信用風(fēng)險評估范文
時間:2023-04-11 15:48:35
導(dǎo)語:如何才能寫好一篇信用風(fēng)險評估,這就需要搜集整理更多的資料和文獻,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)險評估現(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“四個三”的客戶發(fā)展計劃,初步形成了自身的經(jīng)營特色和核心競爭能力。由于信用評價制度是一個復(fù)雜的系統(tǒng)工程,涉及到各方面的因素,同時我國信用評價研究起步較晚,目前我國尚未建立一套全國性的客戶信用評價制度與體系。長沙銀行對貸款企業(yè)進行信用評級的主要做法是:根據(jù)評估的需要設(shè)置若干組評估指標(biāo),對每一指標(biāo)規(guī)定一個參照值。如果這一指標(biāo)、達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,作為貸款決策的依據(jù)。該種方法的不足之處在于:(1)評級指標(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,有待進一步深入研究。(2)指標(biāo)、權(quán)重的設(shè)置主要依靠專家對其重要性的相對認志來設(shè)定,缺乏科學(xué)性及客觀性。(3)缺少對貸款企業(yè)各方面能力的量化分析,在對償債能力等重要指標(biāo)上只采用直接觀察法,憑經(jīng)驗據(jù)報表估計其能力,有很大的主觀性。(4)缺少對非財務(wù)因素的分析和現(xiàn)金流量的量化預(yù)測。
二、加強長沙銀行信用風(fēng)險評估建設(shè)
(一)完善信用評價指標(biāo)體系和評價方法
長沙銀行要建立內(nèi)部評級體系,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)特點和管理現(xiàn)狀,研究設(shè)計自己的模型框架和參數(shù)體系。要充分考慮諸如利率市場化進程、企業(yè)財務(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)險差別顯著、道德風(fēng)險異常嚴(yán)重等國內(nèi)特有因素。只有深刻理解中國的金融風(fēng)險,才能建立起有效的風(fēng)險評級模型,這需要信用風(fēng)險系統(tǒng)設(shè)計師不僅掌握先進理論方法,還能夠?qū)﹂L沙銀行的現(xiàn)實問題提出技術(shù)對策。
(二)加強培訓(xùn),提高銀行評級人員的素質(zhì)
長沙銀行應(yīng)加強與國際專業(yè)評級機構(gòu)如穆迪公司、標(biāo)準(zhǔn)普爾公司合作,加快培養(yǎng)、建立評級專業(yè)人才隊伍,負責(zé)內(nèi)部評級實施和維護工作。同時聘請國外銀行和評級公司的專家,對這些人員進行集中培訓(xùn),或派往國外培訓(xùn),使之成為風(fēng)險量化專家和未來的金融工程專家,為國內(nèi)商業(yè)銀行新型評級系統(tǒng)的建立健全出謀劃策。
在評級過程不可避免的會存在部分道德層面上的問題從而引發(fā)操作風(fēng)險。對此,要從思想意志上對相關(guān)人員進行教育,增強其主人翁責(zé)任感;要將政治素質(zhì)好、業(yè)務(wù)能力強的工作人員優(yōu)先充實到信貸崗位。
(三)加強行業(yè)研究,建立和完善信用風(fēng)險管理基礎(chǔ)數(shù)據(jù)庫
沒有高質(zhì)量的數(shù)據(jù)積累,信用評級的模型及各項指標(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,加快信用評級所需數(shù)據(jù)的收集,同時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)負債狀況、市場環(huán)境等情況及時更新客戶信息,以便做出準(zhǔn)確的風(fēng)險分析。在充分獲取數(shù)據(jù)的同時,商業(yè)銀行要加強信息技術(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,必須按照行業(yè)進行適當(dāng)分工,通過對不同行業(yè)的長期、深入研究,了解和把握不同行業(yè)的基本特點、發(fā)展趨勢和主要風(fēng)險因素,可以為受管理對象在同一行業(yè)內(nèi)部和不同行業(yè)之間的風(fēng)險比較創(chuàng)造必要條件,從而為信用級別的決定提供參照。
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,越來越多的人對中國制造業(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,市場一旦出現(xiàn)問題,企業(yè)就會難以為繼。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,嚴(yán)重地影響到了社會上廣大投資者和金融機構(gòu)經(jīng)營收益,信用風(fēng)險已經(jīng)成為市場環(huán)境中上市公司所面臨的最重要的金融風(fēng)險,識別和防范上市公司信用風(fēng)險極為重要。
二、國內(nèi)外研究現(xiàn)狀
WilliamBeaver(1966)在1968年提出了單變量預(yù)測模型。他將79家失敗企業(yè)和與其相對應(yīng)的79家成功企業(yè)作為樣本進行研究,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對上市公司作為樣本,用總資產(chǎn)收益率,流動比率,凈資產(chǎn)收益率和資產(chǎn)負債率這四個財務(wù)指標(biāo)進行研究,發(fā)現(xiàn)這種方法雖然有局限,但具有一定的實踐意義。張愛民、祝春山(2001)在Z評分模型的基礎(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)測模型,并證明主成分預(yù)測模型在上市公司務(wù)狀況預(yù)測方面能夠取得較好的預(yù)測能力。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)測正確率達到了93.3%。
三、我國制造業(yè)上市公司信用風(fēng)險評估實證研究
本文采用logit的方法來對我國制造業(yè)上市公司信用風(fēng)險的評估進行實證研究,在使用logit的方法研究之前,先對數(shù)據(jù)進行預(yù)處理,對數(shù)據(jù)進行標(biāo)準(zhǔn)化,并進行主成分分析。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。這是因為剛上市的公司可能因為經(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ST樣本所屬的二級分類,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公司的配對樣本,這樣獲得了14個非ST樣本。由于上市公司某一年的財務(wù)報表在下一年的四月份才會,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個指標(biāo)),重新組合成一組較少個數(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,第一個主成分的特征根為4.84235,占總特征根的比例(方差貢獻率)為0.4842,這表示第一個成分解釋了原來10個變量的48.42%??梢姷谝粋€成分對原來10個變量的解釋不夠。加上的二個主成分之后,方差貢獻率變?yōu)?.7097,前兩個成分可以在很大程度上解釋原來10個變量。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進行l(wèi)ogit檢驗。
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一個企業(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)險評估未來研究的幾點建議:
一是本文中選擇的指標(biāo)最初為10個,由于實證結(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,并對指標(biāo)進行更嚴(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)險評估模型。
參考文獻
[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.上市公司財務(wù)惡化預(yù)測的實證分析[J].會計研究.1999(4).
篇3
【關(guān)鍵詞】評估方法 信用風(fēng)險 隨機森林
一、引言
信用不論對于人、社會、還是國家都尤為重要,是現(xiàn)代社會的基石。我國1999年建立征信體系至今,一直缺乏對個人信用風(fēng)險評估的基礎(chǔ)理論的深究,個人征信系統(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經(jīng)濟的健康發(fā)展。本文立足征信的基本理論和實踐,運用隨機森林的方法,以lending club公司的借款人數(shù)據(jù)為依據(jù),對我國個人信用風(fēng)險的評估方法進行研究和分析。
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個樣本,其中7000個履約樣本,3000個違約樣本;篩選測試集2325個樣本,其中2000個為履約樣本,325個為違約樣本。
(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)、收入負債比(x12)、逾期次數(shù)(x13)、公開信用賬戶(x14)、毀譽記錄(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個指標(biāo)為解釋變量。其中, x6、x7、x9、x10、x11、x18為名義變量,對應(yīng)的屬性為真時取“1”,為假時取“0”。
(三)spearman法篩選變量
本文通過spearman秩相關(guān)檢驗,根據(jù)檢驗結(jié)果的相關(guān)系數(shù)由大到小選取相關(guān)性較強的變量: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、實證分析
(一)特征的選?。?/p>
隨機森林模型選擇適當(dāng)?shù)淖兞總€數(shù),不僅可以提高準(zhǔn)確度還可以使模型復(fù)雜的計算過程,提高模型的效率。故本文逐步剔除一些不相關(guān)的變量,以達到最優(yōu)的預(yù)測效果。當(dāng)變量個數(shù)為20個的時候,通過隨機森林訓(xùn)練結(jié)果可以查看其變量的重要程度。
由圖3-1,對借款人是否違約的分類結(jié)果貢獻最大的幾個特征分別是: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個變量)。
上表3-1可得:當(dāng)變量為四個,五個和兩個的時候,準(zhǔn)確率較高。但是,變量為兩個又不足以判斷一個人信用狀況,導(dǎo)致真實情況判別結(jié)果的失真,因此在實際應(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)的選取對判斷準(zhǔn)確性的影響。
經(jīng)驗證:當(dāng)樹的棵樹選擇小于100時,隨著樹選擇的增多,其模型判斷的錯誤從大約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)測結(jié)果
根據(jù)對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。運用訓(xùn)練集數(shù)據(jù)得到隨機森林模型的訓(xùn)練結(jié)果為:模型總的準(zhǔn)確率可達81.87%。其中對履約人群的判斷為92.63%,對違約人群的判斷為56.77%。運用測試集的數(shù)據(jù)得到預(yù)測結(jié)果為:83.10%。綜上可得:隨機森林模型有很好的預(yù)測性。
參考文獻:
[1]劉峙廷.我國P2P網(wǎng)絡(luò)信貸風(fēng)險評估研究.廣西大學(xué),2013.5.
