鄭大川沈利生黃 震

（1．華僑大學(xué) 經(jīng)濟(jì)與金融學(xué)院，福建 泉州362021；2．華僑大學(xué) 數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究院，福建 泉州362021；3．中國(guó)社會(huì)科學(xué)院 數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究所，北京100732；4．奧特本大學(xué) 數(shù)學(xué)科學(xué)系，Ohio Westerville 43081）

銀行客戶(hù)信用評(píng)級(jí)系統(tǒng)合理性的檢驗(yàn)
——排序響應(yīng)面板數(shù)據(jù)模型在銀行風(fēng)險(xiǎn)管理中的運(yùn)用

鄭大川1沈利生2，3黃 震4

（1．華僑大學(xué) 經(jīng)濟(jì)與金融學(xué)院，福建 泉州362021；2．華僑大學(xué) 數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究院，福建 泉州362021；3．中國(guó)社會(huì)科學(xué)院 數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究所，北京100732；4．奧特本大學(xué) 數(shù)學(xué)科學(xué)系，Ohio Westerville 43081）

貸款人信用評(píng)級(jí)是商業(yè)銀行內(nèi)部評(píng)級(jí)體系的基礎(chǔ)，它對(duì)整個(gè)內(nèi)部評(píng)級(jí)體系的效果有根本性的影響。銀行的信用評(píng)級(jí)系統(tǒng)含有大量主觀因素，會(huì)對(duì)評(píng)級(jí)效果產(chǎn)生影響。含隨機(jī)效應(yīng)（包含隨機(jī)截距項(xiàng)和隨機(jī)系數(shù)）的排序響應(yīng)面板數(shù)據(jù)模型能夠?qū)ΜF(xiàn)有銀行信用評(píng)級(jí)系統(tǒng)的合理性進(jìn)行檢驗(yàn)和分析。實(shí)證結(jié)果表明，新模型可以發(fā)現(xiàn)現(xiàn)有系統(tǒng)的冗余指標(biāo)，并為權(quán)重設(shè)置提供依據(jù)。據(jù)此為銀行信用評(píng)級(jí)系統(tǒng)的修正提供了依據(jù)。

信用評(píng)級(jí)；面板數(shù)據(jù)模型；排序響應(yīng)模型；隨機(jī)效應(yīng)

貸款人信用評(píng)級(jí)是商業(yè)銀行內(nèi)部評(píng)級(jí)體系的一個(gè)基礎(chǔ)環(huán)節(jié)，它的準(zhǔn)確程度對(duì)整個(gè)內(nèi)部評(píng)級(jí)體系的效果有直接影響。信用評(píng)級(jí)的定義表述各有不同，但其核心理念是一致的：銀行事先確定一系列影響信用風(fēng)險(xiǎn)的因素，通過(guò)定性和定量相結(jié)合的方法，對(duì)客戶(hù)進(jìn)行信用評(píng)級(jí)，這是判斷客戶(hù)償債能力和違約概率的重要依據(jù)，也是商業(yè)銀行提高管理水平、做到科學(xué)放貸、降低銀行經(jīng)營(yíng)風(fēng)險(xiǎn)的重要內(nèi)容。在《巴塞爾新資本協(xié)議》下，這更是銀行進(jìn)行資本監(jiān)管和經(jīng)濟(jì)資本核算的基礎(chǔ)。

中國(guó)各家商業(yè)銀行已經(jīng)積極投入內(nèi)部評(píng)級(jí)體系的開(kāi)發(fā)工作，開(kāi)始研究和實(shí)施針對(duì)企業(yè)貸款申請(qǐng)客戶(hù)的信用評(píng)級(jí)模型和系統(tǒng)。然而，新建立起來(lái)的各種信用評(píng)級(jí)系統(tǒng)有著諸多不成熟之處。堅(jiān)持檢驗(yàn)和改進(jìn)現(xiàn)有信用評(píng)級(jí)體系，開(kāi)發(fā)符合我國(guó)經(jīng)濟(jì)特點(diǎn)的信用評(píng)級(jí)模型，是我國(guó)銀行業(yè)和銀行監(jiān)管部門(mén)的重要任務(wù)。本文將以國(guó)內(nèi)某國(guó)有控股商業(yè)銀行信用評(píng)級(jí)系統(tǒng)為例證，創(chuàng)新性地采用含隨機(jī)效應(yīng)的排序響應(yīng)面板數(shù)據(jù)模型對(duì)其進(jìn)行檢驗(yàn)和分析，提出改進(jìn)現(xiàn)有信用評(píng)級(jí)系統(tǒng)的思路和建議。

