導(dǎo)語：如何才能寫好一篇信用風(fēng)險(xiǎn)評(píng)估，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

一、長沙銀行信用風(fēng)險(xiǎn)評(píng)估現(xiàn)狀分析

長沙銀行成立于1997年5月，是湖南省首家區(qū)域性股份制商業(yè)銀行。成立12年來，長沙銀行取得了喜人的發(fā)展成績。緊緊圍繞“政務(wù)銀行、中小企業(yè)銀行、市民銀行”的特色定位，以及“四個(gè)三”的客戶發(fā)展計(jì)劃，初步形成了自身的經(jīng)營特色和核心競(jìng)爭能力。由于信用評(píng)價(jià)制度是一個(gè)復(fù)雜的系統(tǒng)工程，涉及到各方面的因素，同時(shí)我國信用評(píng)價(jià)研究起步較晚，目前我國尚未建立一套全國性的客戶信用評(píng)價(jià)制度與體系。長沙銀行對(duì)貸款企業(yè)進(jìn)行信用評(píng)級(jí)的主要做法是：根據(jù)評(píng)估的需要設(shè)置若干組評(píng)估指標(biāo)，對(duì)每一指標(biāo)規(guī)定一個(gè)參照值。如果這一指標(biāo)、達(dá)到參考值的要求就給滿分，否則扣減該指標(biāo)的得分。最后將各指標(biāo)的得分匯總，并按總分的高低給貸款企業(yè)劃定信用等級(jí)，作為貸款決策的依據(jù)。該種方法的不足之處在于：（1）評(píng)級(jí)指標(biāo)、體系的構(gòu)成是通過內(nèi)部信貸專家確定的，缺乏定量化，具有不確定因索，有待進(jìn)一步深入研究。（2）指標(biāo)、權(quán)重的設(shè)置主要依靠專家對(duì)其重要性的相對(duì)認(rèn)志來設(shè)定，缺乏科學(xué)性及客觀性。（3）缺少對(duì)貸款企業(yè)各方面能力的量化分析，在對(duì)償債能力等重要指標(biāo)上只采用直接觀察法，憑經(jīng)驗(yàn)據(jù)報(bào)表估計(jì)其能力，有很大的主觀性。（4）缺少對(duì)非財(cái)務(wù)因素的分析和現(xiàn)金流量的量化預(yù)測(cè)。

二、加強(qiáng)長沙銀行信用風(fēng)險(xiǎn)評(píng)估建設(shè)

（一）完善信用評(píng)價(jià)指標(biāo)體系和評(píng)價(jià)方法

長沙銀行要建立內(nèi)部評(píng)級(jí)體系，既要學(xué)習(xí)借鑒國外模型的理論基礎(chǔ)、方法論和設(shè)計(jì)結(jié)構(gòu)，又要緊密結(jié)合本國銀行系統(tǒng)的業(yè)務(wù)特點(diǎn)和管理現(xiàn)狀，研究設(shè)計(jì)自己的模型框架和參數(shù)體系。要充分考慮諸如利率市場(chǎng)化進(jìn)程、企業(yè)財(cái)務(wù)欺詐現(xiàn)象、數(shù)據(jù)積累量不足、金融產(chǎn)品發(fā)展不充分、區(qū)域風(fēng)險(xiǎn)差別顯著、道德風(fēng)險(xiǎn)異常嚴(yán)重等國內(nèi)特有因素。只有深刻理解中國的金融風(fēng)險(xiǎn)，才能建立起有效的風(fēng)險(xiǎn)評(píng)級(jí)模型，這需要信用風(fēng)險(xiǎn)系統(tǒng)設(shè)計(jì)師不僅掌握先進(jìn)理論方法，還能夠?qū)﹂L沙銀行的現(xiàn)實(shí)問題提出技術(shù)對(duì)策。

（二）加強(qiáng)培訓(xùn)，提高銀行評(píng)級(jí)人員的素質(zhì)

長沙銀行應(yīng)加強(qiáng)與國際專業(yè)評(píng)級(jí)機(jī)構(gòu)如穆迪公司、標(biāo)準(zhǔn)普爾公司合作，加快培養(yǎng)、建立評(píng)級(jí)專業(yè)人才隊(duì)伍，負(fù)責(zé)內(nèi)部評(píng)級(jí)實(shí)施和維護(hù)工作。同時(shí)聘請(qǐng)國外銀行和評(píng)級(jí)公司的專家，對(duì)這些人員進(jìn)行集中培訓(xùn)，或派往國外培訓(xùn)，使之成為風(fēng)險(xiǎn)量化專家和未來的金融工程專家，為國內(nèi)商業(yè)銀行新型評(píng)級(jí)系統(tǒng)的建立健全出謀劃策。

在評(píng)級(jí)過程不可避免的會(huì)存在部分道德層面上的問題從而引發(fā)操作風(fēng)險(xiǎn)。對(duì)此，要從思想意志上對(duì)相關(guān)人員進(jìn)行教育，增強(qiáng)其主人翁責(zé)任感；要將政治素質(zhì)好、業(yè)務(wù)能力強(qiáng)的工作人員優(yōu)先充實(shí)到信貸崗位。

（三）加強(qiáng)行業(yè)研究，建立和完善信用風(fēng)險(xiǎn)管理基礎(chǔ)數(shù)據(jù)庫

沒有高質(zhì)量的數(shù)據(jù)積累，信用評(píng)級(jí)的模型及各項(xiàng)指標(biāo)則無用武之地。長沙商業(yè)銀行要完善數(shù)據(jù)積累，必須在確?？蛻粜畔⒌耐暾院蜏?zhǔn)確性前提下，加快信用評(píng)級(jí)所需數(shù)據(jù)的收集，同時(shí)完善不良客戶信息的收集。另外，長沙銀行應(yīng)根據(jù)客戶的資產(chǎn)負(fù)債狀況、市場(chǎng)環(huán)境等情況及時(shí)更新客戶信息，以便做出準(zhǔn)確的風(fēng)險(xiǎn)分析。在充分獲取數(shù)據(jù)的同時(shí)，商業(yè)銀行要加強(qiáng)信息技術(shù)系統(tǒng)的建設(shè)，并且要保證信息技術(shù)系統(tǒng)的可信度和穩(wěn)健性。同時(shí)，必須按照行業(yè)進(jìn)行適當(dāng)分工，通過對(duì)不同行業(yè)的長期、深入研究，了解和把握不同行業(yè)的基本特點(diǎn)、發(fā)展趨勢(shì)和主要風(fēng)險(xiǎn)因素，可以為受管理對(duì)象在同一行業(yè)內(nèi)部和不同行業(yè)之間的風(fēng)險(xiǎn)比較創(chuàng)造必要條件，從而為信用級(jí)別的決定提供參照。

篇2

【關(guān)鍵詞】制造業(yè)上市公司 信用評(píng)估 主成分分析 logit

一、序言

“中國制造”曾一度風(fēng)靡全球，成本低廉。而現(xiàn)在，“中國制造”正遭遇著空前的危機(jī)，越來越多的人對(duì)中國制造業(yè)的前景表示不樂觀。中國制造產(chǎn)業(yè)目前大多數(shù)仍停留在產(chǎn)業(yè)鏈的最低端，產(chǎn)品技術(shù)差，利潤小，基于這種情況，市場(chǎng)一旦出現(xiàn)問題，企業(yè)就會(huì)難以為繼。另外，中國雖然被稱為制造大國，但是真正拿得出手的品牌卻很少。制造業(yè)上市公司的信用風(fēng)險(xiǎn)，嚴(yán)重地影響到了社會(huì)上廣大投資者和金融機(jī)構(gòu)經(jīng)營收益，信用風(fēng)險(xiǎn)已經(jīng)成為市場(chǎng)環(huán)境中上市公司所面臨的最重要的金融風(fēng)險(xiǎn)，識(shí)別和防范上市公司信用風(fēng)險(xiǎn)極為重要。

二、國內(nèi)外研究現(xiàn)狀

WilliamBeaver（1966）在1968年提出了單變量預(yù)測(cè)模型。他將79家失敗企業(yè)和與其相對(duì)應(yīng)的79家成功企業(yè)作為樣本進(jìn)行研究，結(jié)果表明，債務(wù)保障率的準(zhǔn)確率最高，并且離被ST的時(shí)間越近，準(zhǔn)確率越高。Ohlson在1980年將1970到1976年間的105家破產(chǎn)公司和2058家非破產(chǎn)公司作為非配對(duì)樣本，首次采用邏輯回歸方法建立預(yù)警模型。

陳靜（1999）將1998年之前的27對(duì)上市公司作為樣本，用總資產(chǎn)收益率，流動(dòng)比率，凈資產(chǎn)收益率和資產(chǎn)負(fù)債率這四個(gè)財(cái)務(wù)指標(biāo)進(jìn)行研究，發(fā)現(xiàn)這種方法雖然有局限，但具有一定的實(shí)踐意義。張愛民、祝春山（2001）在Z評(píng)分模型的基礎(chǔ)之上，選取80家公司，采用主成分分析方法來建立主成分預(yù)測(cè)模型，并證明主成分預(yù)測(cè)模型在上市公司務(wù)狀況預(yù)測(cè)方面能夠取得較好的預(yù)測(cè)能力。陳曉蘭和任萍（2011）將AHP與Logit相結(jié)合，構(gòu)建了混合模型，其預(yù)測(cè)正確率達(dá)到了93.3%。

三、我國制造業(yè)上市公司信用風(fēng)險(xiǎn)評(píng)估實(shí)證研究

本文采用logit的方法來對(duì)我國制造業(yè)上市公司信用風(fēng)險(xiǎn)的評(píng)估進(jìn)行實(shí)證研究，在使用logit的方法研究之前，先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并進(jìn)行主成分分析。使用主成分分析之后的指標(biāo)與數(shù)據(jù)帶入logit中，得到最終的結(jié)果。

（一）樣本選取

本文采用我國深市制造業(yè)上市公司中的非ST公司和ST公司作為樣本。選擇2009～2015年間首次被ST或*ST的上市公司作為ST樣本，選擇2005年前上市并且從未被ST的上市公司作為非ST的樣本。這是因?yàn)閯偵鲜械墓究赡芤驗(yàn)榻?jīng)營不穩(wěn)定等原因，各種數(shù)據(jù)可能與早上市的公司有所差距，導(dǎo)致模型的不準(zhǔn)確。

（二）數(shù)據(jù)來源

本文從銳思（RESSET）金融研究數(shù)據(jù)庫中獲取數(shù)據(jù)，選擇2005～2015的所有深市制造業(yè)上市公司的ST與非ST情況，從中選出2009～2015年間首次被ST或*ST的上市公司的14家作為ST樣本，并從中挑出所有2005～2015年間從未被ST的公司作為備選非ST組。搜索每一個(gè)ST樣本所屬的二級(jí)分類，并從備選非ST組中選擇與之同行業(yè)的，資產(chǎn)總額最接近的一家非ST公司作為該ST公司的配對(duì)樣本，這樣獲得了14個(gè)非ST樣本。由于上市公司某一年的財(cái)務(wù)報(bào)表在下一年的四月份才會(huì)，所以企業(yè)在某一年被ST表明該企業(yè)在T-1年已經(jīng)連續(xù)虧損兩年，所以我們選擇ST前兩年（即T-2年）的數(shù)據(jù)樣本數(shù)據(jù)。我們選擇如下指標(biāo)：每股凈資產(chǎn)（元/股）_NAPS、資產(chǎn)負(fù)債率（%）_Dbastrt、每股息稅前利潤（元/股）_EBITPS、每股未分配利潤（元/股）_UndivprfPS等指標(biāo)。

（三）數(shù)據(jù)分析

主成分分析是數(shù)學(xué)上對(duì)數(shù)據(jù)降維的一種方法。其基本思想是設(shè)法將原來眾多的具有一定相關(guān)性的指標(biāo)X1，X2，XP（比如p個(gè)指標(biāo)），重新組合成一組較少個(gè)數(shù)的互不相關(guān)的綜合指標(biāo)Fm來代替原來指標(biāo)。那么綜合指標(biāo)應(yīng)該如何去提取，使其既能最大程度的反映原變量Xp所代表的信息，又能保證新指標(biāo)之間保持相互無關(guān)（信息不重疊）。本文的研究所選用的變量相互之間都存在著很大的多重共線性，所以我們首先使用主成分分析來消除相關(guān)性。

由結(jié)果可知，第一個(gè)主成分的特征根為4.84235，占總特征根的比例（方差貢獻(xiàn)率）為0.4842，這表示第一個(gè)成分解釋了原來10個(gè)變量的48.42%?？梢姷谝粋€(gè)成分對(duì)原來10個(gè)變量的解釋不夠。加上的二個(gè)主成分之后，方差貢獻(xiàn)率變?yōu)?.7097，前兩個(gè)成分可以在很大程度上解釋原來10個(gè)變量。其中，成分1主要代表的變量為x2，x4，x5，x6，x7，x8，而成分2主要代表的是x1，x3，x7，x9，x10。

我們的模型中，因變量屬于二值選擇模型，因此，不可以使用簡單的回歸，而應(yīng)該使用logit回歸。根據(jù)主成分分析得出的數(shù)據(jù)，我們使用STATA進(jìn)行l(wèi)ogit檢驗(yàn)。

結(jié)果顯示，主成分1的p值為0.265，主成分2的p值為0.671。由此可知，兩種主成分都不顯著。這可能是由于選取的變量對(duì)一個(gè)企業(yè)是否被ST沒有起到?jīng)Q定性的作用，但這不能說明企業(yè)的各種狀況不影響企業(yè)是否被ST。

四、建議

基于logit信用風(fēng)險(xiǎn)評(píng)估未來研究的幾點(diǎn)建議：

一是本文中選擇的指標(biāo)最初為10個(gè)，由于實(shí)證結(jié)果并不理想，所以筆者建議，未來的研究者可以加大指標(biāo)的數(shù)量，并對(duì)指標(biāo)進(jìn)行更嚴(yán)格的篩選，以求最高的準(zhǔn)確率。

二是可以嘗試將logit與其他方法相結(jié)合的混合方法，以完善信用風(fēng)險(xiǎn)評(píng)估模型。

參考文獻(xiàn)

[1]W.H.Beaver，F(xiàn)inancial Rations as Predictors of Failure[J].Journal of Accounting Research （supplement），1966：77-111.

[2]Ohlson.J.A，F(xiàn)inancial Ratios and the Probabilistic Prediction of corporate bankruptcy[J].Journal of Accounting Research，1980（1）：109-131.

[3]陳靜.上市公司財(cái)務(wù)惡化預(yù)測(cè)的實(shí)證分析[J].會(huì)計(jì)研究.1999（4）.

篇3

【關(guān)鍵詞】評(píng)估方法 信用風(fēng)險(xiǎn) 隨機(jī)森林

一、引言

信用不論對(duì)于人、社會(huì)、還是國家都尤為重要，是現(xiàn)代社會(huì)的基石。我國1999年建立征信體系至今，一直缺乏對(duì)個(gè)人信用風(fēng)險(xiǎn)評(píng)估的基礎(chǔ)理論的深究，個(gè)人征信系統(tǒng)的發(fā)展十分滯后，嚴(yán)重阻礙了我國信用借款和中國社會(huì)經(jīng)濟(jì)的健康發(fā)展。本文立足征信的基本理論和實(shí)踐，運(yùn)用隨機(jī)森林的方法，以lending club公司的借款人數(shù)據(jù)為依據(jù)，對(duì)我國個(gè)人信用風(fēng)險(xiǎn)的評(píng)估方法進(jìn)行研究和分析。

二、篩選變量

（一）樣本數(shù)據(jù)

本文從lending club 公司2014年1月到2015年3月31日的借款人數(shù)據(jù)中，篩選出交易狀態(tài)已經(jīng)完成的30719條樣本。從中篩選訓(xùn)練集10000個(gè)樣本，其中7000個(gè)履約樣本，3000個(gè)違約樣本；篩選測(cè)試集2325個(gè)樣本，其中2000個(gè)為履約樣本，325個(gè)為違約樣本。

（二）定義變量

本文定義借款狀況為被解釋變量，履約取“1”、違約取“0”；借款金額（x1）、借款期限（x2）、借款利率（x3）、分期付款（x4）、工作年限（x5）、住房所有權(quán)-按揭（x6）、住房所有權(quán)-租用（x7）、年收入（x8）、收入認(rèn)證（x9）、借款目的-購買固定資產(chǎn)（x10）、借款目的-償還債務(wù)（x11）、收入負(fù)債比（x12）、逾期次數(shù)（x13）、公開信用賬戶（x14）、毀譽(yù)記錄（x15）、循環(huán)額度利用率（x16）、信用賬戶（x17）、清單初始狀態(tài)（x18）、月還收入比（x19）、建立信用年限（x20）這20個(gè)指標(biāo)為解釋變量。其中， x6、x7、x9、x10、x11、x18為名義變量，對(duì)應(yīng)的屬性為真時(shí)取“1”，為假時(shí)取“0”。

（三）spearman法篩選變量

本文通過spearman秩相關(guān)檢驗(yàn)，根據(jù)檢驗(yàn)結(jié)果的相關(guān)系數(shù)由大到小選取相關(guān)性較強(qiáng)的變量：x3（-.307**）、x19（-.131**）、x16（-.148**）、x2（-.140**）、x9（-.131**）、x8（.127**）、x12（-.106**），且變量之間不存在多重共線性。

三、實(shí)證分析

（一）特征的選?。?/p>

隨機(jī)森林模型選擇適當(dāng)?shù)淖兞總€(gè)數(shù)，不僅可以提高準(zhǔn)確度還可以使模型復(fù)雜的計(jì)算過程，提高模型的效率。故本文逐步剔除一些不相關(guān)的變量，以達(dá)到最優(yōu)的預(yù)測(cè)效果。當(dāng)變量個(gè)數(shù)為20個(gè)的時(shí)候，通過隨機(jī)森林訓(xùn)練結(jié)果可以查看其變量的重要程度。

由圖3-1，對(duì)借款人是否違約的分類結(jié)果貢獻(xiàn)最大的幾個(gè)特征分別是：x3、x19、x1、x4、x8、x18、x9、x12。依據(jù)重要程度的高低值逐步剔除表格后的準(zhǔn)確率（由于多數(shù)變量與被解釋變量相關(guān)性較小，故直接篩選到8個(gè)變量）。

上表3-1可得：當(dāng)變量為四個(gè)，五個(gè)和兩個(gè)的時(shí)候，準(zhǔn)確率較高。但是，變量為兩個(gè)又不足以判斷一個(gè)人信用狀況，導(dǎo)致真實(shí)情況判別結(jié)果的失真，因此在實(shí)際應(yīng)用中應(yīng)該考慮選取較多變量為好。

（二）樹的顆樹的選擇：

樹的顆樹的選擇直接影響到隨機(jī)森林訓(xùn)練結(jié)果的準(zhǔn)確度。本文選取了300棵樹以探究樹的顆數(shù)的選取對(duì)判斷準(zhǔn)確性的影響。

經(jīng)驗(yàn)證：當(dāng)樹的棵樹選擇小于100時(shí)，隨著樹選擇的增多，其模型判斷的錯(cuò)誤從大約26%下降到18%左右。而繼續(xù)隨著棵樹的增加，模型的錯(cuò)誤率下降的速率變得緩慢，基本趨于平穩(wěn)。由此可以看出模型的判斷準(zhǔn)確率大約為82%。

（三）預(yù)測(cè)結(jié)果

根據(jù)對(duì)特征的選取和模型參數(shù)的設(shè)定，本文最終選取x3和x19，參數(shù)ntree選擇為500棵。運(yùn)用訓(xùn)練集數(shù)據(jù)得到隨機(jī)森林模型的訓(xùn)練結(jié)果為：模型總的準(zhǔn)確率可達(dá)81.87%。其中對(duì)履約人群的判斷為92.63%，對(duì)違約人群的判斷為56.77%。運(yùn)用測(cè)試集的數(shù)據(jù)得到預(yù)測(cè)結(jié)果為：83.10%。綜上可得：隨機(jī)森林模型有很好的預(yù)測(cè)性。

參考文獻(xiàn)：

[1]劉峙廷.我國P2P網(wǎng)絡(luò)信貸風(fēng)險(xiǎn)評(píng)估研究.廣西大學(xué)，2013.5.

