信用平稳下商业银行信用风险测度模型及应用

时间：2024-04-24

收稿日期： 2014-01-12

基金项目：国家社会科学基金（13BGL041）

作者简介：顾海峰（1972—），男，江苏苏州人，金融学博士后，东华大学旭日工商管理学院金融系研究员、博士生导师（副），研究方向：金融理论、金融工程与金融风险管理。

摘要：科学高效的商业银行信用风险测度模型，是实现商业银行信用风险监测目标的重要保障。商业银行信用风险主要来源于贷款企业层面，贷款企业信用质量状况将对应着商业银行信用风险水平。对此，从贷款企业的财务与非财务两个层面设计信用风险的测度指标体系，运用模糊综合评判法构建信用平稳下商业银行信用风险测度模型，并给出信用风险测度模型的应用实例。研究发现，在信用平稳下，依赖于专家评判及打分方式，使得模糊综合评判法对于解决商业银行信用风险测度问题具有很好的操作便利性；也可为我国商业银行体系构建科学高效的信用风险监测机制提供重要的理论指导与决策参考。

关键词：信用平稳；商业银行；信用风险；测度模型；模糊综合评判法

中图分类号：F830.9 文献标识码： A 文章编号：1003-7217（2014）05-0008-05

一、问题提出及研究述评

2008年全球金融危机的爆发及其演变，已充分暴露出全球商业银行体系，尤其是中小商业银行在信用风险管理方面存在着较大缺陷，这种缺陷不仅体现在信用风险管理的环节方面，还体现在信用风险管理的效能方面。由于金融市场中信息不对称的客观存在，容易引发逆向选择与道德风险问题，从而商业银行可能面临一定程度的贷款损失。因此，商业银行还应当注重信用风险监测环节，即揭示信用风险传导机理，测度信用风险水平。信用风险监测环节主要针对贷款之前的风险审核管理，通过测度贷款企业的信用质量，来准确反映商业银行面临来自于贷款企业的信用风险水平。若测度结果不符合商业银行放贷标准，则商业银行拒绝放贷，从而将劣质企业群体排斥在贷款之外，有效降低商业银行面临来自于贷款企业的信用风险。可见，信用风险监测是商业银行信用风险管理的重要环节。此外，运用模糊综合评判法来构建信用平稳下的商业银行信用风险测度模型，有助于提升信用风险管理效能。从信用风险管理的环节与效能分析中可以发现，信用风险测度模型是商业银行信用风险监测机制的重要内容，构建科学高效的商业银行信用风险测度模型，是实现商业银行信用风险监测目标的重要保障。

国内外对于商业银行信用风险测度研究在方法方面居多。其中，Jorion（1996）运用VAR方法构建了基于VAR方法的信用风险测度模型[1]；Saunders（1999）对VAR方法进行了修正及拓展，使得测度结果更为精确[2]；Jeffrey（2000）提出了期望违约概率模型[3]；Jose和Marc（2000）对Credit Metrics模型进行了分析与拓展，提出了两阶段风险测度方法[4]；Gordy（2000）将Credit Metrics模型与风险附加法模型（CreditRisk+）进行了实证比较[5]；Albanese等（2003）考察了流动性障碍下的信用风险测度问题，提出了基于流动性障碍的风险测度模型[6]；Steven等（2004）将政策周期与政治民主引入发展中国家主权信用风险的评价问题，建立了发展中国家主权信用风险测度模型[7]；Wand等（2008）将小数据集合运用于贝叶斯神经网络模型，探讨金融机构操作中的信用风险测度方法[8]。国内方面，郭英见等（2009）提出了基于信息融合的商业银行信用风险测度模型[9]；吴冲等（2009）采用模糊积分支持向量机集成技术，构建了商业银行信用风险评估模型[10]；白保中等（2009）运用Copula函数法对银行资产组合信用风险进行了测度[11]；李江等（2008）通过压力测试方法来评估银行信用风险[12]。

综合国内外文献发现，现有文献较多涉及方法论层面探讨信用风险测度问题，尚未涉及对信用环境进行分类，并考察不同信用环境下的信用风险测度问题，对此，本文将运用模糊综合评判法，探讨信用平稳环境下的信用风险测度问题。

