宏观经济波动视角下商业银行信用风险评价方法研究
摘 要：充分认识及合理度量宏观经济波动给商业银行业带来的潜在风险，是提高商业信用风险管理的重要内容。
本文将宏观经济分析和信用风险度量有机结合，在商业银行信用风险评价方法中纳入宏观经济环境因素，该方法可以应用于我国商业银行的信用风险度量实务，能有效量化宏观经济波动对商业银行信用风险的影响，有助于商业银行提高信用风险控制能力，提高宏观审慎监管的效率。
下载论文网 关键词：商业银行；宏观经济波动；信用风险评价；Logistic模型 现代金融观念中把银行看作是一部风险机器，银行不仅承担经营风险、管理风险、转化风险，还将风险融入各种金融产品进行再加工。
银行风险管理的主要内容是对信用风险的管理，信用风险也是商业银行的最主要风险。
与其他工商企业相比较，商业银行的特征是“少本经营”，彼得?S.罗斯（2001）指出，这种“少本经营”意味着相对少量金额的贷款违约就可能导致商业银行资本不足，使其无法冲销损失并面临破产倒闭的危险”。
根据世界银行对全球银行危机的相关研究结果，信用风险是导致银行破产的最普遍原因。
因此，设定科学合理的商业银行信用风险评价方法对于优化商业银行信用风险管理至关重要。
一、研究综述 Beaver（1966）对公司破产及信用风险分析进行了开创性工作，使企业信用风险评价方法研究得到了飞速的发展构建了含由5个参数变量的Z值模型对美国制造业进行了判别研究，该方法被广泛应用于企业的信用风险评价之后，Altman又建立了Z—score模型以及ZETA模型用于分析公司财务困境风险。
通过采用单变量分析法对30多个财务比率进行研究发现，现金流与总负债之比两个指标对企业破产的解释力最强从己有的信用风险度量技术上看，传统的商业银行信用风险度量方法主要包括专家判断方法（如5C分析法）、判别模型（多元判别模型，线性回归模型、Logit回归模型和Probit回归模型）及神经网络模型。
为了解决我国商业银行面对的贷款违约率不易进行数学变换，无法纳入广义线性模型框架的困难，所以把判别模型引入到我国商业银行信用风险度量中。
陈浩等（2009）和唐跃（2009）分别利用判别模型对银行面对的企业是否面临违约进行了实证研究。
从国内外的文献研究来看，对于企业是否违约的判别模型主要包括Logistic模型、Probit模型、贝叶斯判别分析模型等参数模型和支持向量机、神经网络等非参数模型。
本文研究的商业银行信用风险正是指企业是否违约的风险，考虑到Logistic模型是判别模型的典型方法，并广泛应用于商业银行信用风险的评价和度量。
因此，本文将对Logistic模型进行改进，加入宏观经济波动因素的考量，构建一个包含宏观经济波动因素的商业银行信用风险Logistic模型分析框架。
二、商业银行信用风险的评价指标体系 要建立新的Logistic模型分析框架，首先需要构建商业银行信用风险评估指标体系。
商业银行信用风险主要是指狭义上的信贷风险，Svoronos（2002）的研究表明，在银行面临的各类风险中，信用风险是最主要风险，在各类风险中的比例约为60%，而操作风险、市场风险与其他风险（如信誉风险、流动性风险、利率风险等）所占比重较低，分别约为30%、5%和5%。
因此，商业银行信用风险作为一种客观存在的风险，受到借款人的行为和宏观经济环境的不确定性的影响。
因此，本文将商业银行信用风险的影响因素概括为借款人（企业）因素和宏观经济因素两部分。
借款人的信用程度，主要包含企业的信用能力和企业的信用意愿两方面，对借款人可信程度的评估基本从企业素质、资金信用、经营管理、经济效益、发展前景几个方面考虑。
宏观经济因素对商业银行信用风险的影响来自于商业银行在进行信贷活动决策时需要参考目前和未来时期的总体宏观经济环境预测，诸如国家宏观调控政策、国际贸易环境、经济景气度水平、通货膨胀或紧缩的可能性等。
如华晓龙（2009）通过建立宏观宏观压力测试模型来评估我国商业银行的信用风险，结果认为：GDP、通货膨胀率、一年期流动资金贷款的名义平均利率是影响中国银行体系稳定性的重要因素。
遵循科学性、系统性、层次性和实用性等商业银行对企业信用风险评价指标体系的构建原则，通过借鉴相关研究成果，本文从企业盈利能力、偿债能力、资产管理能力、现金流量能力四个基本角度出发，并纳入宏观经济因子指标，构建商业银行信用风险评价指标体系，见表1。
三、商业银行信用风险的评价方法 20世纪80年代之后Llogistic回归分析法逐步取代了传统判别分析方法，成为度量企业违约风险的主流方法，传统判别分析法假定企业破产或经营失败的概率服从二项分布，该假设对于企业经验风险的度量过于粗糙，而Logistic回归分析则将该假定优化为服从Logistic分布。
90年代之后，信息化的发展使得数据挖掘技术在商业银行信用风险度量中普遍运用。
大量文献的实证研究证明，Logistic模型对实际数据的拟合结果更好，预测能力更强。
1977年，Martin从25个财务指标中选取总资产、净利润率等8个财务比率指标，使用Logistic模型预测了公司的破产及违约概率，通过与Z—Score模型和ZETA模型的预测效果比较，证明Logistic模型预测效果最优。