一、對(duì)銀行信用評(píng)級(jí)系統(tǒng)進(jìn)行計(jì)量模型檢驗(yàn)的意義

目前銀行的評(píng)級(jí)系統(tǒng)中包含了諸多主觀判斷成分，比如指標(biāo)權(quán)重的設(shè)定和評(píng)議指標(biāo)的分析判斷，都是由專(zhuān)家打分得到，其結(jié)果難免有失客觀性、公正性。為了科學(xué)合理地對(duì)客戶(hù)進(jìn)行信用評(píng)級(jí)，使評(píng)級(jí)結(jié)果更加準(zhǔn)確，更有利于銀行進(jìn)行風(fēng)險(xiǎn)管理工作，合理分配銀行資金，對(duì)現(xiàn)有信用評(píng)級(jí)系統(tǒng)進(jìn)行科學(xué)計(jì)量檢驗(yàn)就顯得十分必要。然而對(duì)銀行現(xiàn)有評(píng)級(jí)系統(tǒng)合理性進(jìn)行研究的相關(guān)工作極為少見(jiàn)?，F(xiàn)有文獻(xiàn)更多的是直接探討企業(yè)違約率預(yù)測(cè)模型的設(shè)定和選擇，就評(píng)級(jí)系統(tǒng)檢驗(yàn)工作而言，目前僅有王恒和沈利生所做的研究。王恒和沈利生使用排序多元離散選擇模型對(duì)銀行信用評(píng)級(jí)系統(tǒng)進(jìn)行了研究和檢驗(yàn)，并且根據(jù)實(shí)證結(jié)果提出了對(duì)現(xiàn)有信用評(píng)級(jí)系統(tǒng)的修正建議［1］。事實(shí)上，這一方面的研究工作是十分重要的，不僅具有理論意義，而且能更好、更直接地對(duì)實(shí)務(wù)工作進(jìn)行指導(dǎo)。

首先，計(jì)量模型檢驗(yàn)?zāi)軌蚍治霈F(xiàn)有評(píng)級(jí)系統(tǒng)是否存在冗余指標(biāo)。第一，如果某個(gè)指標(biāo)對(duì)所有企業(yè)都可以得到大致相同的分?jǐn)?shù)，該指標(biāo)就不具備區(qū)分企業(yè)經(jīng)營(yíng)狀態(tài)的能力，就是一種冗余指標(biāo)。第二，由于信用評(píng)級(jí)所用指標(biāo)由財(cái)務(wù)比率構(gòu)成，分子或分母有可能是相同的財(cái)務(wù)指標(biāo)，因此各個(gè)財(cái)務(wù)比率之間可能存在相關(guān)性，這樣就容易導(dǎo)致冗余指標(biāo)的產(chǎn)生。過(guò)多冗余指標(biāo)增加了銀行收集數(shù)據(jù)的難度，也增加了信用評(píng)級(jí)的成本，同時(shí)由于相關(guān)性的存在，也會(huì)造成最終評(píng)級(jí)結(jié)果統(tǒng)計(jì)推斷上的偏誤。第三，對(duì)不同企業(yè)，有些指標(biāo)雖然取值不盡相同，但是它們對(duì)企業(yè)客戶(hù)的最終評(píng)級(jí)結(jié)果影響甚微。如果某個(gè)指標(biāo)的取值變化不能帶來(lái)客戶(hù)在信用等級(jí)上的顯著變動(dòng)，這也造成了指標(biāo)的冗余現(xiàn)象。在統(tǒng)計(jì)計(jì)量模型中，指標(biāo)的冗余直接表現(xiàn)為指標(biāo)變量參數(shù)在統(tǒng)計(jì)上不顯著或估計(jì)值過(guò)小。

其次，計(jì)量模型檢驗(yàn)?zāi)軌驅(qū)ΜF(xiàn)有評(píng)級(jí)體系的指標(biāo)權(quán)重設(shè)置進(jìn)行評(píng)估?，F(xiàn)有評(píng)級(jí)體系的指標(biāo)權(quán)重是專(zhuān)家打分得到的，摻雜了主觀因素。這些權(quán)重是否合理，是否符合原先的設(shè)定原則，需要經(jīng)過(guò)相應(yīng)的檢驗(yàn)才能知道。王恒和沈利生指出，根據(jù)排序模型的定量計(jì)算結(jié)果，既可以得到各指標(biāo)的顯著性水平，又可以得到各指標(biāo)對(duì)評(píng)級(jí)的影響程度，這就有利于對(duì)信用評(píng)級(jí)系統(tǒng)做出客觀評(píng)判，并為指標(biāo)調(diào)整和分值調(diào)整指明方向［1］。

巴塞爾新協(xié)議的精神之一是允許銀行根據(jù)自身情況開(kāi)發(fā)、選擇自己的風(fēng)險(xiǎn)預(yù)測(cè)模型，從而改變了舊協(xié)議“一刀切”的風(fēng)險(xiǎn)測(cè)量模式。對(duì)信用評(píng)級(jí)系統(tǒng)進(jìn)行檢驗(yàn)、調(diào)整，使其更加靈活合理地反映自身的市場(chǎng)特點(diǎn)和運(yùn)營(yíng)特點(diǎn)，這體現(xiàn)了巴塞爾新協(xié)議的核心精神，是內(nèi)部評(píng)級(jí)領(lǐng)域的重要突破。

