我国商业银行信贷风险的实证研究

文/乔玉丹，上海大学经济学院

我国商业银行信贷风险的实证研究

文/乔玉丹，上海大学经济学院

本文摘要：伴随着我国经济的快速发展和转型升级，再加上近年来我国改革开放的力度进一步加大。我国商业银行在经营的过程中对于如何度量和管理信贷风险成为亟待解决的问题，面临的信贷风险越来越大和复杂，备受银行体系以及经济主体和监管当局的关注。本文从商业银行作为贷款者的角度出发，来对贷款企业的信贷风险进行度量和管理，希望能为我国商业银行在信贷方面提供一定的帮助和支持。

本文首先界定了信贷风险的概念，对信贷风险的国内外研究进行了归纳和梳理，以便更好的建立我国商业银信贷风险的评价指标体系。本文共选取了94家上市公司的年报数据，其中ST公司47家和与其对应的非ST公司47家，首先选取了16个财务比率指标，通过进行单样本的T检验分析，最终选取了11个财务比率指标，然后进行因子分析，通过因子分析得出各因子得分，以各因子得分作为新变量，进行Logistic回归分析，进而判断上市公司信用状况的好坏，从而为商业银行在信贷之前提供可靠的判断依据。

商业银行；信贷风险；因子分析；Logistic回归

近年来我国商业银行在社会经济的发展过程中扮演者越来越重要的角色，为更加有效的实施宏观经济政策提供了有力保障。总所周知，商业银行是特殊的企业，其生产和经营的产品是货币，与一般的企业所最追求的目标一样，商业银行通过自身的管理和经营来获得最大的利润，因此在这个过程中，商业银行必然会遇到各种各样的问题，对于商业银行来说，面临的最大问题就是信贷企业的违约，从而导致商业银行的不良资产的增加，给商业银行带来巨大的损失。对于如何更好的评价信贷企业的信用风险，成为各家商业银行亟待解决的问题，近年来商业银行也在不断提升自身的风险管理水平，意识到风险管理的重要性。信用风险是商业银行所面临的主要风险之一，为了更好的减少和规避信用风险给商业银行带来的损失，有必要对商业银行的信贷企业进行更加深入的研究，预测其信用风险的大小。伴随着我国经济的快速发展，越来越多的企业需要大量融资来不断拓展自己的规模和竞争力，同时我国改革开放的步伐进一步加大，也吸引了不少外资银行，外资银行的进入一方面有利于为金融市场的全面开放奠定基础，但另一方面又会给我国银行业带来前所未有的挑战。商业银行如何提升自己的风险管理水平，减少由于风险管理不当所带来的损失显得尤为重要。而我国商业银行目前正缺乏良好的风险管理能力，风险管理的意识与国外相比还有一定的差距，因此，有必要为我国商业银行设计出一套行之有效的信贷风险预警模型，解决商业银行信贷风险方面的难题.

目前商业银行的盈利主要来自于贷款，因而对于贷款对象的合理选择就显得尤为重要，对于商业银行来说，如何能够准确的判断贷款对象的信用情况，把贷款贷给高信用的贷款对象，只有这样才能使商业银行减少贷款违约的损失，增加商业银行的盈利水平，从而增强自身的综合竞争力水平，扩大在银行业中的影响力。

经过实证分析和对模型的检验，本文建立的基于因子分析的Logistic回归模型在预测上市公司信用风险的准确度高达94.1%。因此在预测一家上市公司的信用好坏，流动比率、速动比率、净资产收益率、流动资产周转率、总资产周转率、销售毛利率、应收账款周转率、存货周转率这8个财务比率指标有着显著的判别作用。它们分别从上市公司的偿债能力、盈利能力、营运能力等方面来比较全面的反映上市公司中信用较差的公司和信用较好的公司，因此这些财务比率能够比较全面的分析上市公司的信用状况。

1 Logistic回归分析的基本原理及模型

在许多领域分析中，都能碰到因变量只能取二值得情形，比如是与否、有效与无效等。对于这种问题要建立回归模型，通常先将取值在实数范围内的值通过Logit变换转化为目标概率值，然后进行回归分析，即Logistic回归。

