信用风险评估范文
时间：2023-04-11 15:48:35
导语：如何才能写好一篇信用风险评估，这就需要搜集整理更多的资料和文献，欢迎阅读由公务员之家整理的十篇范文，供你借鉴。
篇1
长沙银行成立于1997年5月，是湖南省首家区域性股份制商业银行。成立12年来，长沙银行取得了喜人的发展成绩。紧紧围绕“政务银行、中小企业银行、市民银行”的特色定位，以及“四个三”的客户发展计划，初步形成了自身的经营特色和核心竞争能力。由于信用评价制度是一个复杂的系统工程，涉及到各方面的因素，同时我国信用评价研究起步较晚，目前我国尚未建立一套全国性的客户信用评价制度与体系。长沙银行对贷款企业进行信用评级的主要做法是：根据评估的需要设置若干组评估指标，对每一指标规定一个参照值。如果这一指标、达到参考值的要求就给满分，否则扣减该指标的得分。最后将各指标的得分汇总，并按总分的高低给贷款企业划定信用等级，作为贷款决策的依据。该种方法的不足之处在于：（1）评级指标、体系的构成是通过内部信贷专家确定的，缺乏定量化，具有不确定因索，有待进一步深入研究。（2）指标、权重的设置主要依靠专家对其重要性的相对认志来设定，缺乏科学性及客观性。（3）缺少对贷款企业各方面能力的量化分析，在对偿债能力等重要指标上只采用直接观察法，凭经验据报表估计其能力，有很大的主观性。（4）缺少对非财务因素的分析和现金流量的量化预测。
二、加强长沙银行信用风险评估建设
（一）完善信用评价指标体系和评价方法
长沙银行要建立内部评级体系，既要学习借鉴国外模型的理论基础、方法论和设计结构，又要紧密结合本国银行系统的业务特点和管理现状，研究设计自己的模型框架和参数体系。要充分考虑诸如利率市场化进程、企业财务欺诈现象、数据积累量不足、金融产品发展不充分、区域风险差别显着、道德风险异常严重等国内特有因素。只有深刻理解中国的金融风险，才能建立起有效的风险评级模型，这需要信用风险系统设计师不仅掌握先进理论方法，还能够对长沙银行的现实问题提出技术对策。
（二）加强培训，提高银行评级人员的素质
长沙银行应加强与国际专业评级机构如穆迪公司、标准普尔公司合作，加快培养、建立评级专业人才队伍，负责内部评级实施和维护工作。同时聘请国外银行和评级公司的专家，对这些人员进行集中培训，或派往国外培训，使之成为风险量化专家和未来的金融工程专家，为国内商业银行新型评级系统的建立健全出谋划策。
在评级过程不可避免的会存在部分道德层面上的问题从而引发操作风险。对此，要从思想意志上对相关人员进行教育，增强其主人翁责任感；要将政治素质好、业务能力强的工作人员优先充实到信贷岗位。
（三）加强行业研究，建立和完善信用风险管理基础数据库
没有高质量的数据积累，信用评级的模型及各项指标则无用武之地。长沙商业银行要完善数据积累，必须在确保客户信息的完整性和准确性前提下，加快信用评级所需数据的收集，同时完善不良客户信息的收集。另外，长沙银行应根据客户的资产负债状况、市场环境等情况及时更新客户信息，以便做出准确的风险分析。在充分获取数据的同时，商业银行要加强信息技术系统的建设，并且要保证信息技术系统的可信度和稳健性。同时，必须按照行业进行适当分工，通过对不同行业的长期、深入研究，了解和把握不同行业的基本特点、发展趋势和主要风险因素，可以为受管理对象在同一行业内部和不同行业之间的风险比较创造必要条件，从而为信用级别的决定提供参照。
篇2
【关键词】制造业上市公司 信用评估 主成分分析 logit
一、序言
“中国制造”曾一度风靡全球，成本低廉。而现在，“中国制造”正遭遇着空前的危机，越来越多的人对中国制造业的前景表示不乐观。中国制造产业目前大多数仍停留在产业链的最低端，产品技术差，利润小，基于这种情况，市场一旦出现问题，企业就会难以为继。另外，中国虽然被称为制造大国，但是真正拿得出手的品牌却很少。制造业上市公司的信用风险，严重地影响到了社会上广大投资者和金融机构经营收益，信用风险已经成为市场环境中上市公司所面临的最重要的金融风险，识别和防范上市公司信用风险极为重要。
二、国内外研究现状
WilliamBeaver（1966）在1968年提出了单变量预测模型。他将79家失败企业和与其相对应的79家成功企业作为样本进行研究，结果表明，债务保障率的准确率最高，并且离被ST的时间越近，准确率越高。Ohlson在1980年将1970到1976年间的105家破产公司和2058家非破产公司作为非配对样本，首次采用逻辑回归方法建立预警模型。
陈静（1999）将1998年之前的27对上市公司作为样本，用总资产收益率，流动比率，净资产收益率和资产负债率这四个财务指标进行研究，发现这种方法虽然有局限，但具有一定的实践意义。张爱民、祝春山（2001）在Z评分模型的基础之上，选取80家公司，采用主成分分析方法来建立主成分预测模型，并证明主成分预测模型在上市公司务状况预测方面能够取得较好的预测能力。陈晓兰和任萍（2011）将AHP与Logit相结合，构建了混合模型，其预测正确率达到了93.3%。
三、我国制造业上市公司信用风险评估实证研究
本文采用logit的方法来对我国制造业上市公司信用风险的评估进行实证研究，在使用logit的方法研究之前，先对数据进行预处理，对数据进行标准化，并进行主成分分析。使用主成分分析之后的指标与数据带入logit中，得到最终的结果。
（一）样本选取
本文采用我国深市制造业上市公司中的非ST公司和ST公司作为样本。选择2009～2015年间首次被ST或*ST的上市公司作为ST样本，选择2005年前上市并且从未被ST的上市公司作为非ST的样本。这是因为刚上市的公司可能因为经营不稳定等原因，各种数据可能与早上市的公司有所差距，导致模型的不准确。
（二）数据来源
本文从锐思（RESSET）金融研究数据库中获取数据，选择2005～2015的所有深市制造业上市公司的ST与非ST情况，从中选出2009～2015年间首次被ST或*ST的上市公司的14家作为ST样本，并从中挑出所有2005～2015年间从未被ST的公司作为备选非ST组。搜索每一个ST样本所属的二级分类，并从备选非ST组中选择与之同行业的，资产总额最接近的一家非ST公司作为该ST公司的配对样本，这样获得了14个非ST样本。由于上市公司某一年的财务报表在下一年的四月份才会，所以企业在某一年被ST表明该企业在T-1年已经连续亏损两年，所以我们选择ST前两年（即T-2年）的数据样本数据。我们选择如下指标：每股净资产（元/股）_NAPS、资产负债率（%）_Dbastrt、每股息税前利润（元/股）_EBITPS、每股未分配利润（元/股）_UndivprfPS等指标。
（三）数据分析
主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。本文的研究所选用的变量相互之间都存在着很大的多重共线性，所以我们首先使用主成分分析来消除相关性。
由结果可知，第一个主成分的特征根为4.84235，占总特征根的比例（方差贡献率）为0.4842，这表示第一个成分解释了原来10个变量的48.42%。可见第一个成分对原来10个变量的解释不够。加上的二个主成分之后，方差贡献率变为0.7097，前两个成分可以在很大程度上解释原来10个变量。其中，成分1主要代表的变量为x2，x4，x5，x6，x7，x8，而成分2主要代表的是x1，x3，x7，x9，x10。
我们的模型中，因变量属于二值选择模型，因此，不可以使用简单的回归，而应该使用logit回归。根据主成分分析得出的数据，我们使用STATA进行logit检验。
结果显示，主成分1的p值为0.265，主成分2的p值为0.671。由此可知，两种主成分都不显著。这可能是由于选取的变量对一个企业是否被ST没有起到决定性的作用，但这不能说明企业的各种状况不影响企业是否被ST。
四、建议
基于logit信用风险评估未来研究的几点建议：
一是本文中选择的指标最初为10个，由于实证结果并不理想，所以笔者建议，未来的研究者可以加大指标的数量，并对指标进行更严格的筛选，以求最高的准确率。
二是可以尝试将logit与其他方法相结合的混合方法，以完善信用风险评估模型。
参考文献
[1]W.H.Beaver，Financial Rations as Predictors of Failure[J].Journal of Accounting Research （supplement），1966：77-111.
[2]Ohlson.J.A，Financial Ratios and the Probabilistic Prediction of corporate bankruptcy[J].Journal of Accounting Research，1980（1）：109-131.
[3]陈静.上市公司财务恶化预测的实证分析[J].会计研究.1999（4）.