[2]王富全.個(gè)人信用評(píng)估與聲譽(yù)機(jī)制研究[M].山東大學(xué)：王富全，2010.

篇4

關(guān)鍵詞：商業(yè)銀行 信用風(fēng)險(xiǎn) 影響因素 管理優(yōu)化

一、中國商業(yè)銀行信用風(fēng)險(xiǎn)的現(xiàn)狀

從目前我國商業(yè)銀行的收入結(jié)構(gòu)上看，存貸利差仍然是商業(yè)銀行的主要收入來源。根據(jù)銀監(jiān)會(huì)的統(tǒng)計(jì)顯示，2009年商業(yè)銀行的利潤結(jié)構(gòu)中，利息收入占到了61.22%。因此，信貸風(fēng)險(xiǎn)可以稱得上是我國商業(yè)銀行信用風(fēng)險(xiǎn)的主要形式。雖然我國主要商業(yè)銀行的不良貸款率在不斷下降，但是國有商業(yè)銀行的不良貸款余額的絕對(duì)數(shù)額仍然較高。目前我國銀行體系內(nèi)仍然有5 000億美元的不良資產(chǎn)，這些不良資產(chǎn)成為我國金融體制改革的障礙，同時(shí)也成為國際金融投資者們的目標(biāo)，他們都希望通過收購這筆巨額不良資產(chǎn)來迅速擴(kuò)大在中國的資本。目前國有商業(yè)銀行對(duì)這些不良貸款的處置主要依靠行政手段，而不是通過加強(qiáng)信貸風(fēng)險(xiǎn)管理，完善風(fēng)險(xiǎn)管理體制來實(shí)現(xiàn)的，而且不良貸款率仍然比國際銀行業(yè)要高出不少。隨著中國加入 WTO，《新巴塞爾資本協(xié)議》的正式以及對(duì)外開放的不斷深入，金融全球化進(jìn)程也在不斷加快，商業(yè)銀行不僅要面對(duì)國內(nèi)各同行業(yè)之間的激烈競(jìng)爭，還要面對(duì)國外其他大型銀行的挑戰(zhàn)，在這兩種內(nèi)外形勢(shì)的共同影響之下，中國商業(yè)銀行對(duì)金融風(fēng)險(xiǎn)管理所提出的要求必然會(huì)更高。而信用風(fēng)險(xiǎn)作為商業(yè)銀行最主要的風(fēng)險(xiǎn)形式，更加需要在理念、技術(shù)、制度等方面進(jìn)行積極的改進(jìn)與完善。

二、商業(yè)銀行信用風(fēng)險(xiǎn)影響因素分析

為了徹底有效地解決當(dāng)前我國商業(yè)銀行信用風(fēng)險(xiǎn)管理中存在的問題，對(duì)信用風(fēng)險(xiǎn)形成原因的分析就必不可少。能夠影響商業(yè)銀行信用風(fēng)險(xiǎn)的因素有很多，本章從銀行外部因素來分析，歸結(jié)為以下幾個(gè)方面：

2.1經(jīng)濟(jì)體制因素

我國商業(yè)銀行是從計(jì)劃經(jīng)濟(jì)體制中走出來的。在計(jì)劃經(jīng)濟(jì)下，銀行沒有放貸的自，只能按照國家計(jì)劃指令發(fā)放貸款，由于有國家信用的擔(dān)保，即使出現(xiàn)壞賬也不會(huì)影響銀行的正常經(jīng)營，因此銀行改善信用風(fēng)險(xiǎn)管理的動(dòng)力不強(qiáng)。雖然目前已經(jīng)轉(zhuǎn)制，但政府干預(yù)的影響仍然存在，銀行仍然要承擔(dān)國有企業(yè)改革重任，對(duì)瀕臨破產(chǎn)的國有企業(yè)進(jìn)行救助，導(dǎo)致銀行面臨潛在的風(fēng)險(xiǎn)。

2.2市場(chǎng)環(huán)境因素

目前我國的金融市場(chǎng)和證券市場(chǎng)都不完善，商業(yè)銀行是企業(yè)獲取貸款資金的主要途徑。同時(shí)我國居民儲(chǔ)蓄率偏高，銀行資本遠(yuǎn)遠(yuǎn)大于證券市場(chǎng)，使得信貸風(fēng)險(xiǎn)過于集中，為信用風(fēng)險(xiǎn)的分散與化解帶來了困難。與此同時(shí)，為了搶占市場(chǎng)，爭取更多的客戶資源，不少商業(yè)銀行主動(dòng)降低信貸審批標(biāo)準(zhǔn)，忽略了對(duì)信用風(fēng)險(xiǎn)的控制與管理，加大了銀行信用風(fēng)險(xiǎn)的發(fā)生。

2.3法律法規(guī)因素

銀行在企業(yè)違約之后，能夠運(yùn)用法律手段實(shí)現(xiàn)債務(wù)的清收，是降低損失的最后一道屏障。但是，從目前我國法律制度建設(shè)來看，保護(hù)債權(quán)人的法律法規(guī)并不健全，破壞信用關(guān)系的一方有時(shí)得不到應(yīng)有的懲罰。而且法律執(zhí)行生效的能力也存在很大問題，造成債務(wù)人拒不執(zhí)行法院裁決，無法保障債權(quán)人利益。在這種情況下，企業(yè)缺乏相應(yīng)約束，不可避免的給銀行增加了信用風(fēng)險(xiǎn)。

2.4外部監(jiān)管因素

我國的銀行監(jiān)管部門一直側(cè)重于對(duì)商業(yè)銀行經(jīng)營合規(guī)性的監(jiān)督管理，而對(duì)于風(fēng)險(xiǎn)管理的監(jiān)督控制并不夠。監(jiān)管當(dāng)局主要還是以事后監(jiān)管為主，缺乏主動(dòng)性和超前性，對(duì)商業(yè)銀行的資產(chǎn)負(fù)債風(fēng)險(xiǎn)、信貸資產(chǎn)質(zhì)量、資本充足率、管理水平和內(nèi)部控制等情況不能迅速作出反應(yīng)。而且目前監(jiān)管部門的監(jiān)管仍然停留在傳統(tǒng)的金融業(yè)務(wù)上，對(duì)以金融創(chuàng)新為主的銀行表外業(yè)務(wù)的監(jiān)管力度薄弱，從而導(dǎo)致銀行業(yè)整體風(fēng)險(xiǎn)狀況形成不容樂觀的局面。

三、商業(yè)銀行信用風(fēng)險(xiǎn)評(píng)估存在的問題

前面一章提到了影響銀行信用風(fēng)險(xiǎn)評(píng)估存在的外部因素，而就銀行自身而言，目前我國商業(yè)銀行在具體的信用風(fēng)險(xiǎn)評(píng)估過程中，也存在不少問題。其中主要可以概括為以下幾點(diǎn)：

3.1風(fēng)險(xiǎn)評(píng)估的量化工具落后

隨著科技的不斷發(fā)展進(jìn)步，風(fēng)險(xiǎn)評(píng)估的量化管理模式也在不斷的進(jìn)行創(chuàng)新，目前西方發(fā)達(dá)國家普遍將風(fēng)險(xiǎn)管理進(jìn)行定量分析。而我國的量化管理卻相對(duì)落后，主要停留在資產(chǎn)負(fù)債管理和頭寸匹配管理的水平，在具體操作上還停留在依靠客戶經(jīng)理的個(gè)人能力階段。這就會(huì)由于個(gè)人的能力差異，操作失誤等一系列原因，給銀行帶來信用風(fēng)險(xiǎn)。這一現(xiàn)象的主要原因在于我國利率和匯率制度沒有完全市場(chǎng)化，量化管理的基礎(chǔ)沒有得到有效地建立，而且信用風(fēng)險(xiǎn)量化管理的知識(shí)技能也沒有在國內(nèi)很好的研究與推廣，相應(yīng)的量化工具與模型還很缺乏。

3.2不能適應(yīng)新巴塞爾資本協(xié)議的要求

伴隨著新資本協(xié)議的不斷完善，信用風(fēng)險(xiǎn)的量化管理也有新的要求。新資本協(xié)議中的內(nèi)部評(píng)級(jí)法提出了模型化計(jì)量信用風(fēng)險(xiǎn)的要求，鼓勵(lì)有條件的銀行建立模型計(jì)量信用風(fēng)險(xiǎn)，提高資本對(duì)信用風(fēng)險(xiǎn)的敏感性。而我國銀行普遍采用的信用風(fēng)險(xiǎn)貸款度量分析方法本質(zhì)上還是一種定性分析方法。其只考慮了債務(wù)人基本的財(cái)務(wù)狀況，給出一個(gè)表示風(fēng)險(xiǎn)情況的數(shù)值區(qū)間，而沒有考慮到債務(wù)人的違約概率、違約損失率、風(fēng)險(xiǎn)暴露等因素，因此無法量化信用風(fēng)險(xiǎn)的大小，也無法進(jìn)行量化管理的模型化創(chuàng)建。

篇5

關(guān)鍵詞：商業(yè)銀行；信用風(fēng)險(xiǎn)；宏觀壓力測(cè)試

中圖分類號(hào)：F832.2文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1002-2848-2008（06）-0066-08

一、引 言

自20世紀(jì)70年代末到21世紀(jì)初，全球有93個(gè)國家先后爆發(fā)了112次系統(tǒng)性銀行危機(jī)。尤其90年代以來頻頻爆發(fā)的金融危機(jī)――如1987年美國股市崩盤、1994年美國利率風(fēng)暴及中南美洲比索風(fēng)暴、1997年亞洲金融危機(jī)、1998年俄羅斯政府違約事件，特別是2007年春季開始的次貸危機(jī)最終演變?yōu)?008年的全球金融風(fēng)暴，波及范圍之廣，影響程度之大，史無前例。它們不僅使一國多年的經(jīng)濟(jì)發(fā)展成果毀于一旦，還危機(jī)到一國的經(jīng)濟(jì)穩(wěn)定，對(duì)全球經(jīng)濟(jì)也產(chǎn)生了強(qiáng)大的沖擊。［1］

收稿日期：2008-07-05

項(xiàng)目資助：本文受到西安交通大學(xué)“985工程”二期資助（項(xiàng)目編號(hào)：07200701），國家社會(huì)科學(xué)基金（08DJY156）資助。

作者簡介： 李江（1962-），湖南省湘潭市人，金融學(xué)博士，西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院副教授，

碩士研究生導(dǎo)師，研究方向：金融風(fēng)險(xiǎn)管理；劉麗平（1982-）,女，河北省承德市人，西安交通大學(xué)經(jīng)濟(jì)與金融學(xué)院碩士研究生，研究方向：財(cái)務(wù)預(yù)警。

金融系統(tǒng)的宏觀壓力測(cè)試是一類前瞻性分析的工具，用于模擬“異常但合理” 宏觀經(jīng)濟(jì)沖擊對(duì)金融體系穩(wěn)定性的影響，可以幫助中央銀行識(shí)別金融體系的薄弱環(huán)節(jié)，有助于各方理解金融部門與宏觀經(jīng)濟(jì)之間的聯(lián)系，同時(shí)提高中央銀行和金融機(jī)構(gòu)的風(fēng)險(xiǎn)評(píng)估能力。因此，受到各國金融監(jiān)管當(dāng)局的重視，逐漸成為檢驗(yàn)一國銀行體系的脆弱性，維護(hù)金融穩(wěn)定的首選工具。在金融全球化的趨勢(shì)下，隨著我國金融市場(chǎng)的完全開放，我國金融業(yè)和國際金融市場(chǎng)的逐步融合，是否擁有一個(gè)穩(wěn)定和富有競(jìng)爭力的銀行體系對(duì)于中國而言顯得非常迫切。對(duì)銀行體系進(jìn)行穩(wěn)定性評(píng)估，尤其是對(duì)銀行體系面對(duì)的信用風(fēng)險(xiǎn)

進(jìn)行宏觀層面的壓力測(cè)試，對(duì)防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)，維護(hù)中國金融穩(wěn)定和安全具有重要意義。

下面研究宏觀壓力測(cè)試在銀行信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用，通過對(duì)國外已有的成熟模型理論成果分析比較的基礎(chǔ)上，根據(jù)我國的宏觀經(jīng)濟(jì)及金融發(fā)展特點(diǎn)，經(jīng)濟(jì)、金融數(shù)據(jù)統(tǒng)計(jì)及披露特點(diǎn)，模型的數(shù)據(jù)需求深度廣度要求，建立適用于我國的模型并以此進(jìn)行實(shí)證分析。

二、文獻(xiàn)綜述

（一）宏觀經(jīng)濟(jì)因素對(duì)銀行信貸違約風(fēng)險(xiǎn)的影響

McKinnon R［2］認(rèn)為，宏觀經(jīng)濟(jì)穩(wěn)定時(shí)，銀行經(jīng)營行為非常保守，不會(huì)出現(xiàn)不顧風(fēng)險(xiǎn)單方面追求效益的現(xiàn)象。但在實(shí)際匯率波動(dòng)、通貨膨脹出現(xiàn)等宏觀經(jīng)濟(jì)不穩(wěn)定的情況下，政府或明或暗的存款擔(dān)保，導(dǎo)致銀行會(huì)產(chǎn)生以高利率對(duì)高風(fēng)險(xiǎn)項(xiàng)目貸款的風(fēng)險(xiǎn)行為。Donald van Deventer［3］通過線性回歸分析，確定了宏觀因素對(duì)銀行股價(jià)變動(dòng)的解釋在統(tǒng)計(jì)上是顯著的。

對(duì)20 世紀(jì)80 年代以來各國銀行不穩(wěn)定尤其是銀行危機(jī)現(xiàn)象, 國際組織和國內(nèi)外學(xué)者進(jìn)行了大量研究, 積累了十分豐富的實(shí)證資料。尤其是來自美國、英國、澳大利亞、芬蘭的許多國外學(xué)者, 在對(duì)20 世紀(jì)80、90 年代全球銀行不穩(wěn)定事件的實(shí)證分析中發(fā)現(xiàn), 宏觀經(jīng)濟(jì)因素波動(dòng)在各國銀行不穩(wěn)定中扮演著重要角色。Tom Bernhardsen［4-5］建立起銀行破產(chǎn)與不良貸款和宏觀經(jīng)濟(jì)因素的關(guān)系模型，并且利用歐洲國家的面板數(shù)據(jù)進(jìn)行了實(shí)證檢驗(yàn)。Erlenmaier U［6］和Gersbach H［7］利用挪威中央銀行的宏觀經(jīng)濟(jì)模型RIMINI對(duì)總體審慎指標(biāo)的趨勢(shì)與發(fā)展進(jìn)行預(yù)測(cè)，并且建立了評(píng)估貸款違約率的宏觀信貸方程。Froyland E和Larsen K［8］利用RIMINI對(duì)銀行不良貸款在宏觀經(jīng)濟(jì)波動(dòng)情境下進(jìn)行了壓力測(cè)試。Pesola J［9］分析了銀行系統(tǒng)危機(jī)對(duì)宏觀經(jīng)濟(jì)因素波動(dòng)的敏感性，并利用芬蘭的數(shù)據(jù)通過建立模型對(duì)兩者之間的關(guān)系進(jìn)行定量分析。Virolainen K［10］對(duì)芬蘭金融風(fēng)險(xiǎn)的實(shí)證評(píng)估，建立了宏觀信貸模型并進(jìn)行宏觀壓力測(cè)試，揭示了芬蘭銀行系統(tǒng)貸款違約風(fēng)險(xiǎn)與宏觀經(jīng)濟(jì)波動(dòng)的相關(guān)性。

