于彤　李海東

摘 要： 我國商業(yè)銀行信用風險管理不足，已經嚴重影響銀行的發(fā)展，因而銀行需要重視客戶信用風險評估。分析了銀行信用風險的成因及評估存在的問題，從企業(yè)的財務情況出發(fā)，建立了客戶信用風險評估指標體系。隨機選取了我國制造業(yè)的160個上市公司樣本，包括36個ST企業(yè)和124個非ST企業(yè)，并基于三層BP神經網絡對樣本進行訓練及仿真測試，研究發(fā)現BP神經網絡適用于信用風險評估，且其準確性優(yōu)于Logistic回歸模型。最后，從銀行、企業(yè)、政府三個角度出發(fā)，對我國商業(yè)銀行信用風險管理提出了一些建議及對策。

關鍵詞： 信用風險評估； 評估指標體系； 神經網絡； 商業(yè)銀行

中圖分類號： TN911?34； F832.1 文獻標識碼： A 文章編號： 1004?373X（2014）10?0008?04

Abstract： The banks in China shouls pay more attention to the customer credit risk assessment because the commercial bank credit risk management in China is insufficient， which has seriously affected the development of banks. The formation cause of the bank credit risk and the problems existing in the assessment are analyzed. The customer credit risk assessment index system was established on the basis of financial situation of enterprises. The 160 samples in listed companies in Chinese manufacturing industry were selected randomly， including 36 ST companies and 144 non ST companies， and then tested based on three?layer BP neural network training. It is found in the research that the BP neural network is suitable for the credit risk assessment， and its accuracy is better than that of Logistic regression model. Some suggestions and countermeasures to the credit risk management of Chinese commercial banks are put forward.

Keywords： credit risk assessment； assessment index system； neural network； commercial bank

商業(yè)銀行作為融資機構，為企業(yè)、政府及個人提供貸款是其最主要的服務之一，銀行客戶的存貸款利差是目前我國商業(yè)銀行的主要收入來源[1]，從而導致信用風險成為我國商業(yè)銀行面臨的最重要風險。

1 概 述

2012年末，我國商業(yè)銀行不良貸款余額為4 928.5億元，其中次級貸款為2 176.2億元，可疑貸款為2 122.4億元，損失貸款為630.0億元，銀監(jiān)會強調了風險管理的重要性。

我國法律體系不完備、監(jiān)管不到位、銀行內部控制存在問題、信息不對稱等原因，加劇了作為企業(yè)債權人銀行的風險[2]。目前實行的緊縮性貨幣政策，使商業(yè)銀行出現了“錢荒”現象，導致企業(yè)融資難。我國商業(yè)銀行需要提高信用風險評估的技術和準確率，為信用等級較好的企業(yè)提供資金，實現資源優(yōu)化配置。

2004年的新巴塞爾資本協(xié)在原有協(xié)議基礎上進行了修訂，其旨在優(yōu)化風險管理制度和提升國際金融的風險管理能力，鼓勵銀行根據自身情況不斷改進風險評估方法[3?4]。

2 神經網絡的理論及算法

人工神經網絡是在神經科學的基礎上模擬人工智能的一種網絡計算系統(tǒng)[5]，BP神經網絡（Back?Propagation Neural Network，BP網絡）是一種對非線性可微分函數進行權值訓練的多層網絡，屬于多層狀型的人工神經網絡，由若干層神經元組成，各層的神經元發(fā)揮著不同的作用，本文主要利用三層BP神經網絡的學習算法進行研究。

3 分 析

3.1 財務指標體系的建立和篩選

由于數據和信息有限，以財務指標為主要參考，利用BP神經網絡進行等級分類，建立財務情況的三級指標，如表1所示。

表1 財務情況指標體系

過多相關性太高的指標可能影響評估的準確性，因此要檢驗指標間的相關性，選取制造業(yè)的120家上市公司的財務數據，利用SPSS檢驗指標的相關性，發(fā)現營業(yè)收入現金比率與現金流量比之間的相關系數為0.780，流動比率、資產負債率、現金流量比三者之間，營業(yè)收入增長率、資本積累率和凈資產收益增長率三者之間也存在顯著的相關性。

同時借助變差系數（變差系數=[標準差平均值]）進行分析，它能夠反映指標的鑒別能力，變差系數較高的指標鑒別能力較強，變差系數較低的指標鑒別能力較弱。

經過對這些指標變差系數的計算，剔除資產負債率、總資產凈利率、資本積累率和凈資產收益增長率，那么主要的指標有9個：流動比率（X1）、現金流量比（X2）、利息保障倍數（X3）、營業(yè)毛利率（X4）、銷售凈利率（X5）、營業(yè)收入現金比率（X6）、應收賬款周轉率（X7）、總資產周轉率（X8）、營業(yè)收入增長率（X9）。

