时间：2023-06-06 09:02:02
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇信用风险评估，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
摘要：自适应共振模型是为了能够分类任意次序模拟输入模式而设计的，它可以按任意精度对输入的模拟观察矢量进行分类，较好地解决了前稳定性和灵活性问题，同时能够避免对网络先前所学的学习模式修改。本文将ART2模型应用于信用风险评估，通过实证比较研究，结果显示应用自适应共振模型进行信用风险评估在精度和准确性上，都优于其他神经网络模型和统计方法。
1统计方法用于信用风险分类评估存在的局限性
对信用风险评估一类主流方法是基于分类的方法，即把信用风险分析看成是模式识别中的一类分类问题—将企业划分为能够按期还本付息和违约两类。其具体做法是根据历史上每个类别（如期还本付息、违约）的若干样本，从已知的数据中发现其规律，从而总结出分类的规则，建立判别模型，用于对新样本的判别，这样信用评估就转化为统计中的分类问题。传统的统计模型主要基于多元统计分析方法，根据判别函数的形式和样本分布的假定不同，主要的模型有：多元回归分析模型、多元判别分析模型（MDA）、Logit分析模型、近邻法等。其中以多元判别分析模型和Logit分析模型应用最为广泛，已有大量商业化软件。
尽管这些方法在国外有大量应用，但是大量实证研究（Altman，1983；Tam & Kiang，1992；Altman，et al，1994）结果发现：（1）企业财务状况的评价可以看作是一类基于一系列独立变量基础上的分类问题；（2）企业财务状况好坏与
财务比率的关系常常是非线性的；（3）预测变量（财务比率）可能是高度相关的；（4）大量实证结果表明，许多指标不成正态分布。而统计的方法却不能很好地解决以上问题。由此可见统计模型的最大优点在于其具有明显的解释性，存在的缺陷是过于严格的前提条件。如多元判别分析模型（MDA），它要求数据服从多元正态分布、等协方差、已知先验概率和误判代价等要求，而现实中大量数据严重违背了这些假定（Eisenbeis，1997）。引入对数变化可在一定程度上改进数据的非正态分布，但一方面变换后的变量可能失去经济解释含义，另一方面仍没有满足等协方差的要求；应用二次差别分析（QDA）虽可解决等协方差问题，但一方面没有满足正态性假设，另一方面当数据样本小、维数高（指标多）时二次差别分析的性能明显下降，而样本少、维数高正是我国信用数据的显著特点。实证结果还表明二次差别分析对训练样本效果较好，而对测试样本并不理想。除此以外，多元判别分析模型适用于成熟行业的大中型企业，因为这些企业具有较强的稳定性和规范性，其发展有一定的规律可循，参数统计方法易于给出较准确的结果及合理的解释。然而这类方法是静态的，需要根据地区、行业经济情况的变化不断地调整参数，甚至进行变量的调整。
为了解决这些问题，引入了Logit分析模型和近邻法。Logit分析模型不需要假定任何概率分布，也不要求等协方差，但是当样本点存在完全分离时，模型参数的最大似然估计可能不存在，模型的有效性值得怀疑，另外该方法对中心区域的差别敏感性较强，导致判别结构的不稳定。近邻法不要求数据正态分布，但当数据的维数较高时，存在所谓的“维数祸根（Curse of dimensionality）”——对高维数据，即使样本量很大，其撒在高维空间中仍显得非常稀疏，绝大多数点附近根本没有样本点，这就使得“利用空间中每一附近的样本点来构造估计”的近邻法很难使用[4]。
2应用神经网络进行信用风险评估的意义
商业银行信用风险评估是复杂的过程，除了对企业的财务状况的各种特征的评估外，还须对企业的非财务状况进行评估，而且又涉及宏观经济环境和产业结构、产业周期的影响；除了客观的评估外，还依赖于专业人员依据经验进行主观评估。神经网络是一种具有模式识别能力，自组织，自适应，自学习特点的计算机制，它的知识编码于整个权值网络，呈分布式存储且具有一定容错能力。神经网络对数据的分布要求不严格，也不必要详细表述自变量与因变量之间的函数关系，神经网络的这些特征使之成为信用风险分析方法的一个热点。
建立商业银行信用风险评估模型必须依赖于一组已知的函数集合。要求这种函数集合在任意精度上可以逼近实际系统，从数学上讲，这就要求这个集合在连续函数空间上是致密的。目前已经从理论上严格证明了只用一个隐藏层的神经网络就可以唯一地逼进任何一个连续函数。多层神经网络为系统的辨识和建模，尤其是非线性动态映射系统提供了一条十分有效的途径。非线性动态映射系统的神经网络建模被认为是应用神经网络的最成功的范例。
影响商业银行信用风险评估的机理很复杂，无法建立精确的非线性动态模型，而人工神经网络擅长处理非线性的、关系不确定的十分复杂以至于数学模型难以描述的问题。对于分析时间序列数据，由于人工神经网络能识别和模拟数据间的非线性关系，不需要正态分布和先验概率等条件的约束，能针对新增样本灵活的训练再学习，因此优于其他统计方法，同时由于网络本身具有自学习的功能，预测结果相对精度较高而且稳定性好，因此应用神经网络可以通过对网络的训练，掌握借款人的财务特征的非线性函数关系。神经网络是由许多神经元构成的，它对系统特性的记忆表现为各个神经元之间的连接权值，单个神经元在整个系统中起不到决定性作用，一个经过训练的神经网络可以按相似的输入模式产生相似的输出模式，当商业银行信用风险评估系统因某些非财务风险因素和判断误差过大的财务风险因素造成输入模式变形时，网络仍可以保证稳定的输出。
神经网络可以逼进任意复杂的非线性系统，神经网络的转换函数能够非线性地响应冲击，例如，像覆盖比率这样的财务比率超过最低水平（如AAA级）时，超过这个阀值的增加值不会对信用质量有什么影响。线性回归不能以这样的方式限制响应程度，神经网络的转换函数却能实现。神经网络以并行的方式处理信息，具有很强的信息综合能力，因此神经网络理论在商业银行信用风险分析和实施对信用风险的主动控制中将会发挥更大的作用。
由神经网络构成的非线性模型具有较强的环境适应能力。在根据多个训练样本企业的财务特征建立神经网络非线性系统后，如果企业类型、财务特征和非财务特征发生变化，神经网络可以通过学习，建立企业信用的非线性函数关系，并且不需要改变网络的结构和算法。
综上所述，对于那些无法建立精确的动态判别函数模型的非线性商业银行信用风险评估，可以将神经网络理论应用于风险评估当中，撇开企业财务因素、非财务因素和企业信用状况复杂的非线性机理，建立起非线性风险映射近似的动态模型，使这个模型尽可能精确地反映风险映射关系非线性动态特征。通过该系统我们能够计算对各种输入的响应，预估商业银行信用风险状况及其发展趋势，进而能够使用各种信用工具对风险进行主动控制，促进商业银行的智能化风险管理系统的建设和发展完善。
3基于自适应共振理论的信用风险评估模型
一个公司财务状况的好坏往往是企业自身、投资者和债权人关注的焦点。因为一个营运良好、财务健康的公司可提高自身在市场上的信誉及扩展筹资渠道，以使投资者信心倍增。相反，一个陷入财务困境和濒临破产的企业不仅乏力吸引投资，还让原有投资者面临巨大的信用风险。
由上文的分析中我们知道，对企业财务指标的分析，传统的分类方法尽管有它的优点但本身也存在一些局限性。作为研究复杂系统的有力工具，神经网络能处理任意类型数据，这是许多传统方法无法比拟的。通过不断学习，能够从未知模式的大量复杂数据中发现其规律。神经网络方法克服了传统分析过程的复杂性及选择适当模型函数形式的困难，它是一种自然的非线性建模过程，毋需分清存在何种非线性关系，给建模与分析带来极大的方便。该方法用于企业财务状况研究时，一方面利用其映射能力，另一方面利用其泛化能力，即在经过一定数量的带有噪声的样本训练之后，网络可以抽取样本所隐含的特征关系，并对新情况下的数据进行内插和外推以推断其属性。
目前我国银行机构主要使用计算贷款风险度的方法进行信用风险评估——在对企业进行信用等级评定的基础上，考虑贷款方式、期限以及形式因素，进而确定贷款的风险度。其中作为核心的信用等级评定，是通过对企业的某些单一财务指标进行评价，而后加权平均确定的。该方法的最大缺陷在于指标和权重的确定带有很大的主观性，使得评级结果与企业的实际信用状况有很大出入，因此需要引入科学方法来确定有效指标，并建立准确的定量模型来解决信用评估问题。
针对这种形势，根据我国商业银行的具体情况，结合国际上目前较为流行人工神经网络技术，本文设计了一种基于自适应共振理论的信用风险评估方法。
3.1自适应共振理论（ART）介绍
自适应共振理论（Adaptive Resonance Theory）简称ART，是于1976年由美国Boston大学S. Grossberg提出来的。他多年来一直潜心于研究用数学来描述人的心理和认知活动，试图为人类的心理和认知活动建立统一的数学理论，ART就是这一理论核心部分，又经过了多年的研究和不断发展，至今已经提出了ART1、ART2和ART3共三种结构。ART网络作为模式分类器较好地解决了前面提到的稳定性和灵活性问题。使用ART网络及算法具有较大的灵活性以适应新输入的模式，同时能够避免对网络先前所学的学习模式修改。ART是一种能自组织的产生对环境认识编码的神经网络理论模型，由于横向抑制是自组织网络的特性，ART采用了MAXNET子网结构，该网络采用横向抑制方法增强并能选择具有最大值输出的一个节点。
ART模型的算法过程如下：
第一， 将一个新样本X置入节点；
第二，采用自下而上的过程，求得： ；
第三，运用MAXNET网络，找到具有最大输出值的节点；
第四， 通过自上而下的检验，判断X是否属于第j类，即如果有 ，则X属于第j类， 是警戒参数。如果上式不成立，转到第六步，否则继续。
第五， 对于特定的j和所有的i更新 和 ，设t+1时刻 ， ， ， 。
第六， 无法判断X是否属于第j类，抑制该节点返回到第二步，执行另一个聚类的处理过程。
本文所使用的神经网络模型就是ART2神经网络模型。ART2神经网络是为了能够分类任意次序模拟输入模式而设计的。它可以按任意精度对输入的模拟观察矢量进行分类。
3.2应用ART2神经网络进行信用风险评估的可行性分析
