徐洪明

摘 要：商業(yè)銀行對客戶的授信評級可引入多指標綜合評價的思想、理論和方法，實現(xiàn)多指標綜合評價與商業(yè)銀行客戶授信評級的有效結(jié)合。應根據(jù)各種評估技術(shù)特有的優(yōu)勢，并結(jié)合評估環(huán)境狀況，選擇簡單易行、符合銀行授信評級特點的評價方法；應注重多種綜合評價方法的組合使用，互相補充，從而更好地提高我國商業(yè)銀行授信評級的可靠性。

關(guān)鍵詞：商業(yè)銀行；授信評級；多指標綜合評價

中圖分類號：F830.5文獻標識碼：Ａ文章編號：１００６－３５４４（２０12）０2－００17－03

貸款信用風險管理是商業(yè)銀行內(nèi)部風險管理的核心， 其中一個重要內(nèi)容是對借款人進行信用風險評級，即商業(yè)銀行在發(fā)放貸款之前，首先對借款人不能履約的可能性進行評估， 并把這種可能性劃分為幾個等級， 以此作為標準來區(qū)分借款人資信的優(yōu)劣，進而做出貸款與否的決定。商業(yè)銀行對客戶的信用狀況進行評價， 屬于多指標綜合評價的范疇，因此，引入多指標綜合評價的思想、理論和方法，有利于提高授信評級的準確性、科學性。

一、多指標綜合評價在授信評級中的應用

（一） 授信評級中的評價模式分析

綜合評價模式大致分為三種類型：

1.“直接評價”。 目前我國商業(yè)銀行大都采用該種模式，盡管有些商業(yè)銀行的授信評級與該模式的流程有所出入， 但其思想和本質(zhì)仍符合直接評價模式。直接評價模式簡單易懂、可操作性強。

2. “先分類后評價”。該模式屬于排序評價，候選方案的取舍不僅取決于自身，而且取決于其他方案的“狀態(tài)”，商業(yè)銀行的信貸行為更多的是取決于客戶自身條件與既有標準的比較。因此，該模式很少應用于客戶授信評級。

3. “先學習后評價”。實現(xiàn)“學習”，必須具備一定量的樣本，樣本的質(zhì)量直接關(guān)系到“學習”的效果。商業(yè)銀行要建立各類客戶信用的數(shù)據(jù)庫， 如冶金、化工、機械、貿(mào)易等，并用這些已“認可”的知識來評估客戶信用狀況，神經(jīng)網(wǎng)絡(luò)就是此類模式的代表。朱順泉以廣泛采用BP神經(jīng)網(wǎng)絡(luò)學習算法為例 [1] ，將評價指標個數(shù)定為輸入結(jié)點數(shù)?？蓪⑿庞脿顩r分為兩類，即輸出結(jié)果為兩個， 采用如下的形式表示： 良好（1，0），不良（0，1）；亦可分為五級，中間節(jié)點的個數(shù)應該小于輸入節(jié)點數(shù)，而大于輸出節(jié)點數(shù)，并通過公式計算確定。同時，確定隱含層、輸出層的神經(jīng)元的傳遞函數(shù)及網(wǎng)絡(luò)訓練的訓練次數(shù)、精確度、學習速率等參數(shù)，將同類企業(yè)的已確認的結(jié)果作為訓練數(shù)據(jù)，將被評價客戶的指標值作為測試數(shù)據(jù)， 將神經(jīng)網(wǎng)絡(luò)優(yōu)化算法分類程序存放在M文件wl. m中，并在Matlab狀態(tài)下執(zhí)行M文件，進而得到評估結(jié)果。應用以BP神經(jīng)網(wǎng)絡(luò)學習算法為代表的先學習后評價模式， 充分利用已“認可”的數(shù)據(jù)，結(jié)合計算機智能技術(shù)， 有效地提高了評級過程的簡便性與結(jié)果的可靠性。此外，繼神經(jīng)網(wǎng)絡(luò)之后，又一機器學習領(lǐng)域的方法——支持向量機（SVM）也用于授信評級，Young-Chan Lee [2] Wun-Hwa Chen and Jen-Ying Shih[3] 對此進行了應用研究，Zan Huang等 [4] 則將二者結(jié)合起來共同用于授信評級。

對于商業(yè)銀行而言， 應根據(jù)實際條件選擇有效的評價模式進行授信評級， 亦可將其他模式作為授信評級的輔助參考， 作為對原有模式的一種補充或驗證。

（二）授信評級中的評價要素分析

任何一項綜合評價活動的實現(xiàn)都是通過評價要素完成的，評價要素是評價活動的支撐，通常包括評價者、評價指標、指標權(quán)重、評價模型、評價對象等 [5-6] 。下面圍繞前四個要素，探討其在授信評級中的具體應用。

