銀行業金融機構綠色信貸風險評估研究

【摘要】銀行業金融機構在開展綠色信貸業務過程中面臨契約風險、利率風險、貸款抵押風險等多種風險，因此做好風險防控對銀行業金融機構至關重要。本文在文獻研究的基礎上建立綠色信貸風險評估體系，以財務指標、非財務指標和環保指標作為一級指標，下設24個二級指標，運用“3σ”準則對信貸風險標準進行定量判定，計算出貸款企業的信貸風險等級，再選取貴州省20家大型企業作為樣本進行實證研究，對其財務指標進行正態性檢驗和顯著性檢驗，對非財務指標和環保指標權重的判定采用網絡分析法（ANP），再根據專家打分得出樣本得分，將三類指標進行因子分析，得到具有代表性的公共因子，最后運用MATLAB軟件對構建的BackPropagation神經網絡進行仿真分析，得出測試結果，為信貸風險評估方法的選擇和運用提供參考。

【關鍵詞】綠色信貸 風險評估 網絡分析法 BP神經網絡

一、研究背景

（一）問題的提出

綠色信貸的提出是我國加大生態保護的重要舉措，所謂綠色信貸是指銀行等金融機構對從事研發、生態保護建設與開發的企業給予貸款一定優惠政策的手段。近幾年，綠色信貸在我國不斷發展，興業銀行、中國工商銀行、平安銀行等多家銀行推出綠色金融產品并積極加入赤道原則。2012年2月，銀監會發布《綠色信貸指引》，2013年8月，國務院出臺《國務院關于加快發展節能環保產業的意見》，旨在促進節能環保產業發展，2016年8月，中國人民銀行發布《關于構建綠色金融體系的指導意見》。借此機遇，貴州高度重視環境保護，把發展綠色經濟作為調整經濟結構，轉變發展方式的重要舉措。然而，貴州省銀行業金融機構在開展綠色信貸業務過程中存在貸款層面缺乏統一的綠色金融標準體，綠色金融業務固有風險較高，銀行風險管控能力不足等問題。而商業銀行有別于普通企業的一個主要特征是對風險的管理與控制，信貸風險是最重要的風險之一，做好風險防控對商業銀行的發展有至關重要的作用。但由于綠色信貸在我國提出不久，發展還不成熟，國內較少有學者對綠色信貸的風險問題進行實證研究。因此，構建綠色信貸評估體系，研究影響綠色信貸風險的因素，提高金融支持綠色經濟發展效率是當前貴州銀行業金融機構亟需解決的重要問題。

鑒于此，本文在文獻研究的基礎上構建綠色信貸風險評估的BP神經網絡模型。首先建立綠色信貸風險評估的指標體系，以財務指標、非財務指標和環保指標作為一級指標，下設24個二級指標；其次，運用“3σ”法則對信貸風險標準進行定量判定，計算出貸款企業的信貸風險等級；再次，選取貴州省20家上市公司作為樣本進行實證研究，對其財務指標進行正態性檢驗和顯著性檢驗，對環保指標和非財務指標權重的判定采用網絡分析法（ANP），之后根據專家打分得出個樣本的得分，將三類指標進行因子分析，得到具有代表性的公共因子。

（二）研究文獻綜述

在國外的研究中，綠色信貸通常被稱為可持續金融、環境融資，研究的是金融業與可持續發展之間的關系SoniaLabatt，Rodney R.White認為環境融資涵蓋了基于市場的、旨在傳遞環境質量和轉化環境風險而設計的特定金融工具，環境問題主要從違規帶來的直接風險、客戶導致的間接風險以及信譽風險三種方式對金融機構產生影響，為此需在風險管理中加入衡量環境問題的標準并進行產品創新。

通過對以上文獻的分析和整理，我們可以看到：目前，國內外對綠色信貸風險評估研究主要集中在主觀定性判斷和傳統計量分析法。然而事實上，綠色信貸風險涉及指標多。相比于此，本文試圖通過BP神經網絡，選取貴州省20家大型企業，并納入對綠色信貸風險有重要影響的財務指標、非財務指標和環保指標，對貴州省綠色信貸風險進行實證研究，突破了傳統信貸風險評估方法的局限性，具有一定的創新性。

二、綠色信貸風險評估體系及模型的構建

（一）樣本選擇

貴州省20家大型企業2015年末相關數據。貴州省20家大型企業經營和財務數據為調查所得，其他數據來源于當地環保部門公布和銀行業金融機構。

（二）評估指標體系的構建

通過文獻研究及相關分析，我們選取以下指標作為綠色信貸風險評估指標。

一是環保指標。包括：環境變化影響（H1）、環境管理（H2）、節能措施（H3）、“三廢”治理（H4）。

二是財務指標。包括：一是盈利指標[主營業務利潤率（X1）、主營業務成本率（X2）、銷售利潤率（X3）、銷售毛利率（X4）、凈資產回報率（X5）]；二是償債能力[資產負債率（X6）、流動性比率（X7）、速動比率（X8）]；三是營運能力[應收賬款周轉率X9、存貨周轉率X10、流動資產周轉率X11、固定資產周轉率（X12）]；四是現金流量[現金流量比率（X13）、經營現金流量對銷售收入比率（X14）]；5企業規模[總資產（X15）、營業收入（X16）、凈利潤（X17）]。