篇3
【关键词】评估方法 信用风险 随机森林
一、引言
信用不论对于人、社会、还是国家都尤为重要，是现代社会的基石。我国1999年建立征信体系至今，一直缺乏对个人信用风险评估的基础理论的深究，个人征信系统的发展十分滞后，严重阻碍了我国信用借款和中国社会经济的健康发展。本文立足征信的基本理论和实践，运用随机森林的方法，以lending club公司的借款人数据为依据，对我国个人信用风险的评估方法进行研究和分析。
二、筛选变量
（一）样本数据
本文从lending club 公司2014年1月到2015年3月31日的借款人数据中，筛选出交易状态已经完成的30719条样本。从中筛选训练集10000个样本，其中7000个履约样本，3000个违约样本；筛选测试集2325个样本，其中2000个为履约样本，325个为违约样本。
（二）定义变量
本文定义借款状况为被解释变量，履约取“1”、违约取“0”；借款金额（x1）、借款期限（x2）、借款利率（x3）、分期付款（x4）、工作年限（x5）、住房所有权-按揭（x6）、住房所有权-租用（x7）、年收入（x8）、收入认证（x9）、借款目的-购买固定资产（x10）、借款目的-偿还债务（x11）、收入负债比（x12）、逾期次数（x13）、公开信用账户（x14）、毁誉记录（x15）、循环额度利用率（x16）、信用账户（x17）、清单初始状态（x18）、月还收入比（x19）、建立信用年限（x20）这20个指标为解释变量。其中， x6、x7、x9、x10、x11、x18为名义变量，对应的属性为真时取“1”，为假时取“0”。
（三）spearman法筛选变量
本文通过spearman秩相关检验，根据检验结果的相关系数由大到小选取相关性较强的变量：x3（-.307**）、x19（-.131**）、x16（-.148**）、x2（-.140**）、x9（-.131**）、x8（.127**）、x12（-.106**），且变量之间不存在多重共线性。
三、实证分析
（一）特征的选取：
随机森林模型选择适当的变量个数，不仅可以提高准确度还可以使模型复杂的计算过程，提高模型的效率。故本文逐步剔除一些不相关的变量，以达到最优的预测效果。当变量个数为20个的时候，通过随机森林训练结果可以查看其变量的重要程度。
由图3-1，对借款人是否违约的分类结果贡献最大的几个特征分别是：x3、x19、x1、x4、x8、x18、x9、x12。依据重要程度的高低值逐步剔除表格后的准确率（由于多数变量与被解释变量相关性较小，故直接筛选到8个变量）。
上表3-1可得：当变量为四个，五个和两个的时候，准确率较高。但是，变量为两个又不足以判断一个人信用状况，导致真实情况判别结果的失真，因此在实际应用中应该考虑选取较多变量为好。
（二）树的颗树的选择：
树的颗树的选择直接影响到随机森林训练结果的准确度。本文选取了300棵树以探究树的颗数的选取对判断准确性的影响。
经验证：当树的棵树选择小于100时，随着树选择的增多，其模型判断的错误从大约26%下降到18%左右。而继续随着棵树的增加，模型的错误率下降的速率变得缓慢，基本趋于平稳。由此可以看出模型的判断准确率大约为82%。
（三）预测结果
根据对特征的选取和模型参数的设定，本文最终选取x3和x19，参数ntree选择为500棵。运用训练集数据得到随机森林模型的训练结果为：模型总的准确率可达81.87%。其中对履约人群的判断为92.63%，对违约人群的判断为56.77%。运用测试集的数据得到预测结果为：83.10%。综上可得：随机森林模型有很好的预测性。
参考文献：
[1]刘峙廷.我国P2P网络信贷风险评估研究.广西大学，2013.5.
[2]王富全.个人信用评估与声誉机制研究[M].山东大学：王富全，2010.
篇4
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。
篇5
关键词：商业银行；信用风险；宏观压力测试
中图分类号：F832.2文献标识码：A 文章编号：1002-2848-2008（06）-0066-08
一、引 言
自20世纪70年代末到21世纪初，全球有93个国家先后爆发了112次系统性银行危机。尤其90年代以来频频爆发的金融危机――如1987年美国股市崩盘、1994年美国利率风暴及中南美洲比索风暴、1997年亚洲金融危机、1998年俄罗斯政府违约事件，特别是2007年春季开始的次贷危机最终演变为2008年的全球金融风暴，波及范围之广，影响程度之大，史无前例。它们不仅使一国多年的经济发展成果毁于一旦，还危机到一国的经济稳定，对全球经济也产生了强大的冲击。［1］
收稿日期：2008-07-05
项目资助：本文受到西安交通大学“985工程”二期资助（项目编号：07200701），国家社会科学基金（08DJY156）资助。
作者简介： 李江（1962-），湖南省湘潭市人，金融学博士，西安交通大学经济与金融学院副教授，
硕士研究生导师，研究方向：金融风险管理；刘丽平（1982-）,女，河北省承德市人，西安交通大学经济与金融学院硕士研究生，研究方向：财务预警。
金融系统的宏观压力测试是一类前瞻性分析的工具，用于模拟“异常但合理” 宏观经济冲击对金融体系稳定性的影响，可以帮助中央银行识别金融体系的薄弱环节，有助于各方理解金融部门与宏观经济之间的联系，同时提高中央银行和金融机构的风险评估能力。因此，受到各国金融监管当局的重视，逐渐成为检验一国银行体系的脆弱性，维护金融稳定的首选工具。在金融全球化的趋势下，随着我国金融市场的完全开放，我国金融业和国际金融市场的逐步融合，是否拥有一个稳定和富有竞争力的银行体系对于中国而言显得非常迫切。对银行体系进行稳定性评估，尤其是对银行体系面对的信用风险
进行宏观层面的压力测试，对防范和化解系统性金融风险，维护中国金融稳定和安全具有重要意义。
下面研究宏观压力测试在银行信用风险评估中的应用，通过对国外已有的成熟模型理论成果分析比较的基础上，根据我国的宏观经济及金融发展特点，经济、金融数据统计及披露特点，模型的数据需求深度广度要求，建立适用于我国的模型并以此进行实证分析。
二、文献综述
（一）宏观经济因素对银行信贷违约风险的影响
McKinnon R［2］认为，宏观经济稳定时，银行经营行为非常保守，不会出现不顾风险单方面追求效益的现象。但在实际汇率波动、通货膨胀出现等宏观经济不稳定的情况下，政府或明或暗的存款担保，导致银行会产生以高利率对高风险项目贷款的风险行为。Donald van Deventer［3］通过线性回归分析，确定了宏观因素对银行股价变动的解释在统计上是显著的。
对20 世纪80 年代以来各国银行不稳定尤其是银行危机现象, 国际组织和国内外学者进行了大量研究, 积累了十分丰富的实证资料。尤其是来自美国、英国、澳大利亚、芬兰的许多国外学者, 在对20 世纪80、90 年代全球银行不稳定事件的实证分析中发现, 宏观经济因素波动在各国银行不稳定中扮演着重要角色。Tom Bernhardsen［4-5］建立起银行破产与不良贷款和宏观经济因素的关系模型，并且利用欧洲国家的面板数据进行了实证检验。Erlenmaier U［6］和Gersbach H［7］利用挪威中央银行的宏观经济模型RIMINI对总体审慎指标的趋势与发展进行预测，并且建立了评估贷款违约率的宏观信贷方程。Froyland E和Larsen K［8］利用RIMINI对银行不良贷款在宏观经济波动情境下进行了压力测试。Pesola J［9］分析了银行系统危机对宏观经济因素波动的敏感性，并利用芬兰的数据通过建立模型对两者之间的关系进行定量分析。Virolainen K［10］对芬兰金融风险的实证评估，建立了宏观信贷模型并进行宏观压力测试，揭示了芬兰银行系统贷款违约风险与宏观经济波动的相关性。
国内对于银行体系的稳定评估的实证研究，包括陈华，伍志文［11］运用1978～2000年间的数据对我国银行体系脆弱性状况进行了量化分析。结果发现,中国整个银行体系在1978～2000年之间有11年是不稳定的,尤其是在1992年和1998年前后更为突出,银行体系出现了不稳健的征兆,存在较大的金融风险。
（二）宏观压力测试理论和实践
在执行宏观压力测试使用的宏观信贷模型的研究领域，有两个学者的模型框架占据举足轻重的地位，并为日后的学者不断的进行模型的拓展研究和实证应用奠定了良好的基础。他们是Wilson T C［12-13］和 Merton R［14］。Wilson对各工业部门违约概率对一系列宏观经济变量的敏感度直接建模。模型的思想是对违约概率和宏观因素的关系进行建模，模拟将来违约概率分布的路径，就可以得到资产组合的预期异常损失，进而模拟出在宏观经济波动冲击下的违约概率值。相比较而言，Merton模型则多加入了股价对宏观要素的反映，将资产价格变动整合进违约概率评估模型。因此，前一种模型更直观，计算量较小；而后一种方法对数据的广度和深度的要求以及计算量要求都很高，其中有些市场数据也许是信贷风险的噪音指标。
