陳影
摘要:綜述中外學(xué)者研究商業(yè)銀行評估企業(yè)客戶信用情況目前使用的方法,定性評估方法主要是人工專家法,定量評估方法包括統(tǒng)計方法,如:多元判別分析法,Logistic模型分析;知名公司的信用評估方法,如:Credit Metrics模型,Credit Portfolio View模型,KMV模型(或Credit Monitor模型),Credit Risk+模型;人工智能方法,如:神經(jīng)網(wǎng)絡(luò)法,整數(shù)規(guī)劃,遺傳算法,支持向量機等方法,還存在很多問題需要解決,可以繼續(xù)進(jìn)行研究。
關(guān)鍵詞:商業(yè)銀行;信用風(fēng)險評估;定性方法;定量方法
中圖分類號:F2
文獻(xiàn)標(biāo)識碼:A
文章編號:1672-3198(2013)09-0027-02
企業(yè)信用評估和企業(yè)財務(wù)預(yù)警是企業(yè)財務(wù)管理研究的重要課題。諸多學(xué)者將兩個問題一起進(jìn)行研究,這兩者之間還是有本質(zhì)區(qū)別的。財務(wù)預(yù)警即財務(wù)失敗預(yù)警,是指借助企業(yè)提供的財務(wù)報表、經(jīng)營計劃及其他相關(guān)會計資料,利用財會、統(tǒng)計、金融、企業(yè)管理、市場營銷理論,采用比率分析、比較分析、因素分析及多種分析方法,對企業(yè)的經(jīng)營活動、財務(wù)活動等進(jìn)行分析預(yù)測,以發(fā)現(xiàn)企業(yè)在經(jīng)營管理活動中潛在的經(jīng)營風(fēng)險和財務(wù)風(fēng)險,并在危機發(fā)生之前向企業(yè)經(jīng)營者發(fā)出警告。信用評估本質(zhì)上是對企業(yè)履約各種承諾能力和信用程度進(jìn)行全面評估,預(yù)測未來償債可能性來辨識不同企業(yè)的方法。服務(wù)的對象有商業(yè)銀行、金融監(jiān)管機構(gòu)、與受評對象有業(yè)務(wù)往來的商業(yè)客戶以及社會公眾和投資者。
(1)定性評估方法:人工專家分析法,又被稱為古典信用分析方法,包括5C、5P、5W法,5C法指貸款申請企業(yè)或個人的道德狀況,償債能力,貸款申請企業(yè)或個人的財產(chǎn)狀況,可用于進(jìn)行貸款申請時抵押擔(dān)保的資產(chǎn)價值,宏觀經(jīng)濟(jì)狀況。 5W法指貸款申請人、申請貸款的使用、貸款的時間長度、擔(dān)保資產(chǎn)價值及還款方式。目前我國商業(yè)銀行實務(wù)中仍主要采用的信用評估分析方法。
(2)定量評估方法。
①統(tǒng)計方法:多元判別分析法(Multi-linear Discriminate Analysis)是較早應(yīng)用于企業(yè)信用評估的多元統(tǒng)計方法。Altman(1968)最早提出Z-score模型對企業(yè)運營財務(wù)危機預(yù)警、企業(yè)違約預(yù)測問題進(jìn)行研究,使用較少的財務(wù)比率迅速進(jìn)行判斷分析,使用年度報表的數(shù)據(jù)運用財務(wù)比率進(jìn)行分析:企業(yè)運營成本/平均總資產(chǎn)、留存收益/平均總資產(chǎn)、息稅前利潤總額/平均總資產(chǎn)、普通股股東權(quán)益合計/平均總負(fù)債、營業(yè)收入/平均總資產(chǎn),并且對三十多家樣本公司進(jìn)行分析,得到準(zhǔn)確率較高的分析結(jié)果,該模型屬于貝葉斯判別,用樣本修正已有的先驗概率分布得到后驗概率分布。這篇經(jīng)典論文開創(chuàng)了企業(yè)破產(chǎn)預(yù)測,財務(wù)危機預(yù)警,信用評估分析的先河。Altman(1977)在前述論文的基礎(chǔ)上進(jìn)行了完善,又加入幾個財務(wù)比率建立ZETA模型,使用總資產(chǎn)收益率(利潤總額/平均總資產(chǎn))、利潤增長率(利潤總額/上一年利潤總額)、利息保障倍數(shù)(息稅前利潤總額/利息費用)、留存收益/平均總資產(chǎn)、流動比率(流動資產(chǎn)/流動負(fù)債)、平均總資產(chǎn)、公司股票市價等財務(wù)比率,得到比簽署模型更好的分析結(jié)果。Logistic模型分析。