摘要：個(gè)人信用卡申請(qǐng)風(fēng)險(xiǎn)評(píng)估是金融與銀行界研究的重要內(nèi)容，其評(píng)估結(jié)果是信貸審批的主要依據(jù)之一。利用層次分析法（AHP）和灰色GM（1，1）模型相結(jié)合的組合評(píng)價(jià)方法建立信用卡申請(qǐng)風(fēng)險(xiǎn)評(píng)估模型，對(duì)信用卡申辦人進(jìn)行信用等級(jí)評(píng)估，以尋求降低信用卡信用風(fēng)險(xiǎn)的有效措施。

關(guān)鍵詞：信用卡風(fēng)險(xiǎn)；評(píng)估；層次分析法；灰色GM（1，1）模型

中圖分類號(hào)：F830.5文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1673-291X（2011）19-0067-02

一、引言

近年來，中國消費(fèi)信貸快速發(fā)展，對(duì)擴(kuò)大內(nèi)需、推動(dòng)經(jīng)濟(jì)持續(xù)發(fā)展起到了重要作用。與國外銀行信用卡業(yè)務(wù)相比，中國各商業(yè)銀行信用卡業(yè)務(wù)的風(fēng)險(xiǎn)管理水平羅低，管理手段和方法相對(duì)落后，缺乏有效的申請(qǐng)?jiān)u估方法來規(guī)避信用風(fēng)險(xiǎn)。如何有效分析信用風(fēng)險(xiǎn)狀況，關(guān)系到銀行自身的經(jīng)營風(fēng)險(xiǎn)。

在信用評(píng)級(jí)研究中，多元判別分析技術(shù)（MDA）得到廣泛應(yīng)用，但其要求數(shù)據(jù)服從多元正態(tài)分布和協(xié)方差矩陣相等的前提條件，與現(xiàn)實(shí)中的大量情形相違背，由此在應(yīng)用中產(chǎn)生很多問題[1]。因此，許多學(xué)者對(duì)MDA進(jìn)行了改進(jìn)，主要有對(duì)數(shù)、二次判別分析（QDA）模型、Logit分析模型、神經(jīng)網(wǎng)絡(luò)技術(shù)（NN）[2]、決策樹方法[3]等，這些方法在解決部分問題的同時(shí)也帶來新的問題。就中國的現(xiàn)狀而言，存在的問題是用于評(píng)估的數(shù)據(jù)特性不穩(wěn)定、歷史數(shù)據(jù)樣本容量小等，這就導(dǎo)致MDA方法所需的有效樣本數(shù)量偏小而影響其使用效果[4~5]。

以往國內(nèi)商業(yè)銀行對(duì)信用風(fēng)險(xiǎn)評(píng)估相關(guān)數(shù)據(jù)重視不足，造成有效信息的缺失，灰色預(yù)測(cè)模型具有少樣本預(yù)測(cè)的特點(diǎn)已被廣泛應(yīng)用在許多領(lǐng)域[6~9]。本文利用層次分析法（AHP）和灰色預(yù)測(cè)模型相結(jié)合的組合評(píng)價(jià)方法對(duì)信用卡申辦人進(jìn)行信用等級(jí)評(píng)估，以尋求降低信用卡信用風(fēng)險(xiǎn)的有效措施。

二、組合評(píng)估模型

（一）AHP計(jì)算信用卡申請(qǐng)指標(biāo)權(quán)重

參照國際標(biāo)準(zhǔn)、國內(nèi)外銀行經(jīng)驗(yàn)和個(gè)人信用等級(jí)評(píng)估方法，綜合考慮商業(yè)銀行特點(diǎn)與所在地區(qū)情況，通過對(duì)以往申請(qǐng)人群的考察，以專家判斷為基礎(chǔ)，選擇四大類17個(gè)指標(biāo)來評(píng)價(jià)個(gè)人信用等級(jí)（見表1）。

