关于科技型企业信用风险度量模型的选取

www.LWLM.com编辑。 论文关键词：科技型企业 信用风险 Logistic回归模型

论文摘要：科技型企业作为国民 经济 中一支活跃的力量，已逐渐引起各个 银行 的重视。但是对科技型企业信用风险的度量，国内尚无合适的方法。文章试通过对国际上较先进的信用风险度量模型进行介绍、比较，从而选取适合我国科技型企业的度量模型。

科技型企业在生产经营过程中，资本金主要靠自我积累和银行信贷，银行借款成为其最主要的外部资金来源。然而，由于银行对科技企业的风险识别能力有限，加之信贷 市场 中的逆向选择和 道德 风险的存在，银行对科技企业贷款一直持谨慎态度。近年来，我国利率市场，特别是小额贷款的利率正逐步放开，商业银行为增加利润来源，渐渐趋向于各科技企业贷款。不过，科技企业贷款业务为银行带来利润的同时，也带来了较大的信用风险。因此，对于科技型企业的信用风险度量方法的选择，成为了各家银行急迫解决的问题。

一、古典信用风险度量模型

1.古典信用分析。古典信用分析属于定性分析，是银行最基本的信用风险度量方法。银行业在发展过程中为控制信用风险早已形成了一些有用的信用风险 管理 技术，如常见的5C法和5P法。5C法从以下五个方面对借款人的信用进行考察：品格、资本、偿付能力、抵押品、周期状况。5P法将以下五个因素作为银行判断企业信用的准则：个人状况、借款用途、还款来源、债权保障和未来前景。古典信用分析过分依赖专家的主观经验判断，不同专家对同一借款人会做出不同的判断，扭曲借款人真正的信用品质，同时它也缺乏为信用风险定价的市场机制，难以满足信用风险评估日益发展的要求。 多元统计分析最初表现为多元线形判别分析模型，包括Z计分模型和ZETA模型。此后又产生了另一种多元线性方法——线形概率模型，其典型代表有Logistic回归分析模型，随后又有像神经网络、遗传算法、线形规划等方法的信用风险模型的诞生。

二、现代信用风险度量模型

1.结构性模型。即基于公司价值的模型，把违约过程描述为公司价值恶化的显性结果，并把公司 证券 视为发行公司价值的或有债权（期权）。一旦公司估值过程的模型确定，公司的资本结构也已知，就可用期权定价公式对权益和 债务 进行定价。结构模型已经成为违约风险领域的一个市场标准。这类模型的主要特点之一是能够对 上市公司 信用价值进行逐日盯市的连续评估。但满足违约概率简单计算公式必要的基本假设有时与现实不符。

2.简约化模型。这个方法不像结构型模型那样，要求利用企业参数确定违约风险。该方法通过外生定义的违约率和回收率，把有违约风险债券的定价或价差直接与无风险债券连在一起。在这种方法中，信用期限结构不是根据公司财务基础或宏观经济因素进行推导而是直接从市场数据中获取。在 数学 上，这种方法更易于实施。但从考察公司信用基础的角度看，这种方法远不如企业价值方法那么直观。

3.CreditMetrics模型。它建立在Merton模型所构筑的资本结构假设之上（当公司市场价值小于债务值时,公司违约），因此借款人的违约概率和资产超过债务的数量、资产的波动密切相关,资产的变化遵循几何布朗运动,当资产的变化超过某一临界值时,借款人即违约。该模型应用信用受险价值（VaR）对一些非上市流通的资产，如贷款、私募债券等进行估价和信用风险评价。运用这个模型可以估算在极端情况下贷款或贷款组合的损失。

4.CreditRisk+模型。该方法采用了 保险 精算的科学框架推导债券/贷款组合的损失分布，建立只考虑违约不考虑降级风险的模型。与信用计量模型（CreditMetrics）、KMV等不同，违约与企业的资本结构无关。CreditRisk+是信用违约风险的统计模型，该模型对引发违约的原因不作假设，与市场风险管理考虑的出发点是相同的。建立市场风险模型，不考虑市场价格变动的原因。银行和保险公司一样，必须用贴现现金流模型定量化度量自身蒙受的风险。保险公司的风险来源于客户的索赔，而银行的风险来源于债务人的违约。

三、科技型企业信用风险度量模型的选取

1.信用风险度量模型、方法的比较与评价。从上面的文献回顾可以发现，关于信用风险度量的模型和方法很多，然而 www.LWLM.com编辑。由于信用风险本身的固有特点，大家公认和统一的模型和方法到目前还没有出现，各种模型和方法其本身都存在这样或那样的缺陷，且大多是针对 上市公司 等大型企业的，并没有考虑科技型企业自身的一些特点，因此有必要对这些模型和方法进行分析、比较、评价，从中选择合适的模型来度量我国科技型企业的信用风险。

单变量模型具有简单可行的优点，但其缺陷是任何单个 财务 指标都无法全面地反映公司财务特征及公司总体情况，甚至任何单个财务指标将在很大程度上排斥其他指标的作用。多元线性判别模型具有相当的影响，它克服了单变量模型的缺点，判别的准确性也有大幅提高，但其本身也存在两大缺陷：其一，它是一个线性模型，但判断一个公司信用风险的因素非常复杂，不太可能成简单的线性关系；其二，它基本上采用 历史 财务比率，影响对借款人信用评价的时效性。Logistic等多元非线性回归模型很好的解决了非线性的问题，并且有较高的准确性，但也存在信用度量的时效滞后缺陷。