國內(nèi)對(duì)于銀行體系的穩(wěn)定評(píng)估的實(shí)證研究，包括陳華，伍志文［11］運(yùn)用1978～2000年間的數(shù)據(jù)對(duì)我國銀行體系脆弱性狀況進(jìn)行了量化分析。結(jié)果發(fā)現(xiàn),中國整個(gè)銀行體系在1978～2000年之間有11年是不穩(wěn)定的,尤其是在1992年和1998年前后更為突出,銀行體系出現(xiàn)了不穩(wěn)健的征兆,存在較大的金融風(fēng)險(xiǎn)。

（二）宏觀壓力測(cè)試?yán)碚摵蛯?shí)踐

在執(zhí)行宏觀壓力測(cè)試使用的宏觀信貸模型的研究領(lǐng)域，有兩個(gè)學(xué)者的模型框架占據(jù)舉足輕重的地位，并為日后的學(xué)者不斷的進(jìn)行模型的拓展研究和實(shí)證應(yīng)用奠定了良好的基礎(chǔ)。他們是Wilson T C［12-13］和 Merton R［14］。Wilson對(duì)各工業(yè)部門違約概率對(duì)一系列宏觀經(jīng)濟(jì)變量的敏感度直接建模。模型的思想是對(duì)違約概率和宏觀因素的關(guān)系進(jìn)行建模，模擬將來違約概率分布的路徑，就可以得到資產(chǎn)組合的預(yù)期異常損失，進(jìn)而模擬出在宏觀經(jīng)濟(jì)波動(dòng)沖擊下的違約概率值。相比較而言，Merton模型則多加入了股價(jià)對(duì)宏觀要素的反映，將資產(chǎn)價(jià)格變動(dòng)整合進(jìn)違約概率評(píng)估模型。因此，前一種模型更直觀，計(jì)算量較??；而后一種方法對(duì)數(shù)據(jù)的廣度和深度的要求以及計(jì)算量要求都很高，其中有些市場(chǎng)數(shù)據(jù)也許是信貸風(fēng)險(xiǎn)的噪音指標(biāo)。

世界各地的學(xué)者，運(yùn)用上述模型框架進(jìn)行了大量的實(shí)證研究。Vlieghe G［15］對(duì)英國銀行體系累加的企業(yè)違約概率進(jìn)行建模估計(jì)，發(fā)現(xiàn)GDP、實(shí)際利率和真實(shí)工資水平具有較顯著的解釋能力。Bunn P,Cunningham A和Drehmann M［16］曾使用probit模型來測(cè)算英國企業(yè)部門的貸款違約風(fēng)險(xiǎn)。Boss M［17］針對(duì)加總的企業(yè)違約概率估計(jì)出宏觀經(jīng)濟(jì)信貸模型來分析澳大利亞銀行部門的壓力情境，結(jié)論說明工業(yè)產(chǎn)值，通貨膨脹率，股票指數(shù)，名義短期利率和油價(jià)都是違約概率的決定因素。Marco M 、Sorge、KimmoVirolainen［18］利用Wilson模型框架對(duì)芬蘭銀行系統(tǒng)的信貸違約概率進(jìn)行了宏觀壓力測(cè)試分析。結(jié)果證明在壓力情境下，違約概率（PD, portability of default）的蒙特卡羅模擬分布明顯異于常態(tài)分布，其Var值遠(yuǎn)高于基期的測(cè)算值。Jim Wong,Ka-fai Choi和 Tom Fong［19］建立了香港零售銀行面對(duì)宏觀經(jīng)濟(jì)波動(dòng)的信貸風(fēng)險(xiǎn)宏觀壓力測(cè)試框架。模型框架中引入的宏觀經(jīng)濟(jì)變量包括：國內(nèi)生產(chǎn)總值（GDP），利率（HIBOR），房地產(chǎn)價(jià)格（RE）和大陸的GDP。同時(shí)用宏觀壓力測(cè)試評(píng)估了香港銀行體系的貸款資產(chǎn)和住房抵押貸款風(fēng)險(xiǎn)暴露。壓力情境的設(shè)定模擬了亞洲金融危機(jī)時(shí)發(fā)生的宏觀經(jīng)濟(jì)波動(dòng)，并分別引入了測(cè)試模型。結(jié)果表明在置信水平90%時(shí)，在所有壓力情境下有些銀行仍然能夠盈利。這意味著目前銀行系統(tǒng)的信用風(fēng)險(xiǎn)較穩(wěn)和。當(dāng)VaR取99%的置信水平這一極端情況時(shí)，一些銀行出現(xiàn)了巨額損失，但這類事件發(fā)生的概率極低。

Hoggarth G和Whitley J［20］與Drehmann M Hoggarth， G Logan A， Zecchino L［21］在他們的研究中引入了英國在FSAP框架指引下宏觀壓力測(cè)試的執(zhí)行結(jié)果和方法，在壓力情境的設(shè)定方面采用在險(xiǎn)價(jià)值框架下的蒙特卡羅模擬法。Jones M T, Hilbers P和Slack G［22-23］提供了宏觀壓力測(cè)試的更一般的非線性的方法。Worrell D［24-25］ 討論了一個(gè)將早期預(yù)警系統(tǒng)，金融健全性指標(biāo)和宏觀壓力測(cè)試整合的方法。

一些學(xué)者研究將信用風(fēng)險(xiǎn)和市場(chǎng)風(fēng)險(xiǎn)整合測(cè)量，例如 Allen L 和 Saunders A［26］嘗試將宏觀經(jīng)濟(jì)因素整合進(jìn)信用風(fēng)險(xiǎn)的測(cè)量模型。而最近的一些文獻(xiàn)如Pain D、Vesala J［27］和Gropp等人［28-29］則是引用Wilson 的宏觀信用模型分析了宏觀要素對(duì)銀行的債務(wù)人的信用質(zhì)量的影響。而Wilson 的模型的一個(gè)替代選擇則是Merton 的公司層面的結(jié)構(gòu)模型. Gray D、Merton 和Bodie［30］將這一框架擴(kuò)展至研究違約風(fēng)險(xiǎn)。Derviz A 和Kadlcakova N ［31］將商業(yè)周期的影響整合進(jìn)一個(gè)具有結(jié)構(gòu)模型和簡化模型特征的復(fù)合模型。Drehmann M、Manning M［32］和Pesaran M H等［33］在利用Merton模型框架的宏觀壓力測(cè)試中研究了違約概率和宏觀經(jīng)濟(jì)變量的非線性關(guān)系。Benito A,Whitley J和Young G ［34］將基于衡量違約概率的Merton模型融入針對(duì)模擬個(gè)別企業(yè)違約的probit模型。他們發(fā)現(xiàn)Merton模型方法比僅僅依靠企業(yè)的財(cái)務(wù)數(shù)據(jù)的模型效果更優(yōu)。

還有一些文獻(xiàn)使用不良貸款，貸款損失額或者復(fù)合指標(biāo)與宏觀經(jīng)濟(jì)因素整合成矩陣向量來測(cè)算金融體系的穩(wěn)定性。Hanschel E和Monnin P［35］針對(duì)瑞士銀行系統(tǒng)構(gòu)建了一個(gè)復(fù)合壓力指標(biāo)，該指標(biāo)綜合了金融不穩(wěn)定的市場(chǎng)指標(biāo)和銀行資產(chǎn)負(fù)債表上的衍生變形指標(biāo)。Kalirai H 和 Scheicher M［36］針對(duì)對(duì)澳大利亞銀行體系累加的貸款損失，通過涉及廣泛的宏觀經(jīng)濟(jì)變量的模型進(jìn)行了時(shí)間序列的回歸估計(jì)。這些宏觀經(jīng)濟(jì)變量包括國內(nèi)生產(chǎn)總值、工業(yè)產(chǎn)值缺口、消費(fèi)者價(jià)格指數(shù)、貨幣供給增速、利息率、股票市場(chǎng)指數(shù)、匯率、出口額和油價(jià)。

（三）國內(nèi)外研究述評(píng)

目前國外開展的關(guān)于銀行穩(wěn)定性評(píng)估的實(shí)證研究十分豐富，其中挪威和芬蘭中央銀行的研究對(duì)金融系統(tǒng)的評(píng)估最具綜合性。穩(wěn)定性評(píng)估的目的在于，對(duì)銀行體系的健全狀況和抵御系統(tǒng)性金融危機(jī)的能力進(jìn)行定量和定性的客觀評(píng)價(jià)。為此采用了金融穩(wěn)健指標(biāo)分析（Financial Sound Indi cators)和壓力測(cè)試的方法，對(duì)宏觀經(jīng)濟(jì)環(huán)境中例外但有可能發(fā)生的沖擊（Shock）情境進(jìn)行模擬，來量度和評(píng)估銀行體系在遇到?jīng)_擊甚至遇到金融危機(jī)時(shí)，保持穩(wěn)定（即銀行保持基本運(yùn)營不會(huì)發(fā)生突變）的能力。

而國內(nèi)對(duì)于銀行體系的穩(wěn)定評(píng)估的實(shí)證研究都偏重于評(píng)價(jià)銀行體系的穩(wěn)定性，對(duì)在抵御不確定性風(fēng)險(xiǎn)的能力評(píng)估并未涉及。目前我國關(guān)于宏觀壓力測(cè)試的研究才剛剛涉及，孫連友［37］，高同裕、陳元富［38］等學(xué)者對(duì)宏觀壓力測(cè)試進(jìn)行了理論上的探討，但多為國外文獻(xiàn)的整理或綜述，未能進(jìn)一步的發(fā)展和深入。尤其在模型研究方面，僅僅停留在介紹早期國外學(xué)者的模型框架和較為成熟的各國宏觀壓力測(cè)試手冊(cè)指引中的操作流程。其內(nèi)容多為宏觀壓力測(cè)試的必要性、目的作用、所用方法、國內(nèi)外的具體實(shí)踐等，未能有很系統(tǒng)和深入的介紹，而對(duì)多種宏觀壓力測(cè)試模型的介紹和分析尚無涉及。

在實(shí)證方面，熊波［39］通過建立宏觀經(jīng)濟(jì)因素的多元Logit回歸分析，并對(duì)結(jié)果進(jìn)行假設(shè)情境的壓力測(cè)試分析。得出的結(jié)論是， 國內(nèi)生產(chǎn)總值和通貨膨脹率這樣的宏觀經(jīng)濟(jì)變量的確是影響中國銀行體系穩(wěn)定性的重要因素。但是該文只是借鑒了壓力測(cè)試的思想，使用傳統(tǒng)的方法，通過模擬情境下宏觀經(jīng)濟(jì)因素異動(dòng)，由Logit模型最終得出穩(wěn)定性指標(biāo)期望值的點(diǎn)估計(jì)來評(píng)價(jià)銀行體系的穩(wěn)定性。這種方法不能有效地反映出宏觀變動(dòng)沖擊對(duì)銀行體系的影響，不能看出壓力情境下銀行面臨的最主要的信用風(fēng)險(xiǎn)的分布狀況，即貸款違約率的概率分布。

三、宏觀壓力測(cè)試方法流程及模型設(shè)定

（一）方法流程

宏觀壓力測(cè)試是模擬“危機(jī)事件”來估計(jì)極端卻可能的壓力情境下金融體系的波動(dòng)。在宏觀壓力測(cè)試的框架中，其模型表示為：

Q(t+1｜t+1≥X=f(Xt,Zt)（1）

在（1）中 表示在模擬的壓力情境下評(píng)價(jià)金融體系的穩(wěn)定性的指標(biāo)的表現(xiàn)。在宏觀壓力測(cè)試模型中衡量金融部門波動(dòng)性的最一般的方法是資本的潛在損失率。Q(?)表示衡量金融系統(tǒng)波動(dòng)性的風(fēng)險(xiǎn)矩陣，衡量違約情況的指標(biāo)例如貸款損失額主要通過模擬壓力情境下的點(diǎn)估計(jì)得到。在這種情況中，該條件概率值表示的風(fēng)險(xiǎn)矩陣較容易計(jì)算。而在險(xiǎn)價(jià)值方法中，在任何給定的壓力情境下，資產(chǎn)組合的損失應(yīng)產(chǎn)生概率分布，而不是前一種方法中的點(diǎn)估計(jì)值?？蚣苤衒(?)表示損失方程，該方程模擬了宏觀經(jīng)濟(jì)沖擊對(duì)金融體系中加總的資產(chǎn)組合的影響關(guān)系。該方程可包含風(fēng)險(xiǎn)暴露，違約概率，相關(guān)性，回饋效應(yīng)，以及宏觀經(jīng)濟(jì)變量變動(dòng)與系統(tǒng)層面金融穩(wěn)定性表現(xiàn)的相互關(guān)系。

壓力測(cè)試的執(zhí)行方式主要是通過情境設(shè)定，根據(jù)情境假設(shè)下可能的風(fēng)險(xiǎn)因子變動(dòng)情形重新評(píng)估金融商品或投資組合的價(jià)值，整個(gè)程序通常分為兩大步：一是情境設(shè)定；二是重新評(píng)估。通常重新評(píng)估的方式不會(huì)有太大的差異，但是情境設(shè)定的方式卻有很多種選擇。情境分析（Scenario Analysis）是目前應(yīng)用的主流。即利用一組風(fēng)險(xiǎn)因子定義為某種情境，分析在個(gè)別情境下的壓力損失，因此此類方法稱為情境分析，情境分析的事件設(shè)計(jì)方法有兩種：歷史情境分析（Historical Scenario）和假設(shè)性情境分析（Hypothetical Scenario）。其他方法還有敏感度分析（Sensitive Analysis）和極值理論法（Extreme Value Theory, EVT）。

本文根據(jù)信用風(fēng)險(xiǎn)壓力測(cè)試的相關(guān)文獻(xiàn)以及世界銀行和國際貨幣基金組織聯(lián)合開發(fā)的FSAP（financial Sector ass ess ment programme)的手冊(cè)，將壓力測(cè)試的執(zhí)行程序見圖1所示。

圖1 壓力測(cè)試流程圖

（二）模型的設(shè)定

本文將在Wilson、Boss和Virolainen研究框架的基礎(chǔ)上建立適合我國銀行系統(tǒng)信用風(fēng)險(xiǎn)評(píng)估的宏觀壓力測(cè)試模型。首先借鑒國外研究成果中關(guān)于宏觀經(jīng)濟(jì)因素和貸款違約率之間的非線性關(guān)系設(shè)定。在此基礎(chǔ)上使用Logit方程將貸款違約率轉(zhuǎn)化為宏觀綜合指標(biāo)，以指標(biāo)作為因變量與宏觀經(jīng)濟(jì)因素進(jìn)行多元線性回歸分析，使得這一指標(biāo)能夠很好地利用各宏觀經(jīng)濟(jì)指標(biāo)所提供的信息。在模型中宏觀經(jīng)濟(jì)因素的選擇方面，參考國內(nèi)外學(xué)者實(shí)證研究中模型的自變量，結(jié)合我國數(shù)據(jù)統(tǒng)計(jì)和披露特點(diǎn)等制約因素選取適合的宏觀經(jīng)濟(jì)變量來構(gòu)建模型。

yt=ln1-PDt[]PDt（t=1, 2…, N）（2）

yt=α0+α1Xt+…α1+mX1-m+β1yt-1+…+βny1-n+μt（3）

Xt=0+1Xt-1+…+pX1-p+φ1yt-1+…+φqyt-q+εt（4）

PDt代表t年度的貸款的平均違約率，Y是一個(gè)反映宏觀經(jīng)濟(jì)狀況的綜合性指標(biāo)，也可以將它理解為是反映銀行體系違約概率和各宏觀經(jīng)濟(jì)變量的關(guān)系的“中介指標(biāo)”，X代表宏觀經(jīng)濟(jì)變量。在利用歷史數(shù)據(jù)進(jìn)行模型估計(jì)時(shí)，通過處理的違約概率值代入（2）就可以得到估計(jì)的綜合指標(biāo)的估計(jì)值。將其帶入（3）就可以估計(jì)出宏觀方程的系數(shù)，并以此估計(jì)出的方程作為進(jìn)行宏觀壓力測(cè)試的基礎(chǔ)。而在執(zhí)行壓力測(cè)試的時(shí)候，通過壓力情境的設(shè)定，用不同方法得到的各相關(guān)宏觀經(jīng)濟(jì)變量值代入估計(jì)出的（3）就可以得到壓力情境下的Y，再通過（2）就估計(jì)出了壓力情境下的銀行系統(tǒng)的違約概率。

公式（2）就是對(duì)貸款違約率進(jìn)行Logit回歸分析，PDt表示t年度的貸款的平均違約率，yt表示一系列宏觀經(jīng)濟(jì)變量的綜合指標(biāo)。

公式（3）是反映各宏觀經(jīng)濟(jì)變量與綜合性指標(biāo)yt的關(guān)系的方程，本文采用多元線性回歸的方法來模擬變量之間的關(guān)系。其中Xt=(x1,t,x2,t…xl,t)′是L×1階列向量，代表L個(gè)宏觀經(jīng)濟(jì)因素構(gòu)成的列向量；μt是方程的隨機(jī)擾動(dòng)項(xiàng)。截距α0是一個(gè)L×1階列向量；系數(shù)α1,α2…α1+m分別代表L×1階向量，系數(shù)β1…βn是L×n階矩陣向量。

公式（4）是關(guān)于各宏觀經(jīng)濟(jì)變量的時(shí)間序列模型。考慮到宏觀經(jīng)濟(jì)因素采取的時(shí)間序列數(shù)據(jù)，可能存在變量的滯后性，因此對(duì)各宏觀經(jīng)濟(jì)變量進(jìn)行P階自回歸分析，剔除模型中的序列相關(guān)性。在（4）中，0是L×1階的列向量, 1,…,p都是L×1階矩陣向量，φ1,…φq是L×q階矩陣向量，隨機(jī)誤差εt都是L×1階列向量。