[2]王富全.個人信用評估與聲譽機制研究[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 影響因素 管理優(yōu)化
一、中國商業(yè)銀行信用風(fēng)險的現(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)會的統(tǒng)計顯示,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)險可以稱得上是我國商業(yè)銀行信用風(fēng)險的主要形式。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)來迅速擴大在中國的資本。目前國有商業(yè)銀行對這些不良貸款的處置主要依靠行政手段,而不是通過加強信貸風(fēng)險管理,完善風(fēng)險管理體制來實現(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》的正式以及對外開放的不斷深入,金融全球化進程也在不斷加快,商業(yè)銀行不僅要面對國內(nèi)各同行業(yè)之間的激烈競爭,還要面對國外其他大型銀行的挑戰(zhàn),在這兩種內(nèi)外形勢的共同影響之下,中國商業(yè)銀行對金融風(fēng)險管理所提出的要求必然會更高。而信用風(fēng)險作為商業(yè)銀行最主要的風(fēng)險形式,更加需要在理念、技術(shù)、制度等方面進行積極的改進與完善。
二、商業(yè)銀行信用風(fēng)險影響因素分析
為了徹底有效地解決當(dāng)前我國商業(yè)銀行信用風(fēng)險管理中存在的問題,對信用風(fēng)險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)為以下幾個方面:
2.1經(jīng)濟體制因素
我國商業(yè)銀行是從計劃經(jīng)濟體制中走出來的。在計劃經(jīng)濟下,銀行沒有放貸的自,只能按照國家計劃指令發(fā)放貸款,由于有國家信用的擔(dān)保,即使出現(xiàn)壞賬也不會影響銀行的正常經(jīng)營,因此銀行改善信用風(fēng)險管理的動力不強。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,對瀕臨破產(chǎn)的國有企業(yè)進行救助,導(dǎo)致銀行面臨潛在的風(fēng)險。
2.2市場環(huán)境因素
目前我國的金融市場和證券市場都不完善,商業(yè)銀行是企業(yè)獲取貸款資金的主要途徑。同時我國居民儲蓄率偏高,銀行資本遠遠大于證券市場,使得信貸風(fēng)險過于集中,為信用風(fēng)險的分散與化解帶來了困難。與此同時,為了搶占市場,爭取更多的客戶資源,不少商業(yè)銀行主動降低信貸審批標(biāo)準(zhǔn),忽略了對信用風(fēng)險的控制與管理,加大了銀行信用風(fēng)險的發(fā)生。
2.3法律法規(guī)因素
銀行在企業(yè)違約之后,能夠運用法律手段實現(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。
2.4外部監(jiān)管因素
我國的銀行監(jiān)管部門一直側(cè)重于對商業(yè)銀行經(jīng)營合規(guī)性的監(jiān)督管理,而對于風(fēng)險管理的監(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,缺乏主動性和超前性,對商業(yè)銀行的資產(chǎn)負債風(fēng)險、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)險狀況形成不容樂觀的局面。
三、商業(yè)銀行信用風(fēng)險評估存在的問題
前面一章提到了影響銀行信用風(fēng)險評估存在的外部因素,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)險評估過程中,也存在不少問題。其中主要可以概括為以下幾點:
3.1風(fēng)險評估的量化工具落后
隨著科技的不斷發(fā)展進步,風(fēng)險評估的量化管理模式也在不斷的進行創(chuàng)新,目前西方發(fā)達國家普遍將風(fēng)險管理進行定量分析。而我國的量化管理卻相對落后,主要停留在資產(chǎn)負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)理的個人能力階段。這就會由于個人的能力差異,操作失誤等一系列原因,給銀行帶來信用風(fēng)險。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)險量化管理的知識技能也沒有在國內(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)險的量化管理也有新的要求。新資本協(xié)議中的內(nèi)部評級法提出了模型化計量信用風(fēng)險的要求,鼓勵有條件的銀行建立模型計量信用風(fēng)險,提高資本對信用風(fēng)險的敏感性。而我國銀行普遍采用的信用風(fēng)險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)人基本的財務(wù)狀況,給出一個表示風(fēng)險情況的數(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)險暴露等因素,因此無法量化信用風(fēng)險的大小,也無法進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;宏觀壓力測試
中圖分類號:F832.2文獻標(biāo)識碼:A 文章編號: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個國家先后爆發(fā)了112次系統(tǒng)性銀行危機。尤其90年代以來頻頻爆發(fā)的金融危機――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、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)濟發(fā)展成果毀于一旦,還危機到一國的經(jīng)濟穩(wěn)定,對全球經(jīng)濟也產(chǎn)生了強大的沖擊。[1]
收稿日期:2008-07-05
項目資助:本文受到西安交通大學(xué)“985工程”二期資助(項目編號:07200701),國家社會科學(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)險管理;劉麗平(1982-),女,河北省承德市人,西安交通大學(xué)經(jīng)濟與金融學(xué)院碩士研究生,研究方向:財務(wù)預(yù)警。
金融系統(tǒng)的宏觀壓力測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)濟沖擊對金融體系穩(wěn)定性的影響,可以幫助中央銀行識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)濟之間的聯(lián)系,同時提高中央銀行和金融機構(gòu)的風(fēng)險評估能力。因此,受到各國金融監(jiān)管當(dāng)局的重視,逐漸成為檢驗一國銀行體系的脆弱性,維護金融穩(wěn)定的首選工具。在金融全球化的趨勢下,隨著我國金融市場的完全開放,我國金融業(yè)和國際金融市場的逐步融合,是否擁有一個穩(wěn)定和富有競爭力的銀行體系對于中國而言顯得非常迫切。對銀行體系進行穩(wěn)定性評估,尤其是對銀行體系面對的信用風(fēng)險
進行宏觀層面的壓力測試,對防范和化解系統(tǒng)性金融風(fēng)險,維護中國金融穩(wěn)定和安全具有重要意義。
下面研究宏觀壓力測試在銀行信用風(fēng)險評估中的應(yīng)用,通過對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)濟及金融發(fā)展特點,經(jīng)濟、金融數(shù)據(jù)統(tǒng)計及披露特點,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行實證分析。
二、文獻綜述
(一)宏觀經(jīng)濟因素對銀行信貸違約風(fēng)險的影響
McKinnon R[2]認為,宏觀經(jīng)濟穩(wěn)定時,銀行經(jīng)營行為非常保守,不會出現(xiàn)不顧風(fēng)險單方面追求效益的現(xiàn)象。但在實際匯率波動、通貨膨脹出現(xiàn)等宏觀經(jīng)濟不穩(wěn)定的情況下,政府或明或暗的存款擔(dān)保,導(dǎo)致銀行會產(chǎn)生以高利率對高風(fēng)險項目貸款的風(fēng)險行為。Donald van Deventer[3]通過線性回歸分析,確定了宏觀因素對銀行股價變動的解釋在統(tǒng)計上是顯著的。
對20 世紀(jì)80 年代以來各國銀行不穩(wěn)定尤其是銀行危機現(xiàn)象, 國際組織和國內(nèi)外學(xué)者進行了大量研究, 積累了十分豐富的實證資料。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20 世紀(jì)80、90 年代全球銀行不穩(wěn)定事件的實證分析中發(fā)現(xiàn), 宏觀經(jīng)濟因素波動在各國銀行不穩(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)濟因素的關(guān)系模型,并且利用歐洲國家的面板數(shù)據(jù)進行了實證檢驗。Erlenmaier U[6]和Gersbach H[7]利用挪威中央銀行的宏觀經(jīng)濟模型RIMINI對總體審慎指標(biāo)的趨勢與發(fā)展進行預(yù)測,并且建立了評估貸款違約率的宏觀信貸方程。Froyland E和Larsen K[8]利用RIMINI對銀行不良貸款在宏觀經(jīng)濟波動情境下進行了壓力測試。Pesola J[9]分析了銀行系統(tǒng)危機對宏觀經(jīng)濟因素波動的敏感性,并利用芬蘭的數(shù)據(jù)通過建立模型對兩者之間的關(guān)系進行定量分析。Virolainen K[10]對芬蘭金融風(fēng)險的實證評估,建立了宏觀信貸模型并進行宏觀壓力測試,揭示了芬蘭銀行系統(tǒng)貸款違約風(fēng)險與宏觀經(jīng)濟波動的相關(guān)性。