通过上文对ART2神经网络的介绍，笔者认为将ART2神经网络应用于信用风险评估具有统计方法和其他神经网络算法无法比拟的优势。首先，ART2神经网络较好地解决了稳定性和灵活性问题，它可以在接受新模式的同时对旧模式也同样保持记忆，而其它类型神经网络所记忆的样本个数有限，由此可见，ART2神经网络随着输入样本数的增加，它作为模式分类器分类的精度也越高，所覆盖的样本空间也越大。其次，ART2神经网络是边学习边运行的无监督学习，所以它不存在像BP算法那样需要进行几小时甚至更长时间的训练过程，也就是说ART2网络具有较高的运行效率和较快的学习速率，这一点对于解决像信用风险评估这样的复杂问题来说是相当具有优势的。再次，ART2神经网络与人脑的某些功能类似，能够完成识别、补充和撤销的任务。这三种功能在英文中称为Recognition，Reinforcement和Recall，可简称为3R功能。识别功能在上文已经介绍过，下面对补充、撤销功能做些简单介绍。补充功能包含有以下几方面的内容：（1）每当ART2系统对输入矢量的类别作一次判决即是给出矢量所属类别的输出端编号，根据此判决，系统可以采取一种“行动”或者作出某种“响应”。这和人总是根据对外界情况的判断来决定自己的行动相似。（2）人在识别时对于所有被识别的类并不是一视同仁的，识别过程受到由上向下预期模式的很强制约。这样就会使得人们在某些情况下只关心几种类别，而对其他类别则“不闻不见”，这种集中注意力的本领可以使人们在混乱的背景中发现目标。在客体发生某种变形或缺损或者有强噪声情况仍能对其正确分类。我国商业银行进行信用风险分析的起步较晚，有关的信息往往残缺不全，ART2网络的这种在混乱中集中注意力发现目标的功能更适合我国的现实数据情况。撤消功能的作用与补充功能相反，这是指某些不同的观察矢量在初步分类时被划分成不同的类别，但是通过系统（主体）与客体相互作用的结果，又应判定它们属于同一类。由此可见基于ART2网络的这些功能，应用ART2神经网络进行信用风险评估相当于人类专家进行信用风险评估的建模过程，而且ART2神经网络与人类专家相比进行的评估更客观、更有效、更精确。最后，ART2神经网络可通过调整警戒线参数 （门限值）来调整模式的类数， 小，模式的类别少（对分类要求粗）， 大，模式的类别多（对分类的要求精细），这一点是其他方法无法比拟的，我们可以通过调整 值对输入网络的财务数据进行传统的两级分类（即违约、非违约两类），也可以通过提高 值对输入网络的财务数据进行国际通用的五级分类（即正常、关注、次级、可疑，损失五类）。Altman、Marco和Varetto与意大利银行联合会合作在其经济和金融信息系统中首次进行了将神经网络应用于企业的经济和金融问题诊断的试验，试验的研究结果表明，将企业的财务状况分为正常、关注和次级三类比分为正常和问题两类困难得多，而ART2神经网络却可以通过 值的调整灵活地实现该功能。
综上所述，笔者选择算法复杂的ART2神经网络进行信用风险评估。并且设计了一个自适应共振网络，对信用风险分析进行了实证研究。
3.3基于ART2模型的信用风险分析的实证研究
下面以某国有商业银行提供的90多家企业客户为对象，应用自适应共振理论对这些企业客户的财务数据进行信用风险评估。对于输入到神经网络的财务比率的选择，参照国内财政部考核企业财务状况及国外用于信用风险评估所使用的一些经典财务比率指标，一共挑选出包括企业盈利能力、企业营运效率、企业偿债能力及企业现金流量状况等二十余个指标，考虑到指标间的相关性，利用SAS统计分析软件进行回归分析，得出以下几个比率：
经营现金流量/资产总额（流动性）
保留盈余/资产总额 （增长性）
息税前利润/资产总额 （赢利性）
资产总额/ 总负债 （偿债性）
销售收入/资产总额 （速动性）
某国有商业银行提供的样本数据有90多家企业的财务数据，数据质量不高，有些企业财务数据缺失严重，经过对样本数据的初步审查，删除了不合格的样本40多个，最终得到有效的样本为55个，其中能够偿还贷款的企业34个，不能偿还贷款的企业21个。
评估的准确程度用两类错误来度量，在统计学中，第一类错误称为“拒真”，第二类错误称为“纳伪”。在信用风险评估中把第一类错误定义为把不能偿还贷款的企业误判为能偿还贷款的企业的错误，第二类错误定义为把能够偿还贷款的企业误判为不能偿还贷款的企业的错误。显然，第一类错误比第二类错误严重得多，犯第二类错误至多是损失一笔利息收入，而犯第一类错误则会造成贷款不能收回，形成呆帐。
在应用自适应共振模型进行信用风险评估的同时，笔者也使用了统计方法和经典的BP神经网络模型对同样的样本数据进行了信用风险评估，以便比较验证自适应共振模型的评估准确性。
统计方法使用的是可变类平均法，可变类平均法是由Lance和 Williams(1967)发展的，计算距离的组合公式为:
Djm=(Djk+DjL)(1-b)/2+DkLb （1）
参数b介于0到-1之间，DkL——是类Ck与CL之间的距离或非相似测度。笔者使用SAS统计软件中提供的可变类平均法对样本数据进行了聚类分析。
BP神经网络的结构包括输入层5个节点，用来输入5个财务指标比率，输出层1个节点（取值为1表示能偿还贷款，取值为0表示不能偿还贷款），另外还有一个隐层，隐层包括5个隐节点。网络的有效性采用K组交叉检验的方法进行验证，也就是将样本分为K组，其中K－1组为训练数据，第K组为检验数据，这里将样本数据分为两组，第一组用于训练网络，包括11个违约的企业和16个非违约的企业，第二组作为检验数据，包括10个违约企业，18个非违约企业。该方法使用MATLAB语言编程实现。
ART2模型包括输入层为5个节点，用来输入5个财务指标比率，输出层3个节点，分别表示信用风险的三个级别（正常，关注，可疑），这里应用ART2模型将信用风险分为三个级别有如下几个原因：（1）将信用风险分为三个级别，比前面使用统计方法和BP模型方法将信用风险简单分成两类（违约、非违约）更容易把握风险的程度，更接近实际信用风险评估的需要，也更贴近于国际通用的五级分类标准。（2）通过ART2网络门限值参数的调整可以将信用风险分为国际通用的五级分类标准，这也正是ART2模型的优势所在，但是ART2网络是信用风险分析混合专家系统的组成部分，它的评估结果要作为输入，输入到专家系统中，以便信用风险评估专家系统进行定性及定量的综合评估，考虑到专家系统的规则的数量和知识库的规模对系统执行效率的影响，因此这里将信用风险分为三类。有关专家系统的详细说明，将在下一节讨论。下面给出ART2模型网络的参数设置：a＝10，b＝10，c＝0.1，d＝0.9， ＝0.2， 。由于ART2模型是无教师指导的网络，因此不用训练，直接输入数据，网络自动进行信用风险评估。其中评估的结果：正常、关注两类属于非违约企业，可疑为违约企业。该方法使用C语言编程实现。
下面给出三种方法的最后评估结果见表1
表1 训练样本和测试样本的误判
训练样本 测试样本
第一类错误 第二类错误 总误判 第一类错误 第二类错误 总误判
统计模型 8(38.01%) 9(26.5%) 17(30.9%)
BP模型 2(18.1%) 1(6.1%) 3(11.1%) 3(30.0%) 4(22.2%) 7(25.0%)
ART2模型 4(19.1%) 5(14.7%) 9(16.3%)
通过表1的比较结果可以看出对于统计方法和BP模型自适应共振模型的误判率是最低的，说明了该方法的有效性和可靠性。
另外需要说明的一点是，这里所使用的企业样本数据偏少，而且噪声过多，数据的质量不是很好，这样的数据作为初始数据输入网络对网络的评估的准确性有一定的影响，虽然ART2这种集中注意力可以在混乱的背景中发现目标的特性使得它的评估的准确性比其它两种方法要高，但是笔者相信如果初始输入网络的数据质量再提高一些，网络的误判率会更低。
参考文献：
[1] 张维，李玉霜，商业银行信用风险分析综述，《管理科学学报》[J]，1998年第3期，20－27。
[2] 朱明，杨保安，基于知识的银行贷款分类系统，CJCAI2001[C]，231－235。
[3] 黄娟，冯玉强，王洪伟，基于联接归纳推理的信贷风险评估集成智能系统，《计算机应用研究》[J]，1999年第9期，74－16。
[4] 王春峰，万海晖，张维，商业银行信用风险评估及其实证研究，《管理科学学报》[J]，1998年第1期，68－72。
[5]（美）约翰.B.考埃特，爱德华.I.爱特曼，保罗.纳拉亚南著，石晓军等译，《演进着的信用风险管理》[M]，机械工业出版社，2001。
[6] 李志辉，《现代信用风险量化度量和管理研究》[M]，中国金融出版社，2001年。
[7] R.R.Trippi and E.Turban, Neural networks in finance and investing[M], chicago: Irwin professional publishing，1996。
[8] Dick San-Cheong cheung, Kwok-Wa Lam and Sheung-Lun Hung, neural networks for credit scoring model, intrlligent data engineering and learning perspectives on financial engineering and data mining[M], published by Springer，1998，55－62。
关键词：煤炭企业；支持向量机；客户信用；风险评估
中图分类号：TP301 文献标识码：A文章编号：1007-9599 (2011) 12-0000-01
Support Vector Machine Technology Applied Research in the Coal Customer Credit Risk Assessment
Zhao Kai,Wang Wei
(Pingdingshan College,Pingdingshan467000,China)
Abstract:The support vector machine technology and its improvement,applied to the coal business customer credit risk assessment process for the smooth operation of the coal companies to provide decision support.
Keywords:Coal enterprises;Support vector machine;Customer credit;Risk assessment
一、煤炭客户风险评估等级指标体系
要对煤炭客户的信用情况进行定级评估，首先牵涉到的问题是用于分析定级的指标建立，在信用管理科学的发展过程中，不同时期，不同专家提出了不同的信用评价指标体系，其中影响最大的是“5C”：
（1）品格（Character）：着重分析客户是否有依照协议按期如数缴纳货款的意愿和行为，以往的货款缴纳纪录是否保持良好。
（2）能力（Capacity）：着重考察客户广泛运用其才能，使得其生产的产品具有盈利的能力。
（3）资本（Capital）：了解客户的自有资金是否雄厚，其中要注意的是，不仅要分析其资本净值，同时还要分析其负债数量。
（4）担保或抵押（Collateral）：考核客户在短期拖欠款项的情况下，能否提供担保，且担保品是否充足可靠。
（5）环境条件（Condition）：判断客户所处的环境和所属的行业前景是否有利于业务的经营。前者包括客户内部环境，如经营特点、经营方法、技术状况等，以及社会大环境，如劳资关系、政局变动、社会环境、商业周期、季节变动、一般经济状况、国民收入水平等；后者包括行业发展、同业竞争等。
鉴于此，本文在构建煤炭客户信用风险管理的指标体系时，考虑到信用数据的来源、企业信用管理人员资源等这些具体情况，以实用为原则，便于实际的操作。通过建立信息收集卡的方式，由企业指定的信息员完成“5C”中各子指标内容的相关表格。
二、支持向量机技术在煤炭客户信用风险预警中的研究
对于支持向量机来说，标准的支持向量机模型主要用来进行分类操作，但是信用风险的评估过程只要分成有风险与无风险显然是无法满足需求的，需要进一步的结果才能更好的利用结果进行决策分析。而在标准的支持向量机模型表达式 中，可以看到决策函数只用到了划分超平面函数的符号信息。记分类函数 ，如果 是正的，则 是正类，如果 是负的，则 是负类。但 与决策函数相比较，除了包含符号信息，还包含了数值信息。如果两个样本 和 的分类函数 和 都是正的，并且有 大于 ，则 被分错的概率小于 被分错的概率，因为 的绝对值比较小，比较接近负数， 是负类的概率就比较大。可以推测， 的绝对值越接近0， 属于负类的概率越大。