在這個(gè)模型中，假設(shè)μt和εt是序列不相關(guān)的，并且分別服從方差協(xié)方差為矩陣∑μ和∑ε的正態(tài)分布。其中μt和εt相關(guān)的方差協(xié)方差矩陣為∑μ,ε。

在 Wilson（1997）和Virolainen（2004）提出的框架中，yt僅僅與Xt有關(guān)，而本文模型的設(shè)定更符合實(shí)際情況，yt不僅與Xt相關(guān)，考慮到宏觀沖擊的時(shí)滯效應(yīng)，yt還與其滯后期的值yt-1,…,yt-n有關(guān)。

從（4）可以看出，模型不僅考慮到了宏觀經(jīng)濟(jì)變量值之間的相互影響，模型的設(shè)定考慮到了金融體系對(duì)宏觀經(jīng)濟(jì)波動(dòng)的回饋效應(yīng)。將銀行的表現(xiàn)對(duì)經(jīng)濟(jì)的反饋影響通過在宏觀因素變量的自回歸方程中引入綜合變量來實(shí)現(xiàn)。通過各行業(yè)綜合指標(biāo)Y的前期值對(duì)各宏觀經(jīng)濟(jì)變量的影響設(shè)定來反映現(xiàn)實(shí)世界中的金融與經(jīng)濟(jì)發(fā)展的相互影響關(guān)系。

（三）變量選取

1.解釋變量

根據(jù)各國的實(shí)證研究經(jīng)驗(yàn)和我國銀行體系業(yè)務(wù)發(fā)展特點(diǎn)，本文模型的變量選取1990～2006年的年度數(shù)據(jù)，主要考慮到數(shù)據(jù)的可得性、宏觀經(jīng)濟(jì)統(tǒng)計(jì)的特征以及經(jīng)濟(jì)沖擊發(fā)生的持續(xù)時(shí)間來決定的。鑒于研究的宏觀層面，從數(shù)據(jù)的可得性及計(jì)算量考慮，本文的宏觀模型是基于整個(gè)經(jīng)濟(jì)體系的，因此各宏觀經(jīng)濟(jì)變量將不采用各經(jīng)濟(jì)部門的統(tǒng)計(jì)值，而是采用本國的整體水平的統(tǒng)計(jì)值。

本文選取八個(gè)宏觀經(jīng)濟(jì)變量作為解釋變量：

NGDP―國內(nèi)生產(chǎn)總值名義年增長率；

RGDP―國內(nèi)生產(chǎn)總值實(shí)際年增長率；

NR―一年期存款的名義基準(zhǔn)利率；

RR―一年期存款的實(shí)際基準(zhǔn)利率；

NLR―一年期流動(dòng)資金貸款的名義平均利率；

RLR―一年期流動(dòng)資金貸款的實(shí)際平均利率；

CPI―居民消費(fèi)價(jià)格指數(shù)；

RE―房地產(chǎn)價(jià)格指數(shù)；

2.被解釋變量

本文選取違約概率作為評(píng)估信用風(fēng)險(xiǎn)的指標(biāo)，銀行系統(tǒng)的信用風(fēng)險(xiǎn)主要表現(xiàn)為貸款資產(chǎn)的違約風(fēng)險(xiǎn)。違約率水平是評(píng)估銀行貸款質(zhì)量的最直接的指標(biāo)，違約風(fēng)險(xiǎn)可以用借款人在規(guī)定期限內(nèi)的違約概率度量。Virolainen K對(duì)芬蘭銀行系統(tǒng)的違約概率進(jìn)行的宏觀壓力測(cè)試分析中，對(duì)違約概率指標(biāo)采取如下方式賦值：在研究時(shí)段內(nèi)，某行業(yè)的破產(chǎn)機(jī)構(gòu)數(shù)量與總的機(jī)構(gòu)數(shù)量的比率為銀行體系面對(duì)的違約率。Jim Wong、Ka-fai Choi和Tom Fong［19］建立的香港零售銀行面對(duì)宏觀經(jīng)濟(jì)波動(dòng)的信貸風(fēng)險(xiǎn)壓力測(cè)試框架中，違約概率是逾期3個(gè)月以上的貸款額與總貸款額的比率。本文選取四家國有商業(yè)銀行和交通銀行、招商銀行、光大銀行等十家股份制商業(yè)銀行的信貸數(shù)據(jù)作為樣本，以平均的逾期貸款率代表貸款違約率，即以年末樣本銀行的總逾期貸款額與總貸款余額的比率。其中，1990、1991、1992三年的各樣本銀行的詳細(xì)數(shù)據(jù)欠缺，因此本文根據(jù)各類媒體披露的總的逾期貸款的變動(dòng)率和貸款額的變動(dòng)率計(jì)算出了這三年的逾期貸款率，其他各年份的詳細(xì)數(shù)據(jù)均來自中國金融年鑒和各銀行的年報(bào)。

四、實(shí)證結(jié)果

（一）模型估計(jì)

代入1990～2006年的宏觀經(jīng)濟(jì)數(shù)據(jù)對(duì)上述模型進(jìn)行多元回歸分析和模型估計(jì)，先用宏觀經(jīng)濟(jì)變量的名義指標(biāo)值和實(shí)際值，與引入的綜合指標(biāo)Y的兩期滯后變量分別對(duì)Y進(jìn)行回歸。從兩個(gè)模型的t檢驗(yàn)指標(biāo)看出，模型中GDP、LR、R作為解釋變量的參數(shù)并不顯著，而引入的Y的二階滯后變量對(duì)因變量的解釋性也不顯著。因此模型的參數(shù)需要進(jìn)一步調(diào)適剔除。根據(jù)經(jīng)驗(yàn)和宏觀經(jīng)濟(jì)沖擊的滯后性往往為一年，因此模型中只引入Y的一階滯后變量。雖然兩個(gè)模型的擬合優(yōu)度統(tǒng)計(jì)檢驗(yàn)指標(biāo)和D-W指標(biāo)略微下降，但兩個(gè)指標(biāo)值分別為0.987和2，仍是非常理想的檢驗(yàn)指標(biāo)值。在剔除掉一年期存款利率后，兩個(gè)模型各參數(shù)的t檢驗(yàn)指標(biāo)都非常顯著。但是以模型解釋變量的參數(shù)符號(hào)來看，通貨膨脹率CPI在以名義宏觀經(jīng)濟(jì)變量值為自變量的模型中的系數(shù)符號(hào)為負(fù)，這表明隨著CPI的增加，Y值也會(huì)減小，經(jīng)過Logit變換后的違約概率PD將會(huì)增大，顯然符合經(jīng)濟(jì)學(xué)原理。而在關(guān)于實(shí)際變量的模型中系數(shù)為正號(hào)，這是違背經(jīng)濟(jì)學(xué)原理的。所以本文確定以名義變量作為模型解釋變量的方程為最佳的宏觀經(jīng)濟(jì)模型（見表1）。這說明我國銀行的信貸違約率對(duì)名義的宏觀經(jīng)濟(jì)因素的波動(dòng)更敏感。Marco Sorge、 Kimmo Virolainen（2004）利用wilson（1997）模型框架對(duì)芬蘭銀行系統(tǒng)的違約概率進(jìn)行了宏觀壓力測(cè)試分析，宏觀經(jīng)濟(jì)模型估計(jì)結(jié)果與我國上述情況類似，即名義的宏觀經(jīng)濟(jì)變量對(duì)違約概率的解釋能力更顯著。

根據(jù)回歸方程的t檢驗(yàn)（5%的顯著性水平），各宏觀因素指標(biāo)的實(shí)際值對(duì)綜合指標(biāo)的影響并不顯著，所以剔除不列入表內(nèi)。從表1中可以看出，綜合經(jīng)濟(jì)指標(biāo)和各宏觀經(jīng)濟(jì)變量指標(biāo)的名義值關(guān)系顯著。且綜合指標(biāo)的一期滯后值對(duì)各宏觀經(jīng)濟(jì)指標(biāo)影響均顯著。從關(guān)于綜合指標(biāo)的多元線性回歸方程也可以看出，國內(nèi)生產(chǎn)總值增長率、貸款利率水平、通貨膨脹率和房地產(chǎn)價(jià)格的確是影響到我國銀行體系違約概率的顯著因素，而且綜合指標(biāo)明顯受其一期滯后值的顯著影響。

（二）宏觀壓力情境的設(shè)定及其結(jié)果

本文選擇情境分析作為執(zhí)行壓力測(cè)試的方法。針對(duì)模型所選取的宏觀經(jīng)濟(jì)變量，我們?cè)O(shè)定兩個(gè)壓力情境：一種是GDP增長突然放緩的情境；一種是CPI上升到較高的水平（5%以上）。對(duì)于各種壓力情境下，反映壓力的宏觀經(jīng)濟(jì)變量的變動(dòng)幅度，可以通過以往的歷史相似情境數(shù)據(jù)或歷史經(jīng)驗(yàn)直接進(jìn)行人為的設(shè)定。而本文在對(duì)銀行體系遇到極端情境進(jìn)行構(gòu)建之前，利用時(shí)間序列模型對(duì)解釋變量NGDP、CPI進(jìn)行了2008～2010年的簡單ARMA模型預(yù)測(cè)，作為我們構(gòu)建的參考基準(zhǔn)情境（baseline scenario）。

從表2可以看出，在設(shè)定的兩種壓力情境下，我國的銀行體系的信貸風(fēng)險(xiǎn)明顯增加，從模型預(yù)測(cè)估計(jì)出的貸款違約率都有不同幅度的增加。隨著國民生產(chǎn)總值增速的大幅降低，貸款違約概率增大，但幅度較緩。而隨著通貨膨脹率的驟增，違約概率出現(xiàn)大幅度的激增。這充分說明在壓力情境下，宏觀經(jīng)濟(jì)變量對(duì)銀行系統(tǒng)信貸違約概率的沖擊效應(yīng)非常顯著。從而判斷，通貨膨脹率的同等幅度波動(dòng)對(duì)銀行體系信貸違約率值的影響更大。

五、結(jié)論及建議

本文在對(duì)比分析國外成熟模型的基礎(chǔ)上，構(gòu)建了適合我國經(jīng)濟(jì)環(huán)境的宏觀壓力測(cè)試模型。首先本文借鑒了國外研究成果中關(guān)于宏觀經(jīng)濟(jì)因素和貸款違約率之間的非線性關(guān)系設(shè)定。在此基礎(chǔ)上使用Logit方程將貸款違約率轉(zhuǎn)化為宏觀綜合指標(biāo)Y，以指標(biāo)Y作為因變量與宏觀經(jīng)濟(jì)因素進(jìn)行多元線性回歸分析，使得這一指標(biāo)能夠很好地利用各宏觀經(jīng)濟(jì)指標(biāo)所提供的信息。在模型中宏觀經(jīng)濟(jì)因素的選擇方面，參考國內(nèi)外學(xué)者實(shí)證研究中模型的自變量，結(jié)合我國數(shù)據(jù)統(tǒng)計(jì)和披露特點(diǎn)等制約因素選取適合的宏觀經(jīng)濟(jì)變量來構(gòu)建模型。借鑒已有研究成果中在選擇信貸風(fēng)險(xiǎn)的評(píng)估指標(biāo)方面的做法，以逾期貸款率作為模型中反映銀行體系信貸風(fēng)險(xiǎn)的指標(biāo)。

結(jié)果發(fā)現(xiàn)：宏觀經(jīng)濟(jì)變量名義國內(nèi)生產(chǎn)總值，消費(fèi)者價(jià)格指數(shù)，房地產(chǎn)價(jià)格指數(shù)和名義流動(dòng)貸款利率對(duì)銀行體系貸款違約率影響是顯著的。特別是名義國內(nèi)生產(chǎn)總值和通貨膨脹率指標(biāo)，沖擊力較強(qiáng)。在關(guān)于名義國內(nèi)生產(chǎn)總值大幅下降和通貨膨脹率驟升的壓力情境設(shè)定下，銀行體系的貸款違約率都出現(xiàn)了不同程度的大幅度提高。尤其在關(guān)于通貨膨脹率的壓力情境下，貸款違約率的增長幅度高于名義國內(nèi)生產(chǎn)總值下降情境下的增幅。

本文研究結(jié)果對(duì)中國國情有著一定的解釋力，讓我們有信心支持這樣的研究思路的繼續(xù)開展。通過分析我們可以看出，中國的銀行體系穩(wěn)定性還有待進(jìn)一步加強(qiáng)，在面臨假設(shè)的宏觀經(jīng)濟(jì)沖擊時(shí)，化解風(fēng)險(xiǎn)的能力就顯得不足。當(dāng)然我們構(gòu)建的這些極端情形發(fā)生的概率都是極小的，畢竟中國經(jīng)濟(jì)目前來看幾年內(nèi)保持穩(wěn)定增長的態(tài)勢(shì)是確定的。

參考文獻(xiàn)：

［1］ 中國人民銀行金融穩(wěn)定分析小組.中國金融穩(wěn)定報(bào)告（2005）［EB/OL］. pbc.省略/detail.asp?col=100&ID=2257&keyword.

［2］ McKinnon R. Financial growth and macroeconomic dtability in China.1978-1992: implications for Russia and other transitional economies［J］. Journal of Comparative Economics, 1994, 17(2): 438-469.

［3］ Deventer D V, Kenji I. Credit risk models and the Basel Accords［M］. Beijing: RENMIN University of China Press, 2005: 14-56.

［4］ Bernhardsen T. Real-time data for Norway: Challenges for monetary policy［J］. The North American Journal of Economics and Finance, 2005, 19(3): 333-349.

［5］ Bernhardsen T. The relationship between interest rate differentials and macroeconomic variables: a panel data study for European countries［J］. Journal of International Money and Finance, 2000, 18(2): 289-308.

［6］ Erlenmaier U. Correlations models in Credit Risk Managem［D］. Norway: University of Heidelberg, 2004.

［7］ Erlenmaier U. Gersbach H.Default probabilities and default correlations［D］. Norway: University of Heidelberg, 2005.

［8］ Froyland E, Larsen K. How vulnerable are financial institutions to macroeconomic changes? An analysis based on Stress Testing［J］. Economic Bulletin, 2002, 3(11): 127-169.

［9］ Pesola J. The role of macroeconomic shocks in banking crises［J］. Bank of Finland Discussion paper, 2000, 2: 457-504.

［10］ Virolainen K. Macro stress-testing with a macroeconomic credit risk model for Finland［J］. Bank of Finland, mimeo, 2004, 19(1): 1-66.

［11］ 陳華，伍志文．銀行體系脆弱性：理論及基于中國的實(shí)證分析［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2004(9)：34-51．

［12］ Wilson T C. Portfolio credit risk I［J］. Risk, 1997, 9(10): 111-170.

［13］ Wilson T C. Portfolio credit risk II［J］. Risk, 1997, 10(10): 56-61.

［14］ Merton R. On the pricing of corporate debt: the risk structure of interest rates［J］. Inance, 1974, 29(7): 449-470.

［15］ Vlieghe G. Indicators of fragility in the UK corporate sector［J］. Bank of England Working Paper: on.146, 2001.

［16］ Bunn P, Cunningham A, Drehmann M. Stress testing as a tool for assessing systemic risk［J］. Financial Stability Review: Bank of England, 2005 (6): 116-260.

［17］ Boss M. A Macroeconomic credit risk model for Stress Testing the Austrian credit portfolio［J］. Financial Stability Report, 2002 (4): 64-82.

［18］ Sorge M, Virolainen K. A comparative analysis of macro stress-testing methodologies with application to Finland［J］. Journal of Financial Stability, 2006, 17(2): 113-151.

［19］ Wong J, Choi K F, Fong T. A framework for macro stress-testing the credit risk of banks in Hong Kong［J］. Hong Kong Monetary Authority Quarterly Bulletin, 2006 (10): 1-38.

［20］ Hoggarth G, Whitley J. Assessing the strength of UK banks through macroeconomic Stress Tests［J］. Financial Stability Review: Bank of England, 2003 (7): 91-103.

［21］ Drehmann M, Hoggarth G, Logan A, et al. Macro stress testing UK banks［R］. Paper presented at the Workshop on Financial Stability in Frankfurt: Bank of England, 2004 (6): 16-17.

［22］ Jones M T, Hilbers P, Slack G. Stress testing financial systems: what to do when the governor calls［J］. IMF Working paper: no.46, 2004: 191-211.

［23］ Jones M T, Saunders A. Have US financial institutions real estate investments exhibited trend chasing behaviour?［J］. The Review of Economics and Statistics, 2004 (11): 248-258.

［24］ Worrell D. Quantitative assessment of the financial sector: an integrated approach［J］. IMF Working paper: on.144, 2004: 1-57.

［25］ Worrell D, Cherebin D, Polius-Mounsey T. Financial system soundness in the Caribbean:an initial assessment［J］. IMF Working Paper: on.123, 2001 (9): 1-57.

［26］ Allen L, Saunders A. Incorporating systemic influences into risk measurements: a survey of the Literature［J］. Journal of Financial Services Research, 2004, 5: 23-46.

［27］ Pain D, Vesala J. Driving factors of credit risk in Europe［C］. Paper presented at ECB: Workshop on Financial Stability, 2004.

［28］ Gropp R, Vesala J. Bank contagion in Europe［C］. mimeo: Frankfurt am Main, 2004.

［29］ Gropp R, Vesala J, Vulpes G. Market indicators, bank fragility and indirect market discipline［J］. Federal Reserve Bank of New York Policy Review, 2004, 10(2) :53-62.

［30］ Gray D, Merton R C, Bodie Z. A new framework for analyzing and managing macrofinancial risks［C］. Conference on Finance and the Macroeconomy: NYU, 2004.

［31］ Derviz A, Kladlcakova N. Business cycle, credit risk and economic capital determination by commercial banks［J］. Czech National Bank, 2003, 11(6): 57-89.

［32］ Drehmann M, Manning M. Systematic factors influencing UK equity returns［C］. Mimeo: Bank of England, 2004.

［33］ Pesaran M H, Schuermann H, Treutler B J, et al. Macroeconomic dynamics and credit risk: a global perspective［J］. Wharton Financial Center Working paper:on.141, 2004 :3-13.

