赵正东

（长春理工大学，吉林长春，130022）

一、引言

信用风险在银行业的风险中占有特殊的地位，它是银行业乃至整个金融业最主要的风险。总体来说，对信用风险研究分类可以采取两分法即将信用风险管理模型分为传统型和现代型。传统方法主要是指信用评分方法，该方法是对反映借款人经济状况或影响借款人信用状况的若干指标赋予一定权重，通过某些特定方法得到信用综合分值或违约概率值。目前，由于这类模型方法简便、成本低、应用效果佳，因此应用十分广泛。近年来，传统模型得到了进一步的扩展和完善，有些新模型的思想正是源于这些传统模型，如M.Doumpos，Kosmidou用一个多指标、分层次的方法（M.H.DIS）对信用风险进行评估。Giuseppe Paleologo et al建立一个在评估客户信用方面比回归分析框架更实用的方法。20世纪90年代中后期，开始涌现出更加完善的现代模型。目前，国际上最著名的现代模型有Credit Metrics、KMV、Credit Risk+、Credit Portfolio View 等模型。［1］Michel Crouhy 和 Dan Galai对上述四个模型进行了比较详尽的比较分析，且演示了各个模型的应用过程。曹道胜，何明升和章政等人对上述四个典型的现代信用模型进行了介绍、比较和分析，指出这四个模型都对我国商业银行信用风险的管理有一定的借鉴意义，但是并不能直接适用于我国。［2-3］

传统模型多以线性关系计量，且缺乏一定的金融理论基础，所以其准确性和适用性得到了限制。伴随着现代模型的出现，银行业开始注重全面风险管理，传统的将每一笔贷款的风险控制在可承受范围内的方法已不能完全有效地控制银行的整体信用风险。所谓银行的整体信用风险，不是指某一项贷款或某一贷款组合的信用风险，而是指银行各个方面作为一个整体所面临的信用风险的大小。现有研究中，无论是传统模型还是现代模型，绝大多数都将研究集中于对银行贷款客户信用风险大小的研究，而鲜有从整体上考察银行所面临的信用风险的大小。

当前我国商业银行信用风险评估多是通过对一笔贷款或贷款组合的信用风险状况进行评估。但是，商业银行所面临的信用风险，不仅仅是由其贷款客户的信用状况影响的，还受到银行自身状况和宏观、中观层面的因素影响，这些因素共同影响银行整体的信用风险。银行整体信用风险大小的评估，是对银行所承担的信用风险的全面考察，是衡量商业银行安全经营的关键指标。为弥补现有研究的不足，本文对银行整体信用风险的评估方法进行了探索。而评估银行整体的信用风险，就要全面考察影响银行信用风险的因素，本文将从宏观、中观、微观三个层面上对银行整体信用风险的影响因素进行分析。

二、信用风险影响因素分析

（一）宏观层面因素分析

近几年来，关于宏观经济因素与银行信用风险的研究开始逐渐变多。直观上来讲，良好的宏观经济形势会降低企业的违约风险。宏观层面的影响因素可以分为两大类，一类是宏观经济状况，一类是相关的政策。

1.GDP的增长率是衡量宏观经济状况的重要指标。GDP增长率越高，说明国家的宏观经济形势良好，企业的违约率较低，因此银行整体的信用风险也会降低。通货膨胀率较低，说明宏观经济比较稳定。反之，通货膨胀率升高，表明企业经营的不确定性增加，银行的信用风险增加。失业率的高低和所处的经济周期都与银行的信用风险大小有关系。谭燕芝等人的实证表明，中国的银行信用风险水平与失业率呈现显著的负相关关系［4］。在经济周期的不同阶段，企业的平均违约概率不同，银行所承担的信用也不同。随着我国金融开放度的不断提高，国际金融环境的稳定性也会对我国商业银行的信用风险造成影响。