世界各地的学者，运用上述模型框架进行了大量的实证研究。Vlieghe G［15］对英国银行体系累加的企业违约概率进行建模估计，发现GDP、实际利率和真实工资水平具有较显著的解释能力。Bunn P,Cunningham A和Drehmann M［16］曾使用probit模型来测算英国企业部门的贷款违约风险。Boss M［17］针对加总的企业违约概率估计出宏观经济信贷模型来分析澳大利亚银行部门的压力情境，结论说明工业产值，通货膨胀率，股票指数，名义短期利率和油价都是违约概率的决定因素。Marco M 、Sorge、KimmoVirolainen［18］利用Wilson模型框架对芬兰银行系统的信贷违约概率进行了宏观压力测试分析。结果证明在压力情境下，违约概率（PD, portability of default）的蒙特卡罗模拟分布明显异于常态分布，其Var值远高于基期的测算值。Jim Wong,Ka-fai Choi和 Tom Fong［19］建立了香港零售银行面对宏观经济波动的信贷风险宏观压力测试框架。模型框架中引入的宏观经济变量包括：国内生产总值（GDP），利率（HIBOR），房地产价格（RE）和大陆的GDP。同时用宏观压力测试评估了香港银行体系的贷款资产和住房抵押贷款风险暴露。压力情境的设定模拟了亚洲金融危机时发生的宏观经济波动，并分别引入了测试模型。结果表明在置信水平90%时，在所有压力情境下有些银行仍然能够盈利。这意味着目前银行系统的信用风险较稳和。当VaR取99%的置信水平这一极端情况时，一些银行出现了巨额损失，但这类事件发生的概率极低。
Hoggarth G和Whitley J［20］与Drehmann M Hoggarth， G Logan A， Zecchino L［21］在他们的研究中引入了英国在FSAP框架指引下宏观压力测试的执行结果和方法，在压力情境的设定方面采用在险价值框架下的蒙特卡罗模拟法。Jones M T, Hilbers P和Slack G［22-23］提供了宏观压力测试的更一般的非线性的方法。Worrell D［24-25］ 讨论了一个将早期预警系统，金融健全性指标和宏观压力测试整合的方法。
一些学者研究将信用风险和市场风险整合测量，例如 Allen L 和 Saunders A［26］尝试将宏观经济因素整合进信用风险的测量模型。而最近的一些文献如Pain D、Vesala J［27］和Gropp等人［28-29］则是引用Wilson 的宏观信用模型分析了宏观要素对银行的债务人的信用质量的影响。而Wilson 的模型的一个替代选择则是Merton 的公司层面的结构模型. Gray D、Merton 和Bodie［30］将这一框架扩展至研究违约风险。Derviz A 和Kadlcakova N ［31］将商业周期的影响整合进一个具有结构模型和简化模型特征的复合模型。Drehmann M、Manning M［32］和Pesaran M H等［33］在利用Merton模型框架的宏观压力测试中研究了违约概率和宏观经济变量的非线性关系。Benito A,Whitley J和Young G ［34］将基于衡量违约概率的Merton模型融入针对模拟个别企业违约的probit模型。他们发现Merton模型方法比仅仅依靠企业的财务数据的模型效果更优。
还有一些文献使用不良贷款，贷款损失额或者复合指标与宏观经济因素整合成矩阵向量来测算金融体系的稳定性。Hanschel E和Monnin P［35］针对瑞士银行系统构建了一个复合压力指标，该指标综合了金融不稳定的市场指标和银行资产负债表上的衍生变形指标。Kalirai H 和 Scheicher M［36］针对对澳大利亚银行体系累加的贷款损失，通过涉及广泛的宏观经济变量的模型进行了时间序列的回归估计。这些宏观经济变量包括国内生产总值、工业产值缺口、消费者价格指数、货币供给增速、利息率、股票市场指数、汇率、出口额和油价。
（三）国内外研究述评
目前国外开展的关于银行稳定性评估的实证研究十分丰富，其中挪威和芬兰中央银行的研究对金融系统的评估最具综合性。稳定性评估的目的在于，对银行体系的健全状况和抵御系统性金融危机的能力进行定量和定性的客观评价。为此采用了金融稳健指标分析（Financial Sound Indi cators)和压力测试的方法，对宏观经济环境中例外但有可能发生的冲击（Shock）情境进行模拟，来量度和评估银行体系在遇到冲击甚至遇到金融危机时，保持稳定（即银行保持基本运营不会发生突变）的能力。
而国内对于银行体系的稳定评估的实证研究都偏重于评价银行体系的稳定性，对在抵御不确定性风险的能力评估并未涉及。目前我国关于宏观压力测试的研究才刚刚涉及，孙连友［37］，高同裕、陈元富［38］等学者对宏观压力测试进行了理论上的探讨，但多为国外文献的整理或综述，未能进一步的发展和深入。尤其在模型研究方面，仅仅停留在介绍早期国外学者的模型框架和较为成熟的各国宏观压力测试手册指引中的操作流程。其内容多为宏观压力测试的必要性、目的作用、所用方法、国内外的具体实践等，未能有很系统和深入的介绍，而对多种宏观压力测试模型的介绍和分析尚无涉及。
在实证方面，熊波［39］通过建立宏观经济因素的多元Logit回归分析，并对结果进行假设情境的压力测试分析。得出的结论是， 国内生产总值和通货膨胀率这样的宏观经济变量的确是影响中国银行体系稳定性的重要因素。但是该文只是借鉴了压力测试的思想，使用传统的方法，通过模拟情境下宏观经济因素异动，由Logit模型最终得出稳定性指标期望值的点估计来评价银行体系的稳定性。这种方法不能有效地反映出宏观变动冲击对银行体系的影响，不能看出压力情境下银行面临的最主要的信用风险的分布状况，即贷款违约率的概率分布。
三、宏观压力测试方法流程及模型设定
（一）方法流程
宏观压力测试是模拟“危机事件”来估计极端却可能的压力情境下金融体系的波动。在宏观压力测试的框架中，其模型表示为：
Q(t+1｜t+1≥X=f(Xt,Zt)（1）
在（1）中 表示在模拟的压力情境下评价金融体系的稳定性的指标的表现。在宏观压力测试模型中衡量金融部门波动性的最一般的方法是资本的潜在损失率。Q(・)表示衡量金融系统波动性的风险矩阵，衡量违约情况的指标例如贷款损失额主要通过模拟压力情境下的点估计得到。在这种情况中，该条件概率值表示的风险矩阵较容易计算。而在险价值方法中，在任何给定的压力情境下，资产组合的损失应产生概率分布，而不是前一种方法中的点估计值。框架中f(・)表示损失方程，该方程模拟了宏观经济冲击对金融体系中加总的资产组合的影响关系。该方程可包含风险暴露，违约概率，相关性，回馈效应，以及宏观经济变量变动与系统层面金融稳定性表现的相互关系。
压力测试的执行方式主要是通过情境设定，根据情境假设下可能的风险因子变动情形重新评估金融商品或投资组合的价值，整个程序通常分为两大步：一是情境设定；二是重新评估。通常重新评估的方式不会有太大的差异，但是情境设定的方式却有很多种选择。情境分析（Scenario Analysis）是目前应用的主流。即利用一组风险因子定义为某种情境，分析在个别情境下的压力损失，因此此类方法称为情境分析，情境分析的事件设计方法有两种：历史情境分析（Historical Scenario）和假设性情境分析（Hypothetical Scenario）。其他方法还有敏感度分析（Sensitive Analysis）和极值理论法（Extreme Value Theory, EVT）。
本文根据信用风险压力测试的相关文献以及世界银行和国际货币基金组织联合开发的FSAP（financial Sector ass ess ment programme)的手册，将压力测试的执行程序见图1所示。
图1 压力测试流程图
（二）模型的设定
本文将在Wilson、Boss和Virolainen研究框架的基础上建立适合我国银行系统信用风险评估的宏观压力测试模型。首先借鉴国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。在此基础上使用Logit方程将贷款违约率转化为宏观综合指标，以指标作为因变量与宏观经济因素进行多元线性回归分析，使得这一指标能够很好地利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面，参考国内外学者实证研究中模型的自变量，结合我国数据统计和披露特点等制约因素选取适合的宏观经济变量来构建模型。
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年度的贷款的平均违约率，Y是一个反映宏观经济状况的综合性指标，也可以将它理解为是反映银行体系违约概率和各宏观经济变量的关系的“中介指标”，X代表宏观经济变量。在利用历史数据进行模型估计时，通过处理的违约概率值代入（2）就可以得到估计的综合指标的估计值。将其带入（3）就可以估计出宏观方程的系数，并以此估计出的方程作为进行宏观压力测试的基础。而在执行压力测试的时候，通过压力情境的设定，用不同方法得到的各相关宏观经济变量值代入估计出的（3）就可以得到压力情境下的Y，再通过（2）就估计出了压力情境下的银行系统的违约概率。
公式（2）就是对贷款违约率进行Logit回归分析，PDt表示t年度的贷款的平均违约率，yt表示一系列宏观经济变量的综合指标。
公式（3）是反映各宏观经济变量与综合性指标yt的关系的方程，本文采用多元线性回归的方法来模拟变量之间的关系。其中Xt=(x1,t,x2,t…xl,t)′是L×1阶列向量，代表L个宏观经济因素构成的列向量；μt是方程的随机扰动项。截距α0是一个L×1阶列向量；系数α1,α2…α1+m分别代表L×1阶向量，系数β1…βn是L×n阶矩阵向量。
公式（4）是关于各宏观经济变量的时间序列模型。考虑到宏观经济因素采取的时间序列数据，可能存在变量的滞后性，因此对各宏观经济变量进行P阶自回归分析，剔除模型中的序列相关性。在（4）中，0是L×1阶的列向量, 1,…,p都是L×1阶矩阵向量，φ1,…φq是L×q阶矩阵向量，随机误差εt都是L×1阶列向量。
在这个模型中，假设μt和εt是序列不相关的，并且分别服从方差协方差为矩阵∑μ和∑ε的正态分布。其中μt和εt相关的方差协方差矩阵为∑μ,ε。