［34］ Benito A,Whitley J,Young G. Analyzing corporate and household sector balance sheets［J］. Bank England Financial Stability Review, 2003 (1): 234-287.

［35］ Hanschel E, Monnin P. Measuring and forecasting stress in the banking sector: evidence from Switzerland［J］. Workpaper of Swiss National Bank: on.118, 2003.

［36］ Kalirai H, Scheicher M. Macroeconomic stress testing: preliminary evidence for Austria［R］. Financial Stability Report: Austrian National Bank, 2002 (3): 77-98.

［37］ 孫連友．金融體系壓力測(cè)試-概念與方法［J］．濟(jì)南金融，2006(2)：43-50．

［38］ 高同裕，陳元富．宏觀壓力測(cè)試及其在我國應(yīng)用面臨的問題［J］．南方金融，2006(2):8-10．

篇6

關(guān)鍵詞：灰色關(guān)聯(lián)分析；供應(yīng)鏈；信用風(fēng)險(xiǎn)；評(píng)估

一、權(quán)重測(cè)定方法

如何更好的進(jìn)行權(quán)重的測(cè)定是必須要解決的問題。在權(quán)重方法測(cè)定的研究中，很多學(xué)者進(jìn)行了大量的研究，其中具有代表性和可行性的方法是結(jié)構(gòu)熵權(quán)法。程啟月（2010）[1]根據(jù)熵理論提出了一種主客觀相結(jié)合的權(quán)重確定方法，其基本指導(dǎo)思想是將采集專家意見的德爾菲專家調(diào)查法與模糊分析法相結(jié)合，形成“典型排序”按照給定的熵決策公式進(jìn)行熵值計(jì)算、“盲度”分析，并對(duì)可能產(chǎn)生潛在的偏差數(shù)據(jù)統(tǒng)計(jì)處理，根據(jù)主客觀結(jié)果加權(quán)平均值的方法測(cè)定了最后的權(quán)重，這種方法保留了主觀方法的可說明性的同時(shí)又強(qiáng)調(diào)了數(shù)學(xué)方法在邏輯上的重要性，本文權(quán)重的測(cè)定方法將引用結(jié)構(gòu)熵權(quán)法。

（1）專家意見收集及排序矩陣的形成

首先選定專家組成員，對(duì)專家發(fā)放指標(biāo)體系權(quán)重測(cè)定反饋表，每位專家采取德爾菲法的規(guī)定和程序，對(duì)每個(gè)指標(biāo)的重要性進(jìn)行排序，重要性由1-N。現(xiàn)有N個(gè)專家對(duì)M個(gè)指標(biāo)進(jìn)行重要性排序，其中a11表示第一個(gè)專家對(duì)第一個(gè)指標(biāo)重要性排序，其數(shù)值（1-m）由小到大表示重要性的逐漸降低，同理am1表示第1個(gè)專家對(duì)第m個(gè)指標(biāo)重要性排序，amn表示第n個(gè)專家對(duì)m個(gè)指標(biāo)重要性排序，根據(jù)最后的排序形成典型排序矩陣A。

（2）偏差度的糾正

由于每位專家由于所出的工作或研究領(lǐng)域不同，對(duì)每個(gè)指標(biāo)的認(rèn)識(shí)程度也不同，因此所形成的數(shù)據(jù)會(huì)產(chǎn)生一定的偏差，為了降低偏差的程度和不確定性，需要將上式的數(shù)據(jù)進(jìn)行偏差度的糾正。對(duì)上一節(jié)的排序矩陣進(jìn)行轉(zhuǎn)化，定義排序轉(zhuǎn)化的隸屬度函數(shù)為：

F（amn）=-ηpn（amn）lnpn（amn）

其中，pn（amn）=t-amnt-1，取η=1ln（t-1），將pn（amn）=t-amnt-1 和η=1ln（t-1）代入公式并化簡求得θmn=-ln（t-amn）ln（t-1），本文將θmn稱為amn對(duì)應(yīng)的隸屬度函數(shù)值，取t=m+2，當(dāng)指標(biāo)的最大數(shù)為4時(shí)，t=6。θmn為專家排序數(shù)amn的隸屬度，稱Bmn為隸屬度矩陣。

視n個(gè)專家對(duì)第k個(gè)指標(biāo)（k=1，2，…m）的“話語權(quán)”相同，即計(jì)算n個(gè)專家對(duì)第k個(gè)指標(biāo)的“一致看法”稱為平均認(rèn)識(shí)度，記作Bk；將專家對(duì)第k個(gè)指標(biāo)在認(rèn)知方面的偏差稱為“認(rèn)知偏差度”，記作Ck；

令Bk=（θk1+θk2+…+θkn）n；

Ck=max（θk1，θk2，…，θkn）-Bk+min（θk1，θk2，…，θkn）-Bk2，定義n個(gè)專家對(duì)于第k個(gè)指標(biāo)的總體認(rèn)識(shí)度Rk=Bk（1-Ck），則n個(gè)專家對(duì)m個(gè)指標(biāo)的總體認(rèn)識(shí)度向量R可寫作矩陣R=R1，R2，…，Rm。

（3）歸一化處理

為了求得第k個(gè)指標(biāo)的權(quán)重ωk，需要對(duì)Rk=Bk（1-Ck）進(jìn)行歸一化處理ωk=Rk∑m1Rk，顯然，∑m1Rk=1，ωk≥0，本文將所求出的ωk稱之為第k個(gè)指標(biāo)所占的權(quán)重。

二、風(fēng)險(xiǎn)評(píng)估步驟

在灰色理論中，灰色關(guān)聯(lián)分析是分析系統(tǒng)中各個(gè)元素之間關(guān)聯(lián)度或相似程度的方法，其基本思想是根據(jù)關(guān)聯(lián)的程度對(duì)所評(píng)估目標(biāo)進(jìn)行排序。灰色關(guān)聯(lián)分析是分析事物發(fā)展的趨勢(shì)，對(duì)樣本的數(shù)量沒有嚴(yán)格的規(guī)定，同時(shí)樣本也不需要服從某種數(shù)學(xué)分布。

（1）專家評(píng)分階段

請(qǐng)每位專家按照評(píng)估指標(biāo)的選項(xiàng)對(duì)選中的目標(biāo)進(jìn)行評(píng)估，設(shè)評(píng)估的等級(jí)為1、2、3、4、5，數(shù)字的大小說明該評(píng)估目標(biāo)在其中某一指標(biāo)的表現(xiàn)，數(shù)值越大表示表現(xiàn)的水平越好。設(shè)評(píng)估指標(biāo)有m個(gè)，選取專家k人（本文默認(rèn)選取專家的學(xué)識(shí)水平、相關(guān)經(jīng)驗(yàn)上的水平都是相同的），則根據(jù)專家的評(píng)分可對(duì)所評(píng)估的每個(gè)目標(biāo)構(gòu)成一個(gè)m×k的評(píng)分矩陣A。

（2）對(duì)比矩陣的構(gòu)建

灰色關(guān)聯(lián)分析的首要條件是選擇一個(gè)參考數(shù)列，設(shè)所評(píng)估目標(biāo)結(jié)果對(duì)應(yīng)的最優(yōu)評(píng)估指標(biāo)集F* =f*1 ，f*2 ，…，f*m ，其中f*k 表示第k個(gè)指標(biāo)的最優(yōu)值，k=1、2、…m。其中，fnm表示第n個(gè)企業(yè)在第m個(gè)指標(biāo)的平均評(píng)估值，fnm=am1+am2+…+amkk；將最優(yōu)指標(biāo)集與對(duì)比矩陣合并，形成一個(gè)新的矩陣。

（3）指標(biāo)值的規(guī)范化處理

在評(píng)判指標(biāo)里通常有不同的量綱以及數(shù)量綱，因此一般不能進(jìn)行直接比較，為確保結(jié)果的可靠性，需要對(duì)上述指標(biāo)進(jìn)行規(guī)范化處理。

設(shè)第k個(gè)指標(biāo)的變化區(qū)間為fk1，fk2，fk1為第k個(gè)指標(biāo)在所有被評(píng)估融資企業(yè)中的最小值，fk2為第k個(gè)指標(biāo)在所有被評(píng)估企業(yè)中的最大值，那么可以采用下式將上式中的指標(biāo)數(shù)值轉(zhuǎn)換成無量綱值Cik∈（0，1）。Cik=jik-jk1jk2-jik，i=1、2…n；k=1、2…m，由此矩陣D'轉(zhuǎn)換成矩陣C

D'=f 11f 12…f 1mf 21f 22…f 2m…………f n1f n2…f nm；C=C*1C*2…C*mC11C12…C1m…………Cn1Cn2…Cnm

（4）計(jì)算綜合評(píng)估結(jié)果

根據(jù)灰色系統(tǒng)理論，將C*=C*1，C*2，…，C*m作為參考數(shù)列，將C=Ci1，Ci2，…，Cim作為最優(yōu)的對(duì)比數(shù)列，用關(guān)聯(lián)分析法求的第i個(gè)企業(yè)第k個(gè)指標(biāo)與第k個(gè)最優(yōu)指標(biāo)的關(guān)聯(lián)系數(shù)εi（k），即：

εi （k）=minminC*k-Cik+ ρmaxmaxC*k-CikC*k-Cik+ ρmaxmaxC*k-Cik

ρ為分辨系數(shù)，一般取0.5，ρ∈（0，1）。由關(guān)聯(lián)計(jì)算方法可以得到關(guān)聯(lián)矩陣E：

E=ε1（1）ε1（2）…ε1（m）ε2（1）ε2（2）…ε2（m）…………εn（1）εn（2）…εn（m）

這樣綜合評(píng)估結(jié)果為：R=E×W，即ri=∑mj=1W（k）×εi（k）。式中R=r1，r2，…，rnT為n個(gè)被評(píng)估企業(yè)的綜合判斷結(jié)果向量；W=w1，w2，…，wmT為m個(gè)評(píng)估指標(biāo)的權(quán)重分配向量，其中∑mj=1wj=1。

若關(guān)聯(lián)度ri越大，則說明Ci與最優(yōu)指標(biāo)C*最接近，亦即第i企業(yè)優(yōu)于其他企業(yè)。據(jù)此一方面可以排出供應(yīng)鏈金融模式下融資企業(yè)相適應(yīng)應(yīng)收賬款、預(yù)付賬款或存貨質(zhì)押下的關(guān)聯(lián)度次序，也即關(guān)聯(lián)度越大，融資企業(yè)信用風(fēng)險(xiǎn)越小。另一方面可以反映某一融資企業(yè)對(duì)應(yīng)應(yīng)收賬款、預(yù)付賬款或存貨質(zhì)押下的關(guān)聯(lián)度，也即可以作為商業(yè)銀行評(píng)估內(nèi)容之一為融資企業(yè)指導(dǎo)供應(yīng)鏈金融模式適用度。（作者單位：廣東科技學(xué)院）

篇7

關(guān)鍵詞：Logistic模型；互聯(lián)網(wǎng)金融；小額貸款；信用風(fēng)險(xiǎn)；

一、引言

20世紀(jì)末以來，隨著以互聯(lián)網(wǎng)、大數(shù)據(jù)為代表的信息技術(shù)快速發(fā)展，金融與互聯(lián)網(wǎng)從逐漸融合到全面滲透，“互聯(lián)網(wǎng)金融”概念應(yīng)運(yùn)而生?；ヂ?lián)網(wǎng)金融憑借成本低廉、高效便捷、受眾廣泛的特征使其在滿足客戶個(gè)性化需求、服務(wù)長尾客群方面具有先天性優(yōu)勢(shì)，因此傳統(tǒng)商業(yè)銀行可以通過l展互聯(lián)網(wǎng)金融模式，加快個(gè)人信貸領(lǐng)域產(chǎn)品和服務(wù)創(chuàng)新，達(dá)到業(yè)務(wù)處理的便捷性，提升客戶體驗(yàn)，增加客戶黏性，拓展普惠金融服務(wù)范圍。傳統(tǒng)的小額貸款主要面向中低收入個(gè)人客戶、中小企業(yè)主等群體，涉及面廣、個(gè)性化需求強(qiáng)烈，由于缺乏統(tǒng)一的規(guī)范化管理，風(fēng)險(xiǎn)管理難度較大，這也是商業(yè)銀行小額貸款業(yè)務(wù)發(fā)展緩慢的一個(gè)主要原因，但隨著“互聯(lián)網(wǎng)+金融”模式的興起，大數(shù)據(jù)、云計(jì)算、社交網(wǎng)絡(luò)、搜索引擎等互聯(lián)網(wǎng)技術(shù)不斷突破與運(yùn)用，商業(yè)銀行大力發(fā)展個(gè)人小額貸款業(yè)務(wù)已成為可能，但同時(shí)也應(yīng)看到隨之而來的欺詐風(fēng)險(xiǎn)、準(zhǔn)入風(fēng)險(xiǎn)等，商業(yè)銀行信用風(fēng)險(xiǎn)管理所考量的因素不斷細(xì)化。所以，傳統(tǒng)商業(yè)銀行如何運(yùn)用互聯(lián)網(wǎng)金融的優(yōu)勢(shì)來創(chuàng)新發(fā)展個(gè)人小額信貸業(yè)務(wù)、搶占個(gè)人信貸業(yè)務(wù)市場(chǎng)、高效的解決信息不對(duì)稱的問題，有效的管理風(fēng)險(xiǎn)將會(huì)成為傳統(tǒng)商業(yè)銀行未來不得不考慮的問題。

信貸的核心是風(fēng)險(xiǎn)管理，而對(duì)于個(gè)人小額貸款業(yè)務(wù)而言，風(fēng)險(xiǎn)管理的核心是客戶信用管理，包括客戶準(zhǔn)入管理、存量客戶管理及逾期客戶管理。所以如何識(shí)別不同時(shí)期的客戶的信用風(fēng)險(xiǎn)并進(jìn)行有效控制將成為商業(yè)銀行發(fā)展小額貸款業(yè)務(wù)的重中之重。本文將利用光大銀行長沙分行收集的實(shí)際樣本數(shù)據(jù)進(jìn)行分析，以二分類Logistic回歸為計(jì)量工具，通過對(duì)商業(yè)銀行的個(gè)人信用貸款數(shù)據(jù)進(jìn)行分析，來識(shí)別影響個(gè)人小額貸款信用風(fēng)險(xiǎn)的主要因素，旨在對(duì)商業(yè)銀行在開展個(gè)人小額信貸業(yè)務(wù)中的風(fēng)險(xiǎn)管理提供一種思路或方法。

二、 文獻(xiàn)綜述

在對(duì)貸款風(fēng)險(xiǎn)管理的研究中，定量分析方法越來越受到學(xué)者和實(shí)踐操作者們的青睞。定量分析法不僅可以優(yōu)化貸款決策，將被動(dòng)的風(fēng)險(xiǎn)管理模式轉(zhuǎn)為積極主動(dòng)的防范和控制風(fēng)險(xiǎn)，還能盡可能的減少拖欠的賬款，降低收回賬款的成本；同時(shí)還可以提高貸款決策效率，節(jié)約人力成本，實(shí)現(xiàn)貸款決策過程的客觀性、信息化和科學(xué)化。從目前的研究來看，貸款風(fēng)險(xiǎn)研究的定量模型主要有判別分析法（Altman E，1968[1]）、主成分分析法（Weat Robert Craig， 1985[2]）、Z-score和ZETA模型（Altman，1968，2000），Logistic回歸，貝葉斯決策模型（Daniel E，1992[3]），上世紀(jì)末以來，人工智能技術(shù)的快速發(fā)展使得銀行運(yùn)用該技術(shù)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估和貸款決策已成為可能。上述定量分析方法雖然均能在不同程度上對(duì)貸款風(fēng)險(xiǎn)進(jìn)行研究，但各有側(cè)重和短板，比如Z-score和ZETA模型只適用于對(duì)上市公司進(jìn)行研究，貝葉斯網(wǎng)絡(luò)模型則主要是偏重于操作風(fēng)險(xiǎn)。

大量研究證明Logistic是被廣泛運(yùn)用于個(gè)人信用風(fēng)險(xiǎn)評(píng)估的較為成熟的模型。Altman 、 Sabato（2007）[4]等人通過長期研究發(fā)現(xiàn)，使用logistic 模型衡量中小企業(yè)信用風(fēng)險(xiǎn)可以取得最佳效果，且該模型限制件較少，操作便利，且具有較高的預(yù)測(cè)性。該模型的主要優(yōu)勢(shì)是：一是因變量取值可以是違約概率與履約概率發(fā)生比的任何自然對(duì)數(shù)，對(duì)自變量沒有任何限制；二是對(duì)數(shù)據(jù)是否滿足協(xié)方差相同和正態(tài)分布的假設(shè)沒有作限制性要求，適用范圍廣；三是因變量是一個(gè)二分類變量，只能取0或1的數(shù)值，可以直觀的說明某個(gè)事件是否發(fā)生以及發(fā)生的概率是多少。我國學(xué)者在研究貸款信用風(fēng)險(xiǎn)的時(shí)候也多采用Logistic回歸模型。姜秀華等（2002）[5]在采用13個(gè)變量進(jìn)行l(wèi)ogistic回歸分析的基礎(chǔ)上構(gòu)建了財(cái)務(wù)危機(jī)預(yù)警模型。于立勇（2004）[6][7]首先運(yùn)用正向逐步選擇法選擇信用風(fēng)險(xiǎn)評(píng)估指標(biāo)變量，然后在Logistic回歸模型的基礎(chǔ)上構(gòu)建違約概率測(cè)算模型。梁琪（2005）[8]將主成分分析法結(jié)合到Logistic模型中進(jìn)行分析研究，構(gòu)建了上市公司經(jīng)營失敗預(yù)警模型，并提出引入主成分分析法的logistic模型在預(yù)測(cè)準(zhǔn)確度對(duì)和風(fēng)險(xiǎn)度量穩(wěn)定性方面都優(yōu)于簡單的logistic模型。油永華（2006）[9]運(yùn)用Logistic回歸模型對(duì)100家上市企業(yè)的信用風(fēng)險(xiǎn)進(jìn)行了定性的評(píng)價(jià)。石曉軍（2006）[10]運(yùn)用貝葉斯法對(duì)邊界Logistic違約率模型的預(yù)測(cè)效果進(jìn)行了分析。葛君（2010）[11]運(yùn)用Logistic回歸模型對(duì)信用卡信用風(fēng)險(xiǎn)進(jìn)行了研究。羅曉光（2011）[12]將 Logistic 回歸法引入商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，從資本充足性風(fēng)險(xiǎn)、信用風(fēng)險(xiǎn)、盈利能力風(fēng)險(xiǎn)、流動(dòng)性風(fēng)險(xiǎn)和發(fā)展能力風(fēng)險(xiǎn)五個(gè)方面建立了適合商業(yè)銀行的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。史小康（2015）[13]將非對(duì)稱連接函數(shù)的思想引入到信用評(píng)級(jí)中，將有偏Logistic分布的分布函數(shù)作為連接函數(shù)的反函數(shù)，利用實(shí)際數(shù)據(jù)來估計(jì)偏度參數(shù)和回歸系數(shù)對(duì)個(gè)人信用進(jìn)行了研究。

