商业银行信用风险识别的模型构建与政策建议

徐春红，路正南

(江苏大学a.财经学院；b.工商管理学院，江苏 镇江 212013)

席卷全球的金融风暴使银行业遭遇重创，让全球各商业银行意识到了风险管理的重要性。信用风险是目前我国商业银行的主要风险，对信用风险进行有效管理将直接关系到商业银行的经营业绩，甚至生死存亡并将影响我国整个金融体系的稳定。信用风险识别是信用风险管理的基础和关键环节，国外商业银行的信用风险识别技术得到了飞速发展，由于存在数据和人才的瓶颈制约，国外成熟和先进的模型并不能直接在中国运用。目前，我国商业银行信用风险的识别仍以定性分析为主，难以适应现代商业银行全面和动态风险管理的需要。构建适合我国的信用风险识别模型，提高商业银行信用风险识别水平成为我国金融界一个最为紧迫的研究课题。

1 研究方法、样本与指标

Logistic回归采用最大似然估计法进行参数估计，不要求样本数据呈正态分布，不要求变量服从协方差矩阵，这与现实中我国信用数据的真实情况相吻合。但Logistic回归法要求各个变量相互独立，而我国的信用数据具有高相关性和高维性，各个变量之间存在一定程度的线性依存关系即多重共线性,这会增加估计参数的均方误差和标准误,引起Logistic回归模型拟合上的不合理，需要设法加以消除。

特别处理（ST）是经营很差或经营中出现重大问题的上市公司向市场所传达的一种信号，上市公司被ST后会大大加大贷款银行的风险。我国上市公司被ST的原因包括财务状况异常和其他状况异常两种，后者具有较大的不确定性，难以预测，故本文以沪、深A股市场2007年因财务状况异常被ST的40家上市公司和随机抽选的40家非ST公司作为训练样本，以沪A股市场2008年上半年因财务状况异常被ST的15家上市公司和随机抽选的15家非ST公司作为测试样本，模型样本总计为110家上市公司。ST企业被视为是高信用风险企业，将其定义为0；非ST企业被视为是低信用风险企业，将其定义为1。

在借鉴了国内外研究成果和穆迪、标准普尔等公司资信评级指标体系后，本次采用涵盖上市公司盈利性、流动性、偿债能力、资产管理效率和成长性等方面的10个财务指标，分别是资产收益率X1、主营业务利润率X2、流动比率X3、速动比率X4、资产负债率X5、总资产周转率X6、应收账款周转率X7、主营业务收入增长率X8、净利润增长率X9和股东权益比率X10。训练样本采用2006年末数据，测试样本为2007年末数据，数据来自于上市公司的资产负债表、利润分配表和现金流量表。

2 模型的构建与实证分析

2.1 普通Logistic识别模型

（1）模型的建立

以80个训练样本为基础，运用SPSS13.0统计软件对10个指标的数据进行普通Logistic回归，本模型选择Forward:LR，即逐步向前回归法，以消除多重共线性，普通Logistic回归方程为：

采用上式，引入商业银行贷款企业的财务数据，可以预测其信用风险状况。判别的标准是：P值大于0.5的企业被判定为低风险类企业；反之则归入高风险类企业。

（2）模型的检验与测试

误判分为两类：第一类误判称为“拒真”，将高信用风险企业误判为低信用风险企业；第二类误判称为“纳伪”，将低信用风险企业误判为高信用风险企业。第二类误判只会使银行损失一定的收益，而第一类误判会使商业银行因无法收回贷款而面临重大损失，因此，第一类误判的代价要高得多。

普通Logistic模型的检验与测试结果见表1，基于普通方法对训练样本进行回代检验，模型的总误判率为5%，其中第一类误判率为7.5%，第二类误判率为2.5%。模型对测试样本进行预测的总误判率为16.7%，其中第一类误判率为20%，第二类误判率为13.3%。可见，训练样本和测试样本的第一类误判率都要高于第二类误判率，而且模型对测试样本的预测准确率大大低于对训练样本的回代识别准确率，说明模型的稳定性相对不足。究其原因，我们发现10个指标中进入模型的只有2个，分别是净资产收益率X1和主营业务利润率X2。因此，逐步回归法在消除多重共线性的同时，数据和信息丢失严重，影响了模型的稳定性和预测能力。

