商業銀行整體信用風險評估

趙正東

（長春理工大學，吉林長春，130022）

一、引言

信用風險在銀行業的風險中占有特殊的地位，它是銀行業乃至整個金融業最主要的風險。總體來說，對信用風險研究分類可以采取兩分法即將信用風險管理模型分為傳統型和現代型。傳統方法主要是指信用評分方法，該方法是對反映借款人經濟狀況或影響借款人信用狀況的若干指標賦予一定權重，通過某些特定方法得到信用綜合分值或違約概率值。目前，由于這類模型方法簡便、成本低、應用效果佳，因此應用十分廣泛。近年來，傳統模型得到了進一步的擴展和完善，有些新模型的思想正是源于這些傳統模型，如M.Doumpos，Kosmidou用一個多指標、分層次的方法（M.H.DIS）對信用風險進行評估。Giuseppe Paleologo et al建立一個在評估客戶信用方面比回歸分析框架更實用的方法。20世紀90年代中后期，開始涌現出更加完善的現代模型。目前，國際上最著名的現代模型有Credit Metrics、KMV、Credit Risk+、Credit Portfolio View 等模型。［1］Michel Crouhy 和 Dan Galai對上述四個模型進行了比較詳盡的比較分析，且演示了各個模型的應用過程。曹道勝，何明升和章政等人對上述四個典型的現代信用模型進行了介紹、比較和分析，指出這四個模型都對我國商業銀行信用風險的管理有一定的借鑒意義，但是并不能直接適用于我國。［2-3］

傳統模型多以線性關系計量，且缺乏一定的金融理論基礎，所以其準確性和適用性得到了限制。伴隨著現代模型的出現，銀行業開始注重全面風險管理，傳統的將每一筆貸款的風險控制在可承受范圍內的方法已不能完全有效地控制銀行的整體信用風險。所謂銀行的整體信用風險，不是指某一項貸款或某一貸款組合的信用風險，而是指銀行各個方面作為一個整體所面臨的信用風險的大小。現有研究中，無論是傳統模型還是現代模型，絕大多數都將研究集中于對銀行貸款客戶信用風險大小的研究，而鮮有從整體上考察銀行所面臨的信用風險的大小。

當前我國商業銀行信用風險評估多是通過對一筆貸款或貸款組合的信用風險狀況進行評估。但是，商業銀行所面臨的信用風險，不僅僅是由其貸款客戶的信用狀況影響的，還受到銀行自身狀況和宏觀、中觀層面的因素影響，這些因素共同影響銀行整體的信用風險。銀行整體信用風險大小的評估，是對銀行所承擔的信用風險的全面考察，是衡量商業銀行安全經營的關鍵指標。為彌補現有研究的不足，本文對銀行整體信用風險的評估方法進行了探索。而評估銀行整體的信用風險，就要全面考察影響銀行信用風險的因素，本文將從宏觀、中觀、微觀三個層面上對銀行整體信用風險的影響因素進行分析。

二、信用風險影響因素分析

（一）宏觀層面因素分析

近幾年來，關于宏觀經濟因素與銀行信用風險的研究開始逐漸變多。直觀上來講，良好的宏觀經濟形勢會降低企業的違約風險。宏觀層面的影響因素可以分為兩大類，一類是宏觀經濟狀況，一類是相關的政策。

1.GDP的增長率是衡量宏觀經濟狀況的重要指標。GDP增長率越高，說明國家的宏觀經濟形勢良好，企業的違約率較低，因此銀行整體的信用風險也會降低。通貨膨脹率較低，說明宏觀經濟比較穩定。反之，通貨膨脹率升高，表明企業經營的不確定性增加，銀行的信用風險增加。失業率的高低和所處的經濟周期都與銀行的信用風險大小有關系。譚燕芝等人的實證表明，中國的銀行信用風險水平與失業率呈現顯著的負相關關系［4］。在經濟周期的不同階段，企業的平均違約概率不同，銀行所承擔的信用也不同。隨著我國金融開放度的不斷提高，國際金融環境的穩定性也會對我國商業銀行的信用風險造成影響。