然而隨著互聯(lián)網(wǎng)金融的興起，大數(shù)據(jù)時(shí)代的到來，商業(yè)銀行所能獲取的數(shù)據(jù)也越來越方便、快捷，數(shù)據(jù)也會(huì)越來越復(fù)雜多樣，變量之間的關(guān)系也會(huì)變得紛繁復(fù)雜。以往研究專門針對(duì)個(gè)人小額貸款的研究較少，在建模方面，對(duì)離散數(shù)據(jù)進(jìn)行建模尤為更少。本文在現(xiàn)有Logistic回歸模型側(cè)重財(cái)務(wù)指標(biāo)的基礎(chǔ)上，以非財(cái)務(wù)指標(biāo)為重點(diǎn)來識(shí)別和評(píng)估商業(yè)銀行個(gè)人小額貸款的信用風(fēng)險(xiǎn)，旨在為傳統(tǒng)商業(yè)銀行進(jìn)軍互聯(lián)網(wǎng)金融領(lǐng)域提供一種新思路或者新方法，對(duì)風(fēng)險(xiǎn)因素進(jìn)行量化。

三、Logistic模型簡介及變量選取

3.1 模型簡介

所以由（4）式可知， 的經(jīng)濟(jì)意義表示在控制其他變量水平的情形下， 變化 ，則對(duì)數(shù)優(yōu)勢(shì)比率變化 或優(yōu)勢(shì)比率變化 ，特別的，當(dāng) 為等級(jí)變量或啞變量時(shí)， 每增加一個(gè)等級(jí)或變化一種類型，對(duì)應(yīng)的兩個(gè)樣本之間的對(duì)數(shù)優(yōu)勢(shì)比率變化 或優(yōu)勢(shì)比（OR）率增加 ，由此也可知當(dāng) 大于0時(shí)（此時(shí)OR>1），每增加一個(gè)等級(jí)導(dǎo)致個(gè)人的違約概率就降低，反正增加。

3.2變量選取

Schreiner（1999）對(duì)發(fā)展中國家的小額貸款進(jìn)行研究表明，可以根據(jù)潛在借款人與歷史不良借款人的特性對(duì)違約風(fēng)險(xiǎn)進(jìn)行評(píng)估，其中性別、職業(yè)、違約記錄、借款人與信貸員從業(yè)經(jīng)驗(yàn)以及借貸機(jī)構(gòu)性質(zhì)等對(duì)貸款違約風(fēng)險(xiǎn)產(chǎn)生顯著影響。此外諸如季節(jié)因素、政策變化和市場(chǎng)變化等外部環(huán)境變量也會(huì)對(duì)違約風(fēng)險(xiǎn)產(chǎn)生一定的影響。Olomola（2000）通過研究指出，借款人與貸款人特征以及貸款特征對(duì)判斷貸款是否違約有著決定性的影響。借款人特征有：教育背景、借貸情況、存款情況、貸款類型及其貸款經(jīng)歷，而貸款特征包含貸款規(guī)模、期限、用途，貸款人特征有信貸員拜訪次數(shù)，申請(qǐng)與批準(zhǔn)之間的時(shí)間長度。Schreiner（2004）的研究對(duì)發(fā)展中國家的小額貸款信用風(fēng)險(xiǎn)構(gòu)建非常詳細(xì)的評(píng)估指標(biāo)體系，具體如下圖所示。

在國內(nèi)，有部分學(xué)者從對(duì)小額貸款的信用評(píng)估指標(biāo)體系進(jìn)行了研究和構(gòu)建，但這些研究基本都是從理論展開論述的。孟建華（2002）對(duì)國內(nèi)和國外的小額貸款差異進(jìn)行了比較細(xì)致的研究，研究指出，貸款擔(dān)保和法律約束是影響我國小額貸款風(fēng)險(xiǎn)評(píng)估的最大影響因素。任娜（2011）在對(duì)小額貸款公司的貸款客戶類別進(jìn)行區(qū)分的條件下，在Z 值模型中引入非財(cái)務(wù)因素的，設(shè)置二級(jí)指標(biāo)進(jìn)行信用風(fēng)險(xiǎn)評(píng)估。但是該研究最終未能結(jié)合實(shí)際樣本數(shù)據(jù)作進(jìn)一步分析，對(duì)多涉及指標(biāo)的合理性與科學(xué)性沒能進(jìn)行實(shí)證檢驗(yàn)。此外，國內(nèi)學(xué)者關(guān)于小額貸款信用風(fēng)險(xiǎn)評(píng)估的相關(guān)研究大部分都是以農(nóng)村信用社的小額貸款數(shù)據(jù)為樣本進(jìn)行的。

所以結(jié)合已有的研究成果和樣本數(shù)據(jù)的可獲得性，本文選取性別、年齡、職業(yè)、學(xué)歷、城市發(fā)展程度、信用卡持有情況、電子渠道開通情況、存貸比和年收入等9個(gè)指標(biāo)作為解釋變量，對(duì)個(gè)人小額貸款信用風(fēng)險(xiǎn)進(jìn)行評(píng)估。

四、數(shù)據(jù)來源及實(shí)證

（一）數(shù)據(jù)樣本選取

逾期未還本付息，即客戶違約的預(yù)判，是商業(yè)銀行小額信用貸款風(fēng)險(xiǎn)把控的關(guān)鍵。直接導(dǎo)致銀行呆賬、壞賬的產(chǎn)生，甚至帶來流動(dòng)性風(fēng)險(xiǎn)。本文樣本數(shù)據(jù)來源于中國光大銀行長沙分行的個(gè)人信用貸款數(shù)據(jù)，從該行2014-2016年辦理信用貸款的客戶中隨機(jī)抽選530個(gè)樣本數(shù)據(jù)，并從中篩選出100萬以下的小額信用貸款客戶，獲取性別、年齡、職業(yè)、學(xué)歷、城市發(fā)展程度、信用卡持有情況、電子渠道開通情況、存貸比和年收入等基本信息。本文將這9方面的數(shù)據(jù)轉(zhuǎn)換為14個(gè)虛擬變量。

客戶準(zhǔn)入的標(biāo)準(zhǔn)是其正常履約能力水平，客戶是否能正常履約是模型的判斷依據(jù)。通過對(duì)客戶履約能力的預(yù)判，授信銀行對(duì)預(yù)計(jì)能正常還款的客戶提供金融產(chǎn)品和服務(wù)，拒絕還款存在不確定性的客戶的授信申請(qǐng)。在本文中，我們將違約客戶定義為一年內(nèi)發(fā)生三次（含）以上欠息或墊款的客戶，履約客戶為一年內(nèi)未發(fā)生或發(fā)生三次以下欠息或墊款的客戶。通過數(shù)據(jù)整理，530個(gè)樣本數(shù)據(jù)中履約客戶和違約客戶客戶數(shù)分別是410和120，并選取指頌逑等綾 1所示。

（二）樣本虛擬變量處理

由于我們選取的解釋變量和被解釋變量都屬于離散變量，所以在進(jìn)行建?；貧w之前，我們需要將其變成虛擬變量，如表2所示，其中1表示“是”，0表示“否”。例如：性別（sex），sex=1，表示為男性，sex=0表示不是男性（即為女性）。由于為了避免多重共線性，在建立虛擬變量之前，虛擬變量的個(gè)數(shù)要比分類變量的個(gè)數(shù)小1。例如：學(xué)歷有三個(gè)分類，但只能建立2個(gè)虛擬變量，當(dāng)edu1=0和edu2=0都等于0時(shí)表示高中、中專以下學(xué)歷，這樣就可以避免多重共線性問題。在建立模型前，我們將數(shù)據(jù)進(jìn)行虛擬變換，以符合模型的回歸分析要求，將指標(biāo)逐一轉(zhuǎn)換為虛擬變量如表2所示。

（三）樣本數(shù)據(jù)的格蘭杰因果檢驗(yàn)

對(duì)上述所構(gòu)建的虛擬變量和履約率做格蘭杰因果分析，根據(jù)相關(guān)統(tǒng)計(jì)指標(biāo)反復(fù)檢驗(yàn)比較之后，我們選取的滯后階數(shù)為2，其檢驗(yàn)結(jié)果最好，檢驗(yàn)結(jié)果如表3所示。

根據(jù)上表檢驗(yàn)結(jié)果我們發(fā)現(xiàn)，如果在5%的顯著性水平下，只有Cit2、Loa2兩個(gè)指標(biāo)大于 0.05，否定原假設(shè)；但是在10%的顯著性水平下，除了Int，其他全部變量的檢驗(yàn)p值都顯著小于0.10，在剔除掉電子渠道開通情況后，其余變量在一定程度上都對(duì)履約率產(chǎn)生影響，因此，我們剔除電子渠道開通情況，將其余變量都選入到模型中。

（四）模型的計(jì)算

從表4我們可以看出，模型似然比為84.89，兩個(gè)偽決系數(shù)分別為83.1%和76.4%，即解釋變量可以解釋被解釋變量的程度，都在75%以上，說明模型解釋效果較好。另一方面，解釋變量的系數(shù)在10%顯著水平下，都是顯著的。此外從模型的預(yù)測(cè)精度來看，如表5所示，模型對(duì)410個(gè)履約樣本的預(yù)測(cè)準(zhǔn)確率為84.88%，對(duì)120個(gè)違約樣本的預(yù)測(cè)準(zhǔn)確率為88.33%，整體準(zhǔn)確率為85.66%。特別的性別、信用卡持有情況、學(xué)歷、存貸比、收入、年齡等變量系數(shù)為正值代表著客戶履約率會(huì)提高，為負(fù)值則代表客戶違約率會(huì)升高。其影響程度可以通過OR來進(jìn)行分析。從表4的回歸系數(shù)，我們可以得出以下結(jié)論：

1、從各因素影響大小方面來看，年齡、收入、職業(yè)水平以及學(xué)歷對(duì)違約率的影響較大，應(yīng)納入貸款考察的重點(diǎn)。通過模型可以看出，年齡越大的客戶，其違約率就越低，從年齡的OR值來看，年齡在31歲-45歲階段的履約概率與年齡在30歲以下的履約概率的優(yōu)勢(shì)比為71.47，而年齡在45以上歲階段的履約概率與年齡在30歲以下的履約概率的優(yōu)勢(shì)比為1360.354。其原因可能是由于其信用觀念的不斷加強(qiáng)以及自身能力的提高，收入也會(huì)隨之增加，道德約束感增強(qiáng)，所以更不容易違約，這樣已有的研究文獻(xiàn)結(jié)論相一致。在職業(yè)方面，國有企業(yè)、股份制企業(yè)的員工與私營個(gè)體戶的OR值為26倍多，他們不僅受公司內(nèi)部的規(guī)章制度約束，同時(shí)也受社會(huì)責(zé)任的道德約束，其違約率較低。同樣在學(xué)歷方面，高學(xué)歷的客戶違約率較低，主要是因?yàn)榻逃礁摺⑿庞糜^念、法律意識(shí)較強(qiáng)，以及工作家庭較穩(wěn)定、收入可觀、自有資金充足，特別的，當(dāng)學(xué)歷是在碩士以上時(shí)，其違約的風(fēng)向大大降低。

2、從銀行存量客戶方面來看，LOA1估計(jì)系數(shù)明顯高于LOA2，說明存貸比越低，其履約的概率越大。原因可能是客戶的資金大多用于儲(chǔ)蓄存款、銀行理財(cái)?shù)确€(wěn)定性收益產(chǎn)品，屬于相對(duì)保守型投資，他們認(rèn)為按期還款是理所當(dāng)然的事情；而持有信用卡的客戶相對(duì)于未持有信用卡的客戶履約率較高，原因可能是客戶在長期的信用卡使用過程中已經(jīng)形成了到期還本付息的消費(fèi)習(xí)慣，所以對(duì)于自己的資金使用有著合理而清晰的計(jì)劃，每月會(huì)有足額的資金用作還款，很少發(fā)生逾期。

3、從性別方面來看，女性的履約率高于男性，原因可能是男性客戶的資金更多用于創(chuàng)業(yè)、大額投資等用途，受經(jīng)濟(jì)環(huán)境、行業(yè)、經(jīng)營等因素影響，發(fā)生資金鏈斷裂，無法按期還款甚至導(dǎo)致不良貸款的幾率較大。

4、從地域方面來看，縣級(jí)市、地級(jí)市的客戶違約概率較大。原因主要有兩點(diǎn)，一是一、二線城市市民受教育程度更高、信用觀念更強(qiáng)、工作與收入也更加穩(wěn)定；二是縣級(jí)、地級(jí)城市客戶資金用途一般用于農(nóng)業(yè)、工業(yè)投資，受地域、市場(chǎng)、自然等因素影響較大，投資風(fēng)險(xiǎn)較大。

五、結(jié)論

本文在現(xiàn)有的研究基礎(chǔ)上，利用光大銀行長沙分行采集的實(shí)際樣本數(shù)據(jù)，通過格蘭杰因果檢驗(yàn)和構(gòu)建Logistic回歸模型，對(duì)個(gè)人小額貸款的信用風(fēng)險(xiǎn)進(jìn)行了實(shí)證分析，本文所構(gòu)建評(píng)估模型對(duì)離散數(shù)據(jù)和分類數(shù)據(jù)有著特有的優(yōu)勢(shì)。文章主要結(jié)論如下：

第一，從格蘭杰因果關(guān)系檢驗(yàn)來看，在置信水平10%條件下，本文根據(jù)以往研究的文獻(xiàn)和相關(guān)理論選取的9個(gè)指標(biāo)變量中，只有電子渠道開通情況與是否違約不存在格蘭杰因果關(guān)系外，其他的8個(gè)變量都顯著相關(guān)，模型結(jié)果較好，解釋程度達(dá)75%以上。

第二，從風(fēng)險(xiǎn)因素的影響顯著程度來看，年齡、收入、職業(yè)水平以及學(xué)歷對(duì)違約率的影響較大，應(yīng)納入貸款考察的重點(diǎn)。年齡是特別顯著影響個(gè)人小額貸款的信用指標(biāo)，年齡越大的客戶，其違約率就越低，特別的，年齡在45以上歲階段的履約概率與年齡在30歲以下的履約概率的優(yōu)勢(shì)比為1360.354倍。國有企業(yè)、股份制企業(yè)的員工與私營個(gè)體戶的OR值為26倍多，其違約率較低。學(xué)歷方面，高學(xué)歷的客戶違約率較低，特別的，當(dāng)學(xué)歷是在碩士以上時(shí)，其違約的風(fēng)向大大降低。存貸比越低，持有信用卡的客戶，其履約的概率越大。個(gè)人的信用風(fēng)險(xiǎn)在對(duì)不同的性別也有著顯著差異，女性的優(yōu)勢(shì)比男性的1.76倍。此外縣級(jí)市、地級(jí)市的客戶違約概率較大。

因此，基于本文的研究，在互聯(lián)網(wǎng)金融時(shí)代，為了提高個(gè)人小額貸款信用風(fēng)險(xiǎn)管理水平，我們建議：在金融系統(tǒng)越發(fā)復(fù)雜，需要綜合考慮更多更細(xì)的風(fēng)險(xiǎn)因素，要結(jié)合定性和定量的方法對(duì)信用風(fēng)險(xiǎn)進(jìn)行評(píng)估，構(gòu)建適合我國商業(yè)銀行實(shí)際情況且易于操作的風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，定量化分析與評(píng)估信用風(fēng)險(xiǎn)。在具體操作方面，我們建議：在篩選個(gè)人小額貸款客戶時(shí)，應(yīng)充分考慮其特有的基本背景信息指標(biāo)，在其他條件相同的情況下，選取年齡越大、女性、收入越穩(wěn)定、學(xué)歷越高、持有信用卡、存貸比越低、來自于一、二線城市的客戶；商業(yè)銀行應(yīng)有針對(duì)性地對(duì)其進(jìn)行有效規(guī)避和分散。

六、參考文獻(xiàn)

[1] Altman E.Financial ratios， discriminant analysis and the prediction of corporate bankruptcy.J.Finanec. 1968，589-609.

[2] West R C. A factor-analytic approach to bank condition[J]. Journal of Banking & Finance， 1985， 9（2）： 253-266.

[3] Pugh W N， Page D E， Jahera J S. Antitakeover charter amendments： Effects on corporate decisions[J]. Journal of Financial Research， 1992， 15（1）： 57-67.

[4] Altman E I， Sabato G. Modelling credit risk for SMEs： Evidence from the US market[J]. Abacus， 2007， 43（3）： 332-357.

[5] 姜秀A，任強(qiáng)，孫錚. 上市公司財(cái)務(wù)危機(jī)預(yù)警模型研究[J]. 預(yù)測(cè)，2002，03：56-61.