2.相关政策方面。货币政策、财政政策和其他的调控政策都会影响到银行的信用风险水平。货币政策包括央行对利率、法定准备金、货币供应量、存贷利差等的调控。利率的高低直接影响着企业的融资成本和银行的借贷，所以利率会影响银行的信用风险。存贷利差用来衡量银行依赖传统盈利模型的程度。传统的盈利模式下银行的信用风险较小，但是利润也较小。货币供应量的变化可以用M2的增长率来表示。一般来说，M2增长率与银行信用风险正相关。财政政策包括国家税收政策和财政支出政策。财政支出政策影响社会的需求总量和投资，税收政策影响到与之相关的行业的利润水平，这些因素进一步影响到银行的信用风险。

（二）中观层面因素分析

中观层面的因素，主要是指行业因素，区域因素和一些关键行业的变动对银行信用风险的影响。针对具体行业，表征行业特征的有行业利润率、行业违约率，行业产量的增长率、行业景气指数等行业变量。通过数据分析发现，很多行业变量与整体宏观经济高度相关。因此在模型变量选择时，应尽量选出那些能够反映行业自身特点的行业变量。考虑到银行整体信用风险的特殊性，行业因素主要考虑银行的行业地位、借款人的行业地位和银行的行业景气指数这三类。

区域因素包括区域经济发展水平和区域经济发展速度。区域经济状况会对在该区域的企业经营产生影响，因而会影响到银行的信用风险。在考虑地区的影响因素的时候，我们考虑到当国家的整体宏观经济表现良好的时候，通常这时候各个省份的总体增长也会表现出不同程度的良好态势，所以地区的变量和国家宏观变量有很强的相关性。

与关键行业联动的因素是指某些关键行业的变动会引起其他行业的联动效应。这样的行业主要包括房地产行业、石油行业和钢铁行业。房地产行业的状况直接关系到整个金融体系的安全性，而房地产是否存在泡沫、泡沫的严重程度和银行的信用风险高度相关。石油和钢铁价格在很大程度上影响着工业企业的成本，通过一些路径的传导，最终对整个国民经济产生影响，因此也影响着银行的信用风险。

（三）微观层面因素分析

无论是宏观经济状况和政策，还是中观的行业和区域因素，都是影响银行信用风险的外部因素。而微观层面的因素，在所有影响银行信用风险的因素中，是最基础和核心的。微观层面的因素包括银行自身基本素质、银行财务状况和银行贷款客户的因素。

银行自身的基本素质包括银行的管理水平、技术装备水平、职工素质和发展能力等。银行管理层的素质和能力是推动银行发展的关键因素，直接影响到银行化解风险的能力以及盈利能力。职工的素质影响着贷款的各个环节的质量，包括贷前的筛选和贷后的控制。银行的技术装备水平是指银行的信息化、技术化程度。技术装备水平高的银行在数据库建设方面、业务的运营上有较好的表现，能降低银行的信用风险。银行的发展能力是银行成长性的指标。发展能力强的银行在信用风险上一般控制的较好。

在银行财务状况的指标选取上，参考CAMEL评级体系［10］，并考虑我国银行业的特点，从以下几方面考虑：第一，资本充足性指标；资本是商业银行抵御风险的最后防线，也是银行保护债权人利益的最后屏障，这是国际上通行的表明银行健康状况的指标。第二，资产质量指标；资产质量的高低直接影响着银行的盈利和支付能力，对银行的安全有着十分重要的意义。第三，盈利能力指标；盈利状况是银行经营的最终成果反映，直接关系到银行的经营效果和抵御风险的能力。第四，流动性指标；流动性风险是商业银行面临的最直接的风险，保持适当的流动性对于银行稳健经营具有举足轻重的作用。

银行贷款客户的因素，是指银行的贷款客户的信用风险。由于一个银行的贷款客户数量庞大，不能一一地考察每一个贷款企业的微观状况，所以考察贷款质量等级和相应等级的贷款违约率，这两个指标能够共同反映出一项贷款的风险。经过计算，可以得出整个贷款组合的预期损失和非预期损失，来表示组合的信用风险的大小。

三、银行整体信用风险建模

（一）银行整体信用风险分析框架

银行的整体信用风险是指银行各个方面作为一个整体所面临的信用风险的大小。对银行整体信用风险大小进行评估，更能全面地体现一个银行的风险管理水平。为弥补银行整体信用风险这方面研究的不足，本文提出一个分析银行整体信用风险的框架，建立一个两阶段混合模型，全面考察银行的信用风险。银行整体信用风险的研究框架如图1所示。