由上可知， 的值有一定的数值意义。对风险评估而言，一般来说 值越大越有可能是正类，即欠费的可能性越小；反之， 越小越有可能是负类，即欠费的可能性越大。
设支持向量机模型中最终 得到的结果r1是（负无穷，正无穷）之间，因需要把结果转为概率[O，lOO]之间，令 ，并把r2转换到[O，100]之间。
过程如下：
r2=1/（2^（-r1+10000000））；
if（r2>1）
r=100；
else
r=l00*r2；
r即为最后的风险概率。
三、煤炭客户信用风险预警的流程
具体步骤：
（1）使用企业客户风险预警模型的5C指标体系。
（2）根据已经设计出的指标进行数据的采集。
（3）把采集到的数据用Hot Deck算法进行数据值填补。
（4）计算所有指标的信息增益值，根据其值从大到校进行指标排序，选出最终建模的指标。
（5）将数据进行加权，并分成训练集和测试集两部分。
（6）使用前文所使用的SVM模型，用训练集进行模型的训练，再用测试集进行模型的测试，得到最终的结果。
其中，实验数据采集后运用Hot deck算法进行数据填充，具体步骤如下：
（1）用属于同一类别的样本组成簇，对于m类问题，则一共有m簇；
（2）用簇内所有样本（包括完整样本和有缺失样本）为每一簇的每个属性确定一个填补值：如果属性a是连续属性，则用簇内所有在属性a非空的样本的平均值作为该簇属性a的填补值，如果属性a是离散属性，则用簇内所有在属性a非空的样本的众数作为该簇属性a的填补值，m类n维问题最多有 个填补值；
（3）用步骤2确定的填补值填补相应的样本缺失属性。
通过上述实现过程，我们就可以建立支持向量机的风险评估模型了，除了根据模型找出高风险用户外，我们还可以用映射的方法把简单的高、低风险用户的评价转化为对每个用户评估中一个1～100的风险值（1表示出现风险的可能性大概是1％，也就是不太可能欠费；100表示出现风险的可能性基本是100％，也就是必然会欠费了）。
四、结束语
鉴于煤炭企业的客户风险管理问题的研究现状，本文从分析煤炭企业风险环境，对客户信用风险进行了相对系统和全面的风险识别，并初步确定了相关的风险指标体系，给煤炭企业全面认识客户风险提供了研究基础。在风险识别的基础上，本文建立了基于支持向量机的客户风险评估模型，对客户信用风险的分析及预测做出了一定的研究工作。
参考文献：
[1]方邦鉴.打造诚信单位:信用制度建设与信用管理实务[M].中国经济出版社,2004,1:115
关键词 信用风险 评估管理方法 措施
中图分类号：F230.9 文献标识码：A
随着我国经济结构的调整以及银行业竞争格局的变化，发展中小企业金融业务已经成业银行增强核心竞争能力、实现战略性发展的必然选择。然而，目前我国整体信用环境欠佳，中小客户违约比率偏高，信用风险相对较大。因此， 为了确保中小企业客户业务健康、快速发展，同时也为了自身整体的经营效益的最大化及未来长远的发展，商业银行借助于科学合理的信用风险评估管理方法以提高对中小企业授信风险识别能力就犹显必要了。
目前中国商业银行在对中小企业信用风险评估及管理方面所存在的不足又有那些呢？
首先分析第一个问题：从优势方面来看，中小企业的适应性很强，其生产规模和市场容量相对较小，市场退出成本也较低；创新能力强；发展方向相对灵活，企业易根据市场的需求关系即使调整经营方向和组织结构。从劣势方面看，中小企业占有的资源有限，竞争力较弱；生命周期短，资金短缺；管理欠规范，中小企业管理体制落后，组织架构缺乏科学性，后备人才不足更强化了中小企业在竞争中的弱势地位；道德失范严重，中小企业缺乏长远发展战略，企业追逐短期利益，投机性为，欺骗性为频繁发生，信用程度较低导致发展成恶性循环趋势。
1商业银行在对中小企业信用风险评估管理方面存在的问题
1.1对中小企业评级标准不规范
目前，我国的大部分国有商业银行仍沿用对国有大中型企业的贷款管理办法来管理中小企业贷款。企业信用等级是银行对借款人信用高低的估计，是银行贷款风险管理的重要基础工作。各商业银行为了做好贷款的管理工作都相继建立了企业信用等级评估制度。但从我国现有各银行实施的企业信用等级评定制度来看，存在着标准过于偏好大企业的现象。在处理中小企业贷款时，仍借用针对大企业形成的客户评级标准，事实上构成了对中小企业的信用歧视。中小企业的信用标准不能反映中小企业的实际情况。
1.2评估门槛规定过高，对象范围限定过严
具体表现在：信贷品种过于单一，虽然我国的《贷款通则》规定贷款种类分为信用贷款、担保贷款和票据贴现三类。然而，金融机构普遍只对担保贷款（包括抵押贷款和保证贷款）感兴趣，而忽视了其它的贷款方式。银行信贷政策不合理加剧中小企业融资难。信贷管理缺乏弹性，调控存在“一刀切”现象。各行普遍对钢铁、水泥等国家重点关注行业停止发放贷款。对一些生产经营稳定、管理规范、实力强的中小型房地产企业、水泥厂，害怕出现政策风险，未能满足企业的融资需求，而且压缩、回收存量贷款。
1.3法律、法规建设滞后，加剧了银行对中小企业的“恐贷”心理
目前对支持中小企业发展的意见大多数是宏观指导性的意见，加之一些人为因素，一些地方默许甚至纵容企业逃废银行债务，法院对银行债权的保护能力低，银行在维护金融债权的过程中“赢了官司输了钱”的现象也多次发生，加剧了银行“恐贷”心理。同时银行也很少主动为中小企业服务。
1.4管理权限过分上收，不利于基层放贷积极性的发挥
严格的授权、授信管理制度，客观上削弱了基层商业银行对中小企业信贷支持的能力。上收地市级以下的固定资产及技改贷款的审批权限，地方中小企业项目投资的难度明显加大；贷款审批权限过分集中于上级行，不但影响基层行贷款发放的能动性，而且因审批手续、环节过多，会影响中小企业取得贷款的时效性；贷款审批权限集中，还会造成有贷款发放权的总分行不了解实际情况，而了解实际情况基层行却无贷款发放权的不利局面，不利于基层存量信贷风险的及时化解和增量金融风险的有效防范。
2商业银行在中小企业信用风险评估管理方面应采用的措施
2.1构建有效的信用风险评估模型
应努力提高中小企业信贷风险管理中的数据真实度与准确性，构建能适应我国实际情况的中小企业授信风险评估工具模型，以此来客观准确地评估授信风险。同时坚持“不以企业规模大小作为贷款条件、不以企业所有制决定贷款取舍、对各类企业（包括中小企业）讲究贷款风险大小，效益高低和诚信程度，坚持注重贷款风险的控制”信用评估的基本原则，本着实事求是的精神制定符合中小企业发展现状的贷款管理政策，合理确定信用评级标准，用发展的眼光，真实评定中小企业信用等级。
2.2拓展贷款服务创新品种
结合目前业务开展实际情况，进一步拓展贷款服务创新品种。一是存贷积数挂钩贷款，存贷积数挂钩贷款在南方地方性中小金融机构中大量应用，事实证明风险小，特别适应小型企业贷款急、小、频特点。二是开展生产用设备按揭贷款，此举可以促进生产型设备销售的增长，解决资金不足的矛盾，为新置和更新设备的小型企业扩大生产规模提升产品档次和竞争力提供一条新的融资渠道。三是推出流动资金整贷零偿贷款、自然人担保贷款、自然人委托贷款等新业务品种，同时将许多业务品种的适用范围扩大到中小企业。除积极增加信贷投入外，还通过开展票据贴现、保函、保理等业务，扩大中小企业的融资渠道，缓解中小企业资金紧张状况。
【关键词】支持向量机；信用风险；ν-SVR；BP神经网络；贷款违约
1.引言
信用风险自古有之，是整个金融界所一直关注的热点问题之一。随着经济一体化和金融全球化步伐的加快，商业银行正处在一个更加复杂的金融环境当中。在这样的背景下，商业银行的风险逐渐由单一化演变为多元化，其经营管理中所面临的风险也必然随之增加。这些风险可以归结为信用风险、操作风险、市场风险等。这其中，最为重要的风险就是信用风险。广义的信用风险主要包括信贷风险和流动性风险等。信贷风险是指银行承担借款方可能违约而导致贷款无法收回的风险；而流动性风险是指银行自有资金不足，从而可能无法满足其存款人或其他债权人的资金索取而导致违约的风险，属于银行自身的信用风险。
基于《新巴塞尔资本协议》中提出的对资本充足率的要求，监管机构对于银行自身信用风险的控制进一步得到强化，银行管理者对于信用风险的防范意识也在逐步增强。改革开放以来，我国商业银行信用风险的内部监管制度正逐步建立。然而，由于金融体系建立较晚，我国金融市场的完善程度相对于发达国家来说仍处于落后地位。
目前，国家加快了发展市场经济的步伐，随着总理在2011年4月份的国务院常务会议中提出深化金融体制改革以来，打破国有商业银行垄断、推进利率市场化已经摆上了历史日程。利率市场化将逐步打破我国商业银行在融资体系中的垄断地位，使得商业银行将面临更大的竞争压力，承受更多的信用风险。
因此，鉴于日益突出的商业银行自身信用风险问题，建立一套有效合理的信用风险评价模型，对其进行科学评估已经成为信用风险管理的核心。然而，目前我国商业银行信用风险管理现状却令人担忧，表现在信用风险管理体系不健全、信用风险评估模型方法落后等。这就迫切需要为我国商业银行信用风险分析研究提供思路，构建一套符合我国商业银行客观需要的信用风险评估指标体系，建立可以准确衡量信用风险的模型，以用来填补我国商业银行在信用风险管理上的不足。
目前，国际上最具影响力的信用风险模型主要有KMV公司的KMV模型、J.P摩根公司的Credit Metrics模型以及麦肯锡公司的Credit Portfolio View模型。这些模型在国外的商业银行中已经得到了广泛应用，并且取得了较好的风险预测效果。然而，由于我国上市商业银行样本数量偏少以及反映信用状况的相关有效数据缺失等原因，导致这些模型无法在我国商业银行信用风险评估领域得到有效的应用[1]。
因此，针对我国上市商业银行信用风险的以上特点，本文将尝试引入支持向量机这种小样本学习算法，通过对银行关键信贷财务指标的研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。模型以银行总体的贷款违约率作为评估商业银行信用风险状况的指标，采用支持向量回归机中较为前沿的分支模型 ，对样本数据进行训练，并与经典支持向量回归机模型和BP神经网络模型进行对比，研究各个模型在风险预测分析方面的表现。同时，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。
2.研究内容及研究方法
2.1 研究内容
以商业银行信贷风险度量及管理的基本理论为基础[2]，本文将尝试引入统计学习理论中的支持向量机模型，通过对银行关键信贷财务指标进行研究，以期建立一套可以对我国商业银行自身信用风险状况进行评估的模型。同时，本文将对支持向量机不同的分支模型和其他的系统学习算法进行对比，检验不同模型在风险评估中的准确性以及对风险的可预测性，以此研究各个模型在风险预测分析方面的表现。得出在风险评估预测方面最优模型之后，本文利用训练效果最好的模型，对我国商业银行未来的贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。最后根据分析结果对银行的信用风险管理提出意见和建议，以期对我国商业银行风险管理提供参考。
2.2 研究方法