2.相關政策方面。貨幣政策、財政政策和其他的調控政策都會影響到銀行的信用風險水平。貨幣政策包括央行對利率、法定準備金、貨幣供應量、存貸利差等的調控。利率的高低直接影響著企業的融資成本和銀行的借貸，所以利率會影響銀行的信用風險。存貸利差用來衡量銀行依賴傳統盈利模型的程度。傳統的盈利模式下銀行的信用風險較小，但是利潤也較小。貨幣供應量的變化可以用M2的增長率來表示。一般來說，M2增長率與銀行信用風險正相關。財政政策包括國家稅收政策和財政支出政策。財政支出政策影響社會的需求總量和投資，稅收政策影響到與之相關的行業的利潤水平，這些因素進一步影響到銀行的信用風險。

（二）中觀層面因素分析

中觀層面的因素，主要是指行業因素，區域因素和一些關鍵行業的變動對銀行信用風險的影響。針對具體行業，表征行業特征的有行業利潤率、行業違約率，行業產量的增長率、行業景氣指數等行業變量。通過數據分析發現，很多行業變量與整體宏觀經濟高度相關。因此在模型變量選擇時，應盡量選出那些能夠反映行業自身特點的行業變量。考慮到銀行整體信用風險的特殊性，行業因素主要考慮銀行的行業地位、借款人的行業地位和銀行的行業景氣指數這三類。

區域因素包括區域經濟發展水平和區域經濟發展速度。區域經濟狀況會對在該區域的企業經營產生影響，因而會影響到銀行的信用風險。在考慮地區的影響因素的時候，我們考慮到當國家的整體宏觀經濟表現良好的時候，通常這時候各個省份的總體增長也會表現出不同程度的良好態勢，所以地區的變量和國家宏觀變量有很強的相關性。

與關鍵行業聯動的因素是指某些關鍵行業的變動會引起其他行業的聯動效應。這樣的行業主要包括房地產行業、石油行業和鋼鐵行業。房地產行業的狀況直接關系到整個金融體系的安全性，而房地產是否存在泡沫、泡沫的嚴重程度和銀行的信用風險高度相關。石油和鋼鐵價格在很大程度上影響著工業企業的成本，通過一些路徑的傳導，最終對整個國民經濟產生影響，因此也影響著銀行的信用風險。

（三）微觀層面因素分析

無論是宏觀經濟狀況和政策，還是中觀的行業和區域因素，都是影響銀行信用風險的外部因素。而微觀層面的因素，在所有影響銀行信用風險的因素中，是最基礎和核心的。微觀層面的因素包括銀行自身基本素質、銀行財務狀況和銀行貸款客戶的因素。

銀行自身的基本素質包括銀行的管理水平、技術裝備水平、職工素質和發展能力等。銀行管理層的素質和能力是推動銀行發展的關鍵因素，直接影響到銀行化解風險的能力以及盈利能力。職工的素質影響著貸款的各個環節的質量，包括貸前的篩選和貸后的控制。銀行的技術裝備水平是指銀行的信息化、技術化程度。技術裝備水平高的銀行在數據庫建設方面、業務的運營上有較好的表現，能降低銀行的信用風險。銀行的發展能力是銀行成長性的指標。發展能力強的銀行在信用風險上一般控制的較好。

在銀行財務狀況的指標選取上，參考CAMEL評級體系［10］，并考慮我國銀行業的特點，從以下幾方面考慮：第一，資本充足性指標；資本是商業銀行抵御風險的最后防線，也是銀行保護債權人利益的最后屏障，這是國際上通行的表明銀行健康狀況的指標。第二，資產質量指標；資產質量的高低直接影響著銀行的盈利和支付能力，對銀行的安全有著十分重要的意義。第三，盈利能力指標；盈利狀況是銀行經營的最終成果反映，直接關系到銀行的經營效果和抵御風險的能力。第四，流動性指標；流動性風險是商業銀行面臨的最直接的風險，保持適當的流動性對于銀行穩健經營具有舉足輕重的作用。

銀行貸款客戶的因素，是指銀行的貸款客戶的信用風險。由于一個銀行的貸款客戶數量龐大，不能一一地考察每一個貸款企業的微觀狀況，所以考察貸款質量等級和相應等級的貸款違約率，這兩個指標能夠共同反映出一項貸款的風險。經過計算，可以得出整個貸款組合的預期損失和非預期損失，來表示組合的信用風險的大小。