三是非財務指標。包括歷史信用（M1）、行業前景（M2）、貸款方式（M3）等。

（三）評估指標的篩選

1.用網絡分析法（ANP）計算環保指標和非財務指標的權重。構建判斷矩陣C和超級矩陣W，再進行歸一化處理得出加權矩陣B。加權矩陣B與超矩陣W相乘得到加權超矩陣W=BW，對加權超矩陣進行極限運算，得到極限超矩陣。

最后得權重分別為：H1的權重為0.4113，H2的權重為0.3098，H3的權重為0.0991，H4的權重為0.1798。M1的權重為0.4131，M2的權重為0.1862，M3的權重為0.4007。得出環保指標和非財務指標的權重后，再對貴州省20家大型企業2015年年報逐一進行分析，通過打分確定環保指標與非財務指標的最終得分。

2.財務指標的設計。第一步，對前文表1選取17個財務指標進行正態檢驗，由于本文樣本量偏小，這里采取Shapiro-Wilk檢驗的方法。計算結果表明，固定資產周轉率、經營現金流對銷售收入比率、總資產等三個指標的P值大于0.05，接受原假設，這三個指標服從正態分布，其他指標不服從正態分布。第二部，對17個財務指標進行顯著性檢驗，這里采用T檢驗的方法。計算結果表明，Shapiro-Wilk檢驗中服從正態分布的固定資產周轉率、經營現金流對銷售收入比率、總資產等三個指標通過了T檢驗。由第一、二步可知，17個財務指標均需保留。第三步，按未分配利潤為正值和負值將20家大型企業分為兩類，對其進行Mann-whitney U檢驗。計算結果表明，X1，X2，X3，X4，X6，X7，X8通過了Mann-whitney U檢驗，未通過檢驗的，說明未分配利潤為正值和負值的兩類企業的這些指標不存在顯著性差異，在之后的分析中應剔除。endprint

3.綠色信貸風險指標的進一步篩選（基于因子分析法）。上文從環保指標、非財務指標、財務指標的24個二級指標中共篩選出14個指標，但這些指標之間有一定的相關性，需要通過因子分析法獲取較少變量替代這14個變量。運用spss進行因子分析，得出碎石圖如下：

上圖為碎石圖，橫坐標表示成分數，縱坐標表示特征值。由圖可以看出，在第六個特征值之后，特征值趨于平穩，因此，只需提取六個因子就可以對原變量的信息進行描述。

根據相關數據計算出解釋總方差，運用最大極值法進行旋轉，得出因子的特征根值、貢獻率以及累積貢獻率。選取特征值大于1的六個因子（其特征值累積貢獻率超過70%即可），生成旋轉成份矩陣如下：

由旋轉成份矩陣可以看出，f1主要由主營業務利潤率（X1）、主營業務成本率（X2）、銷售毛利率（X4）、資產負債率（X6）、流動性比率（X7）、速動比率（X8）決定；f2主要由歷史信用（M1）、行業前景（M2）決定；f3主要由環境管理（H2）、“三廢”治理（H4）決定；f4主要由環境變化影響（H1）決定；f5主要由貸款方式（M3）決定；f6主要由節能措施（H3）、銷售利潤率（X3）決定。

根據各個主成分因子的方差貢獻率占積累方差貢獻率的比重權重計算出綜合得分，其公式為：

F=0.2916f1+0.1224f2+0.1067f3+0.0801f4+0.0698f5+0.0691f6

三、綠色信貸風險等級的確定（基于“3σ”準則）

根據我國信貸風險等級的劃分，本文將綠色信貸風險等級分為超高風險（R4）、高風險（R3）、中等風險（R2）、低風險（R1）、無風險（R0）等五級。采用“3σ”準則（拉依達準則）進行確定。

設貴州省綠色信貸風險等級得分F的均值為μ，標準差為σ，經計算得出：μ=0.0896，σ=0.0473。我們將μ+σ作為無風險和低風險的臨界點，將μ+3σ作為低風險和中等風險的臨界點，將μ-3σ作為高風險和超高風險的臨界點，如下表所示：

由上述分析可得20家企業歸一化處理后的綠色信貸風險F得分與風險等級對應表，如下：

四、基于BP神經網絡的綠色信貸風險評估實證分析

此處采用三層神經網絡模型，輸入值為前文以因子分析法得出的六個綜合指標經標準化后的數據，輸出值為信貸得分F落在的風險區間。運用MATLAB軟件，從20家企業中抽取12家企業為樣本進行訓練，結果如下：