在 Wilson（1997）和Virolainen（2004）提出的框架中，yt仅仅与Xt有关，而本文模型的设定更符合实际情况，yt不仅与Xt相关，考虑到宏观冲击的时滞效应，yt还与其滞后期的值yt-1,…,yt-n有关。
从（4）可以看出，模型不仅考虑到了宏观经济变量值之间的相互影响，模型的设定考虑到了金融体系对宏观经济波动的回馈效应。将银行的表现对经济的反馈影响通过在宏观因素变量的自回归方程中引入综合变量来实现。通过各行业综合指标Y的前期值对各宏观经济变量的影响设定来反映现实世界中的金融与经济发展的相互影响关系。
（三）变量选取
1.解释变量
根据各国的实证研究经验和我国银行体系业务发展特点，本文模型的变量选取1990～2006年的年度数据，主要考虑到数据的可得性、宏观经济统计的特征以及经济冲击发生的持续时间来决定的。鉴于研究的宏观层面，从数据的可得性及计算量考虑，本文的宏观模型是基于整个经济体系的，因此各宏观经济变量将不采用各经济部门的统计值，而是采用本国的整体水平的统计值。
本文选取八个宏观经济变量作为解释变量：
NGDP―国内生产总值名义年增长率；
RGDP―国内生产总值实际年增长率；
NR―一年期存款的名义基准利率；
RR―一年期存款的实际基准利率；
NLR―一年期流动资金贷款的名义平均利率；
RLR―一年期流动资金贷款的实际平均利率；
CPI―居民消费价格指数；
RE―房地产价格指数；
2.被解释变量
本文选取违约概率作为评估信用风险的指标，银行系统的信用风险主要表现为贷款资产的违约风险。违约率水平是评估银行贷款质量的最直接的指标，违约风险可以用借款人在规定期限内的违约概率度量。Virolainen K对芬兰银行系统的违约概率进行的宏观压力测试分析中，对违约概率指标采取如下方式赋值：在研究时段内，某行业的破产机构数量与总的机构数量的比率为银行体系面对的违约率。Jim Wong、Ka-fai Choi和Tom Fong［19］建立的香港零售银行面对宏观经济波动的信贷风险压力测试框架中，违约概率是逾期3个月以上的贷款额与总贷款额的比率。本文选取四家国有商业银行和交通银行、招商银行、光大银行等十家股份制商业银行的信贷数据作为样本，以平均的逾期贷款率代表贷款违约率，即以年末样本银行的总逾期贷款额与总贷款余额的比率。其中，1990、1991、1992三年的各样本银行的详细数据欠缺，因此本文根据各类媒体披露的总的逾期贷款的变动率和贷款额的变动率计算出了这三年的逾期贷款率，其他各年份的详细数据均来自中国金融年鉴和各银行的年报。
四、实证结果
（一）模型估计
代入1990～2006年的宏观经济数据对上述模型进行多元回归分析和模型估计，先用宏观经济变量的名义指标值和实际值，与引入的综合指标Y的两期滞后变量分别对Y进行回归。从两个模型的t检验指标看出，模型中GDP、LR、R作为解释变量的参数并不显著，而引入的Y的二阶滞后变量对因变量的解释性也不显著。因此模型的参数需要进一步调适剔除。根据经验和宏观经济冲击的滞后性往往为一年，因此模型中只引入Y的一阶滞后变量。虽然两个模型的拟合优度统计检验指标和D-W指标略微下降，但两个指标值分别为0.987和2，仍是非常理想的检验指标值。在剔除掉一年期存款利率后，两个模型各参数的t检验指标都非常显著。但是以模型解释变量的参数符号来看，通货膨胀率CPI在以名义宏观经济变量值为自变量的模型中的系数符号为负，这表明随着CPI的增加，Y值也会减小，经过Logit变换后的违约概率PD将会增大，显然符合经济学原理。而在关于实际变量的模型中系数为正号，这是违背经济学原理的。所以本文确定以名义变量作为模型解释变量的方程为最佳的宏观经济模型（见表1）。这说明我国银行的信贷违约率对名义的宏观经济因素的波动更敏感。Marco Sorge、 Kimmo Virolainen（2004）利用wilson（1997）模型框架对芬兰银行系统的违约概率进行了宏观压力测试分析，宏观经济模型估计结果与我国上述情况类似，即名义的宏观经济变量对违约概率的解释能力更显著。
根据回归方程的t检验（5%的显著性水平），各宏观因素指标的实际值对综合指标的影响并不显著，所以剔除不列入表内。从表1中可以看出，综合经济指标和各宏观经济变量指标的名义值关系显著。且综合指标的一期滞后值对各宏观经济指标影响均显著。从关于综合指标的多元线性回归方程也可以看出，国内生产总值增长率、贷款利率水平、通货膨胀率和房地产价格的确是影响到我国银行体系违约概率的显著因素，而且综合指标明显受其一期滞后值的显著影响。
（二）宏观压力情境的设定及其结果
本文选择情境分析作为执行压力测试的方法。针对模型所选取的宏观经济变量，我们设定两个压力情境：一种是GDP增长突然放缓的情境；一种是CPI上升到较高的水平（5%以上）。对于各种压力情境下，反映压力的宏观经济变量的变动幅度，可以通过以往的历史相似情境数据或历史经验直接进行人为的设定。而本文在对银行体系遇到极端情境进行构建之前，利用时间序列模型对解释变量NGDP、CPI进行了2008～2010年的简单ARMA模型预测，作为我们构建的参考基准情境（baseline scenario）。
从表2可以看出，在设定的两种压力情境下，我国的银行体系的信贷风险明显增加，从模型预测估计出的贷款违约率都有不同幅度的增加。随着国民生产总值增速的大幅降低，贷款违约概率增大，但幅度较缓。而随着通货膨胀率的骤增，违约概率出现大幅度的激增。这充分说明在压力情境下，宏观经济变量对银行系统信贷违约概率的冲击效应非常显著。从而判断，通货膨胀率的同等幅度波动对银行体系信贷违约率值的影响更大。
五、结论及建议
本文在对比分析国外成熟模型的基础上，构建了适合我国经济环境的宏观压力测试模型。首先本文借鉴了国外研究成果中关于宏观经济因素和贷款违约率之间的非线性关系设定。在此基础上使用Logit方程将贷款违约率转化为宏观综合指标Y，以指标Y作为因变量与宏观经济因素进行多元线性回归分析，使得这一指标能够很好地利用各宏观经济指标所提供的信息。在模型中宏观经济因素的选择方面，参考国内外学者实证研究中模型的自变量，结合我国数据统计和披露特点等制约因素选取适合的宏观经济变量来构建模型。借鉴已有研究成果中在选择信贷风险的评估指标方面的做法，以逾期贷款率作为模型中反映银行体系信贷风险的指标。
结果发现：宏观经济变量名义国内生产总值，消费者价格指数，房地产价格指数和名义流动贷款利率对银行体系贷款违约率影响是显著的。特别是名义国内生产总值和通货膨胀率指标，冲击力较强。在关于名义国内生产总值大幅下降和通货膨胀率骤升的压力情境设定下，银行体系的贷款违约率都出现了不同程度的大幅度提高。尤其在关于通货膨胀率的压力情境下，贷款违约率的增长幅度高于名义国内生产总值下降情境下的增幅。
本文研究结果对中国国情有着一定的解释力，让我们有信心支持这样的研究思路的继续开展。通过分析我们可以看出，中国的银行体系稳定性还有待进一步加强，在面临假设的宏观经济冲击时，化解风险的能力就显得不足。当然我们构建的这些极端情形发生的概率都是极小的，毕竟中国经济目前来看几年内保持稳定增长的态势是确定的。
参考文献：
［1］ 中国人民银行金融稳定分析小组.中国金融稳定报告（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］ 陈华，伍志文．银行体系脆弱性：理论及基于中国的实证分析［J］．数量经济技术经济研究，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］ 孙连友．金融体系压力测试-概念与方法［J］．济南金融，2006(2)：43-50．
［38］ 高同裕，陈元富．宏观压力测试及其在我国应用面临的问题［J］．南方金融，2006(2):8-10．
篇6
关键词：灰色关联分析；供应链；信用风险；评估
一、权重测定方法
如何更好的进行权重的测定是必须要解决的问题。在权重方法测定的研究中，很多学者进行了大量的研究，其中具有代表性和可行性的方法是结构熵权法。程启月（2010）[1]根据熵理论提出了一种主客观相结合的权重确定方法，其基本指导思想是将采集专家意见的德尔菲专家调查法与模糊分析法相结合，形成“典型排序”按照给定的熵决策公式进行熵值计算、“盲度”分析，并对可能产生潜在的偏差数据统计处理，根据主客观结果加权平均值的方法测定了最后的权重，这种方法保留了主观方法的可说明性的同时又强调了数学方法在逻辑上的重要性，本文权重的测定方法将引用结构熵权法。
（1）专家意见收集及排序矩阵的形成
首先选定专家组成员，对专家发放指标体系权重测定反馈表，每位专家采取德尔菲法的规定和程序，对每个指标的重要性进行排序，重要性由1-N。现有N个专家对M个指标进行重要性排序，其中a11表示第一个专家对第一个指标重要性排序，其数值（1-m）由小到大表示重要性的逐渐降低，同理am1表示第1个专家对第m个指标重要性排序，amn表示第n个专家对m个指标重要性排序，根据最后的排序形成典型排序矩阵A。
（2）偏差度的纠正
由于每位专家由于所出的工作或研究领域不同，对每个指标的认识程度也不同，因此所形成的数据会产生一定的偏差，为了降低偏差的程度和不确定性，需要将上式的数据进行偏差度的纠正。对上一节的排序矩阵进行转化，定义排序转化的隶属度函数为：
F（amn）=-ηpn（amn）lnpn（amn）
其中，pn（amn）=t-amnt-1，取η=1ln（t-1），将pn（amn）=t-amnt-1 和η=1ln（t-1）代入公式并化简求得θmn=-ln（t-amn）ln（t-1），本文将θmn称为amn对应的隶属度函数值，取t=m+2，当指标的最大数为4时，t=6。θmn为专家排序数amn的隶属度，称Bmn为隶属度矩阵。
