国内商业银行信贷资产.docx

国内商业银行信贷资产.docx

《国内商业银行信贷资产.docx》由会员分享，可在线阅读，更多相关《国内商业银行信贷资产.docx（56页珍藏版）》请在冰豆网上搜索。

国内商业银行信贷资产

摘要

随着我国银行业改革的不断深入，国内商业银行信贷资产的质量有了明显的改善，然而如何有效地控制授信客户的信贷风险，使得不良资产率保持在一个合理的水平，这仍旧是一个长期困绕商业银行的难题。

通过开发一些新的信贷风险管理技术（如建立企业破产预警模型）作为辅助决策工具将能有效地提高商业银行的信贷风险管理能力，而对这一领域的研究，目前国内尚处于起步阶段。

本文在借鉴美国学者奥特曼（Altman）的多元Z值判定模型的基础上，采用统计学上的因子分析方法，建立了一种新的商业银行信贷风险预警模型，并把证券市场上的ST公司界定为“经营失败企业”，选取沪市52家ST公司及与之相对应的52家非ST公司共104家上市公司作为研究样本，在参考了财政部等国家四部委颁布的《国有资本金绩效评价规则》中工商类竞争企业效绩评价指标体系的基础上，通过统计学上的单变量T检验选择了8个财务比率作为判别指标，运用上述研究样本的判别指标数据对商业银行信贷风险预警模型进行了实证检验。

实证检验的结果显示，该预警模型具有较好的判定效果。

同时由于该模型理论上具有合理性，实践上具有可操作性，故值得推广。

关键词:

信贷风险管理，破产预测，因子分析

Abstract

WiththecontinuouslydeepeningofChina’sbankingindustryreform,theloanassets’qualityofdomesticcommercialbankhasgotclearlyimproved.However,itisstilldifficultforcommercialbanksinquitealongtimetocontroleffectivelytheloanrisksofthecustomersandtokeepthebadassetsratioonareasonablelevel.Itwillstrengthentheabilityofcreditriskmanagementforcommercialbankthroughexploringsomecreditriskmanagementtechnologysuchasbankruptcypredictionmodel,anddomesticcommercialbanksarestillonthewayinthisarea.

BasingonthestudyofAltman’smultivariateZ-valuediscriminatemodel，thisarticleestablishesanewbankruptcypredictingmodelofcorporation.Thenitdefines＂STcompany＂insecuritymarketas＂financialfailurecorporation＂andselects104corporations（52＂ST＂companiesand52Not＂ST＂companiesinShanghaisecuritymarket）assamplesofstudy,andbasingontheachievementsevaluationsystemofcommercialandindustrialenterprisesfrom“RegulationsforEvaluationtheAchievementsofState-ownedEquity”issuedbythefourcentralgovernmentministrationsincludingthefinancialdepartment,alsobyusingthesinglevariableTtestinstatistics,eightfinancialratiosareselectedandthenusingthesamples’datatoverifytheCommercialBankCreditRiskPredictingModel.

Theresultshowsthemodedoeswellinverifyingtherisk,andthemodelispracticalaswellasrational,thusitisworthpublicizing.

Keywords:

CreditRiskManagement，BankruptcyPredict，FactorAnalysis

目录

1.导言4

1.1研究背景及意义4

1.2研究文献回顾4

1.2.1国外相关研究及应用4

1.2.2国内相关研究及应用5

2．商业银行信贷风险预警模型的基本思想及其构建6

2.1Altman多元Z值判定模型简介6

2.2商业银行信贷风险预警模型的基本思想7

2.3商业银行信贷风险预警模型的构建7

2.3.1样本企业分组7

2.3.2选择具有判别力的财务指标7

2.3.3建立预测模型8

2.3.4检验预测模型的预测能力9

2.4商业银行信贷风险预警模型的评价9

2.4.1模型的合理性9

2.4.2研究的局限性9

3．商业银行信贷风险预警模型的应用11

3.1研究样本11

3.2财务比率的选取13

3.3因子分析18

3.4预警模型的建立22

3.5预警模型的检验23

附录26

参考文献36

1.导言

1.1研究背景及意义

随着我国银行业改革的不断深入，国内商业银行信贷资产的质量有了明显的改善，然而如何有效地控制授信客户的信贷风险，使得不良资产率保持在一个合理的水平，这仍旧是一个长期困绕商业银行的难题，要解决这一问题，一方面有赖于国家整体经济素质的改善以及社会监督约束机制的到位，另一方面则有赖于商业银行内部风险管理体制的完善以及风险管理技术的优化。