结合《新巴塞尔协议》的内容和目前我国上市商业银行的经营状况，本文将对我国商业银行的信用风险成因进行分析，选取与银行自身信用风险状况密切相关的关键信贷财务指标，以银行整体的贷款违约率作为衡量信用风险的依据，构建一个可以用来分析信用风险的财务指标体系。采用正向化处理和主成分分析的方法对原始财务数据进行线性降维和特征提取的预处理，并将当年的财务数据与第二年的贷款违约率进行对应匹配的处理，以此作为模型的训练样本。
在对银行财务数据进行预处理的基础上，本文引入支持向量回归机中较为前沿的分支模型、经典支持向量回归机模型 以及同来源于学习算法的BP神经网络模型对样本数据进行训练。同时，将三种模型分别采用遍历搜索的方法进行优化训练：对模型选取一个比较适用的Kernel核函数以及参数、和核函数中的参数；对于模型，选取一个比较适用的Kernel核函数以及参数、和核函数中的参数；而对于BP神经网络模型，选取输入层到隐含层以及隐含层到输出层的节点转移函数，并且挑选出适合的训练函数和网络学习函数，再用计算机筛选出最佳的隐含层节点的个数。
确定最优参数以及模型结构以后，本文采用已经分别最优化的三种训练模型，将样本输入到模型中进行训练，并对各个模型的训练和预测效果进行对比分析，选取出其中训练和预测精度最高的一种模型，以此来构建适合我国商业银行自身信用风险评估的度量模型。
本文最后将采用构建出的商业银行自身信用风险度量模型，结合所有中国上市商业银行近期的财务数据，对其衡量信用风险的未来贷款违约率进行预测，以此作为评估其信用风险大小的标准，对所有银行的风险进行排序。
本文的模型在训练过程中采用计算机仿真的技术，主要运用Matlab、SPSS和EXCEL等建模和统计软件对数据进行分析处理和训练。
网络学习过程包括信息正向的传播和误差的反向传播两个步骤，其模型结构如图1所示：
图1 BP神经网络结构图
由图1所得，在信息正向的传播过程中，样本从输入层输入，经过隐含层，经过连接权值和阀值的作用得到输出值，并与期望输出值进行比较。若有误差，则误差沿着原路反向传播，通过逐层修改权值和阀值。如此循环，直到输出结果符合精度要求为止。
除了激发函数、训练函数和学习规则外，BP神经网络的训练过程还需要设定隐含层神经元个数、学习度和最大训练迭代次数三个参数。其中，隐含层神经元个数可以凭经验决定，个数过少将影响网络的学习能力，而过多的神经元个数将大幅增加网络学习的时间；而参数学习度越小，将导致训练次数越多，但学习率过大，将影响网络结构的稳定性；最后，最大训练迭代次数由前两者共同决定，三者共同影响网络学习的效率。为了将BP神经网络达到最优的训练效果，本文在实证研究中对各个参数进行遍历搜索，以期筛选出可以互相配合、使得模型达到具有最佳训练效率的一组参数。
3.实证分析
本部分引入支持向量机和BP神经网络，建立商业银行自身信用风险评估指标体系，以我国上市商业银行的数据为样本进行训练，筛选出最优风险预测评估模型。
如表1所示，本文对商业银行的13个关键信贷财务指标提取出6个主成分，分别为盈利能力、经营能力、资本结构、流动性、资本充足性和安全性。其中，表格右侧一栏表示每个财务指标对于商业银行信用风险的作用方向，“+”代表减少信用风险的指标，“-”代表增加信用风险的指标。
上文通过将样本分别输入模型、模型以及BP神经网络（BPN）模型进行训练，并分别对模型进行了优化设计。根据以上得出的三种最优化的训练模型，再分别输入我国商业银行2007年、2008年和2009年三年的财务数据，模拟计算出2008年、2009年和2010年的贷款违约率，并与各银行当年实际的贷款违约率进行比较，以此分析模型对训练样本的检测结果。模型对商业银行2008年的贷款违约率的检测效果如表2和图2所示：
分析表3至表4三年贷款违约率的检验效果，可以得出模型的训练效果优于模型和BP神经网络模型，即模型每年对贷款违约率的拟合效果较好，检测精度较高。为了进一步验证本文的结论，选取商业银行实际贷款违约率和检验值之间的相关系数和均方误差（Mean Squared Errors，MSE）对三个模型的检测效果进行综合评判，结果如表5所示：
表5 模型检验效果的评判结果
从表5可以看出，模型的训练效果无论在相关系数和均方误差MSE的检验上均优于另外两种模型。因此，可以得出模型在商业银行信用风险的训练中具有最优的检验效果。
除了对模型的样本检验效果分析外，本文再对最优化后的模型进行预测效果的评价。具体地，输入2010年的财务指标，预测出2011年各商业银行的贷款违约率，并与实际的贷款违约率进行比较，以此判断模型的预测效果，结果如表6所示：
从上表7可以看出，模型的预测效果无论在相关系数和均方误差MSE的检验上均优于另外两种模型，并且预测出的贷款违约率与实际的贷款违约率之间的相关系数超过了0.95，具有比较精确的预测能力。因此，在对商业银行信用风险评估中，模型具有更高的评测精度和较小的预测误差，是一种更为科学合理的评估方法，可以为商业银行的信用风险管理提供新的参考。
4.结论
支持向量机是一种基于小样本学习理论的通用学习算法，具有严格的理论基础，能较好地解决小样本、非线性、高维数和局部极小点等实际问题。经过多年的发展，支持向量机已经衍生出多种改良形式和优化模型。其中，模型是一类具有较高预测精度的支持向量回归机，在多个领域已经得到了广泛的应用，取得了较好的预测效果。
针对于目前我国商业银行信用风险管理体系的不足以及国内上市商业银行的样本数量偏少的情况，本文引入了模型来评估商业银行自身的信用风险。利用主成分分析建立商业银行信用风险评估指标体系，并构建基于模型的商业银行信用风险评估模型。通过与模型和BP神经网络模型训练效果的比较，发现模型在商业银行信用风险的训练和预测中都具有更高的精度。
本文最后根据优化训练完毕的模型对我国所有上市商业银行未来的信用风险进行了预测，得到了我国商业银行整体信用风险可能上升，并且国有银行和股份制商业银行都将面临更大信用风险的结论。因此，根据以上的分析，模型为商业银行的信用风险管理提供了更为有力的辅助工具，可以推广到更多金融领域的风险评估当中。
尽管本文从模型的优化设计、训练样本的匹配选取以及银行自身信用风险的度量角度三个方面对我国商业银行信用风险的评估研究做了一些开创性的工作，取得一定的研究成果，但还存在需要进一步完善和深入研究的问题，这些问题主要是：
（1）本文所引入的模型的算法可以与交叉验证和选块、分解等方法配合使用，改进模型中对于参数优化设计的步骤和思想，以此可以改良原有模型的算法，进一步提高模型对商业银行信用风险的预测精度；
（2）对于建立起的商业银行信用风险评估指标体系，应该结合我国商业银行实际面临的信用风险结构以及资产配置状况进行调整，并且可以根据不同类型的银行分别采用不同的信用风险评估指标体系，以此针对不同银行构建起更加合理的信用风险评估模型。
参考文献：
[1]曹道胜，何明升.商业银行信用风险模型的比较及其借鉴[J].金融研究，2006（10）：90-97.
[2]Cortes C，Vapnik V N.Support-Vector Networks[J].Machine Learning，1995，20（3）：273-297.
[3]Vapnik V N，Lerner A.Pattern Recognition Using Generalized Portrait Method[J].Automation and Remote Control，1963，24：774-780.
[4]Drucker H，Burges C J C，Kaufman L，Smola A，Vapnik V.Support vector regression machines[J].Electronic Engineering，1997，1（6）：155-161.
[5]Sch?lkopf B，Williamson R C，Bartlett P L.New support vector algorithms[J].Neural Computation，2000，12（5）：1207-1245.
[6]Sch?lkopf B，Smola A J.Learning with kernels：support vector machines，regularization，optimization，and beyond[M].Cambridge：MIT Press，2002.
[7]Wang Defeng，Yeung D S，Tsang E C.Weighted Mahalanobis Distance Kernels for Support Vector Machines[J].IEEE Trans on Neural Networks，2007，18（5）：1453-1462.
[8]Tay F E H，Cao L.Application of Support Vector Machines in Financial Time Series Forecasting[J].Omega，2001，29（4）：309-317.
[9]Vapnik V N.统计学习理论的本质[M].张学工译.北京：清华大学出版社，2000.
[10]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000，26（1）：32-42.
[11]邓乃扬，田英杰.支持向量机——理论、算法与拓展[M].北京：科学出版社，2009.
[12]顾亚祥，丁世飞.支持向量机研究进展[J].自动化学报，2011，38（2）：14-17.
[13]刘建伟，李双成，罗雄麟.P范数正则化支持向量机分类算法[J].自动化学报，2012，38（1）：
76-87.
[14]李倩，郑丕谔.基于支持向量机的企业现金流量评级[J].内蒙古农业大学学报（社会科学版），2007，9（6）：86-87，93.
[15]吴冲，夏晗.基于支持向量机集成的电子商务环境下客户信用评估模型研究[J].中国管理科学，2008，16（S1）：362-367.
[16]李翀，夏鹏.后验概率支持向量机在企业信用评级[J].计算机仿真，2008，25（5）：256-258.
[17]余晨曦，梁潇.基于支持向量机的商业银行信用风险度量模型[J].计算机与数字工程，2008，36（11）：10-14.
[18]孙彬，李铁克.基于v-SVR的金融股指预测及选时策略研究[J].统计与决策，2010，38（3）：
45-48.
[19]胡海青，黄铎，武晟.基于SVM的股份制商业银行利益相关者对资本配置绩效影响的仿真研究[J].管理工程学报，2010，24（4）：148-154.
[20]约翰·赫尔.风险管理与金融机构[M].北京：机械工业出版社，2010，2.
[21]Shawe-Taylor J，Cristianini N.Kernel Methods for Pattern Analysis[M].New York：Cambridge University Press，2004.
关键词：商业银行 信用风险 影响因素 管理优化
一、中国商业银行信用风险的现状
从目前我国商业银行的收入结构上看，存贷利差仍然是商业银行的主要收入来源。根据银监会的统计显示，2009年商业银行的利润结构中，利息收入占到了61.22%。因此，信贷风险可以称得上是我国商业银行信用风险的主要形式。虽然我国主要商业银行的不良贷款率在不断下降，但是国有商业银行的不良贷款余额的绝对数额仍然较高。目前我国银行体系内仍然有5 000亿美元的不良资产，这些不良资产成为我国金融体制改革的障碍，同时也成为国际金融投资者们的目标，他们都希望通过收购这笔巨额不良资产来迅速扩大在中国的资本。目前国有商业银行对这些不良贷款的处置主要依靠行政手段，而不是通过加强信贷风险管理，完善风险管理体制来实现的，而且不良贷款率仍然比国际银行业要高出不少。随着中国加入 WTO，《新巴塞尔资本协议》的正式以及对外开放的不断深入，金融全球化进程也在不断加快，商业银行不仅要面对国内各同行业之间的激烈竞争，还要面对国外其他大型银行的挑战，在这两种内外形势的共同影响之下，中国商业银行对金融风险管理所提出的要求必然会更高。而信用风险作为商业银行最主要的风险形式，更加需要在理念、技术、制度等方面进行积极的改进与完善。