3.2 數據的選擇及處理

當前我國商業(yè)銀行信息嚴重不透明，因此無法獲取實際違約公司數據[6]。參考前人的研究及做法[6?8]，將財務狀況不正常、極有可能違約的 ST 公司作為違約樣本，將財務狀況正常的非ST公司作為不違約樣本，在此基礎之上做簡化處理。

為了加快BP神經網絡的收斂速度，提高學習訓練的效果，將原始指標數據標準化處理到區(qū)間[0，1]內。在以上選定的9個指標中，流動比率和資產負債率為非方向型指標（最優(yōu)值為給定數值，分別為2和0.45，其余指標均為正向指標（值越大越優(yōu)）。對于正向指標，根據式（1）進行標準化處理；對于非方向型指標，假設最優(yōu)值為[Xoj]，則根據式（2）完成標準化處理。

4 結 語

我國商業(yè)銀行應積極響應新巴塞爾協(xié)議的要求，提高信用風險評估技術，提高信用評估的準確性，促進銀行業(yè)風險管理、社會信用體系的建設。不僅應從技術層面來改善，更應該從制度層面上進行整體完善，從而提供制度保障。

銀行應借鑒并改進國際先進的信用評估技術，同時還需健全規(guī)范內部控制制度、完善信用評估系統(tǒng)、建立合理的激勵機制來加強銀行的信用風險管理。此外，企業(yè)應增強自身的信用意識和社會責任感，并建立企業(yè)內部的信用風險管理制度。最后，政府應完善我國的信用體系的法制建設、信息管理建設，發(fā)揮信用中介的積極作用。

參考文獻

[1] 黃雋，章艷紅.商業(yè)銀行的風險：規(guī)模和非利息收入：以美國為例[J].金融研究，2010（6）：79?94.

[2] 席穎.淺析我國商業(yè)銀行信用風險的防范[J].法制與社會， 2011（12）：110?111.

[3] 王珊珊，呂建.淺析新巴塞爾協(xié)議及其對我國銀行的影響[J].時代金融，2011（12）：80?81.

[4] 金貝杯.簡述新巴塞爾協(xié)議對舊巴塞爾協(xié)議國際銀行監(jiān)管思想的發(fā)展[J].金融天地，2011（2）：134?135.

[5] BAESENS B， SETIONO R， MUES C， et al. Using neural network rule extraction and decision tables for credit?risk evaluation [J]. Management Science， 2003， 49（3）： 312?329.

[6] 張能福，張佳.改進的KMV 模型在我國上市公司信用風險度量中的應用[J].預測，2010（5）：50?54.

[7] 吳松，張冬鵬，胡煊.一種預定義規(guī)則的數據挖掘方法在商業(yè)銀行審計中的應用[J].信息系統(tǒng)工程，2012（1）：34?35.

[8] 李穎超.商業(yè)銀行基于KMV模型對上市公司客戶信用風險度量研究[D].重慶：西南政法大學，2012.

[9] 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財務風險預警模型研究[J].金融發(fā)展研究，2011（11）：57?61.

[10] 張傳新，王光偉.基于主成分分析和Logit模型的商業(yè)銀行引用風險度量研究[J].西部經濟管理論壇，2012，23（4）：17?23.

[11] 梁碩.商業(yè)銀行信用風險模型研究[D].北京：首都經濟貿易大學，2011.

3.2 數據的選擇及處理

當前我國商業(yè)銀行信息嚴重不透明，因此無法獲取實際違約公司數據[6]。參考前人的研究及做法[6?8]，將財務狀況不正常、極有可能違約的 ST 公司作為違約樣本，將財務狀況正常的非ST公司作為不違約樣本，在此基礎之上做簡化處理。

為了加快BP神經網絡的收斂速度，提高學習訓練的效果，將原始指標數據標準化處理到區(qū)間[0，1]內。在以上選定的9個指標中，流動比率和資產負債率為非方向型指標（最優(yōu)值為給定數值，分別為2和0.45，其余指標均為正向指標（值越大越優(yōu)）。對于正向指標，根據式（1）進行標準化處理；對于非方向型指標，假設最優(yōu)值為[Xoj]，則根據式（2）完成標準化處理。

4 結 語

我國商業(yè)銀行應積極響應新巴塞爾協(xié)議的要求，提高信用風險評估技術，提高信用評估的準確性，促進銀行業(yè)風險管理、社會信用體系的建設。不僅應從技術層面來改善，更應該從制度層面上進行整體完善，從而提供制度保障。

銀行應借鑒并改進國際先進的信用評估技術，同時還需健全規(guī)范內部控制制度、完善信用評估系統(tǒng)、建立合理的激勵機制來加強銀行的信用風險管理。此外，企業(yè)應增強自身的信用意識和社會責任感，并建立企業(yè)內部的信用風險管理制度。最后，政府應完善我國的信用體系的法制建設、信息管理建設，發(fā)揮信用中介的積極作用。

參考文獻

[1] 黃雋，章艷紅.商業(yè)銀行的風險：規(guī)模和非利息收入：以美國為例[J].金融研究，2010（6）：79?94.