國內(nèi)對于銀行體系的穩(wěn)定評估的實證研究,包括陳華,伍志文[11]運用1978~2000年間的數(shù)據(jù)對我國銀行體系脆弱性狀況進行了量化分析。結(jié)果發(fā)現(xiàn),中國整個銀行體系在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。
(二)宏觀壓力測試?yán)碚摵蛯嵺`
在執(zhí)行宏觀壓力測試使用的宏觀信貸模型的研究領(lǐng)域,有兩個學(xué)者的模型框架占據(jù)舉足輕重的地位,并為日后的學(xué)者不斷的進行模型的拓展研究和實證應(yīng)用奠定了良好的基礎(chǔ)。他們是Wilson T C[12-13]和 Merton R[14]。Wilson對各工業(yè)部門違約概率對一系列宏觀經(jīng)濟變量的敏感度直接建模。模型的思想是對違約概率和宏觀因素的關(guān)系進行建模,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,進而模擬出在宏觀經(jīng)濟波動沖擊下的違約概率值。相比較而言,Merton模型則多加入了股價對宏觀要素的反映,將資產(chǎn)價格變動整合進違約概率評估模型。因此,前一種模型更直觀,計算量較??;而后一種方法對數(shù)據(jù)的廣度和深度的要求以及計算量要求都很高,其中有些市場數(shù)據(jù)也許是信貸風(fēng)險的噪音指標(biāo)。
世界各地的學(xué)者,運用上述模型框架進行了大量的實證研究。Vlieghe G[15]對英國銀行體系累加的企業(yè)違約概率進行建模估計,發(fā)現(xiàn)GDP、實際利率和真實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模型來測算英國企業(yè)部門的貸款違約風(fēng)險。Boss M[17]針對加總的企業(yè)違約概率估計出宏觀經(jīng)濟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都是違約概率的決定因素。Marco M 、Sorge、KimmoVirolainen[18]利用Wilson模型框架對芬蘭銀行系統(tǒng)的信貸違約概率進行了宏觀壓力測試分析。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值遠高于基期的測算值。Jim Wong,Ka-fai Choi和 Tom Fong[19]建立了香港零售銀行面對宏觀經(jīng)濟波動的信貸風(fēng)險宏觀壓力測試框架。模型框架中引入的宏觀經(jīng)濟變量包括:國內(nèi)生產(chǎn)總值(GDP),利率(HIBOR),房地產(chǎn)價格(RE)和大陸的GDP。同時用宏觀壓力測試評估了香港銀行體系的貸款資產(chǎn)和住房抵押貸款風(fēng)險暴露。壓力情境的設(shè)定模擬了亞洲金融危機時發(fā)生的宏觀經(jīng)濟波動,并分別引入了測試模型。結(jié)果表明在置信水平90%時,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)險較穩(wěn)和。當(dāng)VaR取99%的置信水平這一極端情況時,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)定方面采用在險價值框架下的蒙特卡羅模擬法。Jones M T, Hilbers P和Slack G[22-23]提供了宏觀壓力測試的更一般的非線性的方法。Worrell D[24-25] 討論了一個將早期預(yù)警系統(tǒng),金融健全性指標(biāo)和宏觀壓力測試整合的方法。
一些學(xué)者研究將信用風(fēng)險和市場風(fēng)險整合測量,例如 Allen L 和 Saunders A[26]嘗試將宏觀經(jīng)濟因素整合進信用風(fēng)險的測量模型。而最近的一些文獻如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銀行的債務(wù)人的信用質(zhì)量的影響。而Wilson 的模型的一個替代選擇則是Merton 的公司層面的結(jié)構(gòu)模型. Gray D、Merton 和Bodie[30]將這一框架擴展至研究違約風(fēng)險。Derviz A 和Kadlcakova N [31]將商業(yè)周期的影響整合進一個具有結(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試中研究了違約概率和宏觀經(jīng)濟變量的非線性關(guān)系。Benito A,Whitley J和Young G [34]將基于衡量違約概率的Merton模型融入針對模擬個別企業(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)的財務(wù)數(shù)據(jù)的模型效果更優(yōu)。
還有一些文獻使用不良貸款,貸款損失額或者復(fù)合指標(biāo)與宏觀經(jīng)濟因素整合成矩陣向量來測算金融體系的穩(wěn)定性。Hanschel E和Monnin P[35]針對瑞士銀行系統(tǒng)構(gòu)建了一個復(fù)合壓力指標(biāo),該指標(biāo)綜合了金融不穩(wěn)定的市場指標(biāo)和銀行資產(chǎn)負債表上的衍生變形指標(biāo)。Kalirai H 和 Scheicher M[36]針對對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)濟變量的模型進行了時間序列的回歸估計。這些宏觀經(jīng)濟變量包括國內(nèi)生產(chǎn)總值、工業(yè)產(chǎn)值缺口、消費者價格指數(shù)、貨幣供給增速、利息率、股票市場指數(shù)、匯率、出口額和油價。
(三)國內(nèi)外研究述評
目前國外開展的關(guān)于銀行穩(wěn)定性評估的實證研究十分豐富,其中挪威和芬蘭中央銀行的研究對金融系統(tǒng)的評估最具綜合性。穩(wěn)定性評估的目的在于,對銀行體系的健全狀況和抵御系統(tǒng)性金融危機的能力進行定量和定性的客觀評價。為此采用了金融穩(wěn)健指標(biāo)分析(Financial Sound Indi cators)和壓力測試的方法,對宏觀經(jīng)濟環(huán)境中例外但有可能發(fā)生的沖擊(Shock)情境進行模擬,來量度和評估銀行體系在遇到?jīng)_擊甚至遇到金融危機時,保持穩(wěn)定(即銀行保持基本運營不會發(fā)生突變)的能力。
而國內(nèi)對于銀行體系的穩(wěn)定評估的實證研究都偏重于評價銀行體系的穩(wěn)定性,對在抵御不確定性風(fēng)險的能力評估并未涉及。目前我國關(guān)于宏觀壓力測試的研究才剛剛涉及,孫連友[37],高同裕、陳元富[38]等學(xué)者對宏觀壓力測試進行了理論上的探討,但多為國外文獻的整理或綜述,未能進一步的發(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試手冊指引中的操作流程。其內(nèi)容多為宏觀壓力測試的必要性、目的作用、所用方法、國內(nèi)外的具體實踐等,未能有很系統(tǒng)和深入的介紹,而對多種宏觀壓力測試模型的介紹和分析尚無涉及。
在實證方面,熊波[39]通過建立宏觀經(jīng)濟因素的多元Logit回歸分析,并對結(jié)果進行假設(shè)情境的壓力測試分析。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試的思想,使用傳統(tǒng)的方法,通過模擬情境下宏觀經(jīng)濟因素異動,由Logit模型最終得出穩(wěn)定性指標(biāo)期望值的點估計來評價銀行體系的穩(wěn)定性。這種方法不能有效地反映出宏觀變動沖擊對銀行體系的影響,不能看出壓力情境下銀行面臨的最主要的信用風(fēng)險的分布狀況,即貸款違約率的概率分布。
三、宏觀壓力測試方法流程及模型設(shè)定
(一)方法流程
宏觀壓力測試是模擬“危機事件”來估計極端卻可能的壓力情境下金融體系的波動。在宏觀壓力測試的框架中,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價金融體系的穩(wěn)定性的指標(biāo)的表現(xiàn)。在宏觀壓力測試模型中衡量金融部門波動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)波動性的風(fēng)險矩陣,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估計得到。在這種情況中,該條件概率值表示的風(fēng)險矩陣較容易計算。而在險價值方法中,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估計值??蚣苤衒(?)表示損失方程,該方程模擬了宏觀經(jīng)濟沖擊對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)險暴露,違約概率,相關(guān)性,回饋效應(yīng),以及宏觀經(jīng)濟變量變動與系統(tǒng)層面金融穩(wěn)定性表現(xiàn)的相互關(guān)系。
壓力測試的執(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)險因子變動情形重新評估金融商品或投資組合的價值,整個程序通常分為兩大步:一是情境設(shè)定;二是重新評估。通常重新評估的方式不會有太大的差異,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)險因子定義為某種情境,分析在個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)險壓力測試的相關(guān)文獻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,將壓力測試的執(zhí)行程序見圖1所示。
圖1 壓力測試流程圖
