运用多元判别法评估企业信用风险的实例，本文主要内容关键词为：实例论文,信用风险论文,企业论文，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。
中图分类号：F830.51文献标识码：A
引言
我国四大国有商业银行的资产质量较差，资产利润率低，不良贷款比率一直较高：1995年不良贷款占贷款总量的21.4%，2000年为29.2%，2001年为25.4%，2002年为20.9%[1,2]。我国国有银行的不良资产比例大大高于国际警戒线水平（国际警戒线一般为10%左右），远远高于1997年东南亚金融危机前主要受冲击各国银行的不良贷款比率。导致国有商业银行资产质量差的根本原因是银行承担了较多的信用损失，提高银行信用风险管理水平是提高银行资产质量的根本措施，其中信用评估是信用风险管理的关键。
国外银行信用风险评估方法主要包括古典信用分析、多元统计分析、Credit-Metric模型及KMV模型。古典信用分析是一个依赖训练有素的专家的主观判断的专家系统，信用分析就是他们凭借个体常识和自己的判断过程[3]。多元统计分析的基本思想是根据历史样本建立标准模型，并对新样本某种事件发生的可能性进行预测，具体包括线性概率模型、LOGIT法、PROBIT法和判别分析法[4,5]。Credit-Metric模型通过使用借款人的信用评级、下一年内评级的变化频率以及违约贷款的回收率等计算出单个贷款和贷款组合的VAR，KMV模型是依赖于分析得出的预期违约概率EDF(Expected Default Frequency)值。
国内经济学者对银行信用风险评估算法也进行了研究，以王春峰为代表的部分学者分别运用线性多元判别法、LOGIT法、遗传规划模型、神经网络模型、决策树模型对商业银行的信用风险评估作了系列研究，并对以上算法的信用风险预测能力进行了对比分析[6～8]，他们运用距离判别法与神经网络方法相结合的组合预测法对银行信用风险评估作了研究[9]。施锡铨等学者运用线性多元判别方法对上市企业信用风险进行了实证研究，建立了评价上市企业信用风险2水平的线性判别模型[10]、以上评估算法存在共同之处：
(2)样本中的贷款划分为正常或违约两水平，因而对检测样本的预测结果只有两类，即正常还款或违约借款；
(3)样本规模较小，培训内样本与检测样本总计低于150个甚至更少。
本文通过建立4水平线性多元判别模型的方法对银行信用风险进行评估，与以上研究的主要区别在于：
(2)模型对样本的判别结果被分成四类，即正常还款、逾期借款、呆滞贷款和呆账贷款。这种分类符合国内商业银行普遍采用的贷款划分标准，因而本模型对银行信用风险评估更具有现实指导意义；
(3)样本规模较大。本文中选用的培训样本和检测样本共计297个，有利于提高模型预测的稳定性。
本文研究思路：通过对培训样本的分析，将企业信用风险水平用多组财务向量表征（借款结果对应的财务向量均值），建立起贷款水平与财务指标间的线性判别模型。并利用这组判别公式对待评估企业的财务指标进行计算，通过比较结果相对大小来预测待评估企业信用风险水平。
一、判别函数的建立
（一）对变量的判别分析
（二）模型设计
二、模型解释及预测能力
（一）样本数据的选择
本文选择某市金融机构的297个贷款记录作为样本数据。按银行对贷款的“一逾双呆”口径标准，将贷款分为正常、逾期、呆滞、呆账四类，分别用“1.00”、“2.00”、“3.00”、“4.00”表示。随机选取其中的145笔贷款作为培训样本，另外的152笔贷款作为检测样本，培训样本中包含正常贷款46笔、逾期贷款出16笔、呆滞贷款16笔、呆账贷款67笔，检测样本中正常贷款47笔、逾期贷款16笔、呆滞贷款20笔、呆账贷款69笔。
（二）财务指标的选择
企业财务能力以资产流动性、盈利性、增长性、速动性及偿债能力为衡量标准，一般选取5个财务指标作为判别参数：营运资本／资产总额，保留盈余／资产总额，税息前利润／资产总额，（普通股＋优先股市场价值）／负债价值，销售收入／资产总额。本文首先选择包括上述指标在内的66个财务指标建立指标体系，使用SAS软件对培训样本数据进行逐步判别分析，从中选择出7个财务指标（注：以选入变量后检验模型中全部变量的鉴别能力是否有显著性意义为变量选入依据，本文是用变量的WILK'Sλ统计量及概率值和平均典型相关系数的大小进行比较，确定出最后的选入变量。）作为一组判别分析变量，即利息保障倍数、资产／负债、保留盈余／资产、税息前利润／资产、税后净利润／资产、净利润／所有者权益、流动资产／资产。
。
（三）建立线性判别模型
将确定的财务指标作为判别参数建立线性判别函数，其表达式一般形式为
（四）对模型的检验及讨论
通过以上模型对样本检验和交叉回代检验（注：假设样本量为N，随机抽取一个样本，将其余(N-1)个样本作为培训样本来训练模型，用抽取出来的那个样本检验模型，得到一个检验结果，循环抽取N次，建立N个模型和N个检验结果，并进行归类统计。），对判别效率作如下讨论：
(1)模型的预测精度。本模型为4水平的分类模型，对培训样本回代检验的整体正确判别率为83.77%，对培训样本交叉回代检验的整体正确判别率为82.14%，对检测样本的整体正确判别率为81.84%，表明本模型具有一定的预测能力。
(2)模型的误判成本。由于银行对第一类误判（指将违约类贷款预测为正常类贷款的样本数）付出的成本要远远大于第二类误判（指将正常类贷款预测为违约类贷款的样本数）引发的成本，有必要比较模型的第一类误判率大小。通过检验，本模型对培训样本的第一类误判率为12.5%，对检测样本的第一类误判率也为12.5%，结果表明本模型的误判成本较小。
(3)模型的稳定性。经检验，本模型通过培训样本的回代检验、交叉检验和检测样本的检验，其检验得到的正确判别率差值均在2.00%以内，说明本模型预测能力的稳定较强。
三、结束语
本文以银行实际贷款数据样本为分析对象，运用多元统计技术建立起4水平的线性判别模型，根据对模型的检验证实了本判别模型对信用风险的定量评估有较强的解释和预测能力，所以本模型对目前金融机构、投资者的投资决策均具有一定的指导价值。