鉴于体制性因素的完善是一个较为长期的过程，本文对信贷风险管理的研究仅局限于技术层面，即通过研究新的信贷风险管理技术以图对商业银行信贷风险管理有所裨益。

本文采用实证研究的方法，在借鉴美国学者奥特曼（Altman）提出的用于预测企业破产的多元Z值判定模型的基础上，根据中国企业的实际情况，运用统计学的因子分析方法，建立了一种新的商业银行信贷风险预警模型，并把证券市场的ST公司界定为“经营失败企业”，选取沪市52家ST公司及与之相对应的52家非ST公司共104家上市公司作为研究样本，对该预警模型进行实证检验。

1.2研究文献回顾

1.2.1国外相关研究及应用

在国外，理论界关于企业经营失败（破产）预测的研究资料表明：

比弗（Beaver，1966）最早提出了单变量判定模型，他使用了五个财务比率作为变量，对1954-1964年间的79家经营失败的公司和79家经营未失败的公司进行一元判定预测。

他发现，现金流量与负债总额的比率和资产负债率最能判定公司的财务状况，并且离失败日越近，误判率越低，预见性越强。

接着，另一美国学者奥特曼（Altman，1968）提出了多元Z值判定模型，他将若干变量合并入一个函数方程，用Z值进行判定，从而克服了单变量判定模型出现的对于同一家公司、不同比率预测出的结果不尽相同的现象。

其研究结果表明，多元Z值判定模型在破产前一年的预测准确性要高于比弗的单变量判定模型。

此类预测模型还包括迪肯（Deakin，1972）的概率模型、埃德米思特（Edmisterd，1972）的小企业研究模型、达蒙德（Dimond，1976）的范式确认模型等。

但是这些模型均存在假设上的局限性。

因此欧尔森（Ohlson，1980）为代表的研究者采用了条件概率模型，主要有对数成败模型（Logit）和概率单位模型（Probit）两种统计方法。

它们都建立在累积概率函数的基础上，一般运用最大似然估计，而不需要满足自变量服从多元正态分布和两组间协方差相等的条件。

但其判定效果却不如多元Z值判定模型。

进入20世纪90年代，随着电脑技术的迅猛发展，奥登姆与沙达（Odom&Sharda，1990）等一批研究者开始运用类神经网络的分析方法来研究企业破产的预测问题，与传统方法相比，类神经网络具有自我组织与学习的能力，它能从输入资料中寻找复杂的变量关系，同时能够容忍错误的资料，因此对于非线性模型，类神经网络在预测的准确性方面优势明显，但是其通过电脑黑箱操作过程使得研究者无法描述变量间复杂的关系。

在实务界，有关企业破产预测研究的最重要运用领域是企业信用评级，这一领域的典型代表有穆迪（Mondy’s）和标准普尔（S&P’s），他们吸收上述理论界的研究成果，采用定量分析与定性分析相结合的研究方式，为投资机构、商业银行乃至监管机构提供信用评级报告。

1.2.2国内相关研究及应用

在国内，由于企业破产制度实施的时间相对较短，同时证券市场的发展时间也较短导致研究样本的相对缺乏，故理论界有关企业破产的实证研究相对较少，目前国内的研究基本上局限在运用国内企业的数据对国外的预测模型进行实证检验，陈静（1999）选用54家上市公司对比弗和奥特曼的预测模型进行了检验，研究发现上述两个外国模型对中国企业破产预测具有一定的判别能力。

而在实务界，目前国内对企业破产预测研究最有运用价值的领域应该说是商业银行的信贷风险管理领域，但在该领域相关的信贷风险预警模型的研究还很鲜见，目前国内商业银行在信贷风险管理工作中主要倚重内部的信用评级系统，这些评级系统基本上采用了类似1999年财政部等四部委联合颁布的《国有资本金效绩评价规则》中的工商类竞争企业效绩评价指标体系，将企业在每一个财务指标的得分简单相加得到一个分数，并根据该分数确定相应的信用等级以此作为衡量企业授信风险的一个重要标准，并且采用一年一评的方式来对授信客户进行贷后管理。

