中国银行业与国际银行业贷款分类比较分析，本文主要内容关键词为：银行业论文,中国银行业论文,贷款论文,国际论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、国际银行业贷款分类方法比较
(一)国际银行业关于贷款风险的分类方法
根据巴塞尔银行业监督委员会的调研报告，目前国际银行界关于贷款风险分类的方法可归为三类：以统计为基础的方法、有限的以专家判断为基础的方法和以专家判断为基础的方法。[1]下面将对这三种方法做简要介绍：
1.以统计为基础的方法。打分卡、信用打分模型、违约模型以及KMV公司的信用经理人模型等，均属于以统计为基础的方法。为构建模型，首先要识别能够反映违约概率的财务变量(如杠杆比率、债务覆盖率等)，并运用历史数据估计每一个变量对违约的影响程度，即变量的系数。然后，将要考察的贷款有关数据输入模型，得出该笔贷款的违约概率，进而得出相对应的贷款等级。这些模型可能是内部开发的，也可能是从外部购买的；一般既包括定量因素(如财务比率)，又包括定性因素，但一般会对定性因素进行标准化处理(如行业、还款记录及管理能力等)。这些模型的输入变量与评级人员在以主观判断为基础进行评级时使用的风险识别因素非常相似。大多数银行将运用统计模型作为评级系统的一部分，或作为监测借款人状况变化和评级准确性的一种方法；只有少数银行将违约概率模型或其他定量方法作为对客户或风险暴露进行分类的惟一标准。以统计为基础的方法对于小公司贷款而言更为适用，也就是说这些方法大多用于一些中小客户，只有少数银行用于大客户。
2.有限的以专家判断为基础的方法。同上述纯粹的自动处理方法相比，有些银行的分类以统计方法为基础，但是允许分类人员对分类结果依据一些判断因素，按照一定的规则，进行一定程度的调整。具体实现方式有两种：一种是首先利用打分模型得出分类结果，然后分类人员对分类结果依据一些判断因素，按照一定的规则，进行一定程度的调整，最后得出最终的分类结果；另一种是将所有要考虑的定量因素和定性因素都分别赋予一个最高的分值，在国际上，用于有效地限制某一具体因素对分类结果的影响程度。有大约20％的银行将这种方法运用于他们的大型客户，另外有大约20％的银行将这种方法运用于他们的中小型客户。运用这种方法的银行在将客户分类结果向上调整的时候比向下调整的时候要谨慎得多。
3.以专家判断为基础的方法。这种方法是依靠专家个人的判断能力对贷款进行分类。有超过一半的银行在对他们的大型客户进行分类时采用这种方法，另外有超过一半的银行在对他们的中小型客户进行分类时采用的也是这种方法。统计模型在这些银行里的作用差异是很大的。一些银行根本就没有统计模型；有些银行利用这些模型提供一个初始的评级结果，该结果可以被评级人员推翻；还有一些银行把这些模型的结果仅仅作为评级的一个考虑因素。总之，采用这种无任何客观约束的专家判断方法，在所有情况下，评级人员在进行评级时有权利偏离统计模型的评级结果。
在实践中，上述三种方法的区别并不是非常的明显，原因有三：其一，即便是在利用模型得出评级的方法中，专家的经验也起着重要的作用，尤其是在模型的开发和完善阶段；其二，银行通常是在不同的市场领域运用上述三种不同的技术；其三，定量和定性的区别以及他们在这三种方法中的重要性，在实践上也难以严格区分。实际上一些定性因素通常也是量化的，如还款记录、管理经验和行业等；而且，有时候这些定性因素也被赋予一个等级或分值(如管理能力)，然后作为统计模型(如打分卡)的输入变量。统计模型与专家判断两种方法的相对重要性在不同的银行里差异很大。
(二)花旗银行的贷款分类方法介绍
花旗银行是全球最大、最活跃的商业银行，其客户群的广泛、产品的多样，尤其是其风险管理水平之高超，都是一般竞争者所不能比拼的。而花旗银行风险管理体系的核心即是其内部评级系统，并且花旗银行的贷款分类也是基于此评级系统而得到的。应当说花旗银行的内部评级系统技术领先、功能完善，不仅拥有并处理了大量的样本和数据，而且使用了计量经济学、统计学和计算机等领域的先进科研成果，正是依靠这一系统，花旗银行得以进行有效的风险分析和管理，确保其各项业务的安全、有效。
