal, India[J]. International Journal of Asian Business and Information Management, 2019,10(2):126-142. doi: 10.4018/IJABIM URL
[6]	吴晶妹, 张颖, 唐勤伟. 基于农户信用特征的WU’s三维信用评价模型研究[J]. 财贸经济, 2010(9):22-28,63.
[7]	周刚, 牛霞. 基于WU’s三维信用论的农户贷款信用风险研究——山东省实证分析[J]. 征信, 2016,34(2):16-23.
[8]	石宝峰, 王静. 基于ELECTRE III的农户小额贷款信用评级模型[J]. 系统管理学报, 2018,27(5):854-862.
[9]	邹建国, 李明贤. 农业供应链金融视角的农户信用增进研究[J]. 财经理论与实践, 2019,40(6):32-38.
[10]	温涛, 冉光和, 王煜宇, 等. 农户信用评估系统的设计与运用研究[J]. 运筹与管理, 2004(4):82-87.
[11]	胡愈, 许红莲, 王雄. 农户小额信用贷款信用评级探究[J]. 财经理论与实践, 2007(1):30-33.
[12]	谭民俊, 王雄, 岳意定. FPR-UTAHP评价方法在农户小额信贷信用评级中的应用[J]. 系统工程, 2007(5):55-59.
[13]	Hwang R, Chung H, Chu C K. Predicting Issuer Credit Ratings Using a Semiparametric Method[J]. Journal of Empirical Finance, 2010,17(1):120-137. doi: 10.1016/j.jempfin.2009.07.007 URL
[14]	陈永明, 周龙, 李双红. 基于AHP和DEMATEL方法的农户信用评级研究[J]. 征信, 2012,30(5):20-24.
[15]	谭燕芝, 李高娟. 基于Tobit模型的农户信用分析——来自CFPS的证据[J]. 区域经济评论, 2015(1):127-135.
[16]	迟国泰, 潘明道, 程砚秋. 基于综合判别能力的农户小额贷款信用评价模型[J]. 管理评论, 2015,27(6):42-57.
[17]	Dong G, Lai K K, Yen J. Credit Scorecard Based on Logistic Regression with Random Coefficients[J]. Procedia Computer Science, 2010,1(1):2463-2468. doi: 10.1016/j.procs.2010.04.278 URL
[18]	潘纬. 农户信用评价的指标设计与模型识别——基于安徽省金寨县的实践研究[J]. 征信, 2014,32(9):33-37.
[19]	朱莹, 吕德宏. 不同类型农户小额信贷信用风险影响因素研究——基于Logistic-ISM模型的实证分析[J]. 浙江金融, 2015(6):56-61.
[20]	王霞, 吕德宏. 基于多分类有序Logit模型的农户信用等级影响因素[J]. 中国农业大学学报, 2013,18(3):209-214.
[21]	Basri S, Naveen K K. Non-performance of Financial Contracts in Agricultural Lending: A Case Study from Karnataka, India[J]. Agricultural Finance Review, 2016,76(3):362-377. doi: 10.1108/AFR-01-2016-0001 URL
[22]	李莉, 张宗毅. 农户品质对农户信用影响实证分析——基于“农分期”16101个农户贷款数据[J]. 中国农业大学学报, 2019,24(1):206-216.
[23]	Kaiser H F. A second-generation little jiffy[J]. Psychometrika, 1970,35(4):401-415. doi: 10.1007/BF02291817 URL
[24]	胡胜, 雷欢欢, 胡华强. 基于Logistic模型的我国房地产企业信用风险度量研究[J]. 中国软科学, 2018(12):157-164.
[25]	张国政, 陈维煌, 刘呈辉. 基于Logistic模型的商业银行个人消费信贷风险评估研究[J]. 金融理论与实践, 2015(3):53-57.
[26]	付玮琼. 供应链金融视角下中小农业企业信用风险预警及防范研究[J]. 贵州社会科学, 2020(4):158-168.

一级指标	二级指标	英文	简称
户主特征	城乡分布	urban and rural distribution	UAR
	性别	sex	SEX
	年龄	age	AGE
	健康状况	health status	HEAL
	受教育程度	education level	EDU
	家庭成员数量	number of family members	FNUM
资产负债（还款能力）	现金资产	cash assets	CASH
	房产市值	property market value	PROP
	耐用消费品总值	total value of durable consumer goods	CON
	农用机械总值	total value of agricultural machinery	AGRM
	代偿借贷总额	compensatory loan	COML
家庭收支（还款能力）	农业收入	agricultural income	AGRI
	农业净收益	net agricultural income	NETAGRI
	非农收入	non-agricultural income	NONAGRI
	全年支出	annual expenditure	AEXP
还款意愿	人缘关系	popularity relation	POP
	勤奋认同	diligence identity	DIL
	信任认同	trust identity	TRUST
	风险偏好	risk appetite	RISK