视n个专家对第k个指标（k=1，2，…m）的“话语权”相同，即计算n个专家对第k个指标的“一致看法”称为平均认识度，记作Bk；将专家对第k个指标在认知方面的偏差称为“认知偏差度”，记作Ck；
令Bk=（θk1+θk2+…+θkn）n；
Ck=max（θk1，θk2，…，θkn）-Bk+min（θk1，θk2，…，θkn）-Bk2，定义n个专家对于第k个指标的总体认识度Rk=Bk（1-Ck），则n个专家对m个指标的总体认识度向量R可写作矩阵R=R1，R2，…，Rm。
（3）归一化处理
为了求得第k个指标的权重ωk，需要对Rk=Bk（1-Ck）进行归一化处理ωk=Rk∑m1Rk，显然，∑m1Rk=1，ωk≥0，本文将所求出的ωk称之为第k个指标所占的权重。
二、风险评估步骤
在灰色理论中，灰色关联分析是分析系统中各个元素之间关联度或相似程度的方法，其基本思想是根据关联的程度对所评估目标进行排序。灰色关联分析是分析事物发展的趋势，对样本的数量没有严格的规定，同时样本也不需要服从某种数学分布。
（1）专家评分阶段
请每位专家按照评估指标的选项对选中的目标进行评估，设评估的等级为1、2、3、4、5，数字的大小说明该评估目标在其中某一指标的表现，数值越大表示表现的水平越好。设评估指标有m个，选取专家k人（本文默认选取专家的学识水平、相关经验上的水平都是相同的），则根据专家的评分可对所评估的每个目标构成一个m×k的评分矩阵A。
（2）对比矩阵的构建
灰色关联分析的首要条件是选择一个参考数列，设所评估目标结果对应的最优评估指标集F* =f*1 ，f*2 ，…，f*m ，其中f*k 表示第k个指标的最优值，k=1、2、…m。其中，fnm表示第n个企业在第m个指标的平均评估值，fnm=am1+am2+…+amkk；将最优指标集与对比矩阵合并，形成一个新的矩阵。
（3）指标值的规范化处理
在评判指标里通常有不同的量纲以及数量纲，因此一般不能进行直接比较，为确保结果的可靠性，需要对上述指标进行规范化处理。
设第k个指标的变化区间为fk1，fk2，fk1为第k个指标在所有被评估融资企业中的最小值，fk2为第k个指标在所有被评估企业中的最大值，那么可以采用下式将上式中的指标数值转换成无量纲值Cik∈（0，1）。Cik=jik-jk1jk2-jik，i=1、2…n；k=1、2…m，由此矩阵D'转换成矩阵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）计算综合评估结果
根据灰色系统理论，将C*=C*1，C*2，…，C*m作为参考数列，将C=Ci1，Ci2，…，Cim作为最优的对比数列，用关联分析法求的第i个企业第k个指标与第k个最优指标的关联系数εi（k），即：
εi （k）=minminC*k-Cik+ ρmaxmaxC*k-CikC*k-Cik+ ρmaxmaxC*k-Cik
ρ为分辨系数，一般取0.5，ρ∈（0，1）。由关联计算方法可以得到关联矩阵E：
E=ε1（1）ε1（2）…ε1（m）ε2（1）ε2（2）…ε2（m）…………εn（1）εn（2）…εn（m）
这样综合评估结果为：R=E×W，即ri=∑mj=1W（k）×εi（k）。式中R=r1，r2，…，rnT为n个被评估企业的综合判断结果向量；W=w1，w2，…，wmT为m个评估指标的权重分配向量，其中∑mj=1wj=1。
若关联度ri越大，则说明Ci与最优指标C*最接近，亦即第i企业优于其他企业。据此一方面可以排出供应链金融模式下融资企业相适应应收账款、预付账款或存货质押下的关联度次序，也即关联度越大，融资企业信用风险越小。另一方面可以反映某一融资企业对应应收账款、预付账款或存货质押下的关联度，也即可以作为商业银行评估内容之一为融资企业指导供应链金融模式适用度。（作者单位：广东科技学院）
篇7
关键词：Logistic模型；互联网金融；小额贷款；信用风险；
一、引言
20世纪末以来，随着以互联网、大数据为代表的信息技术快速发展，金融与互联网从逐渐融合到全面渗透，“互联网金融”概念应运而生。互联网金融凭借成本低廉、高效便捷、受众广泛的特征使其在满足客户个性化需求、服务长尾客群方面具有先天性优势，因此传统商业银行可以通过l展互联网金融模式，加快个人信贷领域产品和服务创新，达到业务处理的便捷性，提升客户体验，增加客户黏性，拓展普惠金融服务范围。传统的小额贷款主要面向中低收入个人客户、中小企业主等群体，涉及面广、个性化需求强烈，由于缺乏统一的规范化管理，风险管理难度较大，这也是商业银行小额贷款业务发展缓慢的一个主要原因，但随着“互联网+金融”模式的兴起，大数据、云计算、社交网络、搜索引擎等互联网技术不断突破与运用，商业银行大力发展个人小额贷款业务已成为可能，但同时也应看到随之而来的欺诈风险、准入风险等，商业银行信用风险管理所考量的因素不断细化。所以，传统商业银行如何运用互联网金融的优势来创新发展个人小额信贷业务、抢占个人信贷业务市场、高效的解决信息不对称的问题，有效的管理风险将会成为传统商业银行未来不得不考虑的问题。
信贷的核心是风险管理，而对于个人小额贷款业务而言，风险管理的核心是客户信用管理，包括客户准入管理、存量客户管理及逾期客户管理。所以如何识别不同时期的客户的信用风险并进行有效控制将成为商业银行发展小额贷款业务的重中之重。本文将利用光大银行长沙分行收集的实际样本数据进行分析，以二分类Logistic回归为计量工具，通过对商业银行的个人信用贷款数据进行分析，来识别影响个人小额贷款信用风险的主要因素，旨在对商业银行在开展个人小额信贷业务中的风险管理提供一种思路或方法。
二、 文献综述
在对贷款风险管理的研究中，定量分析方法越来越受到学者和实践操作者们的青睐。定量分析法不仅可以优化贷款决策，将被动的风险管理模式转为积极主动的防范和控制风险，还能尽可能的减少拖欠的账款，降低收回账款的成本；同时还可以提高贷款决策效率，节约人力成本，实现贷款决策过程的客观性、信息化和科学化。从目前的研究来看，贷款风险研究的定量模型主要有判别分析法（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回归，贝叶斯决策模型（Daniel E，1992[3]），上世纪末以来，人工智能技术的快速发展使得银行运用该技术进行信用风险评估和贷款决策已成为可能。上述定量分析方法虽然均能在不同程度上对贷款风险进行研究，但各有侧重和短板，比如Z-score和ZETA模型只适用于对上市公司进行研究，贝叶斯网络模型则主要是偏重于操作风险。
大量研究证明Logistic是被广泛运用于个人信用风险评估的较为成熟的模型。Altman 、 Sabato（2007）[4]等人通过长期研究发现，使用logistic 模型衡量中小企业信用风险可以取得最佳效果，且该模型限制件较少，操作便利，且具有较高的预测性。该模型的主要优势是：一是因变量取值可以是违约概率与履约概率发生比的任何自然对数，对自变量没有任何限制；二是对数据是否满足协方差相同和正态分布的假设没有作限制性要求，适用范围广；三是因变量是一个二分类变量，只能取0或1的数值，可以直观的说明某个事件是否发生以及发生的概率是多少。我国学者在研究贷款信用风险的时候也多采用Logistic回归模型。姜秀华等（2002）[5]在采用13个变量进行logistic回归分析的基础上构建了财务危机预警模型。于立勇（2004）[6][7]首先运用正向逐步选择法选择信用风险评估指标变量，然后在Logistic回归模型的基础上构建违约概率测算模型。梁琪（2005）[8]将主成分分析法结合到Logistic模型中进行分析研究，构建了上市公司经营失败预警模型，并提出引入主成分分析法的logistic模型在预测准确度对和风险度量稳定性方面都优于简单的logistic模型。油永华（2006）[9]运用Logistic回归模型对100家上市企业的信用风险进行了定性的评价。石晓军（2006）[10]运用贝叶斯法对边界Logistic违约率模型的预测效果进行了分析。葛君（2010）[11]运用Logistic回归模型对信用卡信用风险进行了研究。罗晓光（2011）[12]将 Logistic 回归法引入商业银行财务风险预警模型，从资本充足性风险、信用风险、盈利能力风险、流动性风险和发展能力风险五个方面建立了适合商业银行的财务风险预警模型。史小康（2015）[13]将非对称连接函数的思想引入到信用评级中，将有偏Logistic分布的分布函数作为连接函数的反函数，利用实际数据来估计偏度参数和回归系数对个人信用进行了研究。
然而随着互联网金融的兴起，大数据时代的到来，商业银行所能获取的数据也越来越方便、快捷，数据也会越来越复杂多样，变量之间的关系也会变得纷繁复杂。以往研究专门针对个人小额贷款的研究较少，在建模方面，对离散数据进行建模尤为更少。本文在现有Logistic回归模型侧重财务指标的基础上，以非财务指标为重点来识别和评估商业银行个人小额贷款的信用风险，旨在为传统商业银行进军互联网金融领域提供一种新思路或者新方法，对风险因素进行量化。
三、Logistic模型简介及变量选取
3.1 模型简介
所以由（4）式可知， 的经济意义表示在控制其他变量水平的情形下， 变化 ，则对数优势比率变化 或优势比率变化 ，特别的，当 为等级变量或哑变量时， 每增加一个等级或变化一种类型，对应的两个样本之间的对数优势比率变化 或优势比（OR）率增加 ，由此也可知当 大于0时（此时OR>1），每增加一个等级导致个人的违约概率就降低，反正增加。