1.主要评级方法和技术。花旗银行风险评级体系由客户评级和债项评级构成。其中，客户评级是通过使用验证过的统计模型(债务评级模型)、外部评级机构、打分模型或主观判断方法得出的；债项评级使用客户评级结果作为起点，然后再考虑其他一些影响贷款损失的因素，如母公司支持、抵押品或贷款结构状况(优先偿还的次序)等确定最终评级结果。下面重点对花旗银行内部开发的“债务评级模型”进行介绍。
债务评级模型(Debt Rating Models)是花旗银行自有的、基于统计的信用风险模型，建立于大量的数据和经验基础之上。该模型从1990年开始使用，到目前已经过15年的检验和数据提炼。该模型目标是在不同地区和不同行业之间、在缺乏有效的资本/股票市场的情况下，在缺乏外部评级的情况下，采用一致的评级框架评估借款人的信用风险，在风险评估方面获得较大的一致性。该模型通过对地区和行业违约概率及损失率的度量，把风险评级和客观的损失度量联系起来(见图1)。为反映财务的健康和业绩状况，该模型选择了九大财务指标，如税前利息保障比率(pre-tax coverage)、税前资产收益(pre-tax return on assets)等，每项指标都根据其在决定信贷质量的重要性方面加权；公司的规模也纳入模型当中，并且占有较大的权重；定性输入指标主要包括管理层状况、技术、营销、运营、财务灵活性、监管和法律环境等。目前在公司贷款领域，已对80％的借款人使用该模型，而在消费贷款或小企业小额贷款领域则主要使用打分卡的形式。
附图
债务评级模型技术由花旗银行总部统一控制，在全球不同地区使用时，根据业务开展的不同地区情况对模型的部分参数进行调节，但调节参数必须经过总部同意。事实上，经济发展水平、财务会计制度等方面的差异，会使违约概率PD对相同指标敏感度不同。鉴于此，花旗银行根据区域的不同建立不同的评级模型，目前投入使用的模型已经达到17个，涵盖了工商贷款、商业银行业务及其他业务，每年有15 000个借款人评级由这些模型得出。另外，花旗银行将特定违约损失率(LGD)作为债务评级模型的一部分，对贷款违约时的损失进行了度量。对LGD的研究是按照地区和行业进行的；目前已公布了美国和拉美地区的LGD数据。数据表明LGD的使用占全部美国资产组合的33％，而占拉美地区资产组合的32％。
花旗银行的债务评级模型主要是花旗自己开发的，但引进、借鉴和利用了穆迪与KMV的部分技术。这些模型的基本结构完全相同，关键指标根据多元回归计算出的各指标与PD敏感度并结合专家问卷确定。模型在计量技术上精益求精，除了回归技术外，还结合决策树技术对指标的敏感度进行逐层排序。该模型不仅考虑了区域和行业的交叉、资本市场的效率缺陷和外部评级因素，还非常注重模型的质量管理。该行定期对模型进行内外部双重检验，并对数据的输入等影响模型精度的关键环节加强控制，减少人为误差，因此模型具有很高的精度和预测性(检验过程见图2)。利用模型体系较高的预测性，花旗银行建立了自己的预警体系。据该行介绍，其预警体系较早地对安然事件、东南亚金融危机和阿根廷危机等进行了报警，大大减少了该行的损失。总之，花旗模型体系的成功之处在于实现了该行自身多年的经验和计量技术的结合。
附图
图2 花旗银行债务评级模型过程
2.内部评级系统的应用。内部评级在花旗银行的风险管理主要有两方面作用：一是对全部风险进行识别、检测和分析，即报告风险；二是对可能或已经出现的风险进行有效的管理，从而在防范和控制风险的前提下创造和提高风险收益。其作用具体包括：各种风险的识别、资金的分配、准备金的提取、业绩的评估、产品的定价、制定信贷政策、实施内部监管和资本金的确定等各项工作。可见，花旗银行的内部评级系统用途极其广泛，不同的用途对信用评级有不同的制约，结果使评级结果更趋于准确和客观。