应该说这些银行内部授信评级系统具有简单、实用的特点，并且具有一定的合理性，但是总体而言仍显得比较单一，并且有时不能客观准确地衡量授信客户的信贷风险。

因此有必要开发一些新的信贷风险管理技术作为辅助工具以形成较为全面、立体的风险管理技术体系。

2．商业银行信贷风险预警模型的基本思想及其构建

2.1Altman多元Z值判定模型简介

在有关企业破产的所有研究中，奥特曼（Altman）的多元Z值判定模型最为著名，且至今仍由美国的Zeta咨询公司负责进行操作。

下面简要介绍一下奥特曼多元Z值判定模型的基本思想，1968年，奥特曼对66个制造企业（其中一半为破产企业）作了破产预测分析研究.，其预测模型的构造分为三个基本步骤：

首先将特定时期的公司分为两大类:

无法偿还债务的破产企业和非破产企业；其次对每类公司收集一套财务比率数据；再次用最能区分这两类公司的财务比率利用统计学上的判别分析方法（遵循费雪准则——即判别结果两组间区别最大，而组内离散性最小）构造一个多元判别分析的线性方程。

所谓多元判别分析，其基本逻辑是由两个（或多个）不同的群体中分别抽样，就抽样出来的样本寻找能够区分两个（或多个）样本群的一组关键变量，在衡量各关键变量的区别能力后，予与加权组合，而得到一个区别函数，当作区别两个（或多个）群体的模型。

奥特曼构最终构造出来的多元Z值预测函数是：

Z=0.012X1+0.014X2+0.033X3+0.006X4+0.999X5

（其中：

X1=流动资产/总资产，反映企业的流动能力；X2=留存收益/总资产，反映企业未来发展的潜力；X3=息税前利润/总资产，反映企业在不举债情况下的发展能力；X4=股票市值/债务帐面价值，反映企业的自有资金程度；X5=销售收入/总资产，反映企业的总资产运营效率。

）

奥特曼在应用这一函数时发现：

当Z值小于1.81时，公司的违约风险很高；而当Z值高于3.00时，违约风险很低；Z值处于1.81至3.00之间为灰色区域。

运用这一模型进行企业破产预测，破产前一年的正确率达到了95％，破产前两年的正确率为72％，两年以上正确率相对就不高了。

考虑到上述模型的变量中未涵盖风险因素，也未考虑规模效应，于是奥特曼便于1977年在原模型中加入两个新的变量并进行修正，重新建立模型，称为Zeta模型。

此新模型中包括7个财务变量：

资产报酬率、盈余稳定性、利息保障率、流动比率、累积获利情况、资本总额及总资产规模。

该模型预测效果良好，因此实务界专门据此设立一家专门从事信用风险分析的专业咨询机构ZetaServices,该公司利用Zeta模型为机构投资者提供信用风险分析服务。

尽管奥特曼的多元Z值判定模型简单明了，易于理解，且具有较好的判定能力，得到较为广泛的应用。

但许多研究人员也批评该模型一方面在选择财务比率时是纯经验主义，没有理论依据;另一方面多元判别分析方法在统计学上需要满足一些前提条件,而在实际的运用中这些前提条件并不一定得到满足。

2.2商业银行信贷风险预警模型的基本思想

在奥特曼（Altman）的多元Z值判定模型中，最终对预测企业经营失败（破产）起作用的财务比率只有5个（在1977年的修正模型中增加了2个），这是否意味着其它财务比率对预测企业经营失败就不起指示作用了。

其实不尽然，因为奥特曼在构造多元Z值判定模型的过程中，首先进行财务比率的相关性分析，剔除了一部分财务比率，并最终根据累计贡献率选择了上述5个财务比率。

但是实际情况是，财务比率之间往往具有一定的相关性，但又不是完全相关的。

因此，能否找到一种方法，使得在构造预测模型时，一方面既能考虑到更多一些对预测企业经营失败有指示作用的财务比率，另一方面又不会因为财务比率太多而增加分析问题的复杂性？

为了解决这一问题，本文引进统计学上的因子分析方法。

该方法是由Hotelling于1933年首先提出的，其主要思想是：

通过对原始指标（本文为财务比率）相关矩阵内部结构关系的研究，找出影响某一经济状况（本文为授信客户的财务状况）的几个综合指标，使综合指标为原始指标的线性组合，综合指标不仅保留了原始指标的主要信息，彼此又完全不相关，同时比原始指标具有某些更优越的性质，使得我们在研究复杂的经济问题时能够容易抓住主要矛盾。

2.3商业银行信贷风险预警模型的构建

把因子分析方法引进商业银行信贷风险的预测分析，结合奥特曼多元Z值判定模型的分析思路，得到的这种新的预测模型不妨称之为“商业银行信贷风险预警模型”，其构建的基本步骤如下：

