銀行評級的多準則決策支持系統

吳雷玲　孫英雋

摘要：闡述了一個目前在希臘銀行所使用的多準則銀行評級方法，并將其運用在綜合決策支持系統里進行案例研究。通過該系統，可知基于PROMETHEE II方法的整體評價結果，從而為每一年每家銀行總體評價得分、相互敏感性分析提供報告結果，并在“實時”狀態下，顯示銀行業績和評級變化的影響。由于考慮到銀行在動態環境中運作，對于評價標準和評價過程參數變化所可能導致的評級結果變化而引入的靈敏度分析予以了特別強調。

關鍵詞：銀行；評級模型；多準則決策支持；靈敏度分析

1、引言

銀行在金融和商業環境中的作用日益突顯。銀行所面臨風險的增加，使得新巴塞爾協議框架不斷修訂并改進，而這一框架，被定義為銀行類金融機構致力于風險管理的核心原則。其中有關銀行監管的過程，即監管當局負責對各銀行的風險進行管理并對化解狀況、不同風險間相互關系的處理情況、所處市場的性質、收益的有效性和可靠性等因素進行監督檢查，以評估銀行的穩健性。Sahajwala和Van den Bergh[1]強調的是考慮了銀行的財務表現及其內在風險狀況和風險管理能力的結構化與量化評估，這種評估的支持監測機構能盡早發現銀行環境的變化。

由于缺乏足夠的有關銀行違約的歷史數據，銀行評級系統通常基于實證評估。Sahajwala和Van den Bergh[1]提供了幾個目前正在實踐中使用的系統綜述，包括使用最廣泛的駱駝（CAMELS）框架，其中涉及的六個主要因素：資本，資產，管理，盈利，流動性和市場風險的敏感性。其他的多準則技術也已用于銀行績效評價。Kosmidou和Zopounidis[2]采用PROMETHEE方法，Raveh[3]采用了聯合情景法， 而Ho[4]采用了灰色關聯分析， Garcia et al[5]使用了目標規劃。Fethi和Pasiouras[6]則提供了一個側重于數據包絡分析和來源于運籌學和人工智能領域中最新銀行業的效率分析和績效評估，此系統被廣泛地用于銀行業務活動當中，包括貸款評估和信貸發放、財務計劃、業務流程再造及資產/負債管理。

本文提出了一個目前在希臘銀行使用的基于PROMETHEE II的多準則銀行評級方法，并將此方法用在綜合決策支持系統里進行案例研究，所選擇的銀行評估標準與來自希臘銀行的專家分析相一致。所選的標準符合駱駝（CAMELS）框架，包括定性、定量的手段，特別強調了有關評價標準、評價過程參數、輸入數據相對重要性結果的靈敏性，并用靈敏度分析技術和蒙特卡羅仿真來達到上述目的。

本文安排如下：第1節描述問題的背景和多準則方法的細節。第2節說明了多準則決策支持系統的實施。最后，第3節總結全文，并對了未來的研究方向進行了展望。

2、問題背景和多準則方法

銀行評級模型的主要輸出是把銀行的分類變成有序風險等級（組）。風險等級通常設置為5個等級，等級1表示低風險/高業績的銀行；等級5表明高風險/低業績銀行。整體的業績又分解成不同的分數（即每一個評價標準）。

根據目前在希臘銀行使用的駱駝（CAMELS）模型，這個基于PROMETHEE II 的多準則方法不僅可以使所需要的風險等級變得可行，而且可形成銀行整體的性能指標。流程圖如圖1。

圖1 方法模型

PROMETHEE方法被廣泛應用于對一系列兩兩比較的替代方案進行排名，同時也被用來比較一個預先設定參考點的絕對評價。下面小節將詳細描述PROMETHEE方法在文中的應用。第3節將給出詳細的評價標準和如何將方法應用于決策支持系統。