二、中国银行业贷款分类发展历程
1.从“一逾两呆”到“五级分类”。在1998年以前，中国银行业沿袭的是财政部1988年在金融保险企业财务制度中的规定，这是计划经济体制下为财政税收政策服务的分类方法。那一时期，对不良资产界定的标准为期限，即贷款本息拖欠超过180天以上的为“逾期”，贷款利息拖欠逾期三年为“呆滞”，贷款人走死逃亡或经国务院批准的为“呆账”，俗称“一逾两呆”。1996年8月人民银行发布了《贷款通则》，对逾期和呆滞贷款的定义做了重新调整。例如规定贷款过期一天即为逾期；逾期一年为呆滞，或逾期虽未满一年，但企业停产、项目下马的，也可划为呆滞。很显然，在这种以期限为主导的分类方法下，大多数贷款只要不到期就可视为正常，银行有更多的空间随意发放贷款，对贷款疏于管理。这既不利于商业银行自身发现和控制风险，导致收入高估，同时也不利于监管当局从银行外部监控风险，与国际惯例更相去甚远。[2]
1993～1996年，世界银行对中国人民银行提供了一系列的金融监管技术援助项目，将五级分类法引入中国。1999年7月，央行下发了《中国人民银行关于全面推行贷款五级分类工作的通知》及《贷款风险分类指导原则(试行)》。2001年12月再次发布《中国人民银行关于全面推行贷款质量五级分类管理的通知》，要求从2002年起，在中国各类银行全面施行贷款质量五级分类管理。自1993年引入国际贷款分类理念以来，中国银行业在贷款风险的标准、辨识、控制上经历了一次次的反复，直到2002年五级贷款分类在中国银行业才得以全面实施。
2.从定性分析到定量分析。在五级分类引入中国的初期，各家商业银行在对贷款进行分类的时候，基本上采用的是以专家判断为基础的方法，即根据五级分类的定义，人为判断决定贷款的分类等级，属定性分析。该方法的成功与否取决于专家的数量和质量，没有一定数量的高素质的信贷专家就难以保证分类的准确性。在这种过度依赖主观判断的贷款分类体系中，不同类贷款之间的界线比较模糊，分类结果难以保持一致性。在经过一段时间的实践以后，有些商业银行开始尝试运用定量的方法对贷款进行分类。如某国有商业银行就采用了“矩阵式五级分类模型”，该模型采用的是定量和定性相结合的方法，以定量分析为主，定性分析为辅。其考虑的因素包括借款人还款能力、还款记录和担保充足性，其实质是上述三个因素的三维组合分析。这种定量方法虽和国际主流的贷款分类方法相去甚远，甚至达不到人民银行有关贷款分类的基本要求，但它无疑是一种从定性分析到定量分析的有益尝试。
3.从五级分类到多级分类。五级分类法的“五级”其实只是监管标准，国际大型银行通常均在此下做进一步细化。调查显示，将正常类贷款细分为5～9级的银行占36％，10～14级的占25％，15～19级的占17.2％，20～24级的占7.3％，小于5级的占14.5％。《新资本协议》内部评级法也要求银行对正常贷款至少要有6～9个等级划分，并且风险暴露在各等级间应有一定分布，不能出现风险暴露在某一等级过度集中的情况。在多级分类的国际潮流引导下，国内一些商业银行在五级分类尚未到位的情况下已经开始加紧研究并推行贷款的多级分类。如中国银行的12级分类在部分分行已经试行，工商银行的12级分类也进入了正式实施阶段，建设银行也正在五级分类的基础上研究12级分类。
以某国有商业银行A的12级分类为例，该行采用的是打分模板方法，考虑的主要因素包括：借款人经营与财务状况评价，还款保证情况评价，宏观经济、市场、行业情况评价，贷款项目业务进展情况评价及项目能力评价，贷款偿还的法律责任，借款人资信状况，银行贷款管理情况评价等七个方面。按照上述因素的重要程度，在给分的权重上实行差别化。其中，借款人经营与财务状况评价作为第一还款来源最为重要，权重为30分；还款保证情况评价作为第二还款来源，重要程度次之，权重为20分；宏观经济、市场、行业情况评价权重15分；贷款项目业务进展情况评价及项目能力评价权重10分；贷款偿还的法律责任权重10分；借款人资信状况权重8分；银行贷款管理情况评价权重7分，总计100分。然后根据打分的结果确定分类结果，75分以上的为正常且将正常分为5级；65～75分之间的为关注，并将关注分为2级；50～65分的为次级且次级也分为2级；30～50分之间的为可疑，并且可疑类也分为2级；30分以下的为损失，这就是该行的12级分类。