KMV模型以股票 市场 数据为基础，而不是依赖 会计 核算数据，反映了市场中 投资 者对公司未来发展的综合预期，具有前瞻性、高敏感性；但它针对未上市公司具有一定的局限性，而且片面强调股票市场，变动敏感度太高。CreditMetrics模型成功地把信用风险度量与信用等级的转移、违约率等相关因素结合起来，使模型考虑的因素更加全面，适用范围更加广泛；但它片面强调信用评级，不能够反映特定 债务 人当前的信用质量变化情况。而且我国目前还没有一个权威的、完善的信用评级体系，也不可能有有效的信用风险转移矩阵，同时也缺少一个准确的基准贴现率，因此现阶段该模型在我国尚无法应用。CreditRisk+模型最大的优点是简单易用，泊松过程的应用使得计算非常有效，需要估计的变量很少，对于每个组合只需要知道违约概率和风险头寸；但它忽略了信用级别的变动，对于每个债务人风险头寸是固定不变的，只依赖于远期利率变动。甚至在大多数情况下，模型简化为违约概率由几种随机背景因子决定，风险头寸是常量。

2.我国科技型企业信用风险度量可能采用的模型或方法。中小企业普遍存在着一些问题，如规模小、经营制度不规范、财务数据不完善、资本结构不合理和可抵押资产相对缺乏等。这意味着商业 银行 向科技企业贷款的信用风险较大，且有不同于一般企业信用风险的特点。科技企业贷款的信用风险与企业所有者个人的信用息息相关，判定指标体系不易用衡量大型企业的标准。然而，长期以来我国商业银行并没有将对科技型企业的贷款独立出来，信用风险内部评级仍然采用与大企业一样的体系。2003年以前，我国银行对贷款的分类一直延用“一逾两呆”的分类方式。“一逾两呆”分类 管理 主要依据借款人的还款状况将贷款划分为正常、逾期、呆滞、呆账四类，是一种事后监督的管理方法。从2003年1月1日起，我国各类银行全面实行贷款风险五级分类管理。贷款五级风险分类将贷款质量划分为正常、关注、次级、可疑和损失五类(其中后三类称为不良贷款)，在动态监测的基础上，通过对借款人现金流量、财务实力、抵押品价值等因素的连续监测和分析，判断贷款的实际损失程度，确定贷款风险。

对于信用风险内部评估，据人民银行的 调查 结果显示，现今国内几家大银行的信用风险评级刚刚进入计分卡阶段，相当于一种加权综合评分法。具体做法是:首先，设定待评价的指标体系，并根据评价的重要程度对各种指标给以一定的权重；其次，根据所收集的被评企业各种财务、非财务信息对照指标标准进行打分，确定各指标分值；再次，根据各指标评分以及权重，计算加权综合评分；最后，对照评级表的级别区间，判定被评企业的信用等级。这样一种评定信用风险的方法是在评价指标结构分析的基础上再进行量化分析的。因此，其实是以定性分析为主、定量分析为辅的分析方法。而且，主要几个指标权重的设定和打分的过程是根据“专家分析”的结果。

综上，我国银行内部对于企业信用风险评估仍然较多使用古典信用分析，处于定性向定量的过渡阶段，尚未使用多元分析及现代信用风险度量模型。科技企业大部分为非上市公司，KMV模型无法大规模使用；我国缺乏完善的信用评级体系，历史数据积累稀少，CreditMetrics由于缺乏相应数据而无法使用；Credit Risk+模型将信用风险简化为泊松分布，过于武断，忽略了债务人的特有风险，更无法适用于变幻莫测的科技型企业。总之，现代信用风险模型在现阶段尚不适用于我国科技型企业。而银行使用现行古典信用分析的结果是大部分的科技企业被拒之门外，导致其贷款难 融资 难，因此对于科技企业信用风险度量最可能选取的方法为多元 统计 分析。而多元统计分析法中，Logistic回归模型的应用性最广，它以企业财务指标为变量计算企业潜在的违约风险，适合我国科技型企业的信用风险度量。

参考文献：

1.Fraydman H,Altman E,Kao D.Introducing recursive partitioning for financial classfication:the case of financial distress.Journal of Banking& F inance,1985,11

(1)

2.Altman E.Financial ratios,Discriminant Analysis and the Predicton of Corporate Bankruptcy.Journal of Banking and Finance,1968,

(9)p589-609

3.Beaver W.Market prices,financial ratio s,and the prediction of failure[J].Journal of Accounting Research,1968. www.LWLM.com编辑。 5.Fitzpatrick PJ,A comparison of ratios of successful industrial enterprises with those of failed firms[J],Certified Public Account,1932.

6.Beaver WH,Financial ratios as predictors of failure[J],Journal of Accounting research(Supplement),1966,p71-101

7.周首华,杨济华等.论 财务 危机的预警分析——F分数模型. 会计 研究 ,1996

(8)

8.陈静. 上市公司 财务恶化预测的实证分析.会计研究，1999

(4)

9.吴世农,卢贤义.我国上市公司财务困境的预测模型研究. 经济 研究,2001

(6)

10.张玲.财务危机预警分析的判别模型.数量经济技术研究,2000

(3)