二、信用平稳下商业银行信用风险测度指标体系设计

考虑到商业银行信用风险主要来源于贷款企业层面，贷款企业的信用质量状况对应着商业银行的信用风险水平，且两者之间存在着负相关关系①。对此，商业银行可以通过对贷款企业信用质量进行测度，来准确反映商业银行自身面临来自于贷款企业的信用风险水平。商业银行信用风险的测度过程，就是贷款企业信用质量的测度过程。此外，为准确反映商业银行面临来自于贷款企业的信用风险，我们分别从贷款企业的财务与非财务层面遴选出信用风险测度指标体系。具体设计过程如下：

（一）信用风险的财务性测度指标体系②

商业银行面临来自于贷款企业的信用风险程度主要通过贷款企业的经营水平、盈利水平、偿债水平等中间变量来综合反映。考虑到贷款企业的这些中间变量，可以通过贷款企业的相关财务性指标来直接反映，将它们称为“财务性变量”。

（1）经营水平变量。主要反映贷款企业的资金运作与资产盘活效率，由资产周转率、库存周转率、应付款周转率、应收款周转率等指标来综合决定。

（2）盈利水平变量。主要反映贷款企业的利率获取效率，由销售利润率、营业利润率、资产报酬率等指标来综合决定。

（3）偿债水平变量。主要反映贷款企业的债务偿还效率，由资产负债率、流动比率、速动比率、净资产收益率等指标来综合决定。

（二）信用风险的非财务性测度指标体系③

商业银行面临来自于贷款企业的信用风险程度，除了依赖于贷款企业的财务性变量之外，还依赖于履约状况水平、管理水平、生态环境、领导水平、创新水平、发展潜力等中间变量。考虑到这些中间变量是通过财务数据之外的相关经验统计而得到的，将它们称为“非财务性变量”。

（1）履约水平变量。主要反映贷款企业的历史履约效率，由贷款履约率、合同履约率等指标来综合决定。

（2）管理水平变量。主要反映贷款企业的经营管理效率，由销售管理、资金管理、质量管理、技术管理等指标来综合决定。

（3）生态环境变量。主要反映贷款企业的行业经营环境，由行业景气度、行业竞争性、行业政策性等指标来综合决定。

（4）领导水平变量。主要反映贷款企业的高管领导效率，由领导层的个人信用、学历水平、经营理念、经营业绩等指标来综合决定。

（5）创新水平变量。主要反映贷款企业的技术创新效率，由创新人力、创新物力、创新财力、创新效益方面的投入等指标来综合决定。

（6）发展潜力变量。主要反映贷款企业的发展潜力程度，由行业政策、市场份额、潜在效益等指标来综合决定。

（三）信用风险测度指标体系的基本架构

依据上述分析，给出商业银行信用风险测度指标体系的基本架构，即：信用风险测度指标体系主要由财务性测度指标体系与非财务性测度指标体系两大部分构成。具体指标体系及符号分别见表1、表2所示。

三、信用平稳下商业银行信用风险测度模型构建

在信用平稳环境下，运用模糊综合评判法中的专家评判及打分方式来设定各个测度指标的相应权重，尽管存在一定的主观性，但是对测度结果影响较小，且操作便利。具体建模过程与方法如下：

1.测度指标的权重设定及反向标准化处理。为设定信用风险测度指标权重，模糊综合评判法中通常采用专家评判及打分方式来实现，专家依据历史经验对反映各个变量的相关测度指标权重进行评判及打分，从而确定各个测度指标对关联变量的权重系数。以mijk表示测度指标Xijk对变量Xij的权重，则反映变量Xij的权重向量为Mij=（mij1，mij2，…，mijl）。