再看一下某国有商业银行B的12级分类，它是按照巴塞尔新资本协议两维评级的要求，参照国外银行的做法，采用“客户分类+债项调整”的两步分类模式完成的。首先根据借款人的财务和非财务因素、财务报告质量、规模因素、行业因素、借款人授信额度使用情况对借款人进行客户分类；在此基础上，再根据债项的具体情况，包括担保、债项期限、结构与用途、还款记录、贷款重组情况、同一客户信贷资产的相互影响等因素逐步对客户分类结果进行调整，得出最终的信贷资产分类结果。
三、中国银行业与国际银行业贷款分类的差距
通过上述中国银行业贷款分类发展历程可以看出，虽然中国银行业的贷款分类起步很晚，但发展很快，从表面上看似乎与国际已经接轨，但是这种快速发展的背后隐藏着很多问题，中国银行业的贷款分类要真正做到与国际接轨还有很长的路要走。笔者认为，目前中国银行业的贷款分类存在以下问题：
1.分类的基本思路不符合巴塞尔新资本协议的有关要求。根据巴塞尔新资本协议有关评级维度的规定，内部评级法下合格的评级体系有独立的、性质截然不同的两个维度，即借款人违约风险和特定的交易风险。第一维评级必须针对借款人是否有违约风险，对于同一借款人不同贷款，其借款人评级必须一致，而不管每笔交易性质是否有差异；第二维评级必须反映交易本身特定的风险要素，如抵押、优先性、产品类别等。目前大多数国内商业银行的分类方法与上述要求相差甚远，只有少数商业银行的分类方法是符合上述要求的。
2.贷款分类的事后性。目前，我国国内商业银行的贷款分类属于事后分类，即贷款发放之后再对贷款进行分类。而国外商业银行是在贷款发放之前就对贷款进行分类，将分类的结果与审批人的权限挂钩，对于分类较高、金额较小的贷款，由较低级别的审批人即可进行审批；而对于分类结果较低，金额较大的贷款需由更高级别的审批人进行审批。这样将定量分析与定性分析有机结合起来，可以更好地防范信贷风险。
3.客户分组不细。按照巴塞尔新资本协议内部评级法的有关要求，贷款分类的第一步是客户分类，要做好客户分类，首先要根据公司的大小、所属行业、地区、风险特性、有无抵押等多种标准进行客户分组。客户分组越细，风险评级的准确性越高。一般来说客户经过初步分组后，风险评级的准确性明显上升；再进一步分组，准确性继续上升，但上升速度趋缓；分组到一定程度，风险评级的准确性基本上没有提高。客户分组越细，有关的管理成本也越高。因此，需要在成本和准确性之间寻找平衡点，过细的分组是不值得做的，但不分组或分组过粗必然影响分类的准确度（注：如瑞士银行现行的客户分组组别有：集团公司、建筑业集团公司、大型公司、中小型公司、小企业、私人客户、按揭贷款的私人客户、100万瑞郎以上的私人客户、旅店餐饮业、旅游交通、商品交易商、市政部门、金融机构、瑞士养老基金等；渣打银行将正常类客户按照资产规模和授信额度将客户分为三个档次：小型公司(资产规模小于3 000万港元，或授信额度小于300万港元)、中型公司(授信额度大于300万港元，但小于3.75亿港元)和大型公司(穆迪或标普评级在投资级别以上，或曾经在国际资本市场上发行债券或股票，或授信额度大于3.75亿港元)。针对上述三种公司，设置了不同的打分模型，小型公司的评级最高可到11级的第8级，中型公司的评级最高可到11级的第5级，只有大型公司的评级最高可到1级。）。
目前，国内商业银行的客户评级(包括授信)基本不对客户进行分组，对所有类型的客户评级(授信)采用的基本是同一个模型、同一个公式、同一套方法，这必然会导致评级(授信)的定量计算结果仅对部分客户群适用，那么，如果客户的分类存在问题，建立在客户分类基础之上的贷款分类也必然存在问题。