2 商业银行信贷风险的实证分析

2.1 样本的选取

本文将被证监会认定为ST的公司（包括*ST公司），也就是信用较差的公司，而非ST公司，也就是信用较好的公司确定为所要研究的对象。由于ST公司数量不是很多，而非ST公司却拥有众多的数量，因此需要对非ST公司进行进一步的筛选，为了确保筛选的合理性和准确性，在筛选过程中应当遵循以下原则：（1）同规模，即所选择的ST公司和与其对应的非ST公司的资产规模应当差不多，主营业务收入也应该相差不大；（2）同行业，即ST公司和与其对应的非ST公司所属的行业应当保持一致；（3）同时期，即ST公司和与其对应的非ST公司所选取的财务指标的数据要保持在同一时期。根据以上原则以及排除由于非财务因素而被认定为ST的公司，本文共选取了2013年和截止到2014年4月30日沪深A股股市中的47家ST公司（其中2013年被认定为ST的有20家，截至2014年4月30日被认定为ST的有27家）和47家非ST公司的2012年年末和2013年年末的财务比率。

2.2 Logistic回归模型的检验及结果

为了检验该模型的有效性，根据上面所建立的模型，将测试样本带入到上述公式中，计算出相应的因子得分，然后将Z2和Z4的因子得分带入到Logistic回归模型中计算相应的概率，根据概率值与0.5的大小来判定该上市公司是信用较好型还是信用较差型。结果显示：在所有17家非ST公司中，只有一家非ST公司被判为ST公司，模型对非ST公司的判定准确率为94.1%，在所有17家ST公司中，只有一家ST公司被判为非ST公司，模型对ST公司的判定准确率达到了94.1%，模型的总体的判定准确度达到了94.1%。

3 结论

目前商业银行的盈利主要来自于贷款，因而对于贷款对象的合理选择就显得尤为重要，对于商业银行来说，如何能够准确的判断贷款对象的信用情况，把贷款贷给高信用的贷款对象，只有这样才能使商业银行减少贷款违约的损失，增加商业银行的盈利水平，从而增强自身的综合竞争力水平，扩大在银行业中的影响力。

由于商业银行在信贷过程中，面临较多的问题和挑战，有必要为商业银行建立一个信贷风险判定模型。因此本文就如何构建商业银行信贷判定模型进行了实证分析，并对模型效果进行了检验，本文首先主要通过单变量的t检验来检测开始所选择的16个财务比率指标，将不能够有效区分ST公司和非ST公司的财务比率指标进行剔除，之后对剩下的显著性财务指标进行因子分析，通过因子分析得出各因子得分，将各因子得分作为新变量，进行Logistic回归分析，根据回归分析的结果，进而判断上市公司信用状况的好坏。

经过实证分析和对模型的检验，本文建立的基于因子分析的Logistic回归模型在预测上市公司信用风险的准确度高达94.1%。因此在预测一家上市公司的信用好坏，流动比率、速动比率、净资产收益率、流动资产周转率、总资产周转率、销售毛利率、应收账款周转率、存货周转率这8个财务比率指标有着显著的判别作用。它们分别从上市公司的偿债能力、盈利能力、营运能力等方面来比较全面的反映上市公司中信用较差的公司和信用较好的公司，因此这些财务比率能够比较全面的分析上市公司的信用状况。

本文构建的基于因子分析的Logistic回归模型其判定效果较好以及预测的准确性也相当高，能够为商业银行很好的区分一些上市公司的信用好坏。商业银行可以通过该模型来对所要贷款的公司进行信用状况好坏的判定，从而进一步决定是否贷款给该公司。商业银行运用该模型来判别贷款公司的信用，能够有效的降低商业银行的贷款风险，减少商业银行由于贷款企业的违约而给自身带来的损失。因此，本文构建的基于因子分析的Logistic回归模型在商业银行的实践中具有极其重要的意义，指导着商业银行信贷判定、预测以及对信贷的管理。

[1]陈晓，陈治.企业财务理论、方法及应用[J].投资研究，2000(02).

[2] 王春峰，万海晖，张维.基于神经网络的商业银行信用风险评估[J].系统工程理论与实践，1999(09).

[3] 庞素琳.Logistic回归模型在信用风险分析中的应用[J].数学的实践与认识,2007.(10)

[4]傅强，李永涛.基于灰色聚类法的上市公司信用风险评价[J].财会月刊，2006（01）.

[5] 孙文会.企业核心竞争力评价指标体系的研究[J].企业活力，2008(05).