WestDavid（2000）进一步比较了5种统计分类模型和5种神经网络模型在违约概测算中的判别效果，结果依然表明Logistic模型的判别准确率最高的。
然而，相关研究普遍存在一个缺陷，即在公司的破产及违约风险判别中仅仅选取了借款企业的财务指标，而没有定量考察宏观经济因素，导致Logistic模型在计算违约概率时缺乏精确性。
基于此，本文将结合包含宏观经济因素的商业银行信用风险评价体系和Logistic模型相结合，构建新的商业银行信用风险评价模型。
假设被解释变量用Y来表示，解释变量用Xi来表示，C表示理论上存在的代表借款企业的信用水平的连续变量，当C小于某个临界点E时，借款企业便会发生违约。
因此，C和Y可建立如下关系： 所以，C服从Logistic分布，即： 可以看出，上述模型中不仅包含了传统的影响企业违约率的企业经营因素，还考察了宏观经济系统运行风险对企业违约的影响。
模型修正后所考察的影响因素更加全面，有利于辅助商业银行更加科学、精确地预测企业违约风险。
四、结论 本文根据我国的现实情况，考虑宏观经济波动对商业银行信用风险的影响，在此基础上构建了基于宏观经济波动因素的商业银行信用风险度量模型。
本文测定出影响我国商业银行信用风险的五个宏观经济因子，分别是GDP增长率、通货膨胀率、一年期贷款利率、增长率和房地产价格指数。
基于宏观经济因素的Logistic模型比传统的Logistic模型具有更高的风险判别能力，该模型可以更加客观、及时地反映宏观经济波动变化对企业违约概率的影响。
因此结合对宏观经济的监测，商业银行可以更科学地度量信用风险。
参考文献： [1]Beaver W H. Financial ratios as predictors of failure[J]. Journal of accounting research， 1966： 71—111. [2]Landry C. The creative city： A toolkit for urban innovators[M]. Earthscan， 2008. [3]Altman E I. Financial ratios， discriminant analysis and the prediction of corporate bankruptcy[J]. The journal of finance， 1968， 23（4）： 589—609. [4]Altman E I， Haldeman R G， Narayanan P. ZETA TM analysis A new model to identify bankruptcy risk of corporations[J]. journal of banking & finance， 1977，1（1）： 29—54. [5]Altman E I. Predicting financial distress of companies： revisiting the Z—score and ZETA models[J]. Stern School of Business， New York University， 2000： 9—12. [6]Simmie J. Do clusters or innovation systems drive competitiveness[J]. Clusters and Regional Development： Critical Reflections and Explorations. London/New York： Routledge， 2006： 164—187. [7]陈浩，马宇超，陈暮紫，唐跃，王博，陈敏，杨晓光.不良贷款有无回收判别：一类可选变量的支持向量机方法[J].系统工程理论与实践，2009，12：23—30. [8]华晓龙.基于宏观压力测试方法的商业银行体系信用风险评估[J].数量经济技术经济研究，2009，04：117—128. [9]贾海涛，邱长溶.宏观因素对贷款企业违约率影响的实证分析[J].现代管理科学，2009，02：67—69+72. [10]Ajzen，Icek，Fishbein， Martin.Attitude—behavior relations： A theoretical analysis and review of empirical research. [J]. Psychological Bulletin，1997（9）， Pages 888—918. [11]Feng Chen， David E. Kissel， Larry T.West.Field—scale mapping of surface soil organic carbon using remotely sensed imagery[J]. Soil Science Society of America Journal，2000（2）， Pages 746—753.