4.行业因素的考虑不够。行业因素是衡量企业风险大小的一个非常重要的因素，它包括两个方面：一是企业所处行业的风险状况，二是该企业在行业中所处的地位。企业的违约概率与上述两个方面紧密相关。国外银行在对客户进行分类时对上述两个方面予以了充分的考虑；但国内商业银行在对客户进行评级时对行业因素的考虑远远不够。如某国有商业银行的客户评级系统在对客户进行评级时，对企业在行业中的地位是通过企业财务指标与行业标准值的比较来实现的，对企业所在行业的风险状况是通过定性部分对行业发展状况给予了1分的权重来实现的。上述方法虽然对行业因素有所考虑，但方法欠科学，尤其是对不同行业的风险状况评估做的还远远不够。
5.规模因素的考虑不够。国内商业银行在对客户进行评级时，对规模因素的考虑方法上欠科学。如某国有商业银行的客户评级系统，它包括定量评价和定性评价两个部分，其对规模因素的考虑也是通过上述两个部分来体现的。在定量评价(权重75％)部分，不同规模的企业按照各自所对应的标准值(分为大型企业、中型企业、小型企业三种)来确定各项财务指标的得分。得分的高低取决于企业所在规模分组中的相对地位，这样会使得不同规模企业的得分缺少可比性。如果小型企业的财务指标标准值劣于大型企业，但却会出现同样财务比率的小型企业得分高于大型企业的现象。在定性评价(权重25％)部分，对客户规模赋予了9分的权重，大型企业可得9分，中型企业得4分，小型企业得0分。也就是说，大型企业和小型企业在定性部分的差距只有2.25分。
6.缺少对区域因素的考虑。中国各个地区的经济发展水平、市场环境、法制环境等方面差距较大，而上述因素对企业的违约概率以及违约损失率会产生重要影响。目前国内商业银行的评级系统均缺少对区域因素的考虑，造成不同地区同样评级企业之间的违约概率存在较大差异，同一类别贷款的违约损失率也存在很大差异。
7.缺少对国家风险因素的考虑。目前我国商业银行的评级系统并没有考虑国家风险因素，这可能与国内商业银行的资产业务绝大多数在国内，并没有真正实现全球化布局有关。随着中国改革开放进程的进一步加快，国内金融竞争的进一步加剧，国内商业银行走出去也是下一阶段必然的选择，如果对国家风险的评估跟不上去，势必会使商业银行面临国别风险的挑战。
8.缺少统计方法和历史数据的支持。国内商业银行的评级模型缺少历史数据以及基于历史数据的统计方法的支持。因此，在影响企业违约概率大小的指标选择上，以及指标的权重设置方面缺少科学依据，大大影响了分类的准确性。
四、改进的建议
(一)将贷款分类由事后分类改为事前分类
随着多级分类方法在国内商业银行的推广，分类技术和方法的不断改进，应逐渐将贷款分类由事后分类改为事前分类，以利用定量分析结果及时揭示贷款的风险，并将定量分析与定性分析有机结合起来，更好地防范信贷风险。
(二)通过科学的客户分组完善客户评级体系
我国商业银行应按照巴塞尔协议的要求，借鉴国外商业银行的做法，并结合国内实际，在分类前首先对客户进行分组。在分组的基础上，针对不同类型的客户选择不同的模型和方法对客户进行分类。只有客户分类准确性提高了，建立在客户分类基础之上的贷款分类才可能准确。
(三)将行业因素、规模因素和区域因素的影响科学地反映到贷款分类中去
1.行业风险和客户在行业中相对于竞争者的地位对债务人的信用质量有很大影响。建议参照以下模式将行业因素的影响科学地反映到贷款分类中去。首先根据一定标准(如盈利和增长、稳定性和外部环境等)将不同行业分为低风险行业、中等风险行业以及高风险行业；然后，根据企业在行业中的地位将企业划分为四类：产品领先者、重要的国内或地区市场竞争者、中下层的竞争者和弱竞争者；最后根据表1和表2的结果，参照表3对客户分类进行调整。一般处于低风险甚至中等风险行业中的高端客户将不被降级，高风险行业中的低端客户一般属于问题贷款类别，其他则根据情况对分类进行适当调整。