Martin(1977)使用財務(wù)比率進(jìn)行企業(yè)經(jīng)營財務(wù)預(yù)警及企業(yè)貸款違約分析,使用多元統(tǒng)計學(xué)中的Logistic回歸方法,使用1970至1971年的報表數(shù)據(jù)從的美聯(lián)儲成員銀行5600多家中選取58家屬于財務(wù)困境,違約樣本的銀行進(jìn)行分析測算,使用資產(chǎn)凈利率(利潤總額/平均總資產(chǎn))等8個財務(wù)比率,進(jìn)行分析測算,并且分析不同的信息使用者的風(fēng)險偏好差異,如投資人和債權(quán)人,測算不同的風(fēng)險預(yù)警系數(shù),便于信息使用者更好地作出分析決策,得到較好的分析結(jié)果,并且使用該多元回歸模型與前述的Z-Score模型,ZETA模型測算的結(jié)果進(jìn)行對比分析,得到優(yōu)于前述模型的預(yù)測數(shù)據(jù)。吳世農(nóng)(2001)收集我國上市公司1998至2002年A股市場的ST公司共計七十多家,收集樣本數(shù)據(jù)的時間是公司轉(zhuǎn)化成ST的年度,并且選取相關(guān)行業(yè)的七十多家作為對照組樣本,進(jìn)行橫截面數(shù)據(jù)分析,選用不同的計量模型進(jìn)行對比研究,主要有線性概率模型(LPM),F(xiàn)isher二類線性判定,Logistic模型等多元統(tǒng)計方法對企業(yè)財務(wù)進(jìn)行預(yù)警研究,最終結(jié)果是Logistic模型的預(yù)測準(zhǔn)確率均高于Fisher判別分析法和LPM的準(zhǔn)確率。于立勇、詹捷輝(2004)也使用Logistic模型,選取商業(yè)銀行的貸款企業(yè)客戶的財務(wù)數(shù)據(jù)進(jìn)行信用違約的分析,得到較好的測算概率。方洪全、曾勇(2004)在銀行信用風(fēng)險評估方法實證研究及比較分析中運用Logit模型分析。李志輝、李萌(2005)選取了195家上市公司為樣本,Logistic模型的準(zhǔn)確率高于線性判別模型神經(jīng)網(wǎng)絡(luò)模型。Junni L. Zhang(2010)運用貝葉斯加分類樹法對德國公司財務(wù)報表數(shù)據(jù)進(jìn)行償債能力進(jìn)行有效得分類。
②信用風(fēng)險評估模型。Credit Metrics(信用計量模型)是摩根大通等美國知名金融機構(gòu)采用用VaR(在險價值模型)的思路,對個人和企業(yè)的貸款以及其他金融資產(chǎn)進(jìn)行價值估計和風(fēng)險預(yù)測的計算方法。麥肯錫公司提出的Credit Portfolio View模型(信貸組合審查模型),是改造Credit Metrics模型,考慮到周期性宏觀經(jīng)濟(jì)因素,結(jié)合信用風(fēng)險評級轉(zhuǎn)移和宏觀經(jīng)濟(jì)變量如年度經(jīng)濟(jì)增長率、市場利率、政府支出等建立關(guān)聯(lián)模型,使用蒙特卡羅技術(shù)模擬宏觀經(jīng)濟(jì)周期性因素的計算得到評級轉(zhuǎn)移概率。KMV模型(Credit Monitor模型)(是美國KMV公司提出后被穆迪公司收購),該模型是可以對上市公司的信貸違約概率進(jìn)行預(yù)測分析。張玲等(2004)運用KMV模型評估我國上市公司ST公司和非ST公司的信用風(fēng)險后得到,改變KMV模型的相關(guān)變量可以至少提前2年預(yù)警我國上市公司的信用違約風(fēng)險,并且可以提前4年進(jìn)行上市公司的信用風(fēng)險變化趨勢的預(yù)測。戴志鋒等(2005) 運用KMV對我國上市公司數(shù)據(jù)和某國有商業(yè)銀行非上市公司的信貸數(shù)據(jù)進(jìn)行驗證,實證結(jié)果表明非上市公司模型在中國具有一定的預(yù)測能力,但預(yù)測準(zhǔn)確率低于歐美國家。Credit Risk+模型(信用風(fēng)險附加模型)是由瑞士信貸銀行金融產(chǎn)品部(CSFP)開發(fā)的,它是一個違約模型(Default Model)。