二、商业银行信用风险影响因素分析
为了彻底有效地解决当前我国商业银行信用风险管理中存在的问题，对信用风险形成原因的分析就必不可少。能够影响商业银行信用风险的因素有很多，本章从银行外部因素来分析，归结为以下几个方面：
2.1经济体制因素
我国商业银行是从计划经济体制中走出来的。在计划经济下，银行没有放贷的自，只能按照国家计划指令发放贷款，由于有国家信用的担保，即使出现坏账也不会影响银行的正常经营，因此银行改善信用风险管理的动力不强。虽然目前已经转制，但政府干预的影响仍然存在，银行仍然要承担国有企业改革重任，对濒临破产的国有企业进行救助，导致银行面临潜在的风险。
2.2市场环境因素
目前我国的金融市场和证券市场都不完善，商业银行是企业获取贷款资金的主要途径。同时我国居民储蓄率偏高，银行资本远远大于证券市场，使得信贷风险过于集中，为信用风险的分散与化解带来了困难。与此同时，为了抢占市场，争取更多的客户资源，不少商业银行主动降低信贷审批标准，忽略了对信用风险的控制与管理，加大了银行信用风险的发生。
2.3法律法规因素
银行在企业违约之后，能够运用法律手段实现债务的清收，是降低损失的最后一道屏障。但是，从目前我国法律制度建设来看，保护债权人的法律法规并不健全，破坏信用关系的一方有时得不到应有的惩罚。而且法律执行生效的能力也存在很大问题，造成债务人拒不执行法院裁决，无法保障债权人利益。在这种情况下，企业缺乏相应约束，不可避免的给银行增加了信用风险。
2.4外部监管因素
我国的银行监管部门一直侧重于对商业银行经营合规性的监督管理，而对于风险管理的监督控制并不够。监管当局主要还是以事后监管为主，缺乏主动性和超前性，对商业银行的资产负债风险、信贷资产质量、资本充足率、管理水平和内部控制等情况不能迅速作出反应。而且目前监管部门的监管仍然停留在传统的金融业务上，对以金融创新为主的银行表外业务的监管力度薄弱，从而导致银行业整体风险状况形成不容乐观的局面。
三、商业银行信用风险评估存在的问题
前面一章提到了影响银行信用风险评估存在的外部因素，而就银行自身而言，目前我国商业银行在具体的信用风险评估过程中，也存在不少问题。其中主要可以概括为以下几点：
3.1风险评估的量化工具落后
随着科技的不断发展进步，风险评估的量化管理模式也在不断的进行创新，目前西方发达国家普遍将风险管理进行定量分析。而我国的量化管理却相对落后，主要停留在资产负债管理和头寸匹配管理的水平，在具体操作上还停留在依靠客户经理的个人能力阶段。这就会由于个人的能力差异，操作失误等一系列原因，给银行带来信用风险。这一现象的主要原因在于我国利率和汇率制度没有完全市场化，量化管理的基础没有得到有效地建立，而且信用风险量化管理的知识技能也没有在国内很好的研究与推广，相应的量化工具与模型还很缺乏。
3.2不能适应新巴塞尔资本协议的要求
伴随着新资本协议的不断完善，信用风险的量化管理也有新的要求。新资本协议中的内部评级法提出了模型化计量信用风险的要求，鼓励有条件的银行建立模型计量信用风险，提高资本对信用风险的敏感性。而我国银行普遍采用的信用风险贷款度量分析方法本质上还是一种定性分析方法。其只考虑了债务人基本的财务状况，给出一个表示风险情况的数值区间，而没有考虑到债务人的违约概率、违约损失率、风险暴露等因素，因此无法量化信用风险的大小，也无法进行量化管理的模型化创建。
关键词：层次分析法；信用风险；评估模型
1.引言
近年来随着我国经济的高速发展，中小企业在促进国民经济增长、提供就业岗位、推动技术创新、保持社会稳定等方面发挥着越来越重要的作用。由于中小企业自有资金少、知名度不高，所以依靠内部融资以及通过资本市场直接发行债券股票融资都比较困难，所以中小企业更加依赖以商业银行贷款融资为主的间接融资手段，以商业银行为中介的间接融资是目前小企业资金配置的主要形式。中小企业与大企业相比，中小企业具有信息透明度差，经营稳定性差等缺点，对中小企业提供信贷支持时，商业银行很难对其信用风险进行评断。所以结合中小企业的实际情况，建立起一套中小企业贷款的信用评价模型，这对于商业银行有效地控制中小企业贷款风险非常有重要的。
我国对信用风险度量、管理的研究始于上个世纪80年代末期，目前对信用风险度量、管理的系统研究主要集中在对企业信用风险的分析和预测研究。最早根据财务会计数据提出单变量分析企业破产风险预测的是Beaver[1]，Altman[2]将其延伸至多变量，即著名的Z评分模型，这些分析均采用最小二乘法进行估计。此外，还有几种常见的用于信用风险分析的统计方法：k-邻近法、主成分分析法、聚类分析法、分类树法等[3]。进入20世纪90年代，神经网络引入了银行业，用于信用风险识别和预测[4]。但是这些方法主要是针对大型企业而建立的，并不完全适合于中小企业。
本文首先分析中小企业的特点，建立适合中小企业的信用风险指标体系，然后将层次分析法与信用风险分析和预测相结合，提出了一种基于层次分析法的综合评价模型，结合企业实际数据对模型的有效性和准确性进行了验证。
2.中小企业风险评价指标体系
中小企业与大企业不同，既具有信息透明度差，经营稳定性差等缺点，又具有经营灵活、创新能力强、发展成长力强以及国家政策扶持等优势。故而在设置其指标体系时应考虑到其所具有的创新性、成长性、发展性等特点。
结合中小企业的特定，借鉴已有的国内外金融机构和评级公司的企业信用评级模型，在已有的国内外文献研究成果的基础之上，笔者认为在构建适用于中小企的信用评级指标体系时，应在分析企业的运营能力、盈利能力、偿债能力等财务因素的同时，要结合企业所处的外部宏观环境条件和行业发展状况来说明企业
的偿债能力。此外，在分析偿债能力的同时，还应该考察企业的偿债意愿。只有在分析了企业偿债能力的同时，考察企业的偿债意愿，才能比较客观地掌握企业的信用情况，最终在评定时才能得出较为科学的结果。在此，笔者根据现有的研究成果和实际情况，构建中小企业信用评级指标体系，并将评级的指标分为财务指标和非财务指标两大类。
1）财务指标
定量指标主要根据企业的财务数据来确定，不同的财务指标从不同的方面反映企业的财务、经营和盈利状况。那么，到底应使用哪些财务指标来反映企业的偿债能力呢？由于财务指标数量很多，所以必须借鉴现有的指标体系和研究成果。在选择定量指标的同时，需要考虑哪些指标最能说明企业的偿债能力，同时在指标的选择上，需要剔除相关性系数较大的指标，因为指标之间的相关性会导致评级因素的重复计算，降低评级结果的有效性。我国很多学者在这方面做了相关的研究。综上，基于国内外的研究成果，经过专家访谈和理性分析，本文拟从以下几个方面构建财务指标体系，偿债能力、盈利能力、营运能力、发展能力。
2）非财务指标
衡量企业的信用等级，不仅要根据财务指标来分析和考察企业的偿债能力，同时还要分析企业所处的宏观环境、企业的基本素质、企业的基本信用等非财务因素对企业信用等级评价的影响。综合考虑非财务指标与财务指标，比仅仅以财务指标为变量更能够准确的预测企业的违约概率；张培[5]通过实证研究探讨了非财务指标对商业银行内部评级有效性的影响，得出行业特征、宏观环境、公司管理等非财务指标的介入使得评级模型根据有效性，建议商业银行在建立企业信用评级体系时应加强非财务指标的重视；梁晓佩[6]指出，非财务指标的科学引入是增强评级模型预测能力的必然要求，因为它能够更好地预测企业未来发展趋势，能够从整体上评价企业的业绩。鉴于非财务指标对企业信用等级评价的重要性，在前人研究的基础之上，通过文献整理和专家访谈，建立以下非财务指标因素体系，外部宏观环境，企业基本素质，履约情况。
综上所述，可建立如图1所示的虚拟企业风险分析指标体系，在这个基础上引入基于期望值的模糊多属性决策法来解决虚拟企业的风险评价问题。
如上表所示，本文所构建的中小企业信用评级指标体系包含2个层次：一级准则层包含‘‘财务指标”和“非财务因素指标”；二级准则层有包含7个方面的指标，即“财务指标”下的偿债能力、盈利能力、营运能力、发展能力指标，“非财务因素指标”下的外部宏观环境、企业基本素质、履约状况三项指标。
3.运用层次分析法评价企业信用风险
3.1 层次分析法原理[7]
层次分析法（简称AHP）是美国运筹学家T.L.Saaty教授于20世纪70年代初期提出的一种简便、灵活而又实用的多准则决策方法。人们在进行社会的、经济的以及科学管理领域问题的系统分析中，面临的常常是一个由相互关联、相互制约的众多因素构成的复杂而往往缺少定量数据的系统。层次分析法就是针对这种复杂问题进行条理化、层次化，依据其本身的属性和相互关系构造出若干层次。
大体分为四个步骤：（1）建立问题的递阶层次结构模型；（2）构造各层次的两两比较判断矩阵；（3）由各层判断矩阵计算出被比较元素的相对权重，并进行一致性检验；（4）计算出总元素组合的权重，并对总体进行一致性检验。
3.1层次分析法在企业信用风险评估中的应用
对于各项指标的权重，可以由层次分析法计算得出。设有s位专家对评价指标的重要性进行排序，设每位专家的重要程度相等，得出判断矩阵，计算每层每个指标的指标权重。在实践中，有很多位专家对指标集进行独立排序，可能每位专家的排序都各不相同，这时，就要在层次分析法的基础上采用加权平均的方法来确定指标权重。
1.准则层次判断矩阵Bij权重的确定和一致性检验。
相对于企业信用风险评估指标体系来说，判断矩阵中的元素是由财务因素和非财务因素相对重要性的比较来确定，如下（见表1）
由于CR
财务指标是由偿债能力、盈利能力、营运能力、发展能力指标的相对重要性来比较确定的，非财务因素指标是由外部宏观环境、企业基本素质、履约状况的相对重要性来比较确定的，指标层判断矩阵权重的确定如下（见表2-3）。
由于CR
从权重数可以看出影响企业信用风险的指标主要是财务因素，在非财务因素中政策因素影响力最大。
实际应用中，可以写出方案层的判断矩阵，根据以上计算结果的权重，计算出每个方案的综合评价值对方案进行排序。（作者单位：宜宾学院数学学院；四川大学商学院）
基金项目：四川大学系统科学与企业发展研究中心一般项目（Xq14C05）
参考文献：
[1]William H.Beaver.Financial Ratios As Predictors of Failure.Journal of Accounting Research，1966，4
[2]Edward I.Altman.Financial Ratios，Discriminant Analysis and the Prediction of Corporate Bankruptcy.The Journal of Finance，1968，23
[3]张晓莉，刘大为.一种基于遗传算法的企业信用风险分析方法.经营谋，2012，8.
[4]郭文伟，陈泽鹏，钟明.基于MLP神经网络构建小企业信用风险预警模型.财会月刊，2013，3.
[5]张培.非财务指标对商业银行企业信用评级的影响研究――以上市公司为例.2009，2.