表1 行业风险
赢利和增长 稳定性外部环境
不同类型的竞争者，稳定的市场份额 最小程度的周期性良好的监管、法律和政治环境
较高的进入壁垒资本密集，经营杠杆低技术变动造成的冲击不大
不同类型的客户且对价格不敏感 价格稳定，并有上升趋势 宏观经济前景很好
大量供货高，丰富资源 历史上销售和净资产收益率波动很小
很少替代产品 产品差异化
过去和预期均有很高的增长率
竞争者有一定的差异性 中等程度的周期性中性的监管、法律和政治环境
中等进入壁垒 中等、可控的经营杠杆技术变动造成的冲击仍在可控制范围内
客户基础较广泛，对价格有些敏感价格仍属理性宏观经济前景较好
供货商稍少一些，但仍有足够的资源 历史上销售和净资产收益率平均水平的波动
有一些替代产品
稳定或中等的增长率
同类竞争者，市场份额变动很大 周期性很高 有问题的监管、法律和政治环境
低进入壁垒资本密集技术变动造成的冲击很大
客户集中，价格敏感价格剧烈波动宏观经济前景不佳
极少供货商，资源有限 历史上销售和净资产收益率波动很高
明显受到替代品威胁高品质性的
销售下降
表2 行业地位
第一层
控制性强市场份额。影响新产品价格。成本低。效率明
产品领先者
显优于竞争者。
第二层
重要的国内或地 在区域或细分市场有重要的份额。可能是价格追随
区市场竞争者
者。中等营销、研究和技术。效率处于中上水平。
第三层
中等或较弱的市场份额。中上等的成本。缺乏规模经
中下层的竞争者 济。技术水平不高。中等以下水平的营销、分销能力。
经营效率处于中等以下水平，或趋势恶化。
第四层
高成本。无效的战略或能力，无法应付困难的产业环
弱竞争者 境。经营效率很低。很有可能重组、处置资产，甚至在
严重情况下被清算。
表3 调整矩阵
低风险中等风险高风险
第一层
不调整 不调整不应高于4
第二层
不调整不应高于3 不应高于5
第三层 不应高于4 不应高于5 不应高于6
第四层 不应高于6 不应高于6 不应高于7
2.规模因素是衡量企业风险状况的一个重要因素，一般规模较大的企业抗风险的能力较强，规模较小的企业抗风险的能力较弱。一些国际性大银行在对客户进行评级时，规模因素通常是作为一项单独的因素，赋予了较高的权重。建议国内商业银行在对客户进行评级时，参照国际大银行的做法，将规模因素作为一项单独的因素，赋予合理的权重。
3.鉴于中国各个地区的经济发展水平、市场环境、法制环境等方面差距较大，而上述因素对企业的违约概率以及违约损失率都会产生重要影响。建议在评级及分类时选择适当的指标将区域因素考虑到评级和分类中去，以准确反映企业的违约概率以及贷款的违约损失率，保证同一评级客户在不同地区违约概率的一致性，同一分类贷款在不同地区的违约损失率的一致性。
(四)加快国别风险的研究，建立国别风险评价体系
国内商业银行应借鉴国外商业银行的经验，加紧对国别风险的研究，建立我国的国别风险控制体系，将国别风险运用到客户评级、贷款分类等环节中去，为下一步的资产全球化布局打下坚实的基础。
(五)对统计方法和技术的应用
我国商业银行应借鉴国外商业银行的做法，将统计方法和技术运用到贷款分类中去，以提高模型的准确性和精确度。如在选择影响企业违约概率的财务指标时，应首先根据银行以及学术研究机构的经验，选择大量的财务指标，然后利用历史数据，运用多元回归技术，从中挑选出判别能力强的指标。在非财务因素指标的选择上，同样是运用多元回归技术，从大量非财务因素指标中挑选出判别能力强的指标。当然，上述方法的实现依赖于历史数据的积累，商业银行应首先积累足够的历史数据，为今后统计方法和技术的应用打下基础。
标签：银行论文; 商业银行论文; 银行风险论文; 债项评级论文; 贷款五级分类论文; 违约概率论文; 客户分类论文; 风险评价论文; 银行系统论文; 定性指标论文; 概率计算论文; 系统评价论文; 能力模型论文; 花旗银行论文; 金融论文; 风险模型论文; 风险权重论文; 模型公司论文; 竞争分析论文;