2.1相對評價

在文中提及的PROMETHEE的銀行評價方法是基于兩兩比較的。對于每對銀行（i，j），以及整體業績指標，其是描述在n個評價準則中銀行i的向量。全局偏好指數被定義為局部偏好指數的加權總和，即：

5.5（最差業績）。最終的評價模型表達如下：

這種模式可用于銀行的相關業績排名。除銀行的評級，相關排名也要求作為評級/評價過程中的一個重要組成部分，鑒于以這種方式定義整體得分，評級指所定義的時間間隔，[0.5，1.5]的風險等級為1，（1.5，2.5]的風險等級為2，（2.5，3.5]風險等級為3，（3.5，4.5]風險等級為4，（4.5，5.5]風險等級為5。

2.2絕對評價

如上所述的基于PROMETHEE II方法的評估提供了一個銀行的相對評價，這有助于識別一家銀行與其競爭對手相比的優勢和弱點。然而，銀行的評級模型也應該提供一個不依賴于一系列正在被評估銀行的絕對評價。

絕對評價也使用PROMETHEE方法的框架，但在這種情況下的結果，僅以銀行預先指定的參考點為基礎。在希臘銀行分析師的實踐當中，有兩個選項被定義為參考點的規范。第一個選項是從樂觀的角度，是銀行在比較理想點（理想銀行）的情況下。這種評價提供了評估銀行的能力，并能被更好地執行。第二個選項使用非理想點，并提供了一個相對在“最壞的情況”下的銀行評估。有希臘銀行分析師定義的非理想點和理想點，包含每個準則的最壞和最好業績值，即銀行在相對于理想點的情況下，局部評價函數做如下調整：

另一方面，在非理想情況下，局部評價函數如下：

2.3靈敏度分析

當然，上面定義的多準則評價引入一些不確定性和主觀性，主要是PROMETHEE方法的參數，其中包括準則權重和部分偏好函數中的參數σ和P。

此外，由于銀行在動態環境中運作，識別輸入數據的變化也很重要，故可能導致的評級結果變化而引入的靈敏度分析既適合一系列完整的銀行，又適合單獨的每一個銀行。

第一階段，分析靈敏度程序解決這些問題。對于準則權重，分析的目的是定義評級不變銀行，每個準則k權重值的范圍。這可以很容易地通過加強的條件，即每家銀行i全局得分V（xi）保持其預先指定的權重評分范圍內。應該指出的是，這是“單因素”敏感性分析的類型（即，每個標準被認為是獨立于其他的）。在與希臘銀行的分析師合作中，被認為提供了足夠的信息，并且很容易被理解。沃爾特斯和Mareschal[14]已經提出了考慮準則全局變化的敏感性分析的例子。

一個類似的過程也采用標準的偏好函數參數。然而，基于PROMETHEE方法的兩兩相關評價方案里，部分偏好函數一般對應參數σ和P非單調，非凸函數，這種情況下是不可能定義為評級不變銀行特定參數范圍。因此，可以明確定義為絕對評價過程的邊界。

假設銀行i的等級為

2.4 蒙特卡羅仿真

如上節所述，分析的流程提供了評級結果敏感性分析的局部信息。而通過蒙特卡羅仿真將會獲得進一步的信息。通過該方法，仿真分析了在準則權重變化下評級結果的敏感性，并在這一過程當中，可以很容易地進一步考慮偏好函數的參數。

仿真涉及到在多個情境下準則權重的生成。一是，由隨機單元簡單生成。二是，決策者依重要性進行排序，然后按照準則的順序生成隨機權重。

在仿真結果當中，通過全局表現評估均值和中位數，并對其標準差和置信區間進行分析。從而對于每一個銀行，可以得出不同加權情況下評級分布的有用結論。

3. 決策支持系統的實施

綜合決策支持系統（DSS）使多個用戶在一個共享數據庫下工作。銀行高級分析師負責評估過程中主要參數的設定，即準則權重、相應偏好函數類型等主要參數，以及通過添加或刪除標準來修改評價標準集合。而較低級別的分析家們可以充分接觸多準則評估過程中的所有功能，但不允許他們使評價參數發生永久性改變。除數據庫管理和多準則工具的使用，DSS還提供包括一個用戶界面友好，方便圖形和表格格式編制的幾種預備報告功能。