(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)險評估的宏觀壓力測試模型。首先借鑒國外研究成果中關(guān)于宏觀經(jīng)濟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)濟因素進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)濟指標(biāo)所提供的信息。在模型中宏觀經(jīng)濟因素的選擇方面,參考國內(nèi)外學(xué)者實證研究中模型的自變量,結(jié)合我國數(shù)據(jù)統(tǒng)計和披露特點等制約因素選取適合的宏觀經(jīng)濟變量來構(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是一個反映宏觀經(jīng)濟狀況的綜合性指標(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)濟變量的關(guān)系的“中介指標(biāo)”,X代表宏觀經(jīng)濟變量。在利用歷史數(shù)據(jù)進行模型估計時,通過處理的違約概率值代入(2)就可以得到估計的綜合指標(biāo)的估計值。將其帶入(3)就可以估計出宏觀方程的系數(shù),并以此估計出的方程作為進行宏觀壓力測試的基礎(chǔ)。而在執(zhí)行壓力測試的時候,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)濟變量值代入估計出的(3)就可以得到壓力情境下的Y,再通過(2)就估計出了壓力情境下的銀行系統(tǒng)的違約概率。
公式(2)就是對貸款違約率進行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)濟變量的綜合指標(biāo)。
公式(3)是反映各宏觀經(jīng)濟變量與綜合性指標(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個宏觀經(jīng)濟因素構(gòu)成的列向量;μt是方程的隨機擾動項。截距α0是一個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)濟變量的時間序列模型??紤]到宏觀經(jīng)濟因素采取的時間序列數(shù)據(jù),可能存在變量的滯后性,因此對各宏觀經(jīng)濟變量進行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,隨機誤差εt都是L×1階列向量。
在這個模型中,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)定更符合實際情況,yt不僅與Xt相關(guān),考慮到宏觀沖擊的時滯效應(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宏觀經(jīng)濟波動的回饋效應(yīng)。將銀行的表現(xiàn)對經(jīng)濟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現(xiàn)。通過各行業(yè)綜合指標(biāo)Y的前期值對各宏觀經(jīng)濟變量的影響設(shè)定來反映現(xiàn)實世界中的金融與經(jīng)濟發(fā)展的相互影響關(guān)系。
(三)變量選取
1.解釋變量
根據(jù)各國的實證研究經(jīng)驗和我國銀行體系業(yè)務(wù)發(fā)展特點,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)濟統(tǒng)計的特征以及經(jīng)濟沖擊發(fā)生的持續(xù)時間來決定的。鑒于研究的宏觀層面,從數(shù)據(jù)的可得性及計算量考慮,本文的宏觀模型是基于整個經(jīng)濟體系的,因此各宏觀經(jīng)濟變量將不采用各經(jīng)濟部門的統(tǒng)計值,而是采用本國的整體水平的統(tǒng)計值。
本文選取八個宏觀經(jīng)濟變量作為解釋變量:
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―一年期存款的實際基準(zhǔn)利率;
NLR―一年期流動資金貸款的名義平均利率;
RLR―一年期流動資金貸款的實際平均利率;
CPI―居民消費價格指數(shù);
RE―房地產(chǎn)價格指數(shù);
2.被解釋變量
本文選取違約概率作為評估信用風(fēng)險的指標(biāo),銀行系統(tǒng)的信用風(fēng)險主要表現(xiàn)為貸款資產(chǎn)的違約風(fēng)險。違約率水平是評估銀行貸款質(zhì)量的最直接的指標(biāo),違約風(fēng)險可以用借款人在規(guī)定期限內(nèi)的違約概率度量。Virolainen K對芬蘭銀行系統(tǒng)的違約概率進行的宏觀壓力測試分析中,對違約概率指標(biāo)采取如下方式賦值:在研究時段內(nèi),某行業(yè)的破產(chǎn)機構(gòu)數(shù)量與總的機構(gòu)數(shù)量的比率為銀行體系面對的違約率。Jim Wong、Ka-fai Choi和Tom Fong[19]建立的香港零售銀行面對宏觀經(jīng)濟波動的信貸風(fēng)險壓力測試框架中,違約概率是逾期3個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率和貸款額的變動率計算出了這三年的逾期貸款率,其他各年份的詳細數(shù)據(jù)均來自中國金融年鑒和各銀行的年報。
四、實證結(jié)果
(一)模型估計
代入1990~2006年的宏觀經(jīng)濟數(shù)據(jù)對上述模型進行多元回歸分析和模型估計,先用宏觀經(jīng)濟變量的名義指標(biāo)值和實際值,與引入的綜合指標(biāo)Y的兩期滯后變量分別對Y進行回歸。從兩個模型的t檢驗指標(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的二階滯后變量對因變量的解釋性也不顯著。因此模型的參數(shù)需要進一步調(diào)適剔除。根據(jù)經(jīng)驗和宏觀經(jīng)濟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。雖然兩個模型的擬合優(yōu)度統(tǒng)計檢驗指標(biāo)和D-W指標(biāo)略微下降,但兩個指標(biāo)值分別為0.987和2,仍是非常理想的檢驗指標(biāo)值。在剔除掉一年期存款利率后,兩個模型各參數(shù)的t檢驗指標(biāo)都非常顯著。但是以模型解釋變量的參數(shù)符號來看,通貨膨脹率CPI在以名義宏觀經(jīng)濟變量值為自變量的模型中的系數(shù)符號為負,這表明隨著CPI的增加,Y值也會減小,經(jīng)過Logit變換后的違約概率PD將會增大,顯然符合經(jīng)濟學(xué)原理。而在關(guān)于實際變量的模型中系數(shù)為正號,這是違背經(jīng)濟學(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)濟模型(見表1)。這說明我國銀行的信貸違約率對名義的宏觀經(jīng)濟因素的波動更敏感。Marco Sorge、 Kimmo Virolainen(2004)利用wilson(1997)模型框架對芬蘭銀行系統(tǒng)的違約概率進行了宏觀壓力測試分析,宏觀經(jīng)濟模型估計結(jié)果與我國上述情況類似,即名義的宏觀經(jīng)濟變量對違約概率的解釋能力更顯著。
根據(jù)回歸方程的t檢驗(5%的顯著性水平),各宏觀因素指標(biāo)的實際值對綜合指標(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)濟指標(biāo)和各宏觀經(jīng)濟變量指標(biāo)的名義值關(guān)系顯著。且綜合指標(biāo)的一期滯后值對各宏觀經(jīng)濟指標(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)行壓力測試的方法。針對模型所選取的宏觀經(jīng)濟變量,我們設(shè)定兩個壓力情境: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)。對于各種壓力情境下,反映壓力的宏觀經(jīng)濟變量的變動幅度,可以通過以往的歷史相似情境數(shù)據(jù)或歷史經(jīng)驗直接進行人為的設(shè)定。而本文在對銀行體系遇到極端情境進行構(gòu)建之前,利用時間序列模型對解釋變量NGDP、CPI進行了2008~2010年的簡單ARMA模型預(yù)測,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)險明顯增加,從模型預(yù)測估計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)濟變量對銀行系統(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對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)濟環(huán)境的宏觀壓力測試模型。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)濟因素進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)濟指標(biāo)所提供的信息。在模型中宏觀經(jīng)濟因素的選擇方面,參考國內(nèi)外學(xué)者實證研究中模型的自變量,結(jié)合我國數(shù)據(jù)統(tǒng)計和披露特點等制約因素選取適合的宏觀經(jīng)濟變量來構(gòu)建模型。借鑒已有研究成果中在選擇信貸風(fēng)險的評估指標(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)險的指標(biāo)。
結(jié)果發(fā)現(xiàn):宏觀經(jīng)濟變量名義國內(nèi)生產(chǎn)總值,消費者價格指數(shù),房地產(chǎn)價格指數(shù)和名義流動貸款利率對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。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)定性還有待進一步加強,在面臨假設(shè)的宏觀經(jīng)濟沖擊時,化解風(fēng)險的能力就顯得不足。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)濟目前來看幾年內(nèi)保持穩(wěn)定增長的態(tài)勢是確定的。
參考文獻:
[1] 中國人民銀行金融穩(wěn)定分析小組.中國金融穩(wěn)定報告(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證分析[J].?dāng)?shù)量經(jīng)濟技術(shù)經(jīng)濟研究,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.金融體系壓力測試-概念與方法[J].濟南金融,2006(2):43-50.
