我國商業銀行信貸風險的實證研究

文/喬玉丹，上海大學經濟學院

我國商業銀行信貸風險的實證研究

文/喬玉丹，上海大學經濟學院

本文摘要：伴隨著我國經濟的快速發展和轉型升級，再加上近年來我國改革開放的力度進一步加大。我國商業銀行在經營的過程中對于如何度量和管理信貸風險成為亟待解決的問題，面臨的信貸風險越來越大和復雜，備受銀行體系以及經濟主體和監管當局的關注。本文從商業銀行作為貸款者的角度出發，來對貸款企業的信貸風險進行度量和管理，希望能為我國商業銀行在信貸方面提供一定的幫助和支持。

本文首先界定了信貸風險的概念，對信貸風險的國內外研究進行了歸納和梳理，以便更好的建立我國商業銀信貸風險的評價指標體系。本文共選取了94家上市公司的年報數據，其中ST公司47家和與其對應的非ST公司47家，首先選取了16個財務比率指標，通過進行單樣本的T檢驗分析，最終選取了11個財務比率指標，然后進行因子分析，通過因子分析得出各因子得分，以各因子得分作為新變量，進行Logistic回歸分析，進而判斷上市公司信用狀況的好壞，從而為商業銀行在信貸之前提供可靠的判斷依據。

商業銀行；信貸風險；因子分析；Logistic回歸

近年來我國商業銀行在社會經濟的發展過程中扮演者越來越重要的角色，為更加有效的實施宏觀經濟政策提供了有力保障。總所周知，商業銀行是特殊的企業，其生產和經營的產品是貨幣，與一般的企業所最追求的目標一樣，商業銀行通過自身的管理和經營來獲得最大的利潤，因此在這個過程中，商業銀行必然會遇到各種各樣的問題，對于商業銀行來說，面臨的最大問題就是信貸企業的違約，從而導致商業銀行的不良資產的增加，給商業銀行帶來巨大的損失。對于如何更好的評價信貸企業的信用風險，成為各家商業銀行亟待解決的問題，近年來商業銀行也在不斷提升自身的風險管理水平，意識到風險管理的重要性。信用風險是商業銀行所面臨的主要風險之一，為了更好的減少和規避信用風險給商業銀行帶來的損失，有必要對商業銀行的信貸企業進行更加深入的研究，預測其信用風險的大小。伴隨著我國經濟的快速發展，越來越多的企業需要大量融資來不斷拓展自己的規模和競爭力，同時我國改革開放的步伐進一步加大，也吸引了不少外資銀行，外資銀行的進入一方面有利于為金融市場的全面開放奠定基礎，但另一方面又會給我國銀行業帶來前所未有的挑戰。商業銀行如何提升自己的風險管理水平，減少由于風險管理不當所帶來的損失顯得尤為重要。而我國商業銀行目前正缺乏良好的風險管理能力，風險管理的意識與國外相比還有一定的差距，因此，有必要為我國商業銀行設計出一套行之有效的信貸風險預警模型，解決商業銀行信貸風險方面的難題.

目前商業銀行的盈利主要來自于貸款，因而對于貸款對象的合理選擇就顯得尤為重要，對于商業銀行來說，如何能夠準確的判斷貸款對象的信用情況，把貸款貸給高信用的貸款對象，只有這樣才能使商業銀行減少貸款違約的損失，增加商業銀行的盈利水平，從而增強自身的綜合競爭力水平，擴大在銀行業中的影響力。

經過實證分析和對模型的檢驗，本文建立的基于因子分析的Logistic回歸模型在預測上市公司信用風險的準確度高達94.1%。因此在預測一家上市公司的信用好壞，流動比率、速動比率、凈資產收益率、流動資產周轉率、總資產周轉率、銷售毛利率、應收賬款周轉率、存貨周轉率這8個財務比率指標有著顯著的判別作用。它們分別從上市公司的償債能力、盈利能力、營運能力等方面來比較全面的反映上市公司中信用較差的公司和信用較好的公司，因此這些財務比率能夠比較全面的分析上市公司的信用狀況。

1 Logistic回歸分析的基本原理及模型

在許多領域分析中，都能碰到因變量只能取二值得情形，比如是與否、有效與無效等。對于這種問題要建立回歸模型，通常先將取值在實數范圍內的值通過Logit變換轉化為目標概率值，然后進行回歸分析，即Logistic回歸。