（一）数据选取与处理
1．指标的选取
本文选取8个财务指标进行建模。考虑到资产负债率和速动比率为适度指标，在选入之前，本文将其进行正向化处理，即用其绝对值的倒数表示其值。于是记X1为资产负债率（正向化后），X2为速动比率（正向化后），X3为债务总额，X4为净资产收益率，X5为主营业务利润率，X6为总资产周转率,X7为流动资产周转率，X8为主营业务收入同比增长率。
2．应变量的选取
由于我国的企业信贷违约数据一般仅供各个商业银行内部使用，获取的难度很大，本文采用传统的分析方法定义企业的违约情况，即将ST股（上市公司因财务状况异常而被“特殊处理”）视为违约的借款企业，将非ST股视为非违约的借款企业。这两类企业分别用0、1两个虚拟变量来表示，其中，0表示违约企业，1表示非违约企业。
3．样本的选取
为了有效地去除宏观经济因素和行业因素的影响，使评级结果更准确稳定，本研究的样本全部来自WIND数据库上市公司2006年制造业企业的财务数据及该行业2007年ST和非ST的公布结果。用μ±3σ的原则剔除了异常值后，本文一共采用了147家上市公司的数据，其中ST公司49家，非ST公司98家。然后，将样本随机分成两组，第一组120家作为训练样本，其中ST公司40家，非ST公司80家。第二组27家作为检验样本，其中ST公司9家，非ST公司 18家。
4．因子分析
用SPSS软件对训练样本中120家公司的8个财务指标进行因子分析后结果如表1所示（在SPSS的结果中，各变量都被进行了标准化处理，故用“*”表示）。
从表1可见，速动比率与资产负债率、债务总额三者之间存在较大的相关性，流动资产周转率与总资产周转率之间也是如此。从表可见：X1、X2、X3在因子f1上都具有较大的正载荷，而其他变量在f1上的载荷都较小，因而该因子可以称为偿债能力因子；在因子f2上， X6、X7都有很大的正载荷，其他变量的载荷较小，该因子可以称为营运能力因子；在因子f3上，X4有很大的正载荷，X5有中等的正载荷，而其余变量的载荷基本都较小，这个因子可以称为盈利能力因子；在因子f4上，X8有很大的正载荷，其他变量的载荷都很小，该因子可称为成长能力因子。
根据式(1)，将训练样本中120家企业的财务数据标准化后代入因子得分公式，就可以计算出每个企业的四个公共因子得分，分别记为f1、f2、f3和f4。在下文建立的逻辑回归和Fisher判别分析模型中，将这四个公共因子作为模型的解释变量，这样就避免了变量出现多重共线性的情况。
（二）建立模型
1．逻辑回归模型
对120家训练样本企业，用向前逐步法建立二项逻辑回归模型，SPSS的输出结果如表2所示。
从表2中可以看出：逐步回归首先引入了第一个因子f1――偿债能力因子，表明其对预测结果的影响最显著。接着引入第四个因子f4――盈利能力因子。然后引入第三个因子f3――成长能力因子。最后引入第二个因子f2――营运能力因子。四个变量的显著性水平都较高，模型拟合结果较理想。因而，根据表中的参数估计值，可以得到二项逻辑回归模型表达式为：
本文采用SPSS默认的Fisher判别分析模型，根据训练样本中120家企业的违约情况数据以及消除了多重共线性后的四个因子得分数据，用逐步判别法建立模型，SPSS结果输出如表3所示。
从表3来看，判别模型依次引入了f1、f3和f4三个因子。由Wilks′ Lambda检验，三个因子都是显著的，这说明三步中分别纳入判别函数的变量对正确判断分类都是有作用的。
经检验，在27家公司中，Fisher判别分析模型错判了3家企业。其中，有2家企业从非违约企业误判为违约企业，误判概率为11.1%；有1家企业从违约企业误判为非违约企业，误判概率为11.1%。模型总误判概率为11.1%，总判别准确率为88.9%。
二、结论与展望
从建立两个统计判别模型对企业信贷违约情况进行实证分析的结果看，两个模型给出的企业是否违约的结论基本正确，判别效率在训练样本和检验样本中都较高。但比较来说，二项逻辑回归模型的判别准确率要稍高于Fisher判别分析模型，而且前者的判别准确率也较后者稳定。
摘要：信息化、网络化时代的到来对商品流通企业来说是一把“双刃剑”，一方面促进了商品流通行业结构优化、提高了行业发展效率，同时也给商品流通企业提出了更多挑战。与此同时，商品流通企业信用风险评估体系的构建更是迫在眉睫，充分利用商业数据，加深对信息流的认识是构建信用风险评估体系的重要“物质”基础。文章在简述商品流通行业现状和趋势的基础上，进一步剖析了目前我国商品流通企业信用风险评估存在的问题，最后根据网络信息数据与信用风险评估的关系给出建议措施，这对提高商品流通企业信用风险管理效率有一定的促进意义。
关键词：商品流通企业 商业数据 信息流 信用风险评估体系
商品流通企业是从事商品流通的生产企业、经销商和零售商等，主要是通过低价购进高价售出的方式实现商品的流通，在支出流通过程中的各项费用后，以获取最终差价作为公司的利润。商品流通过程主要包括商品购进、销售、调配、存储及运输等，其中购进和销售属于关键环节，所有流通过程都是围绕商品销售而展开。随着网络信息时代的到来，商业流通行业竞争愈发激烈，对行业流通链条上的信息沟通和管理要求更高，商业流通呈现多种发展态势。
一、商品流通行业的发展现状和趋势
网络信息化的普及深刻地影响着整个经济社会，全球化拉近了人们之间的距离，各种智能化产品的使用更是加速了信息传播和共享的速度，商业流通不仅仅受到社会生产力和发展水平的制约，随着信息化时代的到来，商业流通将不断改变并呈现出新的发展态势，同时提出新的发展要求，也就是说商业流通行业逐渐被细化、深化，不仅金融、交通、物流等行业深刻地影响着商业流通行业，而且国际贸易环境、信息化、市场化、城市化水平都是商品流通企业发展的重要影响因素。对于商业流通行业来说，公路、水路、铁路、高铁以及空运的发展使得流通成本日益降低，发达的交通网络紧密了商品与客户之间的联系。因此，商业流通不仅具有全球化发展特征，而且还具有数据化、网络化发展特征。
就目前商品流通行业的发展来看：一方面，在我国城市化进程的推动下，商品流通企业将面临新一轮的“洗牌”，每个行业的主导流通公司将逐渐减少并稳定在一定的数量内；另一方面，在激烈的竞争环境下，商品流通企业要适应发展就必须减少流通环节降低费用支出，压缩流通环节成了避免被淘汰的必经之路，许多商品流通企业正在从冗长的流通环节中挣脱出来，实现直接对终端环节的管理，中间商将逐渐被物流商代替，商业流通环节中各个分工更加明确。
二、商品流通企业信用风险评估存在的问题
在网络信息化时代下，商品流通企业不仅经历了激烈的竞争，还逐渐形成了清晰的管理链条。对于商品流通企业来说，市场需求越来越细致，产品生命周期越来越短暂，信用风险系统变得越来越重要，但信用风险评估系统还存在不少问题。
（一）商品流通企业信用风险理念与时代脱节
信用风险是一种损失可能性和不确定性，风险的发生不确定，发生的时间不确定，发生的原因不确定，造成的损失更不确定。随着经济的发展，在全网络和信息时代，需要进一步强化在商业流通市场中的信用风险理念，而许多商品流通企业还没有转变信用风险理念，信用风险评估依旧被当作一种“成本”，并且经营业务往往会受到信用风险理念的影响，也就是说商品流通企业没有建立信用风险管理体系，认为信用风险管理增加了管理成本，没有认识到信用风险管理带来的经济效益，也没有在新的社会经济时代中转变信用风险理念，这直接影响信用风险评估体系与信息数据的关联程度，更无法利用网络信息化带来的信息便利。总之，在网络信息时代下，商品流通企业还没有转变信用风险理念，这让信用风险评估体系无法充分发挥应有的作用。
（二）缺乏信用风险管理的重要性意识
在商业流通中，各个流通环节的信息会形成信息流，信息流是商品流通企业运行的辅助剂，是公司稳定运转的保障。商品流通企I由于本身经营管理意识的匮乏，对于信息流的收集和管理不够重视，更不能意识到信用风险管理系统的重要性。信用风险可以说是违约风险，是交易双方一方不履行合约义务造成的经济损失的风险，是一种金融风险，信用风险对商品流通企业有着不可忽略的影响和作用。商品流通企业信用风险管理需要考虑企业素质、资金信用状况、经营管理水平、经济效益等，而每个考察方面都必须制定定性和定量指标，所有评估和管理都离不开信息数据，而目前商品流通企业缺乏专业的信息流收集和管理。
（三）商品流通企业信用风险评估和预防体系缺乏有效匹配
我国市场容量随着社会发展变得越来越大，同时消费者的需求也更加复杂，商品流通企业针对不同消费需求，对市场的细分更是越来越细，针对不同的市场区域和利益相关体需要区别信用风险评估和预测体系，不同的管理对象有着不同的风险特点，商品流通企业信用风险评估和预防就必须具备个体特性，不同性质和利益关系的对象有不同的信用风险评估和预防方法。此外，市场需求越来越细，产品生命周期越来越短，商品流通企业不仅要加深研发和产品线的厚度，还要根据市场发展方向动态调整信用风险评估和预防体系，而很多商品流通企业由于自身规模小，对相关利益群体和消费市场没有进行细致的划分，因此没有建立针对性的信用风险评估和预防体系，也就是说商品流通企业信用风险评估和预防体系缺乏匹配性。
（四）商品流通企业信用风险评估和预防体系不完善
信用风险评估和预防是一个完整的管理体系，不仅涵盖了信用评估指标和要素、评估标准和等级，还需要信用评估方法和数据模型。其中信用风险评估方法和指标是最主要的内容，我国在信用风险评估指标体系中主要包含基本信息的综合评估、资金的周转、履约情况及资产质量和结构、资金使用情况及成本费用和销售等经营状况、利润的实现情况和前景、中长期发展规划和执行目标等方面，商品流通企业信用风险评估体系的建立在指标和方法选择上没有严格区分信用风险的内、外部因素。因此，信用风险评估指标和方法在定量和定性指标结构上也没有进行具体的区分，在之后的预防措施构建和管理中必然存在一定的局限性，这就说明商品流通企业信用风险评估和预防体系不完善。
三、建h与措施
随着时代的进步，商业流通领域发生了极大变化，人们工作和社会环境不断改变，城市化程度也在加深，商品流通企业之间的竞争更加激烈，不同需求和不同定位的终端渠道也相继出现，在这么复杂的经济环境中，加强信用风险评估体系的建立显得尤为重要。
（一）加强商品流通企业流通链条的认识，提高信用风险预防效率
对于商品流通企业来说，市场竞争不仅仅只发生在生产企业之间，也包括经销商、零售商在内的整条流通价值链上。除了部分商品流通企业是直接经营终端和面对消费者的，大部分商品和服务都需要经过经销商和零售商与消费者达成交易。生产企业、经销商、零售商和消费者形成了商业流通的完整价值链，链条间有着多方面不同的利益诉求，同时还处处存在矛盾，包括价值传递、利益分享等。商品流通企业在流通价值链上不同利益方有着不同的利益诉求，生产企业要求出厂价能更高，而经销商和零售商则是要求进货价能更低，消费者则希望商品能够再便宜点。因此，愈来愈多的零售商都在试图压缩流通链条，减少价值链的环节，获取更大的利益，这一变化和利益趋势势必影响信用风险评估和预防体系。商品流通企业要提高信用风险预防效率就必须认清流通链的发展趋势，流通价值链的变化对信用风险预防体系有着直接影响。
（二）重视商业数据信息，加强信用风险评估体系的信息化水平
商业数据就是商品流通产业中各个价值链上重要环节的历史信息和当前信息的集合，它不仅是流通领域历史数据的综合，还是行业最新发展动向的一种反映，更是产业未来的一种预示信息。商品流通中，商业数据与物流信息、商流状况紧密联系在一起，商业数据是商品流通企业进行生产经营管理的基础，也是信用风险评估体系的根本。而商品流通企业信用风险评估体系是一项系统性工程，信用风险评估指标的选取是信用风险评估体系中的主要内容之一，指标体系需要用系统工程建立的相关方法进行分析和选取，在指标选取中不仅要避免随意性，还要遵守科学性、客观性以及简洁性原则，提高评估指标的评估效率。因此，在信用风险评估体系中要注重信息数据的收集和处理工作，提高评估指标体系的关联度，最终构建出完整的商品流通企业信用风险评估指标体系。
（三）提高商业数据认识，为构建信用风险评估体系打下坚实的基础
商业数据的范围非常广泛，只要是商品流通企业的经营和发展都属于商业数据范围内，在商业流通领域中，流通链中不同利益体有着不同方面的数据信息，就生产企业来看，商业数据应该包括宏观行业数据、内部信息数据、销售渠道数据、消费需求数据以及相关市场数据等。不同利益体的数据信息有所差异，商业数据的范畴可以根据利益体进行延伸，旨在提高数据的综合利用效益，从而为构建信用风险评估体系提供坚实的数据支撑。此外，在理清商业数据范畴外，还必须理解不同商业数据的特点以准确利用信息数据，商业数据是信息流的一种表现形式，其收集和处理的目的性更强，不仅具有系统性，还具有专业性，因此在商业数据收集和处理中，需要专业的技术人员和设备，为更好地构建信用风险评估体系提供硬性条件。总之，商品流通企业要构建信用风险评估体系就必须加深对商业数据的认识，不仅要从自身特点认识商业数据范围，还要根据商业数据特性提高数据信息的收集和处理效率。Z
参考文献：
[1]蒋，高瑜.基于KMV模型的中国上市公司信用风险评估研究[J].中央财经大学学报，2015，（9）.