[38] 高同裕,陳元富.宏觀壓力測試及其在我國應(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;評估
一、權(quán)重測定方法
如何更好的進行權(quán)重的測定是必須要解決的問題。在權(quán)重方法測定的研究中,很多學(xué)者進行了大量的研究,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行熵值計算、“盲度”分析,并對可能產(chǎn)生潛在的偏差數(shù)據(jù)統(tǒng)計處理,根據(jù)主客觀結(jié)果加權(quán)平均值的方法測定了最后的權(quán)重,這種方法保留了主觀方法的可說明性的同時又強調(diào)了數(shù)學(xué)方法在邏輯上的重要性,本文權(quán)重的測定方法將引用結(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,對專家發(fā)放指標(biāo)體系權(quán)重測定反饋表,每位專家采取德爾菲法的規(guī)定和程序,對每個指標(biāo)的重要性進行排序,重要性由1-N。現(xiàn)有N個專家對M個指標(biāo)進行重要性排序,其中a11表示第一個專家對第一個指標(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個專家對第m個指標(biāo)重要性排序,amn表示第n個專家對m個指標(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,對每個指標(biāo)的認識程度也不同,因此所形成的數(shù)據(jù)會產(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)進行偏差度的糾正。對上一節(jié)的排序矩陣進行轉(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,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個專家對第k個指標(biāo)(k=1,2,…m)的“話語權(quán)”相同,即計算n個專家對第k個指標(biāo)的“一致看法”稱為平均認識度,記作Bk;將專家對第k個指標(biāo)在認知方面的偏差稱為“認知偏差度”,記作Ck;
令Bk=(θk1+θk2+…+θkn)n;
Ck=max(θk1,θk2,…,θkn)-Bk+min(θk1,θk2,…,θkn)-Bk2,定義n個專家對于第k個指標(biāo)的總體認識度Rk=Bk(1-Ck),則n個專家對m個指標(biāo)的總體認識度向量R可寫作矩陣R=R1,R2,…,Rm。
(3)歸一化處理
為了求得第k個指標(biāo)的權(quán)重ωk,需要對Rk=Bk(1-Ck)進行歸一化處理ωk=Rk∑m1Rk,顯然,∑m1Rk=1,ωk≥0,本文將所求出的ωk稱之為第k個指標(biāo)所占的權(quán)重。
二、風(fēng)險評估步驟
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)的程度對所評估目標(biāo)進行排序。灰色關(guān)聯(lián)分析是分析事物發(fā)展的趨勢,對樣本的數(shù)量沒有嚴(yán)格的規(guī)定,同時樣本也不需要服從某種數(shù)學(xué)分布。
(1)專家評分階段
請每位專家按照評估指標(biāo)的選項對選中的目標(biāo)進行評估,設(shè)評估的等級為1、2、3、4、5,數(shù)字的大小說明該評估目標(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)評估指標(biāo)有m個,選取專家k人(本文默認選取專家的學(xué)識水平、相關(guān)經(jīng)驗上的水平都是相同的),則根據(jù)專家的評分可對所評估的每個目標(biāo)構(gòu)成一個m×k的評分矩陣A。
(2)對比矩陣的構(gòu)建
灰色關(guān)聯(lián)分析的首要條件是選擇一個參考數(shù)列,設(shè)所評估目標(biāo)結(jié)果對應(yīng)的最優(yōu)評估指標(biāo)集F* =f*1 ,f*2 ,…,f*m ,其中f*k 表示第k個指標(biāo)的最優(yōu)值,k=1、2、…m。其中,fnm表示第n個企業(yè)在第m個指標(biāo)的平均評估值,fnm=am1+am2+…+amkk;將最優(yōu)指標(biāo)集與對比矩陣合并,形成一個新的矩陣。
(3)指標(biāo)值的規(guī)范化處理
在評判指標(biāo)里通常有不同的量綱以及數(shù)量綱,因此一般不能進行直接比較,為確保結(jié)果的可靠性,需要對上述指標(biāo)進行規(guī)范化處理。
設(shè)第k個指標(biāo)的變化區(qū)間為fk1,fk2,fk1為第k個指標(biāo)在所有被評估融資企業(yè)中的最小值,fk2為第k個指標(biāo)在所有被評估企業(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)計算綜合評估結(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)的對比數(shù)列,用關(guān)聯(lián)分析法求的第i個企業(yè)第k個指標(biāo)與第k個最優(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)
這樣綜合評估結(jié)果為:R=E×W,即ri=∑mj=1W(k)×εi(k)。式中R=r1,r2,…,rnT為n個被評估企業(yè)的綜合判斷結(jié)果向量;W=w1,w2,…,wmT為m個評估指標(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)險越小。另一方面可以反映某一融資企業(yè)對應(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;
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)運而生。互聯(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性化需求、服務(wù)長尾客群方面具有先天性優(yōu)勢,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,加快個人信貸領(lǐng)域產(chǎn)品和服務(wù)創(chuàng)新,達到業(yè)務(wù)處理的便捷性,提升客戶體驗,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人客戶、中小企業(yè)主等群體,涉及面廣、個性化需求強烈,由于缺乏統(tǒng)一的規(guī)范化管理,風(fēng)險管理難度較大,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)不斷突破與運用,商業(yè)銀行大力發(fā)展個人小額貸款業(yè)務(wù)已成為可能,但同時也應(yīng)看到隨之而來的欺詐風(fēng)險、準(zhǔn)入風(fēng)險等,商業(yè)銀行信用風(fēng)險管理所考量的因素不斷細化。所以,傳統(tǒng)商業(yè)銀行如何運用互聯(lián)網(wǎng)金融的優(yōu)勢來創(chuàng)新發(fā)展個人小額信貸業(yè)務(wù)、搶占個人信貸業(yè)務(wù)市場、高效的解決信息不對稱的問題,有效的管理風(fēng)險將會成為傳統(tǒng)商業(yè)銀行未來不得不考慮的問題。
信貸的核心是風(fēng)險管理,而對于個人小額貸款業(yè)務(wù)而言,風(fēng)險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。所以如何識別不同時期的客戶的信用風(fēng)險并進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際樣本數(shù)據(jù)進行分析,以二分類Logistic回歸為計量工具,通過對商業(yè)銀行的個人信用貸款數(shù)據(jù)進行分析,來識別影響個人小額貸款信用風(fēng)險的主要因素,旨在對商業(yè)銀行在開展個人小額信貸業(yè)務(wù)中的風(fēng)險管理提供一種思路或方法。
二、 文獻綜述
在對貸款風(fēng)險管理的研究中,定量分析方法越來越受到學(xué)者和實踐操作者們的青睞。定量分析法不僅可以優(yōu)化貸款決策,將被動的風(fēng)險管理模式轉(zhuǎn)為積極主動的防范和控制風(fēng)險,還能盡可能的減少拖欠的賬款,降低收回賬款的成本;同時還可以提高貸款決策效率,節(jié)約人力成本,實現(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)展使得銀行運用該技術(shù)進行信用風(fēng)險評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貸款風(fēng)險進行研究,但各有側(cè)重和短板,比如Z-score和ZETA模型只適用于對上市公司進行研究,貝葉斯網(wǎng)絡(luò)模型則主要是偏重于操作風(fēng)險。
大量研究證明Logistic是被廣泛運用于個人信用風(fēng)險評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)測性。該模型的主要優(yōu)勢是:一是因變量取值可以是違約概率與履約概率發(fā)生比的任何自然對數(shù),對自變量沒有任何限制;二是對數(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;三是因變量是一個二分類變量,只能取0或1的數(shù)值,可以直觀的說明某個事件是否發(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)險的時候也多采用Logistic回歸模型。姜秀華等(2002)[5]在采用13個變量進行l(wèi)ogistic回歸分析的基礎(chǔ)上構(gòu)建了財務(wù)危機預(yù)警模型。于立勇(2004)[6][7]首先運用正向逐步選擇法選擇信用風(fēng)險評估指標(biāo)變量,然后在Logistic回歸模型的基礎(chǔ)上構(gòu)建違約概率測算模型。梁琪(2005)[8]將主成分分析法結(jié)合到Logistic模型中進行分析研究,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)測準(zhǔn)確度對和風(fēng)險度量穩(wěn)定性方面都優(yōu)于簡單的logistic模型。油永華(2006)[9]運用Logistic回歸模型對100家上市企業(yè)的信用風(fēng)險進行了定性的評價。石曉軍(2006)[10]運用貝葉斯法對邊界Logistic違約率模型的預(yù)測效果進行了分析。葛君(2010)[11]運用Logistic回歸模型對信用卡信用風(fēng)險進行了研究。羅曉光(2011)[12]將 Logistic 回歸法引入商業(yè)銀行財務(wù)風(fēng)險預(yù)警模型,從資本充足性風(fēng)險、信用風(fēng)險、盈利能力風(fēng)險、流動性風(fēng)險和發(fā)展能力風(fēng)險五個方面建立了適合商業(yè)銀行的財務(wù)風(fēng)險預(yù)警模型。史小康(2015)[13]將非對稱連接函數(shù)的思想引入到信用評級中,將有偏Logistic分布的分布函數(shù)作為連接函數(shù)的反函數(shù),利用實際數(shù)據(jù)來估計偏度參數(shù)和回歸系數(shù)對個人信用進行了研究。