三、銀行整體信用風險建模

（一）銀行整體信用風險分析框架

銀行的整體信用風險是指銀行各個方面作為一個整體所面臨的信用風險的大小。對銀行整體信用風險大小進行評估，更能全面地體現一個銀行的風險管理水平。為彌補銀行整體信用風險這方面研究的不足，本文提出一個分析銀行整體信用風險的框架，建立一個兩階段混合模型，全面考察銀行的信用風險。銀行整體信用風險的研究框架如圖1所示。

圖1 銀行整體信用風險分析框架

銀行整體信用風險研究的兩階段模型，是將Credit Risk+模型和DEA模型相結合得到的。第一階段，運用Credit Risk+模型原理算出貸款組合的預期損失率和非預期損失率；第二階段，將其他層面的影響信用風險因素的指標和第一階段得到的兩個指標代入重新定義的DEA模型中，獲得銀行整體信用風險得評分。

（二）兩階段模型的構建過程

1.DEA方法的應用

全面反映銀行信用風險大小的建模，就要將宏觀、中觀和微觀層面的因素考慮到模型中。目前我國銀行還沒有采用合適的方法全面度量銀行信用風險的大小，所以由于數據的缺失，不宜采用線性計量的方法來建模。數據包絡法（DEA方法）不需要反映輸入輸出變量關系的顯式表達式，也不必事先確定權數，所以這一方法彌補了歷史數據缺乏的不足，可以用來評估銀行全面信用風險的大小。

傳統的DEA模型建立在經典的系統理論上，但是這個系統原理并不適合用來直接評估信用分數。傳統的DEA模型需要產出數據，這不能在信用評分過程中獲得，這是因為輸出是需要通過測量銀行信用風險管理的成果而得到的，而信用分數是要評估銀行整體信用風險得大小，是在測量信用風險管理成果之前獲得的，因此需要重新定義投入與產出。DEA的基本原理是盡可能的使產出與投入的比值最大化，這就是說，產出越多（或者投入越少），這個比值越大，反之亦然。因此產出應該是一種能夠有利于提高分數的指標，于是，這些投入與產出的定義便實現了用DEA來分析信用評分的方法。我們可以選取這樣一些指標，他們的數值越大，決策單元信用風險管理水平越高，即銀行所面臨的違約概率越小，把這些指標作為產出；相反，再選取一些指標，他們的數值越小，越有利于決策單元，作為投入，把這兩類指標分別按照投入產出代入DEA模型之中便得到了每個決策單元的信用分數，即作為決策單元的信用分數。

綜上所述，DEA方法運用于信用評分的主要思想是：首先把每一個待評估的銀行看成是一個決策單元（DMU），其次是找出決定DMU信用水平的指標，分析這些指標是如何影響信用水平的，即判斷指標越大，DMU信用越好，還是指標越小，DMU信用越好，把越小越好的作為輸入變量，把越大越好的作為輸出變量，最后是選擇DEA模型，將指標代入其中，這樣就能得到每一個DMU的有效性的相對位置，即信用水平的排序。

評估銀行整體信用風險的大小，需要將每個待評估銀行看做一個決策單元，將影響每個銀行信用風險大小的各層面的因素指標代入DEA模型中。在微觀層面上，銀行信用風險的大小既直接受貸款客戶風險大小的影響，也和銀行自身的情況相關。要科學地反映銀行整體信用風險，需要度量出銀行全部貸款的風險，將其作為微觀指標代入DEA模型中。國外信用風險管理的現代模型能夠用來計量貸款組合的風險，結合我國目前的情況來看，Credit Risk+模型要求輸入的數據較少，只要求敞口數據以及違約率數據，所以比其他現代模型在我國的適用性更強。運用Credit Risk+模型，可以評估出銀行貸款組合的信用風險大小。

2.Credit Risk+模型的應用

模型假設：

在某一時期（本文確定為一年）內違約概率不變；

對于一個貸款組合而言，每一筆貸款的違約概率很小；

對于眾多的債務人而言，每一筆貸款的違約概率相互獨立。

模型計算步驟：

（1）頻段劃分

EA代表每一個債務人調整后的風險敞口，定義一個合適的離散常量ΔL，vA=EA/ΔL取算式結果的整數部分。PA表示每一個債務人在一個時間段內（通常是1年）的平均違約概率。債務人A的違約由隨機變量NA來表示，NA取整數。（注意這在理論上表明，多重違約可能發生。）因此一個組合的全部損失可以用整數變量表示為

