论文部分内容阅读
目前,全国90%以上的农村信用社都开展了农户小额信贷业务。农户小额信贷在解决农户贷款难问题、促进农民增收、支持农村经济发展等方面发挥了重要的作用。然而,农户小额信贷自身独有的一些特征使农村信用社在实施小额信贷业务过程中面临着较大的信用风险,农户违约现象时有发生,贷款不良率居高不下。当前,农村信用社在对农户资信等级评定时存在很大的主观性,容易导致资信评定不准,最终导致贷出的款项不能按时收回。针对这一现状,本文以农户小额信贷中的信用风险为研究对象,利用BP神经网络建立农户信用风险评估模型,以提高农村信用社的信用风险管理水平,减少农户违约风险发生的可能性,促进小额信贷的可持续发展。本研究首先概述了小额信贷的概念及其在我国的发展历程,在描述我国农户小额信贷特点的基础上,对我国农户小额信贷信用风险产生的原因进行具体分析。其次,介绍人工神经网络神经元模型及其变换函数、神经网络的学习方式等基本理论,同时着重介绍BP神经网络学习算法及其改进算法,并总结人工神经网络的特点,为后续实证研究部分作理论铺垫。再次,通过实地调研数据进行农户小额信贷信用风险评估的实证研究:将样本数据分成训练样本和测试样本两组;为筛选出对违约农户和非违约农户区分能力最强的指标变量,消除指标变量之间存在的多重共线性问题,提高BP神经网络模型的训练速度,对指标变量分别进行正态性检验、差异性检验和多重共线性检验;然后利用MATLAB7.0软件建立BP神经网络农户信用风险评估模型,并与Logit模型方法所建立的农户信用风险评估模型作出比较。最后,为使BP神经网络农户信用风险评估模型得以更好的推广应用,并有效降低农户小额信贷中的信用风险,给出相对应的政策建议。本研究最终建立了8-14-1结构的BP神经网络农户信用风险评估模型,该模型对训练样本的总体判别正确率为100%,对测试样本组违约类农户的预测正确率达90%,总体的正确率达84.09%;建立的Logit模型对训练样本的总体判别正确率为79.33%,对测试样本组违约类农户的识别分类正确率为75%,整体正确率仅为63.64%。整体来看,不论是对于训练样本还是测试样本,BP神经网络模型的判别预测准确率都要高于Logit模型,证实了BP神经网络在农户小额信贷信用风险评估领域中的有效性和适用性,能够为农村信用社识别农户信用风险提供较好的依据。