二、基于面板數(shù)據(jù)的離散選擇模型

與基于截面數(shù)據(jù)的模型相比，面板數(shù)據(jù)分析帶來(lái)的好處是明顯的。首先，面板數(shù)據(jù)豐富了數(shù)據(jù)信息。它可以提供截面和時(shí)間序列兩個(gè)維度的信息，增加了數(shù)據(jù)信息，使估計(jì)和預(yù)測(cè)的準(zhǔn)確性得到很大提高。其次，面板數(shù)據(jù)分析在計(jì)算過(guò)程中允許缺失值的存在。因此，面板數(shù)據(jù)分析的估計(jì)結(jié)果更加有效，預(yù)測(cè)能力也更強(qiáng)。第三，面板數(shù)據(jù)分析降低了共線(xiàn)性的程度。由于信用評(píng)級(jí)數(shù)據(jù)存在觀測(cè)對(duì)象的同質(zhì)性，所以特別容易造成共線(xiàn)性的產(chǎn)生。正如Tucker指出的，各個(gè)財(cái)務(wù)指標(biāo)之間可能因?yàn)橄嗤姆肿踊蚍帜?，較容易產(chǎn)生共線(xiàn)性。將所有時(shí)期的數(shù)據(jù)簡(jiǎn)單納入計(jì)算而不加以時(shí)序區(qū)分的做法是相當(dāng)有害的［2］。面板數(shù)據(jù)模型能夠增加各個(gè)變量的變異性，有效地減少共線(xiàn)性的危害。第四，最重要的是，面板數(shù)據(jù)能有效地把握觀測(cè)對(duì)象的異質(zhì)性。統(tǒng)計(jì)計(jì)量模型要求觀測(cè)樣本之間保證相互的獨(dú)立性，然而在一般統(tǒng)計(jì)計(jì)量模型中，同一時(shí)期的觀測(cè)個(gè)體不是絕對(duì)獨(dú)立的，它們同時(shí)受到相同宏觀經(jīng)濟(jì)環(huán)境因素的影響，面板數(shù)據(jù)模型綜合地考慮了這些共同因素，并且在技術(shù)上將其進(jìn)行區(qū)分。

面板數(shù)據(jù)模型使得經(jīng)濟(jì)計(jì)量分析更為全面、更為具體，因此得到了迅速的發(fā)展。然而目前大量的研究工作都是基于連續(xù)型因變量模型的。相比較而言，關(guān)于離散型因變量模型的面板數(shù)據(jù)研究少之又少。Ronghua和Hansheng指出：相對(duì)于大量關(guān)于連續(xù)響應(yīng)的面板數(shù)據(jù)模型研究而言，二元響應(yīng)面板數(shù)據(jù)模型研究要少得多；至于排序響應(yīng)面板數(shù)據(jù)模型，相關(guān)的研究更是鳳毛麟角［3］。而在實(shí)踐中，后者又是有著現(xiàn)實(shí)意義的。

本文正是對(duì)這一領(lǐng)域的探索，將王恒和沈利生的檢驗(yàn)思路擴(kuò)展到面板數(shù)據(jù)分析領(lǐng)域，第一次引入含有隨機(jī)效應(yīng)的排序響應(yīng)面板數(shù)據(jù)模型，以此對(duì)銀行現(xiàn)有信用評(píng)級(jí)系統(tǒng)進(jìn)行深入地分析和檢驗(yàn)。Rabe－Hesketh和Skrondal等人將調(diào)適數(shù)值積分法和極大似然估計(jì)相結(jié)合，提出了解決離散響應(yīng)面板數(shù)據(jù)模型的估計(jì)和預(yù)測(cè)方法［4］［5］。筆者將此方法用于模型參數(shù)估計(jì)和預(yù)測(cè)工作。

我們先介紹基于面板數(shù)據(jù)的排序響應(yīng)模型基本框架。在這個(gè)基本框架中，暫不考慮模型中的隨機(jī)效應(yīng)。這實(shí)際上是一種“偽面板數(shù)據(jù)”模型。在現(xiàn)有使用面板數(shù)據(jù)的離散型因變量模型研究工作中，大多采用這一方法。

在我們?cè)O(shè)定的基本框架中，假定α和β并不隨著個(gè)體或時(shí)期的不同而產(chǎn)生相應(yīng)的變化。Xit包括了影響等級(jí)結(jié)果的所有可測(cè)因素。εit是模型的隨機(jī)誤差項(xiàng)，代表了那些無(wú)法觀測(cè)的隨機(jī)因素。εit服從logit分布，相互之間獨(dú)立；εit和Xit之間也相互獨(dú)立。然而在現(xiàn)實(shí)中，獨(dú)立性假設(shè)無(wú)法保證。在企業(yè)經(jīng)營(yíng)方面，每年都有相同的因素（比如宏觀經(jīng)濟(jì)背景）對(duì)各個(gè)企業(yè)產(chǎn)生影響。