根據(jù)影響個(gè)個(gè)信用等級(jí)的主要因素建立系統(tǒng)的遞階層次結(jié)構(gòu)，運(yùn)用AHP確定各評(píng)估指標(biāo)的權(quán)重。具體步驟如下：

Step 1： 構(gòu)建判斷矩陣A=[aij]，i，j=1，2，…，n，式中aij就是上層某元素而言Bi與Bj兩元素的相對(duì)重要性標(biāo)度。

Step 2： 判斷矩陣A的一致性檢驗(yàn)，評(píng)估矩陣的可靠性。檢驗(yàn)方法為：

1.計(jì)算一致性指標(biāo)Ic=（λmax-n）/（n-1），當(dāng)λmax=n，Ic＝0，為完全一致，Ic越大，判斷矩陣A的完全一致性越差。

2.計(jì)算平均隨機(jī)一致性指標(biāo)IR：隨機(jī)構(gòu)造500個(gè)樣本矩陣，隨機(jī)地從1~9及其倒數(shù)中抽取數(shù)字構(gòu)造正負(fù)反矩陣，求最大特征根的平均值λ′ max，和IR=（λ′ max-n）/（n-1）。查找相應(yīng)的平均隨機(jī)一致性指標(biāo)IR（見表2）。

3.計(jì)算一致性比RC=IC/IR，當(dāng)Rc<0.1時(shí)，判斷矩陣A的一致性為可接受的；否則應(yīng)對(duì)判斷矩陣A做適當(dāng)修正。

Step 3： 計(jì)算層次單排序及總排序。層次單排序是根據(jù)判斷計(jì)算對(duì)于上一層某元素而言本層次與之有聯(lián)系的元素重要性次序的權(quán)值；層次總排序是依次沿遞階層次結(jié)構(gòu)由上而逐層計(jì)算，即可計(jì)算出最低層因素相對(duì)于最高層總目標(biāo)的相對(duì)重要性的排序值。

（二） GM（1，1）模型

設(shè)有已知序列：X （0 ）={x （0）（k）}nk=1，其1-AGO 生成序列：X （1 ）={x （1）（k）}nk=1，其中：x （1）（k）=x （0）（i），GM（1，1） 所建立的白化方程實(shí)際上是一個(gè)帶初值的微分方程，見（1）式。

+ax （1）（t）=ux （1）（1）=x （0）（1），其中a，u為待定參數(shù)。 （1）

對(duì)（1）式求解得： （1）（k+1）=（x （0）（1）-）e-ak+ （2）

其中：=[a u]T=（BTB）-1BTYN （3）

背景值：z （1）（k+1）=0.5x （1）（k+1）+0.5x （1）（k）（4）

B=-z （1）（1）-z （1）（2）…-z （1）（n-1）11… 1T

YN=（ x （0）（2），……，x （0 ）（n））T

對(duì)式（2）通過累減還原，得預(yù)測(cè)值：

（0 ）（1）=x （0）（1） （0）（k）=（1-ea）（x （0）（1）-）e-a（k-1 ），k=2，3…，n （5）

（三）AHP-GM11模型及其實(shí)現(xiàn)

1．模型輸入點(diǎn)的選取。通過AHP建立的指標(biāo)體系，由于各判斷矩陣的RC值均小于0.1，可認(rèn)為它們均有滿意的一致性。對(duì)權(quán)值累計(jì)貢獻(xiàn)率>＝95%的指標(biāo)保留，否則刪除該指標(biāo)，從而得到簡(jiǎn)化后的風(fēng)險(xiǎn)指標(biāo)體系，并作為輸入值。

2．GM模型預(yù)測(cè)。有了評(píng)估體系后，銀行就可根據(jù)信用卡申請(qǐng)者或者信用卡授卡對(duì)象的歸一化數(shù)據(jù)通過GM（1，1）模型得到預(yù)測(cè)結(jié)果。如果預(yù)測(cè)值>=0.8，說明申請(qǐng)者由于各種原因，申請(qǐng)者壞賬風(fēng)險(xiǎn)比率高，銀行應(yīng)拒絕申請(qǐng)；如果0.4<預(yù)測(cè)值<0.8，說明信用一般，銀行可以授予普通的信用卡；預(yù)測(cè)值<=0.4，說明其信用高，銀行可授予信用額度高的信用卡。

