科技型企業信用風險度量模型的選取

摘 要：科技型企業作為國民經濟中一支活躍的力量，已逐漸引起各個銀行的重視。但是對科技型企業信用風險的度量，國內尚無合適的方法。文章試通過對國際上較先進的信用風險度量模型進行介紹、比較，從而選取適合我國科技型企業的度量模型。

關鍵詞：科技型企業 信用風險 Logistic回歸模型

中圖分類號：F276.44 文獻標識碼：A

文章編號：1004-4914（2008）11-234-02

科技型企業在生產經營過程中，資本金主要靠自我積累和銀行信貸，銀行借款成為其最主要的外部資金來源。然而，由于銀行對科技企業的風險識別能力有限，加之信貸市場中的逆向選擇和道德風險的存在，銀行對科技企業貸款一直持謹慎態度。近年來，我國利率市場，特別是小額貸款的利率正逐步放開，商業銀行為增加利潤來源，漸漸趨向于各科技企業貸款。不過，科技企業貸款業務為銀行帶來利潤的同時，也帶來了較大的信用風險。因此，對于科技型企業的信用風險度量方法的選擇，成為了各家銀行急迫解決的問題。

一、古典信用風險度量模型

1.古典信用分析。古典信用分析屬于定性分析，是銀行最基本的信用風險度量方法。銀行業在發展過程中為控制信用風險早已形成了一些有用的信用風險管理技術，如常見的5C法和5P法。5C法從以下五個方面對借款人的信用進行考察：品格、資本、償付能力、抵押品、周期狀況。5P法將以下五個因素作為銀行判斷企業信用的準則：個人狀況、借款用途、還款來源、債權保障和未來前景。古典信用分析過分依賴專家的主觀經驗判斷，不同專家對同一借款人會做出不同的判斷，扭曲借款人真正的信用品質，同時它也缺乏為信用風險定價的市場機制，難以滿足信用風險評估日益發展的要求。

2.多元統計分析。即利用統計方法把企業違約概率評估看成是模式識別中的分類問題——根據貸款企業的財務、非財務狀況，將其分為正常和違約兩類，或根據已評級級別結果分為多類，這樣企業違約概率評估就轉化為統計中的分類問題。根據歷史樣本每個類別（兩類或多類），從數據中找出規律，總結出分類的規則，建立評估模型，然后用于對新樣本的判別，這些判別的結果隱含著不同企業的綜合得分或者說企業競爭力排序。國外關于違約概率評估研究，主要集中于違約的定性測度方法，然后根據結果，通過違約頻率統計獲得違約概率。按違約測度方法分：有線性判別模型，Logistic模型，神經網絡模型等；按變量數分有單變量（Fitzpatrick，1932；Beaver，1966）和多變量方法；按變量性質分有定量變量，定性變量，混合變量。

多元統計分析最初表現為多元線形判別分析模型，包括Z計分模型和ZETA模型。此后又產生了另一種多元線性方法——線形概率模型，其典型代表有Logistic回歸分析模型，隨后又有像神經網絡、遺傳算法、線形規劃等方法的信用風險模型的誕生。

二、現代信用風險度量模型

1.結構性模型。即基于公司價值的模型，把違約過程描述為公司價值惡化的顯性結果，并把公司證券視為發行公司價值的或有債權（期權）。一旦公司估值過程的模型確定，公司的資本結構也已知，就可用期權定價公式對權益和債務進行定價。結構模型已經成為違約風險領域的一個市場標準。這類模型的主要特點之一是能夠對上市公司信用價值進行逐日盯市的連續評估。但滿足違約概率簡單計算公式必要的基本假設有時與現實不符。

2.簡約化模型。這個方法不像結構型模型那樣，要求利用企業參數確定違約風險。該方法通過外生定義的違約率和回收率，把有違約風險債券的定價或價差直接與無風險債券連在一起。在這種方法中，信用期限結構不是根據公司財務基礎或宏觀經濟因素進行推導而是直接從市場數據中獲取。在數學上，這種方法更易于實施。但從考察公司信用基礎的角度看，這種方法遠不如企業價值方法那么直觀。