[2] 席穎.淺析我國商業(yè)銀行信用風險的防范[J].法制與社會， 2011（12）：110?111.

[3] 王珊珊，呂建.淺析新巴塞爾協(xié)議及其對我國銀行的影響[J].時代金融，2011（12）：80?81.

[4] 金貝杯.簡述新巴塞爾協(xié)議對舊巴塞爾協(xié)議國際銀行監(jiān)管思想的發(fā)展[J].金融天地，2011（2）：134?135.

[5] BAESENS B， SETIONO R， MUES C， et al. Using neural network rule extraction and decision tables for credit?risk evaluation [J]. Management Science， 2003， 49（3）： 312?329.

[6] 張能福，張佳.改進的KMV 模型在我國上市公司信用風險度量中的應用[J].預測，2010（5）：50?54.

[7] 吳松，張冬鵬，胡煊.一種預定義規(guī)則的數據挖掘方法在商業(yè)銀行審計中的應用[J].信息系統(tǒng)工程，2012（1）：34?35.

[8] 李穎超.商業(yè)銀行基于KMV模型對上市公司客戶信用風險度量研究[D].重慶：西南政法大學，2012.

[9] 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財務風險預警模型研究[J].金融發(fā)展研究，2011（11）：57?61.

[10] 張傳新，王光偉.基于主成分分析和Logit模型的商業(yè)銀行引用風險度量研究[J].西部經濟管理論壇，2012，23（4）：17?23.

[11] 梁碩.商業(yè)銀行信用風險模型研究[D].北京：首都經濟貿易大學，2011.

3.2 數據的選擇及處理

當前我國商業(yè)銀行信息嚴重不透明，因此無法獲取實際違約公司數據[6]。參考前人的研究及做法[6?8]，將財務狀況不正常、極有可能違約的 ST 公司作為違約樣本，將財務狀況正常的非ST公司作為不違約樣本，在此基礎之上做簡化處理。

為了加快BP神經網絡的收斂速度，提高學習訓練的效果，將原始指標數據標準化處理到區(qū)間[0，1]內。在以上選定的9個指標中，流動比率和資產負債率為非方向型指標（最優(yōu)值為給定數值，分別為2和0.45，其余指標均為正向指標（值越大越優(yōu)）。對于正向指標，根據式（1）進行標準化處理；對于非方向型指標，假設最優(yōu)值為[Xoj]，則根據式（2）完成標準化處理。

4 結 語

我國商業(yè)銀行應積極響應新巴塞爾協(xié)議的要求，提高信用風險評估技術，提高信用評估的準確性，促進銀行業(yè)風險管理、社會信用體系的建設。不僅應從技術層面來改善，更應該從制度層面上進行整體完善，從而提供制度保障。

銀行應借鑒并改進國際先進的信用評估技術，同時還需健全規(guī)范內部控制制度、完善信用評估系統(tǒng)、建立合理的激勵機制來加強銀行的信用風險管理。此外，企業(yè)應增強自身的信用意識和社會責任感，并建立企業(yè)內部的信用風險管理制度。最后，政府應完善我國的信用體系的法制建設、信息管理建設，發(fā)揮信用中介的積極作用。

參考文獻

[1] 黃雋，章艷紅.商業(yè)銀行的風險：規(guī)模和非利息收入：以美國為例[J].金融研究，2010（6）：79?94.

[2] 席穎.淺析我國商業(yè)銀行信用風險的防范[J].法制與社會， 2011（12）：110?111.

[3] 王珊珊，呂建.淺析新巴塞爾協(xié)議及其對我國銀行的影響[J].時代金融，2011（12）：80?81.

[4] 金貝杯.簡述新巴塞爾協(xié)議對舊巴塞爾協(xié)議國際銀行監(jiān)管思想的發(fā)展[J].金融天地，2011（2）：134?135.

[5] BAESENS B， SETIONO R， MUES C， et al. Using neural network rule extraction and decision tables for credit?risk evaluation [J]. Management Science， 2003， 49（3）： 312?329.

[6] 張能福，張佳.改進的KMV 模型在我國上市公司信用風險度量中的應用[J].預測，2010（5）：50?54.

[7] 吳松，張冬鵬，胡煊.一種預定義規(guī)則的數據挖掘方法在商業(yè)銀行審計中的應用[J].信息系統(tǒng)工程，2012（1）：34?35.

[8] 李穎超.商業(yè)銀行基于KMV模型對上市公司客戶信用風險度量研究[D].重慶：西南政法大學，2012.

[9] 羅曉光，劉飛虎.基于Logistic回歸法的商業(yè)銀行財務風險預警模型研究[J].金融發(fā)展研究，2011（11）：57?61.

[10] 張傳新，王光偉.基于主成分分析和Logit模型的商業(yè)銀行引用風險度量研究[J].西部經濟管理論壇，2012，23（4）：17?23.

[11] 梁碩.商業(yè)銀行信用風險模型研究[D].北京：首都經濟貿易大學，2011.