通过专家打分方式还可以获得各个测度指标的实际取值。考虑到财务性测度指标均属于无量纲的比例，取值范围自然位于[0，1]区间内；对于非财务性测度指标，例如测度指标Xijk，专家依据经验数据给出测度指标Xijk的上、下限阀值max Xijk与min Xijk，再通过反向标准化运算ijk=max Xijk-Xijkmax Xijk-min Xijk，使得指标数值ijk必然分布于[0，1]内。此外，通过上述反向标准化处理，使得商业银行信用风险水平与来自贷款企业的测度指标取值之间由原来的负相关性转换为正相关性。

2.建立信用风险测度等级集及分布区间集。

根据中国银行业按照五大级别对贷款风险进行分类管理的原则，将商业银行信用风险测度等级也划分为五个等级，分别为正常（A级）、轻度（B级）、中轻（C级）、中度（D级）、重度（E级）。考虑到测度指标已进行了反向标准化处理，且各个测度指标取值与信用风险水平之间呈现正相关性，即：反向标准化处理后的测度指标数值越大，则对应的信用风险水平就越大。此外，对经过标准化处理后的各个测度指标取值进行加权平均运算，得到各个变量值的范围也必然在[0，1]区间内。然后，再次对各个变量进行加权平均运算，最后得到的信用风险测度结果也必然分布于[0，1]区间内。对此，将[0，1]区间划分为五个子区间，每个子区间分别对应着某个风险测度等级，为便于操作，对[0，1]区间进行均匀分割，即：将[0，0.2）对应的风险等级设定为正常（A级）；将[0.2，0.4）对应的风险等级设定为轻度（B级）；将[0.4，0.6）对应的风险等级设定为中轻（C级）；将[0.6，0.8）对应的风险等级设定为中度（D级）；将[0.8，1]对应的风险等级设定为重度（E级）。

3.给出测度指标隶属向量及评判隶属矩阵。

假设参与风险评价的专家人数为P，专家对任意测度指标Xijk按照A、B、C、D、E等级进行打分评价，则指标Xijk对应于A级的隶属度为wijk1=PAP，其中PA表示认定该指标值为A级的专家人数，将对应于每个等级的隶属度以横向量形式表示，即可得到变量Xij的隶属向量Wijk=（wijk1，wijk2，wijk3，wijk4，wijk5）。考虑到任意变量Xij可由若干个测度指标Xijk（1≤k≤l）来综合反映，于是得到变量Xij的评判隶属矩阵为：

Wij=Wij1

Wij2

Wijl=

wij11wij12wij13wij14wij15

wij21wij22wij23wij24wij25

wijl1wijl2wijl3wijl4wijl5

4.计算风险测度结果及评判信用风险等级

下面，将变量Xij的评判隶属矩阵进行加权平均运算，得到变量Xij的隶属向量：

Aij=（mij1，mij2，…，mijl）×

wij11wij12wij13wij14wij15

wij21wij22wij23wij24wij25

wijl1wijl2wijl3wijl4wijl5=

（aij1，aij2，…，aij5）

对隶属向量Aij进行标准化运算ijk=aijk∑5k=1aijk，得到归一化隶属向量ij=（ij1，ij2，…，ij5）。

以各个归一化隶属向量ij=（ij1，ij2，…，ij5）为横向量形成矩阵形式，即可得到两大主变量X1与X2的隶属矩阵分别为：

W1=111112…115

121122…123

131132…133

W2=211212…215

…………

261262…265

以mij表示变量Xij对主变量Xi的权重，则反映主变量X1与X2的权重向量分别为M1=（m11，m12，m13），M2=（m21，m22，…，m26），对主变量Xi的隶属矩阵进行加权平均运算，得到主变量Xi的隶属向量为Ai=Mi·Wi=（ai1，ai2，…，ai5），i=1，2。再对Ai进行标准化运算ij=aij∑5j=1aij，得到归一化隶属向量i=（i1，i2，…，i5），还可得到信用风险的隶属矩阵为W=1112…15

2122…25。最后，结合主变量对信用风险的权重向量M=（m1，m2），即可得到信用风险的隶属向量为A=M·W=（a1，a2，…，a5），通过标准化运算i=ai∑5i=1ai，得到信用风险的归一化隶属向量=（1，2，…，5）。此外，取五大等级区间的中间值建立权重向量S=（0.1，0.3，0.5，0.7，0.9），则信用风险测度结果为f=·ST。考虑到0≤f≤1，则f必然落在某个等级区间内，即可认定测度结果对应的风险等级。