[6] 于立勇，詹捷輝. 基于Logistic回歸分析的違約概率預(yù)測(cè)研究[J]. 財(cái)經(jīng)研究，2004，09：15-23.

[7] 于立勇，詹捷輝，金建國. 內(nèi)部評(píng)級(jí)法中違約概率與違約損失率的測(cè)算研究[J]. 統(tǒng)計(jì)研究，2004，12：22-26.

[8] 梁琪. 企業(yè)經(jīng)營管理預(yù)警：主成分分析在logistic回歸方法中的應(yīng)用[J]. 管理工程學(xué)報(bào)，2005，01：100-103.

[9] 油永華. 企業(yè)信用狀況的定性評(píng)價(jià)――基于logistic回歸模型的分析[J]. 統(tǒng)計(jì)與信息論壇，2006，06：85-88.

[10] 石曉軍，任若恩，肖遠(yuǎn)文. 邊界Logistic違約率模型Bayes分析及實(shí)證研究[J]. 中國管理科學(xué)，2006，04：25-29.

[11] 葛君. 基于Logistic模型的信用卡信用風(fēng)險(xiǎn)研究[J]. 中國信用卡，2010，24：26-32.

[12] 羅曉光，劉飛虎. 基于Logistic回歸法的商業(yè)銀行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型研究[J]. 金融發(fā)展研究，2011，11：55-59.

[13] 史小康，何曉群. 有偏logistic回歸模型及其在個(gè)人信用評(píng)級(jí)中的應(yīng)用研究[J]. 數(shù)理統(tǒng)計(jì)與管理，2015，06：1048-1056.

[14] Viganò L. A CREDIT SCORING MODEL FOR DEVELOPMENT BANKS： AN AFRICAN CASE STUDY/UN MODELE DE" CREDIT SCORING" POUR LES BANQUES DE DEVELOPPEMENT： UNE ETUDE DE CAS AFRICAIN[J]. Savings and development， 1993： 441-482.

[15] Van Gool J， Verbeke W， Sercu P， et al. Credit scoring for microfinance： is it worth it？[J]. International Journal of Finance & Economics， 2012， 17（2）： 103-123.

[16] Kinda O， Achonu A. Building a Credit Scoring Model for the Savings and Credit Mutual of the Potou Zone[J]. Consilience： The Journal of Sustainable Development， 2012 （7）： 17-32.

[17] Schreiner M. A Scoring Model of the Risk of Costly Arrears at a Microfinance Lender in Bolivia[J]. Cancer Medicine， 2001， 4（1）：36C42.

[18] Schreiner M. Scoring arrears at a microlender in Bolivia[J]. ESR Review， 2004， 6（2）： 65.

[19] Schreiner M. Credit scoring for microfinance： Can it work？[J]. Journal of Microfinance/ESR Review， 2000， 2（2）： 105-118.

[20] Kinda O， Achonu A. Building a Credit Scoring Model for the Savings and Credit Mutual of the Potou Zone[J]. Consilience： The Journal of Sustainable Development， 2012 （7）： 17-32.

[21] Blanco A， Pino-MejíAs R， Lara J， et al. Credit scoring models for the microfinance industry using neural networks： Evidence from Peru[J]. Expert Systems with applications， 2013， 40（1）： 356-364.

[22] Maddala G S. Limited-dependent and qualitative variables in econometrics[M]. Cambridge university press， 1986.

[23] West R C. A factor-analytic approach to bank condition [J]. Journal of Banking & Finance， 1985， 9（2）：253-266.

[24] Daniel E O`leary，On bankruptcy information systems，European Journal of Operational Research. 1992，56，67-79

篇8

關(guān)鍵詞：供應(yīng)鏈金融；Logistic模型；信用風(fēng)險(xiǎn)

一、logistic模型描述

Logistic模型，又叫作Logistic regression（邏輯回歸）是概率型非線性回歸模型，Logistic模型是最早的離散選擇模型，也是目前應(yīng)用最廣的模型。Logistic模型是Luce（1959）根據(jù)IIA特性首次導(dǎo)出的，是研究分類觀察結(jié)果與一些影響因素之間關(guān)系的一種多變量分析方法，其目的就是得到因變量與自變量的純屬關(guān)系。

本文以融資企業(yè)的信用風(fēng)險(xiǎn)為因變量，以基本指標(biāo)變量為自變量，構(gòu)建因果分析模型，由于因變量為二值變量，可以選用二項(xiàng)Logistic回歸模型，分別用 1 和 0表示，1 表示事件不發(fā)生，0表示事件發(fā)生。

（一）模型樣本數(shù)據(jù)選取及描述

由于沒有上市的中小企業(yè)的財(cái)務(wù)數(shù)據(jù)不規(guī)范而且不容易搜集，因此本文選取的是中小企業(yè)上市的公司數(shù)據(jù)，本文為了更加切合研究，選取的是制造行業(yè)，因?yàn)橹圃煨袠I(yè)有著清晰且規(guī)范的供應(yīng)鏈系統(tǒng)，各個(gè)節(jié)點(diǎn)的企業(yè)角色明確，而且供應(yīng)鏈主要集中在上游，本文選擇了10家企業(yè)作為樣本，其中有7家優(yōu)秀企業(yè)，3家由于證券違法違規(guī)而被證監(jiān)會(huì)停牌調(diào)查的不良企業(yè)。

本文的財(cái)務(wù)指標(biāo)數(shù)據(jù)選取為證恢星提供的，選取2015年9月30日季度財(cái)務(wù)報(bào)表數(shù)據(jù)作為基本數(shù)據(jù)，選取的數(shù)據(jù)基本是都是比值的形式。

（二）logistic模型回歸分析

利用SPSS19.0對(duì)數(shù)據(jù)進(jìn)行l(wèi)ogistic回歸分析，回歸結(jié)果如下表表示：

a.在步驟 1 中輸入的變量：凈資產(chǎn)收益率， 凈利率， 毛利率， 營業(yè)利潤率， 應(yīng)收賬款周期律率， 存貨周轉(zhuǎn)率， 總資產(chǎn)周轉(zhuǎn)率， 每股收益， 現(xiàn)金流動(dòng)負(fù)債比， 每股經(jīng)營性現(xiàn)金流.

表2中10個(gè)主要指標(biāo)的變量檢驗(yàn)統(tǒng)計(jì)量的顯著性水平，10個(gè)主成分以及常量的P值都是小于0.05，所以可以看出融資企業(yè)的盈利能力、償債能力以及獲利能力都是影響融資企業(yè)信用風(fēng)險(xiǎn)的重要指標(biāo)。上述公式所求到的P值表示了中小融資企業(yè)的違約概率，將中小企業(yè)數(shù)據(jù)帶入模型預(yù)測(cè)信用狀況，得出P值。P值越接近于1，則中小企業(yè)信用越好，P值越接近于0，則中小企業(yè)信用越差。logistic回歸模型以0.5為分界值。

二、商業(yè)銀行供應(yīng)鏈金融信用風(fēng)險(xiǎn)管理對(duì)策和建議

供應(yīng)鏈金融業(yè)務(wù)作為一種區(qū)別于傳統(tǒng)銀行信貸業(yè)務(wù)的新興的融資方式，該模式的出現(xiàn)，不但穩(wěn)定整個(gè)供應(yīng)鏈節(jié)點(diǎn)上相關(guān)的貿(mào)易往來關(guān)系，而且還為中小企業(yè)提供了一種新的融資途徑，同時(shí)也為銀行挖掘潛在客源、提高業(yè)務(wù)收入打開了新的局面。但是由于我國的供應(yīng)鏈金融業(yè)務(wù)仍然處于起步階段，面臨著各種各樣的問題，故此提出以下幾點(diǎn)建議。

（一）中小融資企業(yè)的選擇和管理

在開展供應(yīng)鏈金融業(yè)務(wù)時(shí)，銀行要與核心企業(yè)做好溝通，選取在供應(yīng)鏈節(jié)點(diǎn)上貿(mào)易往來關(guān)系穩(wěn)定與信用狀況良好的中小企業(yè)，在開展供應(yīng)鏈金融業(yè)務(wù)過程中，要根據(jù)三種不同的融資模式，對(duì)中小企業(yè)進(jìn)行不同的側(cè)重點(diǎn)審查。例如在開展應(yīng)收賬款類業(yè)務(wù)過程中，銀行要對(duì)中小企業(yè)的運(yùn)營能力和償債能力進(jìn)行重點(diǎn)審查。對(duì)于融通倉和保兌倉來說，銀行應(yīng)該重點(diǎn)考察中小融資企業(yè)的盈利能力和行業(yè)特征等。

（二）核心企業(yè)的選擇和管理

首先，對(duì)于核心企業(yè)的基本要求就是核心企業(yè)自身的信用狀況。銀行要提高信用評(píng)價(jià)標(biāo)準(zhǔn)，如果核心企業(yè)無法滿足銀行的授信審核，那么核心企業(yè)也為中小企業(yè)承擔(dān)詞用風(fēng)險(xiǎn)。其次，還要對(duì)核心企業(yè)的地位進(jìn)行考察。如果核心企業(yè)在整個(gè)供應(yīng)鏈中處于重要位置，那么久說明核心企業(yè)是可以支配上下游企業(yè)，在行業(yè)競(jìng)爭中處于領(lǐng)先位置。最后，銀行也要對(duì)核心企業(yè)的運(yùn)營狀況進(jìn)行嚴(yán)格的監(jiān)督審查。因?yàn)楹诵钠髽I(yè)本身處于整個(gè)供應(yīng)鏈的重要位置，其運(yùn)營政策關(guān)系著整個(gè)供應(yīng)鏈的穩(wěn)定發(fā)展，再加上核心企業(yè)處于行業(yè)競(jìng)爭的領(lǐng)先地位，所以更要加大對(duì)核心企業(yè)運(yùn)營狀況的監(jiān)督審查，充分了解核心企業(yè)的基本生產(chǎn)運(yùn)營狀況。

（三）供應(yīng)鏈的選擇和管理

因?yàn)楣?yīng)鏈金融業(yè)務(wù)的開展是建立在整個(gè)供應(yīng)鏈基礎(chǔ)上的，所以銀行在開展供應(yīng)鏈金融業(yè)務(wù)的過程中，加大對(duì)供應(yīng)鏈整體實(shí)力的審核，例如整個(gè)供應(yīng)鏈節(jié)點(diǎn)上相關(guān)企業(yè)的貿(mào)易往來關(guān)系，供應(yīng)鏈所處行業(yè)的發(fā)展前景等。整個(gè)供應(yīng)鏈節(jié)點(diǎn)上相關(guān)企業(yè)的貿(mào)易往來直接影響著彼此之間的合作意愿。銀行應(yīng)該要理智選擇發(fā)展前景較為良好的行業(yè)，例如高新技術(shù)產(chǎn)業(yè)、服務(wù)業(yè)等。對(duì)于一些夕陽企業(yè)，例如鋼鐵、煤炭產(chǎn)業(yè)，以及房地產(chǎn)產(chǎn)業(yè)等受到國家宏觀經(jīng)濟(jì)調(diào)控政策影響較大的產(chǎn)業(yè)，銀行要謹(jǐn)慎選擇開展業(yè)務(wù)。

（四）第三方物流企業(yè)的選擇和管理

在整個(gè)供應(yīng)鏈金融業(yè)務(wù)開展的過程中，第三方物流企業(yè)一直扮演著“監(jiān)督者”的角色，在物流、監(jiān)管等方面比銀行更專業(yè)，所以銀行對(duì)于第三方物流企業(yè)的選擇和管理也是極其重要的。

近幾年電子商務(wù)的蓬勃發(fā)展，帶動(dòng)了物流行業(yè)的發(fā)展，也催生了很多新型物流企業(yè)，因此在整個(gè)物流行業(yè)中也存在物流企業(yè)素質(zhì)參差不齊的現(xiàn)象。銀行在選擇第三方物流企業(yè)進(jìn)行合作時(shí)，會(huì)優(yōu)先考慮物流企業(yè)的基本素質(zhì)，這一要素，通過對(duì)物流行業(yè)和相關(guān)物流企業(yè)的調(diào)查就可以得到。除此之外，銀行還要考慮的是物流企業(yè)的基本運(yùn)營能力和專業(yè)水平，這一要點(diǎn)，則需要銀行對(duì)其企業(yè)規(guī)模、運(yùn)營狀況、信用狀況以及對(duì)貨物的保存、管理水平進(jìn)行綜合評(píng)估。（作者單位：曲阜師范大學(xué)經(jīng)濟(jì)學(xué)院）

參考文獻(xiàn)：

[1] 彎紅地.供應(yīng)鏈金融的風(fēng)險(xiǎn)模型分析研究[J].經(jīng)濟(jì)問題， 2008（11）：109-112

[2] 陳李宏，彭芳春.供應(yīng)鏈金融發(fā)展存在的問題及對(duì)策[J].湖北工業(yè)大學(xué)學(xué)報(bào)2008，23（6）：81-83

[3] 樓棟，錢志新.供應(yīng)鏈金融的融資模式分析及其風(fēng)險(xiǎn)防范[J].網(wǎng)絡(luò)財(cái)富――經(jīng)濟(jì)縱橫，2008（9）：103-104

[4] 高珉，余思勤，袁象.供應(yīng)鏈融資的信用風(fēng)險(xiǎn)控制[J].航運(yùn)金融.2009，31（7）：33-35

篇9

關(guān)鍵詞：信用卡風(fēng)險(xiǎn)；評(píng)估；層次分析法；灰色GM（1，1）模型

中圖分類號(hào)：F830.5文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1673-291X（2011）19-0067-02

一、引言

近年來，中國消費(fèi)信貸快速發(fā)展，對(duì)擴(kuò)大內(nèi)需、推動(dòng)經(jīng)濟(jì)持續(xù)發(fā)展起到了重要作用。與國外銀行信用卡業(yè)務(wù)相比，中國各商業(yè)銀行信用卡業(yè)務(wù)的風(fēng)險(xiǎn)管理水平羅低，管理手段和方法相對(duì)落后，缺乏有效的申請(qǐng)?jiān)u估方法來規(guī)避信用風(fēng)險(xiǎn)。如何有效分析信用風(fēng)險(xiǎn)狀況，關(guān)系到銀行自身的經(jīng)營風(fēng)險(xiǎn)。

在信用評(píng)級(jí)研究中，多元判別分析技術(shù)（MDA）得到廣泛應(yīng)用，但其要求數(shù)據(jù)服從多元正態(tài)分布和協(xié)方差矩陣相等的前提條件，與現(xiàn)實(shí)中的大量情形相違背，由此在應(yīng)用中產(chǎn)生很多問題[1]。因此，許多學(xué)者對(duì)MDA進(jìn)行了改進(jìn)，主要有對(duì)數(shù)、二次判別分析（QDA）模型、Logit分析模型、神經(jīng)網(wǎng)絡(luò)技術(shù)（NN）[2]、決策樹方法[3]等，這些方法在解決部分問題的同時(shí)也帶來新的問題。就中國的現(xiàn)狀而言，存在的問題是用于評(píng)估的數(shù)據(jù)特性不穩(wěn)定、歷史數(shù)據(jù)樣本容量小等，這就導(dǎo)致MDA方法所需的有效樣本數(shù)量偏小而影響其使用效果[4~5]。

以往國內(nèi)商業(yè)銀行對(duì)信用風(fēng)險(xiǎn)評(píng)估相關(guān)數(shù)據(jù)重視不足，造成有效信息的缺失，灰色預(yù)測(cè)模型具有少樣本預(yù)測(cè)的特點(diǎn)已被廣泛應(yīng)用在許多領(lǐng)域[6~9]。本文利用層次分析法（AHP）和灰色預(yù)測(cè)模型相結(jié)合的組合評(píng)價(jià)方法對(duì)信用卡申辦人進(jìn)行信用等級(jí)評(píng)估，以尋求降低信用卡信用風(fēng)險(xiǎn)的有效措施。

二、組合評(píng)估模型

（一）AHP計(jì)算信用卡申請(qǐng)指標(biāo)權(quán)重

參照國際標(biāo)準(zhǔn)、國內(nèi)外銀行經(jīng)驗(yàn)和個(gè)人信用等級(jí)評(píng)估方法，綜合考慮商業(yè)銀行特點(diǎn)與所在地區(qū)情況，通過對(duì)以往申請(qǐng)人群的考察，以專家判斷為基礎(chǔ)，選擇四大類17個(gè)指標(biāo)來評(píng)價(jià)個(gè)人信用等級(jí)（見表1）。

根據(jù)影響個(gè)個(gè)信用等級(jí)的主要因素建立系統(tǒng)的遞階層次結(jié)構(gòu)，運(yùn)用AHP確定各評(píng)估指標(biāo)的權(quán)重。具體步驟如下：

Step 1： 構(gòu)建判斷矩陣A=[aij]，i，j=1，2，…，n，式中aij就是上層某元素而言Bi與Bj兩元素的相對(duì)重要性標(biāo)度。

Step 2： 判斷矩陣A的一致性檢驗(yàn)，評(píng)估矩陣的可靠性。檢驗(yàn)方法為：

1.計(jì)算一致性指標(biāo)Ic=（λmax-n）/（n-1），當(dāng)λmax=n，Ic＝0，為完全一致，Ic越大，判斷矩陣A的完全一致性越差。

2.計(jì)算平均隨機(jī)一致性指標(biāo)IR：隨機(jī)構(gòu)造500個(gè)樣本矩陣，隨機(jī)地從1~9及其倒數(shù)中抽取數(shù)字構(gòu)造正負(fù)反矩陣，求最大特征根的平均值λ′ max，和IR=（λ′ max-n）/（n-1）。查找相應(yīng)的平均隨機(jī)一致性指標(biāo)IR（見表2）。