3.2变量选取
Schreiner（1999）对发展中国家的小额贷款进行研究表明，可以根据潜在借款人与历史不良借款人的特性对违约风险进行评估，其中性别、职业、违约记录、借款人与信贷员从业经验以及借贷机构性质等对贷款违约风险产生显著影响。此外诸如季节因素、政策变化和市场变化等外部环境变量也会对违约风险产生一定的影响。Olomola（2000）通过研究指出，借款人与贷款人特征以及贷款特征对判断贷款是否违约有着决定性的影响。借款人特征有：教育背景、借贷情况、存款情况、贷款类型及其贷款经历，而贷款特征包含贷款规模、期限、用途，贷款人特征有信贷员拜访次数，申请与批准之间的时间长度。Schreiner（2004）的研究对发展中国家的小额贷款信用风险构建非常详细的评估指标体系，具体如下图所示。
在国内，有部分学者从对小额贷款的信用评估指标体系进行了研究和构建，但这些研究基本都是从理论展开论述的。孟建华（2002）对国内和国外的小额贷款差异进行了比较细致的研究，研究指出，贷款担保和法律约束是影响我国小额贷款风险评估的最大影响因素。任娜（2011）在对小额贷款公司的贷款客户类别进行区分的条件下，在Z 值模型中引入非财务因素的，设置二级指标进行信用风险评估。但是该研究最终未能结合实际样本数据作进一步分析，对多涉及指标的合理性与科学性没能进行实证检验。此外，国内学者关于小额贷款信用风险评估的相关研究大部分都是以农村信用社的小额贷款数据为样本进行的。
所以结合已有的研究成果和样本数据的可获得性，本文选取性别、年龄、职业、学历、城市发展程度、信用卡持有情况、电子渠道开通情况、存贷比和年收入等9个指标作为解释变量，对个人小额贷款信用风险进行评估。
四、数据来源及实证
（一）数据样本选取
逾期未还本付息，即客户违约的预判，是商业银行小额信用贷款风险把控的关键。直接导致银行呆账、坏账的产生，甚至带来流动性风险。本文样本数据来源于中国光大银行长沙分行的个人信用贷款数据，从该行2014-2016年办理信用贷款的客户中随机抽选530个样本数据，并从中筛选出100万以下的小额信用贷款客户，获取性别、年龄、职业、学历、城市发展程度、信用卡持有情况、电子渠道开通情况、存贷比和年收入等基本信息。本文将这9方面的数据转换为14个虚拟变量。
客户准入的标准是其正常履约能力水平，客户是否能正常履约是模型的判断依据。通过对客户履约能力的预判，授信银行对预计能正常还款的客户提供金融产品和服务，拒绝还款存在不确定性的客户的授信申请。在本文中，我们将违约客户定义为一年内发生三次（含）以上欠息或垫款的客户，履约客户为一年内未发生或发生三次以下欠息或垫款的客户。通过数据整理，530个样本数据中履约客户和违约客户客户数分别是410和120，并选取指颂逑等绫 1所示。
（二）样本虚拟变量处理
由于我们选取的解释变量和被解释变量都属于离散变量，所以在进行建模回归之前，我们需要将其变成虚拟变量，如表2所示，其中1表示“是”，0表示“否”。例如：性别（sex），sex=1，表示为男性，sex=0表示不是男性（即为女性）。由于为了避免多重共线性，在建立虚拟变量之前，虚拟变量的个数要比分类变量的个数小1。例如：学历有三个分类，但只能建立2个虚拟变量，当edu1=0和edu2=0都等于0时表示高中、中专以下学历，这样就可以避免多重共线性问题。在建立模型前，我们将数据进行虚拟变换，以符合模型的回归分析要求，将指标逐一转换为虚拟变量如表2所示。
（三）样本数据的格兰杰因果检验
对上述所构建的虚拟变量和履约率做格兰杰因果分析，根据相关统计指标反复检验比较之后，我们选取的滞后阶数为2，其检验结果最好，检验结果如表3所示。
根据上表检验结果我们发现，如果在5%的显著性水平下，只有Cit2、Loa2两个指标大于 0.05，否定原假设；但是在10%的显著性水平下，除了Int，其他全部变量的检验p值都显著小于0.10，在剔除掉电子渠道开通情况后，其余变量在一定程度上都对履约率产生影响，因此，我们剔除电子渠道开通情况，将其余变量都选入到模型中。
（四）模型的计算
从表4我们可以看出，模型似然比为84.89，两个伪决系数分别为83.1%和76.4%，即解释变量可以解释被解释变量的程度，都在75%以上，说明模型解释效果较好。另一方面，解释变量的系数在10%显著水平下，都是显著的。此外从模型的预测精度来看，如表5所示，模型对410个履约样本的预测准确率为84.88%，对120个违约样本的预测准确率为88.33%，整体准确率为85.66%。特别的性别、信用卡持有情况、学历、存贷比、收入、年龄等变量系数为正值代表着客户履约率会提高，为负值则代表客户违约率会升高。其影响程度可以通过OR来进行分析。从表4的回归系数，我们可以得出以下结论：
1、从各因素影响大小方面来看，年龄、收入、职业水平以及学历对违约率的影响较大，应纳入贷款考察的重点。通过模型可以看出，年龄越大的客户，其违约率就越低，从年龄的OR值来看，年龄在31岁-45岁阶段的履约概率与年龄在30岁以下的履约概率的优势比为71.47，而年龄在45以上岁阶段的履约概率与年龄在30岁以下的履约概率的优势比为1360.354。其原因可能是由于其信用观念的不断加强以及自身能力的提高，收入也会随之增加，道德约束感增强，所以更不容易违约，这样已有的研究文献结论相一致。在职业方面，国有企业、股份制企业的员工与私营个体户的OR值为26倍多，他们不仅受公司内部的规章制度约束，同时也受社会责任的道德约束，其违约率较低。同样在学历方面，高学历的客户违约率较低，主要是因为教育水平高、信用观念、法律意识较强，以及工作家庭较稳定、收入可观、自有资金充足，特别的，当学历是在硕士以上时，其违约的风向大大降低。
2、从银行存量客户方面来看，LOA1估计系数明显高于LOA2，说明存贷比越低，其履约的概率越大。原因可能是客户的资金大多用于储蓄存款、银行理财等稳定性收益产品，属于相对保守型投资，他们认为按期还款是理所当然的事情；而持有信用卡的客户相对于未持有信用卡的客户履约率较高，原因可能是客户在长期的信用卡使用过程中已经形成了到期还本付息的消费习惯，所以对于自己的资金使用有着合理而清晰的计划，每月会有足额的资金用作还款，很少发生逾期。
3、从性别方面来看，女性的履约率高于男性，原因可能是男性客户的资金更多用于创业、大额投资等用途，受经济环境、行业、经营等因素影响，发生资金链断裂，无法按期还款甚至导致不良贷款的几率较大。
4、从地域方面来看，县级市、地级市的客户违约概率较大。原因主要有两点，一是一、二线城市市民受教育程度更高、信用观念更强、工作与收入也更加稳定；二是县级、地级城市客户资金用途一般用于农业、工业投资，受地域、市场、自然等因素影响较大，投资风险较大。
五、结论
本文在现有的研究基础上，利用光大银行长沙分行采集的实际样本数据，通过格兰杰因果检验和构建Logistic回归模型，对个人小额贷款的信用风险进行了实证分析，本文所构建评估模型对离散数据和分类数据有着特有的优势。文章主要结论如下：
第一，从格兰杰因果关系检验来看，在置信水平10%条件下，本文根据以往研究的文献和相关理论选取的9个指标变量中，只有电子渠道开通情况与是否违约不存在格兰杰因果关系外，其他的8个变量都显著相关，模型结果较好，解释程度达75%以上。
第二，从风险因素的影响显著程度来看，年龄、收入、职业水平以及学历对违约率的影响较大，应纳入贷款考察的重点。年龄是特别显著影响个人小额贷款的信用指标，年龄越大的客户，其违约率就越低，特别的，年龄在45以上岁阶段的履约概率与年龄在30岁以下的履约概率的优势比为1360.354倍。国有企业、股份制企业的员工与私营个体户的OR值为26倍多，其违约率较低。学历方面，高学历的客户违约率较低，特别的，当学历是在硕士以上时，其违约的风向大大降低。存贷比越低，持有信用卡的客户，其履约的概率越大。个人的信用风险在对不同的性别也有着显著差异，女性的优势比男性的1.76倍。此外县级市、地级市的客户违约概率较大。
因此，基于本文的研究，在互联网金融时代，为了提高个人小额贷款信用风险管理水平，我们建议：在金融系统越发复杂，需要综合考虑更多更细的风险因素，要结合定性和定量的方法对信用风险进行评估，构建适合我国商业银行实际情况且易于操作的风险评估指标体系，定量化分析与评估信用风险。在具体操作方面，我们建议：在筛选个人小额贷款客户时，应充分考虑其特有的基本背景信息指标，在其他条件相同的情况下，选取年龄越大、女性、收入越稳定、学历越高、持有信用卡、存贷比越低、来自于一、二线城市的客户；商业银行应有针对性地对其进行有效规避和分散。
六、参考文献
[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，任强，孙铮. 上市公司财务危机预警模型研究[J]. 预测，2002，03：56-61.
[6] 于立勇，詹捷辉. 基于Logistic回归分析的违约概率预测研究[J]. 财经研究，2004，09：15-23.
[7] 于立勇，詹捷辉，金建国. 内部评级法中违约概率与违约损失率的测算研究[J]. 统计研究，2004，12：22-26.
[8] 梁琪. 企业经营管理预警：主成分分析在logistic回归方法中的应用[J]. 管理工程学报，2005，01：100-103.
[9] 油永华. 企业信用状况的定性评价――基于logistic回归模型的分析[J]. 统计与信息论坛，2006，06：85-88.
[10] 石晓军，任若恩，肖远文. 边界Logistic违约率模型Bayes分析及实证研究[J]. 中国管理科学，2006，04：25-29.