一级指标	二级指标	英文	简称
户主特征	城乡分布	urban and rural distribution	UAR
	性别	sex	SEX
	年龄	age	AGE
	健康状况	health status	HEAL
	受教育程度	education level	EDU
	家庭成员数量	number of family members	FNUM
资产负债（还款能力）	现金资产	cash assets	CASH
	房产市值	property market value	PROP
	耐用消费品总值	total value of durable consumer goods	CON
	农用机械总值	total value of agricultural machinery	AGRM
	代偿借贷总额	compensatory loan	COML
家庭收支（还款能力）	农业收入	agricultural income	AGRI
	农业净收益	net agricultural income	NETAGRI
	非农收入	non-agricultural income	NONAGRI
	全年支出	annual expenditure	AEXP
还款意愿	人缘关系	popularity relation	POP
	勤奋认同	diligence identity	DIL
	信任认同	trust identity	TRUST
	风险偏好	risk appetite	RISK

指标	数据单位	最小值		最大值		均值		标准差
指标	数据单位	被拒	无被拒	被拒	无被拒	被拒	无被拒	被拒	无被拒
UAR	—	0	0	1	1	0.79	0.77	0.41	0.42
SEX	—	0	0	1	1	0.68	0.65	0.47	0.48
AGE	—	1	1	5	5	3.65	3.84	1.12	1.04
HEAL	—	1	1	5	5	2.73	2.86	1.23	1.27
EDU	—	1	1	6	7	2.36	2.24	1.09	1.06
FNUM	个	1	1	11	15	4.69	4.33	1.82	1.91
CASH	万元	0	0	32	450	2.07	2.85	4.60	11.70
PROP	万元	0.2	0.09	515	4012	28.17	29.79	55.98	103.50
CON	万元	0	0	40	100	3.68	2.93	5.95	5.96
AGRM	万元	0	0	70	30	0.93	0.39	5.43	1.33
COML	万元	0	0	200.01	150	5.84	1.58	18.71	5.89
AGRI	万元	0	0	28	66	1.33	1.02	3.23	2.78
NETAGRI	万元	-9.5	-51.5	13.5	45.93	-0.15	-0.13	1.83	2.86
NONAGRI	万元	0	0	101	55	4.86	3.73	10.08	4.12
AEXP	万元	0.1	0	60	50	4.47	3.29	6.15	3.59
POP	—	0	0	10	10	7.16	7.28	1.89	2.02
DIL	—	2	1	5	5	4.07	4.07	0.76	0.71
TRUST	—	0	0	1	1	0.47	0.55	0.50	0.50
RISK	—	0	0	1	1	0.18	0.19	0.39	0.39

指标	数据单位	最小值		最大值		均值		标准差
指标	数据单位	被拒	无被拒	被拒	无被拒	被拒	无被拒	被拒	无被拒
UAR	—	0	0	1	1	0.79	0.77	0.41	0.42
SEX	—	0	0	1	1	0.68	0.65	0.47	0.48
AGE	—	1	1	5	5	3.65	3.84	1.12	1.04
HEAL	—	1	1	5	5	2.73	2.86	1.23	1.27
EDU	—	1	1	6	7	2.36	2.24	1.09	1.06
FNUM	个	1	1	11	15	4.69	4.33	1.82	1.91
CASH	万元	0	0	32	450	2.07	2.85	4.60	11.70
PROP	万元	0.2	0.09	515	4012	28.17	29.79	55.98	103.50
CON	万元	0	0	40	100	3.68	2.93	5.95	5.96
AGRM	万元	0	0	70	30	0.93	0.39	5.43	1.33
COML	万元	0	0	200.01	150	5.84	1.58	18.71	5.89
AGRI	万元	0	0	28	66	1.33	1.02	3.23	2.78
NETAGRI	万元	-9.5	-51.5	13.5	45.93	-0.15	-0.13	1.83	2.86
NONAGRI	万元	0	0	101	55	4.86	3.73	10.08	4.12
AEXP	万元	0.1	0	60	50	4.47	3.29	6.15	3.59
POP	—	0	0	10	10	7.16	7.28	1.89	2.02
DIL	—	2	1	5	5	4.07	4.07	0.76	0.71
TRUST	—	0	0	1	1	0.47	0.55	0.50	0.50
RISK	—	0	0	1	1	0.18	0.19	0.39	0.39