在上文的模型中，我們假定自變量的斜率βk是固定不變的，同時(shí)假定不同殘差εit之間相互獨(dú)立。下面建立的隨機(jī)效應(yīng)模型考慮了隨機(jī)系數(shù)的可能性，并根據(jù)現(xiàn)實(shí)情況放松了兩個(gè)假定條件：一是βk不再是恒定不變的，它將具有時(shí)間效應(yīng)，在不同時(shí)期自變量變化對(duì)因變量的影響程度將不再維持不變；二是我們把εit分為兩個(gè)部分ζt和ξit，ζt代表了模型截距項(xiàng)的隨機(jī)性，因此截距項(xiàng)不再是一個(gè)固定的值，它同樣具有時(shí)間效應(yīng)，將隨著t的不同而變化，ξit則依然表示不同個(gè)體不同時(shí)期的不可測(cè)因素。即模型變化為：

模型參數(shù)βk是衡量發(fā)生比比率OR①的參數(shù)。在擴(kuò)展模型中，所有自變量X分成了兩部分：Z是那些因?yàn)闀r(shí)期不同而將產(chǎn)生不同影響的自變量，X＊代表了效應(yīng)恒定的自變量。λt描述了帶來(lái)時(shí)期差異影響的自變量對(duì)發(fā)生比比率的影響程度，也就是自變量Z的斜率的隨機(jī)部分；β2表示那些并不隨時(shí)間變化而改變的斜率。我們假定λt的條件期望E（λt｜Xit）為0，條件方差var（λt｜Xit）為ψt，這說(shuō)明λt圍繞0以的幅度波動(dòng)，也就是表示當(dāng)斜率有時(shí)間隨機(jī)效應(yīng)時(shí)，斜率將在范圍內(nèi)變化；ζt的條件期望E（ζt｜Xit）為0，條件方差var（ζt｜Xit）為φt，這說(shuō)明截距項(xiàng)圍繞α在的幅度內(nèi)上下波動(dòng)。同時(shí)假設(shè)ξit之間相互獨(dú)立，ζt、ξit和Xit之間也分別相互獨(dú)立。我們還必須對(duì)λt進(jìn)行假定：λt和ζt、ξit、Xit分別相互獨(dú)立；λt之間也相互獨(dú)立。另外一個(gè)重要的假設(shè)是模型中的隨機(jī)截距項(xiàng)和隨機(jī)系數(shù)符合期望值為0的聯(lián)合正態(tài)分布。

統(tǒng)計(jì)推斷的原假設(shè)為H0∶OR＝exp（βk）＝1。這一原假設(shè)等同于H0∶βk＝0。和連續(xù)型線(xiàn)性模型一樣，Wald檢驗(yàn)和Z檢驗(yàn)都可以用來(lái)對(duì)βk進(jìn)行統(tǒng)計(jì)推斷。

這樣，帶有隨機(jī)效應(yīng)的排序模型就把解釋變量未能解釋出來(lái)而實(shí)際上對(duì)個(gè)體有著不同影響的因素分離了出來(lái)。

三、含隨機(jī)效應(yīng)排序響應(yīng)面板數(shù)據(jù)模型在銀行信用評(píng)級(jí)領(lǐng)域的運(yùn)用

由于整個(gè)信用評(píng)估系統(tǒng)復(fù)雜繁瑣，在一篇論文中無(wú)法將其全部包括。從歷史來(lái)看，絕大部分的研究工作都是致力于企業(yè)財(cái)務(wù)狀況因素的分析。因此，本文也重點(diǎn)關(guān)注此方面。

本文以我國(guó)某大型國(guó)有控股商業(yè)銀行為例進(jìn)行實(shí)證分析，其是中國(guó)較早開(kāi)始進(jìn)行貸款申請(qǐng)客戶(hù)信用評(píng)級(jí)工作的銀行之一。該銀行以企業(yè)評(píng)級(jí)標(biāo)準(zhǔn)值和不允許值為基礎(chǔ)，對(duì)貸款申請(qǐng)客戶(hù)進(jìn)行客觀、公正、科學(xué)地分析和判斷。該行將客戶(hù)信用等級(jí)劃分為12個(gè)級(jí)別，分別為AAA級(jí)、AA級(jí)（AA＋、AA、AA－）、A級(jí)（A＋、A、A－），BBB級(jí)（BBB＋、BBB、BBB－）、BB級(jí)、B級(jí)。本文選取的數(shù)據(jù)是236家制造業(yè)中等規(guī)模企業(yè)②2005～2008年連續(xù)向該商業(yè)銀行提出貸款申請(qǐng)時(shí)提交的企業(yè)相關(guān)財(cái)務(wù)信息③。由于該銀行規(guī)定客戶(hù)提出貸款申請(qǐng)時(shí)必須提供近三年的財(cái)務(wù)報(bào)告，同時(shí)銀行也會(huì)根據(jù)歷史數(shù)據(jù)對(duì)申請(qǐng)貸款的客戶(hù)進(jìn)行過(guò)往三年的信用等級(jí)評(píng)估，因此我們實(shí)際獲得的數(shù)據(jù)包含了2003～2008年間的相關(guān)信息。在部分年份某些企業(yè)不能提供某些指標(biāo)的有效信息，即存在數(shù)據(jù)缺失問(wèn)題。