然而隨著互聯(lián)網(wǎng)金融的興起,大數(shù)據(jù)時代的到來,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)也會越來越復(fù)雜多樣,變量之間的關(guān)系也會變得紛繁復(fù)雜。以往研究專門針對個人小額貸款的研究較少,在建模方面,對離散數(shù)據(jù)進行建模尤為更少。本文在現(xiàn)有Logistic回歸模型側(cè)重財務(wù)指標(biāo)的基礎(chǔ)上,以非財務(wù)指標(biāo)為重點來識別和評估商業(yè)銀行個人小額貸款的信用風(fēng)險,旨在為傳統(tǒng)商業(yè)銀行進軍互聯(lián)網(wǎng)金融領(lǐng)域提供一種新思路或者新方法,對風(fēng)險因素進行量化。
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)濟意義表示在控制其他變量水平的情形下, 變化 ,則對數(shù)優(yōu)勢比率變化 或優(yōu)勢比率變化 ,特別的,當(dāng) 為等級變量或啞變量時, 每增加一個等級或變化一種類型,對應(yīng)的兩個樣本之間的對數(shù)優(yōu)勢比率變化 或優(yōu)勢比(OR)率增加 ,由此也可知當(dāng) 大于0時(此時OR>1),每增加一個等級導(dǎo)致個人的違約概率就降低,反正增加。
3.2變量選取
Schreiner(1999)對發(fā)展中國家的小額貸款進行研究表明,可以根據(jù)潛在借款人與歷史不良借款人的特性對違約風(fēng)險進行評估,其中性別、職業(yè)、違約記錄、借款人與信貸員從業(yè)經(jīng)驗以及借貸機構(gòu)性質(zhì)等對貸款違約風(fēng)險產(chǎn)生顯著影響。此外諸如季節(jié)因素、政策變化和市場變化等外部環(huán)境變量也會對違約風(fēng)險產(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),申請與批準(zhǔn)之間的時間長度。Schreiner(2004)的研究對發(fā)展中國家的小額貸款信用風(fēng)險構(gòu)建非常詳細的評估指標(biāo)體系,具體如下圖所示。
在國內(nèi),有部分學(xué)者從對小額貸款的信用評估指標(biāo)體系進行了研究和構(gòu)建,但這些研究基本都是從理論展開論述的。孟建華(2002)對國內(nèi)和國外的小額貸款差異進行了比較細致的研究,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)險評估的最大影響因素。任娜(2011)在對小額貸款公司的貸款客戶類別進行區(qū)分的條件下,在Z 值模型中引入非財務(wù)因素的,設(shè)置二級指標(biāo)進行信用風(fēng)險評估。但是該研究最終未能結(jié)合實際樣本數(shù)據(jù)作進一步分析,對多涉及指標(biāo)的合理性與科學(xué)性沒能進行實證檢驗。此外,國內(nèi)學(xué)者關(guān)于小額貸款信用風(fēng)險評估的相關(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個指標(biāo)作為解釋變量,對個人小額貸款信用風(fēng)險進行評估。
四、數(shù)據(jù)來源及實證
(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,甚至帶來流動性風(fēng)險。本文樣本數(shù)據(jù)來源于中國光大銀行長沙分行的個人信用貸款數(shù)據(jù),從該行2014-2016年辦理信用貸款的客戶中隨機抽選530個樣本數(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)。通過對客戶履約能力的預(yù)判,授信銀行對預(yù)計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。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,虛擬變量的個數(shù)要比分類變量的個數(shù)小1。例如:學(xué)歷有三個分類,但只能建立2個虛擬變量,當(dāng)edu1=0和edu2=0都等于0時表示高中、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
對上述所構(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)計指標(biāo)反復(fù)檢驗比較之后,我們選取的滯后階數(shù)為2,其檢驗結(jié)果最好,檢驗結(jié)果如表3所示。
根據(jù)上表檢驗結(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)模型的計算
從表4我們可以看出,模型似然比為84.89,兩個偽決系數(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)測精度來看,如表5所示,模型對410個履約樣本的預(yù)測準(zhǔn)確率為84.88%,對120個違約樣本的預(yù)測準(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提高,為負值則代表客戶違約率會升高。其影響程度可以通過OR來進行分析。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)歷對違約率的影響較大,應(yīng)納入貸款考察的重點。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)勢比為1360.354。其原因可能是由于其信用觀念的不斷加強以及自身能力的提高,收入也會隨之增加,道德約束感增強,所以更不容易違約,這樣已有的研究文獻結(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,同時也受社會責(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,主要是因為教育水平高、信用觀念、法律意識較強,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,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蓄存款、銀行理財?shù)确€(wěn)定性收益產(chǎn)品,屬于相對保守型投資,他們認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習(xí)慣,所以對于自己的資金使用有著合理而清晰的計劃,每月會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,縣級市、地級市的客戶違約概率較大。原因主要有兩點,一是一、二線城市市民受教育程度更高、信用觀念更強、工作與收入也更加穩(wěn)定;二是縣級、地級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、自然等因素影響較大,投資風(fēng)險較大。
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際樣本數(shù)據(jù),通過格蘭杰因果檢驗和構(gòu)建Logistic回歸模型,對個人小額貸款的信用風(fēng)險進行了實證分析,本文所構(gòu)建評估模型對離散數(shù)據(jù)和分類數(shù)據(jù)有著特有的優(yōu)勢。文章主要結(jié)論如下:
第一,從格蘭杰因果關(guān)系檢驗來看,在置信水平10%條件下,本文根據(jù)以往研究的文獻和相關(guān)理論選取的9個指標(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個變量都顯著相關(guān),模型結(jié)果較好,解釋程度達75%以上。
第二,從風(fēng)險因素的影響顯著程度來看,年齡、收入、職業(yè)水平以及學(xué)歷對違約率的影響較大,應(yīng)納入貸款考察的重點。年齡是特別顯著影響個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)勢比為1360.354倍。國有企業(yè)、股份制企業(yè)的員工與私營個體戶的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,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。個人的信用風(fēng)險在對不同的性別也有著顯著差異,女性的優(yōu)勢比男性的1.76倍。此外縣級市、地級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)金融時代,為了提高個人小額貸款信用風(fēng)險管理水平,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的風(fēng)險因素,要結(jié)合定性和定量的方法對信用風(fēng)險進行評估,構(gòu)建適合我國商業(yè)銀行實際情況且易于操作的風(fēng)險評估指標(biāo)體系,定量化分析與評估信用風(fēng)險。在具體操作方面,我們建議:在篩選個人小額貸款客戶時,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)有針對性地對其進行有效規(guī)避和分散。
六、參考文獻
[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,孫錚. 上市公司財務(wù)危機預(yù)警模型研究[J]. 預(yù)測,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)測研究[J]. 財經(jīng)研究,2004,09:15-23.
[7] 于立勇,詹捷輝,金建國. 內(nèi)部評級法中違約概率與違約損失率的測算研究[J]. 統(tǒng)計研究,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,2005,01:100-103.