3.模型的實(shí)際應(yīng)用。本文結(jié)合實(shí)際情況，選取10個(gè)樣本進(jìn)行預(yù)測(cè)[13]，預(yù)測(cè)結(jié)果（見表3）。

三、結(jié)論

運(yùn)用基于AHP和GM模型的風(fēng)險(xiǎn)評(píng)估模型可以同時(shí)考慮客戶的一些靜態(tài)和動(dòng)態(tài)指標(biāo)，如職業(yè)、學(xué)歷、還款記錄等，可以通過反映申請(qǐng)者的綜合情況來考核其信用狀況，為商業(yè)銀行開展信用卡業(yè)務(wù)風(fēng)險(xiǎn)防范提供了依據(jù)。

但與此同時(shí)，在評(píng)價(jià)每個(gè)因素時(shí)，有時(shí)會(huì)出現(xiàn)某些指標(biāo)的權(quán)重過高導(dǎo)致其綜合評(píng)價(jià)指數(shù)偏高，而影響其信用狀況評(píng)定。所以，如何更好地確定指標(biāo)權(quán)重，進(jìn)一步提高評(píng)估模型的穩(wěn)定性、合理性將是作者今后的研究方向。

參考文獻(xiàn)：

[1]Eisenbeis R A.Pitfalls in the application discriminant analysis in business and economics[J].The Journal of F inance，1977，(2).

[2]Tam K Y，KiangM.Managerial applications of neural network s：the case of bank failure predictions[J].Management Sciences，1992， (1).

[3]F rydman H，A ltman E I，Kao D L.Introducing recursive partitioning for financial classification： the case of financial distress[J].Journal of F inance，1985，(1)：269-291.

[4]王春峰，等.小樣本數(shù)據(jù)信用風(fēng)險(xiǎn)評(píng)估研究[J].管理科學(xué)學(xué)報(bào)，2001，(1)：28-32.

[5]李建平，徐偉宣，劉京禮，石勇.消費(fèi)者信用評(píng)估中支持向量機(jī)方法研究[J].2004，(10)：35-39.

[6]鄧聚龍.灰色控制系統(tǒng)[M].武漢：華中理工大學(xué)出版社，1988.

[7]劉思峰，郭天榜.灰色系統(tǒng)理論及其應(yīng)用[M].鄭州：河南大學(xué)出版社，1991.

[8]DENG Julong.Control problems of grey systems[J].Syst Contr Lett，1982，(5)：288 -294.

[9]張岐山.灰朦朧集的差異信息理論[M].北京：石油工業(yè)出版社，2002.

[10]顏文.中國信用卡業(yè)務(wù)風(fēng)險(xiǎn)的宏微觀分析[J].財(cái)會(huì)研究，2007，(4)：13-15.

[11]張穎，于海龍.中國信用卡業(yè)務(wù)現(xiàn)狀和前景的綜合分析[J].經(jīng)濟(jì)師，2007，(5)：23-24.

[12]信用評(píng)分及其應(yīng)用[M].王曉蕾，石慶焱，吳曉惠，等，譯.北京：中國金融出版社，2006：2-10.

[13]許速群，張岐山，楊美英.個(gè)人信用卡申請(qǐng)風(fēng)險(xiǎn)評(píng)估模型[J].中國信用卡，2007，(6)：30-33.

[14]詹志斌.對(duì)提升中國商業(yè)銀行客戶管理水平的思考[J].浙江金融，2010，(1)：33-34.

[15]賈有姣.信用卡業(yè)務(wù)的風(fēng)險(xiǎn)與防范[J].征信，2009，(2)：66-68.

[責(zé)任編輯 陳麗敏]

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文