图1 银行整体信用风险分析框架

银行整体信用风险研究的两阶段模型，是将Credit Risk+模型和DEA模型相结合得到的。第一阶段，运用Credit Risk+模型原理算出贷款组合的预期损失率和非预期损失率；第二阶段，将其他层面的影响信用风险因素的指标和第一阶段得到的两个指标代入重新定义的DEA模型中，获得银行整体信用风险得评分。

（二）两阶段模型的构建过程

1.DEA方法的应用

全面反映银行信用风险大小的建模，就要将宏观、中观和微观层面的因素考虑到模型中。目前我国银行还没有采用合适的方法全面度量银行信用风险的大小，所以由于数据的缺失，不宜采用线性计量的方法来建模。数据包络法（DEA方法）不需要反映输入输出变量关系的显式表达式，也不必事先确定权数，所以这一方法弥补了历史数据缺乏的不足，可以用来评估银行全面信用风险的大小。

传统的DEA模型建立在经典的系统理论上，但是这个系统原理并不适合用来直接评估信用分数。传统的DEA模型需要产出数据，这不能在信用评分过程中获得，这是因为输出是需要通过测量银行信用风险管理的成果而得到的，而信用分数是要评估银行整体信用风险得大小，是在测量信用风险管理成果之前获得的，因此需要重新定义投入与产出。DEA的基本原理是尽可能的使产出与投入的比值最大化，这就是说，产出越多（或者投入越少），这个比值越大，反之亦然。因此产出应该是一种能够有利于提高分数的指标，于是，这些投入与产出的定义便实现了用DEA来分析信用评分的方法。我们可以选取这样一些指标，他们的数值越大，决策单元信用风险管理水平越高，即银行所面临的违约概率越小，把这些指标作为产出；相反，再选取一些指标，他们的数值越小，越有利于决策单元，作为投入，把这两类指标分别按照投入产出代入DEA模型之中便得到了每个决策单元的信用分数，即作为决策单元的信用分数。

综上所述，DEA方法运用于信用评分的主要思想是：首先把每一个待评估的银行看成是一个决策单元（DMU），其次是找出决定DMU信用水平的指标，分析这些指标是如何影响信用水平的，即判断指标越大，DMU信用越好，还是指标越小，DMU信用越好，把越小越好的作为输入变量，把越大越好的作为输出变量，最后是选择DEA模型，将指标代入其中，这样就能得到每一个DMU的有效性的相对位置，即信用水平的排序。

评估银行整体信用风险的大小，需要将每个待评估银行看做一个决策单元，将影响每个银行信用风险大小的各层面的因素指标代入DEA模型中。在微观层面上，银行信用风险的大小既直接受贷款客户风险大小的影响，也和银行自身的情况相关。要科学地反映银行整体信用风险，需要度量出银行全部贷款的风险，将其作为微观指标代入DEA模型中。国外信用风险管理的现代模型能够用来计量贷款组合的风险，结合我国目前的情况来看，Credit Risk+模型要求输入的数据较少，只要求敞口数据以及违约率数据，所以比其他现代模型在我国的适用性更强。运用Credit Risk+模型，可以评估出银行贷款组合的信用风险大小。

2.Credit Risk+模型的应用

模型假设：

在某一时期（本文确定为一年）内违约概率不变；

对于一个贷款组合而言，每一笔贷款的违约概率很小；

对于众多的债务人而言，每一笔贷款的违约概率相互独立。

模型计算步骤：

（1）频段划分

EA代表每一个债务人调整后的风险敞口，定义一个合适的离散常量ΔL，vA=EA/ΔL取算式结果的整数部分。PA表示每一个债务人在一个时间段内（通常是1年）的平均违约概率。债务人A的违约由随机变量NA来表示，NA取整数。（注意这在理论上表明，多重违约可能发生。）因此一个组合的全部损失可以用整数变量表示为