以下小節將說明DSS提供的功能和基于多準則方法的實施方式。需要指出的是，出于保密原因，在此圖中的所有結果都只是指示性的，它們與任何銀行實際數據沒有關聯。

3.1評價數據、準則、偏好參數

考慮系統中涉及希臘銀行歷史信息的一些數據。該系統可以使用不同的數據庫，這取決于分析銀行的類型。最初，系統中引入了31個評價準則集合[1]。一個評價標準的范例清單（見表1），這些準則是在與負責監測和評估銀行業績的專家分析師密切合作下選定的。按照駱駝（CAMELS）框架， 該標準被組織成6類（資金，資產，管理，盈利，流動性，對市場風險的敏感性）。總體而言，17個定量標準和14定性標準已初步選定。由希臘銀行分析師定義的所有定性標準設定為 [0.5，5.5] 區間范圍，較低值表示較好的業績。

每類準則的權重和每一準則水平都已由希臘銀行分析師確定。該系統還包括一些額外的模塊，這些模塊是支持規范的準則權重分析，即采用rank-order centroid （ROC） 和 rank-rum （RS）方法。圖2說明了準則權重系統的截圖。近似的ROC和RS根據分析師所指定的準則排名順序計算。如圖2，RS的估計值非常接近于用戶自定義每個標準組的相對重要度。同樣也觀察到了每一準則水平。總體而言，定量的準則分配了70%的權重，其余30%屬于定性準則，這是一個基于“硬性數據”，給予重要度高于涉及主觀評價的定性準則重要度的政策規范。

所有量化標準的評估都采用了PROMETHEE方法的高斯偏好函數，而定性標準采用線性偏好函數。圖3描述了資本充足率的局部偏好函數。這個函數值隨準則值而降低，從而表明，較高的資本充足率值與更高的業績和更低的風險相關。圖的右側部分，用戶-分析師可以指定最少和最喜歡值（理想，非理想）函數的類型以及相關參數。圖左側是對用戶所做改變的自動更新。

3.2多準則評價

第2節中，系統提供了多種選擇，涉及：（1）銀行、評價標準、分析的時間周期（2）評價類型（絕/相對）（3）準則權重的規范（4）情景分析，蒙特卡羅仿真情景分析使用（如圖4）

通過該系統可知基于PROMETHEE II方法的整體評價結果。為每一年每家銀行報告總體評價得分、相互敏感性分析。用戶可修改權重或偏好函數參數以自動更新準則和評價結果，從而說明在“實時”狀態下，銀行業績和評級變化的影響。

靈敏度分析結果，與有關的標準和相應的偏好函數參數的權重也可在單獨的表內，如圖5。

每一標準的銀行評級不會改變，且其權重范圍（上限和下限）可以顯示。“穩定指數”，在表的最后一列所示，表示每個準則權重變化的最小百分比（不同的顏色來區分減少和增加）。

3.3情景分析

在情景分析下，通過蒙特卡羅仿真可以獲得針對準則權重靈敏度排名的進一步結果。用戶-銀行分析師可以在此指定不同的權重方案。結果涉及銀行全局業績得分（平均值，中位數、95%置信區間）統計數據以及每家銀行的評級分布。此外，通過情景分析報告可以獲得準則權重和仿真運行的所有評級之間的關系。特別是，每一標準的相關系數表明了在銀行評級和準則相對重要性之間的連接強度。準則負相關可被視為銀行的強勢。在這個意義上，準則的權重越高，銀行的評價得分就越低（越好）。