四、商业银行信用风险测度模型应用：实例分析

（一）设定测度指标隶属向量数据及相关权重

假设某商业银行邀请10位专家组成员对某贷款企业进行评判及打分，专家组依据贷款企业的财务及非财务数据，对各个测度指标对应的相关数据进行了反向标准化运算处理，并按照A、B、C、D、E顺序对各个测度指标进行了评判及打分，并对相关测度指标及变量的权重系数进行了设定，具体结果分别由表3、表4给出。

表3 财务性测度指标对应的隶属向量及权重数据

（二）依据评判隶属矩阵计算归一化隶属矩阵

依据上述隶属向量数据及相应权重，可得到各个变量的评判隶属矩阵；对评判隶属矩阵及对应权重向量进行加权平均运算，可得到各个变量Xij的隶属向量Aij；再对各个隶属向量Aij进行标准化运算，可得到两大主变量X1与X2的隶属矩阵：

W1=0.50.350.1500

0.460.30.2400

0.380.30.240.080

W2=0.370.230.220.180

0.390.270.270.070

0.50.30.200

0.440.280.2800

0.370.380.2500

0.360.320.3200

再结合权重向量M1=（0.3，0.4，0.3），M2=（0.2，0.2，0.2，0.2，0.1，0.1），即可得到两大主变量Xi（i=1，2）的隶属向量分别为A1=（0.448，0.315，0.213，0.024，0），以及A2=（0.323，0.292，0.215，0.05，0），再进行标准化运算，即可得到信用风险的隶属矩阵为：

W=0.4480.3150.2130.0240

0.3670.3320.2440.0570

最后，依据主变量对信用风险的权重向量M=（0.5，0.5），得到信用风险的隶属向量A，再对A进行标准化运算，得到信用风险的归一化隶属向量=（0.4075，0.3235，0.2285，0.0405，0）。

（三）计算风险测度结果及评判信用风险等级

选取五大等级区间的中间值建立权重向量S=（0.1，0.3，0.5，0.7，0.9），依据信用风险测度公式f=·ST，即可计算出信用风险值为f=0.2904。显然，商业银行来自于样本贷款企业的信用风险测度结果分布于[0.2，0.4）区间内，该区间所对应的风险等级为轻度（B级）。进一步分析还可以发现，信用风险值f=0.2904，逼近轻度（B级）对应区间的中心位置，对此，将信用风险等级认定为轻度（B级）的可靠性程度较高。此外，一般模糊分析法通常依据归一化隶属向量的最大隶属度来作出判断，若将上述实例运用一般模糊分析法思路，得到的结论是：信用风险等级属于正常（A级），因为归一化隶属向量的最大隶属度为0.4075，恰好对应于正常（A级）位置。考虑到对应于B级与C级的隶属度之和远大于A级对应的最大隶属度，说明被认定为B级或C级的可能性也较大。显然，一般模糊分析法的测度结论相对比较粗糙。通过对上述结论的比较分析发现，运用模糊综合评判法所得到的测度结果相对可靠，尤其是对于解决信用平稳环境下的信用风险测度问题，具有明显的优越性。

五、结论与展望

以上探讨了信用平稳下商业银行信用风险测度问题。一方面，从贷款企业的财务与非财务两个层面入手，设计了信用风险测度指标体系，在此基础上，运用模糊综合评判法，构建了信用平稳下商业银行信用风险测度模型，并给出了信用风险测度模型的应用实例。通过实例分析发现，与一般模糊分析法相比较，模糊综合评判法对于解决信用平稳环境下的信用风险测度问题具有较高的可靠性与优越性。但是，在信用突变环境下，模糊综合评判法则具有较大的局限性，因为一旦测度指标发生突变，依赖于专家评判及打分方式得到的测度结果容易发生等级的“过度跳跃”，导致风险测度结果的不稳定性，从而缺乏一定的说服力。