能夠反映公司經(jīng)營(yíng)狀況的財(cái)務(wù)指標(biāo)非常多。Chen和Shimerda指出在大量的文獻(xiàn)中有超過(guò)100個(gè)財(cái)務(wù)比率用于分析企業(yè)經(jīng)營(yíng)狀況，其中大約50%至少在一項(xiàng)研究中被證實(shí)是顯著的［6］。因此，要進(jìn)行企業(yè)信用等級(jí)評(píng)定的有效研究，小心選擇財(cái)務(wù)比率是至關(guān)重要的。本文根據(jù)財(cái)務(wù)比率的特點(diǎn)將全部財(cái)務(wù)比率分為四類(lèi)：償債能力狀況比率、財(cái)務(wù)效益比率、發(fā)展能力比率和資產(chǎn)營(yíng)運(yùn)狀況比率，具體所用財(cái)務(wù)比率見(jiàn)表1。

表1 模型所用財(cái)務(wù)比率

我們分別建立“偽面板數(shù)據(jù)”模型（模型一）和含隨機(jī)效應(yīng)的面板數(shù)據(jù)模型（模型二）。通過(guò)兩個(gè)模型的比較，判斷哪個(gè)模型能更好地對(duì)現(xiàn)有評(píng)級(jí)系統(tǒng)進(jìn)行檢驗(yàn)。模型的解釋變量是各個(gè)財(cái)務(wù)比率，被解釋變量是貸款申請(qǐng)客戶(hù)得到的信用等級(jí)結(jié)果。在樣本中沒(méi)有出現(xiàn)信用等級(jí)為BB級(jí)、B級(jí)的情況，所以進(jìn)入模型的信用等級(jí)一共是10級(jí)，模型設(shè)定的排序?yàn)?0類(lèi)等級(jí)排列，被解釋變量的取值范圍是“1，2，…，10”，依次代表 AAA、AA＋、AA、AA－、A＋、A、A－、BBB＋、BBB、BBB－。用 GLLAMM程序經(jīng)過(guò)前向逐步回歸調(diào)整模型后，發(fā)現(xiàn)無(wú)論是否考慮隨機(jī)效應(yīng)，模型估計(jì)結(jié)果都發(fā)生了很大變化。在兩個(gè)模型中，資產(chǎn)負(fù)債率、流動(dòng)比率、主營(yíng)業(yè)務(wù)利潤(rùn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、資本積累率、全部資本化比率、經(jīng)營(yíng)活動(dòng)產(chǎn)生的凈現(xiàn)金流量／總債務(wù)、成本費(fèi)用利潤(rùn)率8個(gè)財(cái)務(wù)比率在統(tǒng)計(jì)上都表現(xiàn)出了顯著性。模型二中，資產(chǎn)負(fù)債率、流動(dòng)比率、主營(yíng)業(yè)務(wù)利潤(rùn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、資本積累率5個(gè)財(cái)務(wù)比率的系數(shù)表現(xiàn)出了隨機(jī)性。經(jīng)過(guò)模型調(diào)整，得到估計(jì)結(jié)果如表2所示。

我們用這兩個(gè)模型進(jìn)行預(yù)測(cè)估計(jì)，分別得到各個(gè)貸款申請(qǐng)客戶(hù)獲得不同等級(jí)的概率值pr（i）。期望等級(jí)是各個(gè)貸款申請(qǐng)客戶(hù)信用等級(jí)的預(yù)測(cè)期望值，其計(jì)算公式為將期望等級(jí)與原等級(jí)相減，即可得到模型的預(yù)測(cè)誤差。由于部分觀測(cè)對(duì)象含有某些財(cái)務(wù)指標(biāo)的缺失值，所以在模型預(yù)測(cè)時(shí)需要將這些觀測(cè)對(duì)象剔除。最終，我們得到1 229個(gè)合格的預(yù)測(cè)對(duì)象，統(tǒng)計(jì)結(jié)果見(jiàn)表3。

為了更清晰地對(duì)兩個(gè)模型的預(yù)測(cè)能力進(jìn)行比較，列出了預(yù)測(cè)誤差分布圖（圖1）。圖1中，柱形圖代表模型一的預(yù)測(cè)誤差分布，而折線(xiàn)表示模型二的預(yù)測(cè)誤差分布。橫坐標(biāo)表示模型預(yù)測(cè)期望等級(jí)和原銀行評(píng)級(jí)系統(tǒng)所得等級(jí)結(jié)果的誤差，縱坐標(biāo)表示落入各個(gè)誤差級(jí)別中的觀察對(duì)象個(gè)數(shù)。