1. 評價者分析。授信評級從評價內(nèi)容上看，既含有“硬評價”（如企業(yè)基本素質(zhì)等）成分，也含有“軟評價”（如財務(wù)結(jié)構(gòu)等）的成分。相對于“硬評價”，“軟評價” 則更依賴于評價者的知識和經(jīng)驗對評價對象做出判斷。由于參與授信評級的人員在知識結(jié)構(gòu)、經(jīng)驗等方面有所差異，加之銀企之間信息不對稱等問題， 因此， 有必要建立有效的信息溝通與反饋機制，實施群組評價。 群組的設(shè)置及評價方式是評價活動的關(guān)鍵，也是目前研究的重點，可借鑒評價小組對話式評價等方式，充分集結(jié)群體專家的知識與經(jīng)驗，提高授信分析、預測的準確性。群組評價主要體現(xiàn)在指標權(quán)重與評價指標值的確定上，同時，要根據(jù)群組成員的知識、經(jīng)驗及對企業(yè)的了解程度，對評價者賦予不同的評分權(quán)重，即引入專家權(quán)威因子，實現(xiàn)對評價者的集成。

2. 評價指標分析。 授信評級指標分析包含指標體系的建立、 內(nèi)部結(jié)構(gòu)的設(shè)置及評價指標一致化與無量綱化處理等內(nèi)容，是授信評級研究的重點。指標體系是對銀行客戶資信狀況的全面反映， 具有綜合性的特點。 信用評級指標體系要遵循綜合評價指標體系的構(gòu)建原則，并呈遞階結(jié)構(gòu)列示，其一級指標可用狀態(tài)向量x=［x1，x2，…，xm］表征。目前，我國部分商業(yè)銀行已建立各自的授信評級體系， 如中國工商銀行的信用評級內(nèi)容包括領(lǐng)導者素質(zhì)、經(jīng)濟實力、資金結(jié)構(gòu)、經(jīng)營效益、信譽狀況和發(fā)展前景等6個方面； 交通銀行的信用評級包括償債能力、盈利能力、資產(chǎn)管理能力、企業(yè)發(fā)展?jié)摿Α⑿袠I(yè)狀況、管理狀況、經(jīng)營狀況和信用狀況等8個方面的內(nèi)容。同時，國內(nèi)也有研究者針對指標體系做了較為全面的探討。 如張燕卿[7] 指出現(xiàn)行的評級指標體系存在的問題，即過度偏好規(guī)模而忽略其他綜合因素， 大多只反映企業(yè)過去而忽視未來的償債能力， 并分析了設(shè)計思路及28個二級指標。朱子云 [8] 指出商業(yè)銀行客戶信用等級評判應當綜合考慮客戶守信程度、 客戶財務(wù)風險程度和客戶經(jīng)營風險程度三個層次的因素， 應當從信貸資源回報率、 經(jīng)營成果依存度兩個方面進行綜合分析和評判， 并提出了客戶授信等級評判系統(tǒng)。覃發(fā)艷 [9] 匯總了工、農(nóng)、中、建、交等商業(yè)銀行的財務(wù)評價指標， 建立了商業(yè)銀行小企業(yè)客戶評級指標體系，并以湖北省宜昌市為例做了實證研究。關(guān)于評價指標， 商業(yè)銀行應在遵守中國人民銀行及銀監(jiān)會相關(guān)法規(guī)的基礎(chǔ)上，從自身的實際出發(fā)，建立符合自身特點的授信評級指標，同時應針對不同行業(yè)、不同企業(yè)規(guī)模設(shè)置不同的指標體系， 并根據(jù)評估環(huán)境的變化，適時地進行調(diào)整，體現(xiàn)合規(guī)性、動態(tài)性和及時性。關(guān)于指標值（尤其是定性指標），可充分集結(jié)評價者知識與經(jīng)驗；在指標值形式上，可嘗試采用模糊數(shù)等形式，并與其他形式得出的結(jié)果進行對比分析，提高授信評級的可靠性。