3.CreditMetrics模型。它建立在Merton模型所構筑的資本結構假設之上（當公司市場價值小于債務值時，公司違約），因此借款人的違約概率和資產超過債務的數量、資產的波動密切相關，資產的變化遵循幾何布朗運動，當資產的變化超過某一臨界值時，借款人即違約。該模型應用信用受險價值（VaR）對一些非上市流通的資產，如貸款、私募債券等進行估價和信用風險評價。運用這個模型可以估算在極端情況下貸款或貸款組合的損失。

4.CreditRisk+模型。該方法采用了保險精算的科學框架推導債券/貸款組合的損失分布，建立只考慮違約不考慮降級風險的模型。與信用計量模型（CreditMetrics）、KMV等不同，違約與企業的資本結構無關。CreditRisk+是信用違約風險的統計模型，該模型對引發違約的原因不作假設，與市場風險管理考慮的出發點是相同的。建立市場風險模型，不考慮市場價格變動的原因。銀行和保險公司一樣，必須用貼現現金流模型定量化度量自身蒙受的風險。保險公司的風險來源于客戶的索賠，而銀行的風險來源于債務人的違約。

三、科技型企業信用風險度量模型的選取

1.信用風險度量模型、方法的比較與評價。從上面的文獻回顧可以發現，關于信用風險度量的模型和方法很多，然而由于信用風險本身的固有特點，大家公認和統一的模型和方法到目前還沒有出現，各種模型和方法其本身都存在這樣或那樣的缺陷，且大多是針對上市公司等大型企業的，并沒有考慮科技型企業自身的一些特點，因此有必要對這些模型和方法進行分析、比較、評價，從中選擇合適的模型來度量我國科技型企業的信用風險。

單變量模型具有簡單可行的優點，但其缺陷是任何單個財務指標都無法全面地反映公司財務特征及公司總體情況，甚至任何單個財務指標將在很大程度上排斥其他指標的作用。多元線性判別模型具有相當的影響，它克服了單變量模型的缺點，判別的準確性也有大幅提高，但其本身也存在兩大缺陷：其一，它是一個線性模型，但判斷一個公司信用風險的因素非常復雜，不太可能成簡單的線性關系；其二，它基本上采用歷史財務比率，影響對借款人信用評價的時效性。Logistic等多元非線性回歸模型很好的解決了非線性的問題，并且有較高的準確性，但也存在信用度量的時效滯后缺陷。

KMV模型以股票市場數據為基礎，而不是依賴會計核算數據，反映了市場中投資者對公司未來發展的綜合預期，具有前瞻性、高敏感性；但它針對未上市公司具有一定的局限性，而且片面強調股票市場，變動敏感度太高。CreditMetrics模型成功地把信用風險度量與信用等級的轉移、違約率等相關因素結合起來，使模型考慮的因素更加全面，適用范圍更加廣泛；但它片面強調信用評級，不能夠反映特定債務人當前的信用質量變化情況。而且我國目前還沒有一個權威的、完善的信用評級體系，也不可能有有效的信用風險轉移矩陣，同時也缺少一個準確的基準貼現率，因此現階段該模型在我國尚無法應用。CreditRisk+模型最大的優點是簡單易用，泊松過程的應用使得計算非常有效，需要估計的變量很少，對于每個組合只需要知道違約概率和風險頭寸；但它忽略了信用級別的變動，對于每個債務人風險頭寸是固定不變的，只依賴于遠期利率變動。甚至在大多數情況下，模型簡化為違約概率由幾種隨機背景因子決定，風險頭寸是常量。