表2 含有／不含有隨機(jī)效應(yīng)的排序響應(yīng)面板數(shù)據(jù)模型估計(jì)結(jié)果

表3 模型預(yù)測(cè)誤差統(tǒng)計(jì)

圖1 模型預(yù)測(cè)誤差分布圖

針對(duì)模型所進(jìn)行的全樣本預(yù)測(cè)估計(jì)，實(shí)際上是對(duì)模型擬合度的檢驗(yàn)。比較兩個(gè)模型的結(jié)果發(fā)現(xiàn)，即便模型參數(shù)估計(jì)值差別并不大，其預(yù)測(cè)結(jié)果也是迥然不同的。對(duì)模型二而言，模型預(yù)測(cè)完全正確率為48．27%，而預(yù)測(cè)等級(jí)誤差在兩個(gè)等級(jí)之內(nèi)的百分比達(dá)到86．8%。多元分類(lèi)的預(yù)測(cè)正確率較二元分類(lèi)模型要低得多④，本文采用的是10個(gè)類(lèi)別的排序響應(yīng)模型，因此模型二的預(yù)測(cè)效果是相當(dāng)理想的，這也表明了模型二對(duì)現(xiàn)實(shí)情況的擬合程度相當(dāng)高。

模型一的預(yù)測(cè)效果明顯弱于模型二。首先，模型一的預(yù)測(cè)正確率大大低于模型二。通過(guò)表3可以看到模型一的預(yù)測(cè)完全正確率僅僅為8．14%，預(yù)測(cè)誤差在兩個(gè)等級(jí)之內(nèi)的比率也只達(dá)到了43．29%。這樣低的預(yù)測(cè)正確率說(shuō)明該模型不能理想地?cái)M合原銀行評(píng)級(jí)系統(tǒng)，因此無(wú)法實(shí)現(xiàn)對(duì)原有系統(tǒng)的檢驗(yàn)工作。其次，圖1顯示，模型二的預(yù)測(cè)誤差分布圖類(lèi)似正態(tài)分布，左右對(duì)稱(chēng)，但是呈現(xiàn)“尖峰厚尾”特征，其最大誤差等級(jí)控制在四級(jí)之內(nèi)。這說(shuō)明含有隨機(jī)效應(yīng)時(shí)，模型的預(yù)測(cè)誤差是能夠被有效控制的，且誤差分布均勻?qū)ΨQ(chēng)。而不含有隨機(jī)效應(yīng)時(shí)，模型預(yù)測(cè)誤差分散，最大等級(jí)誤差達(dá)到了九級(jí)之多，誤差分布有左偏現(xiàn)象，預(yù)測(cè)等級(jí)結(jié)果更偏向于低類(lèi)別等級(jí)，因此模型更傾向于高估企業(yè)信用水平。

我們可以確定，由于考慮了數(shù)據(jù)的時(shí)間效應(yīng)，在模型中增加了隨機(jī)效應(yīng)，預(yù)測(cè)能力得到了極大提高，因此模型二適合用來(lái)對(duì)現(xiàn)有信用評(píng)級(jí)系統(tǒng)進(jìn)行進(jìn)一步檢驗(yàn)分析。

四、檢驗(yàn)結(jié)果分析

第一，根據(jù)模型二的估計(jì)結(jié)果，即使進(jìn)行信用等級(jí)評(píng)級(jí)的財(cái)務(wù)比率減少到8個(gè)，模型仍然能夠很好地?cái)M合原有的信用評(píng)級(jí)結(jié)果。這說(shuō)明了原有信用評(píng)級(jí)系統(tǒng)存在冗余指標(biāo)。這些冗余指標(biāo)造成了多重共線(xiàn)性，直接影響了信用評(píng)級(jí)模型的估計(jì)結(jié)果和預(yù)測(cè)能力。

第二，我們發(fā)現(xiàn)估計(jì)結(jié)果中資產(chǎn)負(fù)債率和全部資本化比率兩個(gè)指標(biāo)對(duì)應(yīng)的OR值超過(guò)了1，其中資產(chǎn)負(fù)債率對(duì)應(yīng)的OR值為11．837，全部資本化比率對(duì)應(yīng)的OR值為2．901。其余財(cái)務(wù)指標(biāo)對(duì)應(yīng)的OR值均小于1。這說(shuō)明資產(chǎn)負(fù)債率和全部資本化比率對(duì)信用等級(jí)起到了正向的作用，資產(chǎn)負(fù)債率越高，企業(yè)所對(duì)應(yīng)的信用評(píng)級(jí)也就越高，信用質(zhì)量就越差。全部資本化比率也是同理。