2.3.1样本企业分组

将样本授信企业分为“经营失败”企业和非“经营失败”企业两大类，两者选择的数量相同，规模、行业一一配对。

同时将总样本分为两组，一组为估计样本组，另一组为测试样本组。

估计样本组用于构造风险预测模型，而测试样本组用于检验预测模型的有效程度。

2.3.2选择具有判别力的财务指标

从实务的角度来看，经营状况不同的企业之间，在很多层面上都存在差异，包括管理者的领导风格、经营的策略、组织的架构、员工的素质、市场定位以及品牌的知名度等等，但这些因素的评估牵涉到很多个人的主观判断，如果在研究中纳入这些变量，就失去了以公开、量化的信息来评估企业经营情况的原意及价值了，同时一般而言，企业的经营状况也基本反映在企业的财务数据之中，因此本文在建立信贷风险预警模型时，选择的判别变量是量化的财务指标。

在选择财务比率时，一要具有全面性，要求反映企业的偿债能力、获利能力、营运能力、成长能力等各方面的财务状况。

二要具有有效性，要选择那些能够对预测企业财务失败有指示作用的重要的财务比率。

三要具有同趋势性，即当财务比率增大时，表示财务状况的改善，反之财务比率减小时，表示财务状况的恶化。

2.3.3建立预测模型

在找到具有判别能力的财务变量后，采用前文所述的统计学的因子分析方法，将多个财务变量组合成一个用于预测的判别模型，构建该预测模型的基本思路如下（详细的数学推导过程略）：

1.经过筛选的一套原始财务指标（设为X1，X2….Xk，如资产负债率）

因子分析

2.产生一套综合财务指标（设为Z1，Z2…Zs，综合财务指标为原始财务指标的线性组合）

根据各综合指标的贡献率

3.构造信贷风险预测函数:

PS=A1*Z1+A2*Z2+A3*Z3+…+Ai*Zi（PS为财务状况预测值,Ai为权数）

4.寻找分割点并建立信贷风险预警模型

在上述构建步骤中，在将一套原始财务指标（X1，X2….Xk）进行因子分析产生一套综合财务指标（Z1，Z2…Zs）时需注意两个方面的问题:

一个方面是产生的这一套综合财务指标尽管包含了原始财务指标的绝大部分信息,但并不是全部,因此需要先设定产生的这一套综合财务指标要包含原始财务指标总体信息的程度，即累计贡献率,例如希望该套综合财务指标提供原始财务指标总体95％以上的信息，则这样S个主成分

便包含了原来指标X1,...,Xk95％以上的信息，财务变量数也由k减为S个。

另一个方面是在确定了选择S个综合财务指标之后，关键的一步是要对综合财务指标做经济解释，即要对各综合财务指标赋予新的意义，给出合理的解释，这个解释应该根据综合财务指标的计算结果结合定性分析进行。

综合财务指标是原始财务比率的线性组合。

在这个线性组合中各变量的系数有大有小，有正有负。

一般而言，线性组合中系数的绝对值大的原始财务比率表明其对该综合财务指标的属性做出了较大的贡献，若几个原始财务比率系数相当时，则应认为这一综合财务指标是这几个原始财务比率性质的综合。

为了更好地估计各财务比率对综合财务指标的作用，需引进“因子负荷量”的概念，因子负荷量是综合财务指标

与原始财务指标

的相关系数

，因子负荷量揭示了综合财务指标与各原始财务比率之间关系的相关程度，利用它可较好地解释各个综合财务指标的经济意义。

2.3.4检验预测模型的预测能力

前一步骤建立的预测模型是否具有令人满意的预测能力，需要进行验证，也就是将测试样本组企业的各项财务变量输入预测模型，得到每一个样本企业的预测分数，并与预测模型的临界点进行比较，而将其归入“经营失败”类企业或非“经营失败”类企业，再将模型归类情况与样本企业在该时点的实际情况进行比较，从而检验预测模型的分类正确率，即模型的预测能力。