表1 普通Logistic模型的检验与测试结果

2.2 主成分Logistic混合识别模型

（1）主成分分析

表2 主成分分析的总方差解释

以80个训练样本为基础进行主成分分析，本文采用主成分对应的特征值大于1，前m个主成分的累计方差贡献率不低于85%的标准提取主成分（见表2）。基于以上标准，从10个财务指标中提取了4个主成分，即m=4，依次为Y1、Y2、Y3和Y4，它们的累计方差贡献率为85.708%，包含了原始财务指标中的大部分信息。

（2）模型的建立

将上文主成分分析得到的四个主成分进行Logistic回归，本模型选择enter，即强迫引入法，全部被选变量一次性进入回归模型，根据回归结果，主成分Logistic回归方程为：

同样，p值大于0.5的企业被判定低风险类企业；反之，则归入高风险类。

（3）模型的检验与测试

主成分Logistic模型的检验与测试结果见表3，模型对训练样本进行回代检验的总误判率为12.5%，其中第一类误判率为12.5%，第二类误判率也为12.5%。模型对测试样本进行预测的总误判率13.3%，其中第一类误判率为0，第二类误判率为26.7%。主成分Logistic模型对训练样本和测试样本的识别结果基本一致，且第一类误判率都不高于第二类误判率，模型比较稳定，推广能力强。

2.3 结论

Logistic回归分析的许多假设比较符合信用数据的分布规律，这使得该模型的识别准确率较高。我国的信用数据具有高相关性和高维性等特点，以主成分分析得到的主成分作为Logistic回归的解释变量而构建的主成分Logistic混合识别模型，有效地解决了多重共线性问题，较好地保留了原始数据信息，提高了模型的稳定性，降低了误判率，尤其是第一类误判率。因此，主成分Logistic混合识别模型不仅精度高，而且稳定性好，是现阶段对我国商业银行信用风险进行量化识别的一个有效手段。

表3 主成分Logistic模型的检验与测试结果

3 政策建议

（1）加强信用风险识别模型的研究和开发。定量化、模型化代表了信用风险识别未来的发展方向，中国银行业应顺应这种趋势。我国商业银行应加强对国外先进信用风险识别模型的研究，掌握其构建的思路和方法，结合我国实际情况，对有关模型进行改进，或开发新模型。我国信用风险识别模型的开发应注意如下几点：一是坚持先易后难的原则。技术从落后到先进不可能实现一步式跨越，会有一个很长的过渡期，不能操之过急。目前可从建立传统的小规模模型开始，对于其他复杂的先进模型，可以先做前期研究工作，并积累资料，再逐步应用。二是注重模型的科学性。模型的设计要根植于商业银行的实践，商业银行在设有独立的信用风险识别模型开发团队的同时，应邀请经验丰富的信用风险管理人员参与建模技术及方法的讨论和模型变量的选择过程。模型建成后由信用风险管理人员应用于信用风险管理的实践，其回馈意见用于未来模型的改进和完善。只有做到知识与经验、理论与实践的融合，才能保证模型的科学性。三是注意模型的差别性。由于不同商业银行的业务特点和客户群体有所区别，必须建立与本行业务、客户和战略相适应的识别模型；同一银行内部可根据不同的评价对象和评价目的，选取适合的信用风险识别技术和模型。四是做好模型的再建和完善工作。这次金融危机的教训之一就是金融衍生产品改变了金融资产的风险特征，而银行的风险管理系统没有及时地改进和完善，结果成了银行风险管理系统无法识别和控制的怪兽。因此，模型的再建和完善将是风险管理业的一个永久性课题，随着贷款客户和业务的不断变化以及识别过程中经验的积累，商业银行必须及时对模型进行修正，以保持模型的时效性。