（2）組合的損失分布

組合的損失分布由概率生成函數（pgf）計算而來，概率生成函數定義如下：

P(L=n)表示損失L=n時的概率。

由于假設組合敞口是彼此獨立的，敞口區間也應該是彼此獨立的。因此，組合損失的概率生成函數可以表示為各敞口區間概率損失函數的乘積，即：

同一敞口規模可以表示：

則總的違約損失為：

對上式進行泰勒展開，用An表示損失為nxL的概率，則有：

由此可以進一步得出遞歸關系式：

遞歸關系的第1項，即起點概率A（0）的值，此時表示的是沒有損失發生的概率：

由此得到貸款組合的損失分布，進一步可以計算得到非預期損失值。

四、實證分析

按照對商業銀行信用風險的建模，實證分為兩步進行。第一步是運用credit risk+模型的思想，求出能在很大程度上表示銀行信用風險大小的指標預期損失率和非預期損失率。第二步是運用DEA方法，將上一步求出的指標值作為投入指標，將銀行的綜合素質評分、銀行業景氣指數和銀行家信心指數作為產出指標，算出各個銀行的信用評分。

（一）研究對象及數據來源

實證對象為五家大連地區的分行，實證所需數據來源于大連市銀監會，其中有些數據涉及到行業機密，因此在研究中將具體銀行的名稱隱去，以字母代表。研究的樣本數據為2008年末和2009年末的貸款情況，不包括貼現業務。混合模型的第二階段使用DEA模型，如果DMU（決策單元）即待評估銀行個數過少的話，會使方法失效或有較大誤差，所以評估5個銀行在兩個年度的不同信用風險狀況，即將待評估對象擴展為10個。這樣，一方面因擴大樣本容量使DEA評估的結果更準確，另一方面，對銀行不同年度信用風險的評估，可以反映宏觀因素和中觀因素對銀行信用風險的影響。

（二）違約概率的估計

四大國有商業銀行及大部分股份制商業銀行已經建立了客戶評級系統，根據債務人的信用評級與違約概率之間的映射關系，可以確定2008年末和2009年末這兩個時點的各債務人的違約概率。實證所使用的貸款數據都有信用評級和違約概率之間的對應關系。

（三）違約損失率的估計

采用各分行2002～2007年五年間的平均違約損失率作為各分行違約損失率的估計值。違約損失率由銀行實際違約損失額除以不良貸款額得到。由于各銀行的歷史問題及不同的信貸管理風格，各家銀行的違約損失率差異很大。

（四）第一階段計算結果

按照credit risk+模型原理，運用matlab編程得到銀行貸款組合的損失分布。由于篇幅的限制，本文沒有列出各銀行2008年的損失分布，僅列出2009年各銀行損失分布，如下列各圖所示。

圖2 A行、B行09年貸款組合違約損失分布圖

圖3 C行、D行09年貸款組合違約損失分布圖

圖4 E行09年貸款組合違約損失分布圖

從各銀行的損失分布圖可以看出，它們都呈現出偏峰厚尾的特征，這與現有信用風險中貸款損失分布的研究結論是一致的。其中，E行由于貸款的筆數不是很多，所以這一規律沒有其他四個銀行體現的明顯。由貸款組合的損失分布可以得到一定置信水平下銀行貸款組合的最大損失，即VaR（α），α為置信水平。根據巴塞爾委員會的文件規定，非預期損失=一定容忍度下的最大損失-預期損失。本文在99.5%的置信水平下，計算得到貸款組合的預期損失和非預期損失。將預期損失和非預期損失分別除以貸款總額，得到各銀行貸款組合的預期損失率及非預期損失率，計算結果如表1和表2所示。

表1 各銀行貸款預期損失率

表2 各銀行貸款非預期損失率

從表1和表2的結果可以看出，每個銀行的預期損失率與其非預期損失率相差不是很大，因為非預期損失是圍繞預期損失而波動。各銀行之間的預期損失率與非預期損失率差異較大，主要原因在于各個銀行的違約損失率差異較大，其次是各個銀行每個信用等級的貸款比例不同。

（五）信用評分及排名

宏觀層面的指標，選取能夠反映整體經濟狀況的指標，即GDP增長率。但GDP增長率不是銀行自身的指標，不宜應用到銀行作為決策單元的DEA模型中。本文選取銀行家信心指數這一指標代替GDP增長率，它既能反映銀行家對宏觀經濟的判斷，又能有效解決上述存在的問題。中觀層面的指標，選取能夠反映整個行業狀況的指標，即銀行業景氣指數。微觀層面的指標，選取上一步獲得的預期損失率和各銀行的綜合素質狀況這一定性指標。在模型計算過程中，要將定性指標轉化為定量指標。轉化的方法采取專家打分法。