[11] 葛君. 基于Logistic模型的信用卡信用风险研究[J]. 中国信用卡，2010，24：26-32.
[12] 罗晓光，刘飞虎. 基于Logistic回归法的商业银行财务风险预警模型研究[J]. 金融发展研究，2011，11：55-59.
[13] 史小康，何晓群. 有偏logistic回归模型及其在个人信用评级中的应用研究[J]. 数理统计与管理，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
关键词：供应链金融；Logistic模型；信用风险
一、logistic模型描述
Logistic模型，又叫作Logistic regression（逻辑回归）是概率型非线性回归模型，Logistic模型是最早的离散选择模型，也是目前应用最广的模型。Logistic模型是Luce（1959）根据IIA特性首次导出的，是研究分类观察结果与一些影响因素之间关系的一种多变量分析方法，其目的就是得到因变量与自变量的纯属关系。
本文以融资企业的信用风险为因变量，以基本指标变量为自变量，构建因果分析模型，由于因变量为二值变量，可以选用二项Logistic回归模型，分别用 1 和 0表示，1 表示事件不发生，0表示事件发生。
（一）模型样本数据选取及描述
由于没有上市的中小企业的财务数据不规范而且不容易搜集，因此本文选取的是中小企业上市的公司数据，本文为了更加切合研究，选取的是制造行业，因为制造行业有着清晰且规范的供应链系统，各个节点的企业角色明确，而且供应链主要集中在上游，本文选择了10家企业作为样本，其中有7家优秀企业，3家由于证券违法违规而被证监会停牌调查的不良企业。
本文的财务指标数据选取为证恢星提供的，选取2015年9月30日季度财务报表数据作为基本数据，选取的数据基本是都是比值的形式。
（二）logistic模型回归分析
利用SPSS19.0对数据进行logistic回归分析，回归结果如下表表示：
a.在步骤 1 中输入的变量：净资产收益率， 净利率， 毛利率， 营业利润率， 应收账款周期律率， 存货周转率， 总资产周转率， 每股收益， 现金流动负债比， 每股经营性现金流.
表2中10个主要指标的变量检验统计量的显著性水平，10个主成分以及常量的P值都是小于0.05，所以可以看出融资企业的盈利能力、偿债能力以及获利能力都是影响融资企业信用风险的重要指标。上述公式所求到的P值表示了中小融资企业的违约概率，将中小企业数据带入模型预测信用状况，得出P值。P值越接近于1，则中小企业信用越好，P值越接近于0，则中小企业信用越差。logistic回归模型以0.5为分界值。
二、商业银行供应链金融信用风险管理对策和建议
供应链金融业务作为一种区别于传统银行信贷业务的新兴的融资方式，该模式的出现，不但稳定整个供应链节点上相关的贸易往来关系，而且还为中小企业提供了一种新的融资途径，同时也为银行挖掘潜在客源、提高业务收入打开了新的局面。但是由于我国的供应链金融业务仍然处于起步阶段，面临着各种各样的问题，故此提出以下几点建议。
（一）中小融资企业的选择和管理
在开展供应链金融业务时，银行要与核心企业做好沟通，选取在供应链节点上贸易往来关系稳定与信用状况良好的中小企业，在开展供应链金融业务过程中，要根据三种不同的融资模式，对中小企业进行不同的侧重点审查。例如在开展应收账款类业务过程中，银行要对中小企业的运营能力和偿债能力进行重点审查。对于融通仓和保兑仓来说，银行应该重点考察中小融资企业的盈利能力和行业特征等。
（二）核心企业的选择和管理
首先，对于核心企业的基本要求就是核心企业自身的信用状况。银行要提高信用评价标准，如果核心企业无法满足银行的授信审核，那么核心企业也为中小企业承担词用风险。其次，还要对核心企业的地位进行考察。如果核心企业在整个供应链中处于重要位置，那么久说明核心企业是可以支配上下游企业，在行业竞争中处于领先位置。最后，银行也要对核心企业的运营状况进行严格的监督审查。因为核心企业本身处于整个供应链的重要位置，其运营政策关系着整个供应链的稳定发展，再加上核心企业处于行业竞争的领先地位，所以更要加大对核心企业运营状况的监督审查，充分了解核心企业的基本生产运营状况。
（三）供应链的选择和管理
因为供应链金融业务的开展是建立在整个供应链基础上的，所以银行在开展供应链金融业务的过程中，加大对供应链整体实力的审核，例如整个供应链节点上相关企业的贸易往来关系，供应链所处行业的发展前景等。整个供应链节点上相关企业的贸易往来直接影响着彼此之间的合作意愿。银行应该要理智选择发展前景较为良好的行业，例如高新技术产业、服务业等。对于一些夕阳企业，例如钢铁、煤炭产业，以及房地产产业等受到国家宏观经济调控政策影响较大的产业，银行要谨慎选择开展业务。
（四）第三方物流企业的选择和管理
在整个供应链金融业务开展的过程中，第三方物流企业一直扮演着“监督者”的角色，在物流、监管等方面比银行更专业，所以银行对于第三方物流企业的选择和管理也是极其重要的。
近几年电子商务的蓬勃发展，带动了物流行业的发展，也催生了很多新型物流企业，因此在整个物流行业中也存在物流企业素质参差不齐的现象。银行在选择第三方物流企业进行合作时，会优先考虑物流企业的基本素质，这一要素，通过对物流行业和相关物流企业的调查就可以得到。除此之外，银行还要考虑的是物流企业的基本运营能力和专业水平，这一要点，则需要银行对其企业规模、运营状况、信用状况以及对货物的保存、管理水平进行综合评估。（作者单位：曲阜师范大学经济学院）
参考文献：
[1] 弯红地.供应链金融的风险模型分析研究[J].经济问题， 2008（11）：109-112
[2] 陈李宏，彭芳春.供应链金融发展存在的问题及对策[J].湖北工业大学学报2008，23（6）：81-83
[3] 楼栋，钱志新.供应链金融的融资模式分析及其风险防范[J].网络财富――经济纵横，2008（9）：103-104
[4] 高珉，余思勤，袁象.供应链融资的信用风险控制[J].航运金融.2009，31（7）：33-35
篇9
关键词：信用卡风险；评估；层次分析法；灰色GM（1，1）模型
中图分类号：F830.5文献标志码：A文章编号：1673-291X（2011）19-0067-02
一、引言
近年来，中国消费信贷快速发展，对扩大内需、推动经济持续发展起到了重要作用。与国外银行信用卡业务相比，中国各商业银行信用卡业务的风险管理水平罗低，管理手段和方法相对落后，缺乏有效的申请评估方法来规避信用风险。如何有效分析信用风险状况，关系到银行自身的经营风险。
在信用评级研究中，多元判别分析技术（MDA）得到广泛应用，但其要求数据服从多元正态分布和协方差矩阵相等的前提条件，与现实中的大量情形相违背，由此在应用中产生很多问题[1]。因此，许多学者对MDA进行了改进，主要有对数、二次判别分析（QDA）模型、Logit分析模型、神经网络技术（NN）[2]、决策树方法[3]等，这些方法在解决部分问题的同时也带来新的问题。就中国的现状而言，存在的问题是用于评估的数据特性不稳定、历史数据样本容量小等，这就导致MDA方法所需的有效样本数量偏小而影响其使用效果[4~5]。
以往国内商业银行对信用风险评估相关数据重视不足，造成有效信息的缺失，灰色预测模型具有少样本预测的特点已被广泛应用在许多领域[6~9]。本文利用层次分析法（AHP）和灰色预测模型相结合的组合评价方法对信用卡申办人进行信用等级评估，以寻求降低信用卡信用风险的有效措施。
二、组合评估模型
（一）AHP计算信用卡申请指标权重
参照国际标准、国内外银行经验和个人信用等级评估方法，综合考虑商业银行特点与所在地区情况，通过对以往申请人群的考察，以专家判断为基础，选择四大类17个指标来评价个人信用等级（见表1）。
根据影响个个信用等级的主要因素建立系统的递阶层次结构，运用AHP确定各评估指标的权重。具体步骤如下：
Step 1： 构建判断矩阵A=[aij]，i，j=1，2，…，n，式中aij就是上层某元素而言Bi与Bj两元素的相对重要性标度。
Step 2： 判断矩阵A的一致性检验，评估矩阵的可靠性。检验方法为：
1.计算一致性指标Ic=（λmax-n）/（n-1），当λmax=n，Ic＝0，为完全一致，Ic越大，判断矩阵A的完全一致性越差。
2.计算平均随机一致性指标IR：随机构造500个样本矩阵，随机地从1~9及其倒数中抽取数字构造正负反矩阵，求最大特征根的平均值λ′ max，和IR=（λ′ max-n）/（n-1）。查找相应的平均随机一致性指标IR（见表2）。
3.计算一致性比RC=IC/IR，当Rc
Step 3： 计算层次单排序及总排序。层次单排序是根据判断计算对于上一层某元素而言本层次与之有联系的元素重要性次序的权值；层次总排序是依次沿递阶层次结构由上而逐层计算，即可计算出最低层因素相对于最高层总目标的相对重要性的排序值。
（二） GM（1，1）模型
设有已知序列：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） 所建立的白化方程实际上是一个带初值的微分方程，见（1）式。
+ax （1）（t）=ux （1）（1）=x （0）（1），其中a，u为待定参数。 （1）
对（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
对式（2）通过累减还原，得预测值：
（0 ）（1）=x （0）（1） （0）（k）=（1-ea）（x （0）（1）-）e-a（k-1 ），k=2，3…，n （5）
（三）AHP-GM11模型及其实现
1．模型输入点的选取。通过AHP建立的指标体系，由于各判断矩阵的RC值均小于0.1，可认为它们均有满意的一致性。对权值累计贡献率>＝95%的指标保留，否则删除该指标，从而得到简化后的风险指标体系，并作为输入值。
2．GM模型预测。有了评估体系后，银行就可根据信用卡申请者或者信用卡授卡对象的归一化数据通过GM（1，1）模型得到预测结果。如果预测值>=0.8，说明申请者由于各种原因，申请者坏账风险比率高，银行应拒绝申请；如果0.4
3.模型的实际应用。本文结合实际情况，选取10个样本进行预测[13]，预测结果（见表3）。
三、结论
运用基于AHP和GM模型的风险评估模型可以同时考虑客户的一些静态和动态指标，如职业、学历、还款记录等，可以通过反映申请者的综合情况来考核其信用状况，为商业银行开展信用卡业务风险防范提供了依据。
但与此同时，在评价每个因素时，有时会出现某些指标的权重过高导致其综合评价指数偏高，而影响其信用状况评定。所以，如何更好地确定指标权重，进一步提高评估模型的稳定性、合理性将是作者今后的研究方向。
参考文献：
[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.小样本数据信用风险评估研究[J].管理科学学报，2001，(1)：28-32.