[9] 油永華. 企業(yè)信用狀況的定性評價――基于logistic回歸模型的分析[J]. 統(tǒng)計與信息論壇,2006,06:85-88.
[10] 石曉軍,任若恩,肖遠文. 邊界Logistic違約率模型Bayes分析及實證研究[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)銀行財務(wù)風(fēng)險預(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回歸模型及其在個人信用評級中的應(yīng)用研究[J]. 數(shù)理統(tǒng)計與管理,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
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),因為制造行業(yè)有著清晰且規(guī)范的供應(yīng)鏈系統(tǒng),各個節(jié)點的企業(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)會停牌調(diào)查的不良企業(yè)。
本文的財務(wù)指標(biāo)數(shù)據(jù)選取為證恢星提供的,選取2015年9月30日季度財務(wù)報表數(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對數(shù)據(jù)進行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)金流動負債比, 每股經(jīng)營性現(xiàn)金流.
表2中10個主要指標(biāo)的變量檢驗統(tǒng)計量的顯著性水平,10個主成分以及常量的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)險管理對策和建議
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)定整個供應(yīng)鏈節(jié)點上相關(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,銀行要與核心企業(yè)做好溝通,選取在供應(yīng)鏈節(jié)點上貿(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,對中小企業(yè)進行不同的側(cè)重點審查。例如在開展應(yīng)收賬款類業(yè)務(wù)過程中,銀行要對中小企業(yè)的運營能力和償債能力進行重點審查。對于融通倉和保兌倉來說,銀行應(yīng)該重點考察中小融資企業(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。銀行要提高信用評價標(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。其次,還要對核心企業(yè)的地位進行考察。如果核心企業(yè)在整個供應(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)競爭中處于領(lǐng)先位置。最后,銀行也要對核心企業(yè)的運營狀況進行嚴(yán)格的監(jiān)督審查。因為核心企業(yè)本身處于整個供應(yīng)鏈的重要位置,其運營政策關(guān)系著整個供應(yīng)鏈的穩(wěn)定發(fā)展,再加上核心企業(yè)處于行業(yè)競爭的領(lǐng)先地位,所以更要加大對核心企業(yè)運營狀況的監(jiān)督審查,充分了解核心企業(yè)的基本生產(chǎn)運營狀況。
(三)供應(yīng)鏈的選擇和管理
因為供應(yīng)鏈金融業(yè)務(wù)的開展是建立在整個供應(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,加大對供應(yīng)鏈整體實力的審核,例如整個供應(yīng)鏈節(jié)點上相關(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。整個供應(yīng)鏈節(jié)點上相關(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)進行合作時,會優(yōu)先考慮物流企業(yè)的基本素質(zhì),這一要素,通過對物流行業(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)的基本運營能力和專業(yè)水平,這一要點,則需要銀行對其企業(yè)規(guī)模、運營狀況、信用狀況以及對貨物的保存、管理水平進行綜合評估。(作者單位:曲阜師范大學(xué)經(jīng)濟學(xué)院)
參考文獻:
[1] 彎紅地.供應(yīng)鏈金融的風(fēng)險模型分析研究[J].經(jīng)濟問題, 2008(11):109-112
[2] 陳李宏,彭芳春.供應(yīng)鏈金融發(fā)展存在的問題及對策[J].湖北工業(yè)大學(xué)學(xué)報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)險防范[J].網(wǎng)絡(luò)財富――經(jīng)濟縱橫,2008(9):103-104
[4] 高珉,余思勤,袁象.供應(yīng)鏈融資的信用風(fēng)險控制[J].航運金融.2009,31(7):33-35
篇9
關(guān)鍵詞:信用卡風(fēng)險;評估;層次分析法;灰色GM(1,1)模型
中圖分類號:F830.5文獻標(biāo)志碼:A文章編號:1673-291X(2011)19-0067-02
一、引言
近年來,中國消費信貸快速發(fā)展,對擴大內(nèi)需、推動經(jīng)濟持續(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)險管理水平羅低,管理手段和方法相對落后,缺乏有效的申請評估方法來規(guī)避信用風(fēng)險。如何有效分析信用風(fēng)險狀況,關(guān)系到銀行自身的經(jīng)營風(fēng)險。
在信用評級研究中,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MDA進行了改進,主要有對數(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)銀行對信用風(fēng)險評估相關(guān)數(shù)據(jù)重視不足,造成有效信息的缺失,灰色預(yù)測模型具有少樣本預(yù)測的特點已被廣泛應(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)測模型相結(jié)合的組合評價方法對信用卡申辦人進行信用等級評估,以尋求降低信用卡信用風(fēng)險的有效措施。
二、組合評估模型
(一)AHP計算信用卡申請指標(biāo)權(quán)重
參照國際標(biāo)準(zhǔn)、國內(nèi)外銀行經(jīng)驗和個人信用等級評估方法,綜合考慮商業(yè)銀行特點與所在地區(qū)情況,通過對以往申請人群的考察,以專家判斷為基礎(chǔ),選擇四大類17個指標(biāo)來評價個人信用等級(見表1)。
根據(jù)影響個個信用等級的主要因素建立系統(tǒng)的遞階層次結(jié)構(gòu),運用AHP確定各評估指標(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兩元素的相對重要性標(biāo)度。
Step 2: 判斷矩陣A的一致性檢驗,評估矩陣的可靠性。檢驗方法為:
1.計算一致性指標(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.計算平均隨機一致性指標(biāo)IR:隨機構(gòu)造500個樣本矩陣,隨機地從1~9及其倒數(shù)中抽取數(shù)字構(gòu)造正負反矩陣,求最大特征根的平均值λ′ max,和IR=(λ′ max-n)/(n-1)。查找相應(yīng)的平均隨機一致性指標(biāo)IR(見表2)。
3.計算一致性比RC=IC/IR,當(dāng)Rc
Step 3: 計算層次單排序及總排序。層次單排序是根據(jù)判斷計算對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)由上而逐層計算,即可計算出最低層因素相對于最高層總目標(biāo)的相對重要性的排序值。
(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際上是一個帶初值的微分方程,見(1)式。
+ax (1)(t)=ux (1)(1)=x (0)(1),其中a,u為待定參數(shù)。 (1)
對(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
對式(2)通過累減還原,得預(yù)測值:
(0 )(1)=x (0)(1) (0)(k)=(1-ea)(x (0)(1)-)e-a(k-1 ),k=2,3…,n (5)
(三)AHP-GM11模型及其實現(xiàn)
1.模型輸入點的選取。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,可認為它們均有滿意的一致性。對權(quán)值累計貢獻率>=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)險指標(biāo)體系,并作為輸入值。
2.GM模型預(yù)測。有了評估體系后,銀行就可根據(jù)信用卡申請者或者信用卡授卡對象的歸一化數(shù)據(jù)通過GM(1,1)模型得到預(yù)測結(jié)果。如果預(yù)測值>=0.8,說明申請者由于各種原因,申請者壞賬風(fēng)險比率高,銀行應(yīng)拒絕申請;如果0.4
3.模型的實際應(yīng)用。本文結(jié)合實際情況,選取10個樣本進行預(yù)測[13],預(yù)測結(jié)果(見表3)。
三、結(jié)論
運用基于AHP和GM模型的風(fēng)險評估模型可以同時考慮客戶的一些靜態(tài)和動態(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)險防范提供了依據(jù)。
但與此同時,在評價每個因素時,有時會出現(xiàn)某些指標(biāo)的權(quán)重過高導(dǎo)致其綜合評價指數(shù)偏高,而影響其信用狀況評定。所以,如何更好地確定指標(biāo)權(quán)重,進一步提高評估模型的穩(wěn)定性、合理性將是作者今后的研究方向。
參考文獻:
[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)險評估研究[J].管理科學(xué)學(xué)報,2001,(1):28-32.
[5]李建平,徐偉宣,劉京禮,石勇.消費者信用評估中支持向量機方法研究[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)險的宏微觀分析[J].財會研究,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)濟師,2007,(5):23-24.
[12]信用評分及其應(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.個人信用卡申請風(fēng)險評估模型[J].中國信用卡,2007,(6):30-33.