由表5可知，12個訓練樣本的準確率達到83.33%，準確率較高。

利用訓練樣本的路徑對余下8個樣本進行測試，結果如下：

由表6可知，8個測試樣本的準確率為62.50%，準確率較低的原因是測試樣本的數量較少。

綜上所述，BP網絡神經模型對銀行業金融機構綠色信貸風險的評估有較好的實用性。

五、防范綠色信貸風險的政策建議

（一）政府及各相關部門層面

一是地方政府、人民銀行、環保及監管部門需建立綠色信貸相關信息共享平臺，通過信息披露、信用評級等方式，實現綠色信貸信息共享，降低各參與方信息成本和風險。二是構建支持綠色信貸的政策體系，完善綠色信貸統計制度，推動銀行業建立綠色評價機制，加強綠色信貸實施情況監測評價，將綠色信貸納入央行MPA框架。三是通過稅收、財政協同等機制，形成支持綠色信貸業務的激勵機制和抑制“兩高一剩”行業貸款的約束機制。

（二）銀行業金融機構層面

一是要根據國家經濟環境政策和產業政策，對從事綠色經營生產和制造的企業實行優惠貸款政策，為其建立綠色信貸通道，簡化信貸審批流程，取消不合理收費，加快研發針對綠色經濟發展的創新性金融產品，推動綠色環保項目建設。二是建立行之有效的綠色信貸績效考核體系，引導信貸資金支持綠色經濟的發展。三是將企業環境違法違規信息等企業環境信息納入金融信用信息基礎數據庫，作為對企業發放貸款的依據之一。

（三）企業層面

一是樹立環保意識，明確環境責任，制定“誰污染、誰治理”的嚴格問責制度。二是利用技術、管理手段對生產全流程進行排污改造和產業結構升級，推行綠色生產，提供綠色產品，實現經濟價值和社會價值的和諧統一。三是推行綠色營銷戰略，在營銷過程中堅持綠色理念，產品實行綠色包裝，重視綠色促銷，制定綠色價格，選擇綠色渠道，樹立綠色形象等。

參考文獻

[1]Bert Scholtens，Lammertjan Dam.Banking on the Equator Are Banks that Adopted the Equator Principles Different from Non-Adopters[J].World Development，2009（01）.

[2]Sonia Labatt， Rodney R White.Environmental Finance [M].New YorkrJohn Wiley and Sons，2002.

[3]Luisa Montes.Financing Sustainable Developmentin Mexico Through Alternative Banks or Green Banks[J].Journal of Project Finance.1998（4）.

[4]MathsLimdgren and Bino Catasus.The Banks' Impact on The Natural Environment-On The Space between “what is” And ‘Svhat if[J].Business Strategy and The Environment^186-195（2000）.endprint

[5]韓立巖，王臻.綠色信貸發展的國際比較與啟示[J].國際經濟合作，2014（02）.

[6] 胡海青，張瑯，張道宏.供應鏈金融視角下的中小企業信用風險評估研究—基于SVM與BP 網絡神經模型的比較研究.管理評論，2012（11）.

[7]胡濤，趙穎臻，周李煥，Denise Leung.對外投資中的環境與社會影響案例研究：國際經驗與教訓[M].華盛頓：世界資源研究所，2013.

[8]胡旭華，吉敏.基于BP神經網絡的銀行信貸風險評價[J].統計與決策，2009（11）.

[9]Jensen Herbert.Using Neural Networks for Credit Scoring.Management Finance，2011.

[10]梁琪，黃鸝皎.我國商業銀行信貸風險管理體系構建探索[J].南開經濟研究，2002（06）.

[11]劉傳巖.中國綠色信貸發展問題探究[J].稅務與經濟，2012（01）.

[12]龍衛洋，季才留.基于國際經驗的商業銀行綠色信貸研究及對中國的啟示[J].經濟體制改革，2013（03）.

[13]Marcel Jeucken.Sustainable Finance and Banking[M].London：Earths can Publications Ltd，2011（05）.

[14]馬駿，施娛，姚斌.綠色金融政策及在中國的運用[J].新金融評論，2014（02）.

[15]馬秋君，劉文娟.基于綠色信貸風險評價體系改進研究——基于長江三角洲調查[J].經濟視角，2013（09）.

[16]施若.試析貴陽市綠色金融發展中存在的問題及對策[J].中國集體經濟，2014（33）.

[17]王創，嚴綱.信用風險度量的CreditMetrics與KMV模型的比較研究[J].時代金融，2012（12）.

[18]張子瑛.基于Elman神經網絡的商業銀行信貸風險識別及評估模型[J].科技和產業，2008（08）.

作者簡介：蘆榕（1971-），女，漢族，四川巴縣人，經濟師，研究方向：金融穩定、外匯管理。endprint