第三，我們進(jìn)一步發(fā)現(xiàn)，成本費(fèi)用利潤(rùn)率對(duì)應(yīng)的OR值相當(dāng)小，僅為0．001。這說(shuō)明成本費(fèi)用利潤(rùn)率雖然在統(tǒng)計(jì)上顯著，但是模型分析結(jié)果顯示，它對(duì)信用等級(jí)的影響程度相當(dāng)微小。同時(shí)，在現(xiàn)有評(píng)級(jí)系統(tǒng)中，該財(cái)務(wù)比率對(duì)應(yīng)的權(quán)重設(shè)置也相當(dāng)小，僅為0．02，這表明該財(cái)務(wù)比率在現(xiàn)有評(píng)級(jí)系統(tǒng)中沒(méi)有被視為一個(gè)特別重要的指標(biāo)；另一方面，從原始數(shù)據(jù)來(lái)看，對(duì)于各個(gè)觀測(cè)對(duì)象，該財(cái)務(wù)比率的波動(dòng)非常小，說(shuō)明該比率不能很好地區(qū)分出各個(gè)觀察對(duì)象的信用等級(jí)。因此，我們可以判斷，成本費(fèi)用利潤(rùn)率雖然在統(tǒng)計(jì)上顯著，但確實(shí)是一個(gè)冗余指標(biāo)，可以將其剔除出現(xiàn)有評(píng)級(jí)系統(tǒng)。

第四，根據(jù)該銀行信用評(píng)級(jí)方法的規(guī)定，原信用等級(jí)評(píng)級(jí)系統(tǒng)中，各個(gè)財(cái)務(wù)比率所對(duì)應(yīng)的權(quán)重大小排列順序依次為：資產(chǎn)負(fù)債率、主營(yíng)業(yè)務(wù)利潤(rùn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、流動(dòng)比率、資本積累率、經(jīng)營(yíng)活動(dòng)產(chǎn)生的凈現(xiàn)金流量／總債務(wù)、全部資本化比率、成本費(fèi)用利潤(rùn)率。而通過(guò)模型，我們可以看到實(shí)際上各個(gè)財(cái)務(wù)比率對(duì)信用等級(jí)影響程度的絕對(duì)值排列順序并不完全和事先設(shè)定的一致，其順序依次為：資產(chǎn)負(fù)債率、全部資本化比率、流動(dòng)比率、資本積累率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、經(jīng)營(yíng)活動(dòng)產(chǎn)生的凈現(xiàn)金流量／總債務(wù)、主營(yíng)業(yè)務(wù)利潤(rùn)率、成本費(fèi)用利潤(rùn)率。因此，我們可以根據(jù)模型檢驗(yàn)結(jié)果，在保證原有指標(biāo)相對(duì)重要性順序的前提下，對(duì)原有評(píng)級(jí)系統(tǒng)的權(quán)重設(shè)置進(jìn)行相應(yīng)修正，以便更科學(xué)合理地進(jìn)行信用評(píng)級(jí)工作。例如，在現(xiàn)有評(píng)級(jí)系統(tǒng)中，主營(yíng)業(yè)務(wù)利潤(rùn)率被視為第二重要的財(cái)務(wù)比率，而模型結(jié)果顯示其影響程度遠(yuǎn)遠(yuǎn)不夠，這意味著系統(tǒng)原來(lái)設(shè)定的權(quán)重并不足以反映其重要性，應(yīng)加大其對(duì)應(yīng)的權(quán)重設(shè)置，以增強(qiáng)它的影響力。

第五，含有隨機(jī)效應(yīng)的排序響應(yīng)面板數(shù)據(jù)模型的一個(gè)重要特征是在模型中不僅考慮了某一時(shí)點(diǎn)上不同企業(yè)的財(cái)務(wù)狀況，更重要的是它還綜合考慮了同一企業(yè)在不同時(shí)點(diǎn)上的財(cái)務(wù)變化情況和信用等級(jí)變化情況。在考慮不同時(shí)點(diǎn)對(duì)各個(gè)企業(yè)共同作用的宏觀經(jīng)濟(jì)因素時(shí)間效應(yīng)后，模型能夠從橫截面和時(shí)間序列兩個(gè)方面，更完整地描述銀行信用評(píng)級(jí)系統(tǒng)的統(tǒng)計(jì)計(jì)量特征，從而更合理地對(duì)現(xiàn)有評(píng)級(jí)系統(tǒng)進(jìn)行合理性檢驗(yàn)。

五、總結(jié)