（2）完善信用基础数据库的建设。商业银行信用风险的识别和评估是以大量基础数据作支撑的，数据的数量和质量决定了识别结果的有效性。目前我国商业银行征信缺乏有效渠道，信用数据储备严重不足，数据质量不高，数据管理不科学，严重制约了先进信用风险识别技术的合理有效运用。我国信用基础数据库的建设可从以下几方面入手：一是进一步规范信息披露工作。尽快出台相关法律，确保信息披露的及时、全面和准确，同时保护好信用主体的秘密和隐私。二是搭建以政府为主导的、各商业银行为主体、多方参与的多渠道征信架构。我国信用信息分布比较广泛。可由中央银行牵头，在银行已拥有信息的基础上，将各公共机构、非银行金融机构和其他渠道的信息集中起来，形成统一的数据库，由各方共同使用，也为商业银行信用风险识别提供强大的数据支持。三是对数据库数据进行科学管理。制定数据管理规章，实行严格、一致的数据标准，确保信息管理的安全、可靠，避免信息传递过程的理解偏差。

（3）积极培育和引进信用风险高级管理人才。信用风险识别知识含量高，汲取了现代金融理论、数学、统计方法和计算机技术等学科的最新研究成果，而我国这方面的人才匮乏，制约了我国商业银行信用风险识别和管理的现代化进程。高素质信用风险管理人才的获得可以通过有以下几个途径：一是商业银行自行培养。商业银行应投入足够的费用和精力，加强对信用风险管理人员相关知识培训的力度，为信用风险量化识别和模型构建提供有力的智力支持。二是与高校合作培养。我国商业银行应与高等院校携手创办信用管理专业，借鉴欧美高校信用管理专业教育的经验，开设风险管理、资信调查、资信评级等课程，培养信用管理的专业人才。三是从国外引进。国外商业银行信用风险识别技术先进，信用风险管理经验丰富、教训深刻。这次金融危机爆发后，国内商业银行到华尔街去引进人才，其中就以风险管理人才为主。

（4）定量分析与定性分析相结合。信用信息包括财务信息和非财务信息或定性信息，而定性信息的很多内容难以数字化，无法引入模型，且任何模型都有极限，模型原始数据的真实性也影响了其识别结果的准确性，因此，定量模型不能取代传统的定性分析，二者结果交相验证会最大限度地提高识别的准确性。另一方面，定量模型并非万能，对于缺乏数据信息的新成立借款人的信用状况及低概率超常事件的发生，也只能更多的依靠定性分析和信贷人员的主观判断。因此，模型是量化信用风险的工具，可以辅助专家决策；定性分析可以弥补定量模型的缺陷与不足。我国商业银行在进行信用风险识别模型开发并设法将更多的定性信息通过数字化引入模型的同时，应保持和发扬我国商业银行在定性分析上的传统和优势，做到定量分析与定性分析的有机结合，全面准确地反映借款人的信用风险状况。

（5）内部评级与外部评级相结合。当国际知名评级机构为剧毒金融产品贴上无毒的标签，而各方不加甄别地加以采信时就为国际金融危机的爆发埋下了隐患。《新巴塞尔资本协议》在保留外部评级方式的同时，鼓励商业银行建立健全内部评级体系和开发使用信用风险内部识别模型，这样既可以对信用风险进行更为精确的度量，也可减轻对外部评级机构过度地依赖。我国内部评级方法简单，又缺乏有效的外部评级机构。我国在建立有效的信用风险内部识别模型，完善内部评级体系的同时，也要大力发展信用评估中介机构，运用外部力量加强对借款人信用的监督与评估。

[1]马睿宏,崔学兰.金融业全面开放后商业银行信用风险及其防范[J].经济问题，2007,（9）.

[2]王全众.两类分析相关数据的Logistic回归模型[J].统计研究,2007,(2).

[3]于立勇.商业银行信用风险评估[M].北京:北京大学出版社,2007.

[4]张红兵,贾来喜,李璐.SPSS宝典[M].北京:电子工业出版社，2007.