2.我國科技型企業信用風險度量可能采用的模型或方法。中小企業普遍存在著一些問題，如規模小、經營制度不規范、財務數據不完善、資本結構不合理和可抵押資產相對缺乏等。這意味著商業銀行向科技企業貸款的信用風險較大，且有不同于一般企業信用風險的特點。科技企業貸款的信用風險與企業所有者個人的信用息息相關，判定指標體系不易用衡量大型企業的標準。然而，長期以來我國商業銀行并沒有將對科技型企業的貸款獨立出來，信用風險內部評級仍然采用與大企業一樣的體系。2003年以前，我國銀行對貸款的分類一直延用“一逾兩呆”的分類方式。“一逾兩呆”分類管理主要依據借款人的還款狀況將貸款劃分為正常、逾期、呆滯、呆賬四類，是一種事后監督的管理方法。從2003年1月1日起，我國各類銀行全面實行貸款風險五級分類管理。貸款五級風險分類將貸款質量劃分為正常、關注、次級、可疑和損失五類(其中后三類稱為不良貸款)，在動態監測的基礎上，通過對借款人現金流量、財務實力、抵押品價值等因素的連續監測和分析，判斷貸款的實際損失程度，確定貸款風險。

對于信用風險內部評估，據人民銀行的調查結果顯示，現今國內幾家大銀行的信用風險評級剛剛進入計分卡階段，相當于一種加權綜合評分法。具體做法是:首先，設定待評價的指標體系，并根據評價的重要程度對各種指標給以一定的權重；其次，根據所收集的被評企業各種財務、非財務信息對照指標標準進行打分，確定各指標分值；再次，根據各指標評分以及權重，計算加權綜合評分；最后，對照評級表的級別區間，判定被評企業的信用等級。這樣一種評定信用風險的方法是在評價指標結構分析的基礎上再進行量化分析的。因此，其實是以定性分析為主、定量分析為輔的分析方法。而且，主要幾個指標權重的設定和打分的過程是根據“專家分析”的結果。

綜上，我國銀行內部對于企業信用風險評估仍然較多使用古典信用分析，處于定性向定量的過渡階段，尚未使用多元分析及現代信用風險度量模型。科技企業大部分為非上市公司，KMV模型無法大規模使用；我國缺乏完善的信用評級體系，歷史數據積累稀少，CreditMetrics由于缺乏相應數據而無法使用；Credit Risk+模型將信用風險簡化為泊松分布，過于武斷，忽略了債務人的特有風險，更無法適用于變幻莫測的科技型企業。總之，現代信用風險模型在現階段尚不適用于我國科技型企業。而銀行使用現行古典信用分析的結果是大部分的科技企業被拒之門外，導致其貸款難融資難，因此對于科技企業信用風險度量最可能選取的方法為多元統計分析。而多元統計分析法中，Logistic回歸模型的應用性最廣，它以企業財務指標為變量計算企業潛在的違約風險，適合我國科技型企業的信用風險度量。

參考文獻：

1.Fraydman H，Altman E，Kao D.Introducing recursive partitioning for financial classfication:the case of financial distress.Journal of Banking Finance，1985，11(1)

2.Altman E.Financial ratios，Discriminant Analysis and the Predicton of Corporate Bankruptcy.Journal of Banking and Finance，1968，(9)p589-609

3.Beaver W.Market prices，financial ratio s，and the prediction of failure[J].Journal of Accounting Research，1968.

4.Altman E，Haldeman R，Narayanan P，Zeta analysis a new model to identify bankruptcy risk of corporations. Journal of BankingFinance， 1977，(1)，p29-54

5.Fitzpatrick PJ，A comparison of ratios of successful industrial enterprises with those of failed firms[J]，Certified Public Account，1932.

6.Beaver WH，Financial ratios as predictors of failure[J]，Journal of Accounting research(Supplement)，1966，p71-101

7.周首華，楊濟華等.論財務危機的預警分析——F分數模型.會計研究，1996(8)

8.陳靜.上市公司財務惡化預測的實證分析.會計研究，1999(4)

9.吳世農，盧賢義.我國上市公司財務困境的預測模型研究.經濟研究，2001(6)

10.張玲.財務危機預警分析的判別模型.數量經濟技術研究，2000(3)

(作者單位：大連外國語學院 遼寧大連 116002）（責編：鄭釗）