2.4商业银行信贷风险预警模型的评价

2.4.1模型的合理性

通过上述分析,我们可发现本文提出的商业银行信贷风险预警模型具有以下几个合理的特点：

（1）不限制原始财务比率的个数，只要该财务比率能够在一定程度上区分“经营失败”企业与“非经营失败”企业；

（2）由于对财务比率原始数据进行了标准化处理，使得各财务比率之间具有可比性和可加性；（3）根据各综合财务指标的贡献率来确定各指标在预测函数中的权数,相对合理；

（4）在运用该模型进行信贷风险的预警时，由于有SPSS等统计软件的辅助计算，使得这种预测变得相对简单可行，可以在实践中运用。

2.4.2研究的局限性

当然，运用该预警模型进行企业信贷风险的预警时，也存在着一定的局限性，主要体现在：

（1）企业经营失败预测的前提是企业发布的财务数据必须是真实可信的。

但由于目前上市公司的会计信息失真现象依然存在，一些企业的财务数据并不如实反映企业的财务状况，正如我国学者陈小悦实证研究（1999）发现上市公司为争取扩股权而普遍存在操纵利润现象。

（2）从理论上讲，该预警模型的研究样本须满足正态分布的条件，在下文的应用研究中,本文把我国证券市场上的“ST公司”界定为经营失败企业,选取沪市52家ST公司及与之相对应的52家非ST公司共104家上市公司作为研究样本对模型进行应用研究,由于抽取的样本容量并不是很大，其分布未必服从正态分布,故模型的假设前提不一定完全满足。

如果选取的研究样本能够更大一些，样本企业服从正态分布的可能性就较大。

（3）从行业角度来看，不同行业的财务比率存在着一定的差异，例如从本文附录的样本企业财务比率数据中可以发现：

商业企业的总资产周转率要远远高于工业企业，但在本文的应用研究中并未考虑上市公司的行业差别，故产生一定的误差在所难免。

如果能够细分到商业模式较相似的行业大类（如制造类）进行预测，效果应该会更好。

（4）在下文的应用研究中，本文把“ST公司”界定为“经营失败”企业,但实际上ST公司与经营失败企业仍存在一定的区别,并不能完全等同；同时有部分企业虽然暂时还没有加入ST公司的行列，但它们的生产经营已存在严重困难，财务状况也已恶化，一年甚至半年以后就有可能加入ST公司的行列，因此在研究样本的选择方面也存在一定的局限性。

3．商业银行信贷风险预警模型的应用

3.1研究样本

在本文的研究中，我们把上市公司中的ST公司界定为“经营失败”企业1。

截止2004年7月10日，上海证券市场共有ST公司52家（不包括B股），我们选取这52家ST公司及与之相对应的52家非ST公司共104家企业作为研究样本2。

鉴于本文的研究需要，所选取的ST公司数据是这些公司被宣布特别处理的前2年的财务数据。

52家非ST公司的企业按照其所对应的ST公司财务比率数据选取的年度选取3。

现把这52家ST公司和52家非ST公司随机分为两组，估计样本组52家（26家ST公司和26家非ST公司），测试样本组亦为52家（26家ST公司和26家非ST公司），研究样本见表3.1。

表3.1商业银行信贷风险预警模型实证检验的研究样本

估计样本组

测试样本组

ST公司

非ST公司

ST公司

非ST公司

ST国能（600077）

宝光股份（600379）

ST博讯（600083）

中创信测（600485）

ST啤酒花（600090）

海南椰岛（600238）

ST长控（600137）

江苏申龙（600401）

ST绵高新（600139）

金证股份（600446）

ST鑫泰（600156）

杉杉股份（600884）

SST宁窖（600159）

华冠科技（600371）

ST福日（600203）

彩虹股份（600707）

ST天龙（600234）

大厦股份（600327）

ST仕奇（600240）

红豆股份（600400）

ST中发（600335）

铜锋电子（600237）

ST珠峰（600338）

林海股份（600099）

ST金泰（600385）

钱江生化（600796）

ST宏智（600503）

亨通光电（6004870

ST兴业（600603）

海鸟发展（600634）

ST联华（600617）

雷鸣科化（600985）

ST棱光（600629）

山川股份（600714）

ST同达（600647）

闽越花雕（600659）

ST英教（600672）

好当家（600467）

ST万鸿（600681）

博瑞传播（600880）

ST林控（600691）

国通管业（600444）

ST大江（600695）

伊力特（600197）

ST数码（600700）

创兴科技（600193）

ST松辽（600715）

天地科技（600582）

ST陈香（600735）

海通集团（600537）

ST民百（600738）

成商集团（600828）

ST幸福（600743）

鲁润股份（600157）

ST天海（600751）

南京水运（600087）

ST哈慈（600752）

天坛生物（600161）

ST冰熊（600753）

万东医疗（600055）