关键词：银行间市场；信用风险；风险管理
全球金融危机对金融机构风险管理理念的最大影响之一就是对交易对手信用风险的重视。金融机构评估对手方信用风险的方法、模型合理与否，关系到评估结果的优劣。本文概要阐述了银行信用风险计量方面的相关理论依据和基本做法。并对银行间市场完善授信管理提出了具体建议。
一、信用风险评估理论
银行等金融机构信用风险评估方法大致有统计模型、CAMEL模型和专家判断模型等三种理论依据：
(一)统计模型
利用统计模型进行信用评估的前提条件是有足够的数据积累，一般至少需要连续3年的相关数据。
1．违约概率(ProbabilityofDefauh，PD)理论
违约概率是预计债务人不能偿还到期债务(违约)的可能性。评估结果与违约率的对应关系是国际公认的事后检验评级机构评估质量标准的一项最重要的标尺。在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。如何准确、有效地计算违约概率对商业银行信用风险管理十分重要。不同评级机构所设定的违约定义可能不同，所反映同一等级的质量也因此而不同。只有违约定义相同的评级机构，其评级结果才可以进行比较。有了对应违约率的资信等级才能真正成为决策的依据。商业银行违约概率常用的测度方法主要有两种：基于内部信用评级历史资料的测度方法；基于期权定价理论的测度方法。
2．违约损失率(LossGivenDefault，LGD)理论
违约损失率是指债务人一旦违约将给债权人造成的损失数额占风险暴露(债权)的百分比，即损失的严重程度。在竞争日益激烈、风险日益加大和创新日新月异的市场环境中，银行对资产风险的量化和管理显得越来越重要。传统的信用风险评估方法因过于简单、缺乏现代金融理论基础等原因已经不能适应金融市场和银行监管的需要。以独立身份服务于全社会公众投资者、以公开上市债券为主的外部信用评级对银行内部以信贷资产为主、与银行自身有着特定联系的资产组合的适用性也越来越小。因此，银行开始开发类似外部信用评级但又反映内部管理需要的内部信用评级系统，以适应上述市场和内部管理发展的需要。随着银行内部评级体系的发展，越来越多的银行认识到LGD在全面衡量信用风险方面的重要作用，评级体系的结构开始由只注重评估违约率的单维评级体系向既重违约率又重违约损失率的多维评级体系发展。历史数据平均值法是目前银行业应用最广泛最传统的方法，新巴塞尔资本协定的许多规定也采用这种方法，这种方法以其简单易操作而获得欢迎。
(二)CAMEL模型
CAMEL评级体系是目前美国金融管理当局对商业银行及其他金融机构的业务经营、信用状况等进行的一整套规范化、制度化和指标化的综合等级评定制度。其有五项考核指标，即资本充足性(CapitalAde．quacy)、资产质量(AssetQuality)、管理水平(Manage—ment)、盈利水平(Earnings)和流动性(Liquidity)。当前国际上对商业银行评级考察的主要内容基本上未跳出美国“骆驼”评级的框架。“骆驼”评级体系的特点是单项评分与整体评分相结合、定性分析与定量分析相结合，以评级风险管理能力为导向．充分考虑到银行的规模、复杂程度和风险层次，是分析银行运作是否健康的最有效的基础分析模型。在具体CAMEL模型的指标及其权重选取及校验过程中，大多采用了回归分析、主成分分析等统计方法。
(三)专家判断模型
银行信用评估的起点是对其财务实力的综合判断。应从定量定性两个角度综合评估。经营战略、管理能力、经营范围、公司治理、监管情况、经营环境、行业前景等要素，无法通过确切数量加以计算，而专家打分卡是一种更加偏向于定性的模型。在缺乏外在基准值，如信用等级、违约和损失数据等的情况下，开发专家判断模型是一种较好的选择。专家判断模型的特点是：符合Basel要求．具有透明度和一致性：专家打分卡建模时间短，所需数据不需要特别的多：专家打分卡可充分利用评估人员的经验。
二、信用风险评估的通常做法
(一)信用风险评估的基本思路
评估方法应充分考虑风险元素的定量和定性两个方面，引入大量的精确分析法，并尽可能地运用统计技术。另一方面，不浪费定性参数的判别能力，并用以优化计量模型的预测效能。除CAMEL要素外，还需考虑更多更深入的风险因素。评估要素主要包括品牌价值、风险定位、监管环境、营运环境、财务基本面。
(二)信用风险评估模型的构造
数据准备是模型开发和验证的基础，建模数据应正确反映交易对手的风险特征以及评级框架。定义数据采集模板。收集、清洗和分析模型开发和验证所需要的样本数据集。影响交易对手违约风险要素主要有非系统性因素和系统性因素。非系统性因素是指与单个交易对手相关的特定风险因素，包括财务风险、资本充足率、资产质量、管理能力、基本信息等。系统性因素是指与所有交易对手相关的共同风险因素．如宏观经济政策、货币政策、商业周期等。既要考虑交易对手目前的风险特征，又要考虑经济衰退、行业发生不利变化对交易对手还款能力和还款意愿的影响．并通过压力测试反映交易对手的风险敏感性
(三)变量选择方法
1．层次分析法
层次分析法(Theanlaytichierarchyprocess)简称AHP：它是一种定性和定量相结合、系统化、层次化的分析方法。层次分析法不仅适用于存在不确定性和主观信息的情况，还允许以合乎逻辑的方式运用经验、洞察力和直觉。层次分析法的内容包括：指标体系构建及层次划分；构造成对比较矩阵；相对优势排序；比较矩阵一致性检验。
2．主成分分析法
主成分分析法也称主分量分析，旨在利用降维的思想，通过原始变量的线性组合把多指标转化为少数几个综合指标。在保留原始变量主要信息的前提下起到降维与简化问题的作用，使得在研究复杂问题时更容易抓住主要矛盾。通过主成分分析可以从多个原始指标的复杂关系中找出一些主要成分，揭示原始变量的内在联系，得出关键指标(即主成分)。
3．专家判断
关键指标权重和取值标准设定是通过专家在定量分析的基础上共同讨论确定，取值标准是建立指标业绩表现同分数之间的映射关系。取值标准的设定应能够正确区分风险，取值标准应根据宏观经济周期、行业特点和周期定期调整，从而反映风险的变化。
关键词：银行间市场；信用风险；风险管理
全球金融危机对金融机构风险管理理念的最大影响之一就是对交易对手信用风险的重视。金融机构评估对手方信用风险的方法、模型合理与否，关系到评估结果的优劣。本文概要阐述了银行信用风险计量方面的相关理论依据和基本做法。并对银行间市场完善授信管理提出了具体建议。
一、信用风险评估理论
银行等金融机构信用风险评估方法大致有统计模型、CAMEL模型和专家判断模型等三种理论依据：
(一)统计模型
利用统计模型进行信用评估的前提条件是有足够的数据积累，一般至少需要连续3年的相关数据。
1．违约概率(ProbabilityofDefauh，PD)理论
违约概率是预计债务人不能偿还到期债务(违约)的可能性。评估结果与违约率的对应关系是国际公认的事后检验评级机构评估质量标准的一项最重要的标尺。在商业银行信用风险管理中，违约概率是指借款人在未来一定时期内不能按合同要求偿还银行贷款本息或履行相关义务的可能性。如何准确、有效地计算违约概率对商业银行信用风险管理十分重要。不同评级机构所设定的违约定义可能不同，所反映同一等级的质量也因此而不同。只有违约定义相同的评级机构，其评级结果才可以进行比较。有了对应违约率的资信等级才能真正成为决策的依据。商业银行违约概率常用的测度方法主要有两种：基于内部信用评级历史资料的测度方法；基于期权定价理论的测度方法。
2．违约损失率(LossGivenDefault，LGD)理论
违约损失率是指债务人一旦违约将给债权人造成的损失数额占风险暴露(债权)的百分比，即损失的严重程度。在竞争日益激烈、风险日益加大和创新日新月异的市场环境中，银行对资产风险的量化和管理显得越来越重要。传统的信用风险评估方法因过于简单、缺乏现代金融理论基础等原因已经不能适应金融市场和银行监管的需要。以独立身份服务于全社会公众投资者、以公开上市债券为主的外部信用评级对银行内部以信贷资产为主、与银行自身有着特定联系的资产组合的适用性也越来越小。因此，银行开始开发类似外部信用评级但又反映内部管理需要的内部信用评级系统，以适应上述市场和内部管理发展的需要。随着银行内部评级体系的发展，越来越多的银行认识到LGD在全面衡量信用风险方面的重要作用，评级体系的结构开始由只注重评估违约率的单维评级体系向既重违约率又重违约损失率的多维评级体系发展。历史数据平均值法是目前银行业应用最广泛最传统的方法，新巴塞尔资本协定的许多规定也采用这种方法，这种方法以其简单易操作而获得欢迎。
(二)CAMEL模型
CAMEL评级体系是目前美国金融管理当局对商业银行及其他金融机构的业务经营、信用状况等进行的一整套规范化、制度化和指标化的综合等级评定制度。其有五项考核指标，即资本充足性(CapitalAde．quacy)、资产质量(AssetQuality)、管理水平(Manage—ment)、盈利水平(Earnings)和流动性(Liquidity)。当前国际上对商业银行评级考察的主要内容基本上未跳出美国“骆驼”评级的框架。“骆驼”评级体系的特点是单项评分与整体评分相结合、定性分析与定量分析相结合，以评级风险管理能力为导向．充分考虑到银行的规模、复杂程度和风险层次，是分析银行运作是否健康的最有效的基础分析模型。在具体CAMEL模型的指标及其权重选取及校验过程中，大多采用了回归分析、主成分分析等统计方法。
(三)专家判断模型
银行信用评估的起点是对其财务实力的综合判断。应从定量定性两个角度综合评估。经营战略、管理能力、经营范围、公司治理、监管情况、经营环境、行业前景等要素，无法通过确切数量加以计算，而专家打分卡是一种更加偏向于定性的模型。在缺乏外在基准值，如信用等级、违约和损失数据等的情况下，开发专家判断模型是一种较好的选择。专家判断模型的特点是：符合Basel要求．具有透明度和一致性：专家打分卡建模时间短，所需数据不需要特别的多：专家打分卡可充分利用评估人员的经验。
二、信用风险评估的通常做法
(一)信用风险评估的基本思路
评估方法应充分考虑风险元素的定量和定性两个方面，引入大量的精确分析法，并尽可能地运用统计技术。另一方面，不浪费定性参数的判别能力，并用以优化计量模型的预测效能。除CAMEL要素外，还需考虑更多更深入的风险因素。评估要素主要包括品牌价值、风险定位、监管环境、营运环境、财务基本面。
(二)信用风险评估模型的构造
数据准备是模型开发和验证的基础，建模数据应正确反映交易对手的风险特征以及评级框架。定义数据采集模板。收集、清洗和分析模型开发和验证所需要的样本数据集。影响交易对手违约风险要素主要有非系统性因素和系统性因素。非系统性因素是指与单个交易对手相关的特定风险因素，包括财务风险、资本充足率、资产质量、管理能力、基本信息等。系统性因素是指与所有交易对手相关的共同风险因素．如宏观经济政策、货币政策、商业周期等。既要考虑交易对手目前的风险特征，又要考虑经济衰退、行业发生不利变化对交易对手还款能力和还款意愿的影响．并通过压力测试反映交易对手的风险敏感性
(三)变量选择方法
1．层次分析法
层次分析法(Theanlaytichierarchyprocess)简称AHP：它是一种定性和定量相结合、系统化、层次化的分析方法。层次分析法不仅适用于存在不确定性和主观信息的情况，还允许以合乎逻辑的方式运用经验、洞察力和直觉。层次分析法的内容包括：指标体系构建及层次划分；构造成对比较矩阵；相对优势排序；比较矩阵一致性检验。
2．主成分分析法
主成分分析法也称主分量分析，旨在利用降维的思想，通过原始变量的线性组合把多指标转化为少数几个综合指标。在保留原始变量主要信息的前提下起到降维与简化问题的作用，使得在研究复杂问题时更容易抓住主要矛盾。通过主成分分析可以从多个原始指标的复杂关系中找出一些主要成分，揭示原始变量的内在联系，得出关键指标(即主成分)。
3．专家判断
关键指标权重和取值标准设定是通过专家在定量分析的基础上共同讨论确定，取值标准是建立指标业绩表现同分数之间的映射关系。取值标准的设定应能够正确区分风险，取值标准应根据宏观经济周期、行业特点和周期定期调整，从而反映风险的变化。
(四)模型校验修改
模型构造完成后．需要相应财务数据的不断校验修改。财务数据可直接向对应机构索取，也可通过第三方数据提供商获得。直接获取数据的方式准确性较高，但需对应机构积极配合．且需大量的人力物力用于数据录入、核对和计算。通过第三方数据提供商获取数据效率高，但需支付一定费用，且面临数据不全、数据转换计算等问题。在违约概率模型的开发过程中，通常遇到模型赖以建造的数据样本中的违约率不能完全反映出总的违约经历，需进行模型的压力测试，确保模型在各种情况下都能获得合理的结果．并对模型进行动态调整。