（2）组合的损失分布

组合的损失分布由概率生成函数（pgf）计算而来，概率生成函数定义如下：

P(L=n)表示损失L=n时的概率。

由于假设组合敞口是彼此独立的，敞口区间也应该是彼此独立的。因此，组合损失的概率生成函数可以表示为各敞口区间概率损失函数的乘积，即：

同一敞口规模可以表示：

则总的违约损失为：

对上式进行泰勒展开，用An表示损失为nxL的概率，则有：

由此可以进一步得出递归关系式：

递归关系的第1项，即起点概率A（0）的值，此时表示的是没有损失发生的概率：

由此得到贷款组合的损失分布，进一步可以计算得到非预期损失值。

四、实证分析

按照对商业银行信用风险的建模，实证分为两步进行。第一步是运用credit risk+模型的思想，求出能在很大程度上表示银行信用风险大小的指标预期损失率和非预期损失率。第二步是运用DEA方法，将上一步求出的指标值作为投入指标，将银行的综合素质评分、银行业景气指数和银行家信心指数作为产出指标，算出各个银行的信用评分。

（一）研究对象及数据来源

实证对象为五家大连地区的分行，实证所需数据来源于大连市银监会，其中有些数据涉及到行业机密，因此在研究中将具体银行的名称隐去，以字母代表。研究的样本数据为2008年末和2009年末的贷款情况，不包括贴现业务。混合模型的第二阶段使用DEA模型，如果DMU（决策单元）即待评估银行个数过少的话，会使方法失效或有较大误差，所以评估5个银行在两个年度的不同信用风险状况，即将待评估对象扩展为10个。这样，一方面因扩大样本容量使DEA评估的结果更准确，另一方面，对银行不同年度信用风险的评估，可以反映宏观因素和中观因素对银行信用风险的影响。

（二）违约概率的估计

四大国有商业银行及大部分股份制商业银行已经建立了客户评级系统，根据债务人的信用评级与违约概率之间的映射关系，可以确定2008年末和2009年末这两个时点的各债务人的违约概率。实证所使用的贷款数据都有信用评级和违约概率之间的对应关系。

（三）违约损失率的估计

采用各分行2002～2007年五年间的平均违约损失率作为各分行违约损失率的估计值。违约损失率由银行实际违约损失额除以不良贷款额得到。由于各银行的历史问题及不同的信贷管理风格，各家银行的违约损失率差异很大。

（四）第一阶段计算结果

按照credit risk+模型原理，运用matlab编程得到银行贷款组合的损失分布。由于篇幅的限制，本文没有列出各银行2008年的损失分布，仅列出2009年各银行损失分布，如下列各图所示。

图2 A行、B行09年贷款组合违约损失分布图

图3 C行、D行09年贷款组合违约损失分布图

图4 E行09年贷款组合违约损失分布图

从各银行的损失分布图可以看出，它们都呈现出偏峰厚尾的特征，这与现有信用风险中贷款损失分布的研究结论是一致的。其中，E行由于贷款的笔数不是很多，所以这一规律没有其他四个银行体现的明显。由贷款组合的损失分布可以得到一定置信水平下银行贷款组合的最大损失，即VaR（α），α为置信水平。根据巴塞尔委员会的文件规定，非预期损失=一定容忍度下的最大损失-预期损失。本文在99.5%的置信水平下，计算得到贷款组合的预期损失和非预期损失。将预期损失和非预期损失分别除以贷款总额，得到各银行贷款组合的预期损失率及非预期损失率，计算结果如表1和表2所示。

表1 各银行贷款预期损失率

表2 各银行贷款非预期损失率

从表1和表2的结果可以看出，每个银行的预期损失率与其非预期损失率相差不是很大，因为非预期损失是围绕预期损失而波动。各银行之间的预期损失率与非预期损失率差异较大，主要原因在于各个银行的违约损失率差异较大，其次是各个银行每个信用等级的贷款比例不同。

（五）信用评分及排名

宏观层面的指标，选取能够反映整体经济状况的指标，即GDP增长率。但GDP增长率不是银行自身的指标，不宜应用到银行作为决策单元的DEA模型中。本文选取银行家信心指数这一指标代替GDP增长率，它既能反映银行家对宏观经济的判断，又能有效解决上述存在的问题。中观层面的指标，选取能够反映整个行业状况的指标，即银行业景气指数。微观层面的指标，选取上一步获得的预期损失率和各银行的综合素质状况这一定性指标。在模型计算过程中，要将定性指标转化为定量指标。转化的方法采取专家打分法。