3. 指標權(quán)重分析。目前，部分商業(yè)銀行進行授信評級時，存在著指標權(quán)重“粒度”過大，方法過于簡單的現(xiàn)象。由于授信評級多屬于“整體”評價，而非排序評價，因此，指標賦權(quán)更多地采用主觀賦權(quán)法。已有研究者采用層次分析法等方法為信貸決策者提供定量的賦權(quán)分析技術(shù)， 具有較好的科學性和可操作性。 [10] 關(guān)于權(quán)重，鑒于其重要性，筆者認為應引入群體知識與經(jīng)驗， 將指標權(quán)重與評價者要素結(jié)合起來，如可采用群體AHP、群體序關(guān)系分析法等方法，同時亦可結(jié)合某些智能技術(shù)如粗糙集（Rough set）算法，將多個客戶樣本信息利用Rosetta軟件進行約簡，提取“知識”，找出影響企業(yè)信用狀況的核心因素，完成對指標權(quán)重的優(yōu)化。

4. 評價模型分析。通過模型y=f（w，x）將各指標合成一個值，以反映銀行客戶信用的綜合狀況，其中w稱為權(quán)重向量，x稱為狀態(tài)向量。 對客戶的信用狀況做出全面、客觀的評估，選擇合適的評價模型尤為關(guān)鍵。 目前， 有關(guān)商業(yè)銀行信用量化評級模型的研究，主要有綜合打分法、模糊綜合評價法和多元統(tǒng)計分析方法，而在商業(yè)銀行信用評級實踐中，部分銀行僅采用綜合打分法來評定企業(yè)的信用等級， 綜合評價的方法尚未得到完全開發(fā)與應用。理論界的研究成果主要有：王小明 [11] 對目前我國商業(yè)銀行在信用評級研究中涉及的各種信用測度模型進行了系統(tǒng)的回顧與總結(jié)， 對現(xiàn)有各種評級方法的優(yōu)缺點及適用場合等做了必要的比較研究， 并給出了建立信用風險評級模型的基本設(shè)想；尹宗成等 [12] 在對風險、信用風險概念分析的基礎(chǔ)上，對國內(nèi)外主要的信用風險評估方法進行述評； Liang-Hsuan Chen and Tai-Wei Chiou [13] 則將模糊積分（Fuzzy integral）引入到商業(yè)貸款信用評級中來， 模糊積分放松了對指標相互獨立的苛刻要求，只要求指標滿足單調(diào)性即可，而授信評級指標具有較強的相關(guān)性，因此，采用模糊積分模型可使評價結(jié)果更接近客觀實際狀況。

二、 多指標綜合評價在授信評級中的應用創(chuàng)新

通過文獻分析發(fā)現(xiàn)， 理論界有關(guān)商業(yè)銀行授信評級模型的研究已從傳統(tǒng)方法向人工智能方法轉(zhuǎn)化，從單一方法分析向組合方法過渡。但這些方法在走向?qū)嵺`中存在一個問題， 即眾多方法屬于靜態(tài)評價方法（基于歷史重復的假設(shè)），只能反映客戶的歷史，無法反映其未來的信用變化情況，而借款人未來的財務(wù)狀況對商業(yè)銀行來說意義更大。因此，應采用能動態(tài)預測借款企業(yè)未來信用變化的評估方法。筆者建議可嘗試采用“三維立體”評價模型。 [14] “三維”是指“歷史維”、“現(xiàn)狀維”與“未來維”，此類模型將歷史信息、現(xiàn)時狀況及未來預測集結(jié)在一起，通過y=■?棕tyt給出綜合評價值。?棕1，?棕2，?棕3為相應于“歷史”、“現(xiàn)狀”、“將來”的權(quán)重系數(shù)，由授信評級專家給出，為授信評級專家對客戶未來發(fā)展的估測值。 該模型具有注重歷史、立足現(xiàn)在、集納未來的特性，充分利用了商業(yè)銀行客戶在不同時期的發(fā)展狀況， 評價信息全面，形成了一個“三維”評價結(jié)構(gòu)，具有動態(tài)性，符合授信評級的要求。