2 商業銀行信貸風險的實證分析

2.1 樣本的選取

本文將被證監會認定為ST的公司（包括*ST公司），也就是信用較差的公司，而非ST公司，也就是信用較好的公司確定為所要研究的對象。由于ST公司數量不是很多，而非ST公司卻擁有眾多的數量，因此需要對非ST公司進行進一步的篩選，為了確保篩選的合理性和準確性，在篩選過程中應當遵循以下原則：（1）同規模，即所選擇的ST公司和與其對應的非ST公司的資產規模應當差不多，主營業務收入也應該相差不大；（2）同行業，即ST公司和與其對應的非ST公司所屬的行業應當保持一致；（3）同時期，即ST公司和與其對應的非ST公司所選取的財務指標的數據要保持在同一時期。根據以上原則以及排除由于非財務因素而被認定為ST的公司，本文共選取了2013年和截止到2014年4月30日滬深A股股市中的47家ST公司（其中2013年被認定為ST的有20家，截至2014年4月30日被認定為ST的有27家）和47家非ST公司的2012年年末和2013年年末的財務比率。

2.2 Logistic回歸模型的檢驗及結果

為了檢驗該模型的有效性，根據上面所建立的模型，將測試樣本帶入到上述公式中，計算出相應的因子得分，然后將Z2和Z4的因子得分帶入到Logistic回歸模型中計算相應的概率，根據概率值與0.5的大小來判定該上市公司是信用較好型還是信用較差型。結果顯示：在所有17家非ST公司中，只有一家非ST公司被判為ST公司，模型對非ST公司的判定準確率為94.1%，在所有17家ST公司中，只有一家ST公司被判為非ST公司，模型對ST公司的判定準確率達到了94.1%，模型的總體的判定準確度達到了94.1%。

3 結論

目前商業銀行的盈利主要來自于貸款，因而對于貸款對象的合理選擇就顯得尤為重要，對于商業銀行來說，如何能夠準確的判斷貸款對象的信用情況，把貸款貸給高信用的貸款對象，只有這樣才能使商業銀行減少貸款違約的損失，增加商業銀行的盈利水平，從而增強自身的綜合競爭力水平，擴大在銀行業中的影響力。

由于商業銀行在信貸過程中，面臨較多的問題和挑戰，有必要為商業銀行建立一個信貸風險判定模型。因此本文就如何構建商業銀行信貸判定模型進行了實證分析，并對模型效果進行了檢驗，本文首先主要通過單變量的t檢驗來檢測開始所選擇的16個財務比率指標，將不能夠有效區分ST公司和非ST公司的財務比率指標進行剔除，之后對剩下的顯著性財務指標進行因子分析，通過因子分析得出各因子得分，將各因子得分作為新變量，進行Logistic回歸分析，根據回歸分析的結果，進而判斷上市公司信用狀況的好壞。

經過實證分析和對模型的檢驗，本文建立的基于因子分析的Logistic回歸模型在預測上市公司信用風險的準確度高達94.1%。因此在預測一家上市公司的信用好壞，流動比率、速動比率、凈資產收益率、流動資產周轉率、總資產周轉率、銷售毛利率、應收賬款周轉率、存貨周轉率這8個財務比率指標有著顯著的判別作用。它們分別從上市公司的償債能力、盈利能力、營運能力等方面來比較全面的反映上市公司中信用較差的公司和信用較好的公司，因此這些財務比率能夠比較全面的分析上市公司的信用狀況。

本文構建的基于因子分析的Logistic回歸模型其判定效果較好以及預測的準確性也相當高，能夠為商業銀行很好的區分一些上市公司的信用好壞。商業銀行可以通過該模型來對所要貸款的公司進行信用狀況好壞的判定，從而進一步決定是否貸款給該公司。商業銀行運用該模型來判別貸款公司的信用，能夠有效的降低商業銀行的貸款風險，減少商業銀行由于貸款企業的違約而給自身帶來的損失。因此，本文構建的基于因子分析的Logistic回歸模型在商業銀行的實踐中具有極其重要的意義，指導著商業銀行信貸判定、預測以及對信貸的管理。

[1]陳曉，陳治.企業財務理論、方法及應用[J].投資研究，2000(02).

[2] 王春峰，萬海暉，張維.基于神經網絡的商業銀行信用風險評估[J].系統工程理論與實踐，1999(09).

[3] 龐素琳.Logistic回歸模型在信用風險分析中的應用[J].數學的實踐與認識,2007.(10)

[4]傅強，李永濤.基于灰色聚類法的上市公司信用風險評價[J].財會月刊，2006（01）.

[5] 孫文會.企業核心競爭力評價指標體系的研究[J].企業活力，2008(05).