作為額外的信息，對于每個準則，它的平均權重可以通過被評定為特定等級銀行的全情境計算獲得。特別是，假設權重的向量W1，W2，…….，針對每次仿真運行和引用Sik，即在銀行i被設定為等級K的情況下進行仿真運行的仿真集（|Sik|代表運行的次數），

是在Sik下所有情景的平均權重向量，此式提供了一種關于已選銀行評價結果的逆向分析信息。例如，在選定銀行2010年分配到風險等級2的情況下，準則權重為CAP1和CAP2，高于可以根據這些標準的權重在分配給該銀行風險等級3的情況下的準則權重。

4、結論

銀行業績的監測和評價在最近金融危機背景下獲得越來越多的關注。本文提出了一種多準則方法旨在提供全面的專家支持分析，特別強調了把結果的敏感性分析應用到主要評價參數中，從而推導出有關銀行優劣勢的有用結論。

該方法已在綜合決策支持系統（DSS）中實施，目前使用于希臘銀行。DSS為用戶及分析師提供了一種增強性的數據庫管理功能，包括一些分析選項和報告工具。

專業銀行分析師將多準則方法和DSS作為他們日常監測和評估銀行業績的支持工具。更進一步來說，其目的是發展能夠盡快識別銀行所可能面臨問題的早期預警系統，并且對宏觀經濟因素的考慮也能進行加強分析，以及在外部因素對銀行業績和多樣化的沖擊下，實施執行壓力測試。數據同樣考慮了來自發達國家和發展中國家的其他銀行部門，從而為增強其他市場風險及一個國家整體銀行業風險相關性的背景下，提供有用的分析信息。

參考文獻：

[1]R. Sahajwala， P. Van den Bergh， Supervisory Risk Assessment and Early Warning Systems， Technical Report 4， Bank of International Settlements， Basel， Switzerland， 2000.

[2]K. Kosmidou， C. Zopounidis， Measurement of bank performance in Greece， South-Eastern Europe Journal of Economics 6 （2008） 79–95.

[3]A. Raveh， The Greek banking system： reanalysis of performance， European Journal of Operational Research 120 （2000） 525–534.

[4]C.T. Ho， Measuring bank operations performance： an approach based on grey relation analysis， Journal of the Operational Research Society 57 （2006） 337–349.

[5]F. García， F. Guijarro， I. Moya， Ranking Spanish savings banks： A multicriteria approach， Mathematical and Computer Modelling 52 （2010） 1058–1065.

[6]D. Fethi， F. Pasiouras， Assessing bank efficiency and performance with operational research and artificial intelligent techniques： a survey， European Journal of Operational Research 204 （2010） 189–198.

[7]J. Butler， J. Jia， J. Dyer， Simulation techniques for the sensitivity analysis of multi-criteria decision models， European Journal of Operational Research 103 （1997） 531–546.

[8]A. Derviz， J. Podpiera， Predicting bank CAMELS and S&P ratings： the case of the Czech Republic， Emerging Markets Finance and Trade 44 （2008） 117–130.

[9]C. Spathis， K. Kosmidou， M. Doumpos， Assessing profitability factors in the Greek banking system： a multicriteria approach， International Transactions in Operational Research 9 （2002） 517–530.

[10]巴塞爾銀行監管委員會，外部信用評級與內部信用評級體系[M].羅平，譯.北京.中國金融出版社，2004： 451.

[11]趙向飛.上市公司信用能力的綜合評價）—AHP與模糊評價的整合[ J].統計與決策， 2005（ 4） ：116- 117.

[12]趙利亞， 孫樹華.層次分析法在財務分析中的應用[ J].財會通訊， 2009（ 3） ：96- 97.

[13]蘇盈，吳永飛，楊曉光.商業銀行風險評級的比較研究[J].金融管理，2005 （ 9）：12-13.

基金項目：上海市研究生創新基金項目（編號：JWCXSL1202）