銀行家信心指數，2008年的平均值為34.63，2009年的平均值為47.78。銀行業景氣指數，2008年的平均值為68，2009年的平均值為65.83。 通過專家打分法，滿分為100分，各銀行獲得的分數為：A行88分，B行75分，C行85分，D行80分，F行78分。

貸款組合預期損失率和貸款組合非預期損失率的數值越小，表明銀行信用風險管理水平越高，銀行得到的信用評分就越高，即銀行遭受違約的損失程度越低，所以這兩項應作為DEA信用評分模型的投入指標；銀行的綜合素質評分、銀行業景氣指數和銀行家信心指數這三項指標值越高，越有利于銀行信用評分的提升，所以這三項作為DEA信用評分模型的產出指標。輸入DEA模型中的各項指標數據如表3所示：

表3 輸入DEA模型中的各項指標數據

將上述指標的數據代入DEA模型中，運用deap軟件，得出的結果和排名如表4。

從上述結果可以看出，除E行外，其他銀行2009年的信用評分都比其2008年的信用評分高，表明銀行信用風險的大小受宏觀形勢和中觀狀況的影響。C行和E行兩年的信用排名都很靠前，原因在于C行和E行的預期損失和非預期損失明顯比其他銀行要低，說明銀行整體信用風險的大小受貸款情況的影響非常大。A行08和B行08兩個待評估對象的貸款預期損失率和非預期損失率的差異不大，所面臨的宏觀和中觀因素也相同，A行08比B行08的信用評分高的評估結果說明，銀行的綜合素質水平越高，其信用評分越高，所面臨的信用風險就越小。

表4 各銀行信用評分及排名

通過實證應用兩階段混合模型所得的銀行整體信用評分的排名，與大連市銀監會內部對各銀行信用風險評估的排名是一致的，說明本文構建的兩階段混合模型能夠有有效地評估商業銀行的整體信用風險。由于涉及到行業機密，上述排名的銀行名稱不能公布。

五、研究結論

商業銀行信用風險的大小，受到各個層面因素的影響。對商業銀行信用風險進行評估時，除了要考察微觀層面的因素，還要考慮到宏觀層面的因素和中觀層面的因素對銀行整體信用風險大小的影響。本文提出的兩階段混合模型，既從微觀上詳細、具體地考察了信用風險的大小，又全面地考慮了影響銀行信用風險的各層面因素。該模型的第一階段考慮了每一項貸款的信息，所得結果全面地反映了整個貸款組合的風險水平；模型的第二階段得出銀行的信用評分及相對排名，有利于銀行管理者和監管者對銀行信用風險絕對水平和相對水平的把握。

在對兩階段混合模型的實證結果表明，該模型可以有效地運用到對我國商業銀行信用風險的評估中。從實證的結果來看，我國商業銀行間信用風險大小的差異主要是貸款損失率造成的，所以銀行應該注重貸款發放的條件審核和貸后的風險管理。為了獲得更準確的評估結果，各銀行應該進一步加強數據庫的建設。

本文的研究是對銀行整體信用風險評估的一個嘗試，彌補了這方面研究的不足。但是研究還存在著一些不足之處。首先是對銀行整體信用風險的定義，由于還沒有權威的定義出現，筆者根據研究的需要給出了這一定義，其科學性和內涵還有待進一步完善。其次是將DEA模型運用到信用評分中，應該根據實際需要進一步改進模型，對指標的權重予以約束，這也是進一步的研究方向。

［1］葉蜀君.信用風險的博弈分析與度量模型［M］.北京：中國經濟出版社，2008.

［2］曹道勝，何明升.商業銀行信用風險模型的比較及其借鑒［J］.金融研究，2006，（10）:90-97.

［3］章政，田侃，吳宏.現代信用風險度量技術在我國的應用方向研究［J］.金融研究，2006（7）:71-77.

［4］譚燕芝，張運東.信用風險水平與宏觀經濟變量的實證研究——基于中國、美國、日本部分銀行的比較分析［J］.國際金融研究，2009（4）:48-56.