[14]詹志斌.對提升中國商業(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
鐵路信號系統(tǒng)的建立為列車的安全、準(zhǔn)時、舒適等方面提供了良好的保障,而風(fēng)險評估是為了確保信號系統(tǒng)的正常運行。具體而言,風(fēng)險評估技術(shù)在鐵路信號系統(tǒng)的應(yīng)用過程中,首先需要進行前期的安全評估,通過這一階段的評估,對可能存在的安全隱患進行分析,并做好記錄,然后通過對系統(tǒng)的監(jiān)測,從而實現(xiàn)對安全隱患的有效控制,由此可見,風(fēng)險評估技術(shù)對于鐵路安全的保障有著重要的意義。針對風(fēng)險評估技術(shù)在鐵路信號系統(tǒng)中的應(yīng)用,發(fā)達國家的研究比較早,而且在研究過程中,已經(jīng)促使風(fēng)險評估技術(shù)的應(yīng)用逐漸走向成熟,論文則通過對國外風(fēng)險評估技術(shù)研究的借鑒,對我國鐵路信號系統(tǒng)中風(fēng)險評估技術(shù)的應(yīng)用進行探討。
2危害識別———HAZOP方法
2.1HAZOP方法簡介
危害識別是風(fēng)險評估技術(shù)應(yīng)用的第一階段,HAZOP方法是進行危害識別的主要方法,在這一方法的應(yīng)用過程中,重點工作是通過組織會議并對相應(yīng)的實踐操作細節(jié)進行分析,在具體工作開展時,要求各類專業(yè)工作者深刻分析每一個單元的內(nèi)容,通過上述活動的開展,找出存在的偏差,并且對所查找偏差可能會導(dǎo)致的嚴(yán)重后果進行分析,在分析過程中,往往需要借助引導(dǎo)詞來引出偏差。在整個過程中,專業(yè)人員通過對所出現(xiàn)的偏差進行鎖定,然后深層次地分析偏差產(chǎn)生的原因及可能會造成的后果,然后對現(xiàn)有的安全防護進行重新評估,最后再通過必要的措施進行完善。HAZOP是整個系統(tǒng)的一部分,其主要作用是用來識別系統(tǒng)的本質(zhì)特征,在HAZOP方法運用過程中,會涉及材料的調(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,首先需要對系統(tǒng)進行單元劃分,單元劃分的主要目的在于能夠使HAZOP方法所發(fā)現(xiàn)的偏差更加準(zhǔn)確,如果單元劃分不合理,則很容易導(dǎo)致評估結(jié)果不準(zhǔn)確,進而影響到安全防護工作,在一些鐵路信號系統(tǒng)中,可以從宏觀角度考慮實施單元劃分,例如,監(jiān)測機、計軸設(shè)備、4050智能1/0模塊、交換機及站間通信等,因此把每個組成部分作為一個單元進行分析。[1]而偏差的確立是HAZOP的核心部分,在偏差確立過程中,會使用到三種方法,包括偏差庫篩選法、知識確立法以及引導(dǎo)詞確立法。
2.2HAZOP實施過程分析
HAZOP方法在具體實施過程中主要包括四個主要步驟。第一階段,作出定義。整個工作的開展,首先應(yīng)該獲得項目經(jīng)理的批準(zhǔn),然后針對HAZOP的實施選定組員并任命組長,接著在組員的討論下,對研究的范圍進行確立,通常情況下,研究范圍所涉及的內(nèi)容包括系統(tǒng)設(shè)計表現(xiàn)、系統(tǒng)生命周期、系統(tǒng)物理邊界等。第二階段,進行準(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。在這一階段需要進行審查會議,在會議正式開始之前,需要對整個審查流程提前熟悉,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,在會議中,需要對所使用的引導(dǎo)詞進行明確解釋,而且要對具體操作中可能存在的問題以及應(yīng)對方法進行討論。第四階段,文件記錄和跟蹤階段。這一階段需要對會議中討論的結(jié)果進行整理和記錄,并且做好存檔工作,還應(yīng)該將討論到的內(nèi)容進行完整記錄,而且需要對整個會議的討論內(nèi)容進行匯總,并提煉出結(jié)果,以此來形成HAZOP的報告文件。
3鐵路自動站閉塞系統(tǒng)定性風(fēng)險評估
為了確保風(fēng)險評估結(jié)果的準(zhǔn)確性,評估人員主要依賴于HAZOP技術(shù),在具體操作過程中,還應(yīng)該結(jié)合風(fēng)險矩陣法,在評估過程中,包括兩方面的內(nèi)容:
3.1系統(tǒng)危害識別
在危害識別過程中,首先應(yīng)該進行單元劃分,單元劃分主要是為了明確每一個模塊的具體內(nèi)容。其次,將偏差和引導(dǎo)詞的確定因子予以明確,其中,包括多個方面的內(nèi)容,如材料、操作活動以及設(shè)施設(shè)備等,設(shè)備的正常運作是系統(tǒng)運行的重要保障,這就意味著在危害識別過程中,在整個系統(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。在閉塞機單元中,使用了雙機熱備,所以,在設(shè)備運行過程中,會進行主閉塞機和備閉塞機切換,切換過程中主要存在的問題有兩個,第一是備閉塞機的功能失效,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)詞會進行合并,在這種情況下,所出現(xiàn)的偏差包括兩種,分別是閉塞機永久失效和閉塞機間隔性失效。對于監(jiān)測機單元而言,其與閉塞機單元的偏差確定方法基本一致,所存在的偏差也包括兩種,即閉塞機永久失效和閉塞機間隔性失效。使用同樣的偏差確定方法來對4050智能1/0模塊進行偏差確定,最終確立的偏差內(nèi)容則分為控制臺亞當(dāng)ADAN405O模塊失效和組合架亞當(dāng)ADAN4050模塊失效。針對站間通信部分,其主要包括兩個因素,其一為通信終端,其二為通信誤碼。針對前者,其引導(dǎo)詞同樣可以進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和計軸設(shè)備、閉塞機和檢測設(shè)備的偏差確定方面。
3.2接口危害識別
在風(fēng)險評估過程中,所涉及的微機化自動站間閉塞系統(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、與計軸設(shè)備相連接的接口、與控制系統(tǒng)連接的接口等,針對上述接口,則需要根據(jù)相應(yīng)接口的組成部分進行劃分,而且使用危害識別中同樣的方式對引導(dǎo)詞和偏差進行確立[2]。
3.3風(fēng)險分析和評價
在系統(tǒng)的最初設(shè)計階段,則需要通過全面的風(fēng)險評估活動,對系統(tǒng)中的各類風(fēng)險進行等級劃分,最終確立的不同等級風(fēng)險中,有四類風(fēng)險不能夠被接受,此類風(fēng)險的存在很容易對系統(tǒng)產(chǎn)生較大的負面影響,如果不及時防范,則很可能引發(fā)巨大的損失,所以,為了確保鐵路信號系統(tǒng)的正常運行,必須將此類風(fēng)險降到最低。對于接口危害而言,被認為是不可接受的四類風(fēng)險分別是事故復(fù)原按鈕操作失誤、到達復(fù)原按鈕操作失誤、模式切換按鈕操作失誤以及計軸復(fù)零按鈕操作失誤等,對待此類危害,應(yīng)該慎重對待,并且盡可能降低風(fēng)險等級。例如,在地鐵風(fēng)險評估過程中,采用HAZOP分析法進行危害識別,根據(jù)類似危害記錄和專家觀點對危險信號進行判斷,其中,最為嚴(yán)重的危害是“DTG模式下運行權(quán)限錯誤”,然后借助故障樹進一步查找“DTG模式下運行權(quán)限錯誤”的原因(見圖1)。之后需要根據(jù)事件的后果進行損失分析,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)險評估技術(shù)在鐵路信號系統(tǒng)的應(yīng)用中,首先應(yīng)該利用HAZOP方法進行風(fēng)險識別,然后在此基礎(chǔ)上進行風(fēng)險評估,并且根據(jù)評估結(jié)果采取恰當(dāng)?shù)姆椒▽L(fēng)險降到最低,從而確保鐵路信號系統(tǒng)的正常運行。
【參考文獻】
【1】閆勝春.探討供電系統(tǒng)對鐵路信號系統(tǒng)的干擾[J].黑龍江科技信息,2016(33):77-78.
- 上一篇:現(xiàn)代成本控制
- 下一篇:風(fēng)險投資市場
熱門標(biāo)簽
信用社剖析材料 信用政策 信用評價 信用監(jiān)管案例 信用危機 信用原則論文 信用風(fēng)險論文 信用環(huán)境 信用證 信用管理學(xué) 心理培訓(xùn) 人文科學(xué)概論
相關(guān)文章
2商業(yè)銀行供應(yīng)鏈金融信用風(fēng)險管理對策
3醫(yī)療器械行業(yè)信用政策與風(fēng)險管控對策