(五)引进或自主开发授信评估系统
根据完善授信评估模型，撰写授信评估系统业务需求书．引进或自主开发授信评估系统，提高授信评估效率。授信评估系统还应与会员历史数据库、限额管理系统、会员历史违约或逾期等信息库无缝连接，避免各个环节的操作风险。
三、对银行间市场完善授信评估的启示
(一)完善授信评估可积极推动银行间市场业务发展
银行间市场会员信用评估水平的提高。可有效防范银行间市场系统性风险。为防范交易对手信用风险，市场成员需及时、合理、有效地对相应会员银行或做市商进行信用评估，并根据会员或做市商资信状况的变化进行动态调整，为其设置信用限额。
(二)引进成熟的授信评估方法、模型和流程
根据巴塞尔协议的有关监管要求，国内大中型银行都已经或正在国际先进授信评估机构的帮助下，开发PD或LGD评估模型。银行间市场参与者应学习借鉴国内外先进的授信评估方法和模型。在消化吸收先进经验的基础上，选择国际先进咨询机构作为顾问，构建授信评估方法和模型。
(三)引进或自主开发授信评估系统
为防止操作风险，提高授信评估工作效率，实现授信评估与机构内部相关系统的连接，银行间市场参与者需根据授信评估方法、模型、授信资料清单、分析报告模板、建议授信计算公式等内容。撰写系统开发业务需求书，或引进先进的授信评估系统并进行客户化改造．或选择系统开发商进行自主开发授信管理系统。
[关键词]供应链；金融风险；评估
[DOI]10.13939/ki.zgsc.2015.25.103
1 供应链金融风险分类
1.1 信用风险
通常来说银行的信用风险，具体是指向银行贷款的个人或者实行交易的人由于某些原因造成的违约进一步对银行造成的损失风险。在供应链融资中信用风险排在首位。从另外的角度分析，供应链融资本身就是一种较为特殊的用于加强管理信用风险的技术。在传统授信中银行实施的担保业务包括抵押授信、信用授信以及保证担保授信三种。而要求存在第三方的是保证担保授信，而信用担保要求企业具备一定的实力、规模和大量资金。一般来说，中小企业是无法轻易得到这两种形式的授信，但是供应链金融业务具体面向中小企业，所以银行必须分析中小企业的信用风险。
很多中小企业都具备下列特点：第一，无法充分披露信息，这样就增加了评估企业贷款信用的难度。第二，没有根据比例对授信成本收益进行分配。第三，中小企业相较于大型企业来说拥有更高的非系统风险系数，很多中小企业缺少完善的结构，决策带有随意性，非常依赖个别客户，造成他们出现了很大的波动性。
1.2 操作风险
由于企业内部缺少完善的政策、人为失误或者内部失控等原因而导致银行出现损失问题，这些损失包括与风险相关的全部支出费用。在对授信调查的过程中，具体操作风险就是人员因素，在供应链融资中企业的交易信息是关键根据，控制风险中的目标便是交易过程中的物流和现金流。所以，调查授信的人员需要具备良好的专业素质，这样才可以有效避免疏漏和误判。 在设计操作模式时，最关键的是对设计流程积极完善，避免操作风险的出现，同时供应链融资必须对授信支持资产严格控制。
在审批融资过程中，最关键的是对操作风险有效提防，具体包括人员形成的风险、系统风险和流程风险。
在供应链融资中，对物流和资金流有效控制的中心是授信后管理和出账管理，尤其是预付业务和存货业务，频繁进行操作也是产生风险的主要原因。在不同的融资产品中，操作风险会通过各种形式积极表现，银行一定按照实际情况进行整体分析。比如，在应收账款融资中，应收账款质押要求三方比例配合，这样就形成了复杂的业务流程，对应的也会增加操作风险。
1.3 市场风险
所谓市场风险，本质上是由于利率、股票、汇率等随着市场的变化而出现的改变，进一步对银行造成的风险。在供应链金融中，银行的收款风险具体是由市场风险与生产风险导致的。而供应链金融将控制货物权作为基础，这样就极易造成市场风险。因为商业银行向中小企业发放贷款时以控制货物权作为担保，所以货物的市场价值极容易对市场风险造成影响。在供应链金融业务中，标准仓单抵押的东西通常是农产品，而季节、国内外需求和国际市场将会使这些农产品出现价格波动。所以，企业频繁变化的价格，进一步对授信额度与质押率造成了影响。
2 供应链金融风险评估
供应链金融风险评估的重点是建立评估指标体系与评判标准以及明确指标权重并且实行一致性检验。
2.1 建立评估指标体系和评判标准
通过识别供应链金融风险，可以科学建立融资风险评估体系，例如存货质押融资的供应链金融风险评估指标体系，具体包括系统风险和非系统风险，其中系统风险包括宏观和行业系统风险以及供应链系统风险，而非系统风险包括信用风险、变现担保物风险以及操作风险。
在评估供应链金融风险的过程中，一线的评估人员应当联系现场调查、历史资料数据，并且尽可能利用一些定量的分析工作实施综合评估。在评估过程中，一些能够采用定量公式进行衡量的指标，则尽可能进行定量评估。通过数据计算这些定量指标之后，就能够设置合理的规则明确不同评分相应的范围。之后在具体评分上映射指标的定量数值。而无法定量的则利用打分方法。在这我们可以利用7级评分方法，就是每一个需要衡量评估的指标，最终按照其风险情况划分为7个等级：风险很大1分、大2分、较大3分、一般4分、较小5分、小6分、很小7分。之后，可以联系事前确定的每一指标的权重加强平均分值，获得具体业务最后的评分结果，这一结构可以在标准的评级上映射。
由于供应链金融体现出的过程性与典型动态性，评估融资分值也必须是动态的。这就需要监管方与评估人在贷款期间，联系业务的变化动态对评估分值积极调整，以便准确对风险进行警示。
2.2 明确评估指标权重并且实行一致性检验
确定供应链金融风险评估指标权重可以采取德尔裴法实行专家打分，也就是邀请专家分别估计出各个因素的权重，之后平均求出不同专家的估计并且得到各个指标的最终权重。具体步骤见下：
第一，建立判断矩阵。在供应链金融风险评估指标体系中，设计上一层指标A是准则，支配的下一层指标是B1，B2，…，Bn，各个元素对于准则A相对重要性即权重斡能够利用标准法赋值。针对准则A，比较n个元素之间相对重要性获得一个两两对比的判断矩阵：
C=（bij）mun
第二，计算相对权重。供应链金融风险评估指标体系中元素B1，B2，…，Bn，针对准则A的相对权重w1，w2，…，wn，可以得到向量形式W=（B1，B2，…，Bn）T。对于设计权重，通常利用几何平均法，先按列相乘A元素得到新向量，之后把其每个分量开n次方，再把得到的向量归一化之后就能够得到向量公式：
i=l，2，…，n。也可以利用和法，特征根法等。
第三，一致性检验。要想判断上述矩阵与权重是否科学，需要实施一致性检验。具体过程：相乘判断矩阵与权重系数获得矩阵CW；再求出矩阵最大特征根；之后带人公式 获得一致性检验指标 ；按照平均随机一致性指标查出R.I数值；最后采用公式C.R=C.I/R.L获得一致性比例C.R的数值。当C.R
3 案例分析
在供应链金融风险评估指标体系中，设定供应链系统风险指标是标准A，因此可以支配的下一层指标供应链竞争风险指标、供应链协调风险指标以及供应链控制风险指标分别是B1，B2，…，Bn。通过查表获得随机一致性平均指标是0.58，所以得到CR=CI/RI=0.0007小于0.01，可知判断矩阵形成了满意的一致性，获得相对于供应链系统风险指标的权重来说三个指标满足要求。
关键词：信用风险；风险管理；避险原则
中图分类号：F83 文献标识码：A
收录日期：2015年3月25日
一、概述
（一）简介。信用风险又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性。
商业银行因其经营货币的特殊性，其所面临的风险是与生俱来的，而信用风险是商业银行所承受各种风险中最为主要的一类风险。在市场经济不断发展的大背景下，随着金融市场的不断开放，银行之间的竞争不断加剧，信用风险的大小从根本上决定了整个金融体系的稳定与否。这种风险不只出现在贷款上，也发生在承兑、担保和证券投资等表内、表外业务中。若银行不能及时识别损失的财产，增加核销坏账的准备金，并在适当条件下停止利息收入确认，银行就会面临严重的风险问题。
（二）主要特征。信用风险的特征：1、客观性；2、传染性：一个或者少数信用主体的经营困难或者破产就会导致整个信用链条的断裂或者整个信用秩序的混乱；3、可控性：其风险可以通过控制降到最低；4、周期性：信用扩展与收缩交替出现
信用风险的特点：1、风险的潜在性；2、风险的长期性：培养企业与银行之间的契约精神是一个长期的过程；3、风险的破坏性：许多企业面对欠账的态度多是能躲则躲，因此浪费了银行大量的人力、物力、财力；4、控制的艰巨性：银行信贷风险的预测机制、转移机制、控制机制没有完全统一，因此难以控制。
（三）分类。1、违约风险；2、市场风险：资金价格市场的波动造成证券价格下降的下跌的风险。期限越长的证券，对利率波动就越明显；3、收入风险：人们运用长期资金做多次短期投资时的实际收入低于预期收入的风险；4、购买力风险：指未预期的高通货膨胀率所带来的风险。
二、风险管理与测量
信用风险评估是商业银行信用风险管理的首要工作和关键环节，事关银行的生存和社会的稳定，发达国家对信用风险度量和管理研究的关注程度越来越高，再加上以东南亚诸国为首的发展中国家对信用风险的关心，相信信用风险的度量和管理必将成为21世纪风险管理研究中心最具挑战的课题。
（一）风险管理。信用风险管理，指的是针对交易对手、借款人或债券发行人具有违约可能性所产生的风险，进行管理。
（二）风险测量
1、专家系统是一种非常古老的信用风险分析方法，其显著的特点是银行信贷的决策权掌握在该机构里经过长期训练、拥有丰富经验的信贷人员手里。专家系统下，对贷款申请人的考察大多集中在5c上：①品德与声望（Character）；②资格与能力（Capacity）；③资金实力（Capital）；④担保（Collateral）；⑤经营条件（Condition）。
同时，专家系统存在着诸多弊端，如需要大量的人力；易受专家专业水平的影响；不存在统一的标准。
2、信用评级方法是由美国货币监理署开发，通过企业相关指标的好坏把企业的信用分为1～10十个等级。但是该方法也存在着不足之处，没有明确的规定各项指标所占的权重。未能建立不同权重的评价体系。
3、信用评分方法包括两种模型：第一种模型是Z模型。其主要内容是根据数理统计中的辨别分析技术，对银行过去的贷款案例进行统计分析，选择一部分最能够反映借款人的财务状况，对贷款质量影响最大，最具预测或者分析价值的比率，设计出一个能最大限度地区分贷款风险度的数学模型，对贷款申请人进行信用风险及资信评估。经过统计分析和计算最终确定了借款人违约的临界值：Z=2.675。若Z2.675借款人被划入非违约组；第二种模型为ZETA信用风险模型。它是继Z模型之后的第二代信用评分模型，变量由原始模型的5个增加到了7个，适用范围更宽泛，对不良借款人的辨认精确度也更高。
目前，我国商业银行的信用分析和评估技术仍处于传统的比率分析阶段。大多数商业银行的信用风险衡量采用专家制度，使得评估过程中定量分析不够，且评估人才严重匮乏。为此，我们应尽快完善商业银行的信用资产数据库，建立健全企业信用评级制度；一方面高度重视内部评级体系的研究、开发和使用；另一方面也要建立适合中国银行业特点的风险评级模型，培训和建设一支专业化的信用风险评估团队。
三、信用风险管理方法
（一）完善信息系统和定量分析技术。《新巴塞尔资本协议》在最低资本规定中，考虑信用风险、市场风险和操作风险，并为计量风险提供了备选方案。
（二）深入开展以信用衍生产品为主的金融创新研究。以衍生金融为特征的现代金融创新为创造性的解决各类金融问题提供了市场化工具，丰富和发展了现代金融市场，也为相关金融问题的解决提供了理论、技术与实践支持。
（三）资产组合管理理念的培养。资产组合管理的实质就是在风险收益极其相关性定量分析的基础上，通过资产选择与调整，实现组合的风险分散化、降低非系统风险、获取分散化收益。随着中国经济的迅速发展，可以通过交易监督，在授信环节强化行业、产业链、区域与品种的组合管理；也可以采用资产证券化与贷款回收等风险控制与管理环节工作调整存量，实行资产组合管理，为进一步实现现代风险组合的资产优化管理奠定基础。
主要参考文献：
[1]无名.浦发银行信用风险管理问题研究.大连海事大学，2012.6.
[2]于立勇.商业银行信用风险评估预测模型研究.北京大学光华管理学院学报，2003.10.