商业银行信用风险测度问题是金融学领域的重大问题，尤其是2008年全球金融危机的爆发及其演变，展开这方面研究对于提升我国银行业风险管理能力具有重要意义。对此，探讨不同信用环境下的商业银行信用风险测度问题，还有待于进一步探讨，希望我们的研究能为这方面的后续研究提供重要的基础性铺垫。

注释：

①

贷款企业信用质量越高，说明贷款企业贷款偿还能力越大，则商业银行面临来自于贷款企业层面的信用风险水平越低；贷款企业信用质量越低，说明贷款企业贷款偿还能力越小，则商业银行面临来自于贷款企业层面的信用风险水平越高。因此，两者之间存在负相关性。

②所谓信用风险的财务性测度指标体系，就是通过贷款企业财务报告数据能够直接反映信用风险水平的相关因子集合。

③所谓信用风险的非财务性测度指标体系，就是通过财务数据之外的相关经验统计能够间接反映信用风险水平的相关因子集合。

参考文献：

[1]Jorion P.Risk： measuring the risk in value at risk[J]. Financial Analysts Journal， 1996，（11）：198-221.

[2]Saunders A.Credit risk measurement： new approaches to value at risk and other paradigms[M]. John Wiley and Sons， Inc，1999：368-392.

[3]Jeffrey， R. B.a survey of contingent claims approaches to risky debt valuation[J].Journal of Risk Finance，2000，（3）：53-70.

[4]Jose A. Lopez， Marc R. Saidenberg，evaluating credit risk models[J]. Journal of Banking and Finance，2000，（24）：151-165.

[5]Gordy， M. B.A comparative anatomy of credit risk models[J]. Journal of Banking and Finance，2000，（24）：119-149.

[6]Albanese C， Campolieti J.，Chen O. and zavidonov a. Credit Barrier Models[J]. Risk Magazine，2003，（16）：357-388.

[7]Steven A. Block and Paul M. Vaaler.The price of democracy：sovereign risk rationing，bond spreads and political business cycles in developing countries[J].Journal of International Money and Finance，2004，（23）：917-946.

[8]Wand S C， Liu X H and Zhang P Q.Learning bayesian networks structure from small data set in operation risk analysis[J]. Journal of System & Management，2008，（4）：448-454.

[9]郭英见，吴冲. 基于信息融合的商业银行信用风险评估模型研究[J].金融研究，2009，（1）：95-106.

[10]吴冲，郭英见，夏晗. 基于模糊积分支持向量机集成的商业银行信用风险评估模型研究[J].运筹与管理，2009，（2）：115-119.

[11]白保中，宋逢明，朱世武. Copula函数度量我国商业银行资产组合信用风险的实证研究[J].金融研究，2009，（4）：129-142.

[12]李江，刘丽平. 中国商业银行体系信用风险评估——基于宏观压力测试的研究[J].当代经济科学，2008，（6）：66-73.

（责任编辑：宁晓青）

Study on Application and Commercial Bank Credit Risk

Measurement Model

under Credit Stability Based on

Fuzzy Comprehensive Evaluation Method

GU Hai feng

（Glorious Sun School of Business and Management of Donghua University， Shanghai 200051， China）

Abstract：A scientific credit risk measurement is an important safeguard for commercial banks to fulfill the credit risk monitoring goal. The credit risk mainly comes from loaned enterprises， and the credit quality of loaned enterprises corresponds to banks' credit risk level. This paper formulates a credit risk measurement index from financial and nonfinancial two levels of loaned erterprises， applying fuzzy comprehensive evaluation method， constructing commercial bank credit risk measurement model under credit stability， and giving a practical example of model application. It shows that under credit stability， weight assignment relying on expert evaluation style offers fuzzy comprehensive evaluation method good operation convenience to solve the problem of commercial bank credit risk measurement. The research result will provide important theoretical guidance and decision making reference for China commercial bank system to construct the scientific and efficient credit risk monitoring mechanism.

Key words：Credit stability； Commercial bank； Credit risk； Measurement model； Fuzzy comprehensive evaluation method