银行家信心指数，2008年的平均值为34.63，2009年的平均值为47.78。银行业景气指数，2008年的平均值为68，2009年的平均值为65.83。 通过专家打分法，满分为100分，各银行获得的分数为：A行88分，B行75分，C行85分，D行80分，F行78分。

贷款组合预期损失率和贷款组合非预期损失率的数值越小，表明银行信用风险管理水平越高，银行得到的信用评分就越高，即银行遭受违约的损失程度越低，所以这两项应作为DEA信用评分模型的投入指标；银行的综合素质评分、银行业景气指数和银行家信心指数这三项指标值越高，越有利于银行信用评分的提升，所以这三项作为DEA信用评分模型的产出指标。输入DEA模型中的各项指标数据如表3所示：

表3 输入DEA模型中的各项指标数据

将上述指标的数据代入DEA模型中，运用deap软件，得出的结果和排名如表4。

从上述结果可以看出，除E行外，其他银行2009年的信用评分都比其2008年的信用评分高，表明银行信用风险的大小受宏观形势和中观状况的影响。C行和E行两年的信用排名都很靠前，原因在于C行和E行的预期损失和非预期损失明显比其他银行要低，说明银行整体信用风险的大小受贷款情况的影响非常大。A行08和B行08两个待评估对象的贷款预期损失率和非预期损失率的差异不大，所面临的宏观和中观因素也相同，A行08比B行08的信用评分高的评估结果说明，银行的综合素质水平越高，其信用评分越高，所面临的信用风险就越小。

表4 各银行信用评分及排名

通过实证应用两阶段混合模型所得的银行整体信用评分的排名，与大连市银监会内部对各银行信用风险评估的排名是一致的，说明本文构建的两阶段混合模型能够有有效地评估商业银行的整体信用风险。由于涉及到行业机密，上述排名的银行名称不能公布。

五、研究结论

商业银行信用风险的大小，受到各个层面因素的影响。对商业银行信用风险进行评估时，除了要考察微观层面的因素，还要考虑到宏观层面的因素和中观层面的因素对银行整体信用风险大小的影响。本文提出的两阶段混合模型，既从微观上详细、具体地考察了信用风险的大小，又全面地考虑了影响银行信用风险的各层面因素。该模型的第一阶段考虑了每一项贷款的信息，所得结果全面地反映了整个贷款组合的风险水平；模型的第二阶段得出银行的信用评分及相对排名，有利于银行管理者和监管者对银行信用风险绝对水平和相对水平的把握。

在对两阶段混合模型的实证结果表明，该模型可以有效地运用到对我国商业银行信用风险的评估中。从实证的结果来看，我国商业银行间信用风险大小的差异主要是贷款损失率造成的，所以银行应该注重贷款发放的条件审核和贷后的风险管理。为了获得更准确的评估结果，各银行应该进一步加强数据库的建设。

本文的研究是对银行整体信用风险评估的一个尝试，弥补了这方面研究的不足。但是研究还存在着一些不足之处。首先是对银行整体信用风险的定义，由于还没有权威的定义出现，笔者根据研究的需要给出了这一定义，其科学性和内涵还有待进一步完善。其次是将DEA模型运用到信用评分中，应该根据实际需要进一步改进模型，对指标的权重予以约束，这也是进一步的研究方向。

［1］叶蜀君.信用风险的博弈分析与度量模型［M］.北京：中国经济出版社，2008.

［2］曹道胜，何明升.商业银行信用风险模型的比较及其借鉴［J］.金融研究，2006，（10）:90-97.

［3］章政，田侃，吴宏.现代信用风险度量技术在我国的应用方向研究［J］.金融研究，2006（7）:71-77.

［4］谭燕芝，张运东.信用风险水平与宏观经济变量的实证研究——基于中国、美国、日本部分银行的比较分析［J］.国际金融研究，2009（4）:48-56.