[5]李建平，徐伟宣，刘京礼，石勇.消费者信用评估中支持向量机方法研究[J].2004，(10)：35-39.
[6]邓聚龙.灰色控制系统[M].武汉：华中理工大学出版社，1988.
[7]刘思峰，郭天榜.灰色系统理论及其应用[M].郑州：河南大学出版社，1991.
[8]DENG Julong.Control problems of grey systems[J].Syst &Contr Lett，1982，(5)：288 -294.
[9]张岐山.灰朦胧集的差异信息理论[M].北京：石油工业出版社，2002.
[10]颜文.中国信用卡业务风险的宏微观分析[J].财会研究，2007，(4)：13-15.
[11]张颖，于海龙.中国信用卡业务现状和前景的综合分析[J].经济师，2007，(5)：23-24.
[12]信用评分及其应用[M].王晓蕾，石庆焱，吴晓惠，等，译.北京：中国金融出版社，2006：2-10.
[13]许速群，张岐山，杨美英.个人信用卡申请风险评估模型[J].中国信用卡，2007，(6)：30-33.
[14]詹志斌.对提升中国商业银行客户管理水平的思考[J].浙江金融，2010，(1)：33-34.
篇10
1引言
铁路信号系统的建立为列车的安全、准时、舒适等方面提供了良好的保障，而风险评估是为了确保信号系统的正常运行。具体而言，风险评估技术在铁路信号系统的应用过程中，首先需要进行前期的安全评估，通过这一阶段的评估，对可能存在的安全隐患进行分析，并做好记录，然后通过对系统的监测，从而实现对安全隐患的有效控制，由此可见，风险评估技术对于铁路安全的保障有着重要的意义。针对风险评估技术在铁路信号系统中的应用，发达国家的研究比较早，而且在研究过程中，已经促使风险评估技术的应用逐渐走向成熟，论文则通过对国外风险评估技术研究的借鉴，对我国铁路信号系统中风险评估技术的应用进行探讨。
2危害识别———HAZOP方法
2.1HAZOP方法简介
危害识别是风险评估技术应用的第一阶段，HAZOP方法是进行危害识别的主要方法，在这一方法的应用过程中，重点工作是通过组织会议并对相应的实践操作细节进行分析，在具体工作开展时，要求各类专业工作者深刻分析每一个单元的内容，通过上述活动的开展，找出存在的偏差，并且对所查找偏差可能会导致的严重后果进行分析，在分析过程中，往往需要借助引导词来引出偏差。在整个过程中，专业人员通过对所出现的偏差进行锁定，然后深层次地分析偏差产生的原因及可能会造成的后果，然后对现有的安全防护进行重新评估，最后再通过必要的措施进行完善。HAZOP是整个系统的一部分，其主要作用是用来识别系统的本质特征，在HAZOP方法运用过程中，会涉及材料的调取、人员的调查以及相关设备的使用。为了充分发挥HAZOP方法的作用，在具体使用过程中，首先需要对系统进行单元划分，单元划分的主要目的在于能够使HAZOP方法所发现的偏差更加准确，如果单元划分不合理，则很容易导致评估结果不准确，进而影响到安全防护工作，在一些铁路信号系统中，可以从宏观角度考虑实施单元划分，例如，监测机、计轴设备、4050智能1/0模块、交换机及站间通信等，因此把每个组成部分作为一个单元进行分析。[1]而偏差的确立是HAZOP的核心部分，在偏差确立过程中，会使用到三种方法，包括偏差库筛选法、知识确立法以及引导词确立法。
2.2HAZOP实施过程分析
HAZOP方法在具体实施过程中主要包括四个主要步骤。第一阶段，作出定义。整个工作的开展，首先应该获得项目经理的批准，然后针对HAZOP的实施选定组员并任命组长，接着在组员的讨论下，对研究的范围进行确立，通常情况下，研究范围所涉及的内容包括系统设计表现、系统生命周期、系统物理边界等。第二阶段，进行准备，研究小组的组长需要根据此次研究工作提出相应的引导词初始清单。第三阶段，审查阶段。在这一阶段需要进行审查会议，在会议正式开始之前，需要对整个审查流程提前熟悉，其主要目的在于使研究小组的全体组员都能够熟悉研究目的和范围，在会议中，需要对所使用的引导词进行明确解释，而且要对具体操作中可能存在的问题以及应对方法进行讨论。第四阶段，文件记录和跟踪阶段。这一阶段需要对会议中讨论的结果进行整理和记录，并且做好存档工作，还应该将讨论到的内容进行完整记录，而且需要对整个会议的讨论内容进行汇总，并提炼出结果，以此来形成HAZOP的报告文件。
3铁路自动站闭塞系统定性风险评估
为了确保风险评估结果的准确性，评估人员主要依赖于HAZOP技术，在具体操作过程中，还应该结合风险矩阵法，在评估过程中，包括两方面的内容：
3.1系统危害识别
在危害识别过程中，首先应该进行单元划分，单元划分主要是为了明确每一个模块的具体内容。其次，将偏差和引导词的确定因子予以明确，其中，包括多个方面的内容，如材料、操作活动以及设施设备等，设备的正常运作是系统运行的重要保障，这就意味着在危害识别过程中，在整个系统中，设备单元要素的体现，必须依赖于设备自身的功能。在闭塞机单元中，使用了双机热备，所以，在设备运行过程中，会进行主闭塞机和备闭塞机切换，切换过程中主要存在的问题有两个，第一是备闭塞机的功能失效，在这一问题的影响下，被确立的引导词包括两类，即间隔的和永久的，当偏差出现后，要素和引导词会进行合并，在这种情况下，所出现的偏差包括两种，分别是闭塞机永久失效和闭塞机间隔性失效。对于监测机单元而言，其与闭塞机单元的偏差确定方法基本一致，所存在的偏差也包括两种，即闭塞机永久失效和闭塞机间隔性失效。使用同样的偏差确定方法来对4050智能1/0模块进行偏差确定，最终确立的偏差内容则分为控制台亚当ADAN405O模块失效和组合架亚当ADAN4050模块失效。针对站间通信部分，其主要包括两个因素，其一为通信终端，其二为通信误码。针对前者，其引导词同样可以进一步分为间隔性问题和永久性问题两种，间隔性问题指的是站间间隔性中断，而永久性问题指的是站间通信永久性中断。针对后者，所产生的偏差则使站间通信信息误码，同样，这一方法也可以被用到闭塞机和计轴设备、闭塞机和检测设备的偏差确定方面。
3.2接口危害识别
在风险评估过程中，所涉及的微机化自动站间闭塞系统及其附属系统的接口包括其与连锁系统相联系的接口、与计轴设备相连接的接口、与控制系统连接的接口等，针对上述接口，则需要根据相应接口的组成部分进行划分，而且使用危害识别中同样的方式对引导词和偏差进行确立[2]。
3.3风险分析和评价
在系统的最初设计阶段，则需要通过全面的风险评估活动，对系统中的各类风险进行等级划分，最终确立的不同等级风险中，有四类风险不能够被接受，此类风险的存在很容易对系统产生较大的负面影响，如果不及时防范，则很可能引发巨大的损失，所以，为了确保铁路信号系统的正常运行，必须将此类风险降到最低。对于接口危害而言，被认为是不可接受的四类风险分别是事故复原按钮操作失误、到达复原按钮操作失误、模式切换按钮操作失误以及计轴复零按钮操作失误等，对待此类危害，应该慎重对待，并且尽可能降低风险等级。例如，在地铁风险评估过程中，采用HAZOP分析法进行危害识别，根据类似危害记录和专家观点对危险信号进行判断，其中，最为严重的危害是“DTG模式下运行权限错误”，然后借助故障树进一步查找“DTG模式下运行权限错误”的原因（见图1）。之后需要根据事件的后果进行损失分析，分析结果通常包括安全、出轨、人员伤亡等，其中人员伤亡可以进一步分为列车撞人，人员伤亡；撞车，人员轻微伤害；撞车，人员伤亡。
4小结
综上所述，风险评估技术在铁路信号系统的应用中，首先应该利用HAZOP方法进行风险识别，然后在此基础上进行风险评估，并且根据评估结果采取恰当的方法将风险降到最低，从而确保铁路信号系统的正常运行。
【参考文献】
【1】闫胜春.探讨供电系统对铁路信号系统的干扰[J].黑龙江科技信息，2016(33)：77-78.