指标	1	2	3	4	5	6	7	8	9	10	11
UAR	-0.039	-0.189	-0.056	0.027	0.025	0.187	0.273	0.545	0.301	-0.289	-0.052
SEX	0.016	-0.032	-0.001	-0.031	-0.002	0.837	-0.060	-0.009	0.007	0.019	-0.016
AGE	0.031	-0.533	0.032	0.072	0.008	0.250	-0.020	-0.085	-0.167	0.046	0.045
HEAL	-0.074	0.448	-0.029	0.106	-0.127	0.157	0.472	0.062	-0.139	-0.002	-0.235
EDU	0.019	0.379	-0.002	-0.064	0.015	0.249	-0.188	-0.108	-0.034	-0.056	0.167
FNUM	-0.126	-0.088	-0.021	-0.079	0.825	0.023	0.072	-0.023	0.047	-0.085	-0.012
CASH	-0.123	-0.008	0.026	0.662	0.056	0.009	-0.052	0.083	0.033	-0.032	0.006
PROP	0.029	-0.068	-0.031	0.591	-0.113	-0.044	0.068	-0.053	0.035	-0.030	-0.030
CON	0.059	0.086	0.024	0.087	0.352	-0.047	-0.069	0.043	-0.068	0.122	0.005
AGRM	0.009	0.093	0.014	-0.009	-0.014	-0.095	-0.190	0.774	-0.172	0.161	0.056
COML	0.483	-0.104	-0.050	-0.109	-0.303	0.050	0.094	0.028	0.079	-0.108	-0.011
AGRI	0.095	-0.015	0.580	-0.016	-0.034	0.014	-0.001	0.059	-0.005	-0.041	0.007
NETAGRI	-0.088	-0.038	0.552	0.014	0.018	-0.019	0.029	-0.079	0.019	-0.016	-0.027
NONAGRI	0.334	0.018	-0.117	0.069	0.092	-0.007	0.002	-0.036	0	0.012	0.009
AEXP	0.389	-0.024	0.144	-0.055	0.011	0.003	-0.005	-0.024	0.005	0.008	-0.024
POP	0.045	-0.035	0.03	-0.043	0.055	-0.107	0.734	-0.097	-0.027	0.039	0.118
DIL	-0.022	-0.048	-0.035	-0.029	-0.017	0.020	0.035	0.044	0.089	0.916	-0.036
TRUST	-0.014	-0.038	-0.017	0.001	-0.010	-0.016	0.070	0.033	0.025	-0.044	0.949
RISK	0.026	0.032	0.013	0.032	0	-0.013	-0.062	-0.062	0.885	0.095	0.019

农户贷款信用风险评估——基于CFPS2018数据的分析

Credit Risk Assessment of Farmer Loans: Based on CFPS2018 Data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

变量	系数	标准误差	瓦尔德	自由度	显著性	Exp(B)
FAC1	0.312^***	0.065	23.269	1	0	1.366
FAC4	-0.654^***	0.195	11.197	1	0.001	0.52
FAC8	0.122^**	0.061	4.005	1	0.045	1.13
FAC11	-0.140^*	0.077	3.286	1	0.07	0.869
常量	-2.451^***	0.083	871.629	1	0	0.086

[1]	张羽丰, 孙江涛, 李青松, 范利瑶, 文倩. 豫东农区农户宅基地退出意愿及影响因素分析——以扶沟县为例[J]. 中国农学通报, 2022, 38(2): 150-156.
[2]	姚金海, 钟国辉. 基于因子分析的农业上市公司经营业绩评价研究[J]. 中国农学通报, 2022, 38(11): 153-159.
[3]	鄢继选, 康霞, 张梅花, 孙栋元, 乔蕻强. 河西走廊永昌县农地流转行为及影响因素研究[J]. 中国农学通报, 2021, 37(5): 143-148.
[4]	梁钰珮, 王文昌. 永久基本农田后期管护中农民参与意愿及其影响因素研究[J]. 中国农学通报, 2021, 37(5): 149-155.
[5]	罗凤, 范丹, 潘兴兵. 四川省攀枝花市烟农种植意愿及影响因素分析[J]. 中国农学通报, 2021, 37(22): 158-164.
[6]	叶尔克江·霍依哈孜, 阿帕尔·肉孜, 黄健. 昌吉地区作物生长季潜在蒸散量变化特征及影响因子[J]. 中国农学通报, 2021, 37(20): 85-92.
[7]	雷蕾, 汤秋香, 陈利军, 靳拓, 刘勤, 宝哲. 新疆典型覆膜地区农户残膜污染治理行为调查与分析[J]. 中国农学通报, 2021, 37(17): 157-164.
[8]	刘猛, 赵宇, 刘斐, 赵文庆, 李顺国, 刘建军. 农户杂粮种植意愿及影响因素研究—基于河北省337户调研数据[J]. 中国农学通报, 2021, 37(12): 144-150.
[9]	王雨林, 项杰, 刘胜林. 农民参与政府组织的农业技术培训的供求影响因素研究[J]. 中国农学通报, 2020, 36(5): 144-151.
[10]	欧建德, 康永武. 定苗时间对峦大杉1年生苗木生长的影响[J]. 中国农学通报, 2020, 36(34): 20-24.
[11]	刘东娜, 李兰英, 龚雪蛟, 罗凡, 王勤. 峨眉山野生茶树资源农艺性状多样性分析[J]. 中国农学通报, 2020, 36(13): 103-109.
[12]	王鸣,穆月英. 产业整合视角的农户行为研究——来自668个蔬菜种植户的实证[J]. 中国农学通报, 2019, 35(6): 158-164.
[13]	孙跃,苟露峰,杨思维. 渔民对渔业保险行为选择的差异性研究[J]. 中国农学通报, 2019, 35(21): 152-158.
[14]	童濛濛,张亮,吕雅辉,齐国. 农民参加化肥农药减施增效技术培训的实证分析[J]. 中国农学通报, 2019, 35(14): 144-150.
[15]	苏泽春,和建英,杨丽云,和桂花,李兆光,和桂青. 云南省迪庆州附子母根与子根表型性状的相关性分析[J]. 中国农学通报, 2018, 34(8): 71-77.