進行綜合評價，并不意味著只注重“整體”，而忽視“局部”，有些客戶的綜合評價值較高，但部分指標可能存在較低的情況，仍然存在風險隱患。從系統(tǒng)學的角度出發(fā)，一個系統(tǒng)的內(nèi)部如果是協(xié)調(diào)的，那么系統(tǒng)的整體功效應該是高的；相反，如果系統(tǒng)的內(nèi)部是不協(xié)調(diào)的，盡管它在某些方面具有較大的局部功效，但整體效益相對偏低。因此，評價系統(tǒng)的運行狀況應注重它的內(nèi)部整體效益。 多指標綜合評價一般采用線性模型集結(jié)信息，但對于線性模型而言，評價指標之間具有較強的彌補性，其對“弱指標”并不敏感，即某些較低的指標值可以通過較高的指標值來線性彌補， 而最后的綜合評價結(jié)果并不能完全反映內(nèi)部情況，這也是線性模型的主要缺陷。為此可引入狀態(tài)空間劃分理論， [15] 將m維狀態(tài)空間D按照一定的分類線（既定標準） 劃分為三個部分（A、B和C，D=A∪B∪C），根據(jù)指標值將指標對應到不同的狀態(tài)空間。對于落入低水平空間C（各項指標值均低于低標準分類線）的客戶基本上不予以考慮，雖然其內(nèi)部是協(xié)調(diào)的，但整體效益也是偏低的；對于落入空間A或B（各項指標值均高于“低標準分類線”）的客戶可予以考慮；對于落入高水平空間A（各項指標值均高于“高標準分類線”）的客戶可優(yōu)先考慮，而橫跨三個空間的客戶要具體分析。 只有那些整體效益高且發(fā)展協(xié)調(diào)的客戶才是商業(yè)銀行理想的信貸客戶。

四、結(jié)語

將多指標綜合評價的思想、 理論與方法應用于我國商業(yè)銀行客戶的授信評級， 將有利于促進銀行授信評級的科學化，提高銀行內(nèi)部風險管理水平。商業(yè)銀行實施授信評級應針對各種技術(shù)特有的優(yōu)勢，結(jié)合評估環(huán)境狀況， 注重多種綜合評價方法的組合使用，繼承各自優(yōu)點，克服缺點，互相補充。隨著對數(shù)學、統(tǒng)計學、計算機智能等理論與方法的吸收借鑒，將有更多簡單易行、 符合銀行授信評級特點的綜合評價方法引入， 這不僅能有效拓展綜合評價技術(shù)的應用范圍， 更重要的是可以提高我國商業(yè)銀行授信評級的可靠性。

參考文獻：

［1］朱順泉. 基于Matlab的BP神經(jīng)網(wǎng)絡(luò)在現(xiàn)金流量分析中的應用［J］. 中國管理信息化，2008，11（6）：39-40.

［2］Young-Chan Lee. Application of support vector machines to corporate credit rating prediction［J］. Expert Systems with Applications，2007，33（1）：67-74.

［3］Wun-Hwa Chen and Jen-Ying Shih. A study of Taiwans issuer credit rating systems using support vector machines［J］. Expert Systems with Applications，2006，30（3）：427-435.

［4］Zan Huang，Hsinchun Chen，Chia-Jung Hsu，Wun-Hwa Chen and Soushan Wu. Credit rating analysis with support vector machines and neural networks：a market comparative study［J］. Decision Support Systems，2004，37（4）：543-558.

［5］陳衍泰，陳國宏，李美娟. 綜合評價方法分類及研究進展［J］. 管理科學學報，2004，7（2）：69-79.

［6］王宗軍. 綜合評價的方法、問題及其研究趨勢［J］. 管理科學學報，1998（1）：73-79.

［7］張燕卿. 商業(yè)銀行客戶信用等級評價指標體系研究［J］. 中國電力教育，2010（3）：265-266.

［8］朱子云. 商業(yè)銀行客戶授信等級評判系統(tǒng)的構(gòu)想及其應用［J］. 金融論壇，2003（8）：48-53.

［9］覃發(fā)艷. 我國商業(yè)銀行對小企業(yè)評級授信的實證研究——以湖北省宜昌市為例［J］. 時代金融，2009（1）：52-54.

［10］鞠鑫，李爽詩. 論專家判斷分析法在銀行授信業(yè)務(wù)中的應用問題［J］. 經(jīng)濟師，2008（2）：206-207.

［11］王小明. 商業(yè)銀行信用風險評級測度方法研究［J］. 財經(jīng)研究，2005，31（5）：73-82.

［12］尹宗成，田峰，吳永輝. 商業(yè)銀行信用風險及評估方法應用述評［J］. 安徽農(nóng)業(yè)大學學報（社會科學版），2008，17（5）：24-29.

［13］Liang-Hsuan Chen and Tai-Wei Chiou. A fuzzy credit-rating approach for commercial loans：a Taiwan case［J］. Omega，1999，27（4）：407-419.

［14］王學軍，郭亞軍. 供應商選擇的三維動態(tài)組合評價方法及應用［J］. 工業(yè)工程與管理，2005（6）：19-22.

［15］郭亞軍. 綜合評價理論與方法［M］. 北京：科學出版社，2002：16-18.

（責任編輯：李丹；校對：郄彥平）