本文將面板數(shù)據(jù)模型和排序響應(yīng)模型結(jié)合起來(lái)，建立了一個(gè)考慮時(shí)間效應(yīng)的隨機(jī)效應(yīng)模型，將其運(yùn)用在銀行信用評(píng)級(jí)系統(tǒng)檢驗(yàn)工作中。這一模型能夠?qū)J款申請(qǐng)企業(yè)在隨后若干年的信用等級(jí)變化情況進(jìn)行初步評(píng)估，為銀行授信工作提供更科學(xué)客觀的佐證。這一方法克服了現(xiàn)有評(píng)價(jià)方法的不足，同時(shí)保留了logit模型便于操作和容易進(jìn)行經(jīng)濟(jì)解釋的優(yōu)點(diǎn)，便于模型的檢驗(yàn)和使用，因此具有很強(qiáng)的理論意義和實(shí)踐意義。實(shí)證分析的結(jié)果表明，這一方法能夠科學(xué)合理地對(duì)銀行現(xiàn)有評(píng)級(jí)系統(tǒng)進(jìn)行檢驗(yàn)，為銀行修正評(píng)級(jí)系統(tǒng)提供重要依據(jù)，并且能夠?qū)J款申請(qǐng)進(jìn)行初步評(píng)級(jí)，提供更為客觀的信用等級(jí)結(jié)果，從而提高銀行貸款的質(zhì)量，提高商業(yè)銀行管理和分配資金的效率。

注釋?zhuān)?/p>

①發(fā)生比比率OR指發(fā)生比Odd（yit＞s｜Xit）在xkit發(fā)生變化前后的值的比率。

②該銀行對(duì)貸款客戶(hù)企業(yè)規(guī)模大小和行業(yè)分類(lèi)的劃分標(biāo)準(zhǔn)是在國(guó)家2003年頒布的《國(guó)家經(jīng)濟(jì)貿(mào)易委員會(huì)、國(guó)家發(fā)展計(jì)劃委員會(huì)、財(cái)政部、國(guó)家統(tǒng)計(jì)局關(guān)于印發(fā)中小企業(yè)標(biāo)準(zhǔn)暫行規(guī)定的通知》和1988年頒布的《大中小型工業(yè)企業(yè)劃分標(biāo)準(zhǔn)》的基礎(chǔ)上進(jìn)行調(diào)整后制定的。

③因?yàn)樯婕般y行內(nèi)部核心機(jī)密，本人承諾不以任何形式披露相關(guān)具體數(shù)據(jù)及敏感內(nèi)容，但是這并不妨礙本文的思想和技術(shù)介紹。

④Huang等指出評(píng)價(jià)模型預(yù)測(cè)效果應(yīng)該根據(jù)信用等級(jí)數(shù)進(jìn)行調(diào)整，他們指出分類(lèi)超過(guò)5級(jí)的分級(jí)模型，其預(yù)測(cè)正確率應(yīng)該在55%～75%之間［7］。

［1］王恒，沈利生．客戶(hù)信用評(píng)級(jí)系統(tǒng)的經(jīng)濟(jì)計(jì)量模型檢驗(yàn)［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2006，（6）：138－147．

［2］Tucker，J．Neural Networks versus Logistic Regression in Financial Modeling：A Methodological Comparison［Z］．Paper Published in Proceedings of the 1996 World First Online Workshop on Soft Computing（WSC1），Nagoya U－niversity，1996．

［3］Ronghua，Hansheng．A Composite Logistic Regression Approach for Ordinal Panel Data Regression［J］．International Journal of Data Analysis Techniques and Strategies，2008，1（1）：29－43．

［4］Rabe－Hesketha，S．，Skrondal，A．，Pickles，A．Maximum Likelihood Estimation of Limited and Discrete Dependent Variable Models with Nested Random Effects［J］．Journal of Econometrics，2005，128（2）：301－323

［5］Skrondal，A．，Rabe－Hesketh，S．Prediction in Multilevel Generalized Linear Models［J］．Journal of the Royal Statistical Society：Series A（Statistics in Society），2009，172（3）：659－687．

［6］Chen，K．H．，Shimerda，T．A．An Empirical Analysis of Useful Financial Ratios［J］．Financial Management，1981，10（1）：51－60．

［7］Huang，Z．，Chen，H．，Hsu，C．－J．，Chen，W．－H．，Wu，S．Credit Rating Analysis with Support Vector Machines and Neural Networks：A Market Comparative Study［J］．Decision Support Systems，2004，37（4）：543－558．

（責(zé)任編輯：易會(huì)文）

F224

A

1003－5230（2011）01－0062－07

2010－10－28

福建省數(shù)量經(jīng)濟(jì)學(xué)研究生教育創(chuàng)新基地資助

鄭大川（1977— ），男，福建龍巖人，華僑大學(xué)經(jīng)濟(jì)與金融學(xué)院博士生；

沈利生（1946— ），男，北京人，華僑大學(xué)數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究院教授，博士生導(dǎo)師，中國(guó)社會(huì)科學(xué)院數(shù)量經(jīng)濟(jì)與技術(shù)經(jīng)濟(jì)研究所研究員，博士生導(dǎo)師；

黃 震（1955— ），男，福建莆田人，美國(guó)奧特本大學(xué)數(shù)學(xué)科學(xué)系教授。