③人工智能方法:神經(jīng)網(wǎng)絡(luò)。陳雄華等(2002)采用人工神經(jīng)網(wǎng)絡(luò)模型研究企業(yè)信用等級的評估問題,按照企業(yè)樣本分為制造業(yè)和非制造業(yè)兩大類,利用偏相關(guān)分析方法建立了企業(yè)信用評級的指標(biāo)體系,實驗結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型具有更好的預(yù)測準(zhǔn)確性。于立勇(2003)收集一百多個企業(yè)作為訓(xùn)練樣本,運用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信用違約風(fēng)險分析,得到有效的預(yù)測結(jié)果。章忠志、符林、唐換文(2003)使用神經(jīng)網(wǎng)絡(luò)模型,選取28個企業(yè)數(shù)據(jù)做為樣本進(jìn)行分析,預(yù)測結(jié)果準(zhǔn)確率達(dá)到90%以上。徐佳娜、西寶(2004)使用人工神經(jīng)網(wǎng)絡(luò)模型與層次分析法(AHP)相結(jié)合建立模型對企業(yè)信用風(fēng)險進(jìn)行評估,預(yù)測結(jié)果說明該模型比已有的其他模型準(zhǔn)確更高。張衛(wèi)東等(2006)建立模型結(jié)合前饋型神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊數(shù)學(xué)方法來,評估商業(yè)銀行企業(yè)客戶的信用風(fēng)險,使用Matlab軟件對選取的商業(yè)銀行企業(yè)客戶數(shù)據(jù)進(jìn)行測算,得到的結(jié)果表明準(zhǔn)確率比以前的模型方法有所提高,模型更具魯棒性。夏紅芳(2007)通過與上海某商業(yè)銀行的合作,對其1999-2005年的貸款明細(xì)和公司財務(wù)數(shù)據(jù)進(jìn)行了系統(tǒng)研究,運用粗糙集理論的約簡功能,從中選出最能反映企業(yè)信用狀況的8項財務(wù)指標(biāo),再應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)方法進(jìn)行信用評估,實證研究表明所提方法具有較高精度。但是使用人工神經(jīng)網(wǎng)絡(luò)模型需要根據(jù)實際的樣本數(shù)據(jù)不斷調(diào)整系數(shù),相對而言模型的魯棒性不夠強。戴芬(2009)根據(jù)中小企業(yè)信用評估指標(biāo)體系,提出了一種基于蟻群神經(jīng)網(wǎng)絡(luò)的評估模型。結(jié)果表明蟻群神經(jīng)網(wǎng)絡(luò)的預(yù)測方法與傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測方法相比,具有較強的泛化能力,應(yīng)用在中小企業(yè)信用評估系統(tǒng)中具有很高的評估準(zhǔn)確率。
整數(shù)規(guī)劃法。薛鋒(2006)選取上市公司數(shù)據(jù),使用混合整數(shù)規(guī)劃法,建立企業(yè)信用風(fēng)險評估模型進(jìn)行信用風(fēng)險評估,模型可以滿足非參數(shù)檢驗,也不需要樣本數(shù)據(jù)服從正態(tài)分布,可以較為廣泛的應(yīng)用,經(jīng)數(shù)據(jù)實際測算的結(jié)果說明,該模型魯棒性較好,預(yù)測效果較好,準(zhǔn)確率較高。遺傳算法。薛惠鋒(2006)利用人工智能方法——GA-PSO混合規(guī)劃算法構(gòu)建企業(yè)信用風(fēng)險評估模型。并利用上證50若干企業(yè)的實際數(shù)據(jù)對模型進(jìn)行了實證檢驗。實證結(jié)果顯示該模型能有效預(yù)測上市企業(yè)的信用風(fēng)險狀況。該模型在收斂性能及預(yù)測準(zhǔn)確率等方面優(yōu)于基于傳統(tǒng)的多元回歸方法及GP方法的信用風(fēng)險評估模型。Jonathan N. Crook(2007) 參考諸多文獻(xiàn)比較線形回歸(LDA),Logistic回歸,決策樹,數(shù)學(xué)規(guī)劃法,神經(jīng)網(wǎng)絡(luò)法,遺傳算法,遺傳編程,K近鄰法,支持向量機幾種方法,認(rèn)為支持向量機法的準(zhǔn)確率相對較高。
從以上對國內(nèi)外研究現(xiàn)狀的分析可知,盡管國內(nèi)外已有許多專家學(xué)者對商業(yè)銀行客戶信用評估進(jìn)行大量的研究,但在實際應(yīng)用中涉及中小企業(yè)的研究較少,未考慮我國企業(yè)普遍存在的內(nèi)部人控制的企業(yè)中管理者個人因素對企業(yè)信用的影響,限制了模型的適用范圍。
參考文獻(xiàn)
[1]Altman,E.I.,F(xiàn)inancial ratio discriminant analysis and the prediction of corporate bankruptcy[J].Journal of Finance,1968,23(4):189-209.