3.計(jì)算一致性比RC=IC/IR，當(dāng)Rc

Step 3： 計(jì)算層次單排序及總排序。層次單排序是根據(jù)判斷計(jì)算對(duì)于上一層某元素而言本層次與之有聯(lián)系的元素重要性次序的權(quán)值；層次總排序是依次沿遞階層次結(jié)構(gòu)由上而逐層計(jì)算，即可計(jì)算出最低層因素相對(duì)于最高層總目標(biāo)的相對(duì)重要性的排序值。

（二） GM（1，1）模型

設(shè)有已知序列：X （0 ）={x （0）（k）}nk=1，其1-AGO 生成序列：X （1 ）={x （1）（k）}nk=1，其中：x （1）（k）=x （0）（i），GM（1，1） 所建立的白化方程實(shí)際上是一個(gè)帶初值的微分方程，見（1）式。

+ax （1）（t）=ux （1）（1）=x （0）（1），其中a，u為待定參數(shù)。 （1）

對(duì)（1）式求解得： （1）（k+1）=（x （0）（1）-）e-ak+ （2）

其中：=[a u]T=（BTB）-1BTYN （3）

背景值：z （1）（k+1）=0.5x （1）（k+1）+0.5x （1）（k）（4）

B=-z （1）（1）-z （1）（2）…-z （1）（n-1）11… 1T

YN=（ x （0）（2），……，x （0 ）（n））T

對(duì)式（2）通過累減還原，得預(yù)測(cè)值：

（0 ）（1）=x （0）（1） （0）（k）=（1-ea）（x （0）（1）-）e-a（k-1 ），k=2，3…，n （5）

（三）AHP-GM11模型及其實(shí)現(xiàn)

1．模型輸入點(diǎn)的選取。通過AHP建立的指標(biāo)體系，由于各判斷矩陣的RC值均小于0.1，可認(rèn)為它們均有滿意的一致性。對(duì)權(quán)值累計(jì)貢獻(xiàn)率>＝95%的指標(biāo)保留，否則刪除該指標(biāo)，從而得到簡化后的風(fēng)險(xiǎn)指標(biāo)體系，并作為輸入值。

2．GM模型預(yù)測(cè)。有了評(píng)估體系后，銀行就可根據(jù)信用卡申請(qǐng)者或者信用卡授卡對(duì)象的歸一化數(shù)據(jù)通過GM（1，1）模型得到預(yù)測(cè)結(jié)果。如果預(yù)測(cè)值>=0.8，說明申請(qǐng)者由于各種原因，申請(qǐng)者壞賬風(fēng)險(xiǎn)比率高，銀行應(yīng)拒絕申請(qǐng)；如果0.4

3.模型的實(shí)際應(yīng)用。本文結(jié)合實(shí)際情況，選取10個(gè)樣本進(jìn)行預(yù)測(cè)[13]，預(yù)測(cè)結(jié)果（見表3）。

三、結(jié)論

運(yùn)用基于AHP和GM模型的風(fēng)險(xiǎn)評(píng)估模型可以同時(shí)考慮客戶的一些靜態(tài)和動(dòng)態(tài)指標(biāo)，如職業(yè)、學(xué)歷、還款記錄等，可以通過反映申請(qǐng)者的綜合情況來考核其信用狀況，為商業(yè)銀行開展信用卡業(yè)務(wù)風(fēng)險(xiǎn)防范提供了依據(jù)。

但與此同時(shí)，在評(píng)價(jià)每個(gè)因素時(shí)，有時(shí)會(huì)出現(xiàn)某些指標(biāo)的權(quán)重過高導(dǎo)致其綜合評(píng)價(jià)指數(shù)偏高，而影響其信用狀況評(píng)定。所以，如何更好地確定指標(biāo)權(quán)重，進(jìn)一步提高評(píng)估模型的穩(wěn)定性、合理性將是作者今后的研究方向。

參考文獻(xiàn)：

[1]Eisenbeis R A.Pitfalls in the application discriminant analysis in business and economics[J].The Journal of F inance，1977，(2).

[2]Tam K Y，KiangM.Managerial applications of neural network s：the case of bank failure predictions[J].Management Sciences，1992， (1).

[3]F rydman H，A ltman E I，Kao D L.Introducing recursive partitioning for financial classification： the case of financial distress[J].Journal of F inance，1985，(1)：269-291.

[4]王春峰，等.小樣本數(shù)據(jù)信用風(fēng)險(xiǎn)評(píng)估研究[J].管理科學(xué)學(xué)報(bào)，2001，(1)：28-32.

[5]李建平，徐偉宣，劉京禮，石勇.消費(fèi)者信用評(píng)估中支持向量機(jī)方法研究[J].2004，(10)：35-39.

[6]鄧聚龍.灰色控制系統(tǒng)[M].武漢：華中理工大學(xué)出版社，1988.

[7]劉思峰，郭天榜.灰色系統(tǒng)理論及其應(yīng)用[M].鄭州：河南大學(xué)出版社，1991.

[8]DENG Julong.Control problems of grey systems[J].Syst &Contr Lett，1982，(5)：288 -294.

[9]張岐山.灰朦朧集的差異信息理論[M].北京：石油工業(yè)出版社，2002.

[10]顏文.中國信用卡業(yè)務(wù)風(fēng)險(xiǎn)的宏微觀分析[J].財(cái)會(huì)研究，2007，(4)：13-15.

[11]張穎，于海龍.中國信用卡業(yè)務(wù)現(xiàn)狀和前景的綜合分析[J].經(jīng)濟(jì)師，2007，(5)：23-24.

[12]信用評(píng)分及其應(yīng)用[M].王曉蕾，石慶焱，吳曉惠，等，譯.北京：中國金融出版社，2006：2-10.

[13]許速群，張岐山，楊美英.個(gè)人信用卡申請(qǐng)風(fēng)險(xiǎn)評(píng)估模型[J].中國信用卡，2007，(6)：30-33.

[14]詹志斌.對(duì)提升中國商業(yè)銀行客戶管理水平的思考[J].浙江金融，2010，(1)：33-34.

篇10

1引言

鐵路信號(hào)系統(tǒng)的建立為列車的安全、準(zhǔn)時(shí)、舒適等方面提供了良好的保障，而風(fēng)險(xiǎn)評(píng)估是為了確保信號(hào)系統(tǒng)的正常運(yùn)行。具體而言，風(fēng)險(xiǎn)評(píng)估技術(shù)在鐵路信號(hào)系統(tǒng)的應(yīng)用過程中，首先需要進(jìn)行前期的安全評(píng)估，通過這一階段的評(píng)估，對(duì)可能存在的安全隱患進(jìn)行分析，并做好記錄，然后通過對(duì)系統(tǒng)的監(jiān)測(cè)，從而實(shí)現(xiàn)對(duì)安全隱患的有效控制，由此可見，風(fēng)險(xiǎn)評(píng)估技術(shù)對(duì)于鐵路安全的保障有著重要的意義。針對(duì)風(fēng)險(xiǎn)評(píng)估技術(shù)在鐵路信號(hào)系統(tǒng)中的應(yīng)用，發(fā)達(dá)國家的研究比較早，而且在研究過程中，已經(jīng)促使風(fēng)險(xiǎn)評(píng)估技術(shù)的應(yīng)用逐漸走向成熟，論文則通過對(duì)國外風(fēng)險(xiǎn)評(píng)估技術(shù)研究的借鑒，對(duì)我國鐵路信號(hào)系統(tǒng)中風(fēng)險(xiǎn)評(píng)估技術(shù)的應(yīng)用進(jìn)行探討。

2危害識(shí)別———HAZOP方法

2.1HAZOP方法簡介

危害識(shí)別是風(fēng)險(xiǎn)評(píng)估技術(shù)應(yīng)用的第一階段，HAZOP方法是進(jìn)行危害識(shí)別的主要方法，在這一方法的應(yīng)用過程中，重點(diǎn)工作是通過組織會(huì)議并對(duì)相應(yīng)的實(shí)踐操作細(xì)節(jié)進(jìn)行分析，在具體工作開展時(shí)，要求各類專業(yè)工作者深刻分析每一個(gè)單元的內(nèi)容，通過上述活動(dòng)的開展，找出存在的偏差，并且對(duì)所查找偏差可能會(huì)導(dǎo)致的嚴(yán)重后果進(jìn)行分析，在分析過程中，往往需要借助引導(dǎo)詞來引出偏差。在整個(gè)過程中，專業(yè)人員通過對(duì)所出現(xiàn)的偏差進(jìn)行鎖定，然后深層次地分析偏差產(chǎn)生的原因及可能會(huì)造成的后果，然后對(duì)現(xiàn)有的安全防護(hù)進(jìn)行重新評(píng)估，最后再通過必要的措施進(jìn)行完善。HAZOP是整個(gè)系統(tǒng)的一部分，其主要作用是用來識(shí)別系統(tǒng)的本質(zhì)特征，在HAZOP方法運(yùn)用過程中，會(huì)涉及材料的調(diào)取、人員的調(diào)查以及相關(guān)設(shè)備的使用。為了充分發(fā)揮HAZOP方法的作用，在具體使用過程中，首先需要對(duì)系統(tǒng)進(jìn)行單元?jiǎng)澐?，單元?jiǎng)澐值闹饕康脑谟谀軌蚴笻AZOP方法所發(fā)現(xiàn)的偏差更加準(zhǔn)確，如果單元?jiǎng)澐植缓侠?，則很容易導(dǎo)致評(píng)估結(jié)果不準(zhǔn)確，進(jìn)而影響到安全防護(hù)工作，在一些鐵路信號(hào)系統(tǒng)中，可以從宏觀角度考慮實(shí)施單元?jiǎng)澐?，例如，監(jiān)測(cè)機(jī)、計(jì)軸設(shè)備、4050智能1/0模塊、交換機(jī)及站間通信等，因此把每個(gè)組成部分作為一個(gè)單元進(jìn)行分析。[1]而偏差的確立是HAZOP的核心部分，在偏差確立過程中，會(huì)使用到三種方法，包括偏差庫篩選法、知識(shí)確立法以及引導(dǎo)詞確立法。

2.2HAZOP實(shí)施過程分析

HAZOP方法在具體實(shí)施過程中主要包括四個(gè)主要步驟。第一階段，作出定義。整個(gè)工作的開展，首先應(yīng)該獲得項(xiàng)目經(jīng)理的批準(zhǔn)，然后針對(duì)HAZOP的實(shí)施選定組員并任命組長，接著在組員的討論下，對(duì)研究的范圍進(jìn)行確立，通常情況下，研究范圍所涉及的內(nèi)容包括系統(tǒng)設(shè)計(jì)表現(xiàn)、系統(tǒng)生命周期、系統(tǒng)物理邊界等。第二階段，進(jìn)行準(zhǔn)備，研究小組的組長需要根據(jù)此次研究工作提出相應(yīng)的引導(dǎo)詞初始清單。第三階段，審查階段。在這一階段需要進(jìn)行審查會(huì)議，在會(huì)議正式開始之前，需要對(duì)整個(gè)審查流程提前熟悉，其主要目的在于使研究小組的全體組員都能夠熟悉研究目的和范圍，在會(huì)議中，需要對(duì)所使用的引導(dǎo)詞進(jìn)行明確解釋，而且要對(duì)具體操作中可能存在的問題以及應(yīng)對(duì)方法進(jìn)行討論。第四階段，文件記錄和跟蹤階段。這一階段需要對(duì)會(huì)議中討論的結(jié)果進(jìn)行整理和記錄，并且做好存檔工作，還應(yīng)該將討論到的內(nèi)容進(jìn)行完整記錄，而且需要對(duì)整個(gè)會(huì)議的討論內(nèi)容進(jìn)行匯總，并提煉出結(jié)果，以此來形成HAZOP的報(bào)告文件。

3鐵路自動(dòng)站閉塞系統(tǒng)定性風(fēng)險(xiǎn)評(píng)估

為了確保風(fēng)險(xiǎn)評(píng)估結(jié)果的準(zhǔn)確性，評(píng)估人員主要依賴于HAZOP技術(shù)，在具體操作過程中，還應(yīng)該結(jié)合風(fēng)險(xiǎn)矩陣法，在評(píng)估過程中，包括兩方面的內(nèi)容：

3.1系統(tǒng)危害識(shí)別

在危害識(shí)別過程中，首先應(yīng)該進(jìn)行單元?jiǎng)澐?，單元?jiǎng)澐种饕菫榱嗣鞔_每一個(gè)模塊的具體內(nèi)容。其次，將偏差和引導(dǎo)詞的確定因子予以明確，其中，包括多個(gè)方面的內(nèi)容，如材料、操作活動(dòng)以及設(shè)施設(shè)備等，設(shè)備的正常運(yùn)作是系統(tǒng)運(yùn)行的重要保障，這就意味著在危害識(shí)別過程中，在整個(gè)系統(tǒng)中，設(shè)備單元要素的體現(xiàn)，必須依賴于設(shè)備自身的功能。在閉塞機(jī)單元中，使用了雙機(jī)熱備，所以，在設(shè)備運(yùn)行過程中，會(huì)進(jìn)行主閉塞機(jī)和備閉塞機(jī)切換，切換過程中主要存在的問題有兩個(gè)，第一是備閉塞機(jī)的功能失效，在這一問題的影響下，被確立的引導(dǎo)詞包括兩類，即間隔的和永久的，當(dāng)偏差出現(xiàn)后，要素和引導(dǎo)詞會(huì)進(jìn)行合并，在這種情況下，所出現(xiàn)的偏差包括兩種，分別是閉塞機(jī)永久失效和閉塞機(jī)間隔性失效。對(duì)于監(jiān)測(cè)機(jī)單元而言，其與閉塞機(jī)單元的偏差確定方法基本一致，所存在的偏差也包括兩種，即閉塞機(jī)永久失效和閉塞機(jī)間隔性失效。使用同樣的偏差確定方法來對(duì)4050智能1/0模塊進(jìn)行偏差確定，最終確立的偏差內(nèi)容則分為控制臺(tái)亞當(dāng)ADAN405O模塊失效和組合架亞當(dāng)ADAN4050模塊失效。針對(duì)站間通信部分，其主要包括兩個(gè)因素，其一為通信終端，其二為通信誤碼。針對(duì)前者，其引導(dǎo)詞同樣可以進(jìn)一步分為間隔性問題和永久性問題兩種，間隔性問題指的是站間間隔性中斷，而永久性問題指的是站間通信永久性中斷。針對(duì)后者，所產(chǎn)生的偏差則使站間通信信息誤碼，同樣，這一方法也可以被用到閉塞機(jī)和計(jì)軸設(shè)備、閉塞機(jī)和檢測(cè)設(shè)備的偏差確定方面。

3.2接口危害識(shí)別

在風(fēng)險(xiǎn)評(píng)估過程中，所涉及的微機(jī)化自動(dòng)站間閉塞系統(tǒng)及其附屬系統(tǒng)的接口包括其與連鎖系統(tǒng)相聯(lián)系的接口、與計(jì)軸設(shè)備相連接的接口、與控制系統(tǒng)連接的接口等，針對(duì)上述接口，則需要根據(jù)相應(yīng)接口的組成部分進(jìn)行劃分，而且使用危害識(shí)別中同樣的方式對(duì)引導(dǎo)詞和偏差進(jìn)行確立[2]。

3.3風(fēng)險(xiǎn)分析和評(píng)價(jià)

在系統(tǒng)的最初設(shè)計(jì)階段，則需要通過全面的風(fēng)險(xiǎn)評(píng)估活動(dòng)，對(duì)系統(tǒng)中的各類風(fēng)險(xiǎn)進(jìn)行等級(jí)劃分，最終確立的不同等級(jí)風(fēng)險(xiǎn)中，有四類風(fēng)險(xiǎn)不能夠被接受，此類風(fēng)險(xiǎn)的存在很容易對(duì)系統(tǒng)產(chǎn)生較大的負(fù)面影響，如果不及時(shí)防范，則很可能引發(fā)巨大的損失，所以，為了確保鐵路信號(hào)系統(tǒng)的正常運(yùn)行，必須將此類風(fēng)險(xiǎn)降到最低。對(duì)于接口危害而言，被認(rèn)為是不可接受的四類風(fēng)險(xiǎn)分別是事故復(fù)原按鈕操作失誤、到達(dá)復(fù)原按鈕操作失誤、模式切換按鈕操作失誤以及計(jì)軸復(fù)零按鈕操作失誤等，對(duì)待此類危害，應(yīng)該慎重對(duì)待，并且盡可能降低風(fēng)險(xiǎn)等級(jí)。例如，在地鐵風(fēng)險(xiǎn)評(píng)估過程中，采用HAZOP分析法進(jìn)行危害識(shí)別，根據(jù)類似危害記錄和專家觀點(diǎn)對(duì)危險(xiǎn)信號(hào)進(jìn)行判斷，其中，最為嚴(yán)重的危害是“DTG模式下運(yùn)行權(quán)限錯(cuò)誤”，然后借助故障樹進(jìn)一步查找“DTG模式下運(yùn)行權(quán)限錯(cuò)誤”的原因（見圖1）。之后需要根據(jù)事件的后果進(jìn)行損失分析，分析結(jié)果通常包括安全、出軌、人員傷亡等，其中人員傷亡可以進(jìn)一步分為列車撞人，人員傷亡；撞車，人員輕微傷害；撞車，人員傷亡。

4小結(jié)

綜上所述，風(fēng)險(xiǎn)評(píng)估技術(shù)在鐵路信號(hào)系統(tǒng)的應(yīng)用中，首先應(yīng)該利用HAZOP方法進(jìn)行風(fēng)險(xiǎn)識(shí)別，然后在此基礎(chǔ)上進(jìn)行風(fēng)險(xiǎn)評(píng)估，并且根據(jù)評(píng)估結(jié)果采取恰當(dāng)?shù)姆椒▽L(fēng)險(xiǎn)降到最低，從而確保鐵路信號(hào)系統(tǒng)的正常運(yùn)行。

【參考文獻(xiàn)】

【1】閆勝春.探討供電系統(tǒng)對(duì)鐵路信號(hào)系統(tǒng)的干擾[J].黑龍江科技信息，2016(33)：77-78.