[2]Altman,E.I.,R.Haldeman & P.Narayanan,ZETA analysis:A new model to identify bankruptcy risk of corporations[J].Journal of Banking and Finance,1977,(l):29-54.
[3]D.Martin.Early warning of bank failure: A Logit regression approach[J].Journal of banking and finance,1977,(1):249-276.
[4]吳世農(nóng),黃世忠.我國上市公司財務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究,2001,(6):46-55.
[5]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,(9):15-23.
[6]方洪全,曾勇.銀行信用風(fēng)險評估方法實證研究及比較分析[J].金融研究,2004,(1):62-69.
[7]李志輝,李萌.我國商業(yè)銀行信用風(fēng)險識別模型及其實證研究[J].經(jīng)濟(jì)科學(xué),2005,(5):61-71.
[8]Junni L. Zhang,Wolfgang K. Hrdle The Bayesian Additive Classification Tree applied to credit risk modeling Computational[J].Statistics and Data Analysis 54 (2010) 1197_1205.
[9]張玲,楊貞柿,陳收.KMV模型在上市公司信用風(fēng)險評估中的應(yīng)用研究[J].系統(tǒng)工程,2004,(11).
[10]戴志鋒,張宗益,陳銀忠.基于期權(quán)定價理論的中國非上市公司信用風(fēng)險度量研究[J].管理科學(xué),2005,(6).
[11]陳雄華,林成德,葉武.基于神經(jīng)網(wǎng)絡(luò)的企業(yè)信用等級評估系統(tǒng)[J].工程學(xué)報,2002,(6):570-575.
[12]于立勇.商業(yè)銀行信用風(fēng)險評估預(yù)測模型研究[J].管理科學(xué)學(xué)報,2003,(5):46-52.
[13]章忠志,符林,唐換文.基于人工神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險[J].模型經(jīng)濟(jì)數(shù)學(xué),2003,(3):42-47.
[14]徐佳娜,西寶.基于AHP-ANN模型的商業(yè)銀行信用風(fēng)險評估[J].哈爾濱理工大學(xué)學(xué)報,2004,(3):94-98.
[15]張衛(wèi)東,韓云昊,米陽于.GA-BP模糊神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險評估[J].工業(yè)工程與管理,2006,(5):81-84.
[16]夏紅芳.商業(yè)銀行信用風(fēng)險度量與管理研究[D].南京:南京航空航天大學(xué),2007,(8).
[17]戴芬,劉希玉,王曉敏.蟻群神經(jīng)網(wǎng)絡(luò)在中小企業(yè)信用評估中的應(yīng)用[J].計算機技術(shù)與發(fā)展,2009,(10):218-221.
[18]薛鋒,柯孔林.基于混合整數(shù)規(guī)劃法的企業(yè)信用風(fēng)險評估研究[J].中國管理科學(xué),2006,(2):39-44.
[19]薛惠鋒,林波,蔡琳.基于GA-PSO混合規(guī)劃算法的企業(yè)信用風(fēng)險評估模型[J].西北大學(xué)學(xué)報(哲學(xué)社會科學(xué)版),2006,(3):38-40.
[20]Jonathan N. Crook,David B. Edelman,Lyn C. Thomas Recent developments in consumer credit risk assessment[J].